Analysis methodology of functioning and forecasting the development of the regional transport network (on the example of the European and Cisural Arctic)

Full Text

Введение

Новизна работы заключается в необходимости прогнозирования развития транспортной сети Российской Федерации (далее – РФ) и ее регионов. На современном этапе это требует применения как математических, так и экспертных методов анализа функционирования и прогнозирования развития. Учитывая неполноту временных рядов статистических показателей, характеризующих работу транспортной сети региона, в исследовании наряду с классическими методами прогнозирования объемов перевозок используются сценарии развития транспортной сети, данные о провозных и пропускных способностях сети и перспективах ее развития. Отсутствие научных основ анализа функционирования и прогнозирования развития транспортной сети подчеркивает актуальность исследования.

Материалы и методы

Объектом исследования является транспортная сеть Европейской и Приуральской Арктики (далее – ЕиПА).

Цель работы – разработка научных основ анализа функционирования и прогнозирования развития транспортной сети ЕиПА.

В ходе исследования использованы методы системного и сравнительного анализов, теория графов, классические формализованные регрессионные и неформализованные (экспертные оценки и т. п.) методы прогнозирования, сценарного и программно-целевого прогнозирования. Теоретической базой исследования являются научные работы отечественных и зарубежных авторов. Информационной базой – открытые данные Росстата, Ассоциации морских и торговых портов, Росморречфлота и др.

Значимость работы определяется возможностью составления перспективных планов развития транспортной сети ЕиПА по причине, что транспортные проблемы в Арктике могут быть решены только при согласованном развитии всей Арктической транспортной системы, включающей авиационный, автомобильный, железнодорожный, речной и морской виды транспорта ЕиПА. В Российской Арктике на развитие транспортных систем оказывает влияние гораздо большее количество факторов, чем в центральных районах страны, также выше степень их воздействия.

Подходы и методы анализа функционирования транспортной сети Европейской и Приуральской Арктики

Территория ЕиПА (табл. 1) характеризуется большой площадью, малой численностью населения, суровыми природно-климатическими условиями и в то же время значительным объемом осваиваемых и потенциальных запасов природных ресурсов. Реализация проектов социально-экономического развития ЕиПА тесно связана с функционированием и развитием Арктической транспортной системы Российской Федерации.

 

Таблица 1

Площадь и численность населения субъектов Европейской и Приуральской Арктики*

Table 1

Area and population number of the constituent entities of the European and Cisural Arctic regions*

Субъект Европейской и Приуральской Арктики	Площадь территории, тыс. км2	Численность населения на 1 января 2023 г., чел.
Архангельская область (три городских округа и пять муниципальных районов)	166,96	576 190
Мурманская область	144,90	658 698
Ненецкий автономный округ	176,80	41 385
Приуральская Арктика – Ямало-Ненецкий автономный округ (два городских округа и два муниципальных района)	214,85	105 831
Республика Карелия (пять муниципальных районов и городской округ)	71,41	99 629
Республика Коми (три городских округа и муниципальный район )	127,40	135 297
Итого по ЕиПА	902,32	1 617 030

Примечание. * составлено и рассчитано авторами на основе данных Росстата и муниципальных образований.

Note. *prepared and calculated by the authors according to the data of the Federal State Statistics Service and municipal formations.

 

В ЕиПА входят территории [1]:

1) Мурманской области;

2) Ненецкого автономного округа (далее – НАО);

3) части территорий:

а) Ямало-Ненецкого автономного округа (далее – ЯНАО) – два городских округа (Салехард, Лабытнанги) и два муниципальных района (далее – МР): Ямальский, Приуральский – назовем эти территории Приуральской Арктикой;

б) Республики Карелия – пять МР (Беломорский, Калевальский, Кемский, Лоухский, Сегежский) и городской округ (Костомукшский);

в) Республики Коми – три городских округа (Воркута, Усинск, Инта) и Усть-Цилемский МР;

г) Архангельской области – три городских округа (Архангельск, Новодвинск, Северодвинск) и пять МР (Мезенский, Онежский, Приморский, Пинежский, Лешуконский).

