Detecção de Irregularidades em Contratações Públicas: Uma Abordagem com Machine Learning Baseada em Consenso entre Algoritmos
Palavras-chave:
Governança Pública, Contratações Públicas, Machine Learning, Detecção de Anomalias, Consenso entre AlgoritmosResumo
Este estudo insere-se no contexto da crescente demanda por transparência e eficiência na governança de contratações públicas. O objetivo foi identificar indícios de irregularidades por meio de técnicas de Machine Learning não supervisionado, com abordagem quantitativa baseada em mineração de dados do Portal Nacional de Contratações Públicas (PNCP), utilizando K-Means, DBSCAN, Local Outlier Factor e Isolation Forest combinados por análise de consenso. Os resultados evidenciaram diferentes níveis de sensibilidade entre os modelos: K-Means apresentou a maior taxa de anomalias, Isolation Forest e LOF comportamento mais conservador, e o DBSCAN superior qualidade de agrupamento. A análise de consenso identificou 76 processos sinalizados por ao menos três métodos simultaneamente, representando 3,47% do total analisado. Concluiu-se que a abordagem multialgorítmica contribui de forma objetiva e replicável para o fortalecimento dos mecanismos de auditoria pública, oferecendo ferramenta de triagem inteligente que apoia a priorização de casos por órgãos de controle e fiscalização.
Referências
Abreu, B. M., Pereira, T. H. S., & Gomes-Jr, L. (2024). Detecção de Fraudes em Licitações Públicas: Uma Comparação de Modelos de Detecção de Anomalias. Anais Da XIX Escola Regional De Banco De Dados, 81–90.
Aggarwal, C. C. (2016). Outlier analysis. Springer International Publishing AG
Arão, C. (2024). Por trás da inteligência artificial: uma análise das bases epistemológicas do Machine Learning. Trans/Form/Ação, 47(3).
Bai, M., Yang, B., Wu, Z., & Ma, J. (2025). Adaptive Hybrid Model with CatBoost for Predicting Electric Market Competition. 2025 International Conference on Communication, Computer, and Information Technology (IC3IT), 1–6.
Basheer, M. Y. I., Ali, A. M., Hamid, N. H. A., Nordin, S., Osman, R., Yusoff, N., & Gu, X. (2026). Adaptive local outlier factor. Evolving Systems, 17(2). https://doi.org/10.1007/s12530-026-09808-y
Bazzaz Abkenar, S., Kshani, M., Mahdipour, E. and Jameii, S. (2021),Big data analytics meets social media: a systematic review of techniques, open issues, and future directions, Telematics and Informatics, Vol. 57, p. 101517, doi: 10.1016/j.tele.2020.101517
Bezerra, A. J. S., Da Silva, F. a. S., Da Silva, F. a. S., Arenas, M. V. D. S., & Arenas, M. V. D. S. (2022). Principais irregularidades em obras públicas no Estado de Rondônia apontadas pelo TCE-RO no período de 2018 a 2021. Brazilian Journal of Development, 8(4), 26025–26040. https://doi.org/10.34117/bjdv8n4-219
Boege, M. G. M., & Marques, S. D. R. B. (2024). Compliance e integridade na nova Lei de Licitações: análise do diálogo competitivo como instrumento de eficiência e transparência nas contratações públicas. Academia De Direito, 6, 2995–3014. https://doi.org/10.24302/acaddir.v6.5083
BRASIL. Conselho Nacional de Saúde. Resolução nº 510, de 7 de abril de 2016. Brasília: Ministério da Saúde, 2016. Disponível em: https://bvsms.saude.gov.br/bvs/saudelegis/cns/2016/res0510_07_04_2016.html. Acesso em: 25 abr. 2026.
BRASIL. Lei nº 12.527, de 18 de novembro de 2011. Presidência da República, 2011. Disponível em: https://www.planalto.gov.br/ccivil_03/_ato2011-2014/2011/lei/l12527.htm. Acesso em: 25 abr. 2026.
BRASIL. Lei nº 14.133/2021. Disponível em: https://www.planalto.gov.br/ccivil_03/_ato2019-2022/2021/lei/l14133.htm. Acesso em: 18 mar. 2026.
