Цифровизация цепочек поставок фармацевтической продукции

Ларин О.Н.1,2, Матосов М.В.2
1 Российский университет транспорта
2 Российский экономический университет им. Г.В. Плеханова

Статья в журнале

Экономика, предпринимательство и право (РИНЦ, ВАК)
опубликовать статью | оформить подписку

Том 14, Номер 3 (Март 2024)

Цитировать:
Ларин О.Н., Матосов М.В. Цифровизация цепочек поставок фармацевтической продукции // Экономика, предпринимательство и право. – 2024. – Том 14. – № 3. – С. 657-670. – doi: 10.18334/epp.14.3.120601.

Эта статья проиндексирована РИНЦ, см. https://elibrary.ru/item.asp?id=63861753

Аннотация:
В данной статье рассматриваются современные тенденции развития цепочек поставок в фармацевтической промышленности, которые являются сложными системными образованиями. На протяжении последних лет усиливается негативное влияние внешних факторов на стабильную работу таких цепочек поставок. Поэтому участникам цепочек поставок необходимо трансформировать бизнес-процессы за счёт применения инновационных цифровых технологических решений. Цифровизация производственных и распределительных функций должна повысить координацию деятельности участников цепочек поставок на основе достоверной информации о логистических процессах, а также обеспечит их надежную работу за счёт быстрого реагирования на сбои в процессах производства и доставки. Цель данного исследования состоит в разработке рекомендаций по применению цифровых технологий для управления фармацевтической цепочкой поставок. В ходе исследования авторы использовали стандартные методы структурного и сравнительного анализа применительно к деятельности участников цепочек поставок, а также методологию процессного управления для организации их взаимодействия на основе данных в режиме реального времени. На основе результатов проведенного анализа применения передовых технологических решений в управлении цепочками поставок предложены следующие рекомендации по цифровой трансформации фармацевтических цепочек поставок: создавать цифровые двойники цепочек поставок; использовать технологию «интернет вещей», применять методы машинного обучения; предусматривать интеграцию цепочек поставок с национальными цифровыми транспортно-логистическими платформами.

Ключевые слова: фармацевтическая цепь поставок, холодовая цепь, цифровой двойник, машинное обучение, интернет вещей

JEL-классификация: O10, O30, O14



ВВЕДЕНИЕ

Фармацевтическая промышленность является одной из наиболее инновационных и постоянно развивающихся отраслей. Потребителями её продукции являются абсолютно все слои населения независимо от возраста, социальной принадлежности, рода деятельности и прочих факторов. Существует ряд специфических факторов, которые оказывают существенное влияют на динамику развития фармацевтического сектора: усиливается негативное влияние экзогенных факторов на состояние здоровья человечества в условиях стабильно ухудшающейся экологической обстановки; стремительно развиваются новые отраслевые сегменты, в том числе, производство биологически активных добавок; широкое распространение технологий создания аналогов дорогостоящих лекарственных препаратов (дженериков), которые продаются по значительно низкой цене [5].

В последнее время фармацевтическая промышленность стала активно развиваться за счёт биотехнологий, важнейшими продуктами которых являются иммунобиологические лекарственные препараты, вакцины и сыворотки. Данные продукты являются термолабильными (от англ. – thermolability), что накладывает повышенные требования к сохранению температурного режима при их хранении и транспортировке. Кроме фармпрепаратов к термолабильным грузам относятся многие другие товарные группы (например, фрукты, мясные изделия, морепродукты и так далее), для каждой из которых организуются необходимые условия доставки. Незначительные нарушения температурных условий приводит к разрушению физико-химических и лекарственных свойств данных препаратов. В целях соблюдения термометрических требований при выполнении логистических операций (транспортировки и хранения) в процессе доставки термолабильных грузов сформировалось научно-практическое направление логистики холодовой цепочки (cold chain logistics). Логистическая концепция холодовой цепочки предусматривает использование особых организационных и технологических решений для управления материальными потоками, применение специализированных транспортных средств и объектов логистической инфраструктуры, которые обеспечивают соблюдение установленных режимов и правил надлежащей дистрибуции (Good distribution practice) [1], понятие холодовой цепочки имеет три характеристики: наука, технология и процесс. С точки зрения науки, для организации работы холодовой цепочки необходимо знание химических и биологических процессов, протекающих в термолабильных грузах при разных температурах. С точки зрения технологии, для организации работы холодовой цепочки необходимо выбирать подходящие технологические решения, которые обеспечат соблюдение нужного температурного режима грузов при перемещении по всем звеньям цепочки поставок. С точки зрения процесса, для организации работы холодовой цепочки необходимо организовать взаимодействия всех участников цепочки поставок, которые выполняют операции по подготовке, хранению, транспортировке грузов. При этом именно технологический фактор является ключевым в концепции управления холодовой цепочкой. Суть данной концепции состоит в интеграции сквозных (end-to-end) бизнес-процессов всех участников цепочки (поставщиков сырья, изготовителей полуфабрикатов, производителей готовой продукции, перевозчиков, владельцев терминальных и складских объектов, провайдеров информационных и других услуг, потребителей) [2, 8].

