Ítem
Acceso Abierto

Prediciendo la corrupción en la contratación pública colombiana

Mostrar el registro sencillo de la publicación
dc.contributor.advisorCampo Robledo, Jacobo Alberto
dc.creatorGarcía Fuentes, Hernán Rodrigo
dc.creator.degreeMagíster en economía de las políticas públicas
dc.creator.degreeLevelMaestría
dc.date.accessioned2026-06-05T19:57:33Z
dc.date.available2026-06-05T19:57:33Z
dc.date.created2026-06-02
dc.descriptionA 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.
dc.description.abstractDespite 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.
dc.format.extent40 pp
dc.format.mimetypeapplication/pdf
dc.identifier.doihttps://doi.org/10.48713/10336_47897
dc.identifier.urihttps://repository.urosario.edu.co/handle/10336/47897
dc.language.isospa
dc.publisherUniversidad del Rosario
dc.publisher.departmentFacultad de Economía
dc.publisher.programMaestría en Economía de las Políticas Públicasspa
dc.rightsAttribution-ShareAlike 4.0 International*
dc.rights.accesRightsinfo:eu-repo/semantics/openAccess
dc.rights.accesoAbierto (Texto Completo)
dc.rights.licenciaEL AUTOR, manifiesta que la obra objeto de la presente autorización es original y la realizó sin violar o usurpar derechos de autor de terceros, por lo tanto la obra es de exclusiva autoría y tiene la titularidad sobre la misma. PARGRAFO: En caso de presentarse cualquier reclamación o acción por parte de un tercero en cuanto a los derechos de autor sobre la obra en cuestión, EL AUTOR, asumirá toda la responsabilidad, y saldrá en defensa de los derechos aquí autorizados; para todos los efectos la universidad actúa como un tercero de buena fe. EL AUTOR, autoriza a LA UNIVERSIDAD DEL ROSARIO, para que en los términos establecidos en la Ley 23 de 1982, Ley 44 de 1993, Decisión andina 351 de 1993, Decreto 460 de 1995 y demás normas generales sobre la materia, utilice y use la obra objeto de la presente autorización. -------------------------------------- POLITICA DE TRATAMIENTO DE DATOS PERSONALES. Declaro que autorizo previa y de forma informada el tratamiento de mis datos personales por parte de LA UNIVERSIDAD DEL ROSARIO para fines académicos y en aplicación de convenios con terceros o servicios conexos con actividades propias de la academia, con estricto cumplimiento de los principios de ley. Para el correcto ejercicio de mi derecho de habeas data cuento con la cuenta de correo habeasdata@urosario.edu.co, donde previa identificación podré solicitar la consulta, corrección y supresión de mis datos.spa
dc.rights.urihttp://creativecommons.org/licenses/by-sa/4.0/*
dc.source.bibliographicCitationBastidas Vargas, D. (2023). Redes de corrupción en la contratación pública en Colombia. Ciudad de Mexico: [Tesis de maestría, Centro de Investigación y Docencia Económicas].
dc.source.bibliographicCitationBolton, R. J., & Hand, D. J. (2002). Statistical Fraud Detection: A Review. Statistical Science., 235-255.
dc.source.bibliographicCitationBreiman, L. (1996). Bagging Predictors. Machine Learning, 123-140.
dc.source.bibliographicCitationBreiman, L. (2001). Random Forests. Machine Learning, 5-32.
dc.source.bibliographicCitationCAF – Banco de Desarrollo de América Latina. (2020). Tres preguntas sobre el uso de los datos para luchar contra la corrupción (Policy Brief 9, Transparencia e integridad pública). Dirección de Innovación Digital del Estado. CAF. Retrieved from https://scioteca.caf.com/handle/123456789/1544.
dc.source.bibliographicCitationColombia Compra Eficiente. (2017). Guía para la Contratación Directa sin Oferta. Bogota: Colombia Compra Eficiente.
dc.source.bibliographicCitationColonnelli, E., Prem, M., & Teso, E. (2020). Patronage and selection in public secto organizations. American Economic Review 110 (10), 3071–99.
dc.source.bibliographicCitationConsejo Nacional de Política Económica y Social (CONPES). (2002). Una Política de Estado para la Eficiencia y la Transparencia en la Contratación Pública. Bogota: CONPES.
