Абусамак Ехаб Розробка комп'ютеризованої підсистеми прогнозування закупівлі та продажу лікарських засобів в умовах Автономії Палестини

Абусамак Єхаб
Факультет: Комп'ютерних інформаційних технологій та автоматики (КИТА)
Спеціальність: Інформаційні управляючі системи та технології (ИУС)

Тема: «Розробка комп'ютеризованої підсистеми прогнозування закупівлі та продажу лікарських засобів в умовах Автономії Палестини»

Керівник: доц. Жукова Т.П.

Автобіографія

Бібліотека

Звіт про пошук

Посилання

Індивідуальне завдання

Реферат

Вступ.
1. Актуальність дослідження.
2. Характеристика об'єкту дослідження.
3. Опис функціонування системи.
4. Системи підтримки прийняття рішень, що базуються на знаннях.
5. Рішення з математичного забезпечення системи.

5.1. Критерій ефективності.

5.2. Вибір методів імовірнісного моделювання.

6. Подальший напрямок досліджень.
Перелік посилань.

Вступ

Початок ХХI століття час виключно інтенсивного розвитку інформаційних комп'ютерних технологій, час їх впровадження у всі сфери і галузі життєдіяльності людини. Інформація дійсно стала такою ж об'єктивною реальністю, як і оточуючі нас предмети, а значить, з'являється нагальна необхідність розробки апаратних і програмних засобів для її інтенсивної обробки, що дозволить заощаджувати час, зусилля і матеріальні кошти.

Особливо актуальною ця задача є в сфері торгівлі медичними препаратами. Для торговельного підприємства дуже важливо негайно реагувати на зміну кон'юнктури ринку, цін та інших факторів, що впливають на попит покупців. Середні і великі торговельні мережі мають щоденно великий обсяг замовлень, постачання та продажу. У таких умовах ефективне вирішення всієї сукупності завдань, що стоять перед менеджерами підприємства (основними серед них є планування закупівель, ціноутворення, облік руху ТМЦ, фінансових коштів та іншої господарської діяльності), що може забезпечити комп'ютеризована інформаційна система, розроблена для цих цілей.

1. Актуальність дослідження

Новий виток розвитку економіки Палестинської автономії в умовах інтеграції у світову торговельну організацію обумовлює необхідність розробки нових комп'ютерних інформаційних технологій, що забезпечують більш раціональну організацію соціально-економічних систем (СЕС) і більш оптимальне управління підприємствами, пов'язаними з постачанням регіону різними товарами. Однією з найбільш актуальних областей в цій сфері діяльності є торгівля медичними препаратами. У зв'язку з цим виникає задача всебічного дослідження ринку фармакологічної продукції, спрямованого на класи аналіз медичних препаратів, виявлення та багатоаспектну оцінку факторів їх реалізації, та побудови на цій основі інформаційної системи управління та оптимізації, що забезпечить підвищення ефективності прийняття рішень при плануванні реалізації медичних препаратів.

Из анализа работ, З аналізу робіт, присвячених прогнозуванню попиту, відомо, що необхідний рівень ефективності прийняття рішень у сфері економічних завдань можна отримати за допомогою сучасних інформаційних технологій, заснованих на математичному моделюванні процесів, що відбуваються на ринку.

Таким чином, актуальною науковою задачею є розробка моделей та алгоритмів інформаційної системи (ІС) прогнозування попиту і планування реалізації медичних препаратів. Застосування ІС дозволить здійснювати ефективне управління процесом реалізації за рахунок застосування нових інформаційних технологій. Використання розроблених моделей і алгоритмів ЕС підвищить оперативність і точність прийняття рішень при реалізації медичних препаратів. Для цієї мети необхідно вирішити наступні завдання:

Для вирішення поставлених завдань використовуються методи системного і класифікаційного аналізу, теорії ймовірностей, математичної статистики, імітаційного моделювання та експертних оцінок.

2. Характеристика об'єкту дослідження

Об'єктом дослідження є соціально-економічна підсистема реалізації медичних препаратів, що діє на базі колективного підприємства ТОРГІВЛЯ-МЕДИЦИНА, основною областю діяльності якого є роздрібна та дрібнооптовий реалізація медичних препаратів. Ефективне дослідження та управління такими системами в сучасних умовах можливо лише за умови використання нових інформаційних технологій та методів наукового пізнання, серед яких особливе місце займає системний підхід.

При всіх особливостях системи не можна не врахувати вплив зовнішнього середовища. В реальній дійсності немає абсолютно ізольованих або відокремлених систем. Для зовнішнього середовища на систему проявляється у вигляді деяких факторів, які певним чином впливають на внутрішній стан системи. Впливу факторів зовнішнього середовища на систему називаються вхідними впливами. У свою чергу система не є нейтральною по відношенню до зовнішнього середовища. Її вплив на зовнішнє середовище характеризується значенням вихідних величин.

Дослідження економічних об'єктів з позиції системного підходу вимагає виконання наступних робіт:

3. Опис функціонування системи

Розглянемо структуру автоматизованої економічної підсистеми і процес її функціонування. Графічна модель системи досить наочно представлена на малюнку 1.1. Структура системи представлена трьома підсистемами:

Рисунок 1.1 - Функціонально-структурна схема досліджуваної СЕС
(анімація реалізована в Macromedia Flash MX, кількість циклів повторення не обмежена. Розмір - 12 КБ) • внутрішньосистемні зв'язкі:
0) початкова точка відліку запит (генерація) первинного плану.
1) дані з ПРТ: розіграний план первинної реалізації товару та його залишки в ПРТ реальні і в результаті розіграшу;
2) статистичний матеріал, зібраний на базі соціологічного опитування споживачів;
3) зворотній зв'язок підсистеми; номенклатура закупленого товару плюс супровідна документація дані про товар (ціна, кількість, якість);
4) дані з ПМС про зміну в регіоні квазідінамічних факторів попиту;
5) запит даних про попит; зворотній зв'язок підсистеми; інтерпретовані отримані дані, регулювання ПМС.
• Зовнішні зв'язки споживчого характеру (характеризують вплив СЕС регіону на систему і навпаки): br> 6) задоволення потреби регіону в якісному товарі; адміністративні відрахування;
7) збір статистичної інформації за дорученням ПМС за допомогою інтерв'ювання соціальних служб та соціологічного опитування споживачів;
8) сукупність квазідінамічних факторів, що впливають на попит.
• Зовнішні зв'язки планового характеру (характеризують вплив зовнішньої СЕС на систему і навпаки):
9) закуплений товар плюс супровідна документація дані про нього (ціна, кількість, якість);
10) інформація з ринку про ціну та якість товару (дані постачальників прайс-листи, сертифікати якості);
11) сукупність квазідінамічних факторів, що впливають на планування;
12) задоволення пропозиції товарів на ринку; сплата податків.

Кожне з трьох підрозділів системи функціонує автономно, взаємодіючи як між собою, так і з зовнішнім середовищем. Алгоритм функціонування системи наведено нижче. Схема алгоритму представлена на малюнку 1.2. Теоретичний матеріал, на який спирається даний розділ, розглядається в розділі 1, математична постановка зазначених методів міститься в розділі 2.

Функціонування безперервно-дискретний процес даної економічної підсистеми. Безперервність його забезпечує характер економіки, як стан господарської діяльності товариства. Дискретність процесу вбачається у виділенні в такій діяльності особливих станів, до яких стан розглянутої системи змінюється значно.

Вихідним станом у цьому процесі є запит підсистеми даних про реалізацію товару та його залишки в ПРТ (0). При цьому ПРТ виконує розіграш масових реалізацій на певний період, і на виході ПРТ з'являється розіграний, а також залишок товару первинний план закупівель, перелік товару (1).
Після цього підсистема виробляє оптимізацію плану: на підставі отриманих даних з ПМС про попит (4) виробляє уточнення потреби в перша стадія оптимізації. При цьому крім залишку замовлений товар даного товару в ПРТ, враховується вплив усіх суттєвих квазідінаміческіх факторів, що впливають на потребу (дані з ПМС (4) плюс статичні фактори, зашиті в програму). На підставі проведеного розрахунку підсистема виробляє розрахунок плану. При цьому в план не включаються такі товари, потреба в яких несуттєва.

Таким чином, підсистема має затверджений план товару в даній кількості, максимально задовольняє критерію потреби.
Далі підсистема виробляє планування закупівель запланованого товару. Здійснюється пошук оптимального рішення на підставі даних, запитуваних у постачальників, про ціни і якості відповідного товару (10), а також з урахуванням квазідінамічних факторів, що впливають на планування (11) друга стадія оптимізації. Таким чином підсистема має оптимальний план максимально задовольняє критерію закупівель товару у відповідних постачальників.
Отриманий в результаті двох оптимізацій план підлягає втіленню, тобто закупівлі на ринку відповідних товарів у відповідній кількості у відповідних постачальників.

Рисунок 1.2 Блок-схема алгоритма функционирования подсистемы

Заключним етапом функціонування системи є оприбуткування надійшовшого товару. Це третя стадія оптимізації, в результаті якої, відповідно до прийнятої економічної методики, на закуплений товар плануються роздрібні ціни. При цьому оприбуткований товар супроводжується необхідною документацією і відправляється по каналу 2 в ПРТ, чим і завершується цикл функціонування розглянутій ек. системи.

Частота ітерацій такого циклу визначається рівнем попиту регіону і звичайно становить один раз на дві доби. Глобально ж цей процес також спирається на нецінові фактори (див. розділ 1), у зв'язку з чим може виникнути потреба як у збільшенні цієї частоти (наприклад, у періоди епідемії) до двох-трьох разів на добу, так і в зниженні (напртклад, літній сезон відпусток і ті ж святкові періоди, у зв'язку з чим падає рівень продажу мед. препаратів) до рази в три-чотири дні і навіть на тиждень. При цьому в результаті кожної такої ітерації має місце певний економічний ефект.

4. Системи підтримки прийняття рішень, що базуються на знаннях

Система, заснована на знаннях (СЗЗ) - це АСУ, яка ґрунтується на концепції використання бази знань для створення алгоритмів розв'язання економічних задач різних класів в залежності від інформаційних потреб користувачів. Прийняття рішень з використанням СЗЗ правильно здійснювати за допомогою експертної системи.

Експертні системи - це складні програмні комплекси, що акумулюють знання експертів в конкретних предметних областях (ПРО) і тиражують цей емпіричний досвід для консультацій менш кваліфікованих користувачів. Створення ЕС є однією з прогресивних областей штучного інтелекту - напрямку інформатики, метою якого є розробка апаратно-програмних засобів, що дозволяють користувачеві ставити і вирішувати творчі завдання, спілкуючись з ЕОМ на обмеженій підмножині природної мови [3]. Створення ЕС тісно зв'язано з розробкою моделей представлення знань і створенням баз знань, що утворюють ядро експертних систем. Останнім часом цей напрям набуває стійкий стан, підключаючи до використання моделі та методи вилучення і структуризації знань, і зливається з відносно молодою галуззю інформатики, результатом поєднання системного аналізу та когнітивної психології - інженерією знань.

Традиційно основним постачальником знань для ЕС є фахівець, компетентний в даній ПРО - предметний експерт. Однак, завдання вилучення цих знань є не такою вже тривіально, як здається на перший погляд. Виходячи з накопиченого досвіду в галузі створення систем автоматизованої обробки інформації відомо, що велика частина знань в конкретній ПРО залишається особистою власністю експерта. Причиною тому є принципова нездатність експерта передати свій досвід і знання через доведеного когнітивної психологією факту - людина знає набагато більше, ніж сама усвідомлює [4]. Цей вислів констатує існування так званих неформальних, або неявних знань, пов'язане з рядом факторів:

Значна частина знань може бути виявлена в нестрого певних умовах, в яких актуалізується неусвідомлювані семантичні зв'язки. Такими умовами можуть бути, наприклад, вербальний або невербальний стимул, який несе відповідну семантику, виникнення ситуації, що має непряме відношення до даного знання, або зовсім випадково побачений предмет. Так знання виводяться на свідомості предметного експерта, після чого можуть бути вилучені та формалізовані інженером за знаннями.
Таким чином, основним завданням інженерії знань є вилучення та формалізація знань з використанням спеціальних прийомів і методів з метою їх подальшого використання в якості інформаційного ресурсу СЗЗ, що у функціональному відношенні синонімічна поняттю ЄС.

