Uso de machine learning para identificação de cartéis em processos de licitação do ramo de óleo e gás

Na última década, investigações do ministério público federal 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 à lei de concorrência e causam um sobrepreço de até 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 um modelo baseado em um algoritmo de rede neural artificial — RNA que possibilite a classificação de propostas recebidas em uma licitação como sendo ou não parte de um cartel, a partir da análise de um conjunto de características destas propostas. Também serão treinados outros dois modelos com base nos algoritmos Floresta Aleatória e Árvore de Decisão respectivamente, que serão utilizados como baseline de comparação para o desempenho do modelo baseado em Redes Neurais. Será utilizado como estudo de caso o processo de compras de uma grande empresa do ramo de óleo e gás, sendo os dados obtidos de duas fontes: no portal de compras desta empresa, www.petronect.com, 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. O dataset possuirá duas classes: “cartel”, quando o processo recebe propostas, mas é considerado não competitivo, e “não cartel”, quando o processo é considerado competitivo. Este dataset será utilizado no treinamento dos modelos com RNA, Floresta Aleatória e Árvore de Decisão e os resultados serão comparados.