Modelo de aprendizaje automático para pronóstico de indicadores de transparencia para la gestión efectiva de los recursos públicos
Introducción: Este artículo es producto de la aplicación de modelos analíticos predictivos a las medidas e indicadores de riesgo de corrupción, como investigación de la Institución Universitaria Pascual Bravo y la Universidad Distrital Francisco José de Caldas en 2022 para la investigación doctoral sobre el modelo de riesgo para la transparencia estatal.
Problema: A partir de mediciones de capacidades institucionales es posible generar mediciones anticorrupción, tal es el caso del Índice Nacional Anticorrupción (INAC’s), pero hay mejoras en los indicadores y la necesidad de incorporar más y mejores mediciones que sustentan este flagelo que se manifiesta desde hace años en nuestro país.
Objetivo: El objetivo de esta investigación es enfatizar la necesidad de aprovechar los datos abiertos, para generar mediciones de corrupción institucional estatal y por ende métricas que sustenten su transparencia e integridad a partir de modelos analíticos predictivos para generar predicciones sobre índices gubernamentales.
Metodología: En primer lugar, se señala la importancia de generar mediciones para el manejo de casos de corrupción, luego se evidencia la aplicación de modelos analíticos predictivos para predecir puntajes del Índice Nacional Anticorrupción, encontrando el mejor modelo para finalmente realizar un pronóstico con base en la identificación de las variables relevantes.
Resultados: La implementación de mayores niveles de gobierno digital (egoverment) puede contribuir significativamente a la lucha contra la corrupción y a la generación de mejores políticas públicas que apoyen los controles y sanciones. No solo facilita el acceso de los ciudadanos a los servicios estatales, sino que también permite un acceso más abierto y ágil a los datos. Esto promueve constantemente la transparencia en todos los niveles y en todo momento. La regresión de Huber que se ha implementado, su función de penalización más pequeña y el crecimiento lineal en lugar de cuadrático lo hacen más adecuado para tratar con valores atípicos. Esto mejora las estimaciones del medidor de errores y proporciona una buena estimación de la puntuación del Índice Nacional Anticorrupción.
Conclusión: Es fundamental establecer un marco que anticipe el comportamiento del INAC y permita orientar los esfuerzos de política pública hacia la transparencia y la prevención de la corrupción. Además, es necesario desarrollar métricas, indicadores, índices y modelos de riesgo objetivos que promuevan y evalúen la transparencia en la lucha contra la corrupción. Esto implica generar alertas tempranas, aplicar sanciones, implementar controles y diseñar planes de mejora para promover recomendaciones basadas en datos que puedan desencadenar acciones y aprovechar el libre acceso a la información pública para apoyar a la ciudadanía y al país.
Originalidad: Se entrenó un modelo analítico predictivo basado en aprendizaje automático para predecir el comportamiento futuro del índice nacional anticorrupción, con el objetivo de apoyar las hojas de ruta para las entidades y crear acciones de mejora para las entidades nacionales, en lo cual se hace necesario explorar datos abiertos de gobierno para crear nuevos indicadores y mejorar los actuales.
Limitaciones: Se seleccionaron los modelos de regresión sobre los datos históricos de libre acceso para los INAC, debido a que en términos de medición es lo que se encuentra consolidado y disponible para la generación de políticas de transparencia, acceso a la información y lucha contra la corrupción. El desafío para el trabajo futuro es tener más datos históricos, y por qué no crear más indicadores que apoyen la medición con la creación de acciones de mejora por entidad que se refleje en las mediciones numéricas.
Cómo citar
Licencia
Derechos de autor 2023 Ingeniería Solidaria
Esta obra está bajo una licencia internacional Creative Commons Atribución 4.0.
Compromiso ético y cesión de derechos
El autor debe declarar que su trabajo es original e inédito y que no se ha postulado a evaluación simultánea para su publicación por otro medio. Además, debe asegurar que no tiene impedimentos de ninguna naturaleza para la concesión de los derechos previstos en el contrato.
