Введение
Автомобильные дилерские компании функционируют в условиях высокой конкурентной среды, волатильного спроса и растущих ожиданий клиентов по качеству сервиса и цифровому опыту. Продажи автомобилей включают комплекс процессов – от генерации лидов и маркетинга до работы продавцов в автосалоне, заключения сделки и последующего обслуживания. В последние годы покупательский путь существенно цифровизировался: значительная часть взаимодействий переносится в онлайн-каналы, однако финальные этапы сделки по-прежнему требуют личного контакта. На этом участке часто возникает «провал» в работе с клиентом: часть обращений теряется, не все посетители получают предложение тест-драйва, менеджеры не всегда успевают своевременно обработать лиды.
Традиционный ответ автодилеров – внедрение CRM/DMS-систем, регламентов и скриптов продаж. Эти инструменты позволяют фиксировать контакты и структуру воронки, но ограничены в части прогнозирования и персонализации. Одновременно в научной литературе и отраслевых исследованиях демонстрируется значительный потенциал методов машинного обучения для решения задач прогнозирования спроса, оценки вероятности сделки, оптимизации запасов и индивидуализации предложений [1; 3; 8].
Цель исследования – выполнить обзор и сравнительный анализ подходов к применению технологий машинного обучения в управлении продажами автодилерских компаний и на этой основе предложить концептуальную модель интеграции ML-решений в существующие информационные системы дилера (на примере 1С:Альфа-Авто).
Задачи исследования. Для достижения цели исследования необходимо решить следующие задачи:
1. проанализировать традиционные ИТ-инструменты управления продажами автодилеров (CRM, DMS, BI-системы, скрипты, чат-боты).
2. обобщить результаты эмпирических исследований, посвящённых использованию машинного обучения в прогнозировании продаж и маркетинге в автобизнесе и розничной торговле.
3. систематизировать практические кейсы внедрения ИИ/ML-решений в дилерских сетях в России и за рубежом.
4. предложить концептуальную архитектуру системы управления продажами на основе машинного обучения, интегрируемой с 1С:Альфа-Авто.
5. обозначить ключевые требования к данным, метрикам качества моделей и организационным условиям успешного внедрения.
Материалы и методы исследования
Исследование носит обзорно-аналитический характер. В качестве информационной базы использованы:
• результаты рецензируемых исследований по машинному обучению в автомобильной и розничной отраслях [1; 3; 6]
• аналитические отчёты и отраслевые статьи, посвящённые применению ИИ в автодилерском бизнесе [9; 10; 15]
• описания корпоративных кейсов внедрения ИИ и ML в дилерских сетях.
Отбор научных публикаций осуществлялся по ключевым словам («car sales forecasting», «automotive retail», «machine learning», «AI marketing», «automotive sales transactions») в международных базах и открытых журналах. В итоговую выборку вошли восемь работ, удовлетворяющих критериям: (1) фокус на автомобильном рынке или автодилерских операциях; (2) использование методов машинного обучения или гибридных ML-подходов; (3) наличие описания набора данных и метрик качества.
Основными методами исследования выступили:
• системный анализ – для комплексной оценки процессов продаж и места ИИ-решений в архитектуре дилерского предприятия;
• сравнительный анализ – для сопоставления традиционных и интеллектуальных технологий управления продажами;
• анализ и синтез результатов эмпирических исследований (методы, датасеты, метрики качества, дизайн экспериментов);
• кейс-анализ – для разбора реальных примеров внедрения ИИ в автодилерских сетях США, Европы, Китая и России;
• контент-анализ профессиональных и корпоративных источников по ИИ в автобизнесе.
Традиционные технологии управления продажами автодилеров. Современный автодилер опирается на набор информационных систем и инструментов, призванных повысить управляемость и прозрачность работы отдела продаж.
Таблица 1
Сравнительная характеристика технологий управления продажами автодилеров
|
Технология |
Преимущества |
Недостатки |
|
CRM-системы |
Централизованная база клиентов и сделок; контроль воронки; планирование контактов |
Реактивный характер; зависимость от дисциплины ввода данных; нет прогноза |
|
BI-аналитика |
Глубокий анализ исторических данных; визуализация; поддержка управленческих решений |
Ориентация на прошлое; отсутствие автоматического прогнозирования. |
|
Скрипты продаж |
Стандартизация общения; ускорение обучения; снижение риска пропуска ключевых этапов. |
Шаблонность диалога; низкая персонализация; необходимость регулярного обновления. |
|
Чат-боты (традиционные) |
24/7-поддержка; разгрузка операторов; обработка типовых запросов. |
Ограниченное понимание контекста; отсутствие гибкой персонализации. |
|
AI/ML-решения |
Прогнозирование спроса и вероятности сделки; персонализация; автоматизация рутины. |
Сложность внедрения; требования к качеству данных; «чёрный ящик» моделей. |
Источник: составлено авторами по материалам [13; 19], [16; 20], [3; 21], [15; 17], [1; 3; 8].
CRM-системы (Customer Relationship Management) применяются для хранения информации о клиентах, лидах и взаимодействиях (звонки, визиты, заявки), планирования контактов и контроля воронки продаж. Их преимущества – централизация данных и возможность оперативно оценивать загрузку и результативность менеджеров. Ограничение заключается в реактивном характере: CRM фиксирует уже совершённые действия, но не подсказывает, на какого клиента стоит направить усилия в первую очередь, и не прогнозирует вероятность сделки без дополнительных аналитических модулей.
Системы бизнес-аналитики (BI, Business Intelligence) обеспечивают построение отчётов и визуализацию данных о продажах, маркетинге, эффективности сотрудников. BI помогает выявлять закономерности (например, по эффективности скидок и рекламных каналов), но чаще используется для ретроспективного анализа. Без интеграции с предиктивными моделями BI не позволяет автоматически прогнозировать спрос и поведение клиентов.
Скрипты продаж представляют собой заранее разработанные сценарии общения с клиентом, используемые для стандартизации работы менеджеров и ускорения обучения новичков. Их достоинство – снижение зависимости от индивидуального опыта сотрудника и снижение риска пропуска ключевых этапов (предложение тест-драйва, обсуждение условий сделки). Недостаток – жёсткость и шаблонность, которые снижают естественность коммуникации и не обеспечивают персонализацию [13].
Онлайн-чат и традиционные чат-боты применяются, прежде всего, для обработки типовых запросов (часы работы, запись на сервис, базовые вопросы о наличии). Преимущества – круглосуточная доступность и разгрузка операторов; ограничения – слабое понимание контекста и отсутствие гибкой персонализации ответов [10; 14]. Сравнительная характеристика основных технологий управления продажами автодилеров приведена в таблице 1.
Наконец, интегрированные отраслевые DMS-решения (Dealer Management System), такие как 1С:Альфа-Авто, SAP Automotive Retail, Microsoft Dynamics 365, объединяют данные о продажах, сервисе, складе и финансах. Примером может служить модернизация системы управления автоцентром «Восток», где переход на обновлённую версию 1С-решения позволил сократить трудозатраты персонала, ускорить обработку заказов и повысить оборачиваемость запасов [9]. При этом даже в подобных системах потенциал собранных данных для машинного обучения часто остаётся неиспользованным: они служат источником отчётности, а не основой для предиктивной аналитики.
Обзор научных исследований по применению машинного обучения в автопродажах и розничной торговле. Ряд современных исследований демонстрирует, что применение машинного обучения позволяет существенно повысить точность прогнозирования и качество управленческих решений в автомобильной и розничной отраслях.
В работе J.M. Rožanec и соавторов предложено сравнение 21 статистического и ML-алгоритма для прогнозирования спроса на продукцию европейского автомобильного производителя на B2B-рынке [1]. Авторы используют реальные данные OEM, рассматривают различные стратегии построения локальных и глобальных моделей и оценивают качество по метрикам MASE и R²_adj, а также проводят статистическую проверку значимости различий между моделями (критерий Уилкоксона). Показано, что глобальные ML-модели при правильной сегментации данных обеспечивают более низкие ошибки прогноза по сравнению с традиционными подходами.
C. Ou-Yang и коллеги исследуют прогнозирование направления изменения продаж импортных автомобилей на рынке Тайваня с использованием гибридной CNN-LSTM-модели и данных онлайн-сентимента [2]. В качестве датасета используются месячные данные о регистрации автомобилей шести брендов (BMW, Lexus, Mazda, Mercedes-Benz, Toyota, Volkswagen) за 2014–2019 гг. и многоисточниковые данные электронного word-of-mouth. Предлагаемая модель сравнивается с логистической регрессией по метрикам accuracy, precision, recall и F1-score; использование онлайн-сентимента и гибридной архитектуры приводит к значимому росту точности классификации направлений движения продаж.
М. Mazur и соавторы анализируют вероятность успешного завершения сделок в дилерских центрах на основе реестра транзакций и атрибутов клиентов [3]. Применяются несколько ML-классификаторов, а модели оцениваются по точности, AUC и другим показателям. Авторы показывают, что модели машинного обучения позволяют ранжировать сделки по вероятности успеха, что создаёт основу для приоритизации работы менеджеров.
В ряде работ внимание уделяется гибридным подходам, сочетающим временные ряды и ML-модели. T.K. Rana и H.J. Chokshi предлагают гибридную архитектуру для прогнозирования помесячных продаж автомобильных моделей на уровне варианта комплектации [6]. Исследование опирается на реальные данные дилера и сравнивает Random Forest, XGBoost, линейную регрессию, а также модели SARIMA и Prophet по RMSE, MAE и R². Лучшие результаты достигаются при комбинации ML-моделей и методов анализа временных рядов.
Похожие задачи решаются в работе S.V. Anvekar и соавторов, где рассматривается применение алгоритма Prophet и других ML-методов для прогнозирования продаж автомобилей [7]. Авторы подчёркивают важность качественной предобработки данных и учёта сезонов и внешних факторов (например, релизов новых моделей).
Исследование A.K. Sharma демонстрирует использование набора из 23 временных и ML-алгоритмов для прогнозирования спроса на товары автомобильного послепродажного обслуживания (aftermarket), включая десятки тысяч SKU [5]. Модели сравниваются по MAPE, а для выбора лучшего варианта применяется ансамблирование. Работа D.S. Farahani и соавторов показывает, как нейронные сети в сочетании с методом аналитической иерархии (AHP) могут использоваться для прогнозирования продаж Kia и Hyundai в Северной Америке на ограниченных выборках данных [4].
Наконец, R.S. Sambangi анализирует использование ML-моделей (глубокие нейронные сети, RNN, ансамблевые методы) для маркетинга и персонализации в автомобильной отрасли [8]. На данных дилерских кампаний и цифрового поведения клиентов показывается, что применение propensity-, in-market- и affinity-моделей позволяет увеличить точность квалификации лидов и показатели вовлечённости. Обобщённая характеристика рассмотренных эмпирических исследований представлена в таблице 2.
Дополнительный пласт исследований касается применения методов машинного обучения в ритейле и электронной коммерции, что является близким по структуре данных к автомобильным продажам. В работах [9; 10] показано, что модели lead propensity и алгоритмы прогнозирования повторных покупок позволяют существенно повысить точность оценки вероятности отклика клиента. Исследования [11; 12] демонстрируют применение рекомендательных систем для подбора автомобилей и повышения вовлечённости клиентов. В работе [13] рассматриваются методы динамического ценообразования и прогнозирования стоимости автомобилей с пробегом на основе машинного обучения. Исследование [14] представляет обзор ключевых областей применения ML в ритейле и подтверждает актуальность перехода к управлению продажами на основе данных.
Таблица 2
Характеристика эмпирических исследований по применению машинного обучения в автомобильной отрасли и розничной торговле
|
Источник |
Объект и задача исследования |
Данные |
Методы / модели |
|
Rožanec et al. [1] |
Прогноз спроса OEM на B2B-рынке |
Реальные данные европейского производителя |
21 статистический и ML-алгоритм |
|
Ou-Yang et al. [2] |
Прогноз направления изменения продаж на рынке Тайваня |
Регистрация авто + онлайн-сентимент |
CNN-LSTM vs. логистическая регрессия |
|
Mazur et al. [3] |
Оценка вероятности успеха сделки в дилерских центрах |
Транзакции и атрибуты клиентов |
Сравнение ML-классификаторов |
|
Farahani et al. [4] |
Прогноз продаж Kia и Hyundai в Северной Америке |
Ограниченные временные ряды продаж |
Нейросети + AHP |
|
Sharma [5] |
Прогноз спроса в aftermarket- сегменте |
Продажи по десяткам тыс. SKU |
23 временных и ML-алгоритмов, ансамбли |
|
Rana, Chokshi [6] |
Помесячный прогноз продаж на уровне варианта комплектации |
Данные реального дилера |
Random Forest, XGBoost, SARIMA, Prophet |
|
Anvekar et al. [7] |
Прогноз продаж автомобилей |
Исторические продажи по моделям |
Prophet и другие ML-алгоритмы |
|
Sambangi [8] |
ML-маркетинг и персонализация в автоотрасли |
Данные кампаний и поведения клиентов |
Глубокие нейросети, RNN, ансамбли |
Источник: составлено авторами по материалам работ 1–8.
