В эпоху больших данных и искусственного интеллекта необходимы новые инструменты общественно-географического анализа, позволяющие извлекать информацию и генерировать знание из непрерывного потока разнообразных пространственных данных. Один из таких инструментов - система геопространственного искусственного интеллекта. Однако для географической экспертизы проектов регионального социально-экономического развития подобные системы ещё не создавались. Первым шагом к созданию этих систем является уяснение парадигм проведения географической экспертизы проектов с помощью искусственного интеллекта. Поставив такую цель, впервые для мировой науки была предпринята попытка наметить ключевые особенности географической экспертизы в соответствии с парадигмами слабого, сильного и сверхсильного искусственного интеллекта, определить архитектуру трёх систем, создать систему географической экспертизы в рамках первой парадигмы и начать её апробацию на примере четырёх проектов социально-экономического развития России. Для создания систем использовались наборы правил «если …, то …», искусственные нейронные сети и графы знаний. Тестирование первой системы проводилось на данных из отечественных проектов, которые ранее анализировались автором без применения геопространственного искусственного интеллекта. Машинное обучение на этих данных позволило получить первые географические результаты, указывающие на невозможность достижения декларируемых целей проектов. Практическая значимость проведённого исследования связана с проверкой государственных документов социально-экономического развития, встраиванием предлагаемых систем в процесс формирования проектов и проведением мониторинга реализации проектов.
Идентификаторы и классификаторы
Введение. Общественная география (Human Geography), нацеленная на познание территориальной организации общества, обладает большим объёмом 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 [1] и провести «контекстуальную экспертизу» [19], а другая — с отсутствием способов встраивания имеющегося знания в систему принятия решений [10]. Наступившая эпоха «больших данных» и искусственного интеллекта (ИИ) [11; 13; 15] 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 ещё не построили такие алгоритмы. Причин тому много, но одна из первопричин — отсутствие концептуальных рамок (парадигм) проведения ИИ-обусловленной географической экспертизы.
Список литературы
1. Блануца В. И. Географическая экспертиза стратегий экономического развития России. М.: ИНФРА-М, 2021. 198 с.
2. Блануца В. И. Общественная география: цифровые приоритеты XXI века. М.: ИНФРА-М, 2022. 252 с. EDN: GWTFQA
3. Блануца В. И. Общественная география после 2030 года: контуры новых направлений. М.: ИНФРА-М, 2024. 251 с. EDN: WYDSLY
4. Космачёв К. П. Географическая экспертиза (методологические аспекты). Новосибирск: Наука, 1981. 109 с. EDN: ZFETAL
5. Bales A., D’Alessandro W., Kirk-Giannini C. D. Artificial intelligence: Arguments for catastrophic risk // Philosophy Compass. 2024. Vol. 19. No. 2. Article 12964. DOI: 10.1111/phc3.12964 EDN: BIEWBE
6. Blanutsa V. I. Geographical expertise of regional digital development strategies: Outlines of emerging approaches // Geography and Natural Research. 2022. Vol. 44. No. 4. P. 303-308. DOI: 10.1134/S1875372822040059
7. Bostrom N. Superintelligence: Paths, Dangers, Strategies. Oxford: Oxford University Press, 2014. 328 p.
8. Bubeck S., Chandrasekaran V., Eldan R., Gehrke J., Horvitz E., Kamar E., Le P., Lee Y., Li Y.-F., Lundberg S. M., Nori H., Palangi H., Ribeiro M. T., Zhang Y. Sparks of artificial general intelligence: Early experiments with GPT-4. ArXiv Preprint, 2023. ArXiv abs/2303.12712.
9. Cabello M., Hyland M., Marantz N. From state of the practice to state of the art: Improving equity analysis in regional transportation plans // Transportation. 2024. Vol. 51. P. 1-36. DOI: 10.1007/s11116-023-10439-4 EDN: HAUBDF
10. Calignano G., Nilsen T. Regional development is not a dinner party: A research agenda on power relations and the use language in regional development studies // GeoJournal. 2024. Vol. 89. Article 74. DOI: 10.1007/s10708-024-11075-w EDN: UHGMPM
11. Cao K., Zhou C., Church R., Li X., Li W. Revisiting spatial optimization in the era of geospatial big data and GeoAI // International Journal of Applied Earth Observation and Geoinformation. 2024. Vol. 129. Article 103832. DOI: 10.1016/j.jag.2024.103832 EDN: KAJURH
12. Cristianini N. On the current paradigm in artificial intelligence // AI Communications. 2014. Vol. 27. No. 1. P. 37-43. DOI: 10.3233/AIC-130582
13. Das R., Mitra M., Singh C. (Eds.). Era of Artificial Intelligence. The 21st Century Practitioners’ Approach. New York: Chapman & Hall/CRC, 2023. 166 p.