El autor se compromete a esperar el resultado de evaluación de la revista Ingeniería Solidaria, antes de considerar su presentación a otro medio; en caso de que la respuesta de publicación sea positiva, adicionalmente, se compromete a responder por cualquier acción de reivindicación, plagio u otra clase de reclamación que al respecto pudiera sobrevenir por parte de terceros.
Asimismo, debe declarar que, como autor o coautor, está de acuerdo por completo con los contenidos presentados en el trabajo y ceder todos los derechos patrimoniales, es decir, su reproducción, comunicación pública, distribución, divulgación, transformación, puesta a disposición y demás formas de utilización de la obra por cualquier medio o procedimiento, por el término de su protección legal y en todos los países del mundo, al Fondo Editorial de la Universidad Cooperativa de Colombia, de manera gratuita y sin contraprestación presente o futura.
F.N.D. Piraquive, O.S. Martínez, E.V. Pérez, R.G. Crespo, “Knowledge management model for project management: KM+PMTIC,” in Construction projects: improvement strategies, quality management and potential challenges, K. Hall Ed. New York, NY, USA: Nova Publishers, 2017, pp. 2345.
IEEE Reference Guide, IEEE Periodicals, Piscataway, NJ, USA, 2018. [Online]. Available: https://ieeeauthorcenter.ieee.org/wpcontent/uploads/IEEEReferenceGuide.pdf, pp. 1014.
Transparency International, El ABC del CPI: cómo se calcula el índice de percepción de la corrupción (IPC), 2021. [Online]. Available: https://www.transparency.or/es/news/howcpiscoresarecalculated
Índice Nacional Anticorrupción, “El cambio es cero corrupción” Resultados generales. [Online]. Available: : https://tariatransparencia.gov.co/observatorioanticorrupcion/Paginas/mediciones.aspx
R. Vaitkus, A. Vasiliauskaite, “An Assessment of the Impact of Legal Regulation on Financial Security in OECD Countries,” Journal of Risk and Financial Management, vol. 15, no. 2, pp. 5592
A. Dwivedi, R. Pant, S. Pandey, M. Pande, A. Mittal, “Benefits of using big data sentiment analysis and soft computing techniques in Egovernance,” International Journal of Recent Technology and Engineering, vol. 8, no. 3. doi: https://doi.org/10.3390/jrfm15020086 , pp. 1732
Unidad de Inteligencia y Análisis Financiero, Compendio de Notas ALA/CFT, vol. III. Febrero 2017. [Online]. Available: https://www.uiaf.gov.co/salaprensa/publicaciones/notasalacft/compendionotasalacftvolumeniii, pp. 1783
A. Cardoni, E. Kiseleva, F. De Luca, “Continuous auditing and data mining for strategic risk control and anticorruption: Creating “fair” value in the digital age,” Business Strategy, and the Environment. doi: https://doi.org/10.1002/bse.2558 pp. 30723085 28(1)
R. Barone, D. Masciandaro, F. Schneider, “Corruption and money laundering: You scratch my back, I’ll scratch yours,” Metroeconomica, vol. 73, no. 1.
F. Decarolis, C. Giorgiantonio, “Corruption red flags in public procurement: new evidence from Italian calls for tenders,” EPJ Data Science, vol. 11, no.1, pp. 5592.
(n.d.). Data mining and its impact on business decision making in the context of crm.
E. Fletcher, C. Larkin, S. Corbet, “Countering money laundering and terrorist financing: A case for bitcoin regulation,” Research in International Business and Finance, pp. 5592
A. Purwanto, A. Emanuel, Data Analysis for Corruption Indications on Procurement of Goods and Services, In 3rd International Conference on Information and Communications Technology, ICOIACT 2020, pp. 5660
D. Kaufmann A. Kraay, M. Mastruzzi, Governance Matters IV: Indicadores de Gobernabilidad para 1996–2004. Draft, May 9, 2005. [Online]. Available: http://web.worldbank.org/archive/website00818/WEB/GOVMAT 2.HTM.
