Обзор и проблематика инноваций на транспорте: реалии и фантазии, проблемы и их решение

Петров А.И. Евтюков С.А. Карнаухов В.Н.

Журнал: Технико-технологические проблемы сервиса @ttps

Рубрика: Организационно-экономические аспекты сервиса

Статья в выпуске: 4 (78), 2026 года.

Бесплатный доступ

В статье представлена информация об общемировых инновационных трендах, в частности, сведения о реалиях и проблематике использования искусственного интеллекта в сфере транспортного производства. Рассматриваются перспективы использования инновационных решений в сфере Future of mobility в России и мире. Представлены примеры использования искусственного интеллекта в управлении городскими транспортными системами (ГТС) в крупнейших городах России – Москве и Санкт-Петербурге, попытки реализации инноваций в сфере городского транспорта Тюмени.

транспортные системы \ автоматизированные системы управления \ инновации \ искусственный интеллект

Короткий адрес: https://sciup.org/148334442

IDS: 148334442   |   УДК: 656.085

Overview and issues of innovation in transport: realities and fantasies, problems and their solutions

The article provides information about global innovation trends, in particular, information about the realities and problems of using artificial intelligence in the sphere of transport production. The prospects of using innovative solutions in the field of Future of mobility in Russia and the world are considered. Examples of the use of artificial intelligence in the management of urban transport systems in the largest cities of Russia – Moscow and St. Petersburg, as well as attempts to implement innovations in the sphere of urban transport in Tyumen are also presented.

Текст научной статьи Обзор и проблематика инноваций на транспорте: реалии и фантазии, проблемы и их решение

В последние годы (2020-2025) в мире то стремительно, то несколько замедляясь, растет интерес к разработке и реализации инновационных решений в сфере транспорта. То, что вчера представлялось экзотикой, сегодня уже становится привычным. Автономные транспортные средства (Autonomous Vehicles или AVs), электромобили (Electric Vehicles или EVs), беспилотные летательные аппараты (Unmanned Aerial Vehicles или UAVs) – это реалии сегодняшнего (2026) дня.

EDN EDFPIE

Интеграция искусственного интеллекта, разнообразных по технологиям исполнения датчиков и средств связи повышает безопасность и эффективность транспортных средств (ТС). Одновременно с этим в обществе становятся привычными в использовании модели совместной мобильности (Models of shared mobility или MSM) . Эти и другие инновации революционизируют транспорт в целом; способствуют оптимизации режимов функционирования городских транспортных систем (ГТС); меняют подходы к городскому планированию; трансформируют энергетику жизни городов; формируют новые рынки. Одновременно с этим появляется и новая проблематика, связанная с необходимостью формирования у людей самых разных возрастов и различного уровня резистентности к инновациям новых мировоззренческих установок, важностью разработки соответствующей нормативно-правовой базы, неотвратимости развития инновационной инфраструктуры.

Общие положения

Классическое определение термина Инновация (нововведение) формулируется как «новшество, востребованное рынком и внедряемое в уже существующее производство. Инновация позволяет обеспечить повышение эффективности процессов и улучшение качества продукции» [1].

Применительно к транспорту инновации чаще всего рассматриваются как технологические решения, реализация которых позволяет повысить скорость и производительность транспортного процесса и, одновременно, снизить затраты на выполнение технологических операций по перемещению грузов и пассажиров. Базовая проблема, которая противодействует новаторским решениям в сфере транспорта, обычно является феноменом общефилософского характера, соответствующим одному из законов диалектики Гегеля – закона единства и борьбы противоположностей и одному из законов физики – закону сохранения энергии. К сожалению, попытки совершенствования транспортных технологий неизбежно приводят к неоднозначным результатам – например, при повышении системной эффективности (за счет увеличения скорости пространственного передвижения) одновременно снижается транспортная безопасность. Можно привести и множество других примеров.

И все же, примеров успешных инноваций в транспортной сфере достаточно много (к их числу, в первую очередь относятся всевозможные разработки интеллектуальных транспортных систем (ИТС) с позиций конструктива [2], работы по автоматизации управления функционированием больших сложных систем – например, в отношении оптимизации функционирования ИТС [3] или частные решения в отношении отдельных элементов ИТС, такие как автоматизированные системы управления движением транспортных средств [4].