5. Рішення з математичного забезпечення системи
5.1. Критерій ефективності
Як відзначалося в розділі 1, оптимізація ведеться з соціально-економічними показниками:

Мінімізація часу простою номенклатури N товарних одиниць:

(3.1) де Т_Пi і Т_Рi - моменти надходження і реалізації i-й ТЕ в кількості q_i;

Мінімізація часу обслуговування L заявок споживача:

(3.2)
при загальній ймовірності відмов P_OTK→0 , где: Т_{З_l} - момент надходження l-й заявки; Т_{В_l} - момент виконання l-й заявки.

Підвищення точності пропозиції номенклатури M товарних одиниць:

(3.3)
де Q_{D_k} і Q_{S_k}-величини попиту і пропозиції на k-ю товарну одиницю.

Величини 3.1 - 3.3 обчислюються для кожної товарної одиниці в конкретному пункті реалізації, у зв'язку з чим агрегіруются в сумарні показники і актуальні для даного аптечного пункту. Крім того, завдання 3.1 і 3.2 пов'язані з моделюванням систем масового обслуговування. Останні три завдання передбачають використання економіко-математичних методів оцінки, які самі по собі не представляють цінності в задачі оптимізації, однак їх інтеграція з методами ймовірнісної оцінки факторів представляє великий науковий інтерес.

5.2. Вибір методів імовірнісного моделювання

Складні системи завжди схильні до впливу багатьох факторів, як зовнішніх, так і внутрішніх. При цьому зміна одного фактору є безпосередньою причиною зміни інших, іноді дуже багатьох факторів. Такі системи завжди мають ту чи іншу імовірнісну структуру, а, отже, описуються за допомогою імовірнісних методів. Нижче розглядається метод Монте-Карло, орієнтований на моделювання випадкових подій, адаптований для соціальних процесів, які відрізняються високою складністю і неодмінно включають в себе стохастичні компоненти [18]. Тут з метою дослідження відносин в стохастичних процесах реалізації обґрунтоване застосування імітаційного моделювання і теорії систем масового обслуговування, де характеристики системи задаються імовірнісними відділами (моделювання безперервно діючих факторів), марковськими ланцюгами (дискретна параметризації об'єктів та відносин) і матрицями ймовірностей переходів (реалізація відносин між об'єктами ). Змодельований з використанням таких методів інформаційний процес при гнучкому (інтелектуальному) механізмі параметризації системи, заснованої на знаннях експертів, стає в достатній мірі гомоморфним реальному процесу реалізації. Таким чином, розроблена імітаційна модель послужить не тільки для отримання оптимальних характеристик модельованих процесу, але стане однією з підсистем розроблюваної експертної системи, основним призначенням якої є формування області допустимих рішень, генерованих ЕС.

Генетичні алгоритми (ГА) адаптивні методи пошуку, які останнім часом часто використовуються для вирішення задач функціональної оптимізації. Наслідуючи процесу природної еволюції, генетичні алгоритми здатні "розвивати" вирішення реальних завдань, якщо ті відповідним чином закодовані. Класичні ГА використовують пряму аналогію з природними механізмами. Вони працюють з сукупністю особин популяцією, кожна з яких представляє можливе вирішення даної проблеми. Кожна особина оцінюється мірою її пристосованості згідно з тим, наскільки оптимально відповідну їй рішення задачі. Комбінація грамотно підібраних операторів забезпечує якісне еволюціонування особин [19].
У загальному випадку розглядається безперервна многопараметрічна задача безперервної оптимізації:

max f(x), где D = {x = (x1, x2, :, xN) | xi на [ai, bi], i=1, 2,:N}, x из D; (3.4)

де f (x) максімізирна (цільова) скалярна багатопараметрична функція, яка може бути не визначена поза допустимої області, а всередині допустимої області мати кілька глобальних екстремумів; прямокутна область D область пошуку. Передбачається, що про функції f (x) відомо лише те, що вона визначена в будь-якій точці області D. Ніяка додаткова інформація про характер функції та її властивості (діфференційність, безперервність і т.д.) не враховується в процесі пошуку. Під вирішенням завдання будемо розуміти вектор x = (x1, x2, ..., xN). Оптимальним вирішенням завдання будемо вважати вектор x *, при якому цільова функція f (x) приймає максимальне значення. Виходячи з припущення про можливу багатоекстремальність f (x), оптимальне рішення може бути не єдиним.

