Геопространственный искусственный интеллект
Геопространственный искусственный интеллект: новая парадигма общественной географии
Монография В.И. Блануцы «Геопространственный искусственный интеллект» представляет собой фундаментальное исследование, посвященное интеграции технологий искусственного интеллекта (ИИ) в общественно-географические исследования. Автор ставит задачу переосмыслить методологию географической науки в эпоху «больших данных», предлагая концептуальную рамку для создания систем ГеоИИ, способных решать классические задачи территориальной организации общества.
Концептуальные основы и алгоритмический аппарат
В работе выделяются три парадигмы развития ИИ: слабая (узкоспециализированная), сильная (общая) и сверхсильная (суперинтеллект). Автор акцентирует внимание на том, что современные исследования находятся преимущественно в рамках первой парадигмы, однако потенциал нейросимволического подхода — объединения глубокого обучения с графами знаний и логическими правилами — открывает путь к созданию более прозрачных и объяснимых систем.
Методологический инструментарий монографии базируется на трех «китах»: логическом выводе (правила «ЕСЛИ — ТО»), искусственных нейронных сетях и графах знаний. Автор демонстрирует, как эти методы позволяют формализовать сложные географические процессы, такие как пространственная диффузия инноваций или оценка экономико-географического положения, превращая их в алгоритмизируемые задачи.
Практическое применение: от экспертизы до районирования
Особую ценность представляет апробация предложенных алгоритмов на реальных данных. В частности, автор рассматривает: Географическую экспертизу: разработку систем для проверки национальных проектов развития регионов, позволяющих выявлять латентные противоречия в стратегических документах. Телекоммуникационно-сетевую связанность: оценку надежности оптоволоконной инфраструктуры России. Исследование показало, что текущая сеть не является устойчивой: отключение критических узлов может привести к изоляции целых регионов, что требует пересмотра стратегий прокладки новых линий связи. * Социально-экономическое районирование: применение метода случайного леса для выделения узловых районов в Арктической зоне РФ. Этот подход позволил уйти от субъективизма экспертных оценок и формализовать процесс делимитации территорий на основе интенсивности социально-экономических взаимодействий.
Ограничения и этика алгоритмизации
Значительная часть работы посвящена критическому анализу ограничений ГеоИИ. Автор выделяет проблему «черного ящика» (непрозрачности нейросетевых решений), зависимость от качества данных и риск «пространственной алгоритмической предвзятости». Последняя представляет собой новую угрозу: несправедливое отношение алгоритмов к определенным территориям, что может привести к дискриминации жителей отдельных регионов при распределении ресурсов.
Перспективы развития
Монография В.И. Блануцы знаменует собой переход общественной географии к цифровым приоритетам XXI века. Автор подчеркивает, что внедрение ИИ — это не просто автоматизация рутины, а инструмент для получения принципиально нового знания, недоступного при традиционных когнитивных способностях исследователя. В будущем развитие ГеоИИ должно идти по пути создания универсальных систем, способных не только анализировать данные, но и генерировать законы трансформации общественно-географического пространства. Работа задает вектор для дальнейших междисциплинарных исследований, объединяющих географию, экономику и компьютерные науки в единую систему управления пространственным развитием.
- ВО - Магистратура
- 05.04.02: География
- 05.04.03: Картография и геоинформатика
- 05.04.06: Экология и природопользование
- Аспирантура
- 05.06.01: Науки о земле
ГЕОПРОСТРАНСТВЕННЫЙ ИСКУССТВЕННЫЙ ИНТЕЛЛЕКТ В.И. БЛАНУЦА Москва ИНФРА-М 2027 МОНОГРАФИЯ
УДК 911.3+004.8(075.4) ББК 26.8:32.813 Б68 Блануца В.И. Б68 Геопространственный искусственный интеллект : монография / В.И. Блануца. — Москва : ИНФРА-М, 2027. — 259 с. — (Научная мысль). — DOI 10.12737/2240084. ISBN 978-5-16-021866-3 (print) ISBN 978-5-16-114634-7 (online) В монографии представлены результаты общественно-географических исследований с использованием алгоритмов искусственного интеллекта. Рассмотрены концепции слабого, сильного и сверхсильного интеллекта, символической, субсимволической и поведенческой парадигм, машинного обучения без учителя, с учителем и подкреплением. Продемонстрированы методы логического вывода, искусственной нейросети и графа знаний. На примере городов и регионов России выполнена оценка экономико-географического положения и телекоммуникационно-сетевой связанности, а также проведено социально-экономическое районирование. Проанализированы ограничения в применении искусственного интеллекта в виде теоретико-методологических проблем, пространственной алгоритмической предвзятости и социально-географических последствий. Издание предназначено для специалистов, студентов и аспирантов. УДК 911.3+004.8(075.4) ББК 26.8:32.813 Р е ц е н з е н т ы: Безруков Л.А., доктор географических наук, главный научный сотрудник Института географии имени В.Б. Сочавы Сибирского отделения Российской академии наук; Шерин Е.А., кандидат географических наук, научный сотрудник Института географии имени В.Б. Сочавы Сибирского отделения Российской академии наук; Яковчиц М.Н., кандидат экономических наук, доцент Института социальных наук Иркутского государственного университета Монография обсуждена и рекомендована к изданию Ученым советом Института географии имени В.Б. Сочавы Сибирского отделения Российской академии наук ISBN 978-5-16-021866-3 (print) ISBN 978-5-16-114634-7 (online) © Блануца В.И., 2026
Введение В наиболее общем виде под искусственным интеллектом (ИИ) понимается способность машины (программы) принимать решения как человек. Здесь возможны различные уточнения формулировки «как человек». Например, способность машины распознавать человеческую речь, природные и техногенные звуки, изображения и рукописный текст, восстанавливать в них отсутствующие фрагменты («додумывать» в соответствии с контекстом), воспроизводить звуки, генерировать изображения и текст, обобщать неструктурированные данные, обучаться и принимать решения в условиях неопределенности. Цель создания ИИ наиболее емко сформулирована Д. Парнасом [Parnas, 2017, p. 31]: «Нам нужны машины, которые делают то, что люди не могут, не будут делать или не делают хорошо». Существует предположение, что ИИ был создан около трех тысячелетий назад. Интересные подтверждения этому приведены в монографии А. Майор «Боги и роботы» [Mayor, 2018]. Автор посвятила первую главу анализу древнегреческого мифа о гигантском бронзовом роботе Талосе, охранявшем остров Крит. Некоторые гео графы также предлагают вести отсчет искусственного интеллекта с данного великана (по крайней мере об этом сказано во второй главе географического справочника по ИИ [Gao et al., 2023b]). Более задокументированные свидетельства разработки ИИ относятся к 1940–1950-м гг. Так, например, вычислительный механизм («production system») как цепочка правил был предложен Е. Постом в 1943 г. [Post, 1943], а тест А. Тьюринга — в 1950 г. [Turing, 1950]. Считается [Russell, Norvig, 2010], что термин «искусственный интеллект» («Artifi cial Intelligence») ввел в научный оборот Д. Маккарти, который летом 1956 г. провел семинар с таким названием в Дартмутском колледже (США). С середины прошлого века разработка технологий ИИ ведется с периодическими подъемами и спадами научного и коммерческого интереса к ним [Farrow, 2019]. За это время значительно изменилось представление о том, какие именно технологии следует относить к ИИ [Haenlein, Kaplan, 2019]. Современное представление об искусственном интеллекте связано с технологиями машинного обучения [Cristianini, 2014], когда на известных примерах машина учится извлекать эмпирические закономерности для прогнозирования ситуации в ранее ей не известных примерах. Термин «машинное обучение» («Machine Learning») введен в научный оборот в 1959 г. [Samuel, 1959], а дальнейшее развитие этих идей привело
к «глубокому обучению» («Deep Learning») [Hatcher, Yu, 2018; Goodfellow et al., 2016; LeCun et al., 2015; Skansi, 2020]. Однако такое обучение проводилось в виде «черного ящика», когда особенности процесса не были понятны, а предлагались только выходные данные. Поэтому появились исследования по созданию «этического» [Schoenherr, 2022], «объяснимого» [Minh et al., 2022] и «заслуживающего доверия» [Thiebes et al., 2021] искусственного интеллекта. В итоге последним трендом является объединение глубокого обучения с процедурами обоснования и объяснения всех действий ИИ. Одним из таких разъяснительных механизмов стал «граф знаний» («Knowledge Graph»), предложенный еще в 1974 г. [Marchi, Miguel, 1974] и получивший распространение в последние годы [Hogan et al., 2022; Kejriwal et al., 2021]. Это перспективное направление встраивания графа знаний в глубокое обучение стало называться «нейросимволическим искусственным интеллектом» [Bhuyan et al., 2024]. Первым географическим осмыслением возможностей ИИ стала статья профессора географии из Калифорнийского университета в Санта-Барбаре Т. Смит, опубликованная в 1984 г. [Smith, 1984] и вызвавшая дискуссию [Couclelis, 1986; Nystuen, 1984]. В следующем десятилетии вышла первая географическая монография по ИИ [Openshaw, Openshaw, 1997]. Резкое увеличение публикационной активности стало наблюдаться с 2017 г. [Cao et al., 2024]. Одна из причин — появление в открытом доступе «больших данных» [Cao et al., 2024; Li, 2020], состоящих примерно на 80% из данных с указанием географического местоположения [Hahmann, Burghard, 2013]. Необходимость их углубленного анализа привела к появлению «геопространственного искусственного интеллекта» (ГеоИИ). Такое название связано с использованием пространственно-явных географических моделей [Janowicz et al., 2020] (соответственно, ГеоИИ не распространяется на пространственно-неявные модели, ориентированные на географический анализ отдельно взятой территории без ее внутренней дифференциации и взаимодействия с внешними территориями). Отдельно следует отметить создание современных приложений ГеоИИ для бизнеса1, которое в «Forbes» озаглавлено как «Расцвет искусственного интеллекта соответствует золотому веку географии»2. Представление о новом виде ИИ с 2017 г. формировалось на ежегодных семинарах по ГеоИИ в рамках международных кон1 Например, ГеоИИ встроен в программную среду ArcGIS. URL: https://www. esri.com/ru-ru/capabilities/geoai/overview (дата обращения: 01.09.2025). 2 Kantor M. The rise of AI meets the golden age of geography // Forbes, Marсh 22, 2024. URL: https://www.forbes.com/sites/esri/2024/03/22/the-rise-of-aimeets-the-golden-age-of-geography/ (дата обращения: 01.09.2025).
ференций Ассоциации вычислительной техники [Hu et al., 2019], а с 2018 г. — на ежегодных симпозиумах Американской ассоциации географов [Hu et al., 2024]. Первая обобщающая статья по ГеоИИ была опубликованы в 2018 г. [VoPhan et al., 2018]. Более объемных публикаций именно по ГеоИИ (по состоянию на 1 сентября 2024 г.) было выпущено только две — коллективная монография [Prasad et al., 2024] и справочник [Gao et al., 2023b]. Новое направление создавалось на стыке аналитики геопространственных данных и технологий ИИ, особенно пространственно-явных методов глубокого обучения и графов знаний [Gao et al., 2023a]. При становлении ГеоИИ образовались два основных подхода [Mai et al., 2022] — символический (интеллект как классическая логика и символическое представление знаний; например, графы знаний) и субсимволический (интеллект как искусственная нейронная сеть; например, машинное обучение). С учетом недостатков и преимуществ обоих подходов в последнее время стали создавать гибридные системы нейро-символического ГеоИИ [Bhuyan et al., 2024; Mai et al., 2022]. ГеоИИ применяется в различных географических науках, в том числе в общественной географии (Human Geography), нацеленной на познание территориальной организации общества. В последнем обзоре по этой проблематике [Wang, Huang et al., 2024] рассмотрено 1516 опубликованных исследований (2010–2023 гг.) с