Транспортная сеть ЕиПА является частью Арктической транспортной системы (далее – АТС) России. Основные магистральные подсистемы АТС – Северный морской путь (далее – СМП) со всей его инфраструктурой и системы трубопроводов Российской Арктики [2].

К магистральным подсистемам также относятся железнодорожные, автомобильные, воздушные, водные пути, соединяющие транспортную систему РФ с арктическими морскими портами и экономическими центрами Российской Арктики. К локальным транспортным подсистемам АТС относятся все другие транспортные системы, функционирующие в Российской Арктике.

Важнейшим элементом транспортной инфраструктуры Арктической транспортной системы, обеспечивающим функционирование транспортной сети ЕиПА, взаимодействие видов транспорта, являются арктические морские порты [3].

Подходы и методы, применимые для анализа функционирования транспортной сети ЕиПА, представлены на рис. 1.

 

Рисунок 1. Подходы и методы анализа функционирования транспортной сети.

Figure 1. Analysis approaches and methods of transport network performance.

 

Центральное место занимает системный подход, который дополняется экспертными и другими методами. Слева представлены общеупотребительные подходы и методы. Справа – подходы и методы, по которым можно определить авторство.

В целом, анализ функционирования транспортной сети региона рассмотрен как самостоятельный процесс и как одна из стадий процесса прогнозирования, где на основе данных проведенного анализа оцениваются предпосылки и разрабатываются прогнозы дальнейшего развития транспортной сети.

Методология анализа функционирования и прогнозирования развития транспортной сети региона [4] включает в себя:

– определение (конкретизации) цели и задач исследования;

– уточнение объектов анализа текущей и перспективной транспортной сети;

– определение и отбор исходной информации, необходимой для осуществления анализа текущей и перспективной деятельности транспортной сети;

– определение основных показателей, характеризующих деятельность текущей и перспективной транспортной сети рассматриваемого региона;

– выбор методов и алгоритмы осуществления аналитических расчетов анализа текущей и перспективной деятельности транспортной сети;

– формулирование выводов и рекомендаций по результатам проведения анализа;

– составление прогнозов развития транспортной сети и их интерпретация.

С использованием методов, представленных на рис. 1, была разработана методология анализа функционирования и прогнозирования развития транспортной сети ЕиПА [5].

В качестве входной информации для анализа функционирования транспортной сети региона использованы материалы официальной статистики (Росстат и его территориальные органы), данные отраслевых министерств и ведомств (Минтранс РФ, Росморречфлот, Росавиация и др.), материалы годовых отчетов, бухгалтерской и иной отчетности транспортных предприятий и т. п.

Важным этапом является определение основных показателей и характеристик функционирования транспортной сети ЕиПА, таких как:

1. конфигурация транспортной сети (схема расположения транспортных коммуникаций на сети);
2. географическая привязка и расположение на сети основных транспортных объектов;
3. количественные, качественные, эксплуатационно-технологические показатели деятельности транспорта и транспортной сети;
4. показатели и характеристики деятельности основных источников грузо- и пассажиропотоков.

В ходе исследования определены источники грузопотоков ЕиПА.

Прогнозирование развития транспортной сети региона

Основными показателями прогнозирования развития транспортной сети региона являются объемы перевозок пассажиров и грузов. Кроме того, при прогнозировании развития транспортной сети региона необходимо учитывать показатели промышленного производства, характеризующие источники и потребителей грузопотоков.

Использование информационных систем позволяет снизить временные затраты на получение выборки данных и анализ адекватности этой выборки для поставленной задачи, а также на расчет числовых параметров по выборочным данным; позволяет повысить точность расчетов за счет применения прогнозных моделей.

На сегодняшний день существует большое количество программно-инструментальных средств, позволяющих строить прогнозы. Они могут быть подвергнуты классификации по следующим признакам: по сфере применения, реализуемым методам, квалификации пользователя, степени готовности к эксплуатации [6].

Турбулентность современных экономических и политических процессов актуализирует разработку методов получения прогнозных значений социально-экономических показателей при нестабильных временных рядах [7, 8]. Их основу составляют регрессионные и интеллектуальные модели (экспертные системы, искусственные нейронные сети и др.), которые дополняются сценарным прогнозированием (рис. 2).

 

Рисунок 2. Система комбинированных моделей прогнозирования [8], дополнено авторами.

Figure 2. System of combined forecasting models [8], supplemented by the authors.

 

Прогнозирование объемов перевозок транспортной сети Европейской и Приуральской Арктики

Перевозки на территории ЕиПА осуществляются по опорной транспортной сети (далее – ОТС), которая обеспечивает взаимосвязь населенных пунктов, экономических центров и транспортных объектов, объединяя все виды транспорта. Ее основу составляют: СМП со всей инфраструктурой, система магистральных трубопроводов, железнодорожные, автомобильные, воздушные и водные пути, соединяющие транспортную сеть РФ с морскими портами и экономическими центрами ЕиПА.

При прогнозировании объемов перевозок грузов железнодорожным транспортом ЕиПА применены методы прямой экстраполяции. Используя статистику по объемам перевозок грузов железнодорожным транспортом Мурманской области, разработано шесть моделей прогнозирования. Проведены оценки адекватности моделей и точности прогнозов (табл. 2). По моделям скользящей средней рассчитан прогноз на 2022 г., определены доверительные интервалы для математического ожидания и истинного значения при уровне значимости 5 % (табл. 3).

 

Таблица 2

Результаты исследования моделей прогнозирования перевозок грузов железнодорожным транспортом Мурманской области

Table 2

Study results of the of forecasting models for rail-freight traffic in the Murmansk Region

Функция	Оценка адекватности модели		Оценка точности прогноза
	Коэффициент детерминации (R-квадрат), %	Расчетный критерий Фишера (F)	MAPE, %	WAPE, %	SEoE, тыс. т
Линейная	52,42	15,43	4,44	4,39	3358,96
Полиномиальная полином 2-й степени)	52,81	7,27	4,45	4,23	3471,65
Полиномиальная (полином 3-й степени)	53,42	4,59	4,33	4,29	3589,70
Скользящая средняя (р=2)	84,67	77,35	2,14	2,16	1716,06
Скользящая средняя (р=3)	67,84	29,54	3,73	3,77	2790,22
Экспоненциальное сглаживание =0,7	46,45	12,15	5,37	5,48	4220,51

Условные обозначения. МАРЕ – Mean Absolute Percent Error (средняя процентная ошибка прогнозирования); SEoE – Standard Error of Estimate (стандартная ошибка прогноза); WAPE – Weighted Absolute Percent Error (взвешенная абсолютная процентная ошибка прогнозирования).

Note. МАРЕ – Mean Absolute Percent Error; SEoE – Standard Error of Estimate; WAPE – Weighted Absolute Percent Error.

 

Таблица 3

Прогнозные значения и доверительные интервалы объемов перевозок грузов железнодорожным транспортом Мурманской области

Table 3

Forecast values and confidence intervals of rail-freight traffic volumes in the Murmansk Region

Прогнозная модель	Прогноз
	Перевозка грузов, , тыс. т	Доверительный интервал (α=0,05)
		Математическое ожидание, тыс. т	Толерантный интервал, тыс. т
Модель скользящей средней p=2	62592	±1372	±4908
Модель скользящей средней p=3	63922	±1917	±6284

 

Определяющую роль в развитии опорной транспортной сети ЕиПА играет СМП. Плановые значения целевых показателей объемов перевозок по СМП уточняются прогнозированием на основе системы комбинированных моделей, которые представляют собой сочетание регрессионных моделей и искусственных нейронных сетей (см. рис. 2).

