Перевести страницу на:
|
Библиотека
|
ваш профиль |
Статья опубликована с лицензией Creative Commons Attribution-NonCommercial 4.0 International License (CC BY-NC 4.0) – Лицензия «С указанием авторства – Некоммерческая».|
Вопросы безопасности
Правильная ссылка на статью:
Мишин А.Ю., Андриянов Н.А.
Показатели оценки риска исполнения государственных контрактов с длительным жизненным циклом
// Вопросы безопасности.
2023. № 4.
С. 39-59.
DOI: 10.25136/2409-7543.2023.4.44047 EDN: AIIJFD URL: https://nbpublish.com/library_read_article.php?id=44047
Показатели оценки риска исполнения государственных контрактов с длительным жизненным циклом
DOI: 10.25136/2409-7543.2023.4.44047EDN: AIIJFDДата направления статьи в редакцию: 16-09-2023Дата публикации: 16-11-2023Аннотация: Предметом исследования являются процессы мониторинга исполнения и оценки риска исполнения государственных контрактов, предметом исследования – признаки оценки риска исполнения государственных контрактов в Российской Федерации. Методология исследования заключается в изучении статистических данных по госзакупкам в России; обогащении данных из ЕИС дополнительными данными из систем анализа рынков; анализе предметной области и выделении потенциально ценных категориальных данных, не исследованных ранее другими учёными и применение к этим данным инструментария однофакторного дисперсионного анализа с целью оценки их статистической значимости для решения задач прогнозирования исполнения государственных контрактов. В ходе применения метода ANOVA к датасету, включающему более 83 тысяч консолидированных записей были получены результаты, подтверждающе значимость для прогнозирования исполнения государственных контрактов ряда категориальных признаков, касающихся отраслевой принадлежности поставщика, его организационно-правовой формы и региону. В тоже время было выявлено, что такие признаки как форма собственности, способ размещения заказа, юридическая категория размера бизнеса поставщика и уровень бюджета не являются статистически значимыми для целей прогнозирования. Полученные результаты могут быть применены исследователями в ходе кластерного анализа, исследовательского анализа данных, при построении ансамбля моделей прогнозирования исполнения государственных контрактов. Полученные результаты расширяют и углубляют существующие подходы в части поиска новых значимых признаков на основе информационных возможностей, содержащихся в государственных информационных системах и других источниках больших данных. Ключевые слова: Госзакупки, мониторинг исполнения контрактов, 44-ФЗ, единая информационная система, оценка рисков, поставщик, реестр недобросовестных поставщиков, признаки модели, оценка поставщиков, финансовые показателиСтатья подготовлена по результатам исследований, выполненных за счет бюджетных средств по государственному заданию Финуниверситета Abstract: The subject of the study is the process of monitoring the execution and assessing the risk of execution of government contracts in the Russian Federation. The research methodology consists of studying statistical data on government procurement in Russia; enriching data from the UIS with additional data from market analysis systems; analyzing the subject area and identifying potentially valuable categorical data that have not been previously studied by other scientists and applying the tools of one-way analysis of variance to these data in order to assess their statistical significance for solving problems of predicting the execution of government contracts. By applying the ANOVA method to a dataset that included more than 83 thousand consolidated records, results were obtained confirming the significance of a number of categorical features relating to the supplier’s industry, its legal form and region for predicting the execution of government contracts. At the same time, it was revealed that such characteristics as form of ownership, method of placing an order, legal category of the size of the supplier’s business and budget level are not statistically significant for forecasting purposes. The results obtained can be used by researchers in the course of cluster analysis, exploratory data analysis, and when constructing an ensemble of models for predicting the execution of government contracts. The results obtained expand and deepen existing approaches in terms of searching for new significant features based on information capabilities contained in government information systems and other big data sources. Keywords: Government procurement, monitoring of contract execution, 44-FZ, unified information system in the field of public procurement, risk assessment, contractor, register of unscrupulous suppliers, model features, supplier assessment, financial indicatorsСтатья подготовлена по результатам исследований, выполненных за счет бюджетных средств по государственному заданию Финуниверситета
