Федоренко А.П.
ПРОБЛЕМА БЕЗБИЛЕТНИКОВ В ТРАНСПОРТЕ И СОВРЕМЕННЫЕ ПОДХОДЫ К ЕЁ РЕШЕНИЮ С ПОМОЩЬЮ ИСКУССТВЕННОГО ИНТЕЛЛЕКТА *
Аннотация:
безбилетный проезд в общественном транспорте остается острой проблемой, приводящей к значительным финансовым потерям транспортных компаний и бюджетов городов. В Москве, особенно на пригородных электричках и наземном городском транспорте, отсутствие турникетов и полная открытость входа создают благоприятные условия для безбилетников. Традиционные методы борьбы – контролеры и штрафы – помогают лишь частично. В статье рассмотрены современные технологические подходы к решению проблемы безбилетного проезда с упором на методы искусственного интеллекта (ИИ). Описаны системы интеллектуальной видеоаналитики, компьютерного зрения и биометрической оплаты проезда, внедряемые в разных городах (Москва, Астана, Барселона и др.), а также результаты исследований по прогнозированию и выявлению безбилетников с помощью нейросетей. Проведен сравнительный анализ технологий на основе ИИ: от системы Face Pay в московском метро до проектов детекции безбилетников в реальном времени и прогнозирования "проблемных" маршрутов. Выявлены преимущества и ограничения каждого подхода, обсуждаются вопросы точности и эффективности. Сделан вывод о том, что комбинированное применение организационных мер и интеллектуальных технологий позволит существенно снизить уровень безбилетного проезда и увеличить сбор доходов.
Ключевые слова:
безбилетники, контроль, оплата, искусственный интеллект, видеоаналитика, компьютерное зрение, общественный транспорт, Москва
Предпосылки внедрения технологии больших данных на металлургическом предприятии. Проблема безбилетного проезда в транспорте (проезд без оплаты, в просторечии – "заяц") актуальна для всех крупных городов и транспортных систем [1]. Ежегодно перевозчики недополучают значительные доходы из-за пассажиров, которые уклоняются от оплаты. В Москве масштабы проблемы существенны: только в 2021 году контролёры московского метро и наземного транспорта поймали 250 тысяч безбилетников (в том числе тех, кто пытался пройти по чужой льготной карте) [4]. Доля безбилетников, по оценкам, может составлять от 15% до 50% пассажиров в зависимости от региона [7]. Например, в Ярославле порядка 40% пассажиров не оплачивают проезд, в Перми – около 17% [7]. По расчетам, если на маршруте около 30% "зайцев", то на одном автобусе с ежедневным пассажиропотоком ~5000 человек и тарифом 30 ₽ потери выручки достигнут ~45 тыс. ₽ в день (1,35 млн ₽ в месяц), что эквивалентно недополучению около 27 тыс. ₽ прибыли ежемесячно с каждого автобуса [11]. Эти цифры показывают, что безбилетный проезд наносит ощутимый экономический ущерб перевозчикам. Кроме того, высокая доля безбилетников подрывает справедливость системы оплаты и может снижать безопасность и комфорт: добросовестные пассажиры чувствуют себя обманутыми, а нарушители нередко игнорируют правила поведения.Рис. 1. Оценочная доля безбилетников в транспорте по городам РФ.Особенно остро проблема стоит на видах транспорта с открытой системой оплаты. В московском метро на каждой станции установлены турникеты, затрудняющие вход без билета, тогда как в наземном транспорте Москвы (автобусы, трамваи, троллейбусы) нет физических преград при входе [4]. Оплату следует производить самостоятельно, приложив транспортную карту или банк-карту к валидатору. Аналогичная ситуация на ряде пригородных платформ и на Московских центральных диаметрах (МЦД): далеко не на всех станциях МЦД имеются турникеты [4] – часто пассажиру достаточно просто приложить билет к валидатору на платформе. Открытый вход упрощает проезд, но требует высокой дисциплины пассажиров или регулярного контроля, иначе часть людей будет намеренно избегать оплаты.