dc.source.bibliographicCitationConsejo Nacional de Política Económica y Social (CONPES). (2025). La hoja de ruta de Colombia en Inteligencia Artificial para los retos actuales y la transformación futura. Bogota: CONPES.
dc.source.bibliographicCitationDavis, J., & Goadrich, M. (2006). The Relationship Between Precision-Recall and ROC Curves. Department of Computer Sciences and Department of Biostatistics and Medical Informatics, Pittsburgh, 25-29 June 2006, 233-240. https://doi.org/10.1145/1143844.1143874.
dc.source.bibliographicCitationDecarolis, F., & Giorgiantonio, C. (2020). Corruption red flags in public procurement: new evidence from Italian calls for tenders. Bank of Italy, Economic Research and International Relations Area.: Questioni di Economia e Finanza (Occasional Papers) 544.
dc.source.bibliographicCitationFawcett, T. (2006). An introduction to ROC analysis. Pattern Recognition Letters, 861-874.
dc.source.bibliographicCitationFernand Desfrancois, P. G., & Pastás Gutiérrez, E. R. (2022). Corrupción y crecimiento económico en América Latina y el Caribe. Revista Economica del Caribe, 32-49.
dc.source.bibliographicCitationFernandez, A., Garcia, S., Herrera, F., & Chawla, N. (2018). SMOTE for Learning from Imbalanced Data: Progress and. Journal of Artificial Intelligence Research, 863-905.
dc.source.bibliographicCitationGallego, J., Prem, M., & Vargas, J. (2020). Corruption in the times of pandemia. Documentos de Trabajo 18178, Universidad del Rosario.
dc.source.bibliographicCitationGallego, J., Prem, M., & Vargas, J. (2022). Predicting Politicians Misconduct: Evidence From Colombia. Documentos de Trabajo 20504, Universidad del Rosario.
dc.source.bibliographicCitationGallego, J., Rivero, G., & Martínez, J. (2021). Preventing rather than punishing: An early warning model of malfeasance in public procurement. International Journal of Forecasting, 360-377.
dc.source.bibliographicCitationGalvis - Ciro, J., & Hicapié - Vélez, G. (2022). The Effects of Corruption on Government Spending in the States of Colombia. Apuntes del CENES, 227-262 https://doi.org/10.19053/01203053.v41.n73.2022.13555.
dc.source.bibliographicCitationGarcia, J., Morón, J., Valbuena, G., Fernandez, E., & Leguizamon, J. (2022). La corrupción en Colombia: un análisis integral. Documentos de trabajo sobre Economía Regional y Urbana 307, Banco de la Republica de Colombia.
dc.source.bibliographicCitationGutiérrez, J. D., & Muñoz-Cadena, S. (2023). Adopción de sistemas de decisión automatizada en el sector público: Cartografía de 113 sistemas en Colombia. GIGAPP Estudios Working Papers, 365-395.
dc.source.bibliographicCitationHastie, T., Friedman, J. H., & Tibshirani, R. (2009). The Elements of Statistical Learning.
dc.source.bibliographicCitationHastie, T., Tibshirani, R., & Wainwright, M. (2015). Statistical Learning with Sparsity: The Lasso and Generalizations.
dc.source.bibliographicCitationIturriaga, F., & Sanz, I. (2018). Predicting Public Corruption with Neural Networks: An Analysis of Spanish Provinces. Social Indicators Research, 975-998.
dc.source.bibliographicCitationJames, G., Witten, D., Hastie, T., & Tibshirani, R. (2013). An Introduction to Statistical Learning.
dc.source.bibliographicCitationJames, G., Witten, D., Hastie, T., Tibshirani, R., & Taylor, J. (2023). An Introduction to Statistical Learning.
dc.source.bibliographicCitationJorion, P. (2007). Value at Risk: The New Benchmark for Managing Financial. New York: McGraw-Hill.
dc.source.bibliographicCitationKubat, M., & Matwin, S. (1997). Addressing the Curse of Imbalanced Training sets: One-Sided Selection. Proceedings of the 14th International Conference on Machine Learning, 179-186.
