CC BY
94
ПРОБЛЕМАТИКА ТРАНСПОРТНЫХ СИСТЕМ
УДК 338.47
Трансформация методологии планирования и прогнозирования перевозок грузов на железнодорожном транспорте
Д. С. Бедрин
Петербургский государственный университет путей сообщения Императора Александра I, Российская Федерация, 190031, Санкт-Петербург, Московский пр., 9
Для цитирования: Бедрин Д. С. Трансформация методологии планирования и прогнозирования перевозок грузов на железнодорожном транспорте // Бюллетень результатов научных исследований. - 2020. - Вып. 4. - С. 5-23. DOI: 10.20295/2223-9987-2020-4-5-23
Аннотация
Цель: Разработать систематизацию подходов, методов, моделей планирования и прогнозирования железнодорожных грузовых перевозок с использованием технологии сбора и анализа больших данных, так как эффективное поступательное развитие транспортных систем в эпоху жесткой конкуренции, глобальной цифровизации, большого количества хаотичных и разнонаправленных потоков информации существенно зависит от применяемой методологии планирования и прогнозирования перевозок грузов, достоверность которой обусловливается качеством выборки исследуемых данных, надежностью аналитических методов и процедур их обработки и результативности. Методы: В целях классификации методов планирования и прогнозирования грузовых перевозок проанализированы и систематизированы основные показатели перевозочного процесса, степень формализации используемых методов, общие принципы их действия и получения прогнозной информации. Результаты: Логический и сравнительный анализы, синтез моделей прогнозирования позволили предложить концептуальный подход к практическому применению эконометрических методов и моделей прогнозирования, используемых в зарубежных исследованиях и анализируемых кейсах. Практическая значимость: Предложенный методический подход к использованию и масштабированию полиномиального логита (логистической регрессии), модели ARMA (ARIMA) и алгоритма HIST ВЦ РАН позволит прогнозировать перевозки грузов и привести к дальнейшей цифровизации плановых и прогностических бизнес-процессов на железнодорожном транспорте РФ.
Ключевые слова: Планирование и прогнозирование перевозок грузов, интуитивные и формализованные методы, эконометрические методы, анализ больших данных.
Введение
Начало планирования перевозок в России относится к периоду издания декрета «О пределах компетенции Народного комиссариата путей сообщения в деле транспорта», подписанного В. И. Лениным в 1918 г. В документе [1, с. 13], в частности, указывалось:
1. Единственным органом, объединяющим и руководящим делом транспорта в отношении составления и выполнения планов, является Народный комиссариат путей сообщения.
2. Все заинтересованные в перевозках ведомства и лица составляют только предварительные планы перевозок.
3. Коллегиальное согласование планов перевозок различных ведомств производится в Народном комиссариате путей сообщения, который обязан объединять и достигать согласованности всех предложений и планов перевозок.
В дальнейшем планирование и прогнозирование железнодорожных перевозок развивалось и совершенствовалось вместе с экономическим и политическим развитием нашей страны.
История развития методологии
В советский период большой вклад в развитие методов планирования, прогнозирования, экономического анализа и технико-экономических расчетов в области железнодорожных перевозок внесли A. Е. Гибшман, Е. Д. Ха-нуков, Е. В. Михальцев, М. Н. Беленький, Т. С. Хачатуров, А. И. Журавель, В. Н. Орлов, А. С. Чудов, Э. Д. Фельдман, И. Г. Винниченко, И. В. Белов, А. П. Абрамов, Н. Н. Барков, Б. И. Шафиркин, B. А. Дмитриев и др. [2-15]. В современных условиях основными методами планирования и прогнозирования перевозок грузов являются маркетинговые, логистические, балансовые и оптимизационные с использованием компьютерных информационных технологий. При разработке планов перевозок широко применяются экономико-математические методы планирования и прогнозирования. В планах и прогнозах перевозок грузов устанавливаются следующие показатели:
• объем перевозок (отправление) грузов всего в тоннах, в том числе по установленной номенклатуре грузов;
• грузооборот, в тарифных тонно-километрах;
• среднесуточная погрузка, в вагонах;
• средняя статическая нагрузка вагона, в тоннах;
• средняя дальность перевозок грузов, в километрах;
• грузонапряженность в миллионах тонно-километрах на 1 километр, средняя, в том числе по отдельным направлениям [16, 17].
На железнодорожном транспорте разрабатывают такие виды планов перевозок грузов:
• стратегические (долгосрочные) на 5-10 и более лет;
• среднесрочные на 3-5 лет;
• текущие (годовые);
• оперативные (квартальные и месячные) [18-22].
Классификация методов прогнозирования грузовых перевозок
По оценкам ученых, в настоящее время насчитывается свыше 400 различных методов прогнозирования. Наиболее важным классификационным признаком методов прогнозирования является степень формализации, которая достаточно полно охватывает прогностические методы. К следующему по важности классификационному признаку можно отнести общий принцип действия методов прогнозирования, к последнему - способ получения прогнозной информации. Для правильной классификации методов прогнозирования необходимо определить понятие метода или методов экономического прогнозирования. К ним относится совокупность приемов и способов мышления, позволяющих на основе анализа ретроспективных данных, экзогенных и эндогенных связей объекта прогнозирования, а также их измерений в рамках рассматриваемого явления или процесса вывести суждения определенной достоверности о его будущем развитии. Научно обоснованная классификация дает возможность многократно увеличивать число итерационных модификаций на нижних уровнях классификации путем внесения в нее новых элементов системы прогнозирования. Прогнозирование грузовых перевозок - процесс многоэтапный. В начале рассчитывается общий объем перевозок грузов. Определение потребностей предприятий и отраслей в перевозках складывается под воздействием объема и структуры продукции, прежде всего макроэкономических показателей, размещения производства по регионам, характера межрегиональных связей, специализации и кооперации производства, организации снабжения и сбыта продукции, размещения и развития транспортной инфраструктуры. Объем перевозок определяется по важнейшим видам продукции. Грузооборот прогнозируют по 20-30 важнейшим позициям, таким как каменный уголь, кокс, нефть и нефтепродукты, газ, руда, черные металлы, лесные грузы, минерально-строительные материалы, минеральные удобрения, зерно, крупа и т. д. Объем остальных грузов устанавливается расчетным ме-
тодом. Из общего объема перевозок выделяются грузы, перевозимые в контейнерах. К основным прогнозируемым показателям на транспорте относятся:
• объем перевозок, в тоннах по номенклатуре;
• грузооборот, в тонно-километрах;
• средняя дальность перевозок грузов, в километрах;
• другие показатели, относящиеся к различным аспектам производственно-финансовой деятельности отрасли (доходы, прибыль, рентабельность, эффективность использования ресурсов и т. д.).
