В работе предлагаются математические модели и программный комплекс для интеллектуального анализа и прогнозирования исполнения государственных контрактов, основанные на нейросети и классических методах машинного обучения, обученных на ретроспективной базе данных контрагентов и контрактов. Комплекс математических моделей и программ позволяет рассчитывать вероятности и риски невыполнения государственных контрактов, тем самым уменьшить потери бюджета и положительным образом повлиять на устойчивость реального сектора экономики. Проведен сравнительный анализ методов машинного обучения: логистическая регрессия, дерево решений, метод опорных векторов и нейросетевая модель. Разработана модель, позволяющая проводить прогноз с точностью 97,89 %. Для каждой математической модели разработаны отдельные модули, которые в совокупности составляют программный комплекс. Нейросетевая модель показала результат в 87,65 %, что связано с относительно небольшим набором данных для обучения, однако данная модель позволяет раскрыть дальнейший потенциал системы в связи с постоянным обучением в реальном времени на новых контрактах, для оценки которых будет использован предлагаемый программный комплекс. Результаты проведенного исследования могут быть использованы для дальнейшего совершенствования системы поддержки принятия решений в сфере закупок и ее применения с целью улучшения общего качества анализа и прогнозирования выполнения государственных контрактов.
The paper proposes mathematical models and a software package for intellectual analysis and forecasting of the execution of government contracts, based on a neural network and classical machine learning methods trained on a retrospective database of counterparties and contracts. A set of mathematical models and programs allows you to calculate the probabilities and risks of non-fulfillment of government contracts, thereby reducing budget losses and positively influencing the stability of the real sector of the economy. A comparative analysis of machine learning methods was carried out: logistic regression, decision tree, support vector machine and neural network model. A model has been developed that allows forecasting with an accuracy of 97.89%. For each mathematical model, a separate module has been developed, which together constitute a software package. The neural network model showed a result of 87.65%, which is associated with a relatively small set of data for training; however, this model allows us to reveal the further potential of the system in connection with continuous training in real time on new contracts, for the evaluation of which the proposed software package will be used. The results of the study can be used to further improve decision support systems in the field of procurement and its application in order to improve the overall quality of analysis and forecasting of the implementation of government contracts.
The authors declare that there are no conflicts of interest present.