Clasificación de la percepción de los servidores públicos federales en relación a actos de corrupción utilizando algoritmos de aprendizaje de máquina
DOI:
https://doi.org/10.47456/bjpe.v9i4.42073Palabras clave:
Minería de Datos, Corrupción, Servicio Público FederalResumen
Las técnicas computacionales se han mostrado útiles en la lucha contra la corrupción en el sector público, permitiendo la detección temprana de actividades sospechosas. En este sentido, se analizaron datos extraídos de una encuesta realizada por el Banco Mundial en 2021 sobre el tema de Ética y Corrupción en el Servicio Público, con la participación de aproximadamente 22,000 encuestados. Se propone el desarrollo de modelos destinados a promover la transparencia y la integridad en el servicio público brasileño. Los resultados mostraron la viabilidad del uso de técnicas de aprendizaje de máquina, siendo la Regresión Logística la mejor opción para el escenario estudiado, con una precisión del 82%. El modelo desarrollado y los análisis generados pueden ser utilizados para ayudar en la identificación de actividades sospechosas de corrupción en el sector público, contribuyendo a la detección temprana y prevención de prácticas ilegales. Los resultados también resaltan la importancia del desarrollo de políticas públicas para promover la ética y la integridad en el servicio público, así como el papel de las tecnologías avanzadas en la mejora de la gobernanza y la confianza de la sociedad en las instituciones públicas.
Descargas
Citas
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
Descargas
Publicado
Cómo citar
Número
Sección
Licencia
Derechos de autor 2023 Brazilian Journal of Production Engineering
Esta obra está bajo una licencia internacional Creative Commons Atribución-NoComercial-CompartirIgual 4.0.