Результаты исследования и их обсуждение
Обобщая результаты указанных исследований, можно выделить несколько общих выводов:
• используются как табличные (продажи, характеристики клиента и автомобиля, макроэкономические показатели), так и текстовые/сентиментные данные (отзывы, онлайн-упоминания);
• стандартный дизайн экспериментов включает разделение данных на обучающую и тестовую выборки, применение кросс-валидации и сравнение ML-моделей с базовыми статистическими методами;
• типовые метрики RMSE, MAE, MAPE, MASE, R², accuracy, precision, recall, F1, AUC, а также статистические тесты значимости различий между моделями;
• ML-подходы, как правило, демонстрируют более высокую точность прогнозов по сравнению с традиционными методами, что создаёт основу для практического использования в автодилерском менеджменте.
Российский и зарубежный опыт внедрения ИИ в автодилерском бизнесе. За рубежом (США, Европа, Китай) большинство дилерских сетей давно используют DMS и CRM-системы, а в последние годы активно внедряют ИИ-решения поверх этих платформ. В США распространены платформы класса automotiveMastermind и аналоги, интегрирующиеся с CRM и строящие поведенческие индексы готовности клиента к покупке на основе истории владения автомобилем, обращений в сервис и цифрового поведения [15]. Это позволяет дилеру точнее выбирать момент для предложения обновления автомобиля и повысить долю повторных продаж.
В европейских странах развиваются решения для интеллектуального распределения лидов и автоматизации маркетинга. Примеры включают AI-модули, которые анализируют геолокацию и профиль запросов и автоматически направляют онлайн-обращения клиентам в подходящий дилерский центр, сокращая время ответа и повышая конверсию. Отдельное направление – использование нейросетей для генерации и персонализации контента (видеопрезентаций, текстовых описаний) по автомобилям, что ускоряет наполнение онлайн-витрин [18].
Китайские автодилеры демонстрируют высокий уровень экспериментов с робототехникой и экосистемными данными. Так, ряд дилеров Chery внедряет в шоурумах гуманоидных роботов-консультантов, способных вести диалог, отвечать на вопросы о моделях и сопровождать посетителя по салону [12]. Параллельно дилеры используют данные из суперприложений и социальных платформ для таргетирования предложений и построения моделей вероятности покупки.
В России внедрение ИИ пока носит точечный характер, но сформировался ряд решений. Системы контроля качества коммуникаций на базе распознавания речи позволяют ежедневно анализировать звонки и встречи в салоне, выявляя проблемные точки в работе менеджеров и помогая выстраивать обучение [11]. Платформа TD.Connect, разработанная компанией TradeDealer, использует QR-коды на автомобилях, поведение посетителей сайта и данные CRM для автоматического формирования персональных подборок и коммуникаций с клиентом [16; 17]. В совокупности это демонстрирует готовность крупных игроков к переходу от статичных регламентов к управлению на основе данных.
Концепция интеграции ML-решений в систему 1С:Альфа-Авто. Большинство российских дилеров уже имеют внедрённые корпоративные системы, в том числе 1С:Альфа-Авто. В них аккумулируются данные о продажах новых и подержанных автомобилей, сервисных операциях, складских остатках, а также базовые сведения о клиентах и их обращениях. Эти данные представляют собой основу для построения следующих ML-модулей:
1. Модуль прогнозирования продаж и спроса
Модуль использует исторические данные по продажам автомобилей и услуг, а также внешние факторы (сезонность, маркетинговые акции, макроэкономические индикаторы). На основе подходов, описанных в работах [1; 4; 6], возможно построение моделей, прогнозирующих объёмы продаж по моделям и комплектациям, а также вероятности достижения плановых показателей. Это позволяет более обоснованно формировать планы закупок и маркетинговые активности.