Можна виділити три класи завдань, які можуть бути вирішені представленим алгоритмом [20]. По-перше, це завдання швидкої локалізації одного оптимального рішення, по-друге, при певних умовах, можливо відшукання декількох (або всіх) глобальних екстремумів; і по-третє, це можливість використання алгоритму для відображення ландшафту досліджуваної функції.

ГА працюють з сукупністю особин-рішень популяцією, кожна з яких представляє можливе вирішення даної проблеми. Кожна особина оцінюється мірою її "пристосованості" згідно з тим, наскільки вдало їй відповідне рішення задачі. Найбільш пристосовані особи отримують можливість бути задіяними при подальшому функціонуванні ГА. Це призводить до появи нових особин, які поєднують в собі деякі характеристики, успадковане ними від батьків. Іноді відбуваються мутації, або спонтанні зміни в генах.

Таким чином, з покоління в покоління характеристики, необхідні для розвитку, поширюються по всій популяції. Схрещування найбільш пристосованих особин призводить до того, що досліджуються найбільш перспективні ділянки простору пошуку. В кінцевому підсумку популяція буде сходитися до оптимального вирішення задачі. Перевага ГА полягає в тому, що він знаходить приблизні оптимальні рішення за відносно короткий час [21].

Два останні компоненти алгоритму орієнтовані на відбір: ФГ - штучний, ЦФ - природний. ФГ може не використовуватися, що сповільнить сходимость, але забезпечить планомірний розвиток.

Принцип роботи генетичних алгоритмів заснований на моделюванні механізмів популяційної генетики:

Найбільш корисні дані отримані фахівцями при аналізі нечіткої невизначеності (рисунок 3.1), де основною особливістю є необхідність розрахунків при наявності нечітко заданих параметрів або неточною технологічної інформації. Для поводження з неточно відомими величинами зазвичай застосовується апарат теорії ймовірностей. Однак випадковість пов'язана з невизначеністю, яка стосується приналежності деякого об'єкта до звичайної безлічі. Ця розбіжність між нечіткістю і випадковістю призводить до того, що математичні методи нечітких множин у багатьох відношеннях простіше методів теорії ймовірностей внаслідок того, що поняття заходу ймовірносно у теорії ймовірностей відповідає більш просте поняття функції приналежності (ФП) в теорії нечітких множин. Тому зручніше оперувати з невизначеністю методами теорії нечітких множин без залучення класичного апарату теорії ймовірностей. Теоретичні ж заснування даного підходу цілком точні та суворі в математичному значенні і не є самі по собі джерелом невизначеності. У кожному конкретному випадку ступінь точності рішення може бути узгоджена з вимогами завдання і точністю наявних даних. Подібна гнучкість становить одну з важливих особливостей даного методу, детально розглядається далі.

При глибокому дослідженні підприємства виявляється безліч джерел невизначеності, при цьому ряд параметрів неможливо виміряти точно, і тоді в його оцінці неминуче з'являється суб'єктивний компонент, який виражається нечіткими оцінками типу "високий", "найбільш допустимий", "дуже очікуваний", "швидше за все" , "малоймовірно", "не дуже" тощо. З'являється те, що в науці описується як лінгвістична мінлива зі своїм терм-безліччю значень, а зв'язок кількісного значення деякого фактора з його якісним лінгвістичним описом задається ФП. Вона є кількісної мірою невизначеності щодо даних параметрів, значення яких описується в нечіткої формі. ФП А(u) - це функція, областю визначення якої є носій U, u U, а областю значень - одиничний інтервал [0, 1]. Чим вище А(u), тим вище оцінюється ступінь приналежності елемента носія u нечітких множин А. Наприклад, на малюнку 2.6 представлена ФП нечіткоъ множини "Оптимальний вік споживача", отримана на підставі експертних оцінок.

Рисунок 3.1 Графік функції приналежності нечіткого підмножини «Оптимальний вік споживача» На малюнку видно, що вік від 20 до 35 оцінюється експертами як безумовно оптимальний, а від 80 і вище - як безумовно неоптимальні. У діапазоні від 35 до 80 експерти виявляють невпевненість у своїй класифікації, і структура цієї невпевненості передається ламаного графіком ФП. Л. Заде визначає лінгвістичну змінну так [22]:

(2.17)

Де Ω - назва змінної; Т - терм-безліч значень; U - носій; G - синтаксичних правил, яке формує терми множини Т; М - семантичне правило, яке кожному лінгвістичному значенню Ω ставить у відповідність його зміст

Наприклад, задамо ЛП Q = "Вік споживача". Визначимо синтаксичне правило G як визначення "оптимальний", що накладається на змінну Q. Тоді повне терм-множини значень Т = (Т1 = Оптимальний вік споживача, Т2 = неоптимальний вік споживача). Носієм U виступає відрізок [0, 110], вимір енний в роках людського життя. На цьому носії визначені дві функції приналежності: для значення Т₁ - μ_T1(u).

