Classificação da percepção de servidores públicos federais em relação a atos de corrupção utilizando algoritmos de aprendizado de máquina
DOI:
https://doi.org/10.47456/bjpe.v9i4.42073Palavras-chave:
Mineração de Dados, Corrupção, Serviço Público FederalResumo
Técnicas computacionais têm-se mostrado úteis na luta contra a corrupção no setor público, permitindo a detecção precoce de atividades suspeitas. Sob este pressuposto, o objetivo deste trabalho foi comparar algoritmos de aprendizado de máquina no contexto da observação de atos de corrupção no Serviço Público. Nesse sentido, foram analisados dados extraídos de uma pesquisa realizada pelo Banco Mundial em 2021 sobre o tema “Ética e Corrupção no Serviço Público”, com cerca de 22.000 respondentes, sendo proposto o desenvolvimento de modelos que auxiliem na promoção da transparência e da integridade no serviço público brasileiro. Os resultados mostraram a viabilidade do uso de técnicas de aprendizado de máquina, com a Regressão Logística se mostrando a melhor opção para o cenário estudado, com acurácia de 82%. O modelo desenvolvido e as análises geradas podem ser usados para auxiliar na identificação de atividades suspeitas de corrupção no setor público, contribuindo para a detecção precoce e a prevenção de práticas ilegais. Os resultados também destacam a importância do desenvolvimento de políticas públicas para promover a ética e a integridade no serviço público, bem como o papel das tecnologias avançadas na melhoria da governança e da confiança da sociedade nas instituições públicas.
Downloads
Referências
Adam, I. & Fazekas, M. (2021). Are emerging technologies helping win the fight against corruption? A review of the state of evidence. Information Economics and Policy, 57. https://doi.org/10.1016/j.infoecopol.2021.100950 DOI: https://doi.org/10.1016/j.infoecopol.2021.100950
Aggarwal, C. C. (2015). Data mining: the textbook (Vol. 1). New York: springer. DOI: https://doi.org/10.1007/978-3-319-14142-8_1
Breiman, L. (2001). Random forests. Machine learning, 45. https://doi.org/10.1023/A:1010933404324 DOI: https://doi.org/10.1023/A:1010933404324
Ashforth, B. E., Gioia, D. A., Robinson, S. L., & Trevino, L. K. (2008). Re-viewing organizational corruption. Academy of Management review, 33(3). https://doi.org/10.5465/amr.2008.32465714 DOI: https://doi.org/10.5465/amr.2008.32465714
Castro, L. N. D., & Ferrari, D. G. (2016). Introdução à mineração de dados: conceitos básicos, algoritmos e aplicações. São Paulo: Saraiva, 5.
Chen, S. H. & Liao, C. C. (2011). Are foreign banks more profitable than domestic banks? Home-and host-country effects of banking market structure, governance, and supervision. Journal of Banking & Finance, 35(4). https://doi.org/10.1016/j.jbusres.2022.03.032 DOI: https://doi.org/10.1016/j.jbankfin.2010.11.006
Fawcett, T. (2006). An introduction to ROC analysis. Pattern recognition letters, 27(8). https://doi.org/10.1016/j.patrec.2005.10.010 DOI: https://doi.org/10.1016/j.patrec.2005.10.010
Fernandes, A. A. T., Figueiredo Filho, D. B., Rocha, E. C. D., & Nascimento, W. D. S. (2021). Leia este artigo se você quiser aprender regressão logística. Revista de Sociologia e Política, 28. https://doi.org/10.1590/1678-987320287406en DOI: https://doi.org/10.1590/1678-987320287406en
Gonzalez, L. D. A. (2018). Regressão logística e suas aplicações. Recuperado de https://monografias.ufma.br/jspui/bitstream/123456789/3572/1/LEANDRO-GONZALEZ.pdf
de Blasio, G., D'Ignazio, A., & Letta, M. (2022). Gotham city. Predicting ‘corrupted’ municipalities with machine learning. Technological Forecasting and Social Change, 184. https://doi.org/10.1016/j.techfore.2022.122016 DOI: https://doi.org/10.1016/j.techfore.2022.122016
Domashova, J. & Politova, A. (2021). The Corruption Perception Index: analysis of dependence on socio-economic indicators. Procedia Computer Science, 190. https://doi.org/10.1016/j.procs.2021.06.024 DOI: https://doi.org/10.1016/j.procs.2021.06.024
Fayyad, U., Piatetsky-Shapiro, G., & Smyth, P. (1996). From data mining to knowledge discovery in databases. AI magazine, 17(3). https://doi.org/10.1609/aimag.v17i3.1230
Gamarra, C., Guerrero, J. M., & Montero, E. (2016). A knowledge discovery in databases approach for industrial microgrid planning. Renewable and Sustainable Energy Reviews, 60. https://doi.org/10.1016/j.rser.2016.01.091 DOI: https://doi.org/10.1016/j.rser.2016.01.091
Gehrke, G., Borba, J. A., & Ferreira, D. D. M. (2017). A repercussão da corrupção brasileira na mídia: uma análise comparada das revistas Der Spiegel, L ‘Obs, The Economist, Time e Veja. Revista de Administração Pública, 5. http://dx.doi.org/10.1590/0034-7612158681 DOI: https://doi.org/10.1590/0034-7612158681
Géron, A. (2019). Mãos à Obra: Aprendizado de Máquina com Scikit-Learn & TensorFlow. Alta Books.