dc.source.bibliographicCitationLyra, M., Curado, A., Damasio, B., Bacao, F., & Pinheiro, F. (2021). Characterization of the Firm-Firm Public Procurement Co-Bidding Network from the State of Ceará (Brazil) Municipalities. Physics and Society, 6, 77 (2021). https://doi.org/10.1007/s41109-021-00418-y.
dc.source.bibliographicCitationMarketScreener. (10 de 02 de 2026). China recurre a la IA para detectar la corrupción en las licitaciones públicas. Obtenido de MarketScreener: https://shorturl.at/zHvJ6
dc.source.bibliographicCitationMartínez Cárdenas, E. E., & Ramírez Mora, J. M. (2006). La corrupción en la Contratación Estatal Colombiana - Una aproximación desde el neoinstitucionalismo. Reflexión Política, 148–162. https://doi.org/10.29375/01240781.622.
dc.source.bibliographicCitationMedina Arnáiz, T. (2016). La corrupción en la contratación pública: un burdo fraude al interés general. Papeles de relaciones ecosociales y cambio global.
dc.source.bibliographicCitationMojica Muñoz, K. (2021). Inteligencia artificial para detectar corrupción en la administración pública municipal de Colombia. Universidad de los Andes, Facultad de Economía, CEDE.
dc.source.bibliographicCitationMoreno Pabón, J. (2018). El Efecto Globo: identificación de regiones propensas a la producción de coca. Documentos CEDE.
dc.source.bibliographicCitationMorgner, M., & Chêne, M. (2015). Trasnparency International. Obtenido de Topic Guide: Public Procurement: https://shorturl.at/pmC0T
dc.source.bibliographicCitationOECD. (2019). Fraud and corruption risk assessments in public procurement. OECD publications.
dc.source.bibliographicCitationOECD. (2022). Uso estratégico y responsable de la inteligencia artificial en el sector público de América Latina y el Caribe. OECD Publishing.
dc.source.bibliographicCitationOECD. (2025). Gobernar con la inteligencia artificial: Panorama actual y hoja de ruta en las funciones centrales de gobierno. Paris: OCDE PUBLISHING.
dc.source.bibliographicCitationOlken, B. (2007). Monitoring Corruption: Evidence from a Field Experiment in Indonesia. Journal of Political Economy.
dc.source.bibliographicCitationOlken, B., & Pande, R. (2012). Corruption in Developing Countries. Annual Review of Economics.
dc.source.bibliographicCitationOlsson, S. (2014). Corruption and Political Participation: A Multilevel Analysis. QOG WP.
dc.source.bibliographicCitationOrganización de los Estados Americanos (OEA), Banco de Desarrollo de América Latina (CAF), y Datasketch. (2021). Guía para la identificación de riesgos de corrupción en contratación pública, utilizando la ciencia de datos.
dc.source.bibliographicCitationOrtiz Benavides, E. (2012). Efectos de la corrupción sobre la calidad de la salud y educación en Colombia 2004-2010. Tendencias (Revista de la facultad de ciencias económicas y administrativas).
dc.source.bibliographicCitationPortafolio. (03 de 12 de 2017). Los contratistas que están involucrados en el desfalco del PAE. Obtenido de PORTAFOLIO: https://www.portafolio.co/economia/los-contratistas-que-estan-involucrados-en-el-desfalco-del-pae-512237
dc.source.bibliographicCitationPrem, M., Colonnelli, E., Lagaras, S., Ponticelli, J., & Tsoutsoura, M. (2021). Revealing Corruption: Firm and Worker Level Evidence from Brazil. Documentos de Trabajo 18673, Universidad del Rosario.
dc.source.bibliographicCitationSaito, T., & Rehmsmeier, M. (2015). The Precision-Recall Plot Is More Informative than the ROC Plot When Evaluating Binary Classifiers on Imbalanced Datasets. Plos One.
dc.source.bibliographicCitationTibshirani, R. (1996). Regression Shrinkage and Selection via the lasso. Journal of the Royal Statistical Society, 267-288.
dc.source.bibliographicCitationTransparencia por Colombia. (2022a). Balance del monitoreo a la contratación pública COVID-19. Bogota: Transparencia por Colombia.
dc.source.bibliographicCitationTransparencia por Colombia. (2022b). índice de percepción de la corrupción 2021. Bogota: Transparencia por Colombia.