Breunig, M. M., Kriegel, H., Ng, R. T., & Sander, J. (2000). LOF. Proceedings of the 2000 ACM SIGMOD International Conference on Management of Data, 93–104. https://doi.org/10.1145/342009.335388
Dalmaijer, E. S., Nord, C. L., & Astle, D. E. (2022). Statistical power for cluster analysis. BMC Bioinformatics,https://doi.org/10.1186/s12859-022-04675-1
Da Silva, J. V. S., & De Oliveira, R. D. (2024). Fraude em licitações: uma perspectiva da lei no 14.133/2021. COGNITIONIS Scientific Journal, 7(2), e500. https://doi.org/10.38087/2595.8801.500
Da Silva Pereira, R., Dantas, J. R. a. F., Santos, J. B. D., De Abreu Mascarenhas, A., & Ney, O. F. (2024). Do portal nacional de contratações públicas (PNCP) e disposições transitórias e finais. International Journal of Scientific Management and Tourism, 10(4), e1005.
Da Silva Pereira, B., & Dorneles, C. F. (2025). Uma Metodologia para Coleta e Mapeamento de Dados de Licitações Públicas dos Portais da Transparência dos Municípios de Santa Catarina. Anais Da Escola Regional De Banco De Dados (ERBD), 50–59. https://doi.org/10.5753/erbd.2025.7267
De Almeida, J., & Chinelato, C. (2025). Identification of electromyographic signals using machine learning techniques and low-cost technologies. Revista Para Graduandos/Instituto Federal De Educação, Ciência E Tecnologia De São Paulo - Campus São Paulo - REGRASP, 10(3), 18-31. https://doi.org/10.47734/regrasp.v10.03.p18-31
Dzeco, E. A., & Simione, A. A. (2024). Processo De Procurement Na Conjuntura De Crise Da Pandemia Da Covid-19 E A Transparência Na Contratação Pública Em Moçambique. Estudo & Debate, 31(2).
Ester M, Kriegel H-P, Sander J, Xu X. (1996) A density-based algorithm for discovering clusters in large spatial databases with noise KDD'96: Proceedings of the Second International Conference on Knowledge Discovery and Data Mining. Pages 226 – 231 https://dl.acm.org/doi/10.5555/3001460.3001507
Filho, J. R. C. (2025). Princípios norteadores das licitações públicas à luz da lei n° 14.133/2021. LUMEN ET VIRTUS, 16(55), e11292. https://doi.org/10.56238/levv16n55-109
Garbaccio, G. L., & Ramos, D. F. (2025). Utilização da inteligência artificial na gestão pública para identificação de irregularidades em licitações e contratos: experiências brasileira e portuguesa. http://dx.doi.org/10.26668/revistajur.2316-753X.v3i83.7741
Hanafi, N., & Saadatfar, H. (2022). A fast DBSCAN algorithm for big data based on efficient density calculation. Expert Systems With Applications, 203, 117501.
Júnior, D. P. G., De Sousa Filho, G. F., & Cabral, L. D. a. F. (2023). Classificação de fraudes em licitações públicas através do agrupamento de empresas em conluios. Anais Do Latin American Symposium on Digital Government (LASDiGov), 13–24. https://doi.org/10.5753/wcge.2023.229519
Khetarpaul, S., Sharma, D., Jose, J. I., & Saragur, M. (2022). Real-Time detection and visualization of traffic conditions by mining Twitter data. In Lecture notes in computer science (pp. 141–152). https://doi.org/10.1007/978-3-031-15512-3_11
Kyriazos, T. , Poga, M. (2023) Dealing with Multicollinearity in Factor Analysis: The Problem, Detections, and Solutions. Open Journal of Statistics, 13, 404-424.
Liu, F. T., Ting, K. M., & Zhou, Z. (2008). Isolation Forest. 2008 Eighth IEEE International Conference on Data Mining, 413–422. https://doi.org/10.1109/icdm.2008.17
Li, Y., Li, S., Xiong, X., Hao, Z., Liu, Y., & Mu, W. (2025). A prediction method for wine customer consumption behavior using data enhancement and attention-based CNN-LSTM. British Food Journal. Vol. ahead-of-print No. ahead-of-print. https://doi.org/10.1108/BFJ-07-2025-0899
Marconi, M. A.; Lakatos, E. M. Fundamentos de metodologia científica. 8. ed. São Paulo: Atlas, 2017.
Martins, R. S. N., Fêlix, M. P., & Ianuzzi, A. M. M. (2025). Princípios fundamentais das licitações públicas no Brasil. Caderno Pedagógico, 22(13), e21216.
McKinney, W. (2011). Pandas: A Foundational Python Library for Dara Analysis and Statistics. Python for High Performance and Scientific Computing, 14, 1-9.
Nery, E. L. M., De Souza Nunes, L., & De Barbuda, A. S. (2024). ATOS DE IMPROBIDADE ADMINISTRATIVA EM LICITAÇÕES NO DIREITO BRASILEIRO. Revista Jurídica Do Nordeste Mineiro, 3(3). https://doi.org/10.61164/rjnm.v3i3.2222
Pavão, J. N., Brandão, D., & Belloze, K. (2025). Large Language Models para detecção de conluios em licitações. Anais Do XL Simpósio Brasileiro De Bancos De Dados, 893–899.
