Карта переселения по реновации: Карта реновации. Список домов под снос и стартовые площадки на карте Москвы

10 Апр

Содержание

Волны московской реновации / Хабр

Доброго времени суток дорогие читатели хабра, 12 августа 2020 года были опубликованы этапы переезда по программе реновации (ознакомиться можно здесь) и мне стало интересно, а как это будет выглядеть, если эти этапы визуализировать. Тут нужно уточнить, что я никак ни связан с правительством Москвы, но являюсь счастливым обладателем квартиры в доме под реновацию, поэтому мне было интересно посмотреть, может даже с некоторой точностью предположить, куда возможно будет двигаться волна реновации в моём случае (а может быть и в вашем, если вас дорогой читатель это заинтересует). Конечно точного прогноза не получится, но хотя-бы можно будет увидеть картину под новым углом.

UPD 28 августа 2020
Получилась полная карта реновации с отмеченными на ней волнами реновации и стартовыми площадками.


Введение


Вкратце о программе реновации

Программа реновации была запущена Правительством Москвы в 2017 году.

Благодаря ей 350 тысяч московских семей, то есть более миллиона человек, переедут в новые квартиры с отделкой комфорткласса.

Какие дома войдут в программу, решали сами жители. По итогам голосования в программу было включено 5174 дома.

Участники получат равнозначное жилье в своем районе… (далее можно прочитать здесь)

На основании приказа правительства Москвы от 12 августа 2020 г. № 45/182/ПР-335/20 (прочитать можно здесь) вся программа переселения рассчитана до 2032 года и должна будет пройти в три этапа (три волны):


  • первый этап 2020 — 2024гг., в него вошло 930 домов, страницы 3-29 в приказе
  • второй этап 2025 — 2028гг., в него вошло 1636 домов, страницы 30-76 в приказе
  • третий этап 2029 — 2032гг., в него вошло 1809 домов, страницы 77-128 в приказе
  • без определённого этапа (этапы должны будут определиться до конца 1 квартала 2021г.) — 688 домов, страницы 129-148 в приказе

Реализация

Исходный код залит на github и скачать его можно здесь.


  • В первой версии кода я использовал геокодер яндекса для определения точных координат домов, входящих в программу реновации. Добавить стартовые площадки через геокодер не удалось, не все координаты определились правильно.

Первая версия кода wave1.ipynb (obsolete)

Парсинг данных

Данные я взял из этого приказа, т.к. приказ — это pdf файл с таблицами, то я использовал библиотеку tabula для парсинга pdf файлов.

import pandas as pd
import numpy as np
import requests
from tabula import read_pdf
import json
import os

Первым делом я спарсил одну страницу из этих таблиц, чтобы посмотреть, как дальше чистить данные.

test = read_pdf('prikaz_grafikpereseleniya.pdf', pages='3', pandas_options={'header':None})
test.head()

0 1 2 3 4 5
0 No п/п АО Район NaN Адрес дома unom
1 1 ЦАО Басманный Бакунинская ул. , д.49 c.4 NaN 1316
2 2 ЦАО Басманный Бакунинская ул., д.77 c.3 NaN 1327
3 3 ЦАО Басманный Балакиревский пер., д.2/26 NaN 19328
4 4 ЦАО Басманный Госпитальный Вал ул., д.3 NaN 31354

Как видно из того, что получилось спарсить, чтобы очистить данные необходимо удалить лишние колонки и строчки, что и делает функция parse_pdf_table.

def parse_pdf_table(pages, pdf_file='prikaz_grafikpereseleniya.pdf'):
    df = read_pdf(pdf_file, pages=pages, pandas_options={'header':None})
    # удаляем не нужные строки
    df = df[~(df.iloc[:,0] == 'No п/п')]
    # оставляем только нужные колонки
    df = df.iloc[:,1:4]
    df. columns = ['AO', 'district', 'address']
    return df