Введение Выбранное направление исследования, во-первых, косвенно затрагивает все национальные цели, установленные Указом Президента Российской Федерации от 21.07.2020 г. №474, так как эффективность российской экономики во многом определяется эффективностью её госсектора в силу его высокого удельного веса в ней; во-вторых, непосредственно поддерживает цель «д», заключающуюся в «достижении цифровой зрелости ключевых отраслей экономики и социальной сферы, в том числе здравоохранения и образования, а также государственного управления». Данное исследование является актуальным, так как объемы государственных закупок сопоставимы с доходной частью федерального бюджета. Так, в 2022 году объём государственных закупок превысил объёмы в 12,9 трлн. рублей по 44-ФЗ (Галиева Д. Мал тендер, да дорог. Газета «Коммерсантъ» №1 от 09.01.2023, стр.2) и в 8,1 трлн. рублей по 223-ФЗ. (Объем закупок в B2B-сегменте в 2022 году снизился в РФ на 2% до 33 трлн рублей. Официальный сайт агентства Интерфакс). В рамках сложившейся в России системы государственных закупок существует целый ряд проблем эффективности процессов организации закупок. Юдин Ю.А., Тарабукина Т.В., Облизов А.В. (2023) утверждают, что «в ходе исполнения контракта вся экономия государственных средств может быть потрачена на доработку или исправление нарушений по контракту» [1]. Также нельзя не согласиться с Мельниковым В.В. (2022) в том, что «законодательство о контрактной системе не обеспечивает для экспертного сообщества и заказчиков общего понимания, что такое «эффективность госзакупок» и каковы критерии ее достижения» [2, с. 127] и «произошел идеологический отход от понимания важности эффективности обеспечения нужд к достижению бюджетной экономии при создании равного доступа поставщиков и прозрачности сделок» [там же, с.125]. Следует отметить, что указанная ситуация наблюдаются даже спустя 16 лет после ввода в эксплуатацию ЕИС и накопления огромного объема цифровых данных. Так, доля несостоявшихся и отмененных контрактов в общем количестве извещений за 2022 год составила 33,4% по итогам 2022 года, причем больше половины от указанной цифры приходится на сделки, договора по которым всё же были заключены – 20,5% от общего количества извещений (рассчитано на основе данных Сводного аналитического отчета о результатах мониторинга закупок товаров, работ, услуг для обеспечения государственных и муниципальных нужд, а также закупок товаров, работ, услуг отдельными видами юридических лиц за 2022 г., разработанного Министерством финансов РФ, с.45-46). Хотя проблемы системы госзакупок в России носят комплексный характер, очевидной точкой приложения усилий по оптимизации процессов госзакупок является создание встроенного в ЕИС управляемого данными (data driven) функционала выбора поставщиков и оценки рисков исполнения государственных контрактов. По результатам исследований Стырина Е. М., Родионовой Ю. Д. (2020) «Система предиктивной аналитики отсутствует. На электронных площадках можно выделить только отдельные элементы проактивного предоставления услуг» [3, с.61]. Существующий функционал ЕИС дает возможность заказчику устанавливать систему критериев выбора поставщика в ручном режиме, частично опираясь на действующие законодательные и регуляторные требования. При этом у поставщика в рамках ЕИС до их пор отсутствует как доступ к сырым данным, позволяющим профилировать поставщика, так и к рекомендациям, построенным на основе анализа больших данных. Анализом этих данных занимаются регуляторы – Федеральное казначейство, Федеральная антимонопольная служба, Министерство финансов, Счётная палата и другие органы государственной власти. Результатом такого анализа являются регулярно пересматриваемые нормативы, закрепляемые в законодательстве и обязательные для всех участников госзакупок (если законодательством не предусмотрено иное) (см. рисунок 1).
