El machine learning en el modelo de detección de cárteles en licitación pública de Bajari y Summers

12.07.2023

CeCo Perú

Julio Aguirre M. Ph.D. Economía, Universidad de San Andrés (Argentina). Profesor asociado del Departamento Académico de Economía de la Universidad del Pacífico (Lima, Perú). Sus áreas de especialización son la organización industrial, las políticas de competencia y regulación económica, y el desarrollo económico.

Angela Jieza S. Estudiante de último año de Economía en la Universidad del Pacífico.

Yanela Ramírez C. Estudiante de último año de Economía en la Universidad del Pacífico.

Alexis Ramos A. Estudiante de último año de Economía en la Universidad del Pacífico.

Abstract: Las prácticas de colusión en compras públicas o licitaciones estatales son un problema frecuente en países en desarrollo como el Perú, y su detección no deja de ser un reto. En las siguientes líneas, se presentan alcances de cómo el machine learning puede complementar al uso de modelos econométricos de detección (como el propuesto por Bajari y Summers, 2002).

“El uso del machine learning en casos de bid rigging ofrece beneficios significativos al combinar la teoría económica con la capacidad de análisis de grandes volúmenes de datos. Al aplicar algoritmos y técnicas de machine learning, las autoridades encargadas pueden detectar patrones de comportamiento sospechosos e identificar posibles cárteles o coaliciones en licitaciones. Esto fortalece la capacidad de las autoridades para prevenir y combatir la colusión en las licitaciones (…)”.