Вместе с тем на практике сложнее всего обеспечить стабильную именно технологических процессов, так как возросло негативное воздействие на холодовые и другие виды цепочек поставок со стороны многочисленных нежелательных внешних факторов, таких как, пандемия, геополитические конфликты, кратный рост тарифов на доставку и так далее [11, 14, 17]. В этих условиях участникам цепочек поставок необходимо трансформировать бизнес-процессы за счёт применения инновационных цифровых технологических решений. Цифровизация производственных и распределительных функций должна повысить координацию деятельности участников холодовой цепочки на основе достоверной информации о логистических процессах, а также обеспечит надежную работу цепочек поставок за счёт быстрого реагирования на сбои в процессах производства и доставки лекарственных средств [3]. Поэтому цель данного исследования состоит в разработке рекомендаций по применению цифровых технологий для управления фармацевтической цепочкой поставок. В ходе исследования авторы использовали стандартные методы структурного и сравнительного анализа применительно к деятельности участников цепочек поставок, а также методологию процессного управления для организации их взаимодействия на основе данных в режиме реального времени.

ПРИМЕНЕНИЕ «ЦИФРОВЫХ ДВОЙНИКОВ» ЦЕПОЧЕК ПОСТАВОК

В связи с нестабильными условиями деятельности многие организации используют цифровые технологии, что позволяет им проактивно реагировать на вызовы и более быстро адаптироваться к новым условиям, по сравнению с традиционными реактивными моделями принятия решений [7, 9, 15]. Практические данные показывают, что наибольший эффект достигается за счёт применения платформенных решений, которые интегрируют комплекс цифровых технологических решений для управления цепочкой поставок как единой системой.

В последнее время для управления цепочками поставок различной отраслевой принадлежности широко применяются платформенные решение типа «цифровой двойник» (supply chain Digital twins) [4]. По мнению многих исследователей (см., например, [18, 21]) термин «цифровой двойник» впервые был введен в употребление в отчете НАСА (National Aeronautics and Space Administration) в 2010 году [18]. В данном источнике под цифровым двойником понимается интегрированная мультифизическая многомасштабная симуляция системы, в которой используются модели, датчики, данные и так далее, для отражения жизни соответствующего двойника. Там же предложен модульный принцип построения структуры цифровых двойников в составе группы моделей нескольких взаимозависимых отдельных систем или подсистем, которые (модели) могут обновляться на протяжении всего срока службы моделируемого объекта. В этом случае цифровой двойник интегрирует все доступные данные о работе объекта для анализа влияния различных факторов на результаты его работы и прогноза достижимости поставленных целей.

Авторы исследования [10] выделяют в структуре цифрового двойника следующие основные уровни:

1. Физический уровень – содержит всю реальную информацию, включая данные, решения, действия и т. д.

2. Коммуникационный уровень – содержит средства передачи данных, процессы преобразования реальной информации в машиночитаемую информацию и наоборот

3. Цифровой уровень – содержит методы вычислений и моделирования для обработки информации, анализа, вычислений и прогнозов.

При создании цифровых двойников цепочек поставок определяется способ их развертывания:

– облачный вариант в общедоступном или частном центре обработке данных;

– локально у заказчика;

– гибридные варианты.