Рисунок 1. Укрупненная схема процесса регулирования системы госзакупок в России Источник: разработано авторами Недостатками представленной выше модели процесса являются: 1) Длительность и затратность внесения изменений. Изменение нормативов происходит через внесение изменений в нормативно-правовые акты; 2) Нормативы системы госзакупок рассчитываются только на базе показателей, находящихся внутри контура ЕИС, а не на основе доступных государственным органам больших данных; 3) Недостаточно используются технологии анализа данных и машинного обучения (ML). Можно в значительной степени эффективность процессов госзакупок, автоматизировав на базе рекомендательных ML-технологий процедуру оценки и выбора поставщика, или добавив в ЕИС функционал прогнозирования исполнения контракта с определенными параметрами. Для разработки подобного рода моделей ключевой задачей будет являться определение значимых признаков, позволяющих прогнозировать эффективность заключаемого государственного контракта. Объектом исследования являются процессы мониторинга исполнения и оценки риска исполнения государственных контрактов, а предметом исследования – показатели оценки риска исполнения государственных контрактов в Российской Федерации. Целью исследования является выявление показателей (признаков) государственных контрактов, которые могут иметь значимость для прогнозирования их исполнения. Обзор существующих исследований Анализ литературных источников в указанной области показал, что эти проблемы довольно давно привлекают внимание российских и зарубежных ученых. В западных странах нет настолько зарегулированной системы государственных закупок и уровень коррупции может быть меньше, культура выполнения контрактов и исполнения обязательств существенно отличается, поэтому комплексных исследований в ракурсе задачи оценки рисков уже запущенных контрактов нет. Наиболее полное, хотя и устаревшее исследование провел Farzad Khosrowshahi (1999) [4]. В его работе исследовано множество признаков, однако она всецело посвящена анализу исключительно поставщика, а не контракта или признаков процесса осуществления закупки. И данная работа вышла в то время, когда еще не было больших исторических данных. Её результаты лишь частично применимы к российской практике, также как и работа Acheamfour Karikari V., Kissi E., Adjei-Kumi T., Adinyira E. (2020) [5]. Обе работы апеллируют к признакам, для которых автоматизировать сбор и расчет данных, например, репутация компании, опыт персонала и пр. С указанными авторами солидарны и El-Sawalhi N., Eaton D., Rustom R. (2007) [6]. Елисеев Д., Дмитрий Романов Д. (2018) создали достаточно эффективную модель прогнозирования оценки, включающую всего четыре ключевых критерия и хорошо подходящую для российских условий [7]. Созаева Д.А., Гончар К.В. (2022) применяли BI-решения для визуального анализа данных, и не оценивали статистическую значимость признаков для целей прогнозирования исполнения государственных контрактов, указав важность ОКПД 2 как ключевого признака, влияющего на результат исполнения контракта [8]. Также авторы рассмотрели в качестве целевого признака любое досрочное завершение контракта, в то время как в рамках данного исследования авторы решили считать расторжение контракта по соглашению сторон успешным завершением контракта, так как подобных расторжений после 2022 года стало очень много, и они связаны как с трудностями, которые испытывают не только поставщики, но и заказчики. Работы Sanjana P., Basavaraj K., Pranali D, Kashmira P. (2020) [9] и Zedan A. (1996) [10] не содержат принципиальных дополнений к вышеупомянутым авторам, выделяя важность строительных проектов как самых проблематичных с точки зрения эффективности исполнения. В таблице 1 представлены основные исследования в данной области, содержащие перечень наиболее значимых признаков контрактов для прогнозирования их исполнения. Таблица 1. Обзор существующих исследований в области определения ключевых признаков для прогнозирования эффективности исполнения государственных контрактов
Источник: разработано авторами
Цыганова М. С., Чернушенко Д. А., Буреш С. В. (2022) выявили влияние сезонного фактора на эффективность закупок, хотя и не затрагивали напрямую в своей работе вопросы прогнозирования [11]. В настоящем исследовании при выгрузке набора данных это учтено принудительной случайной выборкой по различным годам и месяцам в силу ограничений, наложенных особенностями работы сервера ЕИС в данное время.
Методология исследования В рамках исследования авторы применили подходы исследовательского анализа данных (Exploratory Data Analysis, EDA). Схематично методология исследования представлена на рисунке 2.
