Trabajo de grado - Maestría
Inteligencia artificial para detectar corrupción en la administración pública municipal de Colombia
Fecha
2021Registro en:
instname:Universidad de los Andes
reponame:Repositorio Institucional Séneca
Autor
Mojica Muñoz, Kevin Steven
Institución
Resumen
This research evaluates the application of machine learning algorithms for the early detection of corruption in the Colombian municipal administration. Two approaches are considered to achieve the objective: (i) An evaluation of supervised machine learning for the prediction of variables related to corruption and, (ii) an evaluation of unsupervised learning for the segmentation of relative risk of corruption. The results show that, despite the acceptable results of predictions, unsupervised machine learning is emerging as the most useful tool for the early detection of municipal corruption in Colombia. Based on these findings, I created a Relative Risk of Municipal Corruption Index for the period 2020-2023. This index should be useful for the control bodies to target the investigation and prevention efforts in corruption. Esta investigación busca evaluar el uso de algoritmos de aprendizaje de máquinas en la detección temprana de actos de corrupción en la administración pública municipal de Colombia. Esto lo hace a partir de dos enfoques: (i) una evaluación de algoritmos de aprendizaje supervisado para la predicción directa de variables relacionadas con la corrupción y, (ii) una evaluación de aprendizaje no supervisado para la segmentación de riesgo relativo de corrupción. Los resultados indican que, pese a que se obtienen resultados satisfactorios en la evaluación de aprendizaje supervisado, el aprendizaje no supervisado se perfila como la herramienta más útil para la detección temprana de corrupción municipal en Colombia. A partir de estos hallazgos, se crea un índice de Riesgo Relativo de Corrupción Municipal para el periodo 2020-2023. Este índice debe servir a los organismos de control para enfocar sus esfuerzos de investigación y prevención de la corrupción.