Sobre este blog

Piedras de papel es un blog en el que un grupo de sociólogos y politólogos tratamos de dar una visión rigurosa sobre las cuestiones de actualidad. Nuestras herramientas son el análisis de datos, los hechos contrastados y los argumentos abiertos a la crítica.

Autores:

Aina Gallego - @ainagallego

Alberto Penadés - @AlbertoPenades

Ferran Martínez i Coma - @fmartinezicoma

Ignacio Jurado - @ignaciojurado

José Fernández-Albertos - @jfalbertos

Leire Salazar

Lluís Orriols - @lluisorriols

Marta Romero - @romercruzm

Pablo Fernández-Vázquez - @pfernandezvz

Sebastián Lavezzolo - @SB_Lavezzolo

Víctor Lapuente Giné - @VictorLapuente

Luis Miller - @luismmiller

Lídia Brun - @Lilypurple311

Sandra León Alfonso - @sandraleon_

Algoritmos contra la corrupción

Corrupcion

8

España envió el viernes de la semana pasada su plan de gasto de su parte del fondo europeo de recuperación (Next Generation EU). A lo largo de los próximos cinco años, España espera recibir 140.000 millones de euros, la mitad de los cuales serán transferencias directas sin implicaciones sobre la deuda pública. España plantea dedicar la mayor parte de estos recursos a la transición ecológica, a la modernización digital, y a la investigación. Se trata pues de cantidades ingentes de dinero con potencial para transformar la estructura económica española. La clave es que este dinero sea bien empleado por las administraciones públicas.

No en vano, esta misma "lluvia" de dinero también puede ser un caldo de cultivo para las irregularidades en el gasto y para la corrupción. La literatura sobre los recursos naturales, por ejemplo, muestra que el incremento repentino de los recursos de una administración pública –por el aumento del precio de los recursos, por ejemplo– incrementa la corrupción.[1] Esto parece ocurrir con cualquier aumento súbito de fondos, aunque éstos no provengan de los recursos naturales.[2] Es por tanto un momento clave para que tanto las administraciones públicas españolas como la sociedad civil activen la vigilancia para minimizar la corrupción en el empleo de estos ingentes recursos europeos que tanto bien podrían hacer.

Existe un consenso académico en que una de las estrategias claves para reducir la corrupción y el fraude es mejorar los mecanismos de detección de las irregularidades y que, cuando éstas se detecten, haya instrumentos de castigo que sean disuasorios. En la medida en que esto sea así, incluso agentes políticos que busquen enriquecerse de la política decidirán que no merece la pena implicarse en irregularidades por la alta probabilidad de ser descubiertos y penalizados.

El cuello de botella clave para aplicar esta estrategia es la falta de datos fiables de corrupción, sobre todo a nivel micro. Por su propia naturaleza clandestina, la corrupción es muy difícil de identificar. Instituciones como Transparencia Internacional o el Banco Mundial producen datos comparados de corrupción, pero son a nivel muy agregado y se basan en percepciones que pueden estar sesgadas por diferencias culturales entre países. Por su parte, las instituciones de vigilancia nacionales –tribunales de cuentas, agencias anti-corrupción, la justicia penal– tienen medios limitados para auditar a las administraciones y cuando descubren irregularidades a menudo el perjuicio está ya consumado.

 La disponibilidad creciente de datos masivos, especialmente en lo que se refiere a contratación pública, abre la puerta a paliar este problema. La razón es que permite desarrollar indicadores a nivel muy micro de "riesgos de corrupción", es decir, de situaciones en las que la probabilidad de que haya abuso es mayor. Para ello se puede utilizar información muy desagregada sobre cada contrato público y sobre los agentes que participan. Por ejemplo, la asociación Civio ha examinado miles de contratos de las administraciones públicas y ha identificado muchas instancias donde se trocea un contrato para poder adjudicar cada contrato individual a dedo.[3] Aunque el fraccionamiento de contratos no es prueba definitiva de corrupción, si que es una "red flag" que nos indica que la probabilidad de que haya habido abuso es más alta.

 Veamos aquí un ejemplo concreto de cómo se pueden utilizar datos muy desagregados de contratación pública para poder identificar riesgos de corrupción y de fraude. Vamos a emplear los datos del Plan E (2009-2010), un programa del gobierno central que transfería cantidades importantes a los ayuntamientos para que realizaran obras públicas y reactivaran la economía, afectada por el derrumbe financiero de 2008. Este plan fue pionero al poner a disposición del público datos muy desgranados para cada contrato. Para para poder detectar posibles casos de fraude podemos fijarnos en el uso estratégico de la figura del contrato menor. En 2009, cuando el presupuesto no excedía de 50.000 euros, era posible utilizar ese tipo de contrato y asignar la obra "a dedo".

 El gráfico siguiente muestra el número de contratos que se licitaron alrededor de esa cifra. La línea discontinua indica el umbral de 50.000 euros a partir del cual ya no se podía adjudicar el contrato a dedo. Como podemos observar, hay una "sobreabundancia" de casos concentrados justo por debajo del umbral. Y muy pocos casos justo por encima. Dicho de otra manera, en un número extraordinario de casos se licitaron contratos por valor de aproximadamente 49.900 euros y cantidades parecidas para así evitar tener que utilizar un procedimiento más transparente –aunque también más farragoso–. Esto puede ser una "señal de alarma" de que puede haber habido fraude.

