Machine learning na prevenção de paralisações em obras públicas : estudo de caso em infraestrutura educacional

Abstract

A infraestrutura educacional desempenha um papel importante na facilitação do acesso ao ensino, na melhoria dos resultados acadêmicos e na redução das taxas de evasão escolar. Entretanto, o cenário brasileiro é marcado por um elevado índice de paralisação de obras públicas educacionais, o que prejudica a expansão e a qualidade da oferta de educação infantil e resulta em considerável desperdício de recursos públicos. Este estudo tem como objetivo elaborar um modelo preditivo de obras com risco de paralisação, fundamentado em técnicas de machine learning e guiado pela metodologia CRISP-DM. Utilizando bases de dados provenientes do Fundo Nacional de Desenvolvimento da Educação (FNDE) ligadas ao programa Proinfância, foram identificadas variáveis-chave que exercem influência direta na paralisação das obras. A análise identificou cinco atributos críticos que influenciam a paralisação das obras, com os seguintes pesos: a quantidade de dias desde a última vistoria (32,87%), a condição de a obra ser ou não vinculada (26,06%), o tipo de paralisação (15,51%), os valores empenhados no projeto (13,14%) e os valores disponibilizados pelo FNDE (7,08%). O modelo de deep learning desenvolvido demonstrou elevado desempenho, alcançando uma acurácia de 94,79% na identificação de obras com alto risco de paralisação. Além disso, foi desenvolvida uma ferramenta de simulação interativa que permite a análise de diversos cenários de risco, contribuindo para a otimização do monitoramento das obras. Esta abordagem prática oferece subsídios para que gestores públicos adotem medidas preventivas eficazes, garantindo a continuidade e a qualidade das construções, impulsionando a melhoria da infraestrutura educacional no Brasil e otimizando a utilização dos recursos públicos.