Previsão de aditivos em obras públicas com algoritmos de aprendizado de máquina

Predicting changes of public works with machine learning algorithms

Resumen

A dinâmica da execução de serviços de engenharia e obras públicas frequentemente exige alterações contratuais devido a falhas na contratação e fatos supervenientes. Na administração pública, essas mudanças ocorrem via termo aditivo, com impacto financeiro de até 50% em reformas e a 25% nos demais casos, e sem  limite legal para alterações de prazo, desde que justificadas. Neste sentido, órgãos públicos que gerenciam vultosos recursos em obras devem considerar a ocorrência de aditivos no planejamento financeiro, de forma a garantir recursos necessários para conclusão dos contratos e evitar a inscrição de créditos em restos a pagar. Nesse contexto, este trabalho busca avaliar a aplicabilidade de técnicas de aprendizado de máquina na previsão da ocorrência e do impacto financeiro e temporal dos aditivos contratuais em obras públicas, visando  auxiliar a tomada de decisão no nível estratégico da descentralização de recursos às unidades gestoras. Foram aplicados algoritmos de  classificação e regressão, alinhadas ao conhecimento de domínio do gesto. Para avaliação dos resultados, foram utilizadas as métricas de precisão, recall e F1-score na classificação, e de erro máximo, médio quadrático e coeficiente de correlação r2 da regressão. Os resultados indicaram melhor desempenho na previsão de aditivos de prazo em comparação aos de valor.