Algoritmos de aprendizado de máquina aplicados na estimação de descontos em itens da cesta básica

Jose Mateus Rodrigues dos Santos; Bruno Samways dos Santos

doi:10.15675/gepros.3037

Autores

Jose Mateus Rodrigues dos Santos Federal Technological University of Paraná https://orcid.org/0009-0004-9818-326X
Bruno Samways dos Santos Federal Technological University of Paraná https://orcid.org/0000-0001-7919-1724

DOI:

https://doi.org/10.15675/gepros.3037

Palavras-chave:

Aprendizado de máquina, Administração Pública, Licitação, Cesta Básica, Compras Públicas

Resumo

Objetivo: O objetivo deste trabalho foi avaliar modelos de aprendizado de máquina (ou machine learning, ML) para estimar descontos ofertados em licitações de itens da cesta básica nacional, realizando posteriormente uma análise sobre os atributos mais relevantes dentro destes estimadores. Referencial Teórico: Os modelos de ML podem ser aplicados em vários contextos, incluindo áreas da engenharia, medicina, saúde pública, economia, entre outros. Estes algoritmos podem encontrar padrões ocultos que técnicas tradicionais da estatística podem ser incapazes de detectar, tornando-os propício para análises preditivas e interpretativas quanto às características dos descontos ofertados em licitação de itens da cesta básica. Metodologia/Abordagem: Foram utilizados os algoritmos Random Forest, XGBoost e Redes Neurais Artificiais, e avaliadas pelo erro absoluto médio e pela raiz do erro quadrático médio. Os dados foram obtidos junto ao Tribunal de Contas do Estado do Paraná e incluíram 18 itens da cesta básica. Resultados: Em geral, o modelo XGBoost apresentou os melhores resultados quanto aos erros para os itens avaliados na cesta básica. Já para os atributos mais relevantes, entendeu-se que a variável “quantidade” dos itens “pão” e “manteiga” foram as mais importantes para se estimar o desconto, enquanto o “ano de homologação” do pedido foi importante para estimar o desconto do “óleo de soja”, “pão francês”, “carne bovina”, “arroz” e “feijão”. Contribuições, implicações práticas e sociais: Estes modelos podem fornecer informações relevantes para gestores e órgãos fiscalizadores, auxiliando no planejamento orçamentário, detecção de fraudes e negociação de preços em licitações, contribuindo para uma gestão pública mais econômica e transparente. Porém, verificou-se que os modelos foram limitados para estimar o valor do desconto em situações de grandes picos de variação. Originalidade/Valor: A partir da etapa do pré-processamento, sugere-se uma análise profunda quanto ao sistema que disponibiliza os dados, pois os arquivos estão subdivididos e não padronizados, fazendo com que pessoas fora da academia ou do mundo corporativo tenham dificuldades em extraí-los. Os modelos de ML podem auxiliar gestores públicos, no atendimento aos princípios e tendências trazidos pela Nova Lei de Licitações, em um mercado que representa 12% do PIB nacional.

Biografia do Autor

Jose Mateus Rodrigues dos Santos, Federal Technological University of Paraná

Federal Technological University of Paraná (UFTPR), Londrina – Paraná (PR) – Brazil. Undergraduate student in Production Engineering.

Bruno Samways dos Santos, Federal Technological University of Paraná

Federal Technological University of Paraná (UFTPR), Londrina – Paraná (PR) – Brazil. Adjunct Professor in the Department of Production Engineering. Researcher in the Optimization and Data Mining Research Group (GPOMD).

Referências

Aggarwal, C. C. (2015). Data Mining: The textbook. Springer International Publishing. https://doi.org/10.1007/978-3-319-14142-8 DOI: https://doi.org/10.1007/978-3-319-14142-8

Aggarwal, C. C. (2018). Neural Networks and Deep Learning. In Neural Networks and Deep Learning. Springer International Publishing. https://doi.org/10.1007/978-3-319-94463-0 DOI: https://doi.org/10.1007/978-3-319-94463-0_3

Amorim, V. A. J. de. (2017). Licitações e contratos administrativos: teoria e jurisprudência. https://www2.senado.leg.br/bdsf/handle/id/533714

Bonaccorso, G. (2017). Machine Learning Algorithms: A reference guide to popular algorithms for data science and machine learning (1st ed., Vol. 1). Packt Publishing.

Brasil. (2021). Lei 14133 de Licitações e Contratos Administrativos. https://www.planalto.gov.br/ccivil_03/_ato2019-2022/2021/lei/l14133.htm

Breiman, L. (2001). Random forests. Machine Learning, 45, 5–32. https://doi.org/10.1007/9781441993267_5 DOI: https://doi.org/10.1023/A:1010933404324

Chen, T., & Guestrin, C. (2016). XGBoost: A Scalable Tree Boosting System. https://doi.org/10.1145/2939672.2939785 DOI: https://doi.org/10.1145/2939672.2939785

Dhaliwal, S. S., Nahid, A.-A., & Abbas, R. (2018). Effective Intrusion Detection System Using XGBoost. Information, 9(7), 149. https://doi.org/10.3390/info9070149 DOI: https://doi.org/10.3390/info9070149

França, R. M. M. (2021). Compras públicas conjuntas e economias de escala: um estudo de caso do Sistema COFEN / Conselhos Regionais de Enfermagem [Dissertação de Mestrado, Universidade de Brasília]. http://www.rlbea.unb.br/jspui/handle/10482/42165

Freitas, A. M. de, Prado, F. O., Alexandre, P. L. T., & Carmona, M. F. F. (2021). Nova lei de licitações e contratos administrativos: comentários a lei no 14.133/2021 (2nd ed.). https://www2.senado.leg.br/bdsf/handle/id/588204

Géron, A. (2019). Hands-on: Machine Learning with Scikit-Learn, Keras & Tensorflow (2nd ed.). O’Reilly Media.