Традиционные меры борьбы с безбилетниками включают введение контролирующего персонала (кондукторов, инспекторов), установки турникетов на входе/выходе, а также штрафные санкции для нарушителей [10]. Однако у каждого из этих способов имеются недостатки. Постоянное присутствие кондуктора или патрулирование контролёров на каждом маршруте означает большие затраты на персонал. Проведение выборочных рейдов охватывает не всех нарушителей и носит нерегулярный характер, поэтому многие безбилетники рассчитывают на шанс избежать встречи с контролером. Турникетная система эффективна в метро, но её установка в наземном транспорте или на всех пригородных станциях часто экономически и технически нецелесообразна (особенно на остановках с большим потоком или множеством дверей). Как отмечает О. В. Турова, организация контроля оплаты проезда сталкивается с противоречием между необходимостью тотального контроля и стремлением сохранить удобство и скорость посадки пассажиров [10]. Слишком жесткий контроль (повсеместные турникеты, тотальные проверки) может вызывать недовольство и замедлять движение, тогда как слишком мягкий – ведёт к росту числа "зайцев". Кроме того, человеческий фактор (усталость или невнимательность контролеров) и возможности конфликтов с пассажирами ограничивают эффективность чисто организационных мер.За последние годы города ищут новые подходы к решению этой проблемы, всё чаще обращаясь к цифровым технологиям и инструментам искусственного интеллекта [1]. Развитие систем видеонаблюдения, компьютерного зрения и больших данных создает предпосылки для более эффективного контроля оплаты проезда без тотального участия человека. Так, точность алгоритмов компьютерного зрения за последнее десятилетие выросла в 10 раз и достигла уровня ошибок менее 2,5% [3], что открывает путь к использованию автоматической видеоаналитики для фиксации нарушений. Появляются системы, способные автоматически обнаруживать безбилетников по видеокамерам [8], прогнозировать проблемные маршруты по данным валидаторов [2], а также облегчать сам процесс оплаты с помощью биометрии, снижая стимулы ездить нелегально [9]. Данные меры призваны дополнять традиционные – не случайно в Москве одновременно внедряют инновации и усиливают контроль: с одной стороны, запущена система биометрической оплаты Face Pay в метро [9], с другой – организуются регулярные рейды контролеров на популярных маршрутах наземного транспорта [4].Цель данной статьи – провести обзор современных решений, применяемых для борьбы с безбилетным проездом, и проанализировать, какую роль в этом играют технологии искусственного интеллекта. Основной фокус – на московском регионе (город Москва и пригородные перевозки), однако для полноты картины рассматриваются и примеры из зарубежной практики. В основной части статьи описаны: системы интеллектуальной видеоаналитики на транспорте, алгоритмы компьютерного зрения для детекции безбилетников, биометрические системы оплаты проезда, а также программно-аналитические комплексы для прогнозирования нарушений на основе больших данных [1][2][8]. По каждому направлению приводятся реальные примеры внедрения (пилотные проекты или действующие системы) и результаты, отмеченные в источниках. Отдельно представлена сравнительная таблица, где сопоставлены ключевые технологии по ряду критериев.Таким образом, статья обобщает накопленный опыт и исследования в данной сфере на 2024–2025 годы, базируясь на данных научной литературы и отраслевых источников [1][12]. Это позволяет выявить наиболее перспективные подходы и оценить, насколько эффективно ИИ способен снизить уровень безбилетного проезда по сравнению с традиционными методами.Современные технологии против безбилетников. Интеллектуальная видеоаналитика и компьютерное зрение.Один из самых динамично развивающихся подходов – применение компьютерного зрения для автоматического обнаружения фактов неоплаченного проезда. Практически во всех видах транспорта сейчас установлены камеры видеонаблюдения, изначально предназначенные для безопасности. Однако эти же камеры могут стать "глазами" системы контроля оплаты. Идея состоит в том, чтобы в реальном времени анализировать видеопоток с входных дверей или турникетов и с помощью нейросетевых алгоритмов определять, кто из входящих пассажиров не произвел оплату.Одним из ярких примеров является решение DETECTOR, разработанное барселонским стартапом AWAAIT [8]. Эта система, внедряемая на станциях пригородных поездов в Барселоне, использует камеру, установленную над турникетами, которая наблюдает за процессом прохода пассажиров через билетные ворота. Алгоритмы машинного обучения анализируют поведение каждого входящего: если система видит, что пассажир прошел, не приложив билет/карту, то в течение 3 секунд отправляет сигнал и серию снимков на смартфоны ближайших инспекторов [8]. Мобильное приложение у контролеров получает фотографию нарушителя и позволяет мгновенно среагировать – остановить его еще до выхода на платформу. После проверки результат (задержан нарушитель или нет) отмечается в системе и становится известен другим инспекторам в режиме реального времени [8]. За счет такой адресной, выборочной работы проверяющих число проверок добросовестных пассажиров сведено к минимуму, а общее неудобство для потока – практически отсутствует [8]. По сути, контролеры тратят время только на реальных нарушителей, что повышает эффективность их работы и уменьшает ощущение беспокойства у законопослушных граждан. Пилотные испытания DETECTOR на станции Провенса в Барселоне подтвердили работоспособность подхода [8].