14. Farrow E. To augment human capacity - artificial intelligence evolution through causal layered analysis // Futures. 2019. Vol. 108. P. 61-71. DOI: 10.1016/j.futures.2019.02.022
15. Ferreira D., Vale M. Geography in the big data age: An overview of the historical resonance of current debates // Geographical Review. 2022. Vol. 112. No. 2. P. 250-266. DOI: 10.1080/00167428.2020.1832424 EDN: CSCRWD
16. Gao S. A review of recent researches and reflections on geospatial artificial intelligence // Geomatics and Information Science of Wuhan University. 2020. Vol. 45. No. 12. P. 1865-1874. DOI: 10.13203/j.whugis.20200597
17. Gao S., Hu Y., Li W. (Eds.). Handbook of Geospatial Artificial Intelligence. Boca Raton: CRC Press, 2023. 468 p.
18. Gao S., Hu Y., Li W., Zou L. Special issue on geospatial artificial intelligence // Geoinformatica. 2023. Vol. 27. P. 133-136. DOI: 10.1007/s10707-023-00493-6 EDN: PNSOMY
19. Gumusay A. A., Amis J. M. Contextual expertise and the development of organization and management theory // European Management Review. 2021. Vol. 18. No. 1. P. 9-24. DOI: 10.1111/emre.12434 EDN: BMRHNZ
20. Haenlein M., Kaplan A. A brief history of artificial intelligence: On the past, present, and future of artificial intelligence // California Management Review. 2019. Vol. 61. No. 4. P. 5-14. DOI: 10.1177/0008125619864925
21. Hahmann S., Burghard D. How much information is geospatially referenced? Networks and cognition // International Journal of Geographical Information Science. 2013. Vol. 27. No. 6. P. 1171-1189. DOI: 10.1080/13658816.2012.743664
22. Hu Y., Gao S., Lunga D., Li W., Newsam S., Bhaduri L. S. GeoAI at ACM SIGSPATIAL: Progress, challenges, and future direction // SIGSPATIAL Special. 2019. Vol. 11. No. 2. P. 5-15. DOI: 10.1145/3377000.3377002
23. Hu Y., Goodchild M., Zhu A.-X., Yuan M., Aydin O., Bhaduri B., Gao S., Li W., Lunga D., Newsam S. A five-year milestone: Reflections on advances and limitations in GeoAI research // Annals of GIS. 2024. Vol. 30. No. 1. P. 1-14. DOI: 10.1080/19475683.2024.2309866 EDN: PSUEOM
24. Janowicz K., Gao S., McKenzie G., Hu Y., Bhaduri B. S. GeoAI: Spatially explicit artificial intelligence techniques for geographic knowledge discovery and beyond // International Journal of Geographical Information Science. 2020. Vol. 34. No. 4. P. 625-636. DOI: 10.1080/13658816.2019.1684500
25. Kuhn T. S. The Structure of Scientific Revolutions. 2nd Ed. Chicago; London: University of Chicago Press, 1970. 210 p.
26. Lai H.-L., Devine-Wright P. Imagining and emplacing net zero industrial clusters: A critical analysis of stakeholder discourses // Geo. 2024. Vol. 11. No. 1. Article 139. DOI: 10.1002/geo2.139
27. LeCun Y., Bengio Y., Hinton G. Deep learning // Nature. 2015. Vol. 521. No. 7553. P. 436-444. DOI: 10.1038/nature14539
28. Lee J. H., Sioutis M., Ahrens K., Alirezaie M., Kerzel M., Wermter S. Neuro-symbolic spatio-temporal reasoning // Hitzler P., Sarker K., Eberhart A. (Eds.).Compendium of Neurosymbolic Artificial Intelligence. Amsterdam; Berlin; Washington: IOS Press, 2023. P. 410-429.
