Uno de los aspectos claves para el desarrollo de modelos basados en Aprendizaje Automático e Inteligencia Artificial lo constituyen los datasets para el entrenamiento y ajuste de modelos. Desde esta página se mantiene un repositorio con fuentes que pueden ser de gran utilidad, incluyendo artículos relacionados.
| Identificación del origen | Descripción | Enlace |
|---|---|---|
| Shahid Tabish, Syed Zafar. “Detecting Collusion in Traditional Contracts.” Journal of Legal Affairs and Dispute Resolution in Engineering and Construction 17.4 (2025): 04525051. | Este estudio destaca cómo la colusión entre clientes, consultores, licitadores, proveedores e ingenieros puede transformar los procesos de licitación en prácticas anticompetitivas, afectando negativamente la inversión, el crecimiento y el desarrollo. El trabajo identifica indicadores relevantes a partir de la literatura académica y casos reales, y propone un método basado en la Ley de Benford, pruebas estadísticas (metodología BS3P) y tres indicadores físicos clave: participantes, patrones y precios. La metodología se valida con datos de tres casos de estudio, demostrando su utilidad para autoridades de contratación, auditores técnicos y órganos de control en la lucha contra la corrupción. Los datos se encuentran disponibles bajo petición a los autores. | https://ascelibrary.org/doi/abs/10.1061/JLADAH.LADR-1311 |
| Dataset incluidos en publicación: RODRÍGUEZ, Manuel J. García, et al. Collusion detection in public procurement auctions with machine learning algorithms. Automation in Construction, 2022, vol. 133, p. 104047. | El artículo evalúa la eficacia de once algoritmos de aprendizaje automático en la detección de colusión, utilizando conjuntos de datos provenientes de países como Brasil, Italia, Japón, Suiza y Estados Unidos. Se aportan como material suplementario 6 datasets: Collusive dataset from Switzerland Ticino (Construcción de carreteras). Collusive dataset from Switzerland GR and See-Gaster (Construcción de carreteras e ingeniería civil). Collusive dataset from Japan (Construcción e ingeniería civil). Collusive dataset from Italy (Construcción de carreteras). Collusive dataset from Brazil (Proyectos de infraestructuras petroleras). Collusive dataset from USA (Distribución de lecha a escuelas). | https://www.sciencedirect.com/science/article/pii/S0926580521004982 |
| Signor, Regis, et al. “Public infrastructure procurement: detecting collusion in capped first-priced auctions.” Journal of Infrastructure Systems 26.2 (2020): 05020002. | La contratación pública de infraestructuras está especialmente expuesta a riesgos de colusión entre licitadores, con consecuencias económicas y sociales relevantes. En Brasil, para mitigar estos riesgos, se introdujeron mecanismos normativos como la Ley 8666/93, que obliga a realizar subastas de primer precio con límites máximos basados en precios de mercado registrados en bases de datos oficiales. Este estudio analiza 187 subastas de este tipo con ocho o más ofertas y propone una metodología innovadora para la detección de colusión plena. El enfoque consiste en comparar el comportamiento agregado de los licitadores con un escenario contrafactual (“but-for”) que representa una competencia honesta, simulada mediante ofertas aleatorias. Esta comparación permite evaluar, con distintos niveles de confianza estadística, si los resultados observados en una subasta pueden considerarse consistentes con un comportamiento competitivo o si, por el contrario, existen indicios de coordinación colusoria. La propuesta metodológica puede utilizarse de forma autónoma o como complemento a otras técnicas de detección de colusión. Su valor reside en que permite identificar posibles pactos a partir del análisis ex post de los resultados de la subasta, sin requerir información previa sobre las empresas. Se trata, por tanto, de una herramienta útil para auditores, autoridades de contratación y organismos de control que trabajan en la prevención del fraude en licitaciones públicas. Los datos se encuentran disponibles en formato Excel bajo petición a los autores. | https://ascelibrary.org/doi/full/10.1061/%28ASCE%29IS.1943-555X.0000543 |