Этот пример показывает, как сочетание видеонаблюдения и ИИ позволяет в онлайн-режиме решать задачу, которую раньше можно было выполнять лишь с помощью сплошных проверок или случайных рейдов.Похожие системы начинают появляться и в странах СНГ. Так, в 2024 году в столице Казахстана Астане транспортная компания City Transportation Systems (CTS) запустила пилотный проект "Система видеоаналитики в общественном транспорте" для борьбы с безбилетниками [5]. С 2 мая 2024 г. на одном из автобусов (маршрут №24) установили камеры у каждой двери, соединенные с бортовым компьютером и роутером для передачи данных [5]. Камеры фиксируют всех входящих пассажиров и сопоставляют эти данные с информацией об оплате проезда на валидаторах [5]. Если человек зашел, но не оплатил, система отмечает это как случай безбилетного проезда. Вся информация в реальном времени поступает в департамент транспортного контроля CTS [5]. Уже за первый месяц пилотного запуска только на одном автобусе было выявлено более 2000 случаев безбилетного проезда [5]. Поскольку проект пилотный, к нарушителям пока не применяли штрафы, однако сама статистика помогла точно определить на каких участках маршрута и в какое время чаще всего ездят "зайцы" [5].Операторы теперь знают, где требуется усилить контроль или информирование пассажиров. Ожидается, что после успешного пилота систему распространят на другие автобусы Астаны. Данный проект схож с барселонским: ключевое звено – это нейросетевая обработка видеоданных с уже установленных камер для автоматического выявления неоплат. Его преимущество в том, что не нужно вводить новые проверки – достаточно использовать существующие камеры, подключив к ним искусственный интеллект. По оценке экспертов, такая ситуационная видеоаналитика не требует больших вложений, так как задействует инфраструктуру, которая уже есть на борту транспорта.Развитие алгоритмов глубокого обучения (deep learning) значительно повысило качество подобных систем. Ранее классические системы машинного зрения в видеоаналитике работали на основе запрограммированных правил и простых детекторов, теперь же нейросети способны обучаться сложным шаблонам поведения. Например, в современных решениях используются сверточные нейронные сети для обнаружения и распознавания объектов (людей, их движений) и рекуррентные сети для анализа последовательности кадров. В 2024 году группа исследователей предложила подход с использованием рекуррентной нейросети типа LSTM для прогнозирования действий пассажира на основе видеозаписи его прохода через турникет [3]. Из видеопотока автоматически извлекаются ключевые точки (скелетные координаты) положения человека, и модель обучена по этим последовательностям предсказывать, оплатит данный пассажир проезд или попытается пройти без билета. Первый эксперимент показал высокую точность предсказания на реальных видеоданных [3].Авторы также отмечают, что для повышения надежности можно совмещать LSTM с моделью ре-идентификации личности, чтобы отслеживать пассажира, возможно оплатившего проезд с задержкой. Такой научный подход пока носит экспериментальный характер, но демонстрирует потенциал новых архитектур нейросетей в задаче обнаружения безбилетников [3].Важно подчеркнуть, что интеллектуальная видеоаналитика — это не только фиксация факта неоплаты, но и более широкие возможности. Те же камеры, которые считают пассажиров и выявляют нарушителей, параллельно собирают ценнейшие данные о пассажиропотоке. Например, системы могут подсчитывать общее число входящих/выходящих на каждой остановке с точностью до 99,9%, что даёт перевозчикам инструмент для оптимизации маршрутов и расписаний. Также алгоритмы способны обнаруживать и другие события: оставленные предметы, подозрительные действия, агрессию, контролировать поведение водителя и т.