Suspeitas de conluios em licitações no estado do Ceará: uma abordagem utilizando mineração de dados e aprendizado de máquina
DOI: https://doi.org/10.32586/rcda.v23i2.1014
Palavras-chave:
licitações, conluios, algoritmos, mineração de dados, aprendizado de máquinaResumo
Este artigo trata da aplicação de técnicas de mineração de dados e algoritmos de aprendizado de máquina para analisar suspeitas de conluio nas licitações públicas, nos municípios do estado do Ceará. A mineração de dados permite extrair informações relevantes de diferentes conjuntos de dados, enquanto o aprendizado de máquina possibilita a identificação de padrões complexos e anomalias que podem passar despercebidas por métodos tradicionais de auditoria. Utilizando os algoritmos de aprendizado de máquina, Apriori e FrequentPattern-Growth (FP-Growth), o estudo foca na análise de históricos de licitações, por período de gestão e relações entre empresas. O objetivo geral da pesquisa é identificar, por meio dos algoritmos Apriori e FP-Growth, suspeitas de conluios e oferecer um modelo matemático para cálculo do indicador de conluio potencial (ICP) para as empresas participantes em licitações nos municípios do estado do Ceará. Para tanto, foram utilizados dados do Sistema de Informações Municipais (SIM), do Tribunal de Contas do Ceará (TCE-CE), da Controladoria Geral da União (CGU), da Receita Federal e dos Portais da Transparência dos municípios. Indicadores de risco na participação de algumas empresas foram calculados. Além disso, os licitantes foram ranqueados pelo Indicador de Conluio Potencial (ICP), que é um indicador que ajuda a avaliar a associação entre empresas e que leva em consideração múltiplos aspectos das relações entre elas, como porte, graus de parentesco, entre outros. Os resultados apresentaram 53 empresas suspeitas, para as quais foram calculados os valores da matriz de risco das associações que essas faziam parte e os seus respectivos ICPs.
Métricas
Referências
AGRAWAL, R.; IMIELINSKI, T.; SWAMI, A. Mining association rules between sets of items in large databases. Proceedings of the 1993 ACM SIGMOD International Conference on Management of Data, Washington D.C., 1993, p. 207-216.
AGRAWAL, R.; SRIKANT, R. Fast algorithms for mining association rules in large databases. Proceedings of the 20th International Conference on Very Large Data Bases, Santiago de Chile, 1994, p. 487-499.
AGGRWAL, C. Data mining: the textbook. Cham: Springer; 2015.
ALCAN, D.; OZDEMIR, K.; OZCAN, B.; MUCAN, A. Y.; OZCAN, T.A. A Comparative analysis of Apriori and FP-Growth algorithms for market basket analysis using multi-level association rule mining. In: CALISIR, F.; DURUCU, M. Industrial Engineering in the Covid-19 Era. GJCIE 2022. Cham: Springer, 2023. ISBN: 978-3-031-25846-6.
ARIEF, H. A; SAPTAWATI, G. A. P.; ASNAR, Y. D. W. Fraud detection based-on data mining on Indonesian E-Procurement System (SPSE). In: 2016 International Conference on Data and Software Engineering (ICoDSE), 2016, Denpasar, p. 1-6. DOI: 10.1109/ICODSE.2016.7936111.
BALDOMIR, R. A. Aplicação do algoritmo Apriori para detectar relacionamentos entre empresas nos processos licitatórios do Governo Federal. Universidade de Brasília, Brasília, 2017.
BORGEL, C. An implementation of the FP-Growth algorithm. Department of Knowledge Processing and Language Engineering, School of Computer Science, Otto-von-Guericke-Universityof Magdeburg, Magdeburg, 2005.
BRAGA, T. C. A. CADE, Cartéis e licitações: um novo nicho da política antitruste brasileira. Revista de Defesa da Concorrência, Brasília, v. 3, n. 1, p. 108-132, maio de 2015.