Ghazal, M. M., & Hammad, A. (2022). Application of knowledge discovery in database (KDD) techniques in cost overrun of construction projects. International Journal of Construction Management, 22(9), 1632–1646. https://doi.org/10.1080/15623599.2020.1738205 DOI: https://doi.org/10.1080/15623599.2020.1738205

Halužan Vasle, A., & Moškon, M. (2024). Synthetic biological neural networks: From current implementations to future perspectives. BioSystems, 237, 105164. https://doi.org/10.1016/j.biosystems.2024.105164 DOI: https://doi.org/10.1016/j.biosystems.2024.105164

Instituto Brasileiro de Geografia e Estatística. (2024). Sistema Nacional de Índices de Preços ao Consumidor. Tabela 7063 - INPC. https://sidra.ibge.gov.br/tabela/7063

Lara, J. A., Lizcano, D., Martínez, M. A., & Pazos, J. (2014). Data preparation for KDD through automatic reasoning based on description logic. Information Systems, 44, 54–72. https://doi.org/10.1016/j.is.2014.03.002 DOI: https://doi.org/10.1016/j.is.2014.03.002

M. Mijwil, M. (2021). Artificial Neural Networks Advantages and Disadvantages. Mesopotamian Journal of Big Data, 2021, 29–31. https://doi.org/10.58496/MJBD/2021/006 DOI: https://doi.org/10.58496/MJBD/2021/006

Mello, C. A. B. de. (2015). Curso de Direito Administrativo (32nd ed.). Malheiros.

Morabito, R., & Pureza, V. (2018). Modelagem e Simulação. In Cauchick, P.A., (Coord.). Metodologia de Pesquisa em Engenharia de Produção e Gestão de Operações (3 ed., Chap. 8, pp. 165-195). Rio de Janeiro: Elsevier.

Oliveira, L. H. R. de, Rêgo, T. G. do, & Diniz, J. A. (2019). Previsão de Valores de Aquisições Governamentais: o Uso dos Conceitos de Data Science e Machine Learning. XVI Congresso USP de Iniciação Científica Em Contabilidade, 1–15.

Radhoush, S., Whitaker, B. M., & Nehrir, H. (2023). An Overview of Supervised Machine Learning Approaches for Applications in Active Distribution Networks. Energies, 16(16), 5972. https://doi.org/10.3390/en16165972 DOI: https://doi.org/10.3390/en16165972

Raschka, S. (2015). Python Machine Learning (1st ed.). Packt Publishing Ltd.

Ribeiro, C. G., & Inácio Júnior, E. (2019). O mercado de compras governamentais brasileiro (2006-2017): Mensuração e análise.

Sagi, O., & Rokach, L. (2021). Approximating XGBoost with an interpretable decision tree. Information Sciences, 572, 522–542. https://doi.org/10.1016/j.ins.2021.05.055 DOI: https://doi.org/10.1016/j.ins.2021.05.055

Sampaio, I. G., Bernardini, F., Paes, A., Andrade, E. de O., & Viterbo, J. (2019). Avaliação de Modelos de Predição e Previsão Construídos por Algoritmos de Aprendizado de Máquina em Problemas de Cidades Inteligentes. In Tópicos em Sistemas de Informação: Minicursos SBSI 2019 (pp. 81–113). SBC. https://doi.org/10.5753/sbc.480.9.04 DOI: https://doi.org/10.5753/sbc.480.9.04

Santos, L. B., Gentry, D., Tryforos, A., Fultz, L., Beasley, J., & Gentimis, T. (2024). Soybean yield prediction using machine learning algorithms under a cover crop management system. Smart Agricultural Technology, 8, 100442. https://doi.org/10.1016/j.atech.2024.100442 DOI: https://doi.org/10.1016/j.atech.2024.100442

Signor, R., Marchiori, F. F., Raupp, A. B., Magro, R. R., & Lopes, A. de O. (2022). A nova lei de licitações como promotora da maldição do vencedor. Revista de Administração Pública, 56(1), 176–190. https://doi.org/10.1590/0034-761220210133 DOI: https://doi.org/10.1590/0034-761220210133

Silva, M. O., Costa, L. L., Bezerra, G., Gomide, L. D., Hott, H. R., Oliveira, G. P., Brandão, M. A., Lacerda, A., & Pappa, G. (2023). Análise de Sobrepreço em Itens de Licitações Públicas. Anais Do XI Workshop de Computação Aplicada Em Governo Eletrônico (WCGE 2023), 118–129. https://doi.org/10.5753/wcge.2023.230608 DOI: https://doi.org/10.5753/wcge.2023.230608

Tan, P.-N., Steinbach, M., Karpatne, A., & Kumar, V. (2019). Introduction to Data Mining (2nd ed.). Pearson Prentice Hall.

Willmott, C. J., & Matsuura, K. (2005). Advantages of the mean absolute error (MAE) over the root mean square error (RMSE) in assessing average model performance. Climate Research, 30(1), 79–82. http://www.jstor.org/stable/24869236 DOI: https://doi.org/10.3354/cr030079

Xerez, S. R. D. (2013). A evolução do orçamento público e seus instrumentos de planejamento. Revista Científica Semana Acadêmica, 01(43), 1–19.

Xu, Q., & Yin, J. (2021). Application of Random Forest Algorithm in Physical Education. Scientific Programming, 2021. https://doi.org/10.1155/2021/1996904 DOI: https://doi.org/10.1155/2021/1996904