п.Как отмечает А. Худолеев, современные нейросетевые системы на транспорте позволяют решать широкий круг задач — от контроля оплаты до оптимизации маршрутной сети и снижения затрат на топливо [1]. Гибкость настроек таких систем означает, что алгоритмы можно переобучать под новые задачи, масштабировать на весь город и интегрировать с другими компонентами умного города.Биометрические системы оплаты (Face Pay).Еще одно направление, где применяются технологии распознавания лиц и ИИ, — упрощение процедуры оплаты проезда для добросовестных пассажиров. Логика здесь такая: если сделать оплату максимально удобной и незаметной, меньше людей будут склонны рисковать ехать "зайцем". Самый передовой пример — система Face Pay в Москве.Осенью 2021 года московский метрополитен первым в мире запустил на всей сети систему оплаты проезда с помощью биометрии лица [9]. На более чем 240 станциях метро у турникетов установлены специальные камеры, которые при приближении пассажира осуществляют распознавание лица и автоматически списывают плату за проезд с привязанной банковской карты.Чтобы воспользоваться Face Pay, пассажир заранее добровольно регистрируется через мобильное приложение: фотография лица, банковская карта и транспортная карта привязываются к аккаунту. На входе достаточно посмотреть в камеру на выделенном турникете, после чего система узнает лицо, проверяет наличие привязанного счета и открывает турникет, сразу списывая нужную сумму. Никаких физических носителей (ни билет, ни смартфон) предъявлять не нужно.По заявлению властей, Москва стала первым городом, внедрившим биометрическую оплату в метро в столь крупном масштабе [9]. Система полностью добровольна — остальные способы оплаты (карты "Тройка", банковские карты, QR-билеты) продолжили работать, и пассажир сам выбирает, пользоваться ли Face Pay. Уже через несколько месяцев после запуска к системе подключились сотни тысяч москвичей.Преимущества очевидны: бесконтактный способ прохода, особенно актуальный в условиях пандемии, высокая скорость проходимости турникета, минимизация очередей. Кроме того, Face Pay теоретически исключает проблему передачи льготных карт другим лицам: камера видит, что лицо не совпадает с владельцем карты, и может заблокировать проход.Однако у биометрической системы есть и обратная сторона. Правозащитники выражали обеспокоенность вопросами конфиденциальности и возможного неправомерного использования видеоданных [9]. В Москве функционирует одна из крупнейших в мире сетей уличного видеонаблюдения, и технология распознавания лиц уже применялась ранее для различных целей. Добавление Face Pay породило опасения о возможности тотального контроля за передвижениями граждан.Власти заверяют, что все биометрические данные надёжно шифруются и не используются для иных целей [9]. В контексте безбилетного проезда важно, что Face Pay — это профилактическая мера, которая облегчает оплату для законопослушных пассажиров и косвенно снижает количество нарушений.Анализ данных и прогнозирование безбилетников.Помимо непосредственного выявления нарушителей в момент совершения правонарушения, важнейшей задачей является оценка общего уровня безбилетного проезда и выявление закономерностей: на каких маршрутах, в какое время, при каких условиях больше всего случаев неоплаты. Традиционно такие сведения получали либо путем сплошных проверок (что дорого и сложно), либо путем социологических опросов и выборочных наблюдений. В последние годы благодаря массовому накоплению данных (валидаторы, счётчики пассажиров, датчики транспорта, GPS и т.д.) стало возможным применять методы анализа данных и машинного обучения для прогнозирования и оценки безбилетников.В 2020 году группа исследователей из Франции (O. Egu, P. Bonnel) опубликовала работу, в которой показала, что можно достаточно точно оценить долю безбилетных пассажиров без проведения масштабных опросов, используя сравнительный анализ данных автоматизированной системы оплаты и учета пассажиров [2]. На примере города Лион авторы сопоставили данные валидаторов (проданные билеты), результаты выборочных проверок контролёров и данные счётчиков входящих пассажиров. Сравнение этих источников позволило выявить расхождения, приходящиеся на безбилетников, и оценить их долю. Такой data-driven подход дает транспорту ценную аналитику: где и когда больше всего "зайцев", не полагаясь на редкие рейды. Подобные исследования подтверждают, что проблему безбилетного проезда можно измерить количественно, а значит, на неё можно влиять системно [2].