CAMPOS, F. As práticas de conluio nas licitações públicas à luz da teoria dos jogos. Revista Análise Econômica, Porto Alegre, v. 1, n. 50, p. 185-206, set, 2008.
CONTROLADORIA GERAL DA UNIÃO. Revista da CGU, v. 12, n. 21, jan./jun. Brasília, 2020.
CHANDOLA, V.; BANERJEE, A.; KUMAR, V. Anomaly detection: a survey. ACM Computing Surveys (CSUR), v. 41, 2009. DOI: https;//doi.org/10.1145/1541880.1541882.
DIZON, F. S. V. et al. Learning of high dengue incidence with clustering and FP-Growth algorithm using WHO historical data. Computing Research Repository (CoRR), v. 1901, n. 11376. 2019.
FAYYAD, U.; SHAPIRO, G. P.; SMYTH P. From data mining to knowledge discovery in databases. AI Magazine, [S. l.], v. 17, n. 3, p. 37, 1996. DOI: 10.1609/aimag.v17i3.1230. Disponível em: https://ojs.aaai.org/aimagazine/index.php/aimagazine/article/view/1230. Acesso em: 25 jun. 2024 Acesso em: 17 mar. 2025.
HAN, J.; PEI, J.; YIN, Y. Mining frequent patterns without candidate generation. In: Proceedings of 2000 ACM SIGMOD International Conference on Management of Data. New York: Association for Computing Machinery, 2000, p. 1-12. DOI: 10.1145/342009.335372.
LOPES, M. A.; MONTINI, A. de Á.; COSTA, L. dos S. Application of machine learning in the detection of public fraud. In: Anais. São Paulo: TECSI/EAC/FEA/USP, 2020. Disponível em: https://doi.org/10.5748/17CONTECSI/PSE-6642. Acesso em: 25 jun. 2024.
MCNICHOLAS, D.; ZHAO, Y. Association rules: an overview. London: IGI Global, 2009.
MIRANDA, H. S. Licitações e contratos administrativos. Revista dos Tribunais, 5a ed. São Paulo, 2021.
NIEBUHR, J.M. Licitação pública e contrato administrativo. Ed. 7. Belo Horizonte: Fórum, 2024.
RALHA, C. G.; SARMENTO SILVA, C. V. A multi-agent data minning system for cartel detection in Brazilian Government Procurement. Expert Systems with Application, v. 39, n. 14, p. 11642-11656, 2012.
RAMALHO, H.M.B.; ALMEIDA, A.T.C.; FRAGA, A.A. Detecção de casos suspeitos de conluios em licitações públicas: uma aplicação do algoritmo a Priori de aprendizado de máquina para o Estado da Paraíba. In: Teoria e Prática em Administração, v. 10, n. 2, p. 5-22, 2020. DOI: 10.21714/2238-104X2020v10i2-51526. Disponível em: https://periodicos.ufpb.br/index.php/tpa/article/view/51526. Acesso em: 25 jun. 2024.
RODRÍGUEZ, M. J. G.; RODRÍGUEZ-MONTEQUÍN, V.; BALLESTEROS-PÉRES, P.; LOVE, P. E. D.; SIGNOR, R. Collusion detection in public procurement 100 auctions with machine learning algorithms. In: Automation in Construction, v. 133, p. 104047, 2022.
SILVA, M. A. S.; VIEIRA, S. L. Descoberta de insights na análise de licitações no estado de Goiás. In: Revista Brasileira de Criminalística, v. 12, n. 5, p. 25-38, 2023. DOI: 10.15260/rbc.v12i5.600. Disponível em: https://revista.rbc.org.br/index.php/rbc/article/view/600. Acesso em: 12 jun. 2024.
SOUZA, F. R. de. Manual básico de licitação. São Paulo: Nobel, 1997.
TAN, P-N.; STEINBACH, M.; KUMAR, V. Introduction to data mining. Boston: Addison-Wesley, 2005.
TRIBUNAL DE CONTAS DA UNIÃO. Licitações e contratos, orientações e jurisprudência do TCU. 4. ed. Brasília: TCU: Revista ampliada e atualizada, 2010, 901p.
