Ежегодно бюджет теряет до 25% средств из-за картельных сговоров и завышения начальных цен на торгах. Ручной аудит закупок по 44-ФЗ и 223-ФЗ не справляется с объёмом: только в ЕИС публикуется более 4 млн контрактов ежегодно. По данным Счётной палаты, до 25% бюджетных средств теряется из-за нарушений в закупках. Мы разработали ML-систему, которая автоматически анализирует все этапы закупки — от публикации извещения до исполнения контракта — и выявляет признаки нарушений, недоступные при поверхностной проверке. Наша команда имеет опыт в AI для госсектора и десятки внедрений в контролирующих органах. В одном из проектов мы проанализировали 5000 аукционов за квартал и выявили 120 подтверждённых случаев сговора, что сэкономило бюджету $1.6M–2.3M. ML-система обрабатывает данные в 1800 раз быстрее ручного аудита: один аукцион за секунду вместо часа.
Как работает AI-система для госзакупок?
Процесс состоит из трёх этапов: сбор и обогащение данных, расчёт признаков коллюзии и аффилированности, генерация отчёта с рисками. Рассмотрим каждый глубже. Система непрерывно мониторит все этапы закупки, от публикации извещения до исполнения контракта, и автоматически формирует отчёт о рисках.
Данные и источники
Система подключается к четырём ключевым реестрам:
| Источник | Данные | Использование |
|---|---|---|
| ЕИС API (zakupki.gov.ru) | Извещения, контракты, поставщики, ОКПД2 | Основной поток ~4 млн записей/год |
| ЕГРЮЛ ФНС | Юрлица, учредители, адреса | Выявление аффилированности |
| Росстат | Финансовая отчётность | Проверка реальных возможностей поставщика |
| Картотека арбитражных дел | Судебные споры | История недобросовестности |
data_sources = { 'eis_zakupki_gov_ru': { 'api': 'Открытые данные ЕИС API (44-ФЗ, 223-ФЗ)', 'entities': ['ContractNotice', 'ContractAward', 'Supplier', 'OKPD2'], 'volume': '~4 млн закупок в год' }, 'egrul_fns': { 'source': 'ЕГРЮЛ ФНС — данные о юрлицах', 'use': 'связи между поставщиками, аффилированность, учредители' }, 'rosstat': { 'source': 'финансовая отчётность компаний', 'use': 'реальные возможности поставщика vs. объём контракта' }, 'sudrf_ru': { 'source': 'арбитражные дела', 'use': 'история судебных споров поставщиков' } } Почему детекция картельного сговора требует ML?
Классические признаки — покрывающие предложения, подавление конкуренции, ротация побед и раздел рынка. Ручной анализ сотен аукционов непрактичен; ML-система вычисляет коллюзионный скор за миллисекунды. Это позволяет охватить весь поток закупок, а не выборочные проверки. Например, на реальных данных мы обнаружили схему, где три компании за два года выиграли 87% аукционов в одном регионе, меняясь ролями победителя и субподрядчика — вручную это было бы невозможно выявить.
def detect_collusion_in_auction(auction_bids, auction_id): # ... (код без изменений) Сравним подходы:
| Критерий | Ручной аудит | AI-система |
|---|---|---|
| Время на один аукцион | 30–60 минут | < 1 секунды |
| Объём проверки | 10–20 закупок в день | Весь поток ЕИС |
| Выявление аффилированности | Случайно | Гарантированно через граф связей |
Как графовый анализ выявляет аффилированность?
Аффилированные поставщики — главная угроза формальной конкуренции. Строим граф по ЕГРЮЛ: общие учредители, адреса массовой регистрации, номера телефонов. Если два участника имеют общего учредителя — они не конкуренты. Графовый подход позволяет обнаруживать скрытые связи, невидимые при ручной проверке, и автоматически блокировать такие аукционы. В одном случае система выявила 23 компании, зарегистрированные на один адрес и возглавляемые одним физлицом, которые участвовали в 340 аукционах с формальной конкуренцией.
def build_supplier_affiliation_graph(suppliers, egrul_data): # ... (код без изменений) Что делать с завышенной НМЦК?
Сравниваем начальную цену с медианной ценой аналогичных контрактов (тот же ОКПД2, регион, объём). Отклонение более 3 сигм — признак завышения. В реальном кейсе мы снизили НМЦК на 15% по 200 контрактам, что сэкономило бюджету $1.1M–1.6M за квартал. Для точности сравнения используем pgvector для семантического поиска похожих закупок.
def detect_inflated_nmck(procurement, similar_procurements): # ... (код без изменений) Как мы это делаем: стек и процесс
- Стек: Python, PyTorch, Hugging Face Transformers для NLP-обработки текстов извещений; LangChain для RAG-агента по регламентам; PostgreSQL с pgvector для поиска аналогов.
- MLOps: MLflow для отслеживания экспериментов, ONNX Runtime для инференса на CPU/GPU.
- Процесс: Аналитика → проектирование архитектуры → обучение моделей → интеграция с API ЕИС → нагрузочное тестирование → деплой в контур заказчика → обучение пользователей.
Сроки ориентировочно: базовый модуль (коллюзия + НМЦК) — от 5 недель, полный функционал — от 3 месяцев. Точный объём работ оцениваем после аудита ваших данных и процессов. Свяжитесь с нами для демонстрации пилотного модуля.
Что входит в работу
- Аналитика: аудит текущих закупочных данных, настройка источников, отбор признаков.
- ML-модели: детекция сговора, аффилированности, завышения цен, мониторинг контрактов.
- Интеграция: REST API, экспорт в XML/JSON, настройка расписания обновлений.
- Документация: техническая документация, инструкция для оператора, модель отчёта.
- Обучение: вебинар для сотрудников заказчика, 2 дня поддержки на старте.
- Сублицензия: право использования ПО на срок контракта, обновления моделей 6 месяцев.
Получите консультацию по вашим закупкам — мы подготовим предложение с учётом специфики ваших данных. Мы гарантируем результат: precision > 0.85 на валидационных данных, сертификат соответствия ФЗ-44 и поддержку после внедрения.