Use este identificador para citar ou linkar para este item:
http://hdl.handle.net/11612/8845| Autor(a): | Fernandes, Luis Claudio |
| Orientador: | Carvalho, Rafael Lima de |
| Título: | Predição de Restos a Pagar no TRE-GO - Aplicação de Aprendizado de Máquina para Otimização Orçamentária |
| Palavras-chave: | Execução orçamentária;Restos a pagar;Otimização;Modelagem preditiva;Aprendizado de máquina;Budget execution;Unpaid obligations;Optimization;Predictive modeling;Machine learning |
| Data do documento: | 22-Jun-2026 |
| Citação: | FERNANDES, Luis Claudio. Predição de Restos a Pagar no TRE-GO - Aplicação de Aprendizado de Máquina para Otimização Orçamentária. 2026.101f. Dissertação (Mestrado em Governança e Transformação Digital) – Universidade Federal do Tocantins, Programa de Pós-Graduação em em Governança e Transformação Digital, Palmas, 2026 |
| Resumo: | A execução orçamentária no setor público brasileiro enfrenta o desafio persistente da ins crição de despesas em Restos a Pagar (RP), fenômeno que compromete a credibilidade e a transparência do orçamento público. Este estudo de caso tem por objetivo investigar a aplicação de técnicas de aprendizado de máquina para desenvolver um modelo preditivo capaz de identificar notas de empenho a serem inscritas em Restos a Pagar ao final do exer cício financeiro. A pesquisa utiliza dados extraídos do Sistema Integrado de Administração Financeira (SIAFI) e do Sistema Eletrônico de Informações (SEI) do Tribunal Regional Eleitoral de Goiás (TRE-GO), abrangendo o período de 2022 a 2025. A metodologia em prega sete algoritmos de classificação binária supervisionada: Regressão Logística, Árvore de Decisão, Random Forest, XGBoost, KNN, SVC e Multilayer Perceptron (MLP). Para tratar o desbalanceamento natural entre notas de empenho inscritas e não inscritas em RP, aplica-se a técnica de Sobreamostragem Sintética da Minoria (SMOTE). O conjunto estruturado de dados contempla variáveis relacionadas às características da despesa, ao processo de tramitação administrativa e ao contexto temporal de emissão. Os resultados demonstram que o modelo Random Forest alcançou o melhor desempenho global, obtendo um F1-Score de 66%, uma Área sob a Curva Precisão-Recall (AUC-PR) de 69% e uma precisão de 84% na identificação da classe minoritária. A interpretabilidade do modelo, conduzida via metodologia SHAP, revelou que o mês de emissão da nota de empenho, a interação com o ano eleitoral, o valor da despesa, a taxa de reenvios processuais e a modalidade de licitação constituem os principais fatores preditivos. O estudo conclui que é possível desenvolver uma ferramenta de apoio à decisão gerencial baseada em inteli gência artificial para otimização da execução orçamentária, permitindo o monitoramento proativo e ações preventivas na gestão de despesas com maior risco de inscrição em RP. A pesquisa pode contribuir para o avanço do conhecimento na intersecção entre gestão orçamentária, eficiência administrativa e ciência de dados aplicada ao setor público. |
| Abstract: | Budget execution in the Brazilian public sector faces the persistent challenge of regis tering expenditures as Unpaid Obligations (Restos a Pagar- RP), a phenomenon that compromises the credibility and transparency of public budgets. This case study aims to investigate the application of machine learning techniques to develop a predictive model capable of identifying commitment notes to be registered as RP at the end of the fiscal year. The research utilizes data extracted from the Integrated Financial Administration System (SIAFI) and the Electronic Information System (SEI) of the Regional Electoral Court of Goiás (TRE-GO), covering the period from 2022 to 2025. The methodology employs seven supervised binary classification algorithms: Logistic Regression, Decision Tree, Random Forest, XGBoost, KNN, SVC, and Multilayer Perceptron (MLP). To ad dress the natural imbalance between commitment notes registered and not registered as RP, the Synthetic Minority Oversampling Technique (SMOTE) is applied. The structured dataset encompasses variables related to expenditure characteristics, administrative pro cessing procedures, and the temporal context of issuance. The results demonstrate that the Random Forest model achieved the best overall performance, obtaining an F1-Score of 66%, an Area Under the Precision-Recall Curve (AUC-PR) of 69%, and a precision of 84% in identifying the minority class. The model’s interpretability, conducted via the SHAP methodology, revealed that the month of commitment note issuance, the interaction with the electoral year, the expenditure value, the rate of procedural resubmissions, and the procurement modality constitute the main predictive factors. The study concludes that it is possible to develop an artificial intelligence-based managerial decision support tool for budget execution optimization, enabling proactive monitoring and preventive actions in managing expenditures with a higher risk of RP registration. The research may contri bute to advancing knowledge at the intersection of budget management, administrative efficiency, and data science applied to the public sector. |
| URI: | http://hdl.handle.net/11612/8845 |
| Aparece nas coleções: | Mestrado Profissional em Governança e Transformação Digital |
Arquivos associados a este item:
| Arquivo | Descrição | Tamanho | Formato | |
|---|---|---|---|---|
| Luis Claudio Fernandes - Dissertação.pdf | 2.92 MB | Adobe PDF |  Visualizar/Abrir |
Os itens no repositório estão protegidos por copyright, com todos os direitos reservados, salvo quando é indicado o contrário.