Каждая волна находится в своём диапазоне страниц, парсим их и проверяем по документу, т.е. количество строк должно совпадать с тем, что есть в pdf файле. (Также сразу добавляем к данным номер волны, т.к. это пригодится в будущем)

wave_1 = parse_pdf_table('3-29') # 2020 - 2024
wave_1['wave'] = 1
wave_1.shape
(930, 4)
wave_2 = parse_pdf_table('30-76') # 2025 - 2028
wave_2['wave'] = 2
wave_2.shape
(1636, 4)
wave_3 = parse_pdf_table('77-128') # 2029 - 2032
wave_3['wave'] = 3
wave_3.shape
(1809, 4)
unknown = parse_pdf_table('129-148')
unknown['wave'] = 0
unknown.shape
(688, 4)

Обработка данных

Обрабатывать данные будем на пандасе (pandas), для этого соберём все волны в один датафрейм df.

df = pd.concat([wave_1, wave_2, wave_3, unknown], ignore_index=True)

Выделим своим цветом метки каждой волны.

df['marker-color'] = df['wave'].map({1:'#0ACF00',  # зеленый
                                     2:'#1142AA',  # синий
                                     3:'#FFFD00',  # жёлтый
                                     0:'#FD0006'}) # красный

Также подпишем каждую метку в зависимости от волны.

df['iconContent'] = df['wave'].map({1:'1',
                                    2:'2',
                                    3:'3',
                                    0:''})

В описание метки добавим адрес.

df['description'] = df['address']

Если не уточнить город — Москва, то по данным, полученным из геокодера получится, что реновация началась по всей стране, да что там, во всём мире. (Даёшь реновацию во всём мире! 🙂

def add_city(x):
    if x['AO'] == 'ЗелАО':
        return 'Зеленоград, ' + x['address']
    return 'Москва, ' + x['address']
df['address'] = df[['AO', 'address']].apply(add_city, axis=1)

Для определения координат каждого дома по адресу я использовал геокодер яндекса, что очень удобно, т.

к. он бесплатный и на него есть очень хорошая документация. Если нужно будет пересчитать координаты, то не забудьте ввести свой ключ.

def geocoder(addr, key='введи свой ключ'):   
    url = 'https://geocode-maps.yandex.ru/1.x'
    params = {'format':'json', 'apikey': key, 'geocode': addr}
    response = requests.get(url, params=params)
    try:
        coordinates = response.json()["response"]["GeoObjectCollection"]["featureMember"][0]["GeoObject"]["Point"]["pos"]
        lon, lat = coordinates.split(' ')
    except:
        lon, lat = 0, 0
    return lon, lat
%%time
df['longitude'], df['latitude'] = zip(*df['address'].apply(geocoder))
CPU times: user 2min 11s, sys: 4.31 s, total: 2min 15s
Wall time: 15min 14s

Все координаты определились удачно (именно удачно, т.к. нет гарантий, что геокодер спарсил адрес так как нам нужно), другими словами он хотя-бы что-то вернул.

len(df[df['longitude'] == 0])
0

Сохраним полученные данные.

df. to_csv('waves.csv')
#df = pd.read_csv('waves.csv')

Формирование карты волн реновации

Для отображения полученных данных на карте я использовал формат GeoJSON.

def df_to_geojson(df, properties, lat='latitude', lon='longitude'):
    geojson = {'type':'FeatureCollection', 'features':[]}
    for _, row in df.iterrows():
        feature = {'type':'Feature',
                   'properties':{},
                   'geometry':{'type':'Point',
                               'coordinates':[]}}
        feature['geometry']['coordinates'] = [row[lon],row[lat]]
        for prop in properties:
            feature['properties'][prop] = row[prop]
        geojson['features'].append(feature)
    return geojson

Т.к. меток получилось очень много, то полная карта может медленно работать на слабом ПК, поэтому я разделил данные по округам Москвы для удобства.

properties = ['marker-color', 'iconContent', 'description']
if not os.path.exists('data'):
    os.makedirs('data')
for ao, data in df. groupby('AO'):
    geojson = df_to_geojson(data, properties)
    with open('data/' + ao + '.geojson', 'w') as f:
        json.dump(geojson, f, indent=2) 

Полученные данные в формате .geojson я сохранил в папку data. В файле ВСЕ_ОКРУГА.geojson записаны данные по всем округам вместе.

geojson = df_to_geojson(df, properties)
with open('data/ВСЕ_ОКРУГА.geojson', 'w') as f:
    json.dump(geojson, f, indent=2) 

ссылка на полную карту (может работать медленно) здесь.