Рисунок 2. Этапы исследования Источник: разработано авторами Выгрузка данных производилась с помощью стандартного сервиса выгрузки ЕИС. Данный сервис имеет целый ряд ограничений, касающихся количества выгружаемых контрактов за одну операцию и отсутствия ряда признаков в выгружаемом наборе данных (при их присутствии в инструментах интерфейса поиска и фильтрации контрактов). Выгрузка данных производилась путем повторения аналогичных запросов к ЕИС по различным годам и объединения получаемых выгрузок в один набор данных с добавлением неотображаемого в выгрузке признака вручную. Помимо всех двадцати девяти признаков, доступных в ЕИС для выгрузки по контрактам, в набор данных вручную был добавлен признаки «Статус» и «Причина расторжения», имеющие следующие значения: Значения признака «Статус»: «Исполнение завершено», «Исполнение прекращено». Значения признака «Причина расторжения»: «Нет», «Односторонний отказ заказчика от исполнения контракта в соответствии с гражданским законодательством», «Односторонний отказ поставщика (подрядчика, исполнителя) от исполнения контракта в соответствии с гражданским законодательством», «Соглашение сторон», «Судебный акт». Далее в набор данных был добавлен целевой признак, отражающий наличие или отсутствие проблем с исполнением государственного контракта. Целевому признаку присваивалось значение «1», если признак «Статус» имеет значение «Исполнение прекращено» и при этом признак «Причина расторжения» имеет одно из следующих значений: «Односторонний отказ заказчика от исполнения контракта в соответствии с гражданским законодательством», «Односторонний отказ поставщика (подрядчика, исполнителя) от исполнения контракта в соответствии с гражданским законодательством», «Судебный акт». Соответственно, в случае если контракт завершен нормально, то признак «Статус» имеет значение «Исполнение завершено». Также контракт в рамках исследования считается успешно выполненным, если же признак «Статус» имеет значение «Исполнение прекращено», но причина расторжения не указана или имеет значение «Соглашение сторон». Да данном этапе количество записей в наборе данных составило более 1 миллиона. Уникальным идентификатором контракта является поле «Номер реестровой записи», причем в наборе данных были выявлены некоторые реестровые записи, имеющие около тридцати тысяч строк. Строки с одинаковыми номерами реестровых записей различаются по количеству, цене, стоимости, идентификаторам поставляемой продукции / оказываемых услуг (по сути, по строкам спецификации контракта). С помощью одной VBA-процедуры были найдены и выгружены уникальные значения реестровых записей контрактов., а с помощью другой в набор данных были добавлены производные признаки «Было строк в реестровой записи», «Всего реально поставлено единиц продукции / услуг», «Общая стоимость поставленной продукции». Добавление указанных признаков позволило сжать набор данных до порядка 83 тысяч записей без потери важной информации о контрактах. Выбор VBA в качестве инструмента обработки данных был обусловлен большим объёмом данных. Коды разработанных процедур представлены на рисунках 3 и 4.
Рисунок 3. Код VBA-процедуры нахождения уникальных номеров реестровых записей Источник: разработано авторами
Рисунок 4. Код VBA-процедуры сжатия набора данных по уникальным номерам реестровых записей Источник: разработано авторами Параллельно с обработкой данных стандартными сервисами была осуществлена выгрузка набора данных по компаниям-поставщикам из сервиса «Спарк/Интерфакс» с целью обогащения исходного датасета. Для этого вначале на основе данных компактного исходного датасета средствами MS Excel были найдены уникальные ИНН поставщиков. Сформированный csv-файл был использован в качестве входных данных для выгрузки набора данных из указанного выше сервиса. Полученный набор данных обогатил исходный датасет 135 признаками. В силу большого количества признаков их полный список не приводится в исследовании. Структура добавленных признаков представлена в таблице 2. Таблица 2. Обзор существующих исследований в области определения ключевых признаков для прогнозирования эффективности исполнения государственных контрактов
Источник: разработано авторами Так как финансово-экономические показатели поставщиков уже достаточно хорошо изучены предыдущими авторами (их работы уже были рассмотрены выше), а целью исследования является приращение научного знания, то для поиска новых ценных признаков авторы сосредоточились на анализе значимости категориальных признаков, которые согласно результатам анализа предметной области могут быть полезными при оценке рисков контракта, и в то же время не были ранее рассмотрены другими авторами. В общей сложности в рамках консолидированного набора данных авторами был отобран следующий перечень признаков для дальнейшего анализа:
Далее для выделенных категориальных признаков были построены таблицы сопряжения (сводные таблицы). Её пример для признака «Форма собственности» представлен в таблице 3: Таблица 3. Таблица сопряжения для признака «Форма собственности»
