La Lucha contra el Fraude en las Subvenciones Públicas en España
Aprendizaje Automático para Evaluar los Riesgos y Orientar las Actividades de Control
Tras la pandemia del COVID-19, los gobiernos se enfrentan a riesgos de fraude tanto antiguos como nuevos, algunos de ellos a niveles sin precedentes, relacionados con el gasto en socorro y recuperación. Los programas de subvenciones públicas son un área de alto riesgo, en la que cualquier fraude acaba desviando el dinero de los contribuyentes de las prestaciones indispensables para los particulares y las empresas. Este informe identifica cómo la Intervención General de la Administración del Estado (IGAE) podría identificar y controlar mejor los riesgos de fraude en las subvenciones. Demuestra cómo las técnicas innovadoras de aprendizaje automático pueden ayudar a la IGAE a mejorar su evaluación de los riesgos de fraude en los datos de las subvenciones. Presenta un modelo de riesgo de trabajo, desarrollado con conjuntos de datos a disposición de la IGAE y mapea conjuntos de datos que se podrían utilizar en el futuro. El informe también considera las condiciones previas para la analítica avanzada y las evaluaciones de riesgo, incluyendo las formas en que la IGAE puede mejorar su gobernanza y gestión de datos.
Also available in: English
Fraude en subvenciones públicas: pilotar un modelo de riesgo basado en datos en España
Este capítulo presenta una prueba de concepto para un modelo de riesgo que la Intervención General de la Administración del Estado (IGAE) de España puede emplear para evaluar los riesgos de fraude y detectar posibles casos de fraude. El capítulo presenta una descripción general de la metodología de aprendizaje automático que subyace en el modelo de riesgo, así como un relato detallado de cómo se construyó el modelo, basado en datos que están fácilmente disponibles para la IGAE. El capítulo concluye con una exposición de los resultados del modelo y recomendaciones para que la IGAE se base en la prueba de concepto.
Also available in: English
- Click to access:
-
Click to download PDF - 1.21MBPDF