МНОГОКОНТУРНЫЙ СТАДИЙНЫЙ ПРОФИЛЬ СИГНАЛОВ ЗАКУПОЧНОГО РИСКА: МЕТОДИКА ПРИОРИТИЗАЦИИ ПРОВЕРКИ ПРИ НЕПОЛНЫХ ДАННЫХ
Статья поступила в редакцию: 21.06.2026
Статья принята к публикации: 18.08.2026
Статья опубликована: 25.08.2026
Ключевые слова:
государственные закупки, сигналы закупочного риска, стадийный профиль, составной показатель, экономическая материальность, временная критичность, полнота данных, неполные данные, анализ чувствительности.Аннотация
В статье решается задача приоритизации содержательной проверки закупочных эпизодов при разнородных сигналах и неполных данных. Показано, что простое суммирование признаков или их свертка в единый непрозрачный индекс смешивает интенсивность сигналов, экономическую материальность, временную критичность и информационное покрытие, а также может скрывать выраженные отклонения на отдельных стадиях закупочного цикла. Цель исследования состоит в разработке многоконтурного стадийного профиля, сохраняющего функциональную раздельность этих характеристик. Методика основана на раздельном кодировании применимости и наблюдаемости индикаторов, установлении минимальной информационной достаточности, расчете стадийной интенсивности и полноты, а также совместном использовании средней и локально максимальной интенсивности. Вспомогательная очередь проверки формируется только после контроля полноты и не интерпретируется как вероятность нарушения или основание автоматического решения. На агрегированных данных десяти синтетических сценариев независимо воспроизведены базовые показатели и два ранговых сравнения. Установлено, что переход от средней интенсивности к локальному максимуму и перераспределение сценарных весов изменяют состав приоритетной группы. Полученные результаты подтверждают арифметическую и логическую реализуемость методики, но не доказывают ее диагностическую точность, эмпирическую калибровку или экономическую эффективность.
Информация о публикации
Финансирование: Исследование выполнено без привлечения внешнего финансирования, если иное не указано авторами.
Вклад авторов: Все авторы внесли существенный вклад в подготовку статьи, ознакомились с окончательной версией рукописи и одобрили ее к публикации.
Конфликт интересов: Авторы заявляют об отсутствии конфликта интересов, если иное не указано в публикации.
Правообладатель: Издательский дом «Академический».
Лицензия: Статья распространяется на условиях лицензии Creative Commons Attribution 4.0 International (CC BY 4.0).
Машиночитаемый файл метаданных: JATS XML
Список литературы
Salazar Camila. Red Flags in Public Procurement: A Guide to Using Data to Detect and Mitigate Risks. Open Contracting Partnership, 2024. 100 p. [Электронный ресурс]. URL: https://www.open-contracting.org/wp-content/uploads/2024/12/OCP2024-RedFlagProcurement-1.pdf (дата обращения: 18.06.2026).
Gnaldi M., Del Sarto S. Measuring Corruption Risk in Public Procurement over Emergency Periods // Social Indicators Research. 2024. Vol. 172. No. 3. P. 859-877. DOI: 10.1007/s11205-024-03331-w EDN: VOQRUY.
Decarolis F., Giorgiantonio C. Corruption Red Flags in Public Procurement: New Evidence from Italian Calls for Tenders // EPJ Data Science. 2022. Vol. 11. DOI: 10.1140/epjds/s13688-022-00325-x EDN: PQWJMJ.
Ferwerda J., Deleanu I., Unger B. Corruption in Public Procurement: Finding the Right Indicators // European Journal on Criminal Policy and Research. 2017. Vol. 23. No. 2. P. 245-267. DOI: 10.1007/s10610-016-9312-3 EDN: YHIQON.
Fazekas M., Kocsis G. Uncovering High-Level Corruption: Cross-National Objective Corruption Risk Indicators Using Public Procurement Data // British Journal of Political Science. 2020. Vol. 50. No. 1. P. 155-164. DOI: 10.1017/S0007123417000461.
OECD, European Union, European Commission, Joint Research Centre. Handbook on Constructing Composite Indicators: Methodology and User Guide. Paris: OECD Publishing, 2008. DOI: 10.1787/9789264043466-en.
Becker W., Saisana M., Paruolo P., Vandecasteele I. Weights and Importance in Composite Indicators: Closing the Gap // Ecological Indicators. 2017. Vol. 80. P. 12-22. DOI: 10.1016/j.ecolind.2017.03.056.
Soylu A., Corcho Ó., Elvesæter B., Badenes-Olmedo C., Yedro-Martínez F., Kovacic M., Posinkovic M., Medvešček M., Makgill I., Taggart C., Simperl E., Lech T.C., Roman D. Data Quality Barriers for Transparency in Public Procurement // Information. 2022. Vol. 13. No. 2. DOI: 10.3390/info13020099 EDN: WICRXJ.
Open Contracting Partnership. Open Contracting Data Standard. Version 1.1.5. Official Documentation. [Электронный ресурс]. URL: https://standard.open-contracting.org/ (дата обращения: 18.06.2026).
Alon-Barkat S., Busuioc M. Human-AI Interactions in Public Sector Decision Making: Automation Bias and Selective Adherence to Algorithmic Advice // Journal of Public Administration Research and Theory. 2023. Vol. 33. No. 1. P. 153-169. DOI: 10.1093/jopart/muac007 EDN: KYOAOZ.
Сенчагов В.К., Иванов Е.А. Структура механизма современного мониторинга экономической безопасности России. М.: Институт экономики РАН, 2015. 46 с. [Электронный ресурс]. URL: https://inecon.org/docs/Senchagov_Ivanov.pdf (дата обращения: 18.06.2026).
OECD. Preventing Corruption in Public Procurement. Paris: OECD, 2016. 32 p. [Электронный ресурс]. URL: https://www.oecd.org/gov/ethics/Corruption-Public-Procurement-Brochure.pdf (дата обращения: 18.06.2026).