Reis, I. O., Castro, R. I. F., & Piffer, D. M. (2025). Lei Da Transparência E Legitimidade Em Licitações De Obras Públicas. Revista Gestão E Conhecimento, 19(1), e386.
Rodrigues, H. D. S, Santos, R. S. D., & De Santana Neto, H. G. (2026). Responsabilidade Do Agente Público E Do Contratado Nas Licitações: Análise Da Jurisprudência Após A Lindb (ART. 28). Revista Ibero-Americana De Humanidades, Ciências E Educação, 12(2), 1–9.
Rodríguez, P., Bautista, M. A., Gonzàlez, J., & Escalera, S. (2018). Beyond one-hot encoding: Lower dimensional target embedding. Image and Vision Computing, 75, 21–31. https://doi.org/10.1016/j.imavis.2018.04.004
Sari, I. P., Al-Khowarizmi, A., & Batubara, I. H. (2021). Cluster Analysis Using K-Means Algorithm and Fuzzy C- Means Clustering For Grouping Students’ Abilities In Online Learning Process. Journal of Computer Science, Information Technology and Telecommunication Engineering, 2(1), 139–144.
Shao, M., Shao, H., Wang, X., Gao, Y., & Liu, B. (2025). Interpretable anomaly detection using extended isolation forest with adaptive thresholds. Structural Health Monitoring. https://doi.org/10.1177/14759217251339607
Shahrestani, S., & Sanislav, I. (2024). How does dimensionality influence outlier detection effectiveness in multivariate geochemical data? insights from LOF and IF methods. Earth Science Informatics, 18(1). https://doi.org/10.1007/s12145-024-01611-0
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 Latin American Symposium on Digital Government (LASDiGov), 118–129.
Sinaga, K. P., & Yang, M. (2020). Unsupervised K-Means clustering algorithm. IEEE Access, 8, 80716–80727.https://doi.org/10.1109/access.2020.2988796
Singh, H. V., Girdhar, A., & Dahiya, S. (2022). A Literature survey based on DBSCAN algorithms. 2022 6th International Conference on Intelligent Computing and Control Systems (ICICCS), 751–758. https://doi.org/10.1109/iciccs53718.2022.9788440Teixeira, C. E., Bonin, G., & Campo, A. (2019). Aplicação De Técnicas De Machine Learning Para Controle De Uma Mão Robótica. Revista Para Graduandos/Instituto Federal De Educação, Ciência E Tecnologia De São Paulo - Campus São Paulo - REGRASP, 4(2), 116-128
Umargono, E., Suseno, J. E., & Gunawan, S. K. V. (2020). K-Means Clustering Optimization Using the Elbow Method and Early Centroid Determination Based on Mean and Median Formula. Intelligent Automation & Soft Computing. https://doi.org/10.2991/assehr.k.201010.019
Souto, A.L, Gomes, V. C., & Riveros, J. L. T. (2025). Inteligência Artificial em Auditoria de Licitações. Síntese., 2(1). https://doi.org/10.70690/f9axse22
Souza Silva, E. M., Cabrinha, N. M. G., Da Silva Thompson, N. P., & Costa, L. C. P. (2025). A nova lei de licitações e contratos (lei no 14.133/2021): impactos no planejamento, eficiência e transparência dos processos licitatórios nos municípios da administração pública do estado do amazonas. Revista Políticas Públicas & Cidades, 14(3), e1946. https://doi.org/10.23900/2359-1552v14n3-41-2025.
Downloads
Publicado
Como Citar
Edição
Seção
Licença
Copyright (c) 2026 Raphael Hendrigo de Souza Gonçalves, Wendel Marcos dos Santos, Luiz Fernando Postingel Quirino
Este trabalho está licenciado sob uma licença Creative Commons Attribution 4.0 International License.
Todos os trabalhos publicados na REGRASP estão licenciados sob a Creative Commons Atribuição 4.0 Internacional (CC BY 4.0).
Isso significa que:
-
Qualquer pessoa pode copiar, distribuir, exibir, adaptar, remixar e até utilizar comercialmente os conteúdos publicados na revista;
-
Desde que sejam atribuídos os devidos créditos aos autores e à REGRASP como fonte original;
-
Não é exigida permissão adicional para reutilização, desde que respeitados os termos da licença.
Esta política está em conformidade com os princípios do acesso aberto, promovendo a ampla disseminação do conhecimento científico.