Из многообразия методов прогнозирования объема перевозок в современной практике используются интуитивные (метод экспертных оценок) и формализованные (транспортная задача) методы. В последнее время внедряются комбинированные методы прогнозирования, позволяющие получить более высокую точность расчетов. Рассмотрим наиболее часто применяемые на транспорте методы:
1. Метод укрупненных нормативов используется на первоначальной стадии прогнозирования при определении тех грузов, по которым невозможно сделать прямые расчеты. Сущность метода состоит в том, что объем перевозок устанавливается по соотношению между размерами производства и перевозки продукции за прошлые периоды с учетом действия различных факторов, влияющих на это соотношение. Для характеристики соотношения между размерами производства и перевозки продукции рассчитывают показатели:
• коэффициент перевозимости продукции, который равен объему перевозок грузов, деленному на объем производства;
• норматив перевозок грузов на 1 млн рублей товарной продукции или товарооборота, равен стоимости перевезенных грузов, деленных на стоимость объема производства.
2. Балансовый метод заключается в сопоставлении потребностей с ресурсами по каждому разделу плана. С его помощью предупреждают диспропорции в развитии экономики и транспорта, разрабатывают: балансы производства и потребления важнейших видов продукции; транспортно-эконо-мические балансы (ввоза и вывоза); балансы межрайонного обмена. Районные балансы производства и потребления важнейших видов продукции составляются по административным единицам и важнейшим видам продукции, в натуральных единицах; сводные балансы - в условных единицах. Транспортно-экономический баланс (ТЭБ) - это система показателей, обеспечивающая сбалансированность планов производства, материально-технического снабжения (поставок продукции) и перевозок грузов.
3. Метод технико-экономических расчетов заключается в определении плановых показателей на основе заданного объема работы и прогрессивных норм, а также в обосновании экономической эффективности мероприятий, включенных в план.
4. Экономико-математические методы применяются при решении многовариантных задач планирования и прогнозирования перевозок, распределения грузопотоков по направлениям, при выборе рационального варианта использования вагонного парка, составления плана формирования и графика движения поездов и при производстве тяговых расчетов.
5. Методы сетевого планирования и управления применяются для планирования управления организациями транспорта, располагающими ресурсами (трудовыми, материальными, финансовыми), выполняющих комплекс работ (услуг) для достижения конечного результата. Они позволяют четко отображать объем и структуру поставленной задачи, выявляя достаточную степень детализации, образующие единый комплекс операций, определяя события, необходимые для достижения цели, и производить всесторонний анализ взаимосвязи между работами и обосновывать последовательность их выполнения.
6. Метод макроэкономического прогнозирования спроса на перевозки грузов с использованием динамики валового внутреннего продукта (ВВП) страны. Прогнозы спроса на перевозки грузов целесообразно давать в виде вариантов - оптимистического, пессимистического и базового (среднего). Данный метод подходит только для прогноза перевозок грузов по стране.
7. Экономико-статистические методы являются наиболее надежными для прогноза перевозок ввиду резких колебаний объемов спроса и изменчивости современной экономики, поэтому чаще в них применяют динамические модели множественной регрессии.
8. Метод сценариев прогноза представляет собой динамическую модель будущего, в которой шаг за шагом описываются возможные уровни показателей прогноза с указанием вероятности их выполнения при определенных условиях. При этом устанавливаются ключевые факторы, которые обусловливают тот или иной вариант прогноза. Метод сценариев обеспечивает интеграцию количественных и качественных методов прогноза, способствует разработке альтернативных планов перевозок и системы быстрого реагирования на изменения внешней среды.
9. Метод экстраполяции трендов и регрессионного анализа временных рядов, в которых за прошлые периоды (20-30 лет) выявляется тенденция развития показателей (тренд) с учетом сглаживания годичных колебаний (выравнивания динамических рядов) путем нахождения функциональной зависимости переменных и определения прогнозной величины
перевозок грузов. Как правило, в расчетах используют линейную зависимость, которую корректируют, принимая во внимание допускаемые погрешности (стандартные отклонения).
10. Эвристические методы основаны на приемах вычисления и процедурах, вытекающих из опыта и интуиции специалистов, выполняющих прогноз. Они применяются в тех случаях, когда строгие математические модели не обеспечивают достоверные результаты прогноза из-за того, что лежащие в их основе предпосылки не соответствуют реальным свойствам поведения прогнозируемого процесса или объекта.
11. Методы моделирования транспортных процессов как части транспортной системы предназначены для оптимизации этапного развития пропускных способностей отдельных линий, прогнозирования сетевых моделей распределения перевозок, оптимизации технического оснащения транспортной сети.
Зарубежный опыт развития методологии прогнозирования перевозок
На основании приведенных методов планирования и прогнозирования дальнейший поиск наилучшего логического или математического описания объектов прогнозирования, например объема перевозок грузов, называется моделированием. Модель должна наиболее полно и точно описывать прогноз любого события, обычно рассматриваемого как система и/или ее элементы и как условный образ, специально построенный для упрощения исследования экономического процесса либо явления. Традиционно модели спроса на транспортные услуги строятся, опираясь на опыте экспертов [23, 24]. Построение таких моделей заключается в попытках формализации различных ситуаций, возникающих в процессе перевозок с целью объединить их в единую систему. Так как множество этих ситуаций весьма разнообразно, а они сами часто слабо формализуемы, для решения поставленной задачи в рамках эмпирических методов приходится находить компромисс между обобщающей способностью системы и ее способностью автономно функционировать. Характерный для задач планирования транспортных потоков класс экспертно-зависимых методов, применяемых для моделирования и прогнозирования грузовых перевозок, представлен в [2527]. В трендовых моделях исторические данные экстраполируются в будущее. Временные ряды используются для разработки моделей различной степени сложности, таких как модели фактора роста и авторегрессионные модели скользящего среднего [28]. Последняя модель основывается только на информации об объемах грузопотоков и предназначена для краткосрочного прогнозирования. Также были разработаны модели для прогнозиро-
вания временных рядов с учетом дополнительных переменных [29], например валового внутреннего продукта (ВВП). К ним относится модель, опирающаяся на представление процесса транспортировки грузов как динамической системы - модель ASTRA (Assessment of Transport Strategies, оценка транспортных стратегий), разработанная в рамках проекта для Европейской комиссии. В модели ASTRA динамика системы, изменения объемов грузоперевозок и влияния экономики на объем перевозок, а также учет землеустройства и окружающей среды моделируются в явном виде. В макроэкономическом модуле ASTRA прогнозируется рост ВВП. Результаты подаются в модуль региональной экономики, возвращающего спрос на грузоперевозки в виде грузопотоков в тоннах для пар «отправление-назначение». Изменения в транспортном спросе, в свою очередь, могут повлиять на ВВП через стоимость транспортировки. Параметры модели динамической системы, как правило, не получают из статистических оценок, а задают, согласно существующим источникам. Эти параметры принимаются в качестве начальных значений и затем настраиваются в результате анализа построенной динамической системы (метод «проб и ошибок»). Моделирование динамической системы может включать шаги «распределение» и «разбиение по видам транспорта». Однако модели динамических систем не содержат достаточной пространственной информации о конфигурации транспортной сети для моделирования потоков между зонами.