Источник: разработано авторами Обращает на себя внимание большой разброс значений целевого признака по выделенным группам исследуемого признака. Для полученных данных использование критерия хи-квадрат Пирсона нецелесобразно, т.к. получаемые значения критерия будут нереалистичными из-за наличия нулей в выборке и неравномерности частот. В данном случае более правильно использовать точный тест Фишера, однако данный метод плохо оптимизирован для таблиц сопряжения такой размерности, которая требуется в данном исследовании. Необходимость вычисления больших факториалов с учетом огромных частот быстро вызывает ошибку переполнения оперативной памяти. Задача будет решена в рамках дальнейших исследований авторов путем разработки специального численного алгоритма. Так как в целью данной работы является нахождение перечня новых значимых признаков, которые могли бы использоваться в прогнозировании исполнения госконтрактов, было принято решение использовать однофакторный дисперсионный анализ (ANOVA). В таблицах 4 и 5 приведены его результаты для данных, приведённых ранее в таблице 3. Таблица 4. Расчёт средних и дисперсий для групп признака «Форма собственности»
Источник: разработано авторами Таблица 5. Результаты однофакторного дисперсионного анализа признака «Форма собственности»
Источник: разработано авторами По результатам расчета показателей ANOVA можно уже на данном этапе сделать вывод, что данный признак точно не обладает значимостью и не является ценным для прогнозирования исполнения контрактов, так как P-значение больше 0,05. Далее, согласно описанной методологии, метод ANOVA будет применен к остальным выделенным признакам.
Результаты исследования и их обсуждение Автор предлагает применить в разрабатываемом модуле для оценки уровня риска исполнения конкретного контракта ряд показателей, разрабатываемых на основе доступных в государственных информационных системах данных. В таблице 6 представлены результаты применения метода ANOVA к признаку «Первые два знака кода ОКВЭД 2». Таблица 6. Результаты однофакторного дисперсионного анализа признака «Первые два знака кода ОКВЭД 2»
Источник: разработано авторами Таким образом, в рамках исследования было выявлено, что отраслевая принадлежность организации-поставщика имеет важное значение для прогнозирования исполнения государственного контракта (рассчитанное P-значение меньше 0,05). Таблицы сопряжения и расчета средних и дисперсий не приводятся, т.к. количество уникальных старшеразрядных значений ОКВЭД 2, попавших в выборку, составило 84. То же самое решение было принято в отношении признака «Регион поставщика» (см. таблицу 7): Таблица 7. Результаты однофакторного дисперсионного анализа признака «Регион поставщика»
Источник: разработано авторами Данный признак также может являться статистически значимым для прогнозирования целевого признака. Рассмотрим признак «Способ размещения заказа» (таблица 8). Таблица 8. Таблица сопряжения для признака «Способ размещения заказа»
Источник: разработано авторами В таблицах 9 и 10 приведены его результаты для данных, приведённых ранее в таблице 3. Таблица 9. Расчёт средних и дисперсий для групп признака «Способ размещения заказа»
Источник: разработано авторами Таблица 10. Результаты однофакторного дисперсионного анализа признака «Способ размещения заказа»
Источник: разработано авторами По результатам расчета показателей ANOVA можно сделать вывод, что данный признак не обладает значимостью и не является ценным для прогнозирования исполнения контрактов, так как имеет P-значение 0,1144. Далее проанализируем признак «Размер компании» (см. таблицу 11). Таблица 11. Таблица сопряжения для признака «Размер компании»
Источник: разработано авторами В таблицах 12 и 13 приведены его результаты для данных, приведённых в таблице 11. Таблица 12. Расчёт средних и дисперсий для групп признака «Размер компании»
Источник: разработано авторами Таблица 13. Результаты однофакторного дисперсионного анализа признака «Размер компании»
Источник: разработано авторами По результатам расчета показателей ANOVA можно сделать вывод, что данный признак «Размер компании» абсолютно не обладает значимостью и не является ценным для прогнозирования исполнения контрактов, так как имеет большое P-значение, равное 0,71. Исследуемый набор данных содержит порядка 51 варианта организационно-правовых форм поставщиков. Наибольшие частоты значений признака представлены в таблице 14. Таблица 14. Частоты значений признака «Организационно-правовая форма поставщика»
Источник: разработано авторами В таблице 15 представлены результаты однофакторного дисперсионного анализа значений признака «Организационно-правовая форма поставщика». Таблица 15. Результаты однофакторного дисперсионного анализа признака «Организационно-правовая форма поставщика»
Источник: разработано авторами По результатам расчета показателей ANOVA можно сделать вывод о потенциальность значимости признака «Организационно-правовая форма поставщика» для прогнозирования исполнения контрактов, так как P-значение равно чрезвычайно малой величине. Рассмотрим признак «Уровень бюджета» (таблица 16). Таблица 16. Таблица сопряжения для признака «Уровень бюджета»
Источник: разработано авторами В таблицах 17 и 18 приведены его результаты для данных, приведённых выше. Таблица 17. Расчёт средних и дисперсий для групп признака «Уровень бюджета».
