НЕДОБРОСОВЕСТНЫЙ ПОСТАВЩИК В ГОСЗАКУПКАХ: СПОСОБЫ ИДЕНТИФИКАЦИИ

UNSCRUPULOUS SUPPLIER IN PUBLIC PROCUREMENT: METHODS OF IDENTIFICATION

Pergunova Diana Arturovna

Student, Khakass State University (KSU) named after N.F. Katanova, Russia, Abakan

Doo Aziyata Maskyrovna

Scientific supervisor, Khakass State University (KSU) named after N.F. Katanova, Russia, Abakan

Аннотация. В статье рассматривается проблема идентификации недобросовестных поставщиков в системе государственных закупок Российской Федерации. Особое внимание уделяется роли соответствующего реестра как ключевого механизма контроля, а также методам предквалификационной проверки и риск-ориентированного анализа. На основе проведённого исследования формулируются авторские рекомендации по усовершенствованию идентификационной системы.

Abstract. The article examines the problem of identifying unscrupulous suppliers within the public procurement system of the Russian Federation. Special attention is given to the role of the relevant registry as a key control mechanism, as well as to the methods of pre-qualification screening and risk-oriented analysis. Based on the conducted research, the author's recommendations for improving the identification system are formulated.

Ключевые слова: госзакупки, идентификация, контрактная система, недобросовестный поставщик, риск-ориентированный подход.

Keywords: public procurement, identification, contract system, unscrupulous supplier, risk-oriented approach.

Контрактная система Российской Федерации, функционирующая в соответствии с положениями Федерального закона от 05.04.2013 № 44-ФЗ, выступает в качестве одного из наиболее значимых и масштабных институтов современного публичного управления. Ежегодно посредством механизмов государственных закупок распределяется существенный объем бюджетных средств. Эффективность их расходования прямо детерминирована уровнем надежности участников закупочных процедур.

Вместе с тем, правоприменительная практика демонстрирует наличие системной проблемы: часть поставщиков регулярно нарушает принятые обязательства, уклоняется от подписания контрактов либо намеренно искажает квалификационные данные [2, 5]. Подобное поведение наносит непосредственный материальный ущерб заказчикам, подрывает фундаментальные принципы конкуренции и доверия к публичным институтам. Вследствие этого отметим, что недобросовестный поставщик представляет собой субъекта, чье поведение несет деструктивный потенциал для всей макроэкономической среды госзакупок.

Особую актуальность приобретает проблематика ранней идентификации недобросовестных участников (как на превентивном этапе отбора, так и в процессе исполнения договорных обязательств). Важно систематизировать действующие способы выявления таких контрагентов, проанализировать их функциональные ограничения, выработать научно обоснованные рекомендации по усовершенствованию инструментария контрактной системы.

Так, ключевым инструментом контроля в рассматриваемой сфере является реестр недобросовестных поставщиков (РНП). Его ведение возложено на Федеральную антимонопольную службу. Включение субъекта предпринимательства в РНП осуществляется сроком на два года за уклонение от заключения контракта или его расторжение вследствие существенного нарушения условий [1, 3].

Между тем, РНП обладает выраженным ретроспективным характером, поскольку фиксирует уже состоявшееся правонарушение. Неблагонадежные участники зачастую обходят этот административный барьер посредством оперативной регистрации новых юридических лиц либо использования цепочек аффилированных структур. Указанное обстоятельство обуславливает острую необходимость применения дополнительных превентивных методов идентификации.

В целях нивелирования коммерческих и правовых рисков заказчикам целесообразно задействовать комплексную оценку потенциальных партнеров. Она представлена верификацией по открытым базам (ресурсы ФНС, банк данных ФССП, картотека арбитражных дел), анализом финансовой устойчивости, поведенческим мониторингом непосредственно в ходе торгов (см. таблицу 1).

В сопоставлении с более ранними подходами, когда оценка ограничивалась лишь формальным соответствием документов, сегодня на первый план выходят алгоритмы цифрового скоринга. Они позволяют агрегировать разрозненную информацию.

Таблица 1.

Сравнительная характеристика способов идентификации потенциально недобросовестных поставщиков

(составлено на основе [1, 3-5])

Сформулируем рекомендации, которые нацелены на раннее обнаружение недобросовестных субъектов рынка.

Так, предлагается нормативно закрепить обязательный цифровой скоринг участников при проведении закупок с начальной (максимальной) ценой контракта свыше 50 млн рублей. Новизна описываемой меры состоит в переходе от рекомендательного анализа репутации к обязательному риск-ориентированному отбору. Это поможет системно решить проблему допуска к крупным торгам фирм-однодневок.

Разумно предположить, что снижение порога признания цены демпинговой с текущих 25% до 15% для критически важных отраслей (например, закупки медицинского оборудования) существенно сократит долю манипуляций на торгах, исключив победителей, которые неспособны исполнить обязательства.

Подводя итог проведенному исследованию, резюмируем, что проблема своевременной идентификации недобросовестных поставщиков остается одним из наиболее острых вызовов для развития контрактной системы Российской Федерации. Доминирующий в настоящее время механизм включения субъектов в соответствующий реестр выполняет, в основном, ретроспективную и санкционную функции. При этом уязвимым остается превентивный контур защиты государственных финансов. В отличие от предшествующих практик, современный уровень цифровизации экономики объективно требует внедрения проактивных, риск-ориентированных инструментов обнаружения неблагонадежных контрагентов еще до момента заключения контракта. Сочетанное применение цифрового скоринга, глубокого финансового анализа, мониторинга поведенческих аномалий способно весомо снизить долю неисполненных обязательств. В перспективе дальнейших научных изысканий видится целесообразным изучение зарубежного опыта применения технологий машинного обучения для автоматизированной аналитики поведения поставщиков. Это позволит сформировать еще более устойчивую и транспарентную «архитектуру» публичных закупок.