В 2024 году в Петербурге будет отремонтировано рекордное количество жилья на сумму свыше 37 млрд рублей
В этом году капитальный ремонт ожидает 2202 жилых дома.
На эти цели предусмотрена рекордная сумма в 37,1 млрд рублей. Будет выполнено более 3 тысяч видов ремонтных работ. Для сравнения, в 2021 году на капремонт было запланировано 16,2 млрд рублей, в 2022 – 18,4 млрд. В 2023 году на эти цели направили более 28 млрд рублей.
«Петербург – один из лидеров в России по количеству отремонтированных домов. Мы проводим капитальный ремонт жилья как в историческом центре, так и в новых районах. В городе действует региональная программа капремонта, которая регулярно актуализируется. Темпы и объемы капитального ремонта в Петербурге в последнее время значительно возросли. Их необходимо и далее наращивать, чтобы наш город был не только красивым, но также удобным, комфортным и безопасным для его жителей и гостей», - подчеркнул губернатор Александр Беглов.
Основной источник финансирования программы капремонта – взносы горожан. Собственники помещений платят их ежемесячно. В 2023 году собираемость взносов на капитальный ремонт с учетом погашенных долгов составила свыше 102%, что позволило достичь такого объема финансирования в этом году.
Весомый вклад внесло правительство Санкт‑Петербурга: общая сумма бюджетной поддержки составила 8,5 миллиардов рублей. Большая часть этих средств пойдут на замену лифтов. Всего планируется заменить более 2500 тысяч лифтов. Также запланирован ремонт подвальных помещений, фундаментов, систем автоматизированной противопожарной защиты и устранение аварийного состояния отдельных строительных конструкций.
В ВТБ создали и масштабировали на всю Россию сервис аналитики для оценки новостроек.
В основе — универсальная платформа геоаналитики, позволяющая сопоставлять более 1000 слоев данных из банковской сферы, телекома и digital-сервисов. В решении используется обезличенная информация о жителях аналогичных домов, а также районов со схожей транспортной инфраструктурой, имеющих похожие интересы, структуру доходов, расходов и так далее.
Оценка рыночной стоимости строящейся недвижимости играет для банка важную роль в принятии решения о финансировании проектов. Новая разработка помогает повысить оперативность на этапе рассмотрения заявки на финансирование застройщика и получить более объективные и точные данные. Для застройщиков очень важна скорость и сроки. Использование программы позволило в 3 раза сократить сроки от обращения клиента до подписания кредитного договора.
В разных городах различные факторы оказывают влияние на определение цены на жилье. Рынок постоянно идет вперед, меняется инфраструктура, которая влияет на стоимость. Какие-то параметры устаревают, какие-то добавляются или обновляются. Сложность задачи по оценке недвижимости в масштабах России заключается в учете региональной специфики, макроэкономических колебаниях, большом разнообразии в качестве и расположении строительных объектов, что в свою очередь обуславливает выбор инструментов и способов моделирования.
«Программа учитывает множество факторов и показывает независимую от экспертного мнения оценку, что играет важную роль в общем процессе согласования сделки всеми участвующими подразделениями. Наиболее значимые конкурентные преимущества сервис дает в ситуации, когда строящийся жилой объект не имеет рядом аналогов, и оценить его, используя только метод сравнения с похожими соседствующими объектами, невозможно» — рассказал Максим Коновалихин, руководитель департамента анализа данных и моделирования, старший вице-президент банка ВТБ.
Проект строится на базе трех платформ: платформы гео-аналитики (Geo), платформы автоматического обучения моделей (AutoML) и MLOps-платформы (scibox). У каждой из них своя задача в рамках бизнес-процесса. Их объединение помогло достичь синергии и внести дополнительную ценность.
Проект стартовал с сегмента среднего и малого бизнеса. Следующая стадия — это использование программы как для целей крупного бизнеса, так и розничного ипотечного кредитования. Специфика проекта позволяет не только масштабировать его, но и применять в других сферах. Например, посчитать необходимое количество банкоматов в конкретном районе и количество наличных средств в каждом из них. Отлично подходит, когда на основе аналогичных данных нужно построить прогноз чего-нибудь нового.