Границы населенных пунктов — в ЕГРН
Поручение президента — завершить к 01.01.2025 работы по внесению в единый государственный реестр недвижимости границ населенных пунктов Ленобласть уже выполнила на 98,9%.
На сегодня в Ленобласти в ЕГРН внесено 2 908 границ населенных пунктов из 2 941. Показатель является одним из лучших в стране.
Смысл в том, чтобы повысить эффективность процедур предоставления земельных участков, находящихся в государственной (федеральной, региональной) или муниципальной собственности.
ЕГРН нужен также для постановки объектов недвижимости на государственный кадастровый учет и для государственной регистрации прав на недвижимое имущество.
Пока не внесенными в единый государственный реестр недвижимости в Ленобласти остались границы 33 населенных пунктов.
Что нужно сделать, чтобы к 1 января следующего года полностью выполнить поручение президента, обсуждали сегодня на аппаратном совещании в правительстве региона.
Как сообщила председатель Леноблкомимущества Маринэ Тоноян, основной причиной задержки является отсутствие утвержденных генеральных планов муниципальных образований в отношении части территорий муниципальных образований. Ускорить работу предстоит в Тосненском, Всеволожском, Лужском и Выборгском районах.
Кроме того, стоит вопрос о ликвидации 3-х населенных пунктов: в Бокситогорском (пос. Алешины Нивы), Кингисеппском (дер. Кайболово) и Сланцевском (дер. Романовщина) районах.
Главам администраций муниципальных образований Бокситогорского, Выборгского, Всеволожского, Кингисеппского, Лужского, Сланцевского и Тосненского районов рекомендовано взять под личный контроль внесение сведений о границах населенных пунктов в ЕГРН.
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.