Gráfico 1. Número de contratos públicos según cifra del contrato.

Una vez se han identificado casos sospechosos de corrupción, es posible aplicar algoritmos predictivos de machine learning para poder hallar qué tipo de contratos, de contratistas, y de instituciones son más proclives al fraude. Estas predicciones pueden y deben guiar la actuación de las instituciones de control como los Tribunales de Cuentas o las fiscalías anticorrupción, así como a organizaciones de la sociedad civiles que realizan funciones de vigilancia (watchdog organizations). Predecir aquellos casos en los que es más probable que se produzcan irregularidades permite a estas agencias intervenir de manera temprana incluso antes de que la corrupción se produzca y haya un daño social y un enriquecimiento ilícito. Asimismo, estas actuaciones rápidas podrían tener un efecto disuasorio sobre los potenciales corruptos, con lo que la frecuencia y gravedad de la corrupción podría disminuir.

El uso más sofisticado y ambicioso de datos masivos de contratación pública para predecir corrupción lo ha realizado un grupo de economistas y politólogos, muchos de ellos basados en la Universidad del Rosario en Colombia. En un primer estudio,[4] utilizaron información de la Contraloría General de la República –equivalente a nuestro Tribunal de Cuentas– y de la Cámara de Comercio para identificar casos de corrupción e irregularidades. A continuación, emplearon datos masivos sobre contratación pública e información sobre las propias administraciones a través de algoritmos de machine learning para así predecir la corrupción. Este estudio demuestra que estos algoritmos tienen una alta capacidad predictiva: Hay pocos "falsos negativos", es decir, casos que el algoritmo clasifique como de bajo riesgo de corrupción pero en los que en realidad ésta sí se produzca. Un segundo estudio ha demostrado la potencialidad de estos algoritmos para predecir la existencia de irregularidades con mucha rapidez: utilizando el procedimiento anterior, han sido capaces de predecir con bastante fiabilidad qué municipios iban a emplear de manera irregular los fondos que el gobierno habilitó para combatir la primera oleada de la pandemia.[5] En el trabajo más reciente, este grupo de investigadores demuestra que esta estrategia puede ser empleada más allá de Colombia, pues lo aplican con éxito en Brasil.[6]

Es factible emplear este enfoque de predicción de la corrupción para el caso de España. En primer lugar, existen ya repositorios de datos masivos de contratación pública de fuentes como la Plataforma de Contratación del Sector Público y portales similares a nivel autonómico y local. Como indicadores de irregularidades y fraude, se podría utilizar los informes del Tribunal de Cuentas y la información disponible de la Fiscalía General del Estado. Con esta información, y empleando algoritmos predictivos, sería posible identificar los factores institucionales, los contextos específicos, y las modalidades de contratación que predisponen a la corrupción.

Una vez hallados estos factores, sería posible anticipar con cierta fiabilidad qué tipos de usos de los Fondos Europeos de Recuperación están más en riesgo de abuso y fraude. Con la colaboración de las agencias de control y de la sociedad civil activa –asociaciones como CIVIO, mencionada antes– sería posible intervenir para prevenir estas posibles corruptelas. Es verdad que los actores con intereses espurios podrían adaptarse y cambiar de patrón de comportamiento, pero una de las grandes ventajas de los algoritmos predictivos es que se pueden actualizar constantemente. En definitiva, estamos ante unas herramientas con un amplio potencial que podrían (y deberían) ser desplegadas ahora que como país tenemos tanto en juego. 

[1] Stanislao Maldonado. 2010. Resource Windfall and Corruption: Evidence from a Natural Experiment in Peru.

[2] Fernanda Brollo et al. 2013. The Political Resource Curse. American Economic Review 103(5): 1759–1796.

[3] Más información puede encontrarse aquí

[4] Jorge Gallego, Gonzalo Rivero, y Juan Martínez. 2020. Preventing rather than punishing: An early warning model of malfeasance in public procurement. International Journal of Forecasting.

[5] Jorge Gallego et al. 2021. Corruption in the Times of Pandemia. Manuscrito

[6] Emanuele Colonnelli et al. 2021. What Predicts Corruption?  Manuscrito

Sobre este blog

Piedras de papel es un blog en el que un grupo de sociólogos y politólogos tratamos de dar una visión rigurosa sobre las cuestiones de actualidad. Nuestras herramientas son el análisis de datos, los hechos contrastados y los argumentos abiertos a la crítica.

Autores:

Aina Gallego - @ainagallego

Alberto Penadés - @AlbertoPenades

Ferran Martínez i Coma - @fmartinezicoma

Ignacio Jurado - @ignaciojurado

José Fernández-Albertos - @jfalbertos

Leire Salazar

Lluís Orriols - @lluisorriols

Marta Romero - @romercruzm

Pablo Fernández-Vázquez - @pfernandezvz

Sebastián Lavezzolo - @SB_Lavezzolo

Víctor Lapuente Giné - @VictorLapuente

Luis Miller - @luismmiller

Lídia Brun - @Lilypurple311

Sandra León Alfonso - @sandraleon_

Etiquetas
Publicado el
3 de mayo de 2021 - 23:07 h

Descubre nuestras apps

stats