Источник: разработано авторами Таблица 18. Результаты однофакторного дисперсионного анализа признака «Уровень бюджета»
Источник: разработано авторами По результатам расчета показателей ANOVA можно сделать вывод, что данный признак не обладает значимостью и не является ценным для прогнозирования исполнения контрактов, так как имеет P-значение, значительно большее чем 0,05.
Выводы Таким образом, по результатам применения метода ANOVA были сделаны выводы о потенциальной ценности для целей прогнозирования исполнения государственных контрактов следующих признаков: - «Организационно-правовая форма поставщика» - «Регион поставщика»; - «Первые два знака кода ОКВЭД 2»; Не являются статистически значимыми указанные признаки: - «Форма собственности поставщика»; - «Размер компании-поставщика» - «Уровень бюджета»; - «Способ размещения заказа». Полученные результаты могут быть применены исследователями в ходе кластерного анализа, исследовательского анализа данных, при построении ансамбля моделей прогнозирования исполнения государственных контрактов. Практическая значимость исследования обеспечивается сложностью и комплексностью задачи прогнозирования государственных контрактов, большим объёмом сформированной выборки. Выводы не противоречат результатам исследований других отечественных и зарубежных авторов, однако расширяют и углубляют существующие подходы в части поиска новых значимых признаков на основе информационных возможностей, содержащихся в государственных информационных системах и других источниках больших данных. В дальнейших планах авторов - расширение объёма набора данных, продолжение и углубление исследовательского анализа данных, построение надежных ML-моделей. Библиография
1. Тихомиров П. А. Реестр недобросовестных поставщиков: требуется совершенствование // Российское конкурентное право и экономика. 2020. №4. С. 70-83.
2. Юдин А. А., Тарабукина Т. В. Мониторинг, аудит и контроль в контрактной системе закупок // Московский экономический журнал. 2022. №1. С. 408-418. 3. Стырин Е. М., Родионова Ю. Д. Единая информационная система в сфере закупок как государственная цифровая платформа: современное состояние и перспективы // Вопросы государственного и муниципального управления. 2020. №3. С. 49-70. 4. Khosrowshahi F.. Neural network model for contractors’ prequalification for local authority projects // Engineering, Construction and Architectural Management. 1999. №6 Pp. 315–328. 5. Елисеев Д. А., Романов Д. А. Машинное обучение: прогнозирование рисков госзакупок // Открытые системы. СУБД. 2018. № 2. С. 42-44. 6. Acheamfour, V. K., Kissi E., Adjei-Kumi T., Adinyira E. Review of empirical arguments on contractor pre-qualification criteria // Journal of Engineering, Design and Technology. 2020. № 18(1), Pp. 70-83. 7. Sanjana P., Basavaraj K., Pranali D, Kashmira P. Review of Contractor Prequalification Criteria and their Impact on Project Success Factors // International Journal of Research in Engineering, Science and Management. 2020. №3(7). Pp. 298-302. 8. Созаева Д.А., Гончар К.В. Исследование рисков расторжения контрактов, заключенных по результатам госзакупок // Проблемы анализа риска. 2022. №3. С. 74-85. 9. El-Sawalhi N., Eaton D., Rustom R. Contractor pre-qualification model: State-of-the-art // International Journal of Project Management. 2007. №25. Pp. 465–474. 10. Zedan A. Сontractor selection using multiattrlbute utility theory. Doctor of Philosophy Thesis. UK, Salford: University of Salford, 1996. 11. Цыганова М. С., Чернушенко Д. А., Буреш С. В. Система прогнозирования участников государственных закупок по федеральным законам № 44-ФЗ и № 223-ФЗ // Вестник Череповецкого государственного университета. 2022. № 3 (108). С. 61-76. References
1. Tikhomirov, P. A. (2020). Register of unscrupulous suppliers: improvement is required. Russian competitive law and economics, 4, 70–83.