В целом получилось не плохо, все метки внутри границ Москвы, однако, есть и несколько ошибок, как например недалеко от Сергиева Посада — Пролетарий СНТ территория (п.Вороновское), д.1 или в окрестностях Орехово-Зуево — Гаражный пер. (пос.ДСК Мичуринец, п.Внуковское), д.8/КБ/Н. (Честно говоря я бы и сам не сразу понял, где это находится)


Что хотелось сделать, но не получилось 🙁

Официальный список стартовых площадок находится здесь.

Также на карту волн реновации я хотел добавить стартовые площадки, однако это не получилось сделать. Проблема даже не в том, что нормально спарсить список не удалось, это можно было бы решить, проблема в том, что геокодер не может точно определить координаты по владению, например, Шмитовский проезд, вл. 39, Мукомольный проезд, вл. 6, или где находится этот адрес — район Южное Медведково, мкр. 1, 2, 3, корп. 38.

Таким образом единственный источник данных это официальная карта реновации (находится здесь), а как получить из неё координаты я не знаю, если кто знает, как получить координаты стартовых площадок, напишите пожалуйста в комментах.

Однако не всё так плохо и выход всё же есть — можно добавить эти метки вручную!

Видео-инструкция о том, как это сделать есть в исходном коде проекта, а также её можно посмотреть/скачать здесь.


  • Вторая версия карты получилась полной и точной, на неё удалось добавить как дома по реновации, так и стартовые площадки. Вместо геокодера я использовал данные, которые удалось спарсить пользователю PbIXTOP, за что ему большое спасибо.

Вторая версия кода wave2.ipynb (Волны московской реновации 2.0)

Волны московской реновации 2.0

import pandas as pd
import numpy as np
import json
from tabula import read_pdf
from tqdm.notebook import tqdm
import os

Адреса и локации домов по реновации

with open('renovation_address.txt') as f:
    bounded_addresses = json.load(f)
def parse_pdf_table(pages, pdf_file='prikaz_grafikpereseleniya.pdf'):
    df = read_pdf(pdf_file, pages=pages, pandas_options={'header':None})
    # удаляем не нужные строки
    df = df[~(df.iloc[:,0] == 'No п/п')]
    df['unom'] = df.iloc[:,-1].combine_first(df.iloc[:,-2])
    # оставляем только нужные колонки
    df = df.iloc[:,[1, 2, 3, -1]]
    df.columns = ['AO', 'district', 'description', 'unom']
    return df
wave_1 = parse_pdf_table('3-29') # 2020 - 2024
wave_1['wave'] = 1
wave_2 = parse_pdf_table('30-76') # 2025 - 2028
wave_2['wave'] = 2
wave_3 = parse_pdf_table('77-128') # 2029 - 2032
wave_3['wave'] = 3
unknown = parse_pdf_table('129-148')
unknown['wave'] = 0
df = pd. concat([wave_1, wave_2, wave_3, unknown], ignore_index=True)
df['marker-color'] = df['wave'].map({1:'#0ACF00',  # зеленый
                                     2:'#1142AA',  # синий
                                     3:'#FFFD00',  # жёлтый
                                     0:'#FD0006'}) # красный
df['iconContent'] = df['wave'].map({1:'1',
                                    2:'2',
                                    3:'3',
                                    0:''})
df['longitude'] = 0
df['latitude'] = 0
for i in tqdm(bounded_addresses):
    unom = i['unom']
    coordinates = i['center']['coordinates']
    df.loc[df['unom']==unom, 'longitude'] = coordinates[1]
    df.loc[df['unom']==unom, 'latitude'] = coordinates[0]
HBox(children=(FloatProgress(value=0.0, max=5152.0), HTML(value='')))
# Объеденим ТАО и НАО в ТиНАО, т.к. в стартовых площадках есть только ТиНАО
df.loc[(df['AO'] == 'ТАО') | (df['AO'] == 'НАО'), 'AO'] = 'ТиНАО'
df[df['longitude'] == 0]