использованием ГеоИИ в 14 научных дисциплинах (экономическая, социальная, политическая, туристическая, транспортная, поведенческая, историческая, культурная, городская, сельская, экологическая, региональная, демографическая и медицинская география), входящих в общественную географию. Больше всего публикаций относилось к географии городов и географии транспорта, а среди исходных данных доминировали изображения дистанционного зондирования Земли, изображения Street View и сведения о транспортной сети, которые обрабатывались в основном с помощью алгоритмов компьютерного зрения, машинного и глубокого обучения. Больше всего статей опубликовано исследователями из Китая (529 публикаций), США (280) и Индии (63). При этом наблюдался рост количества публикаций (например, в 2019 г. было опубликовано 168 статей, а в 2022 г. — 526 статей). По решаемым задачам предпочтение отдавалось классификации, прогнозированию, моделированию, извлечению географических объектов (из изображений) и геолокации (включая геопарсинг, т.е. привязку текста и иных документов к географическому местоположению). Не вдаваясь в особенности применения ГеоИИ в различных научных дисциплинах и направлениях, входящих в общественную географию, ограничимся ссылками на обзорные публикации по городской географии [Li, Hsu, 2022; Liu et al., 2024; Marasinghe et al.,
2024; Mortaheb, Jankowski, 2023], медицинской географии [Boulos et al., 2019], географическому компьютерному зрению [Li, Hsu, 2022], пространственной оптимизации [Cao et al., 2024] и междисциплинарным исследованиям [Corrado, Scorza, 2023; Döllner, 2020; Gao, 2020; Papadakis et al., 2022; Pierdicca, Paolanti, 2022; Richter, Scheider, 2023; Song et al., 2023]. В этих обобщениях можно найти много публикаций по различным аспектам применения алгоритмов ГеоИИ. Дополнительные источники приведены в обзорах [Casali et al., 2022; Grekousis, 2019; Ullah et al., 2020; Wang, Biljecki, 2022] и монографии [Moghaddam, Cao, 2024] по машинному обучению для городских исследований. Анализ перечисленных публикаций показал, что остается еще много областей в общественной географии, где не используется ГеоИИ. К таковым можно отнести, например, географическую экспертизу стратегий регионального развития, выявление цифровых городских агломераций, оценку экономико-географического положения городов и регионов. Эти и другие направления общественно-географических исследований будут далее использоваться для демонстрации возможностей и ограничений предлагаемых систем ГеоИИ. Первые авторские попытки разработки алгоритмов ИИ относятся к 2018 г. [Блануца, 2019а], после чего последовал цикл публикаций по обобщению существующих и созданию новых методов ГеоИИ [Блануца, 2019в, 2021в, 2021г, 2022г, 2024г, 2025а, 2025в, 2025г, 2025д, 2025е]. Накопленный опыт позволил подойти к пониманию того, что первая отечественная монография по геопространственному искусственному интеллекту может быть разделена на четыре главы — «Концепции», «Алгоритмы», «Возможности» и «Ограничения». Не пытаясь охватить все возможные концепции развития ИИ, в первой главе будут рассмотрены слабый, сильный и сверхсильный интеллект (§ 1.1), символическая, субсимволическая и поведенческая парадигмы (§ 1.2), машинное обучение без учителя, с учителем и подкреплением (§ 1.3). Вторая глава посвящена методам логического вывода (§ 2.1), искусственной нейронной сети (§ 2.2) и графа знаний (§ 2.3). Возможности реализации алгоритмов ГеоИИ показаны на примерах оценки экономико-географического положения (§ 3.1) и телекоммуникационно-сетевой связанности (§ 3.2), а также проведения социально-экономического районирования (§ 3.3). Ограничения в применении ГеоИИ приведены в плоскостях теоретикометодологических проблем (§ 4.1), пространственной алгоритмической предвзятости (§ 4.2) и социально-географических последствий (§ 4.3). Большие таблицы и другие материалы, не помещающиеся в параграфы, вынесены в шесть приложений. При изложении полученных решений описание технических и вычислительных процедур сведено к минимуму, а основное вни