Рассматривая место и роль инновационных решений в сфере транспорта по отношению к общемировым инновационным трендам, отметим, что сегодня принято весь набор мировых научно-производственных инноваций классифицировать на 3 большие группы, объединяющие 13 областей инноваций, условно названные как [5]:

  • -    AI revolution – революция в области искусственного интеллекта (включает 2 области инноваций - Artificial intelligence (AI) и Agentic AI и (Искусственный интеллект как агент));

  • -    Compute and connectivity frontiers – границы вычислений и возможностей подключения (включает 6 областей инноваций - Application-specific semiconductors (Полупроводники для конкретных применений); Advanced connectivity (Расширенные возможности подключения); Cloud and edge computing (Облачные и периферийные вычисления); Immersive-reality technologies (Технологии погружения в реальность); Digital trust and cybersecurity (Цифровое доверие и кибербезопасность); Quantum technologies (Квантовые технологии);

  • -    Cutting-edge engineering – передовые инженерные разработки (включает 5 областей инноваций - Future of robotics (Будущее робототехники); Future of mobility (Будущее мобильности); Future of bioengineering (Будущее биоинженерии); Future of space technologies (Будущее космических технологий); Future of energy and sustainability technologies (Будущее энергетики и технологий устойчивого развития)).

С целью описания состояния трендов инновационных изменений по каждой технологической области специалисты консалтинговой компании McKinsey используют комплексные оценки учета как результатов в сфере разработки инноваций (на основе патентов и научных публикаций), так и экспертной оценки интереса к специфической области знаний (на основе новостей и результатов поиска в Интернете). Параллельно оценивается уровень инвестиций в акционерный капитал компаний, развивающих соответствующие технологии.

Согласно исследованию компании McKinsey (2025), посвященному сравнительному обзору актуальных трендов инновационного технологического изменения процессов функционирования мировых секторов экономики [5], существующие ныне технологические разработки в транспортной сфере Future of mobility в 2025 г. оцениваются оценкой 0,20 в размерности [0; 1] по шкале «Инновационная ценность» и оценкой 0,25 в размерности [0; 1] по шкале интереса инвесторов-инно- ваторов, т.е. находятся в первом из четырех возможных квадрантов координатного поля. Оценка инновационной привлекательности транспортного сектора может быть расценена как достаточно низкая. К примеру, инновационные технологии сектора Artificial intelligence, напротив, характеризуются принадлежностью к четвертому квадранту с координатами [0,90; 0,85], что является наивысшей оценкой среди всех возможных современных инновационных трендов. Справедливости ради отметим, что не к первому квадранту относятся всего лишь 3 тренда инновационного технологического развития из 13. Остальные 10 локализуются в первом квадранте (рис. 1). По размерам инвестиций в 2024 г. (U$ 131,6 млрд.) сектор инновационных решений Future of mobility занимает 2 место из 13, проигрывая лишь сфере решений по инновациям в энергетике (U$ 223,2 млрд. в 2024 г.).

В то же время, пять секторов современной экономики представляются инвесторам более интересными с инновационной точки зрения, значительнее перспективнее и потенциально успешнее, чем тот сектор экономики, который обозначен как Future of mobility .

За последние годы (2020…2025) в мире значимость сектора инновационных решений,

Таблица 1 – Величина инвестиций и число инвесторов в отношении пяти направлений сферы наукоемких технологий Future of mobility за период 2010…2024 гг.

Показатель

Направление наукоемких технологий в сфере транспорта

Электромобили / энергообеспечение

Микро-мобильность (MaaS)

Автономные транспортные средства

Цифровизация транспорта

Интернет-технологии

Величина   инвести

ций, млрд. долл. США

351

234

231

94

87

Число компаний- инвесторов, ед.

1289

804

612

552

667

Согласно анализу McKinsey, большая часть этих инвестиций была сосредоточена в компаниях, аффилированных с Соединенными Штатами Америки (U$ 401 млрд.) и Китаем (U$ 251 млрд.). Наиболее интересным направлением развития инвесторам представляется сфера электрификации транспорта. Ранговое место в рейтинге инновационных транспортных разработок цифровизации – четвертое – с долей около 10 % от общих объемов инвестиций (U$ 94 млрд.). Проблематика систем связи и информационного обеспечения транспортных технологий – на пятом месте (U$ 87 млрд.).

Технологии мобильности Future of mobility включают все наукоемкие разработки, связанные с областью автономных транспортных средств; технологическим совершенствованием электромобилей и их энергообеспечения; развитием беспилотных летательных аппаратов; решениями для городской аэромобильности, такими как электрические самолеты вертикального объединенных в рамках Future of mobility, несколько выросла. Но в сравнении трендами развития других инновационных секторов, в частности сектора Artificial intelligence этот рост крайне незначителен [5].

По сути, исследованиям компании McKinsey (2025), [5], вторят выводы специалистов Массачусетского технологического института (MIT), анализирующих тренды прорывных инноваций и публикующих MIT Technology Review, в котором на ежегодной основе представляет десятку новейших многообещающих технологий. В рейтинге инноваций-2024 от MIT на первом месте был Искусственный интеллект (AI) [6], но уже в следующем рейтинге – 2025 г. – его создатели ушли от обобщенного понятия AI и на 2 и 3 позиции в рейтинге поставили соответственно технологии поиска на базе генеративного AI ( Generative AI search ) и технологии малых языковых моделей ( Small language models ) [7].

Возвращаясь к исследованию McKinsey Technology Trends Outlook 2025 [5], отметим, что суммарный (в течение 2010…2025 гг.) общемировой размер инвестиций в разработку технологий Future of mobility оценивается объемом 997 млрд. долларов США; профессионально этой тематикой занимаются в мире почти 4 тыс. компаний (табл. 1).

взлета и посадки; и множеством идей по реализации микромобильности (электроскутеры, электровелосипеды и инфраструктура их использования). Целью этих технологий является повышение эффективности, безопасности и устойчивости транспортных систем в целом и ГТС в частности.

Результаты оценки перспектив инновационного развития в России

В ходе оценке перспектив использования инновационных решений в сфере Future of mobility в России и мире, специалистами российского АНО «Цифровая экономика» [9] был подготовлен и представлен в рубрике «Аналитические материалы» [10] в сентябре 2025 г. аналитический обзор «Тренды применения искусственного интеллекта в отраслях» [11], в рамках которого были проанализированы перспективы использования искусственного интеллекта (ИИ) в реальной экономике России. Резюме этого доклада утверждает, что «транспорт и логистика в ближайшее время будут развиваться за счет автоматизации складских операций, документооборота и внедрения интеллектуальных транспортных систем (ИТС)» [11, C. 5]. В разделе 10 «Тренды применения ИИ в транспорте и логистике» [11, С. 104-117] Аналитиче- ского обзора «Тренды применения искусственного интеллекта в отраслях» [11] выводы аналитиков о кратко- (0-2 года), средне- (3-5 лет) и долгосрочных трендах применения ИИ в транспорте и логистике представлены значительно шире (табл. 2).

Таблица 2 – Тренды применения ИИ в сфере наукоемких технологий Future of mobility

Горизонт проявления трендов

Настоящее время – 2 года

3 – 5 лет

Более 5 лет

Автоматизация документооборота

Реализация «умных транспортных хабов»

Переход от исследований к коммерческому использованию автономных транспортных средств

Интеллектуальные транспортные системы

Интеграция транспорта и инфраструктуры в единый контур

Создание цифровой модели цепочки поставок

Использование генеративного ИИ для интеллектуального планирования и управления логистикой с учетом изменения условий перевозок

Массовое внедрение ИИ для обеспечения безопасности вождения

Оптимизация логистических цепочек с реальным массовым использованием ИИ

Автоматизация построения прогнозных моделей для оптимизации логистических процессов

Ассистенты / помощники для участников перевозочного процесса

Передача ИИ части функций по управлению перевозочным процессом

Отметим, что в области разработок ИИ-технологий Россия практически не отстает от мировых лидеров, а в некоторых случаях и превосходит их в плане оригинальности подходов и масштабируемости интеллектуальных решений. Сложнее с практической реализацией этих достижений.

