Análisis de licitaciones públicas en Ecuador: aplicación de técnicas de explicabilidad en modelos de aprendizaje automático

Autores/as

  • Maria Fernanda Molina Miranda Universidad de Guayaquil, Facultad de Ciencias Matemáticas y Físicas, Ecuador https://orcid.org/0000-0002-4237-4364
  • Ángel Cuenca Ortega Universidad de Guayaquil
  • Luis Espín Pazmiño Universidad de Guayaquil, Facultad de Ciencias Matemáticas y Físicas, Ecuador
  • Miguel Molina Villacís Universidad de Guayaquil, Facultad de Ciencias Matemáticas y Físicas, Ecuador

DOI:

https://doi.org/10.35290/ro.v6n1.2025.1497

Palabras clave:

licitaciones, toma de decisiones, algoritmos, SHAP, feature importance

Resumen

Las licitaciones públicas permiten a las instituciones contratar bienes, obras y servicios esenciales para el crecimiento del país. Este trabajo consistió en analizar los procesos de licitaciones públicas en Ecuador mediante la aplicación de técnicas de aprendizaje automático y explicabilidad de modelos, con el fin de mejorar la toma de decisiones. Se recopiló y procesó un conjunto de datos abiertos extraídos de la base de datos del SERCOP para identificar patrones y variables clave que influyeron en el éxito de las licitaciones. Utilizando modelos de clasificación como Random Forest, AdaBoost y CatBoost, y técnicas de explicabilidad como SHAP y Feature Importance, se desarrollaron modelos predictivos que permiten comprender de manera transparente las decisiones generadas por los algoritmos. Los resultados mostraron que CatBoost fue el modelo con mayor precisión predictiva y Feature Importance resultó ser la técnica más efectiva para explicar las predicciones. Además, se procedió a crear una interfaz web que permitió ingresar los datos de entrada y determinar si es recomendable que una empresa participe en una licitación. La inteligencia artificial explicable no solo mejora la precisión, sino que también proporciona información valiosa para que las empresas optimicen su participación en estos procesos.

Descargas

Los datos de descargas todavía no están disponibles.

Citas

Anwar, K., Siddiqui, J., y Saquib, S. (2020). Machine learning-based book recommender system: a survey and new perspectives. International Journal of Intelligent Information and Database Systems, 13(2-4), 231-248. https://doi.org/10.1504/IJIIDS.2020.109457

Arena, S., Florian, E., Sgarbossa, F., Sølvsberg, E., y Zennaro, I. (2024). A conceptual framework for machine lear- ning algorithm selection for predictive maintenance. Engineering Applications of Artificial Intelligence, 133. https://doi.org/10.1016/j.engappai.2024.108340

García, M., Rodríguez, V., Ballesteros, P., Love, P., y Signor, R. (2022). Collusion detection in public procurement auctions with machine learning algorithms. Automation in Construction, 133. https://doi.org/10.1016/j. autcon.2021.104047

Gohel, P., Singh, P., y Mohanty, M. (2021). Explainable AI: current status and future directions. Arxiv. https://doi. org/10.48550/arXiv.2107.07045

Guida, M., Caniato, F., Moretto, A., y Ronchi, S. (2023). The role of artificial intelligence in the procurement pro- cess: State of the art and research agenda. Journal of Purchasing and Supply Management, 29(2). https:// doi.org/10.1016/j.pursup.2023.100823

Love, P., Fang, W., Matthews, J., Porter, S., Luo, H., y Ding, L. (2023). Explainable artificial intelligence (XAI): Precepts, models, and opportunities for research in construction. Advanced Engineering Informatics, 57. https://doi.org/10.1016/j.aei.2023.102024

Molina, M., Acaro, X., Molina, M., Quinoñez, M., Alvarez, G., y Fernandez, J. (2023). Application of explainable artificial intelligence to analyze basic features of a tender. Actas de International Conference on Electrical, Computer, Communications and Mechatronics Engineering, ICECCME 2023 (pp. 1-6). España. 10.1109/ ICECCME57830.2023.10253063

Nai, R., Meo, R., Morina, G., y Pasteris, P. (2023). Public tenders, complaints, machine learning and recommen- der systems: a case study in public administration. Computer Law & Security Review, 51. https://doi.or- g/10.1016/j.clsr.2023.105887

Oussaleh, A. y Azmani, A. (2023). Smart Sourcing Framework for Public Procurement Announcements Using Machine Learning Models. International Conference on Advanced Intelligent Systems for Sustainable Deve- lopment, 637, 921-932. https://doi.org/10.1007/978-3-031-26384-2_83

Pita, C. (2021). Proyecto de Sistema de Recomendación de Filtrado Colaborativo basado en Machine Learning.

Revista PGI(8), 48-51. https://ojs.umsa.bo/ojs/index.php/inf_fcpn_pgi/article/view/46

Riyad, B. y Laila, E. (2024). The Artificial Intelligence and Public Procurement. Actas de 2024 IEEE 15th Interna- tional Colloquium of Logistics and Supply Chain Management (LOGISTIQUA), (pp. 1-6). Tunisia. 10.1109/ LOGISTIQUA61063.2024.10571429

Rojas, E. (2020). Machine Learning: análisis de lenguajes de programación y herramientas para desarrollo. Revis- ta Ibérica de Sistemas e Tecnologias de Informação,(28), 586-599. https://www.proquest.com/openview/ c7e24c997199215aa26a39107dd2fe98/1?pq-origsite=gscholar&cbl=1006393

Rosales, C., Mango, P., Turpo, O., Miranda, V., y Aranda, Á. (2024). El análisis exploratorio de datos: una oportu- nidad para desarrollar competencias STEM/STEAM. Revista Ibérica de Sistemas e Tecnologias de Infor- mação, (70), 87-104. https://dialnet.unirioja.es/servlet/articulo?codigo=9886356

Salem, A., Eyupoglu, S., y Ma’aitah, M. (2024). The Influence of Machine Learning on Enhancing Rational Deci- sion-Making and Trust Levels in e-Government. Systems, 12(9). https://doi.org/10.3390/systems12090373

Sisa, G. (2022). Propuestas para mejorar la contratación e inclusión de las pequeñas y medianas empresas en el sistema de contratación pública del Ecuador [Tesis de posgrado, Universidad Andina Simón Bolívar]. Re- positorio Institucional. https://repositorio.uasb.edu.ec/bitstream/10644/8550/1/T3734-MDACP-Sisa-Pro- puestas.pdf#page=53.20

Publicado

2025-02-10

Cómo citar

Molina Miranda, M. F., Cuenca Ortega, Ángel, Espín Pazmiño, L., & Molina Villacís, M. (2025). Análisis de licitaciones públicas en Ecuador: aplicación de técnicas de explicabilidad en modelos de aprendizaje automático. REVISTA ODIGOS, 6(1), 83–100. https://doi.org/10.35290/ro.v6n1.2025.1497

Número

Sección

Artículos