29. Li W. GeoAI: Where machine learning and big data converge in GIScience // Journal of Spatial Information Science. 2020. Vol. 20. P. 71-77. DOI: 10.5311/JOSIS.2020.20.658
30. Li W., Hsu C.-Y., Hu M. Tobler’s first law in GeoAI: A spatially explicit deer learning model for terrain feature detection under weak supervision // Annals of the American Association of Geographers. 2021. Vol. 111. No. 7. P. 1887-1905. DOI: 10.1080/24694452.2021.1877527
31. Liu P., Biljecki F. A review of spatially-explicit GeoAI applications in urban geography // International Journal of Applied Earth Observation and Geoinformation. 2022. Vol. 112. Article 02936. DOI: 10.1016/j.jag.2022.102936 EDN: HQDACQ
32. Liu P., Zhang Y., Biljecki F. Explainable spatially explicit geospatial artificial intelligence in urban analytics // Environment and Planning B: Urban Analytics and City Science. 2024. Vol. 51. No. 5. P. 1104-1123. DOI: 10.1177/23998083231204689.10.1080/17538947.2024.2353122
33. Lu Z., Afridi I., Kang H. J., Ruchkin I., Zheng X. Surveying neuro-symbolic approaches for reliable artificial intelligence of things // Journal of Reliable Intelligent Environments. 2024. Vol. 10. P. 257-279. DOI: 10.1007/s40860-024-00231-1 EDN: WZSHDC
34. Mai G., Hu Y., Gao S., Cai L., Martins B., Scholz J., Gao J., Janowicz K. Symbolic and subsimbolic GeoAI: Geospatial knowledge graphs and spatially explicit machine learning // Transactions in GIS. 2022. Vol. 26. P. 3118-3124. DOI: 10.1111/tgis.13012 EDN: MZYSSQ
35. Marasinghe R., Yigitcanlar T., Mayere S., Washington T., Limb M. Towards responsible urban geospatial AI: Insights from white and grey literatures // Journal of Geovisualization and Spatial Analysis. 2024. Vol. 8. Article 24. DOI: 10.1007/s41651-024-00184-2 EDN: BHRMAS
36. Openshaw S., Openshaw C. Artificial Intelligence in Geography. Chichester: John Wiley, 1997. 336 p.
37. Park S., Lee Y., Yu K.Integrated knowledge graph construction framework for places-of-interest retrieval using a property graph database // GIScience and Remote Sensing. 2024. Vol. 61. Article 1. DOI: 10.1080/15481603.2024.2331861 EDN: UMAHVE
38. Prasad S., Chanussot J., Li J. (Eds.). Advances in Machine Learning and Image Analytics for GeoAI. Amsterdam; London; Cambridge: Elsevier, 2024. 364 p.
39. Psyharis Y., Tselios V., Pantazis P. Cohesion policy and household income inequality: Evidence from Greek regions // The Annals of Regional Science. 2024. Vol. 73. P. 1-29. DOI: 10.1007/s00168-024-01304-y EDN: PAYONI
40. Qureshi K.N., Newe T. (Eds.). Artificial Intelligence of Things (AIoT): New Standards, Technologies and Communication Systems. Boca Raton: CRC Press, 2024. 230 p.
41. Russell S., Norvig P. Artificial Intelligence: A Modern Ap proach. Third Edition. Boston: Prentice Hall, 2010. 1132 p.
42. Samuel A. Some studies in machine learning using the game of checkers // IBM Journal of Research and Development. 1959. Vol. 3. No. 3. P. 210-229.
43. Smith T. R. Artificial intelligence and its applicability to geographical problem solving // Professional Geographer. 1984. Vol. 36. No. 2. P. 147-158.
44. Thórisson K. R., Isaev P., Sheikhlar A. (Eds.). Artificial General Intelligence. 17th International Conference, AGI 2024. Seattle: Springer, 2024. 239 p.
