Suspicions of collusion in public biddings in the state of Ceará: an approach using data mining and machine learning
DOI: https://doi.org/10.32586/rcda.v23i2.1014
Keywords:
bidding, collusion, algorithms, data mining, machine learningAbstract
This paper discusses the application of data mining techniques and machine learning algorithms to analyze suspicions of collusion in public bidding processes within municipalities in the state of Ceará. Data mining allows the extraction of relevant information from different data sets, while machine learning enables the identification of complex patterns and anomalies that may go unnoticed by traditional auditing methods. Using machine learning algorithms, Apriori and Frequent Pattern-Growth (FP-Growth), the study focuses on the analysis of bidding histories by management period, and relationships between companies. The general objective of the research is to identify, through the Apriori and FP-Growth algorithms, suspicions of collusion and to offer a mathematical model for calculating the Potential Collusion Indicator PCI for companies participating in bids in municipalities in the state of Ceará. To this end, data from the Municipal Information System (SIM), the Court of Auditors of Ceará (TCE-CE), the Union's General Comptroller (CGU), the Federal Revenue Service and Municipal Transparency Portals were used. Risk indicators in the participation of some companies were calculated. In addition, bidders were ranked by the Potential Collusion Indicator (PCI), which is an indicator that helps assess the association between companies and takes into account multiple aspects of the relationships between them, such as size, degrees of kinship, among others. The results showed 53 suspicious companies, for which the risk matrix values of the associations to which they belonged were calculated, and their respective PCIs.
Metrics
References
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.
References
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.
Published
Issue
Section
License
Copyright (c) 2025 Revista: apenas para a 1ª Publicação.
This work is licensed under a 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 a uma Licença Creative Commons Atribuição 4.0 Internacional (CC BY 4.0), que permite o uso e compartilhamento dos trabalhos publicados, desde que se atribua crédito aos autores e fontes;
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.