Por favor, use este identificador para citar o enlazar este ítem: https://ri.ufs.br/jspui/handle/riufs/23180
Tipo de Documento: Dissertação
Título : Formação inteligente do preço de referência em licitações brasileiras
Autor : Faria, Eduardo Marques Braga de
Fecha de publicación : 28-jul-2025
Director(a): Silva, Gilton José Ferreira da
Resumen: Contexto: A ausência de diretrizes normativas detalhadas na formação do preço de referência gera estimativas imprecisas e vulneráveis a distorções de mercado. Objetivo: Demonstrar que a integração de métricas estatísticas clássicas e um classificador logístico treinado em larga escala reduz o desvio entre preços de referência calculados, além de identificar sobrepreço e subpreço com maior precisão. Método: Foram analisadas legislações e instrumentos normativos, coletados 4 875 registros de compras via dados abertos, e desenvolvido um software em arquitetura hexagonal que aplica árvore de decisão baseada em coeficiente de variação e Lei de Benford, complementada por regressão logística via aprendizado de máquina, com análise de 900 mil registros de licitações. Resultados: A solução alcançou Erro Percentual Absoluto Médio (MAPE) de 2,53% contra 15,58% das estimativas oficiais e obteve acurácia de 70% na detecção de sobrepreço ou subpreço, além de representar menor desvio em relação à mediana do Painel de Preços nas três versões da solução, em comparação com os preços de referência estimados pelos próprios órgãos. Conclusões: A plataforma evidencia a viabilidade de elevar a precisão e a transparência no processo licitatório por meio da integração de estatística avançada e aprendizado de máquina, oferecendo base sólida para adoção em órgãos públicos e futuras extensões com técnicas de aprendizado de máquina.
Resumen : Context: The absence of detailed regulatory guidelines for the formation of the reference price generates inaccurate estimates that are vulnerable to market distortions. Objective: To demonstrate that the integration of classical statistical metrics and a large-scale trained logistic classifier reduces the deviation between calculated reference prices, in addition to identifying overpricing and underpricing with greater precision. Method: Legislation and regulatory instruments were analyzed, 4,875 purchase records were collected via open data, and a hexagonal architecture software was developed that applies a decision tree based on the coefficient of variation and Benford’s Law, complemented by logistic regression via machine learning, with analysis of 900 thousand bidding records. Results: The solution achieved a Mean Average Percentage Error (MAPE) of 2.53% against 15.58% of official estimates and obtained an accuracy of 70% in detecting overpricing or underpricing, in addition to representing a smaller deviation in relation to the median of the Price Panel in the three versions of the solution, compared to the reference prices estimated by the agencies themselves. Conclusions: The platform demonstrates the feasibility of increasing accuracy and transparency in the bidding process through the integration of advanced statistics and machine learning, offering a solid basis for adoption in public agencies and future extensions with machine learning techniques.
Palabras clave : Engenharia de software
Licitação pública
Preço de referência
Software engineering
Public bidding
Reference price
Área CNPQ: CIENCIAS EXATAS E DA TERRA::CIENCIA DA COMPUTACAO
Idioma : por
Institución: Universidade Federal de Sergipe (UFS)
Programa de Posgrado: Pós-Graduação em Ciência da Computação
Citación : FARIA, Eduardo Marques Braga de. Formação inteligente do preço de referência em licitações brasileiras. 2025. 193 f. Dissertação (Mestrado em Ciência da computação) – Universidade Federal de Sergipe, São Cristóvão, 2025.
URI : https://ri.ufs.br/jspui/handle/riufs/23180
Aparece en las colecciones: Mestrado em Ciência da Computação

Ficheros en este ítem:
Fichero Descripción Tamaño Formato  
EDUARDO_MARQUES_BRAGA_FARIA.pdf2,72 MBAdobe PDFVista previa
Visualizar/Abrir


Los ítems de DSpace están protegidos por copyright, con todos los derechos reservados, a menos que se indique lo contrario.