45. Togelius J. Artificial General Intelligence. Cambridge: MIT Press, 2024. 240 p.
46. Turing A.Computing machinery and intelligence // Mind. 1950. Vol. LIX, No. 236. P. 433-460.
47. VoPhan T., Hart J. E., Laden F., Chiang Y. Y. Emerging trends in geospatial artificial intelligence (geoAI): Potential applications for environmental epidemiology // Environmental Health. 2018. Vol. 17. No. 1. Article 40. DOI: 10.1186/s12940-018-0386-x EDN: REWNZL
48. Wang S., Huang X., Liu P., Zhang M., Biljecki F., Hu T., Fu X., Liu L., Liu X., Wang R., Huang Y., Yan J., Jiang J., Chukwu M., Naghedi S. R., Hemmati M., Shao Y., Jia N., Xiao Z., Tian T., Hu Y., Yu L., Yap W., Macatulad E., Chen Z., Cui Y., Ito K., Ye M., Fan Z., Lei B., Bao S. Mapping the landscape and roadmap of geospatial artificial intelligence (GeoAI) in quantitative human geography: An extensive systematic review // International Journal of Applied Earth Observation and Geoinformation. 2024. Vol. 128. Article 103734. DOI: 10.1016/j.jag.2024.103734 EDN: LLHDWS
49. Wang S., Hu T., Xiao H., Li Y., Zhang C., Ning H., Zhu R., Li Z., Ye X. GPT, large language models (LLMs) and generative artificial intelligence (GAI) models in geospatial science: A systematic review // International Journal of Digital Earth. 2024. Vol. 17. No. 1. Article 2353122. DOI: 10.1080/17538947.2024.2353122 EDN: ATNMIT
50. Wang Y., Zhu D. A hypergraph-based hybrid graph convolutional network for intracity human activity intensity prediction and geographic relationship interpretation // Information Fusion. 2024. Vol. 104. Article 102149. DOI: 10.1016/j.influs.2023.102149 EDN: NJSILK
51. Zhu D., Liu Y., Yao X., Fischer M. M. Spatial regression graph convolutional neural networks: A deep learning paradigm for spatial multivariate distributions // Geoinformatica. 2022. Vol. 26. P. 645-676. DOI: 10.1007/s10707-021-00454-x EDN: CUULEW
Выпуск
Другие статьи выпуска
В статье рассматривается влияние ввода Большой Кольцевой линии Московского метрополитена на пространственное перераспределение пассажиропотока. Анализируется динамика топологической структуры сети метрополитена в период с 2019 по 2023 гг. Выделено три топологических яруса сети, а также восстановление симметричного рисунка циклического остова сети метрополитена, произошедшего в период исследования. Измерены кратчайшие маршруты между всеми парами станций. Выявлены маршруты как с сократившейся, так и увеличившейся протяжённостью. Изучено изменение входящего объёма пассажиропотока. Отмечено значительное увеличение пассажиропотока на многих станциях, вошедших в состав пересадочных узлов с Большой Кольцевой линией. Проведён корреляционный анализ между сокращением протяжённости кратчайших маршрутов и изменением интенсивности пассажиропотока по станциям. Установлено, что ввод Большой Кольцевой линии не привёл к кардинальной перестройке пространственной организации пассажирских потоков, но проявил неоднородное влияние в зависимости от территориального положения станций. Наиболее значимые изменения зафиксированы в юго-западном секторе города, в то время как центральная часть ядра агломерации оказалась индифферентной к данному фактору. Сделано предположение как о пространственной неравномерности влияния изменения топологической структуры сети на пассажиропоток, так и анизотропности транспортного поведения пассажиров в зависимости от того или иного сектора.
В последнее время туристская индустрия Калининградской области переживает невероятный подъём. И это не только количественный рост, выражающийся в том вкладе, который туризм осуществляет в экономику региона. Это также касается качественного уровня развития и смены основных направлений. Цель исследования связана с выявлением ключевых тенденций развития туризма на территории региона с опорой на анализ официальных статических данных. Для достижения цели используются статический, сравнительный и описательный методы исследования. В данном исследовании проведён анализ показателей, описывающих ключевые тенденции развития регионального туризма, в том числе изменение туристских потоков. Научная новизна связана с выявление специфических черт развития туризма в Калининградской области, сложившихся за последние пять лет, а также в применении методики анализа сальдо туристского потока. В результате исследования были выделены ключевые элементы развития туризма в регионе, среди которых особенно важное место занимает увеличение гостиничного фонда за счёт роста количества коллективных средств размещения малой вместимости, смена направлений туристских поездок, стремительный прирост внутреннего туризма за счёт жителей других регионов России, рост зарубежных поездок местного населения, а также прирост валовой добавленной стоимости туристкой индустрии.
