Модель выявления признаков картельного сговора на zakupki.gov.ru

О сервисе

# Детектор картельных рисков в госзакупках ## Быстрый старт 1. Положите CSV-выгрузки из ЕИС в папку data/ 2. Запустите: python run.py 3. Откройте отчёт: results/report.html Требования: Python 3.9+, установить зависимости: pip install pandas scikit-learn networkx joblib ## Формат входных данных Скрипт ожидает CSV с разделителем ; и кодировкой cp1251 . Обязательные столбцы: - Заказчик: наименование - Заказчик: ИНН - Заказчик: КПП - Способ размещения заказа - Дата подведения результатов определения поставщика (подрядчика, исполнителя) - Контракт: дата - Контракт: номер - Предмет контракта - Цена контракта - Идентификационный код закупки (ИКЗ) - Объект закупки: код позиции - Информация о поставщиках (исполнителях, подрядчиках) по контракту: наименование юридического лица (ф.и.о. физического лица) - Информация о поставщиках (исполнителях, подрядчиках) по контракту: ИНН - Информация о поставщиках (исполнителях, подрядчиках) по контракту: КПП ## Настройка exclusion_config.json Файл exclusion_config.json позволяет исключать закупки по предмету контракта до расчёта рисков. Поля: - match_field — поле для проверки (обычно subject ) - excluded_subjects — список правил - pattern — строка или регулярное выражение - match : - substring_ci — нечувствительный к регистру поиск подстроки - regex_ci — нечувствительное к регистру регулярное выражение - reason — пояснение причины исключения (для сопровождения) Когда добавлять исключения: - если категория закупок относится к естественным или регулируемым монополиям; - если поведение поставщиков в этой категории заранее структурно ограничено и может давать ложные срабатывания. Если файла exclusion_config.json нет, анализ продолжается без фильтрации. ## Как работает модель Кратко: 1. Из закупок строится граф связей поставщиков через общих заказчиков. 2. В графе выделяются кластеры (сообщества поставщиков). 3. По каждому кластеру считаются признаки конкурентного поведения. 4. Модель Isolation Forest оценивает нетипичность кластера. 5. Формируются results/anomaly_report.json и results/report.html . Модель обучена на выборке закупок. Anomaly score < 0 — кластер требует проверки в приоритетном порядке. ## Для разработчиков: переобучение Модель model.pkl ) — scikit-learn Pipeline: StandardScaler + IsolationForest . Для переобучения на своих данных подготовьте датафрейм с теми же признаками (см. СЕКЦИЯ 2 в run.py ) и выполните: ```python import joblib from sklearn.pipeline import Pipeline from sklearn.preprocessing import StandardScaler from sklearn.ensemble import IsolationForest pipeline = Pipeline([ ('scaler', StandardScaler()), ('model', IsolationForest(contamination=0.1, random_state=42)) ]) pipeline.fit (features_df) joblib.dump(pipeline, 'model.pkl') ``` ## Интерпретация отчёта - Anomaly score — числовая оценка нетипичности кластера для модели. Чем ниже, тем менее типичен кластер. - HHI — насколько контракты кластера сосредоточены у небольшого числа заказчиков. - Индекс чередования — насколько часто победы «переключаются» между поставщиками внутри пары/кластера. - Временное окно — период между первым и последним контрактом в примерах кластера. Узкое окно может указывать на концентрированную активность. Важно: отчёт не доказывает сговор автоматически, а помогает определить, что нужно проверить вручную в первую очередь. Источник: https://qubu.ai/models/model-vyyavleniya-priznakov-kartelnogo-sgovora-na-zakupki-gov-ru License: MIT