Goutte, S., Péran, T., & Porcher, T. (2022). Corruption, economy and governance in Central Africa: An analysis of public and regional drivers of corruption. Finance Research Letters, 44. https://dx.doi.org/10.2139/ssrn.3808716 DOI: https://doi.org/10.1016/j.frl.2021.102086
Jackson, D. & Köbis, N. (2018). Anti-corruption through a social norms lens. U4 Issue, 7. Recuperado de https://www.u4.no/publications/anti-corruption-through-a-social-norms-lens#conclusion-a-social-norms-approach-to-anti-corruption
James, G., Witten, D., Hastie, T., Tibshirani, R., & Taylor, J. (2023). An Introduction to Statistical Learning with Applications in Python. Springer. DOI: https://doi.org/10.1007/978-3-031-38747-0
Jancsics, D. (2019). Corruption as resource transfer: An interdisciplinary synthesis. Public Administration Review, 79(4). https://doi.org/10.1111/puar.13024 DOI: https://doi.org/10.1111/puar.13024
Jeong, D., Shenoy, A., & Zimmermann, L. V. (2023). De Jure versus De Facto transparency: Corruption in local public office in India. Journal of Public Economics, 221. https://doi.org/10.1016/j.jpubeco.2023.104855 DOI: https://doi.org/10.1016/j.jpubeco.2023.104855
Li, J., Chen, W. H., Xu, Q., Shah, N., Kohler, J. C., & Mackey, T. K. (2020). Detection of self-reported experiences with corruption on twitter using unsupervised machine learning. Social Sciences & Humanities Open, 2(1). https://doi.org/10.1016/j.ssaho.2020.100060 DOI: https://doi.org/10.1016/j.ssaho.2020.100060
Lima, M. S. M. & Delen, D. (2020). Predicting and explaining corruption across countries: A machine learning approach. Government Information Quarterly, 37(1). https://doi.org/10.1016/j.giq.2019.101407 DOI: https://doi.org/10.1016/j.giq.2019.101407
Lino, A. F., Azevedo, R. R., de., Aquino, A. C. B., de., & Steccolini, I. (2022). Fighting or supporting corruption? The role of public sector audit organizations in Brazil. Critical Perspectives on Accounting, 83. https://doi.org/10.1016/j.cpa.2021.102384 DOI: https://doi.org/10.1016/j.cpa.2021.102384
Macedo, S. V. & Valadares, J. L. (2021). Corrupção: reflexões epistemológicas e contribuições para o campo de públicas. Organizações & Sociedade, 28. https://doi.org/10.1590/1984-92302021v28n9607PT DOI: https://doi.org/10.1590/1984-92302021v28n9607pt
Mitchell, T. M. (1997). Machine learning. (Vol. 1). New York: McGraw-hill.
Pan, Z., Wang, Y., & Pan, Y. (2020). A new locally adaptive k-nearest neighbor algorithm based on discrimination class. Knowledge-Based Systems, 204.
https://doi.org/10.1016/j.knosys.2020.106185 DOI: https://doi.org/10.1016/j.knosys.2020.106185
Raschka, S. (2015). Python machine learning. Packt publishing ltd.
Speiser, J. L., Miller, M. E., Tooze, J., & Ip, E. (2019). A comparison of random forest variable selection methods for classification prediction modeling. Expert systems with applications, 134. https://doi.org/10.1016/j.eswa.2019.05.028 DOI: https://doi.org/10.1016/j.eswa.2019.05.028
Transparência Internacional. (2022). Índice de Percepção da Corrupção 2022. Recuperado de https://www.transparency.org/en/cpi/2022/index/brasil
Downloads
Publicado
Como Citar
Edição
Seção
Licença
Copyright (c) 2023 Brazilian Journal of Production Engineering
Este trabalho está licenciado sob uma licença Creative Commons Attribution-NonCommercial-ShareAlike 4.0 International License.
Atribuição-NãoComercial-CompartilhaIgual
CC BY
Esta licença permite que outros remixem, adaptem e desenvolvam seu trabalho não comercialmente, contanto que eles creditem a você e licenciem suas novas criações sob os mesmos termos.
