📈 economía

Expected versus Unexpected Non-Competition: A Corruption-Risk Approach to Public Procurement in Spain

Este artículo introduce un marco basado en aprendizaje automático que utiliza datos de la contratación pública española para distinguir entre la falta de competencia esperada y la inesperada, creando así un indicador refinado, que reduce los falsos positivos, para el riesgo de corrupción que tiene en cuenta factores estructurales del mercado y de las instituciones.

Autores originales: Iván Pastor-Sanz, Félix J. López Iturriaga

Publicado 2026-10-19

📖 5 min de lectura🧠 Análisis profundo

CC BY 4.0

Autores originales: Iván Pastor-Sanz, Félix J. López Iturriaga

Artículo original bajo licencia CC BY 4.0 (https://creativecommons.org/licenses/by/4.0/). ✨ Esta es una explicación generada por IA del artículo a continuación. No ha sido escrita ni avalada por los autores. Para mayor precisión técnica, consulte el artículo original. Leer descargo de responsabilidad completo

La contratación pública es el proceso mediante el cual los gobiernos compran los bienes, servicios e infraestructuras necesarios para gestionar un país, desde la construcción de carreteras hasta el abastecimiento de hospitales. Debido a que estos contratos involucran sumas de dinero ingentes y reglas complejas, son un objetivo frecuente de la corrupción. Uno de los indicios de alerta más comunes de que algo va mal es la falta de competencia. Cuando un gobierno solicita ofertas para un proyecto, un mercado sano suele producir varias empresas compitiendo por el trabajo. Si solo se presenta una empresa, o si el proceso de licitación se mantiene en secreto, esto suele sugerir que el contrato fue amañado para favorecer a un proveedor específico. Durante años, los auditores y organismos de control han dependido de listas sencillas de estos indicios de alerta, conocidos como banderas rojas, para detectar acuerdos sospechosos. Sin embargo, estas listas tienen un fallo importante: no pueden distinguir entre un contrato que es sospechosamente poco competitivo y uno que es simplemente poco competitivo por razones legítimas, como un mercado especializado donde existen pocas empresas o un proyecto complejo que ahuyenta a los licitadores. Esta confusión provoca muchas falsas alarmas, desperdiciando tiempo y recursos en contratos que en realidad son limpios.

Para resolver este problema, los investigadores Iván Pastor-Sanz y Félix J. López-Iturriaga recurrieron a una colección masiva de datos de España, analizando 393.631 licitaciones públicas adjudicadas entre 2018 y 2024. En lugar de utilizar una lista de verificación estática, construyeron un modelo informático que aprende de la historia de estos contratos para entender qué es un nivel de competencia "normal" para cualquier situación dada. El modelo tiene en cuenta detalles disponibles antes de que se adjudique un contrato, como el tipo de trabajo que se va a realizar, las reglas específicas utilizadas para seleccionar al ganador y la región donde se ubica el proyecto. Al estudiar estos factores, el modelo calcula la probabilidad esperada de que una licitación atraiga menos de tres ofertas. Luego, compara esta expectativa con lo que realmente sucedió. Si un contrato recibe muy pocas ofertas cuando el modelo predijo que debería haber atraído muchas, esa brecha se marca como una anomalía inesperada. Este enfoque permite a los funcionarios separar el ruido de las condiciones normales del mercado de la señal de una posible corrupción.

Los investigadores descubrieron que los factores más importantes que determinan si un contrato recibe muchas ofertas o solo una no son la cantidad de dinero involucrada, sino el tipo de proyecto y las reglas utilizadas para llevar a cabo el proceso de licitación. El sector específico de la economía, como la construcción o los servicios de TI, explicaba casi la mitad de la variación en los niveles de competencia. El tipo de procedimiento utilizado para adjudicar el contrato fue el segundo predictor más poderoso. Esto confirma una visión largamente sostenida en la ciencia política de que la cantidad de libertad o discreción otorgada a los funcionarios gubernamentales al diseñar el proceso de licitación moldea directamente la oportunidad de favoritismo. Los contratos adjudicados mediante procedimientos que permiten a los funcionarios negociar directamente con los proveedores sin publicidad pública tenían muchas más probabilidades de tener una baja competencia, pero el modelo mostró que esto era a menudo un resultado esperado de las reglas, no necesariamente la prueba de un delito.