Несмотря на значительный интерес к исследованию туристской тематики в целом, отдельных компонентов туристской индустрии и функционирования туристского рынка, проблематика региональных особенностей туристской индустрии и занятости населения в сфере туризма не получила широкого развития. Целью представленного исследования является установление территориальных различий в развитии компонентов туристской индустрии Беларуси и роли туризма в обеспечении занятости населения. В статье используются статистический, сравнительный и картографический методы исследования. В основе региональной дифференциации туристской индустрии Беларуси лежат различия в уровне урбанизации и территориальная неоднородность распределения природно-рекреационных ресурсов. Имеет место высокая концентрация компонентов туристской индустрии в столице страны - Минске. При этом проявляется тенденция возрастания роли столицы как на рынке внутреннего и международного туризма, так и опережающего развития туристской инфраструктуры. Негативное воздействие на туристскую сферу Беларуси оказали пандемия COVID-19, введение и усиление санкций со стороны стран Запада в отношении Беларуси и её ключевого внешнеэкономического партнёра - Российской Федерации. К 2024 г. допандемийного уровня достигла лишь сфера гостинично-ресторанного бизнеса. Тем не менее, наблюдается адаптация туристского рынка путём переориентации на внутренний спрос и спрос со стороны российский туристов. На основе предложенного методического подхода установлен потенциал двухкратного роста занятости населения в санаторно-курортном, гостинично-ресторанном, агроэкотуристическом и туроператорско-турагентском сегментах туристской индустрии в среднесрочной перспективе.
Калининградская область в виду своего особого геополитического положения имеет ряд специфических черт развития, которые проявляются в том числе и в области демографии. Полуэксклавный характер региона накладывает свои отпечатки на особенности воспроизводства населения и трудовых ресурсов. Целью исследования является выявление основных тенденций и проблемных точек в демографическом развитии региона за последние десять лет. Анализу подвергаются такие ключевые показатели, как численность населения, плотность, миграционное движение, основные его направления, а также естественные прирост и убыль населения, позволяющие выявить демографические проблемы, требующие корректировки. Для достижения цели используются статистический метод исследования и описание. Новизна исследования связана с возможностью применения выявленных тенденций и проблем в формировании долгосрочных планов экономико-демографического развития Калининградской области. В результате исследования были определены проблемные точки, которые связаны, прежде всего, с оттоком населения из удалённых районов в направлении областного центра, а также примыкающих к нему муниципальных образований и курортных районов, что приводит к возникновению кадрового дефицита на периферии области, а также с тенденцией естественной убыли населения, которая в последние годы значительно усилилась. На сегодняшний день большинство исследователей сходятся во мнении, что именно демографический кризис является одним из основных факторов возникновения проблем социально-экономического развития региона. В связи с этим крайне важно выявить основные демографические тенденции, особенно в тех случаях, когда они носят негативный характер.
Литва является наиболее религиозной из трёх стран Прибалтики. Целью исследования является выявление связи между религиозной и этнической структурой населения Литвы, а также оценка сдвигов в конфессиональной структуре населения муниципальных образований Литвы в два межпереписных периода - с 2001 по 2011 гг. и с 2011 по 2021 гг. Основной метод исследования - статистико-картографический. Степень сложности конфессиональной структуры населения оценивается с помощью индекса религиозной (или конфессиональной) мозаичности. На основании величины индекса муниципалитеты страны классифицированы по степени гомогенности/гетерогенности конфессиональной структуры населения. Также в статье применяется расчёт потенциальной конфессиональной структуры населения исходя из традиционной религиозной принадлежности этносов, проживающих на территории. Общей чертой динамики конфессиональной структуры населения Литвы в оба периода было уменьшение доли католиков и рост доли нерелигиозного населения. В динамике доли православных и старообрядцев наблюдался рост в первом периоде, и падение - во втором. Доля протестантов, наоборот, уменьшалась в первом периоде и росла - во втором. Между 2001 и 2011 гг. подавляющее большинство городов и районов Литвы испытывало конфессиональную гетерогенизацию при росте доли нерелигиозного населения и реже - доли православных. Конфессиональную гомогенизацию в пользу католиков испытывал ряд муниципалитетов вблизи границы с Калининградской областью и Латвией. Между 2011 и 2021 гг. продолжалась конфессиональная гетерогенизация большинства самоуправлений Литвы, преимущественно за счёт роста доли нерелигиозного населения и протестантов. Более гомогенными в конфессиональном плане стало несколько муниципальных образований, расположенных вблизи границы с Латвией, Польшей и Республикой Беларусь.