Secretaría de Transparencia y Anti corrupción, Indicadores de Transparencia y Anticorrupción. 2020. [Online]. Available: http://2020.anticorrupcion.gov.co/Paginas/IndicadoresdeTransparenciaold.aspx
K. Rabuzin, N. Modrusan, Prediction of public procurement corruption indices using machine learning methods. In Proceedings of the 11th International Joint Conference on Knowledge Discovery, Knowledge Engineering and Knowledge Management, 2019, pp. 333-340.
Z. Chang, V. Rusu, J. Kohler, “The Global Fund: why anticorruption, transparency and accountability matter,” Globalization and Health, vol. 17, no. 1.
B. Craenen, A. Eiben, Computational Intelligence. In Encyclopedia of Life Support Sciences, EOLSS Publishers Co.
P. Wilmott, Machine Learning: An Applied Mathematics Introduction. 2019. Panda Ohana Publishing.
A. Müller, S. Guido, Introduction to Machine Learning with Python: A Guide for Data Scientists. 2017. O´Reilly Media, pp. 5592
J. Kaplan, Artificial Intelligence. What everyone needs to know. Editorial Teell.
R. Kruse, C. Borgelt, C. Braune, S. Mostaghim, M. Steinbrecher, (n.d.), pp. 5592
B. Craenen, A. Eiben, Computational Intelligence. In Encyclopedia of Life Support Sciences, EOLSS Publishers Co, pp. 5592.
A. Engelbrecht, Computational Intelligence: An Introduction (2nd ed.), John Willey Sons, pp. 5592
S. Russell, P. Norwig, Artificial Intelligence: A Modern Approach, (2nd ed.), Prentice Hall, pp. 5592.
P. Wilmott, Machine Learning: An Applied Mathematics Introduction. Panda Ohana Publishing, pp. 5592
R. Gonzalez, R. Woods, Digital Image Processing. 4th Edition. Pearson Education Limited, pp. 5592.
S. Agarwal, “Trust as a missing link between quality of work life and subjective wellbeing,” Revista Ingeniería Solidaria, vol. 16, no. 1, Jan. 2020, pp. 5592
A. Müller, S. Guido, Introduction to Machine Learning with Python: A Guide for Data Scientists. 2017. O´Reilly Media, pp. 5592
S. Anand, V. Verma, A. Gupta Aggarwal, “Dimensional MultiRelease Software Reliability Modelling considering Fault Reduction Factor under imperfect debugging”, Revista Ingeniería Solidaria, vol. 14, no. 25, pp. 1–12, pp. 5592
Huber, J. Peter, “Robust estimation of a location parameter,” The Annals of Mathematical Statistics, vol. 35, no. 1, pp. 73–101, pp. 5592
Huber, J. Peter, Wiley series in probability and statistics. Robust statistics (huber/robust statistics), pp. 294–300, 1981, pp. 5592
Wang, Yue, B. Wang, C. Peng, X. Li, H. Yin, “Huber Regression Analysis with a SemiSupervised Method” Mathematics, vol. 10, no. 20, pp. 3734. Doi: https://doi.org/10.3390/math10203734, pp. 5592
S. Anand, V. Verma, A. Gupta Aggarwal, “Dimensional MultiRelease Software Reliability Modelling considering Fault Reduction Factor under imperfect debugging,” Revista Ingeniería Solidaria, vol. 14, no. 25, pp. 1–12, pp. 5592
H. Tong, “Functional linear regression with Huber loss,” Journal of Complexity, pp. 101696. doi: https://doi.org/10.1016/j.jco.2022.101696, pp. 5592
H. Tong, “Functional linear regression with Huber loss,” Journal of Complexity, pp. 101696. doi: https://doi.org/10.1016/j.jco.2022.101696, pp. 5592
YANHAAS, La gran encuesta, Elecciones 2022. Advanced market research. [Online]. Available: https://yanhaas.com/