2. Модуль приоритизации лидов и сделок
Опираясь на идеи lead scoring и оценки вероятности успеха сделки [3; 8], на данных CRM 1С:Альфа-Авто можно обучить классификаторы, оценивающие вероятность покупки для каждого лида (учитывая источник, историю контактов, интерес к моделям, прошлые покупки). В интерфейсе CRM это может быть реализовано в виде индекса готовности к сделке и списка «горячих» лидов, что помогает менеджерам концентрировать усилия на наиболее перспективных клиентах.
3. Модуль персонализированных коммуникаций
Используя опыт ML-маркетинга в автомобильной отрасли [8], целесообразно внедрять модели propensity- и affinity-типа, которые, анализируя историю покупок, сервисных обращений и цифровое поведение, предлагают: (1) персональные предложения по замене автомобиля; (2) релевантные дополнительные услуги и продукты; (3) графики и поводы для контакта. Технически это требует интеграции 1С:Альфа-Авто с каналами коммуникаций (e-mail, SMS, мессенджеры) и оркестрации кампаний.
4. Модуль оптимизации запасов и ценообразования
С опорой на работы по прогнозированию спроса и динамическому ценообразованию в автоотрасли [1; 5; 7] могут быть построены модели, которые:
– прогнозируют спрос на новые и подержанные автомобили и ключевые группы запасных частей;
– предлагают рекомендации по изменению цен и скидок с учётом конкуренции и истории продаж;
– выявляют риск неликвидов и формируют предупредительные сигналы для менеджеров.
5. Модуль аналитики качества работы менеджеров
Решения класса speech & video analytics, описанные в отраслевых источниках [10; 11; 14], позволяют анализировать аудио- и видеозаписи коммуникаций с клиентами, оценивать соблюдение стандартов, выявлять типичные возражения и успешные сценарии. Интеграция результатов такой аналитики с данными 1С даёт возможность строить замкнутый контур улучшения: от измерения – к обучению и корректировке скриптов.
Ключевыми предпосылками успешной интеграции являются:
• достаточное качество и полнота данных (отсутствие «дыр» в истории контактов, единые справочники, корректная идентификация клиентов);
• выбор понятных метрик качества моделей (для прогнозирования – RMSE/MAE/MASE, для классификации – Accuracy, AUC, F1-score) и прозрачное сравнение с текущими практиками планирования;
Схема интеграции ML-модулей в систему 1С:Альфа-Авто Источник: составлено авторами
• пилотное внедрение с контролем эффекта (например, сравнение конверсии и выручки в пилотных и контрольных подразделениях в течение 3–6 месяцев);
• обучение персонала работе с рекомендациями ИИ и формирование доверия к моделям.
Концептуальная архитектура интеграции ML-решений в систему 1С:Альфа-Авто представлена на рисунке. Она включает источники данных, витрины, контур MLOps, мониторинг качества моделей и роль различных групп пользователей.
Постановка эксперимента и дизайн пилотного проекта. Для проверки эффективности предложенных ML-модулей в реальных условиях автодилерской компании необходимо сформировать экспериментальный дизайн пилотного проекта. В качестве базовой информационной системы рассматривается 1С:Альфа-Авто, в которой аккумулируются данные о продажах, сервисных операциях и взаимодействиях с клиентами.
В рамках пилота предполагается использовать следующие источники данных:
• CRM/DMS 1С:Альфа-Авто: информация о сделках по новым и подержанным автомобилям, лидах, заявках на тест-драйв, обращениях в сервис, а также история контактов с клиентами;
• данные веб-аналитики: посещения сайта дилера, просмотры карточек автомобилей, клики по акциям, расчёты кредитных предложений;
• справочники автомобилей: марка, модель, комплектация, возраст, пробег, цена, наличие на складе;
• данные о маркетинговых воздействиях: участие клиента в акциях, канал привлечения, размер скидок и спецпредложений.
В зависимости от задачи для ML-модулей формируются отдельные наборы признаков и целевых переменных:
1. Модуль прогнозирования продаж и спроса:
– целевая переменная: количество проданных автомобилей (или выручка) по модели, комплектации и периоду;
– признаки: сезонность, характеристики автомобилей, ценовые параметры, маркетинговые активности, агрегированные показатели спроса в прошлые периоды.