2. Yudin, A. A., & Tarabukina, T. V. (2022). Monitoring, audit and control in the contract procurement system. Moscow Economic Journal, 1, 408–418. 3. Styrin, E. M., Rodionova, Yu. D. (2020). Unified information system in the field of procurement as a state digital platform: current state and prospects. Issues of state and municipal management, 3, 49–70. 4. Khosrowshahi, F. (1999). Neural network model for contractors’ prequalification for local authority projects. Engineering, Construction and Architectural Management, 6, 315–328. 5. Eliseev, D. A., Romanov, D. A. (2018). Machine learning: forecasting risks of government procurement. Open Systems. DBMS, 2, 42–44. 6. Acheamfour, V. K., Kissi, E., Adjei-Kumi, T., & Adinyira, E. (2020). Review of empirical arguments on contractor pre-qualification criteria. Journal of Engineering, Design and Technology, 18, 70–83. 7. Sanjana, P., Basavaraj, K., Pranali, D., Kashmira, P. (2020). Review of Contractor Prequalification Criteria and their Impact on Project Success Factors. International Journal of Research in Engineering, Science and Management, 3, 298–302. 8. Sozaeva D.A., Gonchar K.V. (2022). Study of the risks of termination of contracts concluded as a result of public procurement. Problems of risk analysis, 3, 74–85. 9. El-Sawalhi, N., Eaton, D., Rustom, R. (2007). Contractor pre-qualification model: State-of-the-art. International Journal of Project Management, 25, 465–474. 10. Zedan, A. (1996). Contractor selection using multiattrlbute utility theory [DX Reader version]. Retrieved from http://usir.salford.ac.uk/id/eprint/14813/1/DX197696.pdf 11. Tsyganova, M. S., Chernushenko, D. A., Buresh, S. V. (2022). System for forecasting participants in public procurement according to federal laws No. 44-FZ and No. 223-FZ. Bulletin of Cherepovets State University, 3, 61–76.
Результаты процедуры рецензирования статьи
В связи с политикой двойного слепого рецензирования личность рецензента не раскрывается.
Методология исследования базируется на изложении общеизвестных фактов, их частичной систематизации, анализе и синтезе. Очень ценно, что в тексте присутствуют графические объекты. Это формирует положительное впечатление от ознакомления с научной статьей. При этом, на схеме, отображенной на рисунке 1, следует указать связи между всеми прямоугольниками. При доработке автору также рекомендуется обратить внимание на методы обработки числовых данных, позволяющих наглядно продемонстрировать применение приведённых показателей на практике. Актуальность исследования вопросов, связанных оценкой риска исполнения государственных контрактов, не вызывает сомнения, т.к. это отвечает тактическим и стратегическим целям социально-экономического развития Российской Федерации. Особенно актуальны поднимаемые вопросы в контексте достижения поставленных целей в Указе Президента России от 21 июля 2020 года. Было бы хорошо показать данную увязку в тексте: это бы значительно расширило потенциальную читательскую аудиторию. Научная новизна в представленном на рецензировании тексте частично присутствует, если эти подходы являются авторскими (к сожалению, под графическими объектами источник не указан: если заимствован, но надо указать ссылку, если авторское, то соответствующую подпись): например, в схеме, отображенной на рисунке 1, автор приводит высокоуровневое описание процессов мониторинга поставщиков и исполнения государственных контрактов. Также интерес представляет и таблица 1, но она требует доработки: рекомендуется разделить столбец 2 на два самостоятельных столбца: критерий, способ расчёта. Стиль, структура, содержание. С точки зрения отсутствия просторечных высказываний, стиль изложения является научным. Структура статьи автором строго выстроена, позволяет глубоко раскрыть содержание рассматриваемых вопросов, но автор этой возможностью не воспользовался. С содержательной точки зрения статья требует корректировки, т.