El verdadero valor de este trabajo reside en su capacidad para filtrar las falsas alarmas. Al centrarse únicamente en los contratos donde la competencia real fue significativamente menor de lo que el modelo esperaba, los investigadores identificaron un grupo diminuto y altamente sospechoso de licitaciones. De casi 400.000 contratos, el modelo marcó solo 2.195 casos, o aproximadamente el 0,56 por ciento, como inesperadamente poco competitivos. Estos son los acuerdos que merecen el escrutinio más cercano porque se desvían drásticamente de la norma para su tipo y ubicación específicos. El estudio demostró que estos casos señalados guardaban una fuerte correlación con otras medidas establecidas de riesgo de corrupción, lo que sugiere que el modelo está identificando correctamente problemas de integridad genuinos en lugar de simple ruido aleatorio. Este método ofrece una forma de que los organismos de control pasen de reaccionar ante cada contrato de baja oferta a dirigirse proactivamente a los casos específicos donde el riesgo es mayor, asegurando que los limitados recursos de auditoría se utilicen donde puedan hacer más bien.

Los hallazgos sugieren que, si bien la baja competencia es un indicador útil, no es uno perfecto por sí solo. El estudio no demuestra que cada contrato señalado sea corrupto, pero proporciona una herramienta mucho más afilada para encontrarlos. Al distinguir entre la falta de competencia esperada causada por las realidades del mercado y la falta de competencia inesperada que insinúa un posible fraude, este enfoque ayuda a los gobiernos a gestionar el enorme flujo de fondos públicos con mayor precisión. Mientras España continúa recibiendo miles de millones de euros en fondos de recuperación de la Unión Europea, la capacidad de supervisar estos contratos de manera efectiva es más crítica que nunca. La investigación demuestra que utilizar los datos para comprender el contexto de un acuerdo es mucho más poderoso que simplemente contar el número de licitadores, ofreciendo un camino más claro hacia la transparencia y la rendición de cuentas en el gasto público.

Resumen Técnico: Competencia Esperada frente a Inesperada en la Contratación Pública Española

Planteamiento del Problema
La contratación pública en España, particularmente dado su papel como gran receptor de los fondos Next Generation EU, enfrenta riesgos significativos de corrupción que a menudo se aproximan mediante una competencia limitada (por ejemplo, licitaciones únicas o por debajo del umbral). Sin embargo, los indicadores tradicionales de "bandera roja" sufren un problema de medición crítico: confunden la baja competencia benigna —impulsada por estructuras de mercado legítimas, características sectoriales o restricciones procedimentales— con la baja competencia sospechosa indicativa de búsqueda de rentas o favoritismo. Los umbrales estáticos generan altas tasas de falsos positivos, al no lograr distinguir entre la no-competencia esperada (estructural) y la no-competencia inesperada (potencialmente corrupta). Este documento aborda la necesidad de una medida de riesgo de integridad más refinada y ex-ante que pueda separar los resultados de mercado previsibles de las anomalías que ameritan el escrutinio de auditoría.

Metodología
El estudio utiliza un conjunto de datos exhaustivo de 393.631 adjudicaciones de contratos públicos en España entre 2018 y 2024, extraídos de OpenTender y de la plataforma nacional de contratación pública española. Los datos cumplen con el Estándar de Datos de Contratación Abierta (Open Contracting Data Standard) e incluyen características previas a la adjudicación como el tipo de contrato, sectores del Vocabulario Común de la Contratación (CPV), valores estimados, tipos de procedimiento y ubicaciones geográficas.

Variable Objetivo: Un indicador binario, BajaCompetencia (LowCompetition), definido como la recepción de menos de tres ofertas.
Ingeniería de Características: Se construyeron trece variables explicativas utilizando exclusivamente información previa a la adjudicación para evitar la filtración de información (information leakage). Las variables continuas y categóricas se sometieron a una codificación de Peso de la Evidencia (WoE) para gestionar los valores ausentes, imponer la monotonicidad y capturar relaciones no lineales preservando la interpretabilidad.
Enfoque de Modelado: Se seleccionó un Modelo de Potenciación de Gradiente (GBM) tras un análisis comparativo con la regresión logística, Random Forests y árboles de decisión. El modelo fue optimizado mediante una búsqueda de cuadrícula aleatoria (centrada en el AUC) con hiperparámetros que incluyeron iteraciones de potenciación (50–300), tasa de aprendizaje (0.01–0.1) y profundidad del árbol (3–5).
Estrategia de Validación: El conjunto de datos se particionó temporalmente: los datos anteriores a julio de 2024 se dividieron en 70/30 para entrenamiento y prueba, mientras que los datos de julio de 2024 en adelante sirvieron como un conjunto de validación fuera de la muestra para asegurar la estabilidad temporal y simular la evaluación de riesgo ex-ante en el mundo real.