Обобщение информации табл. 2 по трем временным горизонтам позволяет сформулировать следующие выводы о будущем логистического сектора (в рамках единой ИТС) российской экономики:

В краткосрочной перспективе (2026-2027 гг.):

  • -    в режиме реального времени активно развиваются процессы автоматизации складских операций, документооборота и взаимодействия с клиентами (особенно в таких мега-компаниях как X5 Retail group , РВБ, цифровая платформа OZON );

  • -    большое внимание уделяется внедрению в управление логистическими процессами генеративного искусственного интеллекта;

  • -    большое внимание отводится развитию прогнозных моделей.

Примерами активного развития автоматизации документооборота могут быть система автоматического ввода данных паспорта в бланки билетов в кассах дальнего следования ОАО «РЖД» в России и автоматизация таможенного документооборота Международным логистическим гигантом FedEx на базе ИИ-платформы FedEx Dataworks.

Примером интереса к использованию генеративного ИИ в может быть инвестирование компанией Maersk – глобальным мировым лидером в сфере контейнерных перевозок – U$ 20 млн. в стартап Pactum, специализирующийся на разработке чат-ботов, схожих с ChatGPT. Функционал Pactum способен вести финансово-юридические переговоры и заключать коммерческие соглашения с партнерами, минуя многочисленные согласования с соответствующими специалистами. В России сегодня также востребованы работы по переводу функции оптимизации маршрутов и режимов следования судов дальнего плавания с учетом загруженности портов и погодных условий в автоматический режим.

Что касается использования в практике прогнозных моделей, все большее число участников рынка логистических услуг стремятся минимизировать число разработчиков при одновременном стремлении к максимизации объемов обрабатываемых данных. Например, российская компания R77 AI [12] позиционирует себя как ИИ-разработчик, ИИ-Интегратор, ИИ-трансформатор. Из выполненных ею 150 проектов в сфере ИИ по меньшей мере треть касается именно разработок в сфере логистики. Это, в частности, решения, обеспечивающие значительное повышение точности прогнозов развития сценариев функционирования рынка логистических услуг. Разумеется, использование их прогнозов в практике повышает эффективность управления в транспортной отрасли. В качестве зарубежного примера можно привести опыт 2023-2025 гг. в использовании компанией Hitachi инструментов автоматического машинного обучения Databricks Lakehouse в качестве платформы для прогноза отказов элементов инфраструктуры железнодорож- ных сетей, используя ИИ для выявления потенциальных проблем в режиме реального времени и оповещения операторов и железнодорожников.

В среднесрочной перспективе (2028-2030 гг.) ключевыми направлениями инноваций на российском транспорте становятся:

  • -    создание «умных» транспортно-логистических центров (аэропортов, портов, железных дорог), активно использующих информационную аналитику и адаптирующих технологические процессы под спрос со стороны потребителей;

  • -    интеграция транспорта и сервисной инфраструктуры в единый контур;

  • -    повышение безопасности дорожного движения (БДД) на основе технологий ИИ;

  • -    оперативное планирование перевозочного процесса на системном уровне и оперативное его корректирование с учетом влияния изменяющейся внешней среды.

В долгосрочной стратегии (2031 г. и далее) в России прогнозируется активное продолжение работ по созданию цифровых моделей цепочек поставок и постепенный переход к коммерческому использованию автономных транспортнотехнологических систем.

Примеры инноваций на транспорте в российских городах

Ниже приведены несколько примеров успешного использования ИИ в транспортных системах двух крупнейших городов России – Москве и Санкт-Петербурге.

По официальной информации [13], в Москве начиная с 2021 г. на МКАД и других трассах установлено более 1,5 тыс. интеллектуальных камер, которые отслеживают дорожную ситуацию в режиме реального времени. Система распознаёт 13 типов дорожных инцидентов и передаёт сигналы о нестандартных ситуациях в Ситуационный центр.

В Москве курсирует первый в стране беспилотный трамвай (маршрут № 10). Водитель в трамвае присутствует, но выступает лишь в роли наблюдателя; управляется трамвай автоматически. Алгоритмы ИИ в «Мосгортрансе» выполняют задачу подбора для водительского состава оптимальных смен с учётом времени на работу и отдых. Для пользователей московского метро нейросеть создаёт зашифрованный биометрический ключ, используемый в дальнейшем для прохода через турникеты.

