Ítem
Acceso Abierto

Predicción de ineficiencias en la contratación pública de Bogotá

Mostrar el registro sencillo de la publicación
dc.contributor.advisorGallego Durán, Jorge Andrés
dc.creatorRodríguez Arévalo, Santiago
dc.creator.degreeMagíster en Economía de las Políticas Públicasspa
dc.creator.degreetypeFull timespa
dc.date.accessioned2021-02-16T15:20:14Z
dc.date.available2021-02-16T15:20:14Z
dc.date.created2021-02-11
dc.descriptionEste trabajo propone una metodología basada en Inteligencia Artificial para mejorar la capacidad que tienen los entes de control de detectar anomalías en la contratación pública de Bogotá. A partir del uso la información pública consolidada en la plataforma SECOP II y la aplicación de herramientas de aprendizaje automático, es posible predecir con una precisión superior al 90 % qué contratos, entre los suscritos por la Administración Distrital de Bogotá, pueden presentar prórrogas o sobrecostos en su ejecución. El algoritmo permite además cuantificar el peso de las variables incluidas en la predicción y su análisis en función de su pertenencia a cada etapa del ciclo contractual. El valor de los contratos, la diversidad en la contratación de las entidades, la relación de la adjudicación de contratos con el ciclo fiscal y el uso inadecuado de modalidades de contratación son identificadas como las variables de mayor importancia. Esta aplicación además es un ejemplo del aprovechamiento de las nuevas fuentes de información disponibles con la apertura de datos del Estado y de cómo la transparencia en el acceso a la información puede traducirse en herramientas prácticas que mejoren la gestión de los gobiernos locales.spa
dc.description.abstractThis paper presents a methodology based on Artificial Intelligence to enhance top down accountability in the public sector of Bogotá. I use public information on the contract level from the e-procurement platform of Colombia and I train multiple machine learning models to predict which of the public contracts will result in pasive waste. I then quantify the importance of every feature used in the prediction as a new tool to understand the drivers of inefficiency. This approach will be useful for governments, specially at the local level, on the design of cost - efficient audit policies.spa
dc.format.mimetypeapplication/pdf
dc.identifier.doihttps://doi.org/10.48713/10336_30915
dc.identifier.urihttps://repository.urosario.edu.co/handle/10336/30915
dc.language.isospaspa
dc.publisherUniversidad del Rosario
dc.publisher.departmentFacultad de Economía
dc.publisher.programMaestría en Economía de las Políticas Públicasspa
dc.rights.accesRightsinfo:eu-repo/semantics/openAccess
dc.rights.accesoAbierto (Texto Completo)spa
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.source.bibliographicCitationBaron, D. P., & Besanko, D. (1987). Monitoring, Moral Hazard, Asymmetric Information and Risk Sharing in Procurement Contracting. RAND Journal of Economics, 18 (4), 509-532.spa
dc.source.bibliographicCitationBecker, G. S., & Stigler, G. J. (1974). Law Enforcement, Malfeasance, and Compensation of Enforcers. Journal of Legal Studies 3(1) enero, 1-18.spa
dc.source.bibliographicCitationBID. (2018). Mejor gasto para mejores vidas: Cómo América Latina y el Caribe puede hacer más con menos. Washington D.C.: Banco Interamericano de Desarrollo.spa
dc.source.bibliographicCitationBlair, R. A., Blattman, C., & Hartman, A. (2017). Predicting local violence: Evidence from a panel survey in Liberia. Journal of Peace Research, 54, 298-312.spa
dc.source.bibliographicCitationBlumenstock, J., Cadamuro, G., & On, R. (2015). Predicting Poverty and Wealth from Mobile Phone Metadata. Science, 350, 1073-1076.spa