мание уделено архитектуре ГеоИИ и особенно общественно-географическим результатам. Предлагаемые алгоритмы применены для решения ряда классических общественно-географических задач — географической экспертизы проектов регионального социально-экономического развития (§ 1.1), социально-экономического районирования (§ 1.2, 3.3), кластеризации регионов (§ 1.3, 4.2), пространственной диффузии инноваций (§ 2.1), политикогеографических исследований (§ 2.2), оценки освоенности территории (§ 2.3), экономико-географического положения (§ 3.1), связанности регионов (§ 3.2) и эффектов расширяющейся сети (§ 4.1). Полученные результаты относятся к разным этапам каждого из перечисленных исследований — от определения архитектуры ГеоИИ до завершенных разработок. Однако и после завершения конкретного исследования всегда остаются нерешенные вопросы и ограничения, что предопределяет ход дальнейших исследований. Следует также отметить, что при изложении концепций (глава 1), методов (глава 2) и ограничений (глава 4) приводятся результаты конкретных общественно-географических исследований, а возможности и ограничения, которым уделено основное внимание в третьей и четвертой главах, в той или иной мере анализируются и в первых двух главах. Все таблицы и рисунки, приведенные в монографии, составлены лично автором. В тех случаях, когда использовались чужие данные, приводились ссылки на источник данных. Планы исследований, их концептуальные модели и алгоритмы достижения поставленных целей разработаны автором без чьей-либо помощи. Среди приведенных в монографии авторских примеров общественно-географических исследований в качестве полигона выступали территории Российской Федерации, Азиатской части России, Сибирского федерального округа, Арктической зоны Российской Федерации и Иркутской области. По этим примерам нет ни одной публикации в соавторстве, что исключает правомерные или неправомерные заимствования из совместных работ. Данная монография является логическим продолжением — седьмым томом — предыдущих авторских работ по методологии общественной географии: • «Развертывание информационно-коммуникационной сети как географический процесс (на примере становления сетевой структуры сибирской почты) (М.: ИНФРА-М, 2016); • «Социально-экономическое районирование в эпоху больших данных» (М.: ИНФРА-М, 2018); • «Информационно-сетевая география» (М.: ИНФРА-М, 2019); • «Географическая экспертиза стратегий экономического развития России» (М.: ИНФРА-М, 2021);
• «Общественная география: цифровые приоритеты XXI века» (М.: ИНФРА-М, 2022); • «Общественная география после 2030 года: контуры новых направлений» (М.: ИНФРА-М, 2024). Результаты авторских исследований, включенных в монографию, затрагивают различные направления общественной географии, но объем данного печатного издания не позволяет представить все наработки автора. Поэтому с более широким спектром общественно-географической проблематики, для анализа которой могут привлекаться алгоритмы ГеоИИ, можно ознакомиться в публикациях по информационно-сетевой географии [Блануца, 1989б, 2015а, 2016, 2017б, 2018в, 2019в, 2022г, 2023а, 2023г, 2023д, 2024а, 2024г, 2025в], социально-экономическому районированию [Блануца, 1984б, 1987, 1989а, 1991, 1992, 2017а, 2017в, 2018а, 2022в, 2022з], географическому изучению интернета [Блануца, 2017б, 2018б, 2019в, 2022г, 2023а, 2023в, 2023б, 2023д, 2024г, 2024д, 2025б, 2025в], пространственному цифровому неравенству [Блануца, 2019б, 2019г, 2019д, 2019ж, 2022г, 2022д], хозяйственному освоению территории [Блануца, 2014, 2016, 2025е; Blanutsa, 2015, 2017], цифровой экономике [Блануца, 2018б, 2019е, 2020д, 2020ж, 2021в, 2022а, 2022в, 2022г, 2023б, 2023в, 2024д; Blanutsa, 2019], экономико-географическому положению [Блануца, 2010, 2015в, 2016, 2025д], пространственной диффузии инноваций [Блануца, 2012, 2015б, 2021д, 2025в], изучению городов [Блануца, 1991, 2021б, 2018г, 2019б, 2019в, 2019г, 2019ж], пространственному развитию [Блануца, 2020а, 2020д, 2021а, 2021е], национальным целям развития [Блануца, 2022б, 2022е, 2022з, 2024г], последствиям развертывания систем ИИ [Блануца, 2019е, 2020в, 2020д, 2020е, 2020ж, 2024в, 2024е, 2025б, 2025г], интеллектуальному анализу данных [Блануца, 2019а, 2020г, 2021г, 2022г], автоматической классификации географических объектов [Блануца, 1980, 1984а, 2016], социально-экономической кластеризации регионов [Блануца, 2020а, 2021в, 2022б, 2024б] и географической экспертизе [Блануца, 1990, 2020б, 2020в, 2020д, 2020е, 2020ж, 2021а, 2021е, 2022е, 2022ж, 2024е, 2025а].
