Análise Multicritério de Algoritmos de Clustering para Detecção de Anomalias e Subfaturamento em Operações Aduaneiras

Este artigo propõe uma abordagem híbrida que integra aprendizado de máquina não supervisionado e um método de apoio à decisão multicritério para a detecção de fraudes aduaneiras. Utilizando dados reais e anonimizados de e-commerce cross-border da Receita Federal do Brasil, avalia-se o desempenho de cinco algoritmos de clustering por meio dos métodos AHP e PROMETHEE II. A avaliação contrapõe métricas matemáticas de validação interna às regras de negócio da auditoria fiscal. Validados por simulações Stochastic Multicriteria Acceptability Analysis, os resultados indicaram o Gaussian Mixture Model como a alternativa superior. O perfilamento do cluster anômalo revelou um padrão estrutural de subfaturamento, otimizando a assertividade da triagem fiscal e reduzindo a taxa de falsos alarmes. Conclui-se que a aplicação de métodos multicritério de apoio à tomada de decisão é altamente eficaz na incorporação de perspectivas estratégicas e logísticas em modelos de inteligência artificial aplicados à gestão pública.