Referências
AGRAWAL, R.; IMIELINSKI, T.; SWAMI, A. Mining association rules between sets of items in large databases. Proceedings of the 1993 ACM SIGMOD International Conference on Management of Data, Washington D.C., 1993, p. 207-216.
AGRAWAL, R.; SRIKANT, R. Fast algorithms for mining association rules in large databases. Proceedings of the 20th International Conference on Very Large Data Bases, Santiago de Chile, 1994, p. 487-499.
AGGRWAL, C. Data mining: the textbook. Cham: Springer; 2015.
ALCAN, D.; OZDEMIR, K.; OZCAN, B.; MUCAN, A. Y.; OZCAN, T.A. A Comparative analysis of Apriori and FP-Growth algorithms for market basket analysis using multi-level association rule mining. In: CALISIR, F.; DURUCU, M. Industrial Engineering in the Covid-19 Era. GJCIE 2022. Cham: Springer, 2023. ISBN: 978-3-031-25846-6.
ARIEF, H. A; SAPTAWATI, G. A. P.; ASNAR, Y. D. W. Fraud detection based-on data mining on Indonesian E-Procurement System (SPSE). In: 2016 International Conference on Data and Software Engineering (ICoDSE), 2016, Denpasar, p. 1-6. DOI: 10.1109/ICODSE.2016.7936111.
BALDOMIR, R. A. Aplicação do algoritmo Apriori para detectar relacionamentos entre empresas nos processos licitatórios do Governo Federal. Universidade de Brasília, Brasília, 2017.
BORGEL, C. An implementation of the FP-Growth algorithm. Department of Knowledge Processing and Language Engineering, School of Computer Science, Otto-von-Guericke-Universityof Magdeburg, Magdeburg, 2005.
BRAGA, T. C. A. CADE, Cartéis e licitações: um novo nicho da política antitruste brasileira. Revista de Defesa da Concorrência, Brasília, v. 3, n. 1, p. 108-132, maio de 2015.
CAMPOS, F. As práticas de conluio nas licitações públicas à luz da teoria dos jogos. Revista Análise Econômica, Porto Alegre, v. 1, n. 50, p. 185-206, set, 2008.
CONTROLADORIA GERAL DA UNIÃO. Revista da CGU, v. 12, n. 21, jan./jun. Brasília, 2020.
CHANDOLA, V.; BANERJEE, A.; KUMAR, V. Anomaly detection: a survey. ACM Computing Surveys (CSUR), v. 41, 2009. DOI: https;//doi.org/10.1145/1541880.1541882.
DIZON, F. S. V. et al. Learning of high dengue incidence with clustering and FP-Growth algorithm using WHO historical data. Computing Research Repository (CoRR), v. 1901, n. 11376. 2019.
FAYYAD, U.; SHAPIRO, G. P.; SMYTH P. From data mining to knowledge discovery in databases. AI Magazine, [S. l.], v. 17, n. 3, p. 37, 1996. DOI: 10.1609/aimag.v17i3.1230. Disponível em: https://ojs.aaai.org/aimagazine/index.php/aimagazine/article/view/1230. Acesso em: 25 jun. 2024 Acesso em: 17 mar. 2025.
HAN, J.; PEI, J.; YIN, Y. Mining frequent patterns without candidate generation. In: Proceedings of 2000 ACM SIGMOD International Conference on Management of Data. New York: Association for Computing Machinery, 2000, p. 1-12. DOI: 10.1145/342009.335372.
LOPES, M. A.; MONTINI, A. de Á.; COSTA, L. dos S. Application of machine learning in the detection of public fraud. In: Anais. São Paulo: TECSI/EAC/FEA/USP, 2020. Disponível em: https://doi.org/10.5748/17CONTECSI/PSE-6642. Acesso em: 25 jun. 2024.
MCNICHOLAS, D.; ZHAO, Y. Association rules: an overview. London: IGI Global, 2009.