При облачном варианте цифровой двойник может приобретаться по лицензии на использование программного обеспечения как услуги (SaaS). При использовании программного обеспечения как услуги требуется меньше вложений в ИТ-инфраструктуру («капитальные расходы») по сравнению с локальным вариантом, при этом выплачивается сравнительно высокая ежемесячная стоимость («эксплуатационные расходы»). Преимущества использования облачных цифровых двойников:

– актуализация программного обеспечения без дополнительных затрат;

– доступ в любое время и из любого места;

– возможность автомасштабирования (изменение вычислительной мощности, объема хранения данных) синхронно с развитием бизнеса, чтобы не переплачивать за лишние вычислительные ресурсы;

– не требуются значительные инвестиции для ИТ-оборудования и программного обеспечения;

– безопасность и контроль доступа.

При локальном варианте цифровые двойники развёртываются на вычислительные ресурсы пользователя. Обслуживание аппаратного и программного обеспечения выполняет персонал предприятия. Использование локальной версии может быть предписано обязательными нормативными или корпоративными требованиями.

Гибридный вариант представляют собой комбинирование облачного и локального развертывания, что обеспечивает соблюдение особых требований безопасности для каждого приложения. Гибридная версия может перемещать приложения и данные между системами в зависимости от изменений рабочей нагрузки.

На сегодняшний день многие участники цепочек поставок используют облачные сервисы и программное обеспечение «как услуга», а не создают локальную ИТ-инфраструктуру и не покупают в собственность программное обеспечение.

Базовые функции цифровых двойников:

1. Централизованный сбор информация о всех бизнес-процессах.

2. Бизнес-аналитика, подготовка прогнозов и отчетов.

3. Визуализация информации (данных мониторинга, ключевых показателей эффективности, аналитики) для принятия решений.

4. Автоматизация – возможность ручной и автонастройки автоматического выполнения повторяющихся задач на основе искусственного интеллекта и машинного обучения.

6. Интеграция бизнес-процессов, программных модулей, данных из систем планирования ресурсов предприятия (Enterprise Resource Planning, ERP), управления транспортом (Transport Management System, TMS), управления складом (Warehouse Management System, WMS), управления взаимоотношениями с клиентами (Customer Relationship Management, CRM) и других систем, в том числе от разных поставщиков.

7. Поддержка цифровых инноваций – использование искусственного интеллекта, машинного обучения, мобильных устройств и так далее.

Цифровой двойник, как виртуальное отображение цепочки поставок, должен обновляться на основе данных в режиме реального времени [18]. Для этого в нем должны интегрироваться кроме оперативной информации, также рыночные взаимосвязи, производственная аналитика, финансовые показатели и так далее. Например, рыночные взаимосвязи отображаются через зависимости между такими факторами, как спрос, цена, конкуренция и так далее. Финансовый модуль оперирует данными о затратах, в частности, на рабочую силу, материальные ресурсы, накладные расходы и пр. Производственная аналитика учитывает работу оборудования, динамику запасов, исполнение производственных планов, графиков и процессов [16].

ПРИМЕНЕНИЕ ТЕХНОЛОГИИ «ИНТЕРНЕТ ВЕЩЕЙ»

Для интеграции бизнес-процессов и синхронизации логистических операций в режиме реального времени для всех географически удаленных участников цепочек поставок цифровой двойник использует различные цифровые технологии. При этом ключевая роль в сборе данных отводится технологии «интернет вещей» (Internet of things, далее – ИВ). Концептуальная идея технологии ИВ заключается в обеспечении коммуникации любых «вещей» в любое время и в любой точке пространства с целью извлечения ценности из информации для более эффективного выполнения операций. Для таких коммуникаций необходимо создание инфраструктуры взаимосвязанных сущностей, информационных ресурсов, а также служб, позволяющих обрабатывать информацию о физическом объекте и его виртуальном отображении (цифровом двойнике) и реагировать на нее.

Основные характеристики технологии ИВ:

1) объединение объектов («вещей») в систему;

2) централизованный сбор данных о состоянии объектов;

3) обмен данными между элементами системы по телекоммуникационной сети;

4) автоматизация процессов.

Под вещами (things) понимается различные виды сущностей (entity), которые выступают в качестве обособленно существующих материальных или нематериальных объектов (человек, организация, устройство, транспортное средство, груз, группы предметов), каждый из которых имеет уникальную идентичность. Основными видами сущностей в ИВ являются физическая сущность (физическая вещь) и цифровая сущность (виртуальная вещь), которые подлежат идентификации и объединяются в единую систему через коммуникационные сети. Виртуальные вещи (например, контент или прикладная программа) могут существовать без их физических сущностей, а физические вещи в ИВ обязательно должны иметь как минимум один соответствующий им виртуальный объект. Отличительные характеристики каждой сущности, приобретенные посредством как минимум одного идентификатора (атрибута), определяют идентичность сущности.

