📈 economia

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

Este artigo apresenta uma estrutura baseada em aprendizado de máquina utilizando dados de contratação pública espanhóis para distinguir entre a não concorrência esperada e a inesperada, criando assim um proxy refinado, que reduz falsos positivos, para o risco de corrupção, o qual leva em conta fatores estruturais de mercado e institucionais.

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

Publicado 2026-10-19

📖 5 min de leitura🧠 Leitura aprofundada

CC BY 4.0

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

Artigo original sob licença CC BY 4.0 (https://creativecommons.org/licenses/by/4.0/). ✨ Esta é uma explicação gerada por IA do artigo abaixo. Não foi escrita nem endossada pelos autores. Para precisão técnica, consulte o artigo original. Ler aviso legal completo

A contratação pública é o processo pelo qual os governos compram os bens, serviços e infraestruturas necessários para gerir um país, desde a construção de estradas ao abastecimento de hospitais. Como estes contratos envolvem somas vastas de dinheiro e regras complexas, são um alvo frequente de corrupção. Um dos sinais de alerta mais comuns de que algo está errado é a falta de concorrência. Quando um governo solicita propostas para um projeto, um mercado saudável costuma produzir várias empresas a competir pelo trabalho. Se apenas uma empresa aparecer, ou se o processo de licitação for mantido em segredo, isso sugere frequentemente que o contrato foi manipulado para favorecer um fornecedor específico. Durante anos, auditores e órgãos de fiscalização basearam-se em listas simples destes sinais de alerta, conhecidos como "bandeiras vermelhas" (red flags), para detetar negócios suspeitos. No entanto, estas listas têm uma falha importante: não conseguem distinguir entre um contrato que é suspeitosamente pouco competitivo e um que é simplesmente pouco competitivo por razões legítimas, como um mercado especializado onde existem poucas empresas ou um projeto complexo que afasta licitantes. Esta confusão leva a muitos alarmes falsos, desperdiçando tempo e recursos em contratos que são, na verdade, íntegros.

Para resolver este problema, os investigadores Iván Pastor-Sanz e Félix J. López-Iturriaga recorreram a uma vasta coleção de dados da Espanha, analisando 393.631 concursos públicos adjudicados entre 2018 e 2024. Em vez de utilizarem uma lista de verificação estática, construíram um modelo computacional que aprende com o histórico destes contratos para compreender o que é um nível de concorrência "normal" para qualquer situação dada. O modelo leva em conta detalhes disponíveis antes de um contrato ser adjudicado, tais como o tipo de trabalho a ser realizado, as regras específicas utilizadas para selecionar o vencedor e a região onde o projeto está localizado. Ao estudar estes fatores, o modelo calcula a probabilidade esperada de um concurso atrair menos de três propostas. Ele compara então essa expectativa com o que realmente aconteceu. Se um contrato recebe muito poucas propostas quando o modelo previu que deveria ter atraído muitas, essa lacuna é sinalizada como uma anomalia inesperada. Esta abordagem permite que os funcionários separem o ruído das condições normais de mercado do sinal de potencial corrupção.

Os investigadores descobriram que os fatores mais importantes que determinam se um contrato recebe muitas propostas ou apenas uma não são o montante de dinheiro envolvido, mas sim o tipo de projeto e as regras utilizadas para gerir o processo de licitação. O setor específico da economia, como a construção ou os serviços de TI, explicou quase metade da variação nos níveis de concorrência. O tipo de procedimento utilizado para adjudicar o contrato foi o segundo preditor mais poderoso. Isto confirma uma visão de longa data na ciência política de que a quantidade de liberdade ou discricionariedade dada aos funcionários governamentais no desenho do processo de licitação molda diretamente a oportunidade de favoritismo. Contratos adjudicados através de procedimentos que permitem aos funcionários negociar diretamente com fornecedores sem publicidade pública foram muito mais propensos a ter baixa concorrência, mas o modelo mostrou que este era frequentemente um resultado esperado das regras, não necessariamente uma prova de um crime.