MIRANDA, H. S. Licitações e contratos administrativos. Revista dos Tribunais, 5a ed. São Paulo, 2021.
NIEBUHR, J.M. Licitação pública e contrato administrativo. Ed. 7. Belo Horizonte: Fórum, 2024.
RALHA, C. G.; SARMENTO SILVA, C. V. A multi-agent data minning system for cartel detection in Brazilian Government Procurement. Expert Systems with Application, v. 39, n. 14, p. 11642-11656, 2012.
RAMALHO, H.M.B.; ALMEIDA, A.T.C.; FRAGA, A.A. Detecção de casos suspeitos de conluios em licitações públicas: uma aplicação do algoritmo a Priori de aprendizado de máquina para o Estado da Paraíba. In: Teoria e Prática em Administração, v. 10, n. 2, p. 5-22, 2020. DOI: 10.21714/2238-104X2020v10i2-51526. Disponível em: https://periodicos.ufpb.br/index.php/tpa/article/view/51526. Acesso em: 25 jun. 2024.
RODRÍGUEZ, M. J. G.; RODRÍGUEZ-MONTEQUÍN, V.; BALLESTEROS-PÉRES, P.; LOVE, P. E. D.; SIGNOR, R. Collusion detection in public procurement 100 auctions with machine learning algorithms. In: Automation in Construction, v. 133, p. 104047, 2022.
SILVA, M. A. S.; VIEIRA, S. L. Descoberta de insights na análise de licitações no estado de Goiás. In: Revista Brasileira de Criminalística, v. 12, n. 5, p. 25-38, 2023. DOI: 10.15260/rbc.v12i5.600. Disponível em: https://revista.rbc.org.br/index.php/rbc/article/view/600. Acesso em: 12 jun. 2024.
SOUZA, F. R. de. Manual básico de licitação. São Paulo: Nobel, 1997.
TAN, P-N.; STEINBACH, M.; KUMAR, V. Introduction to data mining. Boston: Addison-Wesley, 2005.
TRIBUNAL DE CONTAS DA UNIÃO. Licitações e contratos, orientações e jurisprudência do TCU. 4. ed. Brasília: TCU: Revista ampliada e atualizada, 2010, 901p.
Publicado
Edição
Seção
Licença
Copyright (c) 2025 Revista: apenas para a 1ª Publicação.
Este trabalho está licenciado sob uma licença Creative Commons Attribution-NonCommercial 4.0 International License.
Autores que publicam na Revista Controle – Doutrina e Artigos concordam com os seguintes termos:
1 A Revista Controle – Doutrina e Artigos não se responsabiliza pelas opiniões, ideias e conceitos emitidos nos textos, por serem de inteira responsabilidade de seu(s) autor(es), não significando necessariamente o posicionamento do Tribunal de Contas do Estado do Ceará e do Instituto Plácido Castelo;
2. O periódico segue o padrão Creative Commons (CC BY NC 4.0), que permite o compartilhamento e adaptação de obras derivadas do original, mas não pode usar o material para fins comerciais. As novas obras devem conter menção ao(s) autor(es) nos créditos;
3 O(s) responsável(is) pela submissão de artigos declara(m), sob as penas da Lei, que a informação sobre a autoria do trabalho é absolutamente completa e verdadeira;
4 O(s) autor(es) garante(m) que o artigo é original e inédito e que não está em processo de avaliação em outros periódicos;
5 A responsabilidade por eventuais plágios nos artigos publicados é de responsabilidade do(s) autor(es);
6 É reservado aos Editores o direito de proceder ajustes textuais e de adequação dos artigos às normas da publicação;
7 A Revista Controle – Doutrina e Artigos não realiza cobrança de nenhuma taxa ou contribuição financeira em razão de submissão de artigos ou de seu processamento;
8 A publicação dos artigos na Revista Controle – Doutrina e Artigos não gerará direito à remuneração de qualquer espécie; e
9 O(s) autor(es) autoriza(m) a publicação do artigo na Revista Controle – Doutrina e Artigos.