Модель выявления признаков картельного сговора на zakupki.gov.ru

# 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.