Uso de Redes Neurais Artificiais para classificação de propostas dependentes e independentes em licitações no ramo de óleo e gás
DOI:
https://doi.org/10.53660/360.prw907cResumo
Na última década, investigações do MPF do Brasil expuseram uma rede de cartéis atuando no setor de óleo e gás. Este caso foi considerado o maior da história do setor ocorrido fora dos EUA (DOJ, 2016). Segundo a OCDE (2022, p. 3), Cartéis são a principal ameaça a lei de concorrência e causam um sobrepreço médio de 20% nos mercados afetados (Smuda, 2012). Mesmo sendo tema relevante, não existe ferramenta universalmente aceita para identificação de Cartéis. Este trabalho propõe a construção de uma rede neural artificial — RNA que classifique as propostas recebidas em uma licitação como sendo ou não parte de um cartel, a partir da análise de um conjunto de características destas propostas. Será utilizado como estudo de caso o processo de compras de uma grande empresa do ramo de óleo e gás, sendo os dados obtidos no portal de compras desta empresa e através de aval gerencial. Este trabalho abordará o processo de tratamento dos dados para a construção do dataset, através da definição de metodologia para escolha das características das propostas (feauture engineering) que serão utilizadas no treinamento da RNA, também serão aplicadas técnicas de exploração estatística no intuito de se entender o comportamento das variáveis.
Downloads
Referências
Badruldeen, A. (13 de Setembro de 2020). Reviewing Enron Scandal. International University Liaison Indonesia, Tangerang: Indonesia, p. 11. doi:dx.doi.org/10.2139/ssrn.3697549
Braga, A. d., Ludermir, T. B., & Carvalho, A. P. (2007). Redes neurais artificiais: teoria e aplicações (2007). Rio de Janeiro: LTC.
BRASIL. (1993). Presidência da República Casa Civil Subchefia para Assuntos Jurídicos. Fonte: Lei nº 8.666, de 21 de Junho de 1993: https://www.planalto.gov.br/ccivil_03/LEIS/L8666cons.htm
BRASIL. (2016). Lei nº 13.303, de 30 de Junho DE 2016. Fonte: Secretaria-Geral: https://www.planalto.gov.br/ccivil_03/_ato2015-2018/2016/lei/l13303.htm
CADE. (Dezembro de 2019). Guia de Combate a cartéis em licitação. Fonte: https://cdn.cade.gov.br/: https://cdn.cade.gov.br/Portal/Not%C3%ADcias/2019/Cade%20publica%20Guia%20de%20Combate%20a%20Cart%C3%A9is%20em%20Licita%C3%A7%C3%A3o__guia-de-combate-a-carteis-em-licitacao-versao-final-1.pdf
Carlotti, D., Proença, J. M., & Behara, F. (2021). Desenvolvimento De Técnicas De Screening Aplicadas A Compras Públicas E Indicadores De Formação De Cartel: Estudo De Caso De Compras Dos Municípios Do Estado De São Paulo. Revista Direito Mackenzie, 15(03). doi:dx.doi.org/10.5935/2317-2622/direitomackenzie.v15n314863
Connor, J. M. (9 de Agosto de 2016). The Private International Cartels (PIC) Data Set: Guide and Summary Statistics, 1990- July 2016. American Antitrust Institute (AAI); Purdue University(2ª). doi:https://dx.doi.org/10.2139/ssrn.2821254
Doane, M., Luke, M., David S., S., & Brijesh P., P. (Abril de 2013). Screening for Collusion as a Problem of Inference. Forthcoming In Oxford Handbook On International Antitrust Economics. Acesso em doi, disponível em http://www.competitioneconomics.com/wp-content/uploads/2013/05/Screening-for-Collusion-as-a-Problem-of-Inference.pdf
DOJ, 2. (21 de dezembro de 2016). https://www.justice.gov/. Acesso em 27/01/2023, disponível em The United States Departament of Justice: https://www.justice.gov/opa/pr/odebrecht-and-braskem-plead-guilty-and-agree-pay-least-35-billion-global-penalties-resolve
Harrington, J. J., & Imhof, D. (2022). Structural Approaches to Cartel Detection. Stanford Computational Antitrust. Fonte: https://law.stanford.edu/wp-content/uploads/2022/08/harrington-imhof-2022.pdf
Khashei, M., & Bijari, M. (2010). An artificial neural network (p, d, q) model for timeseries forecasting. Expert Systems with Applications, 37(1), pp. 479-489. doi:https://doi.org/10.1016/j.eswa.2009.05.044
Martin, H., & Imhof, D. (Março de 2023). Flagging cartel participants with deep learning based on convolutional neural networks. International Journal of Industrial Organization. doi:https://doi.org/10.1016/j.ijindorg.2023.102946
Martins, M. d., Mette, F., & Macedo, G. R. (2009). A utilização de Redes Neurais Artificiais para a estimação dos preços da Petrobrás PN na Bovespa. ConTexto - Contabilidade em Texto, 8(14). Fonte: https://seer.ufrgs.br/index.php/ConTexto/article/view/11090
Masaki, A. (Setembro de 2003). Bid rotation and collusion in repeated acutions. Journal of Economic Theory, v. 112, pp. 79-105. doi:doi.org/10.1016/S0022-0531(03)00071-1
OCDE. (2009). Public Procurement Tolbox. Fonte: e.cd/procurement-toolbox: https://www.oecd.org/governance/procurement/toolbox/search/guideline-detecting-bid-rigging-public-tenders.pdf
OCDE. (2021). Combate a cartéis em licitações no Brasil: Uma revisão das Compras Públicas. Acesso em Janeiro de 2023, disponível em https://www.oecd.org/competition/fighting-bid-rigging-in-brazil-a-review-of-federal-public-procurement.htm
OECD. (2022). Recommendation of the Council concerning Effective Action against Hard Core Cartels. OECD/LEGAL/0452.
