Ломоносовский район развивается динамично
По итогу 2023 года муниципальное образование заняло четвертое место в Рейтинге-47.
Рост качества жизни обеспечило социальное строительство и решение затянувшихся проблемных вопросов.
Итоги года озвучили на отчете о результатах деятельности органов власти Ломоносовского муниципального района в 2023 году.
«Сегодня Ломоносовский район по праву выступает одним из лидеров по темпам развития в Ленинградской области. Введено практически 630 тысяч м2 жилья. три объекта социального назначения и восемь промышленных объектов. Это новые места проживания, приложения труда, спорта детского развития и культурного просвещения. На этом не останавливаемся. По выданным разрешениям до 2027 года планируется построить 12 промышленных и 13 социальных объектов. Это говорит о высоком потенциале муниципального образования и дает серьезный задел для благосостояния граждан», — отметил заместитель председателя Правительства Ленинградской области Евгений Барановский.
По соглашениям Правительства Ленинградской области с застройщиками планируется строительство 39 детских садов и 18 школ. 7 объектов уже построены по данным соглашениям, 2 детских сада и 3 школы в процессе строительства. В 2023 году планируется завершить строительство поликлиники в Новоселье, ФАП в Яльгелево, амбулатории в Лагового и ФОК в Виллози.
По федеральной программе «Формирование комфортной городской среды» национального проекта «Жилье и городская среда» благоустроят территории в 11 поселениях. Евгений Барановский напомнил депутатам Ломоносовского района о том, что голосование начинается 15 марта и попросил заручиться поддержкой жителей.
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.