Статья Никиты Владимировича Павловского посвящена одной из наиболее актуальных и социально значимых тем современной транспортной экономики — управлению глобальными пассажиропотоками в условиях высокой неопределённости и системных шоков. Автор обоснованно выделяет два ключевых тренда: адаптивное прогнозирование, основанное на методах машинного обучения, и устойчивость транспортных систем как способность к сопротивлению и восстановлению после кризисов. Работа отличается высокой научной новизной, методологической строгостью и практической направленностью. Особенно ценным является фокус на глобальный масштаб, что редко встречается в отечественных исследованиях, обычно ограниченных национальными или региональными контекстами. В условиях пандемии, геополитических конфликтов и климатических кризисов традиционные методы прогнозирования пассажиропотоков (ARIMA, регрессионные модели) утратили эффективность. Автор своевременно обращается к адаптивным, ИИ-ориентированным подходам, что полностью соответствует мировым трендам в транспортной аналитике. Статья опирается на фундаментальные концепции: устойчивость по Holling (1973), адаптивное управление по IATA, сценарное моделирование по IPCC. При этом автор не ограничивается теорией — приводятся достоверные данные: — объём пассажиропотоков в 2024 г. — 9,5 млрд человек; — падение на 66% в 2020 г.; — рост круизных перевозок на 9% в 2024 г. Автор не просто констатирует проблему, а предлагает конкретные решения: — внедрение адаптивных систем в стандарты ИКАО; — инвестиции в «зелёные» аэропорты и ИИ-мониторинг; — интеграция машинного обучения в национальные транспортные стратегии. Несмотря на высокое качество работы, возможны следующие уточнения: Хотя работа фокусируется на глобальном уровне, стоило бы кратко обозначить различия в восстановлении пассажиропотоков: Азия (+15%) vs Европа (медленнее). Это подчеркнуло бы необходимость локальной калибровки глобальных моделей. Статья Н.В. Павловского представляет собой значительный вклад в развитие теории и практики управления пассажирскими потоками. Автор убедительно демонстрирует, что интеграция машинного обучения и сценарного мышления не только повышает точность прогнозов на 15–20%, но и формирует проактивный механизм управления рисками, способный сократить экономические потери от кризисов на 30%. Работа будет интересна как исследователям в области транспортной экономики и ИИ, так и практикам — сотрудникам ИКАО, Росавиации, национальных транспортных министерств и аэропортов. Рецензент считает статью достойной публикации.