Padula, A. A., & Albuquerque, P. M. (Julho de 2018). Corrupção governamental no mercado de capitais: um estudo acerca da operação Lava Jato. Revista Administração de Empresas. doi:https://doi.org/10.1590/S0034-759020180406
Prati, R. C., Batista, G. E., & Monard, M. (2003). Uma experiˆencia no Balanceamento Artificial de Conjuntos de Dados para Aprendizado com Classes Desbalanceadas utilizando An´alise ROC. Proc. of the Workshop on Advances & Trends in AI for Problem Solving, pp. 28-33. Fonte: https://www.researchgate.net/profile/Ronaldo-
Prati/publication/228784062_Uma_experiencia_no_balanceamento_artificial_de_conjuntos_de_dados_para_aprendizado_com_classes_desbalanceadas_utilizando_analise_ROC/links/00b7d53b40bd7ee273000000/Uma-experiencia-no
Rosa, P. S., & Walmes, Z. M. (2019). Descartelizando: Uso de Machine Learning e Estatística para Detecção de Indícios de Cartel em Processos Licitatórios. Universidade Federal do Paraná, Paraná. Fonte: http://leg.ufpr.br/~walmes/docs/TCC-artigo_paulo_jhonny_scheleder.pdf#:~:text=01-2%20Descartelizando%3A%20Uso%20deMachine%20Learninge%20Estat%C3%ADstica%20para%20Detec%C3%A7%C3%A3o,por%20lesar%20o%20car%C3%A1ter%20competitivo%20entre%20os%20participantes.
Silva, A. S., Vasconcelos, S. P., & Vasconcelos, C. R. (2016). O uso de filtros de cartéis: uma aplicação para o caso do varejo de combustíveis no Brasil. Fonte: https://repositorio.ufjf.br/jspui/handle/ufjf/2257
Silva, C. S., & Rocha, H. A. (Outubro de 2010). Técnicas de mineração de dados como apoio às auditorias governamentais. Revista da CGU, pp. 29-40. Acesso em 2022, disponível em https://repositorio.cgu.gov.br/handle/1/34406
Silva, I. N., Spatti, D. H., & Flauzino, R. A. (2010). Redes neurais artificiais para engenharia e ciências aplicadas (2010). São Paulo.
Silveira, D., Vasconcelos, S., Bogossian, P., & Neto, J. (Abril de 2021). Cartel screening in the Brazilian fuel retail market. EconomiA, 22, pp. 53-70. doi:doi.org/10.1016/j.econ.2021.01.001
Smuda, F. (Julho de 2012). Cartel Overcharges and the Deterrent Effect of EU Competition Law. ZEW – Leibniz Centre for European Economic Research. doi:http://dx.doi.org/10.2139/ssrn.2118566
US SECURITIES AND EXCHANGE COMISSION. (2023). SEC Enforcement Actions: FCPA Cases. Acesso em 13 de 01 de 2023, disponível em US Securities and Exchange Comission: https://www.sec.gov/enforce/sec-enforcement-actions-fcpa-cases
Ying, X. (2019). An Overview of Overfitting and its Solutions. Journal of Physics: Conference Series. Fonte: https://iopscience.iop.org/article/10.1088/1742-6596/1168/2/022022/pdf