В работе [30] рассмотрена задача определения факторов, влияющих на объемы перевозок. В ней описана концепция системы моделирования грузоперевозок, с точки зрения воздействия различных финансовых факторов на увеличение доли железнодорожных перевозок, и сделана попытка определить полный спектр факторов, которые могут повлиять на доли рынка железнодорожных перевозок, с особым акцентом на определение «рычагов», таких как изменения в налогообложении грузового транспортного средства или дорожные заторы. В [31] на основании метода MANOVA делается вывод о влиянии таких факторов как погодные условия или праздничные дни на объем автомобильного трафика. При решении задачи прогнозирования грузоперевозок возникает проблема хранения и обработки большого количества динамически изменяемой информации, значительная часть которой является неинформативной. В работе [32] для решения проблемы рекомендуется построить сжатое признаковое описание данных для выделения информативных шаблонов. Предлагается количественный метод для систематического выделения шаблонов в структуре спроса на трафик в исторических данных. Метод основан на технике кластерного анализа и позволяет учитывать априорные знания, что облегчает интерпретацию и практическое использование полученных результатов, демонстрирующих точность метода при выделении сезонных и суточных характерных шабло-
нов спроса на перевозки. Для сравнения прогнозов в [33, 34] применяется модель авторегрессионного скользящего среднего ARMA. Для построения прогнозов данных с выраженной периодичностью в [35] используется модель sARIMA, для решения подобных задач в [36] - нейронные сети и Big Data, для построения краткосрочных прогнозов объемов перевозок - Марковские цепи [37] и непараметрические методы [38].
Инструменты прогнозирования грузов в европейских исследованиях грузовых перевозок включают PRIMES-TREMOVE [39], который использовался для эталонного сценария ЕС, или TRANS-TOOLS - для эталонного сценария iTren-2030 [40]. В литературе приведены примеры, описывающие калибровку стратегических моделей грузовых перевозок или проверку чувствительности к затратам [41, 42]. Предположения количественного сценария, которые вводятся в модельные приложения, такие как переход энергии или дематериализация, также оказывают большое влияние на прогнозы грузовых перевозок и могут иметь большую степень неопределенности. Для прогнозирования спроса на перевозки в Нидерландах [43] была разработана Стратегическая модель грузовых перевозок BasGoed, которая обеспечивает прогнозы мультимодальных грузовых перевозок между регионами по видам товаров до 2050 г., прогнозы грузоперевозок из BasGoed используются в качестве количественных входных данных в отраслевых (одномодальных) исследованиях, которые более детально анализируют железнодорожные, внутренние водные пути или дорожные сети. Мульти-модальные прогнозы от BasGoed применяются в качестве исходных данных в одномодальных отраслевых исследованиях, в которых проводится более подробный анализ железнодорожных, внутренних водных или автомобильных сетей. Отправной точкой анализа являются два базовых сценария спроса на грузовые перевозки, каждый из которых содержит последовательный набор предположений об экономическом развитии (внутренний рост по секторам промышленности и международной торговле), развитии инфраструктуры, ценах на топливо и эффективности логистики. Анализ чувствительности - это полезный метод для проверки воздействия конкретных предположений сценария. Изменяя количественные предположения, лежащие в основе сценария, можно изучить пропускную способность прогнозов грузовых перевозок. Модель использует доступную транспортную статистику, сценарии экономического развития и подробные инфраструктурные сети, которые описывают доступность регионов и внутренних районов страны в качестве входных данных. Ее структура включает:
1) экономический модуль: он генерирует спрос на грузовые перевозки, показывая взаимосвязь между экономикой и транспортом и генерируя годовые объемы (вес) произведенных и потребленных грузов;
2) модуль распределения: прогнозирует потоки грузовых перевозок между этими регионами;
3) модуль Modal Split: прогнозирует рыночные доли каждого вида транспорта, в результате чего определяет потоки грузовых перевозок между регионами по видам;
4) модуль автомобиля: преобразует прогнозы грузоперевозок из тонн в прогнозы транспортных средств для назначения в сети;
5) морской модуль: предсказывает прогноз морских грузовых транспортных потоков в/из глубоководных портов в Нидерландах.
Экономический модуль BasGoed основан на оригинальном модуле SMILE+ для генерации грузов [44], на структуре ввода-вывода и переводит сценарии экономического роста по секторам промышленности в региональные прогнозы производства и потребления товаров (внутренних и импорт / экспорт). Вторым этапом модели является модель распределения, которая генерирует товарные потоки в тоннах, основана на модели с двойным ограничением силы тяжести. На следующем этапе доля рынка автомобильного, железнодорожного и внутреннего водного пути прогнозируется для каждой пары с использованием полиномиального логита (логистической регрессии). Модель модального разделения получает входные данные от базовых моделей назначения в отношении транспортных расходов и времени между регионами. Для назначения грузовых перевозок может применяться Национальная модельная система от Rijkswaterstaat. Для железнодорожного транспорта используется модель Nemo, которая принадлежит ProRail, голландскому провайдеру железнодорожной инфраструктуры. Наконец, для внутренних водных путей внедрена имитационная модель сети водных путей BIVAS. Для целей прогнозирования BasGoed использует метод факторов роста (или метод опорных точек), в котором рассчитанные коэффициенты роста применяются к матрицам наблюдаемого транспортного средства, корабля и поезда, которые служат в качестве входных данных для подробных моделей назначений.