Российская Федерация расположена на стыке различных цивилизаций и культурно-исторических районов мира. К тому же, сама территория России характеризуется большим разнообразием культур и религий. В нашем государстве, как и во многих других странах, граждане пользуются правом свободы совести и вероисповедания, и религиозная принадлежность является личным делом каждого гражданина. В настоящее время официальный учёт верующего населения в России не ведётся, поэтому статистические сведения о конфессиональном составе населения носят приблизительный характер. Для оценки конфессиональной структуры населения могут быть применены различные методики, в том числе и с использованием этнического принципа. Тесная взаимосвязь этнической и конфессиональной составляющей культур складывалась на протяжении всей истории человечества и существует до настоящего времени во всех религиях мира. Поэтому история любой этнической группы - это и история её традиционной религии. Новизну работы представляет расчёт современной потенциальной конфессиональной структуры населения и индекса потенциальной религиозной мозаичности на уровне субъектов Российской Федерации на основе итогов Всероссийской переписи населения, состоявшейся в 2021 г.
В статье на примере стран «Большой двадцатки» рассматривается влияние нового энергоперехода на глобальный экономический рост. В работе применяются данные по обновлённой Всемирным Банком методологии расчёта внутреннего валового продукта на душу населения по паритету покупательной способности в постоянных ценах 2021 г., а также энергобалансы стран «Большой двадцатки» в 2000-2023 гг., что позволяет оценить реальные экономические изменения, произошедшие со странами «Большой двадцатки» с учётом начавшегося энергоперехода. Важное место в исследовании отведено Российской Федерации, она рассматривается в сравнении с развитыми и развивающимися странами «Большой двадцатки», поскольку демонстрирует несвойственную обеим группам стран динамику изменений. Работа позволяет проследить изменение приоритетов в потреблении энергетических ресурсов за первую четверть XXI в. и степень их коррелированности с уровнем экономического развития страны. В результате была подтверждена гипотеза о наличии средней по силе связи между структурой энергобаланса и благосостоянием. Вместе с тем отмечается, что развивающиеся страны «Большой двадцатки» демонстрируют более высокие темпы экономического роста и активнее увеличивают применение возобновляемых источников энергии.
Статья посвящена изучению публикационной активности университетов в субъектах Российской Федерации. Исследование основано на данных проекта OpenAlex, который предоставляет открытый и свободный доступ к информации о научных публикациях. В процессе анализа были использованы методы главных компонент и кластеризации по методу k-средних. В результате выделены три кластера регионов, существенно различающиеся по уровню и динамике публикационной активности высших учебных заведений. Проведённое исследование подчёркивает значительную неоднородность регионов России в плане развития научных систем и предлагает рекомендации для разработки дифференцированного подхода к поддержке и стимулированию научных исследований на федеральном и региональном уровнях. Представленная работа также выявляет ограничения, связанные с особенностями используемого источника данных, и намечает перспективы дальнейших исследований в области анализа публикационной активности.
Издательство
- Издательство
- ПсковГУ
- Регион
- Россия, Псков
- Почтовый адрес
- 180000, Псков, площадь Ленина, дом 2.
- Юр. адрес
- 180000, Псковская обл, г Псков, пл Ленина, д 2
- ФИО
- Ильина Наталья Анатольевна (РЕКТОР)
- E-mail адрес
- rector@pskgu.ru
- Контактный телефон
- +7 (811) 2201699
- Сайт
- https://pskgu.ru/