Математические модели и программный комплекс для интеллектуального анализа и прогнозирования исполнения государственных контрактов

В работе предлагаются математические модели и программный комплекс для интеллектуального анализа и прогнозирования исполнения государственных контрактов, основанные на нейросети и классических методах машинного обучения, обученных на ретроспективной базе данных контрагентов и контрактов. Комплекс математических моделей и программ позволяет рассчитывать вероятности и риски невыполнения государственных контрактов, тем самым уменьшить потери бюджета и положительным образом повлиять на устойчивость реального сектора экономики. Проведен сравнительный анализ методов машинного обучения: логистическая регрессия, дерево решений, метод опорных векторов и нейросетевая модель. Разработана модель, позволяющая проводить прогноз с точностью 97,89 %. Для каждой математической модели разработаны отдельные модули, которые в совокупности составляют программный комплекс. Нейросетевая модель показала результат в 87,65 %, что связано с относительно небольшим набором данных для обучения, однако данная модель позволяет раскрыть дальнейший потенциал системы в связи с постоянным обучением в реальном времени на новых контрактах, для оценки которых будет использован предлагаемый программный комплекс. Результаты проведенного исследования могут быть использованы для дальнейшего совершенствования системы поддержки принятия решений в сфере закупок и ее применения с целью улучшения общего качества анализа и прогнозирования выполнения государственных контрактов.

1. Лукин В.К., Логинова М.М., Логинова В.Е. Формирование взаимосвязанного комплекса организационных инструментов обслуживания финансовых программ. Экономика. Право. Печать. Вестник КСЭИ. 2013;(4):245–249.

2. Федорович В.А., Муравник В.Б., Бочкарев О.И. США: военная экономика (организация и управление). Москва: Международные отношения; 2013. 616 с.

3. Цветков В.А. Корпоративный бизнес. Теория и практика. Санкт-Петербург: Нестор-История; 2011. 504 с.

4. McAfee R.P., McMillan J. Bidding for contracts: a principal-agent analysis. Rand Journal of Economics. 1986;17(3):326–338.

5. Storm J.R. Outsourcing Intelligence Analysis: Legal and Policy Risks. Journal of National Security Law & Policy. 2018;9. URL: https://jnslp.com/wp-content/uploads/2018/05/Outsourcing_Intelligence_Analysis.pdf

6. Шевченко К.Ш. Особенности государственного контракта в сфере государственных закупок. В сборнике: Наука и образование: история и современность: Электронный сборник материалов 74–75 внутривузовских научно-практических конференций, 19–20 апреля 2022 года, Нижневартовск, Россия. Нижневартовск; 2022. С. 89–93.

7. Koltays A., Konev A., Shelupanov A. Mathematical Model for Choosing Counterparty When Assessing Information Security Risks. Risks. 2021;9(7). https://doi.org/10.3390/risks9070133

8. Knott R., Polenghi M. Assessing Central Counterparty Margin Coverage on Futures Contracts Using GARCH Models. Bank of England Working Paper. 2006. https://doi.org/10.2139/ssrn.894877

9. Шустова Е.С., Корчагин С.А., Феклин В.Г., Мелентьев В.В., Сердечный Д.В. Система поддержки принятия решений по выдаче банковских гарантий с использованием методов машинного обучения. Современная наука: актуальные проблемы теории и практики. Серия: Экономика и право. 2022;(5):115–118.

10. Корчагин С.А., Догадина Е.П., Мелентьев В.В., Никитин П.В., Сердечный Д.В. Автоматизированная система выдачи банковских гарантий на основе прогнозирования исполнения государственных контрактов. Инженерный вестник Дона. 2023;(8):639–649.

11. Корчагин С.А., Догадина Е.П., Мелентьев В.В., Никитин П.В., Сердечный Д.В. Система поддержки принятия решений по выдаче банковских гарантий на основе прогнозирования исполнения контрактов с использованием методов машинного обучения и технологий парсинга. Современные наукоемкие технологии. 2023;(7):41–47. https://doi.org/10.17513/snt.39692

12. Корчагин С.А., Рубцов Д.Ю., Беспалова Н.В., Сердечный Д.В. Применение моделей машинного обучения для прогнозирования исполнения государственных контрактов. Инженерный вестник Дона. 2024;(9):341–350.