Classificação da percepção de servidores públicos federais em relação a atos de corrupção utilizando algoritmos de aprendizado de máquina

Vinicius Matheus Pimentel Ariza; Bruno Samways dos Santos

doi:10.47456/bjpe.v9i4.42073

Autores

Vinicius Matheus Pimentel Ariza Universidade Tecnológica Federal do Paraná - UTFPR Autor https://orcid.org/0000-0002-0493-7971 (não autenticado)
Bruno Samways dos Santos Universidade Tecnológica Federal do Paraná - UTFPR Autor

DOI:

https://doi.org/10.47456/bjpe.v9i4.42073

Palavras-chave:

Mineração de Dados, Corrupção, Serviço Público Federal

Resumo

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

Os dados de download ainda não estão disponíveis.

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

Aggarwal, C. C. (2015). Data mining: the textbook (Vol. 1). New York: springer.

Breiman, L. (2001). Random forests. Machine learning, 45. 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

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

Fawcett, T. (2006). An introduction to ROC analysis. Pattern recognition letters, 27(8). 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

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

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

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

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

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

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.

Jancsics, D. (2019). Corruption as resource transfer: An interdisciplinary synthesis. Public Administration Review, 79(4). 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

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

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

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

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

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

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

Transparência Internacional. (2022). Índice de Percepção da Corrupção 2022. Recuperado de https://www.transparency.org/en/cpi/2022/index/brasil