AO district description unom wave marker-color iconContent longitude latitude
917 ТиНАО поселение Михайлово-Ярцевское Армейский пос. (п.Михайлово-Ярцевское), д.11 15000016 1 #0ACF00 1 0.0 0.0
918 ТиНАО поселение Михайлово-Ярцевское Армейский пос. (п.Михайлово-Ярцевское), д.13 15000015 1 #0ACF00 1 0.0 0.0
919 ТиНАО поселение Михайлово-Ярцевское Армейский пос. (п.Михайлово-Ярцевское), д.3 15000013 1 #0ACF00 1 0.0 0.0
925 ТиНАО поселение Михайлово-Ярцевское Армейский пос. (п.Михайлово-Ярцевское), д.4 15000012 1 #0ACF00 1 0.0 0.0
926 ТиНАО поселение Михайлово-Ярцевское Армейский пос. (п.Михайлово-Ярцевское), д.6 15000014 1 #0ACF00 1 0.0 0.0
4883 ТиНАО поселение Внуковское Гаражный пер. (пос.ДСК Мичуринец, п.Внуковское)… 4405823 0 #FD0006 0.0 0.0
4945 ТиНАО поселение Мосрентген Теплый Стан ул. (п.Мосрентген, в/г), д.51 20000002 0 #FD0006 0.0 0.0
4946 ТиНАО поселение Мосрентген Теплый Стан ул. (п.Мосрентген, в/г), д.52 20000003 0 #FD0006 0.0 0.0
4947 ТиНАО поселение Мосрентген Теплый Стан ул. (п.Мосрентген, в/г), д.53 20000001 0 #FD0006 0.0 0.0
4948 ТиНАО поселение Мосрентген Теплый Стан ул. (п.Мосрентген, в/г), д.85 20000000 0 #FD0006 0.0 0.0
4995 ТиНАО поселение Вороновское Пролетарий СНТ территория (п.Вороновское), д.1 20000004 0 #FD0006 0.0 0.0

Добавляем вручную дома, которые не удалось спарсить

df.loc[917, ['longitude', 'latitude']] = 37.204805, 55.385382 
df.loc[918, ['longitude', 'latitude']] = 37.205255, 55.385367 
df.loc[919, ['longitude', 'latitude']] = 37.201518, 55.385265 
df.loc[925, ['longitude', 'latitude']] = 37.201545, 55.384927 
df.loc[926, ['longitude', 'latitude']] = 37. 204151, 55.384576
df.loc[4883, ['longitude', 'latitude']] = 37.321218, 55.661308 
df.loc[4945, ['longitude', 'latitude']] = 37.476896, 55.604153 
df.loc[4946, ['longitude', 'latitude']] = 37.477406, 55.603895 
df.loc[4947, ['longitude', 'latitude']] = 37.476546, 55.602729 
df.loc[4948, ['longitude', 'latitude']] = 37.477568, 55.604659
df.loc[4995, ['longitude', 'latitude']] = 37.176806, 55.341541

Стартовые площадки

with open('start_area.txt') as f:
    end = json.load(f)
data = {
    'AO':[],
    'district':[],
    'longitude':[],
    'latitude':[],
    'description':[]
}
for i in end['response']:
    data['AO'].append(i['OKRUG'])
    data['district'] = i['AREA']
    coordinates = i['geoData']['coordinates']
    data['longitude'].append(coordinates[1])
    data['latitude'].append(coordinates[0])
    description = i['Address']
    if 'StartOfRelocation' in i:
        if i['StartOfRelocation'] is not None:
            description += '\n' + i['StartOfRelocation']
    data['description']. append(description)
df_start_area = pd.DataFrame(data)
df_start_area['marker-color'] = '#7D3E00' # коричневый цвет
df_start_area['iconContent'] = '0'
df_start_area['unom'] = None
df_start_area['wave'] = -1

Объеденяем метки домов по реновации и стартовых площадок

df = pd.concat([df, df_start_area], ignore_index=True)