2. Модуль приоритизации лидов (lead propensity):
– целевая переменная: бинарный признак «совершена покупка / не совершена» в заданном горизонте (например, 30 дней) после первого обращения;
– признаки: источник лида, количество и тип контактов, интерес к моделям, история владения автомобилями, демографические характеристики клиента.
3. Модуль персонализированных рекомендаций:
– целевая переменная: отклик клиента на персональное предложение (клик, запрос, запись на тест-драйв, покупка);
– признаки: история покупок и сервисных обращений, предпочтения по типу кузова и бюджету, цифровое поведение на сайте и в коммуникационных каналах.
4. Модуль динамического ценообразования и управления запасами:
– целевая переменная: оптимальная цена либо вероятность продажи автомобиля по заданной цене в периоде;
– признаки: технические характеристики и состояние автомобиля, длительность экспозиции, наличие аналогичных позиций на складе, история изменения цен, данные по спросу.
Разбиение выборок. Для обучения моделей используется стандартное разбиение данных на обучающую, валидационную и тестовую выборки (например, 60/20/20) с учётом временного порядка. Для задач классификации применяется стратифицированное разбиение, обеспечивающее сопоставимую долю положительного класса (успешных сделок или откликов) в каждой выборке. При наличии достаточного объёма данных возможно использование кросс-валидации.
Метрики качества. Для задач классификации и оценки склонности клиента к покупке используются:
• ROC-AUC и PR-AUC для оценки качества ранжирования лидов;
• lift- и uplift-кривые для анализа прироста конверсии в верхних квантилях скоринговой шкалы;
• F1-мера, точность и полнота для контроля баланса между «пропущенными» и «ложноположительными» лидами.
Для задач прогнозирования спроса и динамического ценообразования применяются:
• sMAPE и WAPE для оценки относительной ошибки прогноза;
• RMSE и MAE для анализа абсолютных отклонений фактических и прогнозных значений;
• коэффициент детерминации R² для сравнения моделей с простыми базовыми подходами.
Дизайн A/B-тестирования и критерии значимости. Для оценки влияния ML-модулей на бизнес-показатели используется серия A/B-экспериментов. Например, для модуля приоритизации лидов одна группа менеджеров работает по существующим регламентам, а другая – с учётом скоринговых оценок модели. Горизонт эксперимента составляет не менее 3 месяцев, чтобы накопить достаточное количество завершённых сделок. Основные метрики эффекта: конверсия лида в сделку, средний валовый доход на лид, скорость обработки обращений.
Аналогичный дизайн применяется для проверки персонализированных коммуникаций и динамического ценообразования: пилотная группа клиентов получает предложения и цены, сформированные на основе ML-моделей, контрольная – по текущим правилам. Статистическая значимость различий по ключевым метрикам оценивается с использованием параметрических (t-критерий) или непараметрических тестов (Манна–Уитни) при уровне значимости α = 0,05. Результаты экспериментальных сравнений позволяют количественно оценить вклад ML-решений в выручку и маржинальность дилерского центра.
Заключение
Проведённое исследование позволило систематизировать современные подходы к применению методов машинного обучения в управлении продажами автодилерских компаний. Аналитический обзор продемонстрировал ключевые направления использования ML-технологий, а также выявил их потенциал для повышения точности прогнозирования спроса, персонализации взаимодействия с клиентами и оптимизации процессов.
Предложенная концепция интеграции ML-модулей в систему 1С:Альфа-Авто отражает возможности по внедрению предиктивной аналитики, интеллектуальной приоритизации лидов и адаптивных коммуникаций.
Практическая значимость работы заключается в формировании методических ориентиров для автодилеров, планирующих переход к управлению на основе данных. Перспективы дальнейших исследований связаны с проведением пилотных внедрений и сравнительной оценкой эффективности предложенных решений в реальных условиях бизнеса.
Конфликт интересов
Библиографическая ссылка
Валиев А.З., Габидинова Г.С. ПРИМЕНЕНИЕ ТЕХНОЛОГИЙ МАШИННОГО ОБУЧЕНИЯ В УПРАВЛЕНИИ ПРОДАЖАМИ АВТОДИЛЕРСКИХ КОМПАНИЙ // Вестник Алтайской академии экономики и права. 2025. № 12-1. С. 30-39;URL: https://vaael.ru/ru/article/view?id=4407 (дата обращения: 28.12.2025).
DOI: https://doi.org/10.17513/vaael.4407