Основные тренды и вызовы прогнозирования перевозок грузов в РФ
В современной российской действительности, помимо указанных выше математически статистических методов прогнозирования, для прогнозирования объемов грузоперевозок применяются макроэкономические методы прогнозирования. Они заключаются в анализе балансного метода и поиске конкурентного равновесия. Модель равновесия Э. Линдаля предполагает, что вложения экономического агента в финансирование общественного блага определяются предельной полезностью для него общественного
блага. Под общественными благами в этой модели понимаются товары и услуги, которыми могут пользоваться одновременно разные потребители. К отраслям, производящим такие товары и услуги, относятся естественные монополии. Основным результатом исследования таких моделей является теорема о механизме конкурентного равновесия, который должен допускать дифференциацию цен (перекрестное субсидирование), т. е. потребители различных типов за предоставленное общественное благо должны платить по разным тарифам. В последнее время российские ученые при выборе базового алгоритма прогнозирования перевозок грузов, учитывающего влияние экзогенных факторов, исследовали основные методы непараметрической регрессии, такие как ядерное сглаживание, сглаживание сплайнами, авторегрессия, скользящее среднее и др. Они заключаются в присвоении имеющимся значениям временного ряда некоторых весов и комбинации взвешенных значений для получения прогноза. Предлагаемые алгоритмы, такие как ядерное сглаживание, экспоненциальное сглаживание, метод гусеница SSA, ARIMA, Local Forecasting, Subseries Superposition Producing, Model Selection, неодинаково ведут себя при использовании на различных сроках прогнозирования (краткосрочное и долгосрочное) и различны по своим вычислительным возможностям, эффективности и эффекта масштабируемости. Поэтому будем считать перспективными модель ARMA и разработанный ранее в ВЦ РАН алгоритм HIST. Этот алгоритм основан на модификации алгоритма квантильной регрессии и вычисления эмпирической функции распределения [45-47].
Система планирования и прогнозирования в современной России при богатстве различных методов и моделей находится на перепутье, без четкой тенденции и вектора развития. Переход от плановой экономики к рыночной, отсутствие реальной стратегии развития страны и транспортной системы, в частности отсутствие общероссийского межотраслевого баланса и соответственно балансов отдельных отраслей, являются основными препятствиями в развитии системы планирования и прогнозирования грузов. Современный российский подход к стратегическому планированию и прогнозированию транспортной отрасли имеет ряд пробелов и непоследовательностей:
1) сначала необходимо разрабатывать целеполагание, т. е. стратегию пространственного развития РФ, потом уже Комплексный план, а не наоборот;
2) не разработаны Стратегия социально-экономического развития РФ, Национальный стратегический прогноз;
3) сложность структуры планирования и избытка элементов в ней, замысловатость поддержания идейной согласованности иерархии;
4) отсутствие реальных отраслевых и территориальных приоритетов с делегированием части функций на места;
5) широкий список отраслевых и территориальных приоритетов, до 20 видов экономической деятельности регионов, не позволяет сконцентрироваться на главном, а также большое количество транспортных проектов;
6) отсутствие информации об отборе проектов для реализации, зависимость от политики и электорального цикла;
7) низкое качество исследований: поверхностность и непрозрачность целевых показателей и задач инфраструктурного развития.
Заключение
Анализ и классификация исследуемых методов планирования и прогнозирования перевозок позволил модифицировать структурированные методы по видам перевозок и видам прогноза (краткосрочный, среднесрочный, долгосрочный). Очевидно, что качество, точность и вероятность наступления значительного количества методов и моделей прогноза перевозок, практикуемых в рыночных и нерыночных условиях, дают различные, часто полярные результаты. В зависимости от поставленных задач и точности прогнозирования метод укрупненных нормативов, например, можно применять только для ориентировочного прогноза перевозок грузов по железным дорогам в тех случаях, когда изменения коэффициентов пе-ревозимости за рассматриваемый лаг лет относительно стабильны. Макроэкономические и балансовые методы подходят для прогноза перевозок грузов в целом по стране и ограничены использованием динамики ВВП и отсутствием формализованных данных балансов производства, потребления и обмена между административными единицами страны (ТЭБ республик, краев, областей и т. д.).
Зарубежный опыт прогнозирования перевозок грузов показывает, что наиболее точными и надежными методами прогноза в современных постоянно изменяющихся условиях являются экономико-статистические, использующие модели множественной регрессии, а также методы экстраполяции трендов и анализа временных рядов. Данный подход, по нашему мнению, очерчивает большой пласт задач, стоящий перед прогнозистами по получению, хранению и обработке большого массива динамически изменяемой информации. Для решения такой задачи предлагается применять технику кластерного анализа и технологию Big Datа [48]. Анализ голландского кейса BasGoed показал успешность использования предложенной модульной модели для прогноза мультимодальных грузовых перевозок в рамках отдельно взятой страны.
Российский подход к прогнозированию грузовых перевозок в настоящее время не имеет четкого вектора развития и, как мы считаем, теряется в многообразии существующих методов и моделей. Следует трансформировать методологический подход к планированию и прогнозированию перевозок грузов с учетом стратегии развития страны и ее транспортной системы, к возрождению системы составления общероссийского межотраслевого баланса и балансов отдельных отраслей экономики, использованию комплекса высокоточных моделей прогнозирования в совокупности с эвристическими методами, такими как полиномиальный логит (логистическая регрессия), модели ARMA (ARIMA) и алгоритма HIST ВЦ РАН, к дальнейшей цифровизации бизнес-процессов железнодорожного транспорта и широкого внедрения цифровых технологий.
Многолетний опыт советских/российских ученых, западной, восточной научных школ использования планирования и прогнозирования перевозок грузов позволит при устранении соответствующих пробелов и вызовов, используя механизмы Big Data и искусственного интеллекта, сформировать современный высокоэффективный подход к планированию и прогнозированию основных показателей развития транспортных систем, обеспечить аутентичность моделирования и результатов прогноза в заданной вероятностной области, маштабировать предложенный методологический подход.
Библиографический список
1. Железнодорожный транспорт СССР в документах Коммунистической партии и Советского правительства. - М.: Трансжелдориздат, 1957. - 382 с.