Прогнозирование объемов перевозок по СМП осуществлено квадратичными регрессионными моделями (рис. 3). Построены полиномиальные регрессионные модели со степенью 2 для разных временных рядов. Определены прогнозные значения объемов перевозок по СМП на 2023 г. (45 млн т ) и 2024 г. (55 млн. т).

 

Рисунок 3. Квадратичные регрессионные модели прогнозирования объемов перевозок по СМП.

Figure 3. Quadratic regression models for forecasting transport volumes by the Northern Sea Route.

 

Фактическое значение объема перевозок по СМП в 2023 г. составило 36,3 млн т, в том числе транзит 2,13 млн т.

Видно, что по результатам оценок регрессионных моделей можно сделать предположение о достижимости или недостижимости целевого показателя при наличии выявленных тенденций динамических рядов, поскольку схема таких исследований направлена «из прошлого в будущее».

При использовании искусственной нейронной сети (далее – ИНС) исследования направлены «из будущего к настоящему», т. е. сначала определяются основные факторы, которые могут оказывать влияние на функционирование системы в перспективе, а затем разрабатывается несколько сценариев текущего развития.

Искусственные нейронные сети составлены из множества процессоров, которые называются блоками обработки данных (далее – БОД) [9]. Каждому входу БОД приписан некоторый вес. Веса анализируются с учетом значимости воздействия различных факторов, что имеет сходство с методом анализа иерархий.

Выделены факторы, оказывающие негативное влияние на функционирование СМП (политико-экономические риски, природно-климатические риски, недостаточная грузообразующая база), которые являются входными переменными для базового БОД_1 и определены их веса (табл. 4).

 

Таблица 4

Входные и выходные переменные и их веса для базового БОД_1

Table 4

Input and output variables and their weights for basic BOD_1 (data-processing unit_1)

Обозначение переменных	Смысловое значение переменных, xi	«Вес» переменной,wi
x1	Политико-экономические риски	0,13
x2	Природно-климатические риски	0,11
x3	Недостаточная грузообразующая база	0,7
y1	Целевой показатель достигнут

 

Выходная переменная y₁ показывает: достигнут («1») или не достигнут («0») целевой показатель в отчетном году (например, в 2024 г.).

Для анализа достаточности грузовой базы перевозок по СМП разработан БОД_2 (рис. 4).

 

Рисунок 4. Схема входных и выходных данных БОД для прогнозирования достижимости целевого показателя объема грузовых перевозок по СМП.

Figure 4. Diagram of input and output data from the data-processing unit for forecasting the achievability of the target indicator of cargo traffic volume by the Northern Sea Route.

 

Сценарии развития транспортной сети Европейской и Приуральской Арктики

Предварительные прогнозные значения показателей, полученные при использовании регрессионных моделей, корректируются посредством применения интеллектуальных моделей и сценарного прогнозирования.

Т. Саати и К. Кернс дают следующее определение сценарию: «В самом общем виде сценарий – это гипотетический исход, который определяется с помощью некоторых предположений о текущей и будущих тенденциях» [10].

М. Линдгрен и Х. Бандхольд отмечали, что «сценарий не является прогнозом, то есть описанием сравнительно предсказуемого развития событий настоящего. Не является он и видением – желаемым будущим. Сценарий – это тщательно продуманный ответ на вопрос: «Что случится предположительно?» или: «Что произойдёт, если...?» [11]. Соотношение (различие) сценария, прогноза и видения приводится в табл. 5.

