Прогнозирование вероятности незакрытия торгов по государственной закупке лекарственных препаратов

Обложка

Цитировать

Полный текст

Открытый доступ Открытый доступ
Доступ закрыт Доступ предоставлен
Доступ закрыт Только для подписчиков

Аннотация

Качество и своевременность лекарственного снабжения системы здравоохранения посредством проведения государственных закупок является актуальной задачей государственной политики во всех странах мира, включая Россию. Незакрытие (срыв торгов, расторжение уже заключенных контрактов) закупочных процедур в такой социально значимой сфере несет риски для населения, провоцирует возникновение скрытых транзакционных затрат для бюджетной системы, связанных с устранением последствий неудач в закупках. Авторский коллектив в предыдущих работах выявил факторы, которые приводят к незакрытию торгов по закупке лекарственных препаратов и первично оценил последствия их влияния на процедуры закупок. Цель же данной статьи — отталкиваясь от полученных результатов, представить математическую модель вероятности незакрытия торгов. Для достижения поставленной цели путем обработки более 1 млн извещений о государственных закупках лекарственных препаратов за 2022–2023 гг., собранных из открытых источников, выполнены задачи, методологически не решенные до настоящего времени. Так, составлен набор признаков, сопутствующих незакрытию процедур по закупке лекарственных препаратов; проанализирован состав выделенных признаков, оценено их влияние на факт незакрытия процедуры; построена модель вероятности незакрытия процедуры; проанализированы результаты. В отличие от ранее опубликованных исследований прогнозная модель реализована на ансамблях деревьев решений способом градиентного бустинга. Это позволило существенно повысить качество прогноза по каждому фактору, влияющему на вероятность незакрытия торгов. Полученные в статье результаты обладают не только научной новизной, но и могут быть использованы органами регулирования и контроля в сфере государственных закупок для выработки методических рекомендаций заказчикам, направленных на установление оптимальных условий заключения и исполнения контрактов, что приведет к снижению рисков закупок и ущерба для государственного бюджета.

Полный текст

Доступ закрыт

Об авторах

А. И. Денисова

Государственный университет управления

Автор, ответственный за переписку.
Email: a.i.denisova@inbox.ru
Россия, Москва

Д. А. Созаева

Государственный университет управления

Email: dasozaeva@gmail.com
Россия, Москва

К. В. Гончар

Государственный университет управления

Email: goncharkv@gmail.com
Россия, Москва

Г. А. Александров

УЦ «ПРОГОСЗАКАЗ.РФ»