Совсем свежий пример — решение Сбербанка, о котором объявлено в конце 2024 года. Специалисты компании «Сбер Бизнес Софт» разработали AI-модель прогнозирования маршрутов и временных интервалов, где ожидается наибольшее количество безбилетников [6]. Эта модель анализирует обезличенные данные валидаторов (об оплате проезда) и счётчиков пассажиров и на горизонте 1–3 недели предсказывает, на каких маршрутах наземного транспорта и в какое время будет зафиксировано наибольшее количество неоплаченных поездок.Иными словами, ИИ выявляет "слабые места" — рейсы, где регулярно фиксируется несоответствие между числом ехавших и числом оплативших. Система помогает транспортным компаниям оптимально планировать рейды контролёров или усиливать информирование пассажиров [6].Кроме того, в 2021 году компания «Билайн» обучила нейросеть для оптимизации движения маршрутных автобусов с целью минимизации больших скоплений людей на остановках [6]. Система анализирует данные сотовой активности и пассажиропотока, позволяя перераспределять транспорт туда, где назревает массовое скопление. Это опосредованно помогает снижать уровень безбилетного проезда: при более регулярном движении и отсутствии давки у пассажиров меньше стимулов ехать бесплатно. Отмечается также рост интереса научного сообщества к проблематике безбилетного проезда. За последнее десятилетие опубликовано свыше сотни исследований по этой теме [12], которые охватывают как социально-экономические аспекты (портрет безбилетника, влияние штрафов, психология правонарушения), так и технические и операционные меры противодействия.В обзоре литературы B. Barabino и др. (2020) выделены пять основных направлений исследований: ориентированные на изучение личности безбилетника, криминологические (с точки зрения правонарушений), экономические (ущерб и оптимальные тарифы), технологические (новые системы контроля) и операционные (эффективность инспекций, расписаний и т.д.). Современные подходы с использованием ИИ можно отнести сразу к двум из этих направлений – технологическому и операционному, ведь они предполагают внедрение новых гаджетов/алгоритмов и одновременно меняют процесс контроля (делая его более точечным и эффективным). [12].Сравнительный анализ технологий контроля оплаты.Ниже представлена таблица, сравнивающая различные подходы к борьбе с безбилетным проездом – от традиционных до основанных на ИИ. В качестве критериев выступают принцип работы, примеры внедрения, основные преимущества и недостатки.Таблица 1. Сводная информация по анализутехнологий контроля оплаты.Пояснения к таблице: первые две позиции (турникеты и контролеры) представляют традиционные, давно применяемые подходы. Остальные – современные технологические решения. Как видно, ни один метод не лишен недостатков, поэтому наиболее эффективной считается комбинация мер. Например, в московском метро используются турникеты и Face Pay, а на наземном транспорте планируется сочетать прогнозную аналитику (для планирования проверок) с выборочными рейдами инспекторов и, возможно, с внедрением видеоаналитики на входе в салон.Заключение.Проведенный обзор показывает, что проблема безбилетного проезда продолжает оставаться актуальным вызовом для транспортных систем, особенно в мегаполисах с большим пассажиропотоком, таких как Москва. Финансовые потери от "зайцев" измеряются миллионами рублей в год на каждый маршрут, что стимулирует поиск новых решений. Традиционные методы – контроль людьми и турникеты – хотя и работают в определенной степени, но не способны полностью искоренить проблему по причинам экономической и организационной природы. Современный этап развития технологий предлагает целый спектр инновационных подходов для борьбы с безбилетниками, и центральное место среди них занимают методы искусственного интеллекта.