 

Таблица 5

Соотношение сценария, прогноза, видения [11]

Table 5

Correlation of scenario, forecast, vision [11]

Сценарий	Прогноз	Видение
Возможные, наиболее вероятные варианты будущего	Вероятные варианты будущего	Желаемые варианты будущего
Основан на неопределенности	Основан на определенных связях	Основано на ценности
Показывает риски	Скрывает риски	Скрывает риски
Качественный или количественный	Количественный	Обычно качественный
Необходим, чтобы знать, какое решение принять	Необходим, чтобы осмелиться принять решение	Побуждает к действию
Редко применяется	Применяется ежедневно	Применяется относительно часто
Эффективен в средней долгосрочной перспективе и при средней или высокой степени неопределённости	Эффективен в краткосрочной перспективе и при низкой степени неопределённости	Играет роль пусковых механизмов для сознательных преобразований

 

Разработка сценариев развития транспортной сети региона представляет выработку нескольких траекторий достижения цели функционирования сети в будущем. Чтобы сценарное прогнозирование приносило желаемый результат (прогнозные значения, близкие к реальным), необходимо учесть все наиболее влияющие на объект прогнозирования факторы и использовать программно-целевой подход [12–14].

Используя программно-целевое прогнозирование при разработке сценариев развития транспортной сети региона, необходимо учитывать реализацию мероприятий Государственной программы РФ «Развитие транспортной системы» [15], документов стратегического планирования Российской Федерации и субъектов.

Центры развития ЕиПА представляют собой места сосредоточения крупных источников грузопотоков на рассматриваемой территории. Они определены в границах субъектов ЕиПА. Выделены пять центров развития на рассматриваемой территории и их специализация (рис. 5).

 

Рисунок 5. Центры развития Европейской и Приуральской Арктики: 1 – Кольский; 2 – Архангельский; 3 – Ненецкий; 4 – Воркутинский; 5 – Ямало-Ненецкий [16].

Figure 5. Development Centres of the European and Cisurals Arctic: 1 – Kola; 2 – Arkhangelsk; 3 – Nenets; 4 – Vorkuta; 5 – Yamalo-Nenets [16].

 

При прогнозировании развития транспортной сети региона необходимо учитывать возможности перспективных видов транспорта.

К перспективным видам транспорта, которые применимы в развитии транспортной сети ЕиПА, относятся:

– новые летательные аппараты, в том числе беспилотные;

– суда с малой осадкой, новые надводные и подводные аппараты, в том числе беспилотные;

– транспортные модули, перемещающиеся относительно эстакад;

– транспортные средства, работающие на нетрадиционных видах топлива.

Ограничения по электрификации железнодорожной сети территории ЕиПА, повышение экологических требований, наличие и доступность природного газа вызывают необходимость более широкого применения локомотивов, работающих на газовом топливе [17]. Результаты подконтрольной эксплуатации (на участке Сургут – Лимбей – Коротчаево) показывают, что использование магистрального газотурбовоза позволяет снизить на 30 % расходы на перевозку одной тонны груза и получить экономию текущих расходов на топливо до 35 %.

Разработаны четыре сценария прироста мощностей основных морских портов ЕиПА на период до 2035 г. Сценарий 1 предполагает реализацию только проекта по развитию Мурманского транспортного узла. При реализации сценария 2 к этому проекту добавляется проект «Белкомур» совместно со строительством нового глубоководного порта в районе Архангельска, а при реализации сценария 3 – проект «Баренцкомур» со строительством нового глубоководного порта в бухте Индига. Сценарий 4 предполагает создание благоприятных условий для реализации всех названных проектов, а также восстановление функционирования порта Витино вблизи г. Кандалакша.

Целью разработки сценариев развития железнодорожной транспортной сети является определение перспективы (среднесрочная, долгосрочная) реализации проектов строительства новых железнодорожных линий на территории ЕиПА с учетом различных факторов.

По базовому сценарию в среднесрочной перспективе предполагается реализация проектов Северный широтный ход (далее – СШХ) и строительство железнодорожной ветки Выходной – Лавна в рамках проекта Комплексного развития Мурманского транспортного узла.

Основой выполнения проектов Баренцкомур (Баренцево море – Коми – Урал) и СШХ–2 в оптимистическом сценарии будет политический фактор, так как новые железнодорожные линии должны обеспечить связь железнодорожной сети России с портами, имеющими выход в Мировой океан.

