Desde años atrás se tiene identificada la corrupción como uno de los principales factores que frenan el desarrollo en Colombia, principalmente en las regiones más pobres.
Diversas autoridades nacionales han cuantificado el costo de la corrupción en cifras exorbitantes cada año sin que ello haya permitido disminuir los casos ni la percepción.
Un documento publicado por el Centro de Estudios sobre Desarrollo Económico de la Universidad de Los Andes plantea la aplicación de la tecnología para contribuir en la lucha contra ese flagelo.
Ver más: Con tributaria el país podría sacar a 4 millones de la pobreza
Ya los distintos gobiernos han intentado implementar acciones como lo son los Pliegos Tipo, para cerrarles el cerco a los corruptos y así tener un mayor control sobre los recursos públicos.
Estos no son más que una serie de condiciones estándar requeridas para estar habilitado, tener garantizado el cumplimiento de factores técnicos y económicos de escogencia, según lo que se requiera en cada modalidad de selección y la naturaleza y cuantía de los contratos estatales.
El estudio del Cede, elaborado por Kevin Mojica Muñoz y titulado “Inteligencia artificial para detectar corrupción en la administración pública municipal de Colombia”, plantea que en ocasiones, la principal dificultad para contener la corrupción consiste en identificar los territorios con mayor riesgo de forma que se adelante una mejor focalización de los esfuerzos de investigación y prevención.
El estudio tiene como objetivo principal “evaluar el uso de algoritmos de aprendizaje de máquinas para desarrollar alertas tempranas de riesgo de corrupción en la administración municipal de Colombia”.
Ver más: Bezos, Gilinski, Maluma y Simón Borrero serán socios de los Uribe en La Haus
Esto con el propósito de proveer las herramientas necesarias a los organismos de control para focalizar sus recursos de investigación y prevención.
Explica el autor que “para esto, la investigación tuvo en cuenta algoritmos de aprendizaje supervisado y algoritmos de aprendizaje no supervisado, para dos temporalidades distintas y considerando dos variables relacionadas a la corrupción, los procesos por delitos contra la administración pública y las denuncias por corrupción”.
Por parte del análisis no supervisado, se identificó que el rezago de las variables relacionadas con la corrupción lograba clasificar correctamente el riesgo relativo de corrupción hasta en un 85% de los casos, siendo la variable de Procesos la que obtuvo mejores resultados.
Con estos resultados se elaboró un Índice de Riesgo de Corrupción Municipal para el periodo 2020-2023. Este Índice informa que los municipios con mayor riesgo de corrupción se encuentran principalmente en la región Caribe de Colombia.
De igual forma, se creó un Índice de riesgo de detrimento patrimonial agregando las medidas de riesgo de corrupción y gasto de inversiones. Los 10 municipios con mayor riesgo de detrimento patrimonial son respectivamente: Sabaneta (Antioquia), Sabanalarga (Atlántico), Montelíbano (Córdoba), San Onofre (Sucre), Candelaria (Valle del Cauca), Plato (Magdalena), El Carmen de Bolívar (Bolívar), El Banco (Magdalena), Agustín Codazzi (Cesar), y Dibulla (La Guajira).
Ver más: La taza de café está a punto de ser más cara
Los resultados muestran para el caso colombiano un conjunto de municipios donde se deben priorizar las acciones de prevención y detección de la corrupción, siempre y cuando se considere las limitaciones y posibles sesgos de los datos.
Concluye el autor que el documento ofrece lecciones valiosas para aplicar esas metodologías de aprendizaje de máquinas en otros contextos, mostrando que en temas de corrupción es preferible priorizar la investigación hacia el aprendizaje no supervisado, una aproximación poco frecuente hasta el momento.
La metodología para la segmentación de riesgo de corrupción utilizando aprendizaje no supervisado tiene el potencial de aplicarse a otros casos, como las licitaciones públicas, la corrupción en entidades nacionales, o incluso para perfilar funcionarios con mayor riesgo de corrupción.
Esto depende enteramente de la disponibilidad de datos para hacerlo en otros países, abriendo la posibilidad de nuevas aplicaciones en otros contextos.
