El fraude es por naturaleza una actividad oculta. Entonces, ¿cómo pueden las autoridades detectar y mitigar los riesgos de manera efectiva? Este informe identifica vías para que la Intervención General de la Administración del Estado (IGAE) para hacer frente a este desafío, utilizando modelos de aprendizaje automático de última generación y orientar eficazmente sus actividades de control a los mayores riesgos de fraude que se encuentran en subvenciones y subsidios públicos.
Hay pocas cifras fiables del nivel de fraude a escala nacional, dadas las complejidades de medir algo que está oculto intencionadamente. A menudo, los países se basan en mediciones indirectas más amplias, como el alcance de las irregularidades notificadas en programas o sectores específicos. No obstante, las cifras disponibles sugieren desafíos importantes y riesgos de fraude para las administraciones públicas. Por ejemplo, en países que evalúan el alcance del fraude en los programas de beneficios sociales, como Francia, el Reino Unido y Estados Unidos, las estimaciones de fraude alcanzan los cientos de millones de euros. En su 32º Informe Anual sobre la protección de los intereses financieros de la Unión Europea: Lucha contra el fraude 2020, la Comisión Europea informó de 375 millones de euros fraudulentos vinculados a ingresos y gastos. Es probable que los niveles de fraude en los Estados miembros de la UE sean mucho más altos si se tienen en cuenta además los fondos nacionales y el gasto público.
Los organismos de control, como la IGAE, están en primera línea de los esfuerzos de la administración pública para prevenir y detectar el fraude. Tienen una visión exclusiva en toda la administración para detectar los riesgos de fraude y fortalecer la eficacia, eficiencia y economía del gasto público a través de evaluaciones previas y posteriores. Para hacer este trabajo de manera eficaz en la era digital, los órganos de supervisión se enfrentan a una presión considerable para no perder el tren de la evolución de los riesgos y de las nuevas tecnologías. En España, al igual que otros Estados miembros de la UE, el Plan de Recuperación, Transformación y Resiliencia hace especial hincapié en la necesidad de mejorar los mecanismos y herramientas para prevenir, detectar y corregir los riesgos inherentes en las subvenciones públicas, incluidos el fraude, la corrupción, los conflictos de interés y la doble financiación.
En este contexto, la IGAE y la OCDE, con el apoyo de la Comisión Europea, han trabajado juntas para identificar los métodos con los que la IGAE pueda fortalecer sus evaluaciones de riesgos de fraude en ayudas y subvenciones públicas, con el objetivo final de implantar actividades de control mejor focalizadas. El proyecto se ha centrado en asesorar a la IGAE en hacer uso de los datos existentes e identificar vías para ampliar su análisis y tener en cuenta nuevas fuentes de datos, riesgos de fraude y metodologías. El Capítulo 1 describe brevemente el contexto y el mandato de la IGAE, así como su enfoque en la evaluación de riesgos y planificación de sus actividades de control. También se efectúan varias consideraciones generales para que la IGAE mejore su uso de datos y análisis, independientemente de si adopta el modelo de aprendizaje automático referido en el Capítulo 2, o no, con un enfoque en la evaluación de riesgos de fraude de subvenciones. Esto incluye:
Fortalecer la gobernanza y la gestión de datos para evaluar los riesgos de fraude de subvenciones, comenzando con mejoras de fácil implementación, como mejorar los diccionarios de datos, la claridad de los identificadores únicos y los controles de datos específicamente para el análisis de riesgos de fraude.
Desarrollar la capacidad de evaluar riesgos basándose en datos, en concreto, desarrollando conjuntos de datos estructurados e idealmente una capacidad que reúna la experiencia relacionada con procesos de concesión de subvenciones, riesgos de fraude, análisis y visualización.
Ser consciente de las trampas relacionadas con los indicadores compuestos de riesgo, así como con los posibles sesgos, que pueden incluir sesgos en los modelos de aprendizaje automático.
El Capítulo 2 presenta una prueba de concepto para un modelo de riesgo basado en datos, para que la IGAE lo adopte en parte o en su totalidad. La metodología utiliza datos actualmente a disposición de la IGAE, por lo que implícitamente reconoce el contexto presente de la IGAE. El modelo de aprendizaje automático tiene en cuenta los riesgos a lo largo del ciclo de la subvención en la medida en que lo permiten los datos. El proceso de desarrollo de la prueba de concepto para el modelo de riesgo ha desvelado distintos conocimientos y la identificación de áreas de mejora, entre ellas:
Establecer un conjunto de datos listo para identificar riesgos de fraude, que este proyecto ha comenzado como piloto y puede sentar bases para el análisis de riesgos futuros con menor inversión en recursos y tiempo.
Ampliar el uso de indicadores por parte de la IGAE a lo largo de todo el ciclo de subvenciones, incluida la mejora de datos e indicadores que van más allá de las características descriptivas y revelan comportamientos (por ejemplo, conflictos de interés).
Invertir en la mejora continua del modelo de riesgo de aprendizaje automático, si se adopta, para garantizar una muestra verdaderamente aleatoria, teniendo en cuenta los nuevos datos y riesgos y abordar los sesgos, entre otras consideraciones.
Tener en cuenta los análisis de red y hacer uso de un conjunto más amplio de metodologías, incluidas aquellas que aprovechan los datos mercantiles de las empresas.
Por último, el Capítulo 3 ofrece una hoja de ruta para completar los datos existentes sobre subvenciones de la IGAE a fin de mejorar sus modelos de evaluación de riesgos. Concretamente, describe conjuntos de datos que pueden integrarse con los datos existentes de subvenciones en la IGAE, mejorando así la sofisticación analítica y la precisión de la evaluación de riesgos. La orientación y las recomendaciones del informe se basan en entrevistas de investigación de la OCDE, análisis del contexto de la IGAE y los datos disponibles, las experiencias de otras entidades públicas y las principales prácticas internacionales.