Формирование карты реновации

def df_to_geojson(df, properties, lat='latitude', lon='longitude'):
    geojson = {'type':'FeatureCollection', 'features':[]}
    for _, row in df.iterrows():
        feature = {'type':'Feature',
                   'properties':{},
                   'geometry':{'type':'Point',
                               'coordinates':[]}}
        feature['geometry']['coordinates'] = [row[lon],row[lat]]
        for prop in properties:
            feature['properties'][prop] = row[prop]
        geojson['features'].append(feature)
    return geojson
properties = ['marker-color', 'iconContent', 'description']

Разделяем данные по округам.

if not os.path.exists('data'):
    os.makedirs('data')
for ao, data in df.groupby('AO'):
    geojson = df_to_geojson(data, properties)
    with open('data/' + ao + '.geojson', 'w') as f:
        json.dump(geojson, f, indent=2) 

Полная карта (может работать медленно)

geojson = df_to_geojson(df, properties)
with open('data/ВСЕ_ОКРУГА.geojson', 'w') as f:
    json.dump(geojson, f, indent=2) 

Выводы

В целом можно сказать, что затея удалась, однако ещё раз повторю, выводы, которые вы можете получить исходя из этих данных носят лишь примерный характер, даже в самом приказе написано, что сроки указанные в нём являются ориентировочными и могут быть скорректированы, к тому же значительное число домов пока ещё даже не распределено.


UPD 28 августа 2020

Полная карта реновации с отмеченными на ней волнами реновации и стартовыми площадками.

Спасибо пользователю PbIXTOP за данные, спарсенные с официальной карты.

ВСЕ ОКРУГА (Может работать медленно)

ВАО
ЗАО
ЗелАО
САО
СВАО
СЗАО
ТиНАО
ЦАО
ЮАО
ЮВАО
ЮЗАО


UPD 1 сентября 2020

Добавил актуальный код для формирования карты, скрыл реализацию, т. к. большинство читателей статьи интересуется только картой.

Спасибо за внимание.

Сроки и очередность расселения домов по программе реновации застроенных территорий Санкт-Петербурга

Общие сведения

Как узнать, входит ли мой дом в программу реновации?
Я узнал, что мой дом включен в программу реновации — каковы мои действия?
Наш дом входит в программу реновации, кто с нами будет общаться?
Какие категории домов включены в адресную программу?
Куда будут переселять жителей?
На каких условиях будет предоставляться жилье гражданам, проживающим по договору социального найма?
На каких условиях будет предоставляться жилье собственникам?
Для каких категорий граждан будут предоставлены квартиры с отделкой?
Каким образом жители квартала смогут познакомиться с планами развития территории?
Будет ли город контролировать ход реализации Адресной программы «Развитие застроенных территорий в Санкт-Петербурге»?
Как будет контролироваться реализация программы на уровне района?
Где будет работать районная комиссия?
Будут ли учитываться мнения и предложения жителей при реновации квартала?
Как будут проходить выборы представителей от жилых домов?
Сроки и очередность расселения
Нормы предоставления нового жилья
В чем отличие программы КРТ, утвержденной в 2022 году, от программы РЗТ, реализуемой в настоящее время в Санкт-Петербурге?
Будут ли механизмы КРТ применяться в программе РЗТ?

Сроки и очередность расселения

В настоящее время инвестором разработан, а Правительством Санкт-Петербурга утвержден план реализации мероприятий, регламентирующий очередность и сроки расселения и сноса домов, а также нового строительства, в том числе объектов социальной инфраструктуры. В соответствии с Договором о «Развитии застроенных территорий Санкт-Петербурга», программе реновации во всех кварталах будет реализована до 2029 года.

Нормы

При развитии застроенной территории переселение граждан из освобождаемых квартир будет осуществляться в новые благоустроенные многоэтажные дома, расположенные в границах этой же территории. Переезд жителей в другие районы города станет возможным только с их письменного согласия. Новые комфортные жилые дома будут отвечать всем действующим санитарным и техническим нормам.

Собственникам жилых помещений будет предоставлено новое комфортабельное жилье в размере, не превышающем ранее занимаемую площадь. Возникающие в процессе реализации расселения вопросы рассматриваются и решаются застройщиком в индивидуальном порядке в рамках действующего законодательства.