Перспективы развития трубопроводного транспорта на ЕиПА связаны с реализацией проектов строительства магистральных газопроводов: «Волхов – Мурманск», «Сила Сибири–2», «Харасавэй – Бованенково» и др. (табл. 6).

 

Таблица 6

Проекты по производству сжиженного природного газа на территории Европейской и Приуральской Арктики и связанных с ней крупных источников грузопотоков [18]

Table 6

Liquefied natural gas production projects in the European and Cisural Arctic region and related major sources of cargo traffic [18]

№ п/п	Проект	Компания	Проектная мощность, млн т в год	Месторождение (запасы)	Статус проекта (сроки реализации)
1	Ямал СПГ	ПАО «Новатэк»	17,4	Южно-Тамбейское месторождение (1,25 трлн м3)	действующий
2	Обский СПГ	ПАО «Новатэк»	5–6	Верхнетиутейское (93,6 млрд м3), Западно-Сеяхинское (266,1 млрд м3) месторождения	после 2024 г.
3	СПГ на Тамбейском месторождении	ПАО «Газпром»	20	Тамбейское месторождение (5,5 трлн м3)	2030 г.
4	Арктик СПГ-2	ПАО «Новатэк»	19,8	Салмановское (Утреннее) месторождение (2,2 трлн м3)	строящийся
5	Арктик СПГ-1	ПАО «НОВАТЭК»	19,8	Солетско-Ханавейское, Геофизическое и Трехбугорное месторождения (суммарно 357,7 млрд м3)	после 2027 г.
6	Арктик СПГ-3	ПАО «НОВАТЭК»	19,8	Северо-Обское месторождение (273,59 млрд м3)	изучение ресурсной базы проекта
7	Печора СПГ	ООО «Печора СПГ»	4,3	Кумжинское (146,5 млрд м), Коровинское (48,5 млрд м3) месторождения	заморожен
8	Штокман	ПАО «Газпром»	30	Штокмановское месторождение (3,9 трлн м3)	после 2035 г.
9	Кара-СПГ	ПАО «НК «Роснефть»	30	на базе имеющихся запасов и ресурсов газа Карского моря, лицензионный участок Восточно-Приновоземельский-1 (запасы не указаны)	2030-2035 гг.

 

Дальнейшие перспективы развития сети авиалиний на территории ЕиПА связаны с необходимостью модернизации инфраструктуры воздушного транспорта (аэропортов, аэродромов), расширения маршрутной сети и использования более современных отечественных воздушных судов на местных и региональных авиаперевозках, способных работать в условиях Севера и Арктики [19]. В деятельности воздушного транспорта ЕиПА на краткосрочную перспективу возможны изменения, связанные с существующей маршрутной сетью авиасообщения.

Наличие действующих аэропортов и аэродромов позволяет их использовать как наземную базу для возрождения Полярной авиации, необходимой базой которой являются аэропорты и аэродромы ЕиПА: Амдерма, Апатиты, Архангельск, Баваненково, Варандей, Воркута, Инта, Мурманск, Усинск, Усть-Цильма, Нарьян-Мар, Сабетта, Салехард, а также действующие в Российской Арктике аэропорты, например – Диксон, Игарка, Норильск. Основная проблема возрождения Полярной авиации состоит в отсутствии воздушных судов, которые могут эксплуатироваться в условиях Арктики.

Заключение

Научные основы анализа функционирования и прогнозирования развития транспортных сетей регионов в настоящее время недоработаны отечественными и зарубежными исследователями, особенно это касается транспортной сети такого интенсивно осваиваемого в промышленном отношении региона, как Европейская и Приуральская Арктика. Воздействия факторов внешней среды (санкционное давление западных стран, изменения климата, природные катаклизмы и др.) порождают неопределенность в определении перспектив развития экономических систем в Российской Арктике, в том числе транспортных систем, для которых должно обеспечиваться опережающее развитие.