Под физической сущностью понимается реальная, дискретная, идентифицируемая и наблюдаемая часть физической среды (объекты, среда и пр.). Физическая сущность может содержать другие физические сущности, иметь прикрепленную метку для идентификации, которая будет отслеживаться датчиком. В свою очередь метка также является физической сущностью, которая присоединяется к другой физической сущности для проведения ее идентификации и отслеживания. Идентификационная информация из метки является идентификатором для физической сущности.

Цифровую сущность представляет вычислительный элемент или элемент данных (приложения, службы, хранилища данных, виртуальные объекты и так далее). Цифровая сущность может включать в себя другие цифровые сущности. Разновидностью цифровой сущности является виртуальный объект, который необходим для цифрового отображения физической сущности в ИВ.

Цифровой двойник цепочки поставок должен содержать устройства, которые соединяют физические сущности (например, перевозимые грузы, транспортные средства и так далее) из реального мира с цифровыми сущностями из виртуального мира путем взаимодействия через одну или несколько сетей. Основные виды устройств ИВ:

1) датчик ИВ (sensor IoT) – устройство ИВ, которое воспринимают (измеряет) одно или несколько свойств одной или нескольких физических сущностей, преобразует их в цифровую информацию для передачи по сети;

2) исполнительное устройство ИВ (actuator IoT) - устройство ИВ, которое оперирует с полученной цифровой информацией для воздействия (изменения) на некоторые свойства физической сущности на основе цифровых инструкций в ответ на входной сигнал.

Развитие технологий анализа данных и искусственного интеллекта стимулируют сбор данных и установку новых устройств. Стоимость устройств, подключенных в системе ИВ, стремительно снижается, что позволяет их применять повсеместно. Для подключения устройств к системе ИВ используются беспроводные сети связи (Wi-Fi, 5G и др.) и сетевые технологии (сети глобальные, локальные, беспроводные самоорганизующиеся (ad-hoc), ячеистые (mesh) и др.).

ПРИМЕНЕНИЕ ЦИФРОВЫХ ТЕХНОЛОГИЙ ДЛЯ АНАЛИЗА ДАННЫХ

В процессе эксплуатации цифровых двойников осуществляется аналитика данных (data analytics), которая является составным понятием, охватывающим получение, сбор, проверку и обработку данных, включая их количественную оценку, визуализацию и интерпретацию, в том числе, генерацию новых знаний.

Основные типы аналитики данных в цифровых двойниках:

1) описательная аналитика – должна охарактеризовать существующую ситуацию, что произошло;

2) диагностическая аналитика – должна «объяснить» почему что-то произошло;

3) прогнозная (предиктивная) аналитика – должна предсказать на основе исторических данных, что может произойти. Предписывающая аналитика –должна рекомендовать, что следует делать.

Основными сферами применения аналитики в цифровых двойниках цепочек поставок являются:

1. Инвентаризация и оптимизация активов (запасы, оборудование и пр.):

– анализ информации в режиме реального времени характеризует действительное состояние активов (наличие запаса, занятость оборудования и пр.).

– диагностическая аналитика выявляет влияние отдельных условий на состояние активов (образование дефицита, возникновение неисправностей и др.).

– прогнозирование отказов оборудования, структуры поступающих заказов, колебания спроса;

– предписывающий анализ позволяет рационально распределять запасы по местам хранения с учётом вероятного спроса и пополнений.

2. Оценка рисков рыночного взаимодействия:

– автоматизация типовых процессов оценки существующих и потенциальных партнеров (поставщиков);

– анализ статистики помогает обнаружить закономерности и выявить факторы, которые влияют на результаты поставок (своевременность, качество материалов, комплектность и пр.);

– прогнозная информация позволяет оценить вероятность нарушений сроков и других условий поставки для заблаговременной корректировки закупок.