O verdadeiro valor deste trabalho reside na sua capacidade de filtrar os alarmes falsos. Ao focar-se apenas nos contratos onde a concorrência real foi significativamente inferior ao que o modelo esperava, os investigadores identificaram um grupo minúsculo e altamente suspeito de concursos. De quase 400.000 contratos, o modelo sinalizou apenas 2.195 casos, ou cerca de 0,56 por cento, como inesperadamente pouco competitivos. Estes são os negócios que merecem o escrutínio mais próximo porque se desviam drasticamente da norma para o seu tipo e localização específicos. O estudo mostrou que estes casos sinalizados apresentavam uma forte correlação com outras medidas estabelecidas de risco de corrupção, sugerindo que o modelo está a identificar corretamente problemas reais de integridade em vez de apenas ruído aleatório. Este método oferece uma forma de os órgãos de supervisão passarem de uma postura reativa perante cada contrato de baixa licitação para um alvo proativo nos casos específicos onde o risco é mais elevado, garantindo que os recursos limitados de auditoria sejam gastos onde podem fazer o maior bem.

As conclusões sugerem que, embora a baixa concorrência seja um indicador útil, não é um indicador perfeito por si só. O estudo não prova que cada contrato sinalizado seja corrupto, mas fornece uma ferramenta muito mais precisa para os encontrar. Ao distinguir entre a falta de concorrência esperada causada pelas realidades do mercado e a falta de concorrência inesperada que aponta para má conduta, esta abordagem ajuda os governos a gerir o enorme fluxo de fundos públicos com maior precisão. À medida que a Espanha continua a receber biliões de euros em fundos de recuperação da União Europeia, a capacidade de monitorizar estes contratos de forma eficaz é mais crítica do que nunca. A investigação demonstra que utilizar os dados para compreender o contexto de um negócio é muito mais poderoso do que simplesmente contar o número de licitantes, oferecendo um caminho mais claro para a transparência e a responsabilidade nos gastos públicos.

Resumo Técnico: Competição Esperada versus Inesperada na Contratação Pública Espanhola

Definição do Problema
A contratação pública na Espanha, particularmente dado o seu papel como grande recetora de fundos Next Generation EU, enfrenta riscos significativos de corrupção frequentemente representados por uma competição limitada (ex.: licitação única ou abaixo do limite de threshold). No entanto, os indicadores tradicionais de "bandeira vermelha" (red-flags) sofrem de um problema crítico de medição: eles confundem a baixa competição benigna — impulsionada por estruturas de mercado legítimas, características setoriais ou restrições procedimentais — com a baixa competição suspeita, indicativa de busca de renda (rent-seeking) ou favoritismo. Limiares estáticos geram altas taxas de falsos positivos, falhando em distinguir a não-competição esperada (estrutural) da não-competição inesperada (potencialmente corrupta). Este artigo aborda a necessidade de uma medida de risco de integridade ex-ante mais refinada, que possa separar resultados de mercado previsíveis de anomalias que justifiquem a fiscalização de auditoria.

Metodologia
O estudo utiliza um conjunto de dados abrangente de 393.631 concursos públicos adjudicados na Espanha entre 2018 e 2024, extraídos do OpenTender e da plataforma nacional de contrataçãoção espanhola. Os dados aderem ao Open Contracting Data Standard e incluem características pré-adjudicação, tais como tipo de contrato, setores do Vocabulário Comum de Contratação (CPV), valores estimados, tipos de procedimento e localizações geográficas.

Variável Alvo: Um indicador binário, LowCompetition (Baixa Competição), definido pelo recebimento de menos de três propostas.
Engenharia de Atributos (Feature Engineering): Treze variáveis explicativas foram construídas exclusivamente a partir de informações pré-adjudicação para evitar o vazamento de informação (information leakage). Os preditores contínuos e categóricos passaram por codificação Weight of Evidence (WoE) para lidar com valores em falta, impor monotonicidade e capturar relações não lineares, preservando a interpretabilidade.
Abordagem de Modelagem: Um Gradient Boosting Machine (GBM) foi selecionado após análise comparativa com regressão logística, Random Forests e árvores de decisão. O modelo foi otimizado via busca de grade aleatória (randomized grid search) — focando no AUC — com hiperparâmetros incluindo iterações de boosting (50–300), taxa de aprendizagem (0.01–0.1) e profundidade da árvore (3–5).
Estratégia de Validação: O conjunto de dados foi particionado temporalmente: os dados anteriores a julho de 2024 foram divididos em 70/30 para treino e teste, enquanto os dados de julho de 2024 em diante serviram como um conjunto de validação fora da amostra (out-of-sample) para garantir a estabilidade temporal e simular a avaliação de risco ex-ante do mundo real.