Даны описание региона Европейская и Приуральская Арктика и характеристика его транспортной сети. Рассмотрены существующие подходы и методы анализа функционирования транспортной сети исследуемого региона. Определены этапы, источники грузопотоков, состав исходной информации для анализа функционирования транспортной сети ЕиПА. Разработана методология анализа функционирования и прогнозирования развития названной транспортной сети.

При прогнозировании развития транспортной сети региона выполнена классификация прогнозируемых показателей и задач прогнозирования, составлена схема прогнозирования объемов перевозок, рассмотрены программные решения и информационные аспекты прогнозирования. Неопределенность в достижении прогнозных значений показателей транспортной работы на сети ЕиПА в условиях нестабильности экономики стимулирует использование комбинированных систем моделей прогнозирования. Их основу составляют регрессионные модели, интеллектуальные модели (экспертные системы, искусственные нейронные сети и др.), которые дополняются сценарным прогнозированием.

Выполнено прогнозирование объемов перевозок по опорной транспортной сети ЕиПА (за основу взят грузооборот основных морских портов региона), железнодорожных перевозок (на примере Мурманской области), перевозок по СМП (посредством комбинированных моделей). В результате получены варианты прогнозов, которые использовались при разработке сценариев развития транспортной сети.

Определена последовательность сценарного прогнозирования на основе программно-целевого подхода с учетом:

- реализации мероприятий Государственной программы Российской Федерации «Развитие транспортной системы» и связанных с ней проектов транспортного строительства;

- перспектив центров развития ЕиПА;

- возможностей применения перспективных видов транспорта и транспортных средств, работающих на нетрадиционных видах топлива.

Разработаны сценарии развития транспортной сети региона на основе прироста мощностей основных морских портов, с учетом реализации проектов строительства новых железнодорожных линий и магистральных трубопроводов, расширения сети авиалиний.

Все это необходимо для НИР «Разработка методологии создания магистральной транспортной сети Европейского и Приуральского Севера России».

Авторы заявляют об отсутствии конфликта интересов.

About the authors

Anatoly N. Kiselenko

Institute for Socio-Economic & Energy Problems of the North, Komi Science Centre of the Ural Branch of the Russian Academy of Sciences

Author for correspondence.
Email: kiselenko@iespn.komisc.ru

Doctor of Sciences (Economics), Doctor of Sciences (Engineering), Professor, Head of the Laboratory of Transport Problems

Russian Federation, Syktyvkar

Petr A. Malashchuk

Institute for Socio-Economic & Energy Problems of the North, Komi Science Centre of the Ural Branch of the Russian Academy of Sciences

Email: translab@iespn.komisc.ru

Candidate of Sciences (Engineering), Senior Researcher at the Laboratory of Transport Problems

Russian Federation, Syktyvkar

Evgeny Yu. Sundukov

Institute for Socio-Economic & Energy Problems of the North, Komi Science Centre of the Ural Branch of the Russian Academy of Sciences

Email: jek-sun@mail.ru
ORCID iD: 0000-0003-0141-8292

Candidate of Sciences (Economics), Associate Professor, Senior Researcher at the Laboratory of Transport Problems

Russian Federation, Syktyvkar

Irina V. Fomina

Institute for Socio-Economic & Energy Problems of the North, Komi Science Centre of the Ural Branch of the Russian Academy of Sciences

Email: appmin@yandex.ru

Researcher at the Laboratory of Transport Problems

Russian Federation, Syktyvkar

Nadezhda A. Tarabukina

Institute for Socio-Economic & Energy Problems of the North, Komi Science Centre of the Ural Branch of the Russian Academy of Sciences

Email: nadandtar@mail.ru

Senior Engineer at the Laboratory of Transport Problems

Russian Federation, Syktyvkar

Anna A. Sheveleva

Institute for Socio-Economic & Energy Problems of the North, Komi Science Centre of the Ural Branch of the Russian Academy of Sciences

Email: translab@iespn.komisc.ru

Junior Researcher at the Laboratory of Transport Problems

Russian Federation, Syktyvkar

References

Supplementary files