Глава 1. КОНЦЕПЦИИ 1.1. СЛАБЫЙ, СИЛЬНЫЙ И СВЕРХСИЛЬНЫЙ ИНТЕЛЛЕКТ При разработке систем геопространственного искусственного интеллекта используются разные теоретические построения. Не пытаясь охватить все возможные концепции, в данном разделе рассмотрим только парадигмы проведения географической экспертизы. Общественная география обладает большим объемом знаний, которые могут использоваться при экспертизе национальных проектов (программ, стратегий) социально-экономического развития регионов. Однако существуют по крайней мере две проблемы, препятствующие использованию общественно-географического знания для проверки проектов регионального развития. Одна из них связана с ограниченностью привлекаемых географических данных, не позволяющих оценить влияние на анализируемое развитие всех сопутствующих процессов [Блануца, 2021а] и провести «контекстуальную экспертизу» [Gumusay, Amis, 2021], а другая — с отсутствием способов встраивания имеющегося знания в систему принятия решений [Calignano, Nilsen, 2024]. Наступившая эпоха «больших данных» и искусственного интеллекта (см. Введение) обострила эти проблемы. Теперь необходимо с помощью систем ИИ обрабатывать непрерывный поток разнокачественных данных в режиме реального времени. Это обусловливает необходимость создания новых алгоритмов географической экспертизы на платформе ИИ. К сожалению, географы еще не построили такие алгоритмы. Причин тому много, но одна из первопричин — отсутствие концептуальных рамок (парадигм) проведения ИИ-обусловленной географической экспертизы. Цель нашего исследования — уточнение парадигм проведения географической экспертизы национальных проектов регионального социально-экономического развития с помощью искусственного интеллекта. При этом парадигмы понимаются в трактовке Т. Куна [Kuhn, 1970], а географическая экспертиза — в трактовке К.П. Космачева [Космачев, 1981, 1985, 1987] и с учетом последующих дополнений [Блануца, 1990, 2021а, 2022г, 2022ж]. Отечественные географы, начиная примерно с 1920-х гг. [Баранский, 1980], принимали участие в экспертизе различных проектов социально-экономического развития как страны в целом (например,
план ГОЭЛРО), так и отдельных ее регионов. Такая деятельность стала составной частью «советской конструктивной географии» [Герасимов, 1976]. Однако эта экспертиза была узкоспециализированной, связанной с научными интересами конкретных географов как экспертов в своей области знания. Долгие годы теоретическое осмысление сущности географической экспертизы не проводилось. Поэтому с некоторой хронологической условностью можно утверждать, что до 1981 г. географическая экспертиза проводилась, а ее концепция отсутствовала. Все изменилось с появлением монографии «Географическая экспертиза (методологические аспекты)» [Космачев, 1981], хотя некоторые положения концепции были сформулированы ранее [Космачев, 1974а, 1977, 1980] или обоснованы после [Космачев, 1985, 1987] выхода в свет монографии. Концепция «географической экспертизы» К.П. Космачева получила дальнейшее развитие в работах его учеников [Блануца, 1990, 2016; Географическая … , 1992] и последователей [Дмитриева, 1991; Кулаковский, 2019; Мирзеханова, 2000; Пилясов, Богодухов, 2019]. Географическая экспертиза нацелена на оценку «качества информации, используемой для отражения хода природных и социально-экономических процессов в пределах конкретных территорий» [Космачев, 1981, с. 3], выявление «дефектов пространственной информации» [Космачев, 1981] и «погрешностей против местности» [Космачев, 1985, 1987]. Обобщая опыт географической экспертизы понятийной базы территориальной организации производства, установлены десять групп причин снижения качества информационных ресурсов [Космачев, 1981]: использование при сравнениях понятий, не имеющих общепризнанных определений; применение инорайонных понятий; односторонняя трактовка понятий, отражающих действие сочетания факторов; неточная фиксация в понятиях развития отражаемых ими явлений; недоучет иерархии понятий; расхождение в трактовках одного понятия представителями разных наук; недоучет сложившихся отношений подчинения понятий; равнозначность неравнозначных понятий; преувеличение различий между тождественными понятиями; использование неупорядоченных сокращений понятий. Другими важными разделами рассматриваемой концепции являются анализ взаимосвязей (взаимопереходов) понятий, экспертиза географических сравнений, регионализация понятийной базы, экспертиза однотипных источников информации [Космачев, 1981], выявление районов-аналогов, определение причин зарождения и возможностей устранения нежелательных последствий локальных конфликтных ситуаций [Космачев, 1985] и экспертногеографическое районирование [Космачев, 1985, 1987]. Развивая идеи К.П. Космачева, было предложено пять дополнительных