Списки домов на снос в москве первой волны: Реновация в Москве — программа переселения из аварийного и ветхого жилья в новостройки

Список домов первой волны реновации: какие дома попали

Составленный и утвержденный список домов первой волны реновации реализуется в текущем году. Программа обновления фонда предусматривает проведение строительства новых зданий в соответствии с современными требованиями к бытовым условиям проживания.

Согласно принятой программе по обновлению жилищного фонда столицы, ежегодно будет строиться 1-1,5 млн м² жилья. Основным и единственным заказчиком строительства выступит Фонд реновации.

В настоящее время строится 6-7 млн м² жилья, что составляет 15% общего объема запланированного строительства в рамках программы обновления.

Согласно отчету, программа касается реновации пятиэтажек и других зданий. Благодаря программе более 1 млн жителей пятиэтажек в Москве смогут переехать в новое жилье, а у 0,5 млн москвичей появится возможность приобрести квартиры в новостройках.

Таким образом, в результате переезда из хрущевок 10 % москвичей улучшат условия проживания. В настоящее время реализуется проект обновления, стартовавший в конце 90-х годов прошлого века.

Оправдали ли Ваши ожидания новые квартиры по программе Реновации?

СарайМечта!

В августе текущего года в Москве была утверждена новая программа обновления жилищного фонда. В предварительный список вошло 5144 дома, но позднее были исключены 37 зданий и внесены 4.

В нее были включены 5-этажные дома, называемые хрущевками. Морально устаревшие здания не подлежат реконструкции даже с применением современных строительных технологий. Снос домов, которые попадают в перечень, планируется завершить в 2018 г.

О том, какие дома войдут в список, проведены опросы и мониторинг среди жителей. Здания, представляющие архитектурное наследие и историческую ценность, не включены в перечень сносимых строений, и находятся под охраной.

На любом этапе, до момента заключения договора о предоставлении нового жилья жители могут отказаться от участия в программе по реновации.

Первый этап реновации

Различные варианты квартир, куда планируется переселить участников проекта обновления жилищного фонда столицы, можно увидеть не только в павильоне ВДНХ, но и реальной новостройке.

Согласно программе, первая волна переселения коснется 120 тыс. жителей из всех административных единиц столицы. В первую очередь москвичи смогут переехать из 5-этажных зданий в дома, которые строились по другому проекту, но включены в новый жилищный фонд.

Их доделывают до установленных стандартов, доводят отделку до класса комфорта. В программу уже попали 12 новостроек, большинство их которых будут готовы к сдаче уже в конце текущего года.

Правительством столицы проводится отбор стартовых площадок, адреса 210, находящихся на территории 75 районов для строительства, уже утверждены и опубликованы на сайте мэрии. Реновация в Москве проходит параллельно во всех районах и направлена на то, чтобы жители могли получить новое жилье недалеко от предыдущего места жительства.

В первую волну планируется построить 3,5 млн м² жилищной площади. В эти новостройки смогут переехать москвичи и справить новоселье из 586 старых домов.

Преимущества новых построек

Стройка нового жилья будет проводиться волновым методом. В 2019 г. будет сдано 59 новостроек, а через 2 года – в 3 раза больше. Условия для проживания в новых домах будут отвечать современным нормам.

Площадь нового помещения увеличится за счет просторной кухни, прихожей, санузла и коридора. Входные двери будут утепленными, бронированными и с повышенной звукоизоляцией. Пластиковые окна будут двухкамерными стеклопакетами, а межкомнатные двери из дерева.

Внутренний