Email: grishaalexx@gmail.com
Россия, Омск

Список литературы

  1. Гришин А. А., Строев С. П. (2020). Инструментарий и особенности решения задачи классификации в системах кредитного скоринга // Continuum. Математика. Информатика. Образование. № 1 (17). С. 51–59. doi: 10.24888/2500-1957-2020-17-1-51-59 [Grishin A. A., Stroev S. P. (2020). Tools and features of solving the classification problem in credit scoring systems. Continuum. Maths. Informatics. Education, 1 (17), 51–59. doi: 10.24888/2500-1957-2020-17-1-51-59 (in Russian).]
  2. Денисова А. И. (2017). Моделирование рисков лицензируемых товарных рынков российской Федерации // Научные труды Вольного экономического общества России. Т. 206. № 4. С. 133–145. [Denisova A. I. (2017). Risk modeling in the licensed commodity markets of the Russian Federation. Scientific Works of the Free Economic Society of Russia, 206, 4, 133–145 (in Russian).]
  3. Денисова А. И., Созаева Д. А., Гончар К. В., Александров Г. А. (2023). Совершенствование методологии оценки экономической эффективности государственных закупок лекарственных средств // Финансовый журнал. Т. 15. № 4. С. 63–81. doi: 10.31107/2075-1990-2023-4-63-81 [Denisova A. I., Sozaeva D. A., Gonchar K. V., Aleksandrov G. A. (2023). Improving the methodology for assessing the economic efficiency of public procurement of medicines. Financial Journal, 15 (4), 63–81. doi: 10.31107/2075-1990-2023-4-63-81 (in Russian).]
  4. Денисова А. И., Созаева Д. А., Гончар К. В., Александров Г. А. (2024). Анализ факторов незакрытия торгов по госзакупкам лекарственных препаратов // Проблемы прогнозирования. № 1 (202). С. 178–191. doi: 10.47711/0868-6351-203-178-191 [Denisova A. I., Sozaeva D. A., Gonchar K. V., Aleksandrov G. A. (2024). Analysis of factors of failure of public procurement of medicines. Studies on Russian Economic Development, 1 (202), 178– 191. doi: 10.47711/0868-6351-203-178-191 (in Russian).]
  5. Лычков И. И., Гончар К. В., Созаева Д. А. (2023). Консерватизм, мобильность, изоляция: подход к исследованию поведения агентов рынка государственных закупок // Экономика и математические методы. Т. 59. № 4. С. 45–57. doi: 10.31857/S042473880026993-1 [Lychkov I. I., Gonchar K. V., Sozaeva D. A. (2023). Conservatism, mobility, isolation: Approach to study of agents’ behavior in the public procurement market. Economics and Mathematical Methods, 59, 4, 45–57. doi: 10.31857/S042473880026993-1 (in Russian).]
  6. Моргунов А. В. (2016). Моделирование вероятности дефолта инвестиционных проектов // Корпоративные финансы. Т. 10. № 1 (37). С. 23–45. [Morgunov A. V. (2016). Modeling the probability of default of the investment projects. Journal of Corporate Finance Research, 10, 1 (37), 23–45 (in Russian).]
  7. Федоренко И. Н., Михайлова В. В. (2015). Контроль и оптимизация как основа повышения эффективности расходования бюджетных средств в системе государственных закупок // Инновационная наука. № 12-1. С. 311–314. [Fedorenko I. N., Mikhailova V. V. (2015). Control and optimization as a basis for improving the efficiency of budget spending in the public procurement system. Innovative Science, 12–1, 311–314 (in Russian).]
  8. Adler A. I., Painsky A. (2022). Feature importance in gradient boosting trees with cross-validation feature selection. Entropy, 24, 687. doi: 10.3390/e24050687
  9. Bentéjac C., Csörgo A., Martínez-Muñoz G. (2019). A comparative analysis of gradient boosting algorithms. Artificial Intelligence Review, 54, 1937–1967.
  10. Blaťák J. (2016). Reduction of the risk in public procurement by using design-build as a means for suitable constructing. Stavební Obzor — Civil Engineering Journal, 25 (2). doi: 10.14311/CEJ.2016.02.0007
  11. Brink H., Richards J., Fetherolf M. (2016). Real-world machine learning. 1st ed. N.Y.: Manning. 264 p. [Бринк Х., Ричардс Дж., Феверолф М. (2017). Машинное обучение. СПб.: Питер. 336 с. (на русс. языке)].
  12. Dorogush A. V., Ershov V., Gulin A. (2018). CatBoost: Gradient boosting with categorical features support. ArXiv, abs/1810.11363
  13. Dyer A. S., Zaengle D., Nelson J. R., Duran R., Wenzlick M., Wingo P. C. et al. (2022). Applied machine learning model comparison: Predicting offshore platform integrity with gradient boosting algorithms and neural networks. Marine Structures, 83. doi: 10.1016/j.marstruc.2021.103152
  14. Fazekas M., Tóth I. J., King L. P. (2016). An objective corruption risk index using public procurement data. The European Journal on Criminal Policy and Research, 22, 369–397. doi: 10.1007/s10610-016-9308-z
  15. Hamzah N., Perera P. N., Rannan-Eliya R.P. (2020). How well does Malaysia achieve value for money in public sector purchasing of medicines? Evidence from medicines procurement prices from 2010 to 2014. BMC Health Services Research, 20, 509. doi: 10.1186/s12913-020-05362-8
  16. Jun M. (2021). A comparison of a gradient boosting decision tree, random forests, and artificial neural networks to model urban land use changes: The case of the Seoul metropolitan area. International Journal of Geographical Information Science, 35, 2149–2167.
  17. Lundberg S. M., Erion G. G., Lee S. (2018). Consistent individualized feature attribution for tree ensembles. ArXiv: abs/1802.03888
  18. Natekin A., Knoll A. (2013). Gradient boosting machines, a tutorial. Front. Neurorobotics, 7 (21). doi: 10.3389/fnbot.2013.00021
  19. Sales L. (2013). Risk prevention of public procurement in the Brazilian government using credit scoring. 2013 OBEGEF — Observatório de Economia e Gestão de Fraude. Paper in the International Conference Interdisciplinary Insights on Fraud and Corruption. Working Papers, 19. 27 p.
  20. Sudakov O., Burnaev E., Koroteev D. (2019). Driving digital rock towards machine learning: Predicting permeability with gradient boosting and deep neural networks. Computers & Geosciences, 127, 91–98. doi: 10.1016/j.cageo.2019.02.002
  21. Sulaeman S., Benidris M., Mitra J. Singh C. (2017). A wind farm reliability model considering both wind variability and turbine forced outages. 2017 IEEE Power & Energy Society General Meeting. Chicago (IL), USA, 1–1. doi: 10.1109/PESGM.2017.8274250
  22. Velasco R. B., Carpanese I., Interian R., Paulo Neto O. C.G., Ribeiro C. C. (2021). A decision support system for fraud detection in public procurement. International Transactions in Operational Research, 28, 27–47. doi: 10.1111/itor.12811
  23. Wang B., Liu Y., Sun X. et al. (2021) Prediction model and assessment of probability of incident hypertension: The rural Chinese cohort study. Journal of Human Hypertension, 35, 74–84. doi: 10.1038/s41371-020-0314-8

Дополнительные файлы

Доп. файлы
Действие
1. JATS XML
Скачать
2. Рис. 1. Наиболее значимые факторы, влияющие на незакрытие торгов

Скачать (117KB)
Метаданные
3. Рис. 2. SHAP-значения наиболее значимых факторов незакрытия торгов11

Скачать (151KB)
Метаданные

© Российская академия наук, 2024