Identificação de licitações suspeitas de fraude por meio de trilhas de auditagem
DOI:
https://doi.org/10.5753/isys.2023.3013Keywords:
Fraude em licitações, Análise de redes sociais, Trilhas de auditagemAbstract
Diferentes tecnologias da informação têm sido utilizadas para promover a transparência governamental, a qual é possibilitada por acordos que promovem e incentivam a abertura de dados. Licitações públicas são um tipo específico desses dados, as quais são disponibilizadas pelo governo brasileiro e visam garantir a transparência, bem como a livre concorrência entre licitantes. Entretanto, a auditoria em busca de irregularidades é uma tarefa não trivial devido ao enorme volume de dados e uma quantidade reduzida de especialistas. Assim, este trabalho propõe uma metodologia baseada em conceitos de trilhas de auditagem e redes sociais para criar alertas de fraude em licitações. Também é proposta uma abordagem para ranquear as licitações de acordo com essas trilhas. Os resultados revelam que nossa proposta auxilia no combate à corrupção por conseguir identificar licitações suspeitas.
Downloads
Referências
Abidi, W. U. H. et al. (2021). Real-time shill bidding fraud detection empowered with fussed machine learning. IEEE Access, 9:113612–113621.
Andrade, P. H. M. A. et al. (2020). Auditing government purchases with a multicriteria anomaly detection strategy. J. Inf. Data Manag., 11(1).
Anowar, F. and Sadaoui, S. (2019). Multi-class ensemble learning of imbalanced bidding fraud data. In Canadian AI, volume 11489 of Lecture Notes in Computer Science, pages 352–358. Springer.
Aquino Jr, G. S. d., Jacob, E., Henrique, G., Guerethes, J., and de Oliveira Silva, R. (2019). Dados abertos para o fomento da transparência e inovação: o caso da ufrn. iSys-Brazilian Journal of Information Systems, 12(2):39–59.
Araújo, J. L. et al. (2021). Caracterização de “Caminhos mais prováveis” em uma rede complexa de processos jurídicos. In BraSNAM, pages 44–54, Porto Alegre, Brasil. SBC.
Barabási, A.-L. (2016). Network science. Cambridge University Press.
Brum, P., Cândido Teixeira, M., Vimieiro, R., Araújo, E., Meira Jr, W., and Lobo Pappa, G. (2022). Political polarization on twitter during the covid-19 pandemic: a case study in brazil. Social Network Analysis and Mining, 12(1):1–17.
Costa, L., Reis, A., Bacha, C., Oliveira, G., Silva, M., Teixeira, M., Brandão, M., Lacerda, A., and Pappa, G. (2022). Alertas de fraude em licitações: Uma abordagem baseada em redes sociais. In Anais do XI Brazilian Workshop on Social Network Analysis and Mining, pages 37–48, Porto Alegre, RS, Brasil. SBC.
Elshaar, S. and Sadaoui, S. (2020). Detecting bidding fraud using a few labeled data. In ICAART, pages 17–25. SCITEPRESS.
Florentino, ́E. S., Goldschmidt, R. R., and Cavalcanti, M. C. (2022). Identificando suspeitos de crimes por meio de interações implícitas no youtube. iSys-Brazilian Journal of Information Systems, 15(1):3–1.
Ganguly, S. and Sadaoui, S. (2018). Online detection of shill bidding fraud based on machine learning techniques. In IEA/AIE, volume 10868 of Lecture Notes in Computer Science, pages 303–314. Springer.
Grace, E. et al. (2016). Detecting fraud, corruption, and collusion in international development contracts: The design of a proof-of-concept automated system. In IEEE BigData, pages 1444–1453. IEEE Computer Society.
Kansaon, D. P., Brandao, M. A., and de Paula Pinto, S. A. (2019). Análise de algoritmos de classificação para detecção de emoções em tweets em português brasileiro. iSys-Brazilian Journal of Information Systems, 12(3):116–138.
Lima, M. et al. (2020). Inferring about fraudulent collusion risk on Brazilian public works contracts in official texts using a Bi-LSTM approach. In EMNLP, pages 1580–1588, Online. ACL.
Oliveira, G. P., Reis, A. P., Freitas, F. A., Costa, L. L., Silva, M. O., Brum, P. P., Oliveira, S. E., Brandão, M. A., Lacerda, A., and Pappa, G. L. (2022a). Detecting inconsistencies in public bids: An automated and data-based approach. In Brazilian Symposium on Multimedia and Web, pages 182–190.
Oliveira, G. P., Reis, A. P., Mendes, B. M., Bacha, C. A., Costa, L. L., Canguçu, G. L., Silva, M. O., Caetano, V., Brandão, M. A., Lacerda, A., et al. (2022b). Ferramentas open-source de qualidade de dados para licitações públicas: Uma análise comparativa. In Anais do XXXVII Simpósio Brasileiro de Bancos de Dados, pages 116–127. SBC.
Oskarsdóttir, M., Ahmed, W., Antonio, K., Baesens, B., Dendievel, R., Donas, T., and Reynkens, T. (2022). Social network analytics for supervised fraud detection in insurance. Risk Analysis, 42(8):1872–1890.
Park, C. H. and Kim, K. (2020). E-government as an anti-corruption tool: Panel data analysis across countries. International Review of Administrative Sciences, 86(4):691–707.
Pereira, R. and Murai, F. (2021). Quão efetivas são redes neurais baseadas em grafos na detecção de fraude para dados em rede? In BraSNAM, pages 205–210, Porto Alegre, Brasil. SBC.
Ralha, C. G. and Silva, C. V. S. (2012). A multi-agent data mining system for cartel detection in brazilian government procurement. Exp. Syst. Appl., 39(14):11642–11656.
Santoro, F. M., Revoredo, K. C., Costa, R. M., and Barboza, T. M. (2020). Process mining techniques in internal auditing: A stepwise case study. iSys- Brazilian Journal of Information Systems, 13(4):48–76.
Silva, M. O., Paula, A. F., Oliveira, G. P., Vaz, I. A., Hott, H., Gomide, L. D., Reis, A. P., Mendes, B. M., Bacha, C. A., Costa, L. L., et al. (2022). Lipset: Um conjunto de dados com documentos rotulados de licitações públicas. In Anais do IV Dataset Showcase Workshop, pages 13–24. SBC.
Velasco, R. B. et al. (2021). A decision support system for fraud detection in public procurement. Int. Trans. Oper. Res., 28(1):27–47.
Vlasselaer, V. V. et al. (2015). AFRAID: fraud detection via active inference in time-evolving social networks. In ASONAM, pages 659–666. ACM.
Vlasselaer, V. V. et al. (2017). Gotcha! network-based fraud detection for social security fraud. Manag. Sci., 63(9):3090–3110.
Wang, Y., Wang, L., Li, Y., He, D., Chen, W., and Liu, T.-Y. (2013). A theoretical analysis of ndcg ranking measures. In Proceedings of the 26th annual conference on learning theory (COLT 2013), volume 8, page 6.
Downloads
Published
Como Citar
Issue
Section
Licença
Copyright (c) 2023 iSys - Revista Brasileira de Sistemas de Informação

Este trabalho está licenciado sob uma licença Creative Commons Attribution 4.0 International License.