По данным [14] в Санкт-Петербурге основной акцент практического применения ИИ сделан в отношении трамвайной системы. С 2022 г. все новые серийные трамваи, поступающие в город, оснащаются системой Cognitive Pilot, включающей систему активной безопасности и помощи водителю. Как следствие, минимизируются транспортные заторы и сокращение времени ожидания пользователями трамваев.

В Санкт-Петербурге тестируются различные варианты альтернативного геопозиционирования общественного транспорта, в том числе с использованием RFID-меток. Также в городе запущен транспортный чат-бот в мессенджере MAX для получения оперативной информации о работе общественного транспорта. Кроме того, в течение первого квартала 2026 г. было официально заявлено о запуске двух больших и сложных проектов совершенствования ГТС с использованием ИИ в крупнейших российских городах (табл. 3).

В Нижнем Новгороде в центре города на остановочных пунктах общественного транспорта установлены смарт-камеры, использующие алгоритмы компьютерного зрения. С учетом информации камер, ИИ анализирует количество людей, ожидающих оказание транспортной услуги. Следствием этого является перераспределение подвижного состава общественного транспорта между маршрутами с целью оптимизации провозных возможностей с учетом спроса на перевозки.

Выше приведены факты практической реализации инноваций на городском транспорте крупнейших российских городов, использующих ИИ. Заметим, что число положительных примеров в России сегодня сравнительно невелико и связано, прежде всего, со столичными городами. В связи с этим, сравним с позициями российских лидеров в использовании ИИ на транспорте с теми реалиями, что характерны для крупного (население около 900 тыс. чел.) российского города Тюмень (табл. 4).

Приходится констатировать, что в одном из самых динамично развивающихся российских городов – Тюмени – ИИ-система управления ГТС находится на начальной стадии развития. Перспективы ее возникновения весьма неопределенны. В то же время в средствах массовой информации постоянно рекламируется ИТС Тюмени, которая якобы состоит из нескольких модулей: управления дорожным движением, режимами работы светофоров, оплаты пассажирами ПОТ проезда, «умная» диспетчеризация и тому подобных.

В качестве положительного примера нужно привести примеры установки в Тюмени «умных остановочных пунктов» городского общественного транспорта.

Что касается ИИ-проектов совершенствования управления транспортными потоками, то нужно отметить, что первые работы по созданию Проекта «Зеленая волна» для светофорной системы Тюмени начинались еще в 2005 г., однако этот опыт был в итоге признан неудачным. Начиная с осени 2016 г., с момента проведения последней «светофорной революции», в Тюмени прочно укоренилась система использования прогнозных режимов работы светофорных объектов, основан- ная на учете однажды идентифицированной ин- К сожалению, светофорных планов при этом ис-тенсивности фактических транспортных потоков. пользуется всего 2…3 (утренний и вечерний час пик, межпиковое время, иногда – ночной режим).

Таблица 3 - Текущие ИИ - проекты совершенствования функционирования ГТС в Москве и Санкт-Петербурге

Москва

В январе 2026 г. Дептранс Москвы запустил в эксплуатацию систему адаптивного светофорного управления в районе Тушино.

Система использует динамическую регулировку сигналов светофоров на основе данных с камер, датчиков трафика и GPS-трекеров общественного транспорта для. Алгоритмы автоматически корректируют длительность фаз светофора и формируют «зелёную волну» для общественного транспорта; прогнозируют возникновение будущих транспортных заторов с временным лагом 15…30 мин. с точностью 92 %.

Санкт-Петербург

В Санкт-Петербурге в феврале 2026 г. на Невском проспекте запущена единая цифровая платформа на базе ИИ, которая объединяет данные с камер видеонаблюдения, GPS-трекеров общественного транспорта, датчиков парковок и мобильных приложений горожан. Платформа позволяет мониторить трафик, корректировать расписание автобусов и трамваев на основе величины пассажиропотока.

