Modelo de aprendizaje automático para pronóstico de indicadores de transparencia para la gestión efectiva de los recursos públicos

• Ramírez Pérez, Natalia Andrea ^[2] ; Gómez Vargas, Ernesto ^[1] ; Vacca González, Harold ^[1]
  1. [1] Universidad Distrital Francisco José de Caldas

     Universidad Distrital Francisco José de Caldas

     Colombia

     
  2. [2] Institución Universitaria Pascual Bravo
• Localización: Ingeniería Solidaria, ISSN-e 2357-6014, Vol. 19, Nº. 3, 2023
• Idioma: español
• Títulos paralelos:
  • Automatic learning model to predict transparency indicators for effective management of public resources
• Enlaces
  • Texto completo
• Resumen
  • español

    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.

  • English

    Introduction: This article is the product of the application of predictive analytical models to measures and indicators of corruption risk, as researched by the Pascual Bravo University Institution and the Francisco José de Caldas District University in 2022 for doctoral research on the risk model for state transparency.

    Problem: From measurements of institutional capacities, it is possible to generate anticorruption measurements, such is the case of the National AntiCorruption Index (INAC for its Spanish acronym). However, there are improvements to be made in the indicators and the need to incorporate more and better measurements that support this scourge that has long been manifested in Colombia.

    Objective: The objective of this research is to emphasize the need to take advantage of open data, to generate measurements of state institutional corruption and, therefore, metrics that support its transparency and integrity based on predictive analytical models to generate predictions about government indices.

    Methodology: First, the importance of generating measurements for the management of corruption cases is pointed out. Then, the application of predictive analytical models to predict scores of the National AntiCorruption Index is evidenced, finding the best model to finally make a forecast based on the identification of the relevant variables.

    Results: The implementation of higher levels of digital government (egovernment) can significantly contribute to the fight against corruption and the generation of better public policies that support controls and sanctions. It not only facilitates citizen access to state services, but also allows for more open and agile access to data. This constantly promotes transparency at all levels and at all times. The Huber regression that has been implemented, its smaller penalty function, and its linear rather than quadratic growth, make it more suitable for dealing with outliers. This improves the error meter estimates and provides a good estimate of the National AntiCorruption Index score.

    Conclusion: It is essential to establish a framework that anticipates the behavior of INAC and directs public policy efforts towards transparency and the prevention of corruption. In addition, it is necessary to develop objective metrics, indicators, indices and risk models that promote and evaluate transparency in the fight against corruption. This implies generating early warnings, applying sanctions, implementing controls and designing improvement plans to promote recommendations based on data that can trigger actions and take advantage of free access to public information to support citizens and the country.

    Originality: A predictive analytical model based on machine learning was trained to predict the future behavior of the National AntiCorruption Index, with the aim of supporting roadmaps for entities and creating improvement actions for national entities, in which it becomes necessary to explore open government data to create new indicators and improve current ones.

    Limitations: The regression models on the historical data of free access for the INACs were selected, because in terms of measurement it is what is already consolidated and available for the generation of transparency policies, access to information and the fight against corruption. The challenge for future work is to have more historical data, and to create more indicators that support measurements with the creation of improvement actions per entity that is reflected in numerical measurements.