Нечіткі числа в розглянутій задачі прогнозування попиту можуть бути трьох типів (рисунок 3.2), що задають дискретну, дискретно-безперервну (x). Дискретна характеристика і безперервну функції приналежності задається лінійними залежностями. Два поширених варіанта таких залежностей: трикутна (а) і трапецевидна (в) ФП.

Рисунок 2.10 Варіанти способів представлення нечітких чисел

Функція приналежності для трикутного числа визначається згідно з виразом (3.5). Тут а ± δ ≈ а по мірі убування до нуля ступінь впевненості в оцінці зростає до одиниці. Це надає ФП трикутний вигляд (рисунок 3.2), причому а ступінь наближення.

(3.5)

Трикутні числа - це найбільш часто використований на практиці тип нечітких чисел, причому найчастіше в якості прогнозних значень параметру.

Функція приналежності для трапецієподібні числа (рисунок 3.2, в) визначається згідно з виразом (3.6). Тут предметом експертній оцінці (нечіткої класифікації) є приблизно середнє значення. В [23] обґрунтовано, що трапецієподібні числа - найбільш природний спосіб невпевненої класифікації.

(3.6)

Наступні два поширених варіанту нечітких чисел задають відповідно дискретно-безперервну і безперервну характеристику величин. У першому випадку це П-подібна гладка функція (рисунок 3.2, г), що виражається нелінійно від дискретних функцій в якості аргументів. Приклад аналітичного вираження даної функції (3.7). Функцію даного виду доречно використовувати при наявності в системі точок розриву третього роду, коли відомі кілька фіксованих станів, у яких об'єкт поводиться стабільно, і розмиті межі переходу об'єкта з однієї області станів в іншу. Такі системи називають дискретно-неперервними [24].

(3.7)

Функція приналежності Гауссова типу (рисунок 3.2, б) представляє класичний приклад чисто безперервної ФП. Аналітичний запис функції Гауссовского визначається виразом (3.8):

(3.8)
Ця функція описує параметри, що не мають ніяких точок розриву та змінюються безперервно в просторі і в часі.

6. Подальший напрямок досліджень

У результаті виконаного дослідження з'ясовано, що планування реалізації медичних препаратів при існуючої інформаційної системи на підприємстві Палестини здійснюється далеко не найбільш оптимальним чином. Практика функціонування об'єкта в умовах існуючої ІС показала, що ведення обліку реалізацій у базі даних та прийняття рішень на основі суб'єктивних думок менеджерів не може забезпечити прийнятну економічну ефективність. З отриманих результатів стало ясно, що проблема із задоволенням потреби в Палестині існує не тільки серед населення, але і в установах сфери охорони здоров'я країни. Регулярні збої в поставках і їх неточність обумовлюють погіршення медичного обслуговування людей, що також негативно впливає і на соціальну ситуацію в Палестині.

На основі аналізу ринку медичних препаратів на території Палестини та огляду існуючих програмних рішень по автоматизації прогнозування попиту та підтримки прийняття рішень зроблено висновок про необхідність розробки на основі існуючої ІС автоматизованої інтелектуальної системи (АІС) підтримки прийняття рішень з використанням в якості інформаційного ресурсу знань експертів щодо предметної області, про ситуацію на ринку та її динаміці [5].

Аналіз методів, моделей та алгоритмів дозволяє виділити в даному напрямку досліджень наступні групи методів:

З використанням зазначеного математичного апарату та відповідного прикладного та спеціального програмного забезпечення розробляється АІС підтримки прийняття рішень, що забезпечує отримання позитивного економічного ефекту на підприємстві та позитивного соціально-економічного ефекту на ринку медичних препаратів Палестини за рахунок якісного задоволення потреби медичних установ та населення країни в медичних препаратах.

Перелік посилань