3. «Управление» спросом:

– для лучшего понимания клиентов проводится описательный анализ по различным категориям (отрасль, возраст, географический регион, размер заказа и потребности и пр.);

– на основе обработки данных о заказах (заявленных и фактических) определяется ценовая эластичность спроса для получения максимальной прибыли;

– прогнозирование спроса на основе исторических данных помогает компаниям более точно планировать потребные ресурсы, количество нужного транспорта, оптимизировать численность персонала при сохранении высокого качества обслуживания.

Важным результатом аналитики являются данные прогноза и пошаговые рекомендации для участников цепочек поставок в части реагирования на действие нежелательных внешних факторов [13]. На сегодняшний день для аналитики используются методы машинного обучения. В работе [22] отмечается, что построения интеллектуальных цепочек поставок (smart supply chain) методы машинного обучения должны дополняться с оптимизационными моделями.

ВЫВОДЫ

На основе результатов проведенного анализа применения передовых технологических решений в управлении цепочками поставок предлагаются следующие рекомендации по цифровой трансформации фармацевтических цепочек поставок. Во-первых, следует учитывать отраслевую особенность, главная из которых состоит в том, что участники цепочек заинтересованы в установлении долгосрочных снабженческо-производственно-сбытовых связей друг с другом и для сохранения стабильности связей готовы идти на компромиссы, прежде всего по вопросам ценообразования и срокам поставок [19]. Потому что для фармацевтических цепочек поставок характерны значительные временные и финансовые затраты на замену поставщиков и дистрибьютеров. Вместе с тем, высокая степень связанности позволяет участникам цепочек интегрировать процессы планирования и мониторинга текущей деятельности, используя инструменты концепции CPFR (англ. – Collaborative planning, forecasting, and replenishment, CPFR) [6]. Поэтому цифровой двойник цепочки поставок может реализовываться как совместный проект всех или большинства участников данной системы. Это позволит привлечь значительные средства на реализацию проекта, повысит заинтересованность участников цепочки в его наполнении актуальными данными и так далее. В перспективе на базе цифрового двойника может быть создана цифровая экосистема фармацевтической цепочки поставок.

Во-вторых, при создании цифрового двойника рекомендуется использовать облачное сервисы, что снизит затраты участников цепочки на создание ИТ-инфраструктуры, а в дальнейшем позволит гибко управлять эксплуатационными расходами на необходимые цифровые сервисы. Для сбора и обработки данных о местоположении и состоянии грузов и ходе технологических операций в различных звеньях цепочки рекомендуется использовать технологию «интернет вещей». Учитывая большой объем собираемых данных, для их анализа и выработки упреждающих воздействий на сбои рекомендуется применять методы машинного обучения.

В-третьих, рекомендуется при создании экосистемы фармацевтических цепочек поставок предусматривать их интеграцию с национальными цифровыми транспортно-логистическими платформами. Это позволит участникам цепочек в автоматическом режиме обмениваться в цифровом формате юридически значимыми данными друг с другом и с государственными структурами.


Источники:

1. Бондарева М.Н. Моделирование и оптимизация логистических процессов в цепочках поставок фармацевтических препаратов с учетом GDP // Актуальные исследования. – 2023. – № 28-2(158). – c. 59-67. – doi: 10.51635/27131513_2023_28_2_59.
2. Дыбская В.В., Зайцев Е.И., Сергеев В.И., Стерлигова А.Н. Логистика: интеграция и оптимизация логистических бизнес-процессов в цепях поставок. / Учебное пособие. - М.: Эксмо, 2013. – 940 c.
3. Матосов М.В., Ларин О.Н. Организация взаимодействия участников фармацевтической цепочки поставок // Экономика, предпринимательство и право. – 2023. – № 4. – c. 983-994. – doi: 10.18334/epp.13.4.117492.
4. Ларин О.Н., Оюунгарав А., Прибыткова Д.А., Моононхуу Ц., Баасан С. Особенности проектирования цифровых двойников цепи поставок // Наука и техника транспорта. – 2022. – № 3. – c. 65-70.
5. Пискунова Л.П., Санникова Ю.А. Современные тенденции развития фармацевтического рынка: Россия и Казахстан // Российские регионы в фокусе перемен: Сборник докладов со специальных мероприятий XII Международной конференции. Екатеринбург, 2018. – c. 242-248.
6. Сергеев В.И., Албегов В.В. Концепция/технология совместного планирования, прогнозирования и пополнение запасов (CPFR) как пример интеграции партнеров в цепи поставок // Логистика и управление цепями поставок. – 2007. – № 3(20). – c. 64-80.
7. Busse A., Gerlach B., Lengeling J.C., Poschmann P., Werner J., Zarnitz S. Towards Digital Twins of Multimodal Supply Chains // Logistics. – 2021. – № 2. – p. 25. – doi: 10.3390/logistics5020025.
8. Chopra S.P. Meindl Supply chain management: strategy, planning, and operation. Pearson Education. [Электронный ресурс]. URL: https://apaxresearchers.com/wp-content/uploads/2020/09/Supply-Chain-Management-Strategy-Planning-and-Operation-by-Sunil-Chopra-Peter-Meindl-z-lib.org-2020.9.9.pdf.
9. Erol T., Mendi A.F., Doğan D. Digital Transformation Revolution with Digital Twin Technology // In Proceedings of the 2020 4th International Symposium on Multidisciplinary Studies and Innovative Technologies (ISMSIT). Istanbul, Turkey, 2020. – p. 1-7.
10. Glaessgen E., Stargel D. The digital twin paradigm for future NASA and US Air Force vehicles // In Proceedings of the 53rd AIAA/ASME/ASCE/AHS/ASC Structures, Structural Dynamics and Materials Conference. Honolulu, HI, USA, 2012. – p. 1818.
11. Hillary Dukart, Laurie Lanoue, Mariel Rezende, Paul Rutten Emerging from disruption: The future of pharma operations strategy. , 2022. – 7 p.
12. Jean-Paul Rodrigue The Geography of Transport Systems. / FIFTH EDITION. - New York: Routledge, 2020. – 456 p.
13. João A.M. Santos Internal Supply Chain Digital Twin of a Pharmaceutical Company // IFAC-PapersOnLine. – 2020. – № 2. – p. 10797-10802. – doi: 10.1016/j.ifacol.2020.12.2864.
14. Jüttner U., Maklan S. Supply chain resilience in the global financial crisis: an empirical study // Supply Chain Management. – 2011. – № 4. – p. 246-259. – doi: 10.1108/13598541111139062.
15. Larin O., Tarasov D., Mirotin L., Rublev V., Kapski D. Resilient Supply Chain Management Model // 3rd International Scientific Conference on New Industrialization and Digitalization: SHS Web Conf. Volume 93. 2021. – p. 03005.– doi: 10.1051/shsconf/20219303005.
16. Papavasileiou V., Koulouris A., Siletti C., Petrides D. Optimize Manufacturing of Pharmaceutical Products with Process Simulation and Production Scheduling Tools // Chemical Engineering Research and Design. – 2007. – № 7A. – p. 1086-1097. – doi: 10.1205/cherd06240.
17. Sá M.M.d., Miguel P.L.d.S., Brito R.P.d., Pereira S.C.F. Supply chain resilience: the whole is not the sum of the parts // International Journal of Operations and Production Management. – 2020. – № 1. – p. 92-115. – doi: 10.1108/IJOPM-09-2017-0510.
18. Shafto M. et al. Draft modeling, simulation, information technology & processing roadmap. Technology area 11. [Электронный ресурс]. URL: https://www.emacromall.com/reference/NASA-Modeling-Simulation-IT-Processing-Roadmap.pdf.
19. Shah N. Pharmaceutical supply chains: key issues and strategies for optimization // Computers & Chemical Engineering. – 2004. – № 6-7. – p. 929-941. – doi: 10.1016/j.compchemeng.2003.09.022.
20. Singh M., Fuenmayor E., Hinchy E.P., Qiao Y., Murray N., Devine D. Digital Twin: Origin to Future // Applied System Innovation. – 2021. – № 2. – p. 36. – doi: 10.3390/asi4020036.
21. Tho V. Le, Ruoling Fan Digital twins for logistics and supply chain systems: Literature review, conceptual framework, research potential, and practical challenges // Computers & Industrial Engineering. – 2024. – p. 109768. – doi: 10.1016/j.cie.2023.109768.
22. Wang L., Deng T., Shen Z.J.M. et al. Digital twin-driven smart supply chain // Frontiers of Engineering Management. – 2022. – p. 56-70. – doi: 10.1007/s42524-021-0186-9.

Страница обновлена: 25.05.2024 в 23:41:26