С гражданами, проживающими по договору социального найма взаимодействие ведется Жилищным комитетом Санкт-Петербурга. Закон Санкт-Петербурга четко предусматривают социальную норму предоставления лицам, проживающим по договорам социального найма. Она составляет 18 кв. м на человека, если в квартире совместно проживают 2 и более лиц. На одиноко проживающего по договору социального найма, норма составляет 33 кв. м.

Обе категории граждан могут обращаться к застройщику и в Жилищный комитет с вопросами о сроках, очередности расселения, концепции будущего квартала и др. по телефону (812) 680-23-76.

Карта Нового курса

На этой карте показаны общественные работы и произведения искусства Нового курса, задокументированные Живым Новым курсом. Каждый сайт отмечен по точке. Нажмите на любую точку, и панель покажет, что там есть. Чтобы узнать больше об этом сайте, нажмите «Полная информация». Чтобы закрыть панель, нажмите на «х».

Чтобы найти сайты New Deal рядом с вами, нажмите кнопку геолокации в правом верхнем углу, и карта приблизится к вашему местоположению (если вы дадите разрешение). Увеличить и с помощью +/- и вернуться ко всей стране, нажав на сброс .

При увеличении точки становятся значками, показывающими функции (категории) различных сайтов.

Вы можете искать карту по названию места. Вы также можете отфильтровать определенные типы сайтов, выбрав Категория или агентство. Категория и агентство перечисляет аккордеон до более точных уровней. (Чтобы начать заново, вернитесь ко всем Категории/Все Агентства)

Десятки тысяч общественных работ и произведений искусства Нового курса еще предстоит обнаружить в каждом округе, штат и территория США. Многие из них все еще используются, и большинство из них не помечены как Новый курс. Если ты хочешь внесите информацию или фотографии для найденных вами сайтов, отправьте документацию на нашем веб-сайте или загрузите приложение Living New Deal, чтобы представить факты и фотографии айфон. Мы будем рады предоставить данные для вашего исследования. Пожалуйста, свяжитесь с нами по адресу [email protected]

На этой карте показаны общественные работы Нового курса и произведения искусства, задокументированные Живым Новым курсом. Сайты New Deal отмечены точками, которые содержат значки по мере приближения. Значки показывают функция (категория) объектов (искусство, парки, инфраструктура и т.д.).

Щелкните любую точку, и появится скользящая панель, показывающая, что там находится. Чтобы узнать больше, нажмите Кнопка полной информации. Для поиска на другом сайте нажмите на красную кнопку «сброс».

Чтобы увидеть сайты New Deal рядом с вами, нажмите кнопку геолокации в правом верхнем углу. Карта приблизится к вашему местоположению (если вы дадите разрешение).

Вы можете увеличить и выйти или вернуться на всю страну, нажав белую кнопку сброса в правом верхнем углу.

Вы можете выполнить поиск на карте, введя название места. Имейте в виду, что географические названия не всегда соответствуют названиям сайтов New Deal.

Вы можете отфильтровать определенные типы сайтов, выбрав категорию или агентство. Категория и агентство перечисляют аккордеон до более тонких уровней. (Чтобы начать заново, вернитесь ко всем категориям/всем агентствам)

Десятки тысяч общественных работ и произведений искусства Нового курса еще предстоит обнаружить в каждом округе, штат и территория США. Многие из них все еще используются, и большинство из них не помечены как Новый курс. Если ты хочешь внесите информацию или фотографии для найденных вами сайтов, отправьте документацию на нашем веб-сайте или загрузите приложение Living New Deal, чтобы представить факты и фотографии айфон. Мы будем рады предоставить данные для вашего исследования. Пожалуйста, свяжитесь с нами по адресу [email protected]

Оживление района

Нажмите для карты

Оживление района, Проекты

Место: пересечение улиц Балтимор-стрит и Хайленд-авеню Центр контроля заболеваний Юго-Восточной Азии координировал установку «Эстамос Акви», скульптурной автобусной остановки, спроектированной местной художницей Рэйчел Тимминс и изготовленной Тимом Скофилдом и Кайлом Миллером. Проект финансировался Балтиморским управлением по продвижению и искусству, PNC Bank, Healthy Neighborhoods и Балтиморским сообществом … Продолжить чтение Автобусная остановка Estamos Aqui →