Город

Название Проекта

Ключевые показатели

Результат, %

Москва

Система адаптивных светофоров с ИИ-управлением в районе Тушино

Время проезда перекрестка

-25

Количество остановок на 1 км. пути

-40

Выбросы CO 2

-18

Пропускная способность участка УДС

+30

Санкт-Петербург

Цифровая платформа управления городским транспортом

Время ожидания автобусов

-20

Повышение регулярности движения

+25

Удельное на 1 км число ДТП

-15

Таблица 4 – Характеристика фактического положения элементов ГТС Тюмени (по состоянию на апрель

2026 г.), наиболее гибких в отношении использования ИИ

Подсистема

ГТС

Показатели и их численные значения (Тюмень, июль 2026)

Использование в рамках ГТС ИИ-Проектов

Городская светофорная система управления транспортными потоками

Число светофорных объектов – 480

Основной режим работы – прогнозный

Число АСУДД-светофоров – 55

Коэффициент пропускной способности Z = 0,9

Нет

Городской пассажирский общественный транспорт (ГПОТ)

Число маршрутов ГПОТ – 134

Число автобусов системы ГПОТ – 1305

Скорость сообщения по системе ГПОТ – 14,2 км/ч

Интегральное качество системы ГПОТ – 7,2 по 10-бальной шкале

Частично (система информирования пассажиров о времени ожидания автобусов на ОП)

Несмотря на оптимистичную риторику представителей власти и некоторых представителей тюменской науки, приходится констатировать, что даже уже выполненные сотрудниками Тюменского индустриального университета работы по оптимизации режимов работы светофорных объектов [15] с использованием адаптивных подходов остаются маловостребованными.

Относительно малореальных фантазий об инновациях в городском транспорте, приходится констатировать, что иногда в тюменской прессе всплывают новости о рассмотрении городскими властями Проектов по развитию в Тюмени струнного транспорта

[16, 17]. В качестве обоснования необходимости струнного транспорта приводится тезис о том, что

Тюмень станет первым в России городом, реализовавшим этот проект. Пожалуй, это единственный довод в пользу этой инновации.

Гораздо более реальным является проект по организации системы Метробус [18], уже успешно реализованной в сотнях городов десятков стран мира под именем BRT (Bus Rapid Transport). Подобные проекты на порядок эффективнее чем метрополитены и вполне могут быть реализованы в российских городах. С другой стороны, вряд ли можно назвать инновацией те системы, которые существуют и успешно функционируют в мире уже почти 50 лет.

Хотелось бы ошибаться, но по мнению авторов данной статьи для большинства российских городов инновационные проекты использования ИИ в рамках ИТС пока остаются мечтой, весьма далекой от реальности. Вполне возможно, в ближайшее время может произойдет неожиданный взрывной рост распространенности ИИ-технологий на транспорте российских городов, хотя бы в подтверждение одного из законов диалектики о переходе количества в качество. Но пока необходимо это количество наращивать, в том числе и путем увеличения числа и качества разработок малых проектов российского авторства.

Выводы

Итак, важнейший вывод по материалам, представленным в статье, заключается в том, что сегодня в мире интерес к инновациям в сфере направления Future of mobility в мире достаточно высок. Однако цифровизация транспорта и информационное обеспечение транспортных технологий занимают лишь четвертое и пятое ранговые места из пяти возможных по степени интереса инвесторов.

В России достаточно активно ведутся работы в области разработок ИИ-технологий. Однако есть серьезные сложности с практической реализаций результатов этих работ.

Автоматический поиск научных работ российских авторов в elibrary.ru за период 20212026 гг. по ключевому слову «высокоавтоматизированные транспортные средства (ВАТС)» позволил найти 476 работ. Из этого числа в первую очередь хотелось бы выделить десятки авторских свидетельств на изобретения и свидетельств на программы для ЭВМ, предназначенных для ВАТС авторства С.В. Жанказиева, его же статьи, например, [19] и [20], написанные в соавторстве с коллегами. Большую работу по разработке и продвижению идеологии ИТС проводят А.Н. Новиков и его соавторы [21] и [22]. Интересны работы специалистов РУТ, специализирующихся на разработке административно-правовых вопросов, связанных с эксплуатацией ИТС [23]. Не пытаясь оценивать степень вклада этих авторов в успехи современной мировой науки, для примера укажем, что аналогичный запрос « Automated vehicles » в одном только издательстве MDPI позволил получить ссылки на 2544 статьи. Сопоставимые результаты можно получить и по оценке результатов информационного поиска по другим терминам, таким как «интеллектуальная транспортная система», «инновации в транспорте» и т.п. Пожалуй, сравнение этих цифровых показателей позволяет получить общее представление о текущей роли российской науки в развитии проблематики ИТС.