dc.source.bibliographicCitationTransparencia por Colombia. (2022c). RECOMENDACIONES EN MATERIA DE TRANSPARENCIA Y LUCHA CONTRA LA CORRUPCIÓN PARA LA CONSTRUCCIÓN DEL PLAN NACIONAL DE DESARROLLO 2022-2026. Bogota: Transparencia por Colombia.
dc.source.bibliographicCitationUniversidad Nacional de Colombia. (8 de 04 de 2022). Revista UNAL. Obtenido de Programa de Alimentación Escolar ¿que lo hace tan vulnerable a la corrupción?: https://periodico.unal.edu.co/articulos/programa-de-alimentacion-escolar-que-lo-hace-tan-vulnerable-a-la-corrupcion/#:~:text=En%20enero%20de%202022%20la,en%20calidad%2C%20log%C3%ADstica%20y%20cobertura
dc.source.bibliographicCitationVarvarigos, D. (2023). Cultural persistence in corruption, economic growth, and the environment. Journal of Economic Dynamics and Control.
dc.source.bibliographicCitationVelez, D., & Kim, B. (2017). Towards A Rigorous Science of Interpretable Machine Learning. Cornell Unicersity.
dc.source.bibliographicCitationZaman, F., & Hirose, H. (2009). Effect of subsampling rate on subbagging and related. Pattern Recognition and Machine Intelligence, 44-49.
dc.source.bibliographicCitationZhao, Y., Zhao, Y., Liao, H., Pan, S., & Zheng, Y. (2025). Interpreting LASSO regression model by feature space matching analysis for spatio-temporal correlation based wind power forecasting. Applied Energy.
dc.source.bibliographicCitationBastidas Vargas, D. (2023). Redes de corrupción en la contratación pública en Colombia. Ciudad de Mexico: [Tesis de maestría, Centro de Investigación y Docencia Económicas]. Bolton, R. J., & Hand, D. J. (2002). Statistical Fraud Detection: A Review. Statistical Science., 235-255. Breiman, L. (1996). Bagging Predictors. Machine Learning, 123-140. Breiman, L. (2001). Random Forests. Machine Learning, 5-32. CAF – Banco de Desarrollo de América Latina. (2020). Tres preguntas sobre el uso de los datos para luchar contra la corrupción (Policy Brief 9, Transparencia e integridad pública). Dirección de Innovación Digital del Estado. CAF. Retrieved from https://scioteca.caf.com/handle/123456789/1544. Colombia Compra Eficiente. (2017). Guía para la Contratación Directa sin Oferta. Bogota: Colombia Compra Eficiente. Colonnelli, E., Prem, M., & Teso, E. (2020). Patronage and selection in public secto organizations. American Economic Review 110 (10), 3071–99. Consejo Nacional de Política Económica y Social (CONPES). (2002). Una Política de Estado para la Eficiencia y la Transparencia en la Contratación Pública. Bogota: CONPES. Consejo Nacional de Política Económica y Social (CONPES). (2025). La hoja de ruta de Colombia en Inteligencia Artificial para los retos actuales y la transformación futura. Bogota: CONPES. Davis, J., & Goadrich, M. (2006). The Relationship Between Precision-Recall and ROC Curves. Department of Computer Sciences and Department of Biostatistics and Medical Informatics, Pittsburgh, 25-29 June 2006, 233-240. https://doi.org/10.1145/1143844.1143874. Decarolis, F., & Giorgiantonio, C. (2020). Corruption red flags in public procurement: new evidence from Italian calls for tenders. Bank of Italy, Economic Research and International Relations Area.: Questioni di Economia e Finanza (Occasional Papers) 544. Fawcett, T. (2006). An introduction to ROC analysis. Pattern Recognition Letters, 861-874. Fernand Desfrancois, P. G., & Pastás Gutiérrez, E. R. (2022). Corrupción y crecimiento económico en América Latina y el Caribe. Revista Economica del Caribe, 32-49. Fernandez, A., Garcia, S., Herrera, F., & Chawla, N. (2018). SMOTE for Learning from Imbalanced Data: Progress and. Journal of Artificial Intelligence Research, 863-905. Gallego, J., Prem, M., & Vargas, J. (2020). Corruption in the times of pandemia. Documentos de Trabajo 18178, Universidad del Rosario. Gallego, J., Prem, M., & Vargas, J. (2022). Predicting Politicians Misconduct: Evidence From Colombia. Documentos de Trabajo 20504, Universidad del Rosario. Gallego, J., Rivero, G., & Martínez, J. (2021). Preventing rather than punishing: An early warning model of malfeasance in public procurement. International Journal of Forecasting, 360-377. Galvis - Ciro, J., & Hicapié - Vélez, G. (2022). The Effects of Corruption on Government Spending in the States of Colombia. Apuntes del CENES, 227-262 https://doi.org/10.19053/01203053.v41.n73.2022.13555. Garcia, J., Morón, J., Valbuena, G., Fernandez, E., & Leguizamon, J. (2022). La corrupción en Colombia: un análisis integral. Documentos de trabajo sobre Economía Regional y Urbana 307, Banco de la Republica de Colombia. Gutiérrez, J. D., & Muñoz-Cadena, S. (2023). Adopción de sistemas de decisión automatizada en el sector público: Cartografía de 113 sistemas en Colombia. GIGAPP Estudios Working Papers, 365-395. Hastie, T., Friedman, J. H., & Tibshirani, R. (2009). The Elements of Statistical Learning. Hastie, T., Tibshirani, R., & Wainwright, M. (2015). Statistical Learning with Sparsity: The Lasso and Generalizations. Iturriaga, F., & Sanz, I. (2018). Predicting Public Corruption with Neural Networks: An Analysis of Spanish Provinces. Social Indicators Research, 975-998. James, G., Witten, D., Hastie, T., & Tibshirani, R. (2013). An Introduction to Statistical Learning. James, G., Witten, D., Hastie, T., Tibshirani, R., & Taylor, J. (2023). An Introduction to Statistical Learning. Jorion, P. (2007). Value at Risk: The New Benchmark for Managing Financial. New York: McGraw-Hill. Kubat, M., & Matwin, S. (1997). Addressing the Curse of Imbalanced Training sets: One-Sided Selection. Proceedings of the 14th International Conference on Machine Learning, 179-186. Lyra, M., Curado, A., Damasio, B., Bacao, F., & Pinheiro, F. (2021). Characterization of the Firm-Firm Public Procurement Co-Bidding Network from the State of Ceará (Brazil) Municipalities. Physics and Society, 6, 77 (2021). https://doi.org/10.1007/s41109-021-00418-y. MarketScreener. (10 de 02 de 2026). China recurre a la IA para detectar la corrupción en las licitaciones públicas. Obtenido de MarketScreener: https://shorturl.at/zHvJ6 Martínez Cárdenas, E. E., & Ramírez Mora, J. M. (2006). La corrupción en la Contratación Estatal Colombiana - Una aproximación desde el neoinstitucionalismo. Reflexión Política, 148–162. https://doi.org/10.29375/01240781.622. Medina Arnáiz, T. (2016). La corrupción en la contratación pública: un burdo fraude al interés general. Papeles de relaciones ecosociales y cambio global. Mojica Muñoz, K. (2021). Inteligencia artificial para detectar corrupción en la administración pública municipal de Colombia. Universidad de los Andes, Facultad de Economía, CEDE. Moreno Pabón, J. (2018). El Efecto Globo: identificación de regiones propensas a la producción de coca. Documentos CEDE. Morgner, M., & Chêne, M. (2015). Trasnparency International. Obtenido de Topic Guide: Public Procurement: https://shorturl.at/pmC0T OECD. (2019). Fraud and corruption risk assessments in public procurement. OECD publications. OECD. (2022). Uso estratégico y responsable de la inteligencia artificial en el sector público de América Latina y el Caribe. OECD Publishing. OECD. (2025). Gobernar con la inteligencia artificial: Panorama actual y hoja de ruta en las funciones centrales de gobierno. Paris: OCDE PUBLISHING. Olken, B. (2007). Monitoring Corruption: Evidence from a Field Experiment in Indonesia. Journal of Political Economy. Olken, B., & Pande, R. (2012). Corruption in Developing Countries. Annual Review of Economics. Olsson, S. (2014). Corruption and Political Participation: A Multilevel Analysis. QOG WP. Organización de los