2. Гибшман А. Е. Определение эксплуатационных расходов при проектировании новых железных дорог / под ред. А. Е. Гибшман // Экономические обследования и экономика железных дорог. - М.: Транспечать, 1926. - С. 93-127.
3. Хануков Е. Д. Транспорт и размещение производства / Е. Д. Хануков. - М.: Трансжелдориздат, 1955. - 412 с.
4. Михальцев Е. В. Себестоимость железнодорожных перевозок / Е. В. Михаль-цев. - М.: Трансжелдориздат, 1957. - 416 с.
5. Беленький М. Н. Экономика тепловозной тяги / М. Н. Беленький. - М.: Трансжелдориздат, 1958. - 243 с.
6. Хачатуров Т. С. Экономика транспорта / Т. С. Хачатуров. - М.: Изд-во АН СССР, 1959. - 587 с.
7. Журавель А. И. О делении расходов железных дорог на зависящие и не зависящие от размеров движения / А. И. Журавель // Вопросы эксплуатации и экономики железных дорог: Труды НИИЖТ. - Вып. 33. - Новосибирск: НИИЖТ, 1963. - С. 41-58.
8. Орлов В. Н. Калькуляция и анализ себестоимости железнодорожных перевозок. Изд. 4-е, перераб. и доп. / В. Н. Орлов, А. С. Чудов. - М.: Транспорт, 1967. - 288 с.
9. Фельдман Э. Д. Сравнительная технико-экономическая эффективность автономных видов тяги (тепловозной и газотурбовозной) / Э. Д. Фельдман // Труды ВНИИЖТ. -Вып. 333. - М.: Транспорт, 1967. - 179 с.
10. Винниченко Н. Г. Хозрасчет на железных дорогах / Н. Г. Винниченко, Е. В. Ларионова. - М.: Транспорт, 1968. - 191 с.
11. Белов И. В. Математические методы в планировании на железнодорожном транспорте / И. В. Белов, А. Б. Каштан. - М.: Транспорт, 1972. - 247 с.
12. Абрамов А. П. Затраты железных дорог и цена перевозки / А. П. Абрамов. -М.: Транспорт, 1974. - 256 с.
13. Барков Н. Н. Планирование и эффективность капитальных вложений на железнодорожном транспорте / Н. Н. Барков, Ф. П. Мулюкин. - М.: Транспорт, 1975. -309 с.
14. Шафиркин Б. И. Повышение эффективности грузовых перевозок транспортной системы СССР / Б. И. Шафиркин. - М.: Транспорт, 1978. - 240 с.
15. Экономика промышленного железнодорожного транспорта / под ред. В. А. Дмитриева. - М.: Транспорт, 1981. - 293 с.
16. Петров Ю. Д. Планирование в структурных подразделениях железнодорожного транспорта: учебник для вузов ж.-д. транспорта / Ю. Д. Петров, А. И. Купоров, Л. В. Шкурина. - М.: Учеб.-метод. центр по образованию на ж.-д. транспорте, 2008. -308 с.
17. Экономика железнодорожного транспорта / под ред. Н. П. Терешиной, Л. П. Левицкой, Л. В. Шкуриной. - М.: Транспорт, 2012. - 601 с.
18. Дмитриев В. А. Экономика железнодорожного транспорта: учебник для вузов ж.-д. транспорта / В. А. Дмитриев, А. И. Журавель, А. Д. Шишков и др.; под ред. В. А. Дмитриева. - М.: Транспорт, 1996. - 327 с.
19. Экономика железнодорожного транспорта: учебник для вузов ж.-д. транспорта / под ред. И. В. Белова. - М.: Транспорт, 1989. - 351 с.
20. Терешина Н. П. Экономика железнодорожного транспорта: учебник для вузов ж.-д. транспорта / Н. П. Терешина, В. Г. Галабурда, В. А. Токарев и др.; под ред. Н. П. Терешиной, Б. М. Лапидуса. - М.: Учеб.-метод. центр по образованию на ж.-д. транспорте, 2008. - 475 с.
21. Захаров А. Г. Совершенствование планирования и анализа грузовых перевозок на железнодорожном транспорте / А. Г. Захаров. - М.: Транспорт, 1990. - 239 с.
22. Вихановский О. С. Стратегическое управление: учебник / О. С. Вихановский. -М.: Гардарики, 1999. - 296 с.
23. Kullman B. C. A model of rail/truck competition in the intercity freight market: Thesis / PhD B. C. Kullman. - Massachusetts: Massachusetts Institute of Technology Dept. of Civil Engineering, 1973. - 318 p.
24. Guglielminetti P. Freight transport planning: An optimisation model for transalpine rail network / P. Guglielminetti, J.-P. Leyvraz, R. Rivier. - Swiss Transport Research Conference. - 2001. - 20 p.
25. De Jong G. National and international freight transport models: an overview and ideas for further development / G. De Jong, H. F. Gunn, W. Walker // Transport Reviews. -2004. - Vol. 24(1). - P. 103-124.
26. Tavasszy L. A. Scenario-wise analysis of transport and logistic systems with a SMILE / L. A. Tavasszy // Papers of the 8th WCTR Conference. - Antwerp, Belgium, 1998. - 16 p.
27. ASTRA consortium. Final report: assessment of transport strategies. - Karlsruhe, Germany: University of Karlsruhe, 2000. - 48 p.
28. McFadden D. Forecasting the values of exogenous variables: Socioeconomic variables / D. McFadden, A. Talvitie, Associates // Demand Model Estimation and Validation. -California: University of California, 1977. - Ch. 3. - Pt 4. - P. 1-58.
29. Rao P. S. Forecasting the demand for railway freight services / P. S. Rao // Journal of Transp. Economics and Policy. - 1978. - Vol. 12(1). - P. 7-26.
30. Hawthorne J. A rail freight forecasting model for the strategic rail authority. Sinclair knight merz and strategic rail authority / J. Hawthorne // Estimation of railway capacity consumption using stochastic differential equations. - 2012. - P. 1-18.
31. Shan Z. MANOVA of historical and unhistorical factors for traffic volume forecasting / Z. Shan, R. Qiu, Y. A. Yingjie // Proceedings of the 2nd Intern. Conference ICTIS. China. - June 29-July 02, 2013. - P. 391-397.
32. Soriguera F. Deriving traffic flow patterns from historical data / F. Soriguera // Journal of Transportation Engineering. - 2012. - Vol. 138(12). - P. 1430-1441.
