
Atenção:
O eduCAPES é um repositório de objetos educacionais, não sendo responsável por materiais de terceiros submetidos na plataforma. O usuário assume ampla e total responsabilidade quanto à originalidade, à titularidade e ao conteúdo, citações de obras consultadas, referências e outros elementos que fazem parte do material que deseja submeter. Recomendamos que se reporte diretamente ao(s) autor(es), indicando qual parte do material foi considerada imprópria (cite página e parágrafo) e justificando sua denúncia.
Caso seja o autor original de algum material publicado indevidamente ou sem autorização, será necessário que se identifique informando nome completo, CPF e data de nascimento. Caso possua uma decisão judicial para retirada do material, solicitamos que informe o link de acesso ao documento, bem como quaisquer dados necessários ao acesso, no campo abaixo.
Todas as denúncias são sigilosas e sua identidade será preservada. Os campos nome e e-mail são de preenchimento opcional. Porém, ao deixar de informar seu e-mail, um possível retorno será inviabilizado e/ou sua denúncia poderá ser desconsiderada no caso de necessitar de informações complementares.
| Metadados | Descrição | Idioma |
|---|---|---|
| Autor(es): dc.contributor | Zeviani, Walmes Marques, 1986- | - |
| Autor(es): dc.contributor | Universidade Federal do Paraná. Setor de Ciências Exatas. Curso de Especialização em Data Science & Big Data | - |
| Autor(es): dc.creator | Rosa, Paulo Jhonny Scheleder da Costa | - |
| Data de aceite: dc.date.accessioned | 2025-09-01T11:22:52Z | - |
| Data de disponibilização: dc.date.available | 2025-09-01T11:22:52Z | - |
| Data de envio: dc.date.issued | 2024-02-07 | - |
| Data de envio: dc.date.issued | 2024-02-07 | - |
| Data de envio: dc.date.issued | 2019 | - |
| Fonte completa do material: dc.identifier | https://hdl.handle.net/1884/75341 | - |
| Fonte: dc.identifier.uri | http://educapes.capes.gov.br/handle/1884/75341 | - |
| Descrição: dc.description | Orientador: Prof. Walmes Marques Zeviani | - |
| Descrição: dc.description | Monografia (especialização) - Universidade Federal do Paraná, Setor de Ciências Exatas, Curso de Especialização em Data Science & Big Data. | - |
| Descrição: dc.description | Inclui referências | - |
| Descrição: dc.description | Resumo: Propõe-se, neste artigo, uma metodologia para detecção de indícios de cartel em licitações relativas à área de engenharia, considerando a gestão municipal paranaense de 2013 a 2016. A partir de dados públicos e de técnicas estatísticas e de machine learning, buscou-se identificar mercados de licitação, encontrar regras de associação mediante a atuação conjunta e frequente de empresas e criar um indicador de risco de cartel. Os resultados apontaram três mercados de licitação compostos por regiões vizinhas, identificados via técnica k-means. Além disso, considerando o algoritmo Apriori e o estado do Paraná, 245 potenciais carteis foram encontrados e avaliados com base em seu sucesso contratual. Cerca de 5,4% do total de licitações tiveram a aplicação de pelo menos uma regra, perfazendo uma média de risco de cartel de 0,838. Por fim, a partir da rede neural SOM, observou-se uma associação negativa entre o risco de cartel e o número de participantes da licitação, indicando que ambientes com poucos competidores contribuem para atuações colusivas. | - |
| Descrição: dc.description | Abstract: This article proposes a methodology for detecting signs of cartel in bidding processes related to engineering area, considering the municipal management of Paraná from 2013 to 2016. Based on public data and statistical and machine learning techniques, we sought to identify bidding markets, find association rules through joint and frequent performance of companies and create a indicator of cartel risk. The results pointed out three bidding markets composed of neighboring regions, identified through the k-means technique. In addition, considering the Apriori algorithm and the state of Paraná, 245 potential cartels were found and evaluated based on their contractual success. About 5.4% of the total biddings had the application of at least one rule, resulting in an average cartel risk of 0.838. Finally, from the SOM neural network, a negative association was observed between the cartel risk and the number of companies in the bidding, indicating that environments with few competitors contribute to collusive actions. | - |
| Formato: dc.format | 1 recurso online : PDF. | - |
| Formato: dc.format | application/pdf | - |
| Formato: dc.format | application/pdf | - |
| Palavras-chave: dc.subject | Licitação pública | - |
| Palavras-chave: dc.subject | Cartéis | - |
| Palavras-chave: dc.subject | Testes de associação | - |
| Palavras-chave: dc.subject | Redes neurais (Computação) | - |
| Título: dc.title | Descartelizando : uso de machine learning e estatística para detecção de indícios de cartel em processos licitatórios | - |
| Aparece nas coleções: | Repositório Institucional - Rede Paraná Acervo | |
O Portal eduCAPES é oferecido ao usuário, condicionado à aceitação dos termos, condições e avisos contidos aqui e sem modificações. A CAPES poderá modificar o conteúdo ou formato deste site ou acabar com a sua operação ou suas ferramentas a seu critério único e sem aviso prévio. Ao acessar este portal, você, usuário pessoa física ou jurídica, se declara compreender e aceitar as condições aqui estabelecidas, da seguinte forma: