ISSN 2587-7666 (Online)
Поиск
/
ВТЭ

Вопросы теоретической экономики

Институт экономики Российской академии наук

Междисциплинарные исследованияНаучная статья

АСИММЕТРИЯ ИНФОРМАЦИИ НА РЫНКЕ АДВОКАТСКИХ УСЛУГ: СОЗДАНИЕ РЕЙТИНГА МЕТОДАМИ МАШИННОГО ОБУЧЕНИЯ

INFORMATION ASYMMETRY IN THE LEGAL SERVICES MARKET: CREATING A RANKING USING MACHINE LEARNING METHODS

Страницы: 115-135
УДК: 34.08, 34.096
JEL: K14, K41, C53, C55, D82

Авторы

Казун Антон Павлович

к.с.н.

ORCID: 0000-0002-0091-5388

akazun@hse.ru

  • директор Института анализа предприятий и рынков, Национальный исследовательский университет «Высшая школа экономики» (Москва)

Девятников Вадим Юрьевич

ORCID: 0009-0009-5278-7232

vdevyatnikov@hse.ru

  • стажёр-исследователь, Национальный исследовательский университет «Высшая школа экономики» (Москва)

Белов Михаил Дмитриевич

ORCID: 0000-0001-8848-2726

mikaelbelov@gmail.com

  • аспирант, Калифорнийский университет (Лос-Анджелес, США)
Получена: 07.05.2026
Принята в печать: 26.06.2026

Аннотация

Как понять, хорош адвокат или нет? В данной статье мы описываем методологию, позволяющую измерять качество юридической помощи через разницу между тем, что предсказывает модель машинного обучения по объективным характеристикам дела, и тем, чем дело закончилось в реальности. Мы исходим из предпосылки, что если у адвоката дела стабильно заканчиваются лучше ожидаемого, то он делает свою работу хорошо. Похожую логику давно используют в других областях: так оценивают учителей в экономике образования, хирургов в медицине и игроков в профессиональном спорте. Мы адаптируем эти подходы для уголовного судопроизводства. Такая прогнозная модель может быть обучена на данных российских судов за 2010–2025 гг. и будет учитывать, что уголовное дело проходит через несколько последовательных процессуальных развилок. Рейтинг корректируется на командную работу нескольких защитников, стадию рассмотрения и малое число дел. В статье мы обсуждаем слабые места подхода: прежде всего то, что досудебная стадия для нас невидима, публикуемые решения неполны, а сильные адвокаты могут целенаправленно браться за сложные дела. Тем не менее даже в таком виде подобный инструмент оценки способен дать клиентам значимый и объективный ориентир при выборе защитника, что может существенно улучшить качество информации на рынке юридических услуг.

Ключевые слова

оценка эффективности работы адвокатов. прогнозирование судебных решениймашинное обучениеинформационная асимметрияуголовная защита

Литература

  1. Виноградов А.С. (2025).Обвинительный уклон в досудебном производстве по уголовным делам: причины и пути преодоления // Журнал правовых и экономических исследований (Вестник ГИЭФ). Т. 59. № 1. С. 133-138. DOI: 10.26163/gief.2025.59.52.016.
  2. Волков В.В. (2014). Социально-экономический статус и различия в вынесении приговоров: данные о рассмотрении уголовных дел в судах РФ / Препринт Института проблем правоприменения при Европейском университете в Санкт-Петербурге. – СПб.: ИПП ЕУСПб.
  3. Жучкова С.В., Девятников В.Ю., Казун А.П., Белов М.Д., Сидорова О.И. (2025). Тексты судебных приговоров как источник данных для эмпирических исследований права в России // Мониторинг общественного мнения: экономические и социальные перемены. № 2. С. 170-192. DOI: 10.14515/monitoring.2025.2.2575.
  4. Казун А.П. (2024). Может ли искусственный интеллект прогнозировать решения суда? Систематический обзор международных исследований // Мониторинг общественного мнения: экономические и социальные перемены. № 5. С. 100-122. DOI: 10.14515/monitoring.2024.5.2580.
  5. Минюст России. (2026). Единый государственный реестр адвокатов. URL: https://minjust.gov.ru/ru/pages/advokaty-rossijskoj-federacii/ (дата обращения: 17.03.2026).
  6. Панеях Э.Л. (2012).Практическая логика принятия судебных решений: дискреция под давлением и компромиссы за счет подсудимого // Как судьи принимают решения: эмпирические исследования права / под ред. В.В. Волкова. – М.: Статут. С.107-127
  7. Abrams D.S., Yoon A.H. (2007). The Luck of the Draw: Using Random Case Assignment to Investigate Attorney Ability // University of Chicago Law Review. Vol. 74. No. 4. Pp. 1145-1177. DOI: 10.2307/20141859.
  8. Aletras N., Tsarapatsanis D., Preoţiuc-Pietro D., Lampos V. (2016). Predicting judicial decisions of the European Court of Human Rights: a Natural Language Processing perspective // PeerJ Computer Science. Vol. 2. Art. e93. DOI: 10.7717/peerj-cs.93.
  9. Angwin J., Larson J., Mattu S., Kirchner L. (2016). Machine Bias: There's Software Used Across the Country to Predict Future Criminals. And It's Biased Against Blacks // ProPublica. May 23. URL: https://www.propublica.org/article/machine-bias-risk-assessments-in-criminal-sentencing (дата обращения: 17.03.2026).
  10. Anzer G., Bauer P. (2021). A Goal Scoring Probability Model for Shots Based on Synchronized Positional and Event Data in Football (Soccer) // Frontiers in Sports and Active Living. Vol. 3. Art. 624475. DOI: 10.3389/fspor.2021.624475.
  11. Ariai F., Mackenzie J., Demartini G. (2025). Natural Language Processing for the Legal Domain: A Survey of Tasks, Datasets, Models, and Challenges // ACM Computing Surveys. Vol. 58. No. 6. Art. 163. Pp. 1-37. DOI: 10.1145/3777009.
  12. Baumer B.S., Jensen S.T., Matthews G.J. ( 2015). ОpenWAR: An open source system for evaluating overall player performance in Major League Baseball // Journal of Quantitative Analysis in Sports. Vol. 11. No. 2. Pp. 69-84. DOI: 10.1515/jqas-2014-0098.
  13. Bradley R.A., Terry M.E. (1952). Rank Analysis of Incomplete Block Designs: The Method of Paired Comparisons // Biometrika. Vol. 39. No. 3-4. Pp. 324-345. DOI: 10.1093/biomet/39.3-4.324.
  14. Brave S.A., Butters R.A., Roberts K.A. (2019). Uncovering the sources of team synergy: Player complementarities in the production of wins // Journal of Sports Analytics. Vol. 5. No. 4. Pp. 247-279. DOI: 10.3233/JSA-190248.
  15. Cattelan M. (2012). Models for Paired Comparison Data: A Review with Emphasis on Dependent Data // Statistical Science. Vol. 27. No. 3. Pp. 412-433. DOI: 10.1214/12-STS396.
  16. Chen L.M., Staiger D.O., Birkmeyer J.D., Ryan A.M., Zhang W., Dimick J.B. (2013). Composite Quality Measures for Common Inpatient Medical Conditions // Medical Care. Vol. 51. No. 9. Pp. 832-837. DOI: 10.1097/MLR.0b013e31829fa92a.
  17. Chesterman S. (2020). Do Better Lawyers Win More Often? Measures of Advocate Quality and Their Impact in Singapore's Supreme Court // Asian Journal of Comparative Law. Vol. 15. No. 2. Pp. 250-280. DOI: 10.1017/asjcl.2020.13.
  18. Chetty R., Friedman J.N., Rockoff J.E. (2014а). Measuring the Impacts of Teachers I: Evaluating Bias in Teacher Value-Added Estimates // American Economic Review. Vol. 104. No. 9. Pp. 2593-2632. DOI: 10.1257/aer.104.9.2593.
  19. Chetty R., Friedman J.N., Rockoff J.E. (2014b). Measuring the Impacts of Teachers II: Teacher Value-Added and Student Outcomes in Adulthood // American Economic Review. Vol. 104. No. 9. Pp. 2633-2679. DOI: 10.1257/aer.104.9.2633.
  20. Dressel J., Farid H.(2018). The accuracy, fairness, and limits of predicting recidivism // Science Advances. Vol. 4. No. 1. Art. eaao5580. DOI: 10.1126/sciadv.aao5580.
  21. Efron B., Morris C. (1975). Data Analysis Using Stein's Estimator and its Generalizations // Journal of the American Statistical Association. Vol. 70. No. 350. Pp. 311-319. DOI: 10.2307/2285814.
  22. Galanter M. (1974). Why the «Haves» Come Out Ahead: Speculations on the Limits of Legal Change // Law & Society Review. Vol. 9. No. 1. Pp. 95-160. DOI: 10.2307/3053023.
  23. Ghimire S., Ehrlich J.A., Sanders S.D. (2020). Measuring individual worker output in a complementary team setting: Does regularized adjusted plus minus isolate individual NBA player contributions? // PLOS ONE. Vol. 15. No. 8. Art. e0237920. DOI: 10.1371/journal.pone.0237920.
  24. Grassetti L., Bellio R., Di Gaspero L., Fonseca G., Vidoni P. (2021). An extended regularized adjusted plus-minus analysis for lineup management in basketball using play-by-play data // IMA Journal of Management Mathematics. Vol. 32. No. 4. Pp. 385-409. DOI: 10.1093/imaman/dpaa022.
  25. Greiner D.J., Pattanayak C.W. (2012). Randomized Evaluation in Legal Assistance: What Difference Does Representation (Offer and Actual Use) Make? // Yale Law Journal. Vol. 121. No. 8. Pp. 2118-2208.
  26. Hall B.L., Huffman K.M., Hamilton B.H., Paruch J.L., Zhou L., Richards K.E., Cohen M.E., Ko C.Y. (2015). Profiling Individual Surgeon Performance Using Information from a High-Quality Clinical Registry: Opportunities and Limitations // Journal of the American College of Surgeons. Vol. 221. No. 5. Pp. 901-913. DOI: 10.1016/j.jamcollsurg.2015.07.454.
  27. Herbrich R., Minka T., Graepel T.(2006). TrueSkill™: A Bayesian Skill Rating System // Advances in Neural Information Processing Systems. Vol. 19. Pp. 569-576. DOI: 10.5555/2976456.2976528.
  28. Karimi-Haghighi M., Castillo C. (2021). Enhancing a recidivism prediction tool with machine learning: effectiveness and algorithmic fairness // Proceedings of the 18th International Conference on Artificial Intelligence and Law (ICAIL '21). Pp. 210-214. DOI: 10.1145/3462757.3466150.
  29. Katz D.M., Bommarito M.J. II, Blackman J. (2017). A general approach for predicting the behavior of the Supreme Court of the United States // PLOS ONE. Vol. 12. No. 4. Art. e0174698. DOI: 10.1371/journal.pone.0174698.
  30. Koren Y., Bell R., Volinsky C. (2009). Matrix Factorization Techniques for Recommender Systems // Computer. Vol. 42. No. 8. Pp. 30-37. DOI: 10.1109/MC.2009.263.
  31. Krell R.W., Hozain A., Kao L.S., Dimick J.B. (2014). Reliability of Risk-adjusted Outcomes for Profiling Hospital Surgical Quality // JAMA Surgery. Vol. 149. No. 5. Pp. 467-474. DOI: 10.1001/jamasurg.2013.4249.
  32. Lazarus R.J. (2008). Advocacy Matters Before and Within the Supreme Court: Transforming the Court by Transforming the Bar // Georgetown Law Journal. Vol. 96. No. 5. Pp. 1487-1564.
  33. Macdonald B. (2012). Adjusted Plus-Minus for NHL Players Using Ridge Regression with Goals, Shots, Fenwick, and Corsi // Journal of Quantitative Analysis in Sports. Vol. 8. No. 3. Pp. 1-24. DOI: 10.1515/1559-0410.1447.
  34. Maruthappu M., Carty M.J., Lipsitz S.R., Wright J., Orgill D., Duclos A. (2014). Patient- and surgeon-adjusted control charts for monitoring performance // BMJ Open. Vol. 4. No. 1. Art. e004046. DOI: 10.1136/bmjopen-2013-004046.
  35. Menezes-Neto E.J., Clementino M.B.M. (2022). Using deep learning to predict outcomes of legal appeals better than human experts: A study with data from Brazilian federal courts // PLOS ONE. Vol. 17. No. 7. Art. e0272287. DOI: 10.1371/journal.pone.0272287.
  36. Mojon A., Mahari R., Lera S.C. (2025). Data-driven law firm rankings to reduce information asymmetry in legal disputes // Nature Computational Science. Vol. 5. No. 11. Pp. 1010-1016. DOI: 10.1038/s43588-025-00899-2.
  37. Nelson M.J., Epstein L. (2022). Human Capital in Court: The Role of Attorney Experience in US Supreme Court Litigation // Journal of Law and Courts. Vol. 10. No. 1. Pp. 61-85. DOI: 10.1086/714577.
  38. Pitches D.W., Mohammed M.A., Lilford R.J. (2007).What is the empirical evidence that hospitals with higher risk-adjusted mortality rates provide poorer quality care? A systematic review of the literature // BMC Health Services Research. Vol. 7. Art. 91. DOI: 10.1186/1472-6963-7-91.
  39. Rosili N.A.K., Hassan R., Zakaria N.H., Kasim S., Che Rose F.Z., Sutikno T. (2021). A systematic literature review of machine learning methods in predicting court decisions // IAES International Journal of Artificial Intelligence. Vol. 10. No. 4. Pp. 1091-1102. DOI: 10.11591/ijai.v10.i4.pp1091-1102.
  40. Saveliev D., Kuchakov R. (2024). The Russian Legislative Corpus // arXiv preprint arXiv:2406.04855. 2024. DOI: 10.48550/arXiv.2406.04855.
  41. Titaev K. (2017). Pretrial detention in Russian criminal courts: a statistical analysis // International Journal of Comparative and Applied Criminal Justice. Vol. 41. No. 3. Pp. 145-161. DOI: 10.1080/01924036.2016.1239117.
  42. Tollenaar N., van der Heijden P.G.M. (2019). Optimizing predictive performance of criminal recidivism models using registration data with binary and survival outcomes // PLOS ONE. Vol. 14. No. 3. Art. e0213245. DOI: 10.1371/journal.pone.0213245.
  43. Travaini G.V., Pacchioni F., Bellumore S., Bosia M., De Micco F. (2022). Machine Learning and Criminal Justice: A Systematic Review of Advanced Methodology for Recidivism Risk Prediction // International Journal of Environmental Research and Public Health. Vol. 19. No. 17. Art. 10594. DOI: 10.3390/ijerph191710594.
  44. Vasconcelos C.C., Oliveira E.W., Netto W.L. (2018). The Impact of Attorneys on Judicial Decisions: Empirical Evidence from Civil Cases // International Journal for Court Administration. Vol. 9. No. 2. Pp. 32-42. DOI: 10.18352/IJCA.244.
  45. Volkov V. (2021). The prosecutor effect in trials for petty violent offences in Russia // International Journal of Comparative and Applied Criminal Justice. Vol. 45. No. 2. Pp. 207-220. DOI: 10.1080/01924036.2020.1732434.
  46. Zhuchkova S., Kazun A. (2023). Exploring Gender Bias in Homicide Sentencing: An Empirical Study of Russian Court Decisions Using Text Mining // Homicide Studies. Advance online publication. DOI: 10.1177/10887679231217159.

© Казун Антон Павлович, Девятников Вадим Юрьевич, Белов Михаил Дмитриевич, 2026

© ФГБУН Институт экономики Российской академии наук «Вопросы теоретической экономики», 2026

Для цитирования

Казун Антон Павлович, Девятников Вадим Юрьевич, Белов Михаил Дмитриевич. АСИММЕТРИЯ ИНФОРМАЦИИ НА РЫНКЕ АДВОКАТСКИХ УСЛУГ: СОЗДАНИЕ РЕЙТИНГА МЕТОДАМИ МАШИННОГО ОБУЧЕНИЯ // Вопросы теоретической экономики. 2026. № 3 (32). С. 115-135. DOI: 10.52342/2587-7666VTE_2026_3_115_135.