Principais Contribuições

Decomposição da Não-Competição: O artigo introduz um contrafactual baseado em modelo que decompõe a não-competição realizada em um componente "esperado" (impulsionado por fatores estruturais e procedimentais) e um componente residual "inesperado". Este resíduo serve como um proxy refinado para o risco de integridade, reduzindo os falsos positivos inerentes aos sistemas estáticos de bandeira vermelha.
Perspetiva de Economia Política: Ao identificar os determinantes dominantes da competição, o estudo fornece evidência empírica que apoia a visão da economia política de que a discricionariedade administrativa e a estrutura de mercado, em vez do valor do contrato isoladamente, moldam o escopo para o favoritismo.
Extensão Contextual: A investigação estende a literatura existente, que é amplamente baseada em conjuntos de dados italianos, franceses ou alemães, para o contexto espanhol — um caso de estudo crítico devido ao volume de fundos de recuperação da UE envolvidos.
Operacionalização de Machine Learning: O estudo posiciona o machine learning não apenas como uma ferramenta preditiva, mas como um dispositivo de medição para a economia política da contratação pública, oferecendo um quadro transferível para a auditoria baseada em risco.

Resultados

Desempenho Preditivo: O modelo GBM alcançou uma Área Sob a Curva (AUC) de 0.778 no conjunto de teste e de 0.727 no conjunto de validação temporal, demonstrando poder discriminativo robusto e estabilidade temporal.
Importância dos Atributos (Feature Importance): A análise revela que o setor de contratação (responsável por quase 50% do poder explicativo) e o tipo de procedimento (19.6%) são os preditores dominantes dos níveis de competição. Notavelmente, o valor do contrato classificou-se apenas em oitavo lugar (1.9%), desafiando a suposição de que a magnitude financeira é o principal motor do risco de competição.
Validade Externa: A probabilidade prevista de baixa competição pelo modelo mostrou correlações negativas fortes com as pontuações de integridade do OpenTender (aprox. -0.52) e indicadores de proposta única, confirmando que o modelo captura dimensões significativas de risco procedimental.
Deteção de Anomalias: Ao definir a "baixa competição inesperada" como concursos com uma probabilidade prevista de baixa competição abaixo de um limiar (ex.: $\tau = 0.30$ ) que, no entanto, receberam menos de três propostas, o modelo identificou 2.195 casos (0.56% do total da amostra). Estas anomalias concentraram-se em tipos de procedimentos geralmente competitivos (ex.: procedimentos abertos), enquanto procedimentos estruturalmente restritivos apresentaram poucas anomalias, validando a capacidade do modelo em isolar desvios das normas esperadas.

Significado e Alegações
O artigo alega que a sua abordagem oferece um avanço significativo em relação à monitorização de conformidade tradicional, ao passar de verificações reativas ex-post para uma supervisão proativa baseada no risco. Ao isolar o componente "inesperado" da não-competição, o modelo permite que os órgãos de fiscalização priorizem um subconjunto pequeno e gerível de concursos para auditorias detalhadas, otimizando assim os recursos de investigação limitados. Os autores afirmam que este método não substitui o julgamento humano, mas fornece uma base estruturada e interpretável para a priorização, ajudando a distinguir entre condições de mercado legítimas e potenciais irregularidades. O estudo conclui que ferramentas preditivas interpretáveis podem complementar eficazmente os sistemas de bandeira vermelha existentes para aumentar a eficiência e o direcionamento das auditorias de contratação pública, particularmente em ambientes de alto risco, como projetos financiados pela UE.

Mais como este