Подробнее

Оживление района, Проекты

Местонахождение: 25 S. Conkling Street, Baltimore, MD 21224 Conkling Street Garden — это небольшой городской сад, управляемый сообществом. Земля арендована у частного владельца Общественной ассоциацией Хайлендтауна. Комитет, в который входят жители Хайлендтауна, сотрудники Юго-восточного CDC и Международного центра переселения, координирует проекты и мероприятия в этом пространстве. Сад был… Продолжить чтение Conkling Street Garden →

Подробнее

Общественные школы, возрождение района

Игровая площадка начальной средней школы

Tench Tilghman обслуживает как школьников, так и более широкую общественность. До 2017 года он находился в плохом состоянии, в нем не было соответствующего освещения, сидений, мусорных баков или оборудования, которое служило разным возрастным группам. План возрождения памятника МакЭлдерри Фейет поставил цель оживить игровую площадку, и в 2014 году группа … продолжить чтение Ремонт детской площадки Тенча Тилгмана →

Подробнее

Оживление района, Проекты

На средства Инициативы регионального соседства Балтимора Центр контроля заболеваний юго-востока в партнерстве с Коалицией действий сообщества исторического восточного Балтимора отремонтировал интерьер и экстерьер Северо-восточного рынка, одного из крупнейших и наиболее исторических общественных рынков города. Обновления включают в себя новый брендинг и вывески, фреску, нарисованную на внешней стороне рынка, … продолжить чтение Улучшения фасада и городского пейзажа на северо-восточном рынке →

Подробнее

Оживление района

Southeast CDC финансировал проекты трех аспирантов-художников MICA MFA в области общественных искусств в CARE и McElderry Park: Кристен Браун создала серию настенных росписей под названием «Становление» с изображением местной молодежи в паре с историческими образцами для подражания, такими как Мартин Лютер Кинг, младший, Джеки Робинсон и Роза Паркс. Вы можете узнать больше о … Продолжить чтение Проекты сообщества MICA →

Подробнее

Хайлендтаун, Оживление района, Проекты

Southeast CDC собрал фонды Community Legacy (программа Государственного департамента жилищного строительства и общественного развития) для улучшения общественных мест в торговом районе Highlandtown Main Street.

Подробнее

Хайлендтаун, Оживление района

Этот объект на Конклинг-стрит и Истерн-авеню включает в себя скульптурные сидения, созданные местными художниками Крампом и Квашем, освещение, улучшения городского пейзажа, специальные ярко-розовые мусорные баки и многое другое для улучшения общественного пространства в Конклинг Плаза в торговом районе Хайлендтаун-Мейн-стрит.

Подробнее

Хайлендтаун, Оживление района

Southeast CDC собрал фонды Community Legacy (программа Государственного департамента жилищного строительства и общественного развития) для улучшения общественных мест в торговом районе Highlandtown Main Street.

Подробнее

Оживление района, Проекты

Местонахождение: 3218 Noble St, Baltimore, MD 21224 Sokol Baltimore — это некоммерческая общественная организация, которая предлагает гимнастику, фитнес, образовательные и культурные мероприятия для всех возрастов. Юго-восточный CDC получил грант в размере 50 000 долларов от Департамента жилищного строительства и общественного развития штата Мэриленд на улучшение внешнего вида и улучшение … продолжить чтение Улучшение внешнего вида в Соколе, Балтимор →

Подробнее

Оживление района, Проекты

При финансовой поддержке инициативы Baltimore Regional Neighbourhood Initiative, Southeast CDC в партнерстве с Фондом реинвестирования предлагает финансирование строительства мелким подрядчикам, реконструирующим пустующую недвижимость в сообществе CARE. Фонды предоставили ссуды на строительство в размере до 40 процентов стоимости проекта и были привлечены за счет ссуд, финансируемых Фондом реинвестирования.

Добавить комментарий

Ваш адрес email не будет опубликован. Обязательные поля помечены *