33. Cortez P. Evolving time series forecasting ARMA models / P. Cortez, M. Rotcha, J. Neves // Journal of Heuristics. - 2004. - Vol. 10(4). - P. 419-429.
34. Nochai R. ARIMA model for forecasting oil palm price / R. Nochai, T. Nochai // Proceedings of the 2nd IMTGT Regional conference of mathematics, statistics and applications. - University Sains Malaisia, Penang. - June 13-15, 2006. - 7 p.
35. Tong M. Highway traffic volume forecasting based on seasonal ARIMA model / M. Tong, H. Xue // Journal of Highway and Transport Research and Development. - 2008. -Vol. 3(2). - P. 109-112.
36. Duddu V. R. Principle of demographic gravitation to estimate annual average daily traffic: Comparison of statistical and neural network models / V. R. Duddu, S. S. Pulugurtha // Journal of Transportation Engineering. - 2013. - Vol. 139(6). - P. 585-595.
37. Jiang L. Prediction of traffic volume in bridge load random process based on Grey Markov Chain / L. Jiang, V. R. Duddu, S. S. Pulugurtha // Journal of Highway and Transport Research and Development. - 2012. - Vol. 6(1). - P. 61-65.
38. Shi X. The advanced nonparametric model for short-term traffic volume forecasting / X. Shi, Q. Ren // Proceedings of the 11th Intern. Conference of Chinese Transport Prof. (ICCTP '11). China. - August 2011. - P. 1442-1453.
39. E3MLab (2015) PRIMES-TREMOVE Transport Model 2013-2014: Detailed model description, NTUA, Athens. - URL: http://www.e3mlab.ntua.gr/e3mlab/PRIMES%2520 Manual/The%2520PRIMES-TREMOVE%2520MODEL%25202013-2014.pdf (дата обращения: 18.06.2020 г.).
40. Schade W. The iTREN-2030 Integrated Scenario until 2030. Deliverable 5 of iT-REN-2030 (Integrated transport and energy baseline until 2030): Project co-funded by European Commission 6th RTD Programme / W. Schade, M. Krail, D. Fiorello, N. Helfrich, J. Köhler, M. Kraft, H. Maurer, J. Meijeren, S. Newton, J. Purwanto, B. Schade, E. Szimba. -Karlsruhe, Germany: Fraunhofer-ISI, 2010. - 319 p.
41. Beuthe M. B. J. Freight transport demand elasticities: a geographic multimodal transportation network analysis / M. B. J. Beuthe, J.-F. Geerts, Koul a Ndjang Ha // Transportation Research. - 2001. - Pt E. - Vol. 37. - P. 253-266.
42. Grebe S. The strategic Flemish freight model at the intersection of policy issues and the available data. Paper presented at European Transport Conference (ETC). 2016 / S. Grebe, G. De Jong, M. De Bok, P. Van Houwe, D. Borremans. - Barcelona. - URL: abstracts.aetransport.org (дата обращения: 18.06.2020 г.).
43. De Jong G. C. Distribution and modal split models for freight transport in The Netherlands. Paper presented at the European Transport Conference (ETC). 2011 / G. C. De Jong, A. Burgess, L. Tavasszy, R. Versteegh, M. De Bok, N. Schmorak. - Glasgow. - UPL: abstracts.aetransport.org (дата обращения: 25.06.2020 г.).
44. Bovenkerk M. SMILE +, the new and improved Dutch national freight model system. Paper presented at the European Transport Conference (ETC). 2005 / M. Bovenkerk. -URL: abstracts.aetransport.org (дата обращения: 25.06.2020 г.).
45. Draper N. Applied regression analysis / N. Draper, H. Smith. - New York: Wiley, 1998. - 736 p.
46. Koenker R. Quantile autoregression / R. Koenker, Z. Xiao // Journal of American Statistics Association. - 2006. - Vol. 101. - N 475. - P. 980-990. -http://dx.doi.org/10.1198 /016214506000000672
47. Friedman J. Additive logistic regression: Statistical view of boosting / J. Friedman // Annals of Statistics. - 1998. - Vol. 38(2). - P. 337-374.
48. Бедрин Д. С. Практика применения технологии Big Data для цифровизации бизнес-процессов рельсовых транспортных систем: сб. науч. статей / Д. С. Бедрин; под ред. Н. А. Журавлевой // VII Междунар. науч.-практич. конференция «Развитие экономической науки на транспорте: экономическая основа будущего транспортных систем». Кафедра «Экономика транспорта» ПГУПС. Санкт-Петербург, 19 декабря 2019 г. -СПб.: ООО «ИНСЭИ - оценка», 2019. - С. 66-77.
Дата поступления: 15.07.2020 Решение о публикации: 24.07.2020
Контактная информация:
БЕДРИН Денис Сергеевич - генеральный директор ООО «ТК НЕВА ТРАНЗИТ»; bds@inbox.ru
Transformation of the methodology for planning and forecasting railway freight transportation
D. S. Bedrin
Emperor Alexander I Petersburg State Transport University, 9, Moskovsky pr., Saint Petersburg, 190031, Russian Federation
For citation: Bedrin D. S. Transformation of the methodology for planning and forecasting railway freight transportation. Bulletin of scientific research results, 2020, iss. 4, pp. 5-23. (In Russian) DOI: 10.20295/2223-9987-2020-4-5-23
Summary
Objective: To develop a system of approaches, methods, and models for planning and forecasting the railway freight traffic using big data acquisition and analysis. This is conditioned by the today's era of fierce competition, global digitalization, and a big amount of chaotic and multi-directional information flows, where the effective progressive development of transport systems depends very
heavily on the methodology used for planning and forecasting freight traffic. The reliability of such a methodology is determined by the quality of the studied data sample, the integrity of analytical methods and procedures for their processing, and effectiveness. Methods: In order to classify the methods of planning and forecasting freight traffic, we have analyzed and systematized the main indicators of the transportation process, the degree of formalization of the methods used, and the general principles of their operation and obtaining forecast information. Results: Logical and comparative analyzes, synthesis of forecasting models made it possible to propose a conceptual approach to the practical application of the econometric methods and forecasting models used in foreign studies and analyzed cases. Practical importance: A technical approach to the use and scaling of the polynomial logit (logistic regression), the ARMA model (ARIMA) and the HIST algorithm of the Computing Center of the Russian Academy of Sciences has been proposed for forecasting the freight traffic and digitalization of planned and predictive business processes in the railway transport of the Russian Federation.
