Ítem
Acceso Abierto
Prediciendo la corrupción en la contratación pública colombiana
Título de la revista
Autores
García Fuentes, Hernán Rodrigo
Fecha
2026-06-02
Directores
Campo Robledo, Jacobo Alberto
ISSN de la revista
Título del volumen
Editor
Universidad del Rosario
Buscar en:
Métricas alternativas
Resumen
A pesar de leyes, auditorías y reformas institucionales, la corrupción persiste en el sector público colombiano. El país ocupa el puesto 99 de 182 en el Índice de Percepción de Corrupción 2025, con más de 57.000 denuncias entre 2010 y 2023, siendo los contratos irregulares uno de los delitos más frecuentes. La investigación propone usar inteligencia artificial para anticipar estos actos. A partir de 489.580 contratos del SECOP II (2010–2021) y 183 variables contractuales, socioeconómicas y departamentales, se entrenaron modelos Lasso y Random Forest. La variable objetivo son las multas y sanciones impuestas a los contratos. Los modelos alcanzaron un AUC superior a 0,90, evidenciando buena capacidad predictiva, aunque con limitaciones de precisión por el desbalance en los datos. Las variables más influyentes fueron el departamento del contratista, el valor del contrato y la modalidad de contratación. Como resultado práctico, se desarrolló un sistema de alertas que clasifica contratos en niveles de riesgo (Bajo, Medio, Alto y Crítico) y estima el impacto económico esperado, optimizando la asignación de recursos de control sin reemplazar al auditor humano.
Abstract
Despite laws, audits, and institutional reforms, corruption persists in the Colombian public sector. The country ranks 99th out of 182 in the 2025 Corruption Perceptions Index, with more than 57,000 complaints filed between 2010 and 2023, irregular contracts being one of the most frequent offenses. This research proposes using artificial intelligence to anticipate such acts. Based on 489,580 contracts from SECOP II (2010–2021) and 183 contractual, socioeconomic, and departmental variables, Lasso and Random Forest models were trained. The target variable consists of fines and sanctions imposed on contracts. The models achieved an AUC above 0.90, demonstrating strong predictive capacity, though with precision limitations due to class imbalance in the data. The most influential variables were the contractor's department, the contract value, and the procurement method. As a practical outcome, an early warning system was developed that classifies contracts into risk levels (Low, Medium, High, and Critical) and estimates the expected economic impact, optimizing the allocation of oversight resources without replacing the human auditor.
Palabras clave
Contratación pública , Corrupción , Prevención , Machine learning
Keywords
Public procurement , Corruption , Prevention , Machine Learning