На основе рассмотренных материалов можно сделать несколько выводов:1. Интеллектуальная видеоаналитика зарекомендовала себя как действенный инструмент. Пилотные проекты в разных городах (Барселона, Астана) продемонстрировали способность нейросетей автоматически выявлять безбилетников и существенно повышать результативность работы контролеров. Внедрение подобных систем в московском транспорте (например, на некоторых станциях МЦД или в автобусах) могло бы заметно снизить число нарушений, дополняя уже предпринимаемые меры (рейды с отключением валидаторов и пр.). Ключевым фактором успеха здесь будет высокая точность алгоритмов и правильно налаженное реагирование на сигналы системы.2. Биометрические технологии (Face Pay) и другие способы облегчения оплаты проезда играют важную профилактическую роль. Опыт Москвы с Face Pay показал, что инновации могут повысить привлекательность добросовестной оплаты для пассажиров и улучшить имидж общественного транспорта как высокотехнологичного и удобного сервисаreuters.com. Хотя прямого снижения числа "зайцев" от Face Pay трудно измерить, косвенно такая система способствует росту дисциплины оплаты и устраняет некоторые лазейки для нарушений (например, использование чужих карт). Важно продолжать балансировать между удобством для пассажиров и необходимостью контроля – доверие к системе оплаты увеличивает готовность платить.3. Прогнозирующие и аналитические модели на основе данных позволяют сделать борьбу с безбилетниками более научно обоснованной. Вместо интуитивных оценок или раз в год проводимых обследований, транспортные организации могут получать регулярные данные о том, где и когда концентрируется проблемаcorp.cnews.ru. Это дает возможность рационально распределять ресурсы: назначать контролеров на наиболее проблемные рейсы, оптимизировать маршруты, информировать пассажиров точечно. Подобный подход уже берет на вооружение Москва (совместно со Сбером) и он может быть рекомендован другим регионам. Конечно, сами по себе цифры не решат проблему – необходима реализация рекомендаций, однако управленческие решения, принятые на основе данных, как правило, более эффективны.4. Комплексность решения. Ни одна технология в одиночку не обеспечит 100% сбора оплаты – всегда останется процент нарушителей или технических сбоев. Поэтому оптимальной стратегией видится комплекс мер: физические барьеры там, где это оправдано (метро, железнодорожные узлы), регулярные выборочные проверки на маршрутах с высокой долей неоплаты (с опорой на аналитику), широкое внедрение удобных систем оплаты (чтобы у добросовестных пассажиров не было препятствий платить) и точечное применение видеоаналитики/ИИ на наиболее уязвимых участках. Московский транспорт уже движется в этом направлении, сочетая усилия Дептранса (рейды с полицией, повышение штрафов, разъяснительная работа) с технологическими новшествами (Face Pay, камеры на валидаторах, big data-анализ). Первые результаты обнадеживают: так, усиленные проверки на маршрутах дали эффект в виде повышения культуры оплаты, а испытания нейросетей показывают высокую точность детекции нарушений.5. Социальные аспекты. Внедрение систем ИИ не должно нарушать баланс между контролем и комфортом. Необходимо соблюдать права пассажиров, информировать их о внедряемых технологиях и целях этих нововведений. Если люди будут понимать, что камеры и ИИ стоят на страже справедливости (чтобы все платили по равным правилам) и ради улучшения услуг, это повысит уровень принятия. Прозрачность и законность в использовании данных – обязательное условие при цифровизации контроля оплаты.В заключение, можно констатировать, что современные технологии на базе искусственного интеллекта предоставляют реальные шансы значительно сократить масштаб безбилетного проезда. Они не отменяют необходимость административной работы – четких правил, штрафов, человеческого контроля, но делают эту работу более прицельной и продуктивной. Для города Москвы, с ее огромной транспортной системой, комбинация организационных мер и высокотехнологичных решений позволит повысить собираемость оплаты, снизить нагрузку на бюджет и создать более справедливую и комфортную среду в общественном транспорте. Опыт, накопленный в разных странах, а также собственные пилотные проекты должны быть внимательно проанализированы и тиражированы с учетом местной специфики.
Номер журнала Вестник науки №6 (87) том 2
Ссылка для цитирования:
Федоренко А.П. ПРОБЛЕМА БЕЗБИЛЕТНИКОВ В ТРАНСПОРТЕ И СОВРЕМЕННЫЕ ПОДХОДЫ К ЕЁ РЕШЕНИЮ С ПОМОЩЬЮ ИСКУССТВЕННОГО ИНТЕЛЛЕКТА // Вестник науки №6 (87) том 2. С. 1789 - 1806. 2025 г. ISSN 2712-8849 // Электронный ресурс: https://www.вестник-науки.рф/article/24104 (дата обращения: 08.07.2025 г.)
Вестник науки © 2025. 16+