Keywords: Planning and forecasting the freight traffic, intuitive and formalized methods, econometric methods, big data analysis.
References
1. Zheleznodorozhnyy transport SSSR v dokumentakh Kommunisticheskoy partii i So-vetskogo pravitel'stva [Railway transport of the USSR in the documents of the Communist Party and the Soviet Government]. Moscow, Transzheldorizdat Publ., 1957, 382 p. (In Russian)
2. Gibshman A. E. Opredeleniye ekspluatatsionnykh raskhodov pri proyektirovanii no-vykh zheleznykh dorog [Determination of operating costs in design of new railways]. Ekonomicheskiye obsledovaniya i ekonomika zheleznykh dorog [Economic Surveys and Railway Economy]. Moscow, Transpechat' Publ., 1926, pp. 93-127. (In Russian)
3. Khanukov E. D. Transport i razmeshcheniye proizvodstva [Transport and production location]. Moscow, Transzheldorizdat Publ., 1955, 412 p. (In Russian)
4. Mikhal'tsev E. V. Sebestoimost' zheleznodorozhnykh perevozok [Cost of railway transportation]. Moscow, Transzheldorizdat Publ., 1957, 416 p. (In Russian)
5. Belen'kiy M. N. Ekonomika teplovoznoy tyagi [Economy of diesel locomotive traction]. Moscow, Transzheldorizdat Publ., 1958, 243 p. (In Russian)
6. Khachaturov T. S. Ekonomika transporta [Transport economics]. Moscow, USSR Academy of Sciences Publ., 1959, 587 p. (In Russian)
7. Zhuravel' A. I. O delenii raskhodov zheleznykh dorog na zavisyashchiye i ne zavis-yashchiye ot razmerov dvizheniya [Dividing the cost of railways into dependent on and independent of the amount of traffic]. Voprosy ekspluatatsii i ekonomiki zheleznykh dorog [Questions of Operation and Economy of Railways. Proceedings of NIIZhT]. Novosibirsk, NIIZhT Publ., 1963, iss. 33, pp. 41-58. (In Russian)
8. Orlov V. N. & Chudov A. S. Kal'kulyatsiya i analiz sebestoimosti zheleznodorozh-nykh perevozok [Calculation and analysis of the cost of railway transportation]. 4th ed., revised and amended. Moscow, Transport Publ., 1967, 288 p. (In Russian)
9. Feldman E. D. Sravnitel'naya tekhniko-ekonomicheskaya effektivnost' avtonomnykh vidov tyagi (teplovoznoy i gazoturbovoznoy) [Comparative technical and economic efficiency of autonomous types of traction (diesel and gas turbine)]. Proceedings of VNIIZhT. Moscow, Transport Publ., 1967, iss. 333, 179 p. (In Russian)
10. Vinnichenko N. G. & Larionova E. V. Khozraschet na zheleznykh dorogakh [Profit and loss responsibility on railways]. Moscow, Transport Publ., 1968, 191 p. (In Russian)
11. Belov I. V. & Kashtan A. B. Matematicheskiye metody v planirovanii na zhelez-nodorozhnom transporte [Mathematical methods in planning on railway transport]. Moscow, Transport Publ., 1972, 247 p. (In Russian)
12. Abramov A. P. Zatraty zheleznykh dorog i tsena perevozki [Railroad expenses and transportation costs]. Moscow, Transport Publ., 1974, 256 p. (In Russian)
13. Barkov N. N. & Mulyukin F. P. Planirovaniye i effektivnost' kapital'nykh vlozheniy na zheleznodorozhnom transporte [Capital investments planning and efficiency in railway transport]. Moscow, Transport Publ., 1975, 309 p. (In Russian)
14. Shafirkin B. I. Povysheniye effektivnosti gruzovykh perevozok transportnoy sistemy SSSR [Improving the efficiency of freight traffic in the USSR transport system]. Moscow, Transport Publ., 1978, 240 p. (In Russian)
15. Ekonomika promyshlennogo zheleznodorozhnogo transporta [Industrial railway transport economics]. Ed. by V. A. Dmitriev. Moscow, Transport Publ., 1981, 293 p. (In Russian)
16. Petrov Yu. D., Kuporov A.I. & Shkurina L.V. Planirovaniye v strukturnykh po-drazdeleniyakh zheleznodorozhnogo transporta. Uchebnik dlya vuzov zh.-d. transporta [Planning in structural divisions of railway transport. A textbook for universities of railway transport]. Moscow, Training and Methodology Centre for Railway Transport Publ., 2008, 308 p. (In Russian)
17. Ekonomika zheleznodorozhnogo transporta [Railway transport economics]. Ed. by N. P. Teryoshina, L. P. Levitskaya, L. V. Shkurina. Moscow, Transport Publ., 2012, 601 p. (In Russian)
18. Dmitriyev V. A., Zhuravel' A. I., Shishkov A. D. et al. Ekonomika zheleznodorozhnogo transporta. Uchebnik dlya vuzov zh.-d. transporta [Railway transport economics. A textbook for universities of railway transport]. Ed. by V. A. Dmitriev. Moscow, Transport Publ., 1996, 327 p. (In Russian)
19. Ekonomika zheleznodorozhnogo transporta. Uchebnik dlya vuzov zh.-d. transporta [Railway transport economics. A textbook for universities of railway transport]. Ed. by I. V. Belov. Moscow, Transport Publ., 1989, 351 p. (In Russian)
20. Teryoshina N. P., Galaburda V. G., Tokarev V. A. et al. Ekonomika zheleznodorozhnogo transporta. Uchebnik dlya vuzov zh.-d. transporta [Railway transport economics. A textbook for universities of railway transport]. Ed. by N. P. Teryoshina & B. M. Lapidus. Moscow, Training and Methodology Centre for Railway Transport Publ., 2008, 475 p. (In Russian)
21. Zakharov A. G. Sovershenstvovaniye planirovaniya i analiza gruzovykh perevozok na zheleznodorozhnom transporte [Improving the planning and analysis of railway freight transportation]. Moscow, Transport Publ., 1990, 239 p. (In Russian)
22. Vikhanovskiy O. S. Strategicheskoye upravleniye [Strategic management]. Textbook. Moscow, Gardariki Publ., 1999, 296 p. (In Russian)
23. Kullman B. C. A model of rail/truck competition in the intercity freight market. Thesis. Massachusetts, Massachusetts Institute of Technology Dept. of Civil Engineering Publ., 1973, 318 p.