Contribuciones Clave

Descomposición de la No-Competencia: El documento introduce un contrafactual basado en modelos que descompone la no-competencia realizada en un componente "esperado" (impulsado por factores estructurales y procedimentales) y un componente residual "inesperado". Este residuo sirve como un indicador refinado de riesgo de integridad, reduciendo los falsos positivos inherentes a los sistemas estáticos de banderas rojas.
Perspectiva de Economía Política: Al identificar los determinantes dominantes de la competencia, el estudio proporciona evidencia empírica que respalda la visión de la economía política de que la discrecionalidad administrativa y la estructura del mercado, más que el valor del contrato por sí solo, configuran el alcance del favoritismo.
Extensión Contextual: La investigación extiende la literatura existente, que se basa principalmente en conjuntos de datos italianos, franceses o alemanes, al contexto español, un caso de estudio crítico debido al volumen de fondos de recuperación de la UE involucrados.
Operacionalización del Aprendizaje Automático: El estudio posiciona el aprendizaje automático no meramente como una herramienta predictiva, sino como un dispositivo de medición de la economía política de la contratación gubernamental, ofreciendo un marco transferible para la auditoría basada en riesgos.

Resultados

Rendimiento Predictivo: El modelo GBM alcanzó un Área Bajo la Curva (AUC) de 0.778 en el conjunto de prueba y de 0.727 en el conjunto de validación temporal, demostrando un poder discriminatorio robusto y estabilidad temporal.
Importancia de las Características: El análisis revela que el sector de la contratación (que explica casi el 50% de la capacidad explicativa) y el tipo de procedimiento (19.6%) son los predictores dominantes de los niveles de competencia. Notablemente, el valor del contrato ocupó solo el octavo lugar (1.9%), desafiando la suposición de que la magnitud financiera es el principal motor del riesgo de competencia.
Validez Externa: La probabilidad predicha de baja competencia por el modelo mostró correlaciones negativas fuertes con las puntuaciones de integridad de OpenTender (aprox. -0.52) e indicadores de oferta única, confirmando que el modelo captura dimensiones significativas del riesgo procedimental.
Detección de Anomalías: Al definir la "baja competencia inesperada" como aquellos contratos con una probabilidad predicha de baja competencia por debajo de un umbral (por ejemplo, $\tau = 0.30$ ) que, no obstante, recibieron menos de tres ofertas, el modelo identificó 2.195 casos (0.56% del total de la muestra). Estas anomalías se concentraron en tipos de procedimientos generalmente competitivos (por ejemplo, procedimientos abiertos), mientras que los procedimientos estructuralmente restrictivos mostraron pocas anomalías, validando la capacidad del modelo para aislar desviaciones de las normas esperadas.

Significancia y Reivindicaciones
El documento sostiene que su enfoque ofrece un avance significativo respecto al monitoreo de cumplimiento tradicional, al pasar de controles reactivos ex-post a una supervisión proactiva basada en riesgos. Al aislar el componente "inesperado" de la no-competencia, el modelo permite a los órganos de control priorizar un subconjunto pequeño y manejable de contratos para auditorías profundas, optimizando así los limitados recursos de investigación. Los autores afirman que este método no reemplaza el juicio humano, sino que proporciona una base estructurada e interpretable para la priorización, ayudando a distinguir entre condiciones de mercado legítimas y posibles irregularidades. El estudio concluye que las herramientas predictivas interpretables pueden complementar eficazmente los sistemas de banderas rojas existentes para mejorar la eficiencia y la focalización de las auditorías de contratación pública, particularmente en entornos de alto riesgo como los proyectos financiados por la UE.

Más como este