к. по сути в качестве результатов исследования заявлены алгоритмы расчёта показателей мониторинга государственных контрактов, но откуда они появились? Как они связаны с предыдущим текстом? В чём значение каждого из указанных показателей? Что нового в их вычислении предлагает автор? Ответы на эти вопросы было бы интересно получить из текста статьи представителям потенциальной читательской аудитории. Библиография. Сформированный автором библиографический список включает 10 источников, преимущественно опубликованных в 2020 году или ранее. Автору рекомендуется расширить перечень источников за счёт включения актуальных публикаций 2023 года и увеличения числа трудов 2022 года. Более того, обращает на себя внимание неединообразный подход к оформлению перечня источников. Также автору рекомендуется дополнить перечнем электронных источников, в том числе содержащих числовые статистические данные. Апелляция к оппонентам. Несмотря на сформированный список источников и цитирование отдельных фрагментов из них в тексте, какой-либо дискуссии не было выстроено вовсе. Автору рекомендуется при доработке статьи обсудить выявленные проблемы и разработанные рекомендации по их решению с теми, что отображены в научных трудах других учёных. Выводы, интерес читательской аудитории. С учётом всего вышеизложенного, статья требует доработки, после проведения которой может быть рассмотрен вопрос о возможности её опубликования. Принимая во внимание актуальность выбранной темы исследования и при условии наполнения конкретными числовыми примерами, обоснованными проблемами и аргументированными рекомендациями по их решению
Результаты процедуры повторного рецензирования статьи
В связи с политикой двойного слепого рецензирования личность рецензента не раскрывается.
Методология исследования базируется на обработке статистических данных об исполнении государственных контрактов с использование методов анализа больших данных, машинного обучения и искусственного интеллекта. Актуальность работы авторы справедливо связывают с тем, что эффективность российской экономики во многом определяется эффективностью её госсектора в силу того, что объемы государственных закупок сопоставимы с доходной частью федерального бюджета. Научная новизна рецензируемого исследования, по мнению рецензента, состоит в выявлении признаков государственных контрактов, которые могут иметь значимость для прогнозирования их исполнения: «Организационно-правовая форма поставщика», «Регион поставщика», «Первые два знака кода ОКВЭД 2». В статье структурно выделены следующие разделы: Введение, Обзор существующих исследований, Методология исследования, Результаты исследования и их обсуждение, Выводы и Библиография. Библиографический список включает 11 источников – публикации отечественных и зарубежных ученых по теме статьи, на которые в тексте имеются адресные ссылки, подтверждающие наличие апелляции к оппонентам. Авторы отмечают, что в рамках сложившейся в нашей стране системы государственных закупок существует немало проблем в их организации. В статье приведена укрупненная схема процесса регулирования системы госзакупок в России, дан обзор зарубежных и отечественных литературных источников в указанной области, схематично представлена методология исследования с выделением основных его этапов; описаны процессы выгрузки данных, их предобработки и обогащения; дана характеристика полученного датасета с отражением количества наблюдений и изучаемых признаков; приведены примеры были построенных таблиц сопряжения для выделенных категориальных признаков; обоснована целесообразность применения однофакторного дисперсионного анализ, показаны его результаты, сделаны выводы о признаках, которые являются важными для успешности госзакупок и тех характеристиках, которые не оказывают существенного влияния на исполнение контрактов. В качестве замечания следует отметить, что раздел «Результаты исследования и их обсуждение» содержит 13 таблиц, отражающих результаты проделанной авторами работы, однако обсуждению и интерпретации полученных новых сведений и знаний уделено значительно меньшее внимание. Да и общее количество иллюстраций – 18 таблиц и 2 рисунка представляется излишним для одной журнальной статьи, поскольку содержательные выводы по ним умещаются в несколько строк, соответственно развернутое описание промежуточных результатов явно превалирует над изложением окончательных итогов исследования. Статья отражает результаты проведенного авторами исследования, соответствует направлению журнала «Вопросы безопасности», содержит элементы научной новизны и практической значимости, может вызвать интерес у читателей, рекомендуется к опубликованию с учетов высказанных замечаний и пожеланий. |
© 1998 – 2024 Nota Bene. Publishing Technologies. NB-Media Ltd.