24. Guglielminetti P., Leyvraz J.-P. & Rivier R. Freight transport planning. An optimisation model for transalpine rail network. Swiss Transport Research Conference, 2001, 20 p.
25. De Jong G., Gunn H. F. & Walker W. National and international freight transport models. An overview and ideas for further development. Transport Reviews, 2004, vol. 24(1), pp.103-124.
26. Tavasszy L. A. Scenario-wise analysis of transport and logistic systems with a SMILE. Papers of the 8th WCTR Conference. Antwerp, Belgium, 1998, 16 p.
27. ASTRA consortium. Final report: assessment of transport strategies. Karlsruhe, Germany, University of Karlsruhe Press, 2000, 48 p.
28. McFadden D. & Talvitie A. Forecasting the values of exogenous variables: Socioeconomic variables. Demand Model Estimation and Validation. California, University of California Press, 1977, ch. 3, pt 4, pp. 1-58.
29. Rao P. S. Forecasting the demand for railway freight services. Journal of Transp. Economics and Policy, 1978, vol. 12, pp. 7-26.
30. Hawthorne J. A rail freight forecasting model for the strategic rail authority. Sinclair knight merz and strategic rail authority. Estimation of railway capacity consumption using stochastic differential equations, 2012, pp. 1-18.
31. Shan Z., Qiu R. & Yingjie Y. A. MANOVA of historical and unhistorical factors for traffic volume forecasting. Proceedings of the 2nd Intern. Conference ICTIS. China, 2013, pp. 391-397.
32. Soriguera F. Deriving traffic flow patterns from historical data. Journal of Transportation Engineering, 2012, vol. 138(12), pp. 1430-1441.
33. Cortez P., Rotcha M. & Neves J. Evolving time series forecasting ARMA models. Journal of Heuristics, 2004, vol. 10(4), pp. 419-429.
34. Nochai R. & Nochai T. ARIMA model for forecasting oil palm price. Proceedings of the 2nd IMTGT Regional conference of mathematics, statistics and applications. Penang, University Sains Malaysia Press, 2006, 7 p.
35. Tong M. & Xue H. Highway traffic volume forecasting based on seasonal ARIMA model. Journal of Highway and Transport Research and Development, 2008, vol. 3(2), pp.109-112.
36. Duddu V. R. & Pulugurtha S. S. Principle of demographic gravitation to estimate annual average daily traffic. Comparison of statistical and neural network models. Journal of Transportation Engineering, 2013, vol. 139(6), pp. 585-595.
37. Jiang L., Duddu V. R. & Pulugurtha S. S. Prediction of traffic volume in bridge load random process based on Grey Markov Chain. Journal of Highway and Transport Research and Development, 2012, vol. 6(1), pp. 61-65.
38. Shi X. & Ren Q. The advanced nonparametric model for short-term traffic volume forecasting. Proceedings of the 11th Intern. Conference of Chinese Transport Prof. (ICCTP '11). China, 2011, pp. 1442-1453.
39. E3MLab (2015) PRIMES-TREMOVE Transport Model 2013-2014: Detailed model description, NTUA, Athens. Available at: http://www.e3mlab.ntua.gr/e3mlab/PRIMES% 2520Manual/The%2520PRIMES-TREM0VE%2520M0DEL%25202013-2014.pdf (accessed: June 18, 2020).
40. Schade W., Krail M., Fiorello D., Helfrich N., Köhler J., Kraft M., Maurer H., Mei-jeren J., Newton S., Purwanto J., Schade B. & Szimba E. The iTREN-2030 Integrated Scenario until 2030. Deliverable 5 of iTREN-2030 (Integrated transport and energy baseline until 2030). Project co-funded by European Commission 6th RTD Programme. Germany, Karlsruhe, Fraunhofer-ISI Press, 2010, 319 p.
41. Beuthe M. B. J., Geerts J.-F. & Koul a Ndjang Ha. Freight transport demand elasticities: a geographic multimodal transportation network analysis. Transportation Research, 2001, pt E, vol. 37, pp. 253-266.
42. Grebe S., De Jong G., De Bok M., Van Houwe P. & Borremans D. The strategic Flemish freight model at the intersection of policy issues and the available data. Paper presented at European Transport Conference (ETC). 2016. Available at: abstracts.aetransport.org (accessed: June 18, 2020).
43. De Jong G. C., Burgess A., Tavasszy L., Versteegh R., De Bok M. & Schmorak N. Distribution and modal split models for freight transport in the Netherlands. Paper presented at the European Transport Conference (ETC). 2011. Available at: abstracts.aetransport.org (accessed: June 25, 2020).
44. Bovenkerk M. SMILE +, the new and improved Dutch national freight model system. Paper presented at the European Transport Conference (ETC). 2005. Available at: abstracts.aetransport.org (accessed: June 25, 2020).
45. Draper N. & Smith H. Applied regression analysis. New York, Wiley Publ., 1998, 736 p.
46. Koenker R. & Xiao Z. Quantile autoregression. Journal of American Statistics Association, 2006, vol. 101, no. 475, pp. 980-990. http://dx.doi.org/10.1198 /016214506000000672
47. Friedman J. Additive logistic regression: Statistical view of boosting. Annals of Statistics, 1998, vol. 38(2), pp. 337-374.
48. Bedrin D. S. Praktika primeneniya tekhnologii Big Data dlya tsifrovizatsii biznes-protsessov rel'sovykh transportnykh sistem [Practice of using the Big Data for digitalization of business processes in rail transport systems]. Razvitiye ekonomicheskoy nauki na transporte: ekonomicheskaya osnova budushchego transportnykh system. Materialy VII mezhdun. nauch.-praktich. konferentsiya. Sb. nauch. statey [Development of Economics in Transport: an Economic Basis for the Future of Transport Systems: proceedings of the VII International Scientific and Practical Conference. Collection of scientific articles], St. Petersburg, December 19, 2019, Department of Transport Economics, Petersburg State Transport University. Ed. by N. A. Zhuravleva. St. Petersburg, OOO "INSEI - Otsenka" [Institute of Independent Social and Economic Research] Publ., 2019, pp. 66-77. (In Russian)
Received: July 15, 2020 Accepted: July 24, 2020
Author's information:
Denis S. BEDRIN - General Director OOO "TK NEVA TRANZIT" Transport Company; bds@inbox.ru