Estados Americanos (OEA), Banco de Desarrollo de América Latina (CAF), y Datasketch. (2021). Guía para la identificación de riesgos de corrupción en contratación pública, utilizando la ciencia de datos. Ortiz Benavides, E. (2012). Efectos de la corrupción sobre la calidad de la salud y educación en Colombia 2004-2010. Tendencias (Revista de la facultad de ciencias económicas y administrativas). Portafolio. (03 de 12 de 2017). Los contratistas que están involucrados en el desfalco del PAE. Obtenido de PORTAFOLIO: https://www.portafolio.co/economia/los-contratistas-que-estan-involucrados-en-el-desfalco-del-pae-512237 Prem, M., Colonnelli, E., Lagaras, S., Ponticelli, J., & Tsoutsoura, M. (2021). Revealing Corruption: Firm and Worker Level Evidence from Brazil. Documentos de Trabajo 18673, Universidad del Rosario. Saito, T., & Rehmsmeier, M. (2015). The Precision-Recall Plot Is More Informative than the ROC Plot When Evaluating Binary Classifiers on Imbalanced Datasets. Plos One. Tibshirani, R. (1996). Regression Shrinkage and Selection via the lasso. Journal of the Royal Statistical Society, 267-288. Transparencia por Colombia. (2022a). Balance del monitoreo a la contratación pública COVID-19. Bogota: Transparencia por Colombia. Transparencia por Colombia. (2022b). índice de percepción de la corrupción 2021. Bogota: Transparencia por Colombia. Transparencia por Colombia. (2022c). RECOMENDACIONES EN MATERIA DE TRANSPARENCIA Y LUCHA CONTRA LA CORRUPCIÓN PARA LA CONSTRUCCIÓN DEL PLAN NACIONAL DE DESARROLLO 2022-2026. Bogota: Transparencia por Colombia. Universidad Nacional de Colombia. (8 de 04 de 2022). Revista UNAL. Obtenido de Programa de Alimentación Escolar ¿que lo hace tan vulnerable a la corrupción?: https://periodico.unal.edu.co/articulos/programa-de-alimentacion-escolar-que-lo-hace-tan-vulnerable-a-la-corrupcion/#:~:text=En%20enero%20de%202022%20la,en%20calidad%2C%20log%C3%ADstica%20y%20cobertura Varvarigos, D. (2023). Cultural persistence in corruption, economic growth, and the environment. Journal of Economic Dynamics and Control. Velez, D., & Kim, B. (2017). Towards A Rigorous Science of Interpretable Machine Learning. Cornell Unicersity. Zaman, F., & Hirose, H. (2009). Effect of subsampling rate on subbagging and related. Pattern Recognition and Machine Intelligence, 44-49. Zhao, Y., Zhao, Y., Liao, H., Pan, S., & Zheng, Y. (2025). Interpreting LASSO regression model by feature space matching analysis for spatio-temporal correlation based wind power forecasting. Applied Energy. Zuleta, M. M., Ospina, S., & Caro, C. A. (2019). índice de riesgo de corrupción en el sistema de compra pública colombiano a partir de una metodología desarrollada por el Instituto Mexicano para la Competitividad. Fedesarrollo ]/ Banco Interamericano de Desarrollo (BID).
dc.source.instnameinstname:Universidad del Rosario
dc.source.reponamereponame:Repositorio Institucional EdocUR
dc.subjectContratación pública
dc.subjectCorrupción
dc.subjectPrevención
dc.subjectMachine learning
dc.subject.jelD73
dc.subject.jelH11
dc.subject.jelH30
dc.subject.keywordPublic procurement
dc.subject.keywordCorruption
dc.subject.keywordPrevention
dc.subject.keywordMachine Learning
dc.titlePrediciendo la corrupción en la contratación pública colombiana
dc.title.TranslatedTitlePredicting corruption in Colombian public procurement
dc.typemasterThesis
dc.type.hasVersioninfo:eu-repo/semantics/acceptedVersion
dc.type.spaTesis de maestría
local.department.reportFacultad de Economía
local.regionesBogotá
Archivos
Bloque original
Mostrando1 - 1 de 1
Miniatura
Nombre:
Prediciendo_la_corrupcion_en_la_contratacion_publica_colombiana.pdf
Tamaño:
1.04 MB
Formato:
Adobe Portable Document Format
Descripción:
Descargar
Colecciones
Maestría en Economía de las Políticas Públicas