dc.source.bibliographicCitationBogomolov, A., Lepri, B., Staiano, J., Oliver, N., Pianesi, F., & Pentland, A. (2014). Once Upon a Crime: Towards Crime Prediction from Demographics and Mobile Data. Proceedings of the 16th international conference on multimodal interaction, 427-434.spa
dc.source.bibliographicCitationChen, T., & Guestrin, C. (2016). XGBoost: A Scalable Tree Boosting System. arXiv:1603.02754. doi:10.1145/2939672.2939785, 785-794.spa
dc.source.bibliographicCitationContraloría General de la República. (2011). Informe de auditoría gubernamental con enfoque integral especial control excepcional a la fase III de Transmilenio. Bogotá.spa
dc.source.bibliographicCitationConway, D., & White, J. M. (2012). Machine Learning for Hackers. O'Reilly.spa
dc.source.bibliographicCitationFazekas, M. (2017). Assessing the Quality of Government at the Regional Level Using Public Procurement Data. WP 12/2017. Bruselas: European Commission, Directorate-General for Regional Policy.spa
dc.source.bibliographicCitationFazekas, M. (2017). Red tape, bribery and government favouritism: evidence from Europe. Crime, Law and Social Change, (68)4.spa
dc.source.bibliographicCitationFreund, Y., & Schapire, R. (1997). A Decision - Theoretic Generalization of On-Line Learning and an Application to Boosting. Journal of Computer and System Sciences, 119-139.spa
dc.source.bibliographicCitationHastie, T., Tibshirani, R., & Friedman, J. (2001). The Elements of Statistical Learning, volume 1. New York: Springer series in statistics.spa
dc.source.bibliographicCitationKe, G., Meng, Q., Finley, T., Wang, T., Chen, W., Ma, W.& Liu, T.-Y. (2017). LightGBM: A Highly E cient Gradient Boosting Decision Tree. 31st Conference on Neural Information Processing Systems.spa
dc.source.bibliographicCitationMelo, L. A., & Ramos, J. E. (2017). El gasto público en Colombia: Algunos aspectos sobre sobre su tamaño, evolución y estructura. Borradores de Economía Banco de la República No.1003.spa
dc.source.bibliographicCitationOpen Contracting Partnership. (2016). Red Flags for Integrity: Giving the green light to open data solutions. Obtenido de https://www.opencontracting. org/wp-content/uploads/2016/11/OCP2016-Red- ags-forintegrityshared- 1.pdfspa
dc.source.bibliographicCitationProkhorenkova, L., Gusev, G., Vorobev, A., Dorogush, A. V., & Gulin, A. (2019). CatBoost: unbiased boosting with categorical features. 32nd Conference on Neural Information Processing Systems (NeurIPS 2018).spa
dc.source.bibliographicCitationTirole, J., & Laffont, J. J. (1993). A Theory of Incentives in Procurement and Regulation. Cambridge: MIT Press.spa
dc.source.bibliographicCitationVeeduría Distrital. (2017). Análisis al régimen especial de contratación en el Distrito Capital.spa
dc.source.instnameinstname:Universidad del Rosariospa
dc.source.reponamereponame:Repositorio Institucional EdocURspa
dc.subjectIneficiencias en la contratación públicaspa
dc.subjectSistema de alerta temprana basados en IAspa
dc.subjectSistemas de analítica de datos para la administración públicaspa
dc.subjectPlataformas de aprendizaje automáticospa
dc.subject.ddcAdministración públicaspa
dc.subject.keywordInefficiencies in public procurementspa
dc.subject.keywordAI-based early warning systemspa
dc.subject.keywordData analytics systems for public administrationspa
dc.subject.keywordMachine learning platformsspa
dc.titlePredicción de ineficiencias en la contratación pública de Bogotáspa
dc.title.TranslatedTitlePrediction of inefficiencies in public procurement in Bogotáeng
dc.typemasterThesiseng
dc.type.documentTrabajo de gradospa
dc.type.hasVersioninfo:eu-repo/semantics/acceptedVersion
dc.type.spaTesis de maestríaspa
Archivos
Bloque original
Mostrando1 - 1 de 1
Miniatura
Nombre:
RodriguezArevalo - Santiago - 2021.pdf
Tamaño:
884.16 KB
Formato:
Adobe Portable Document Format
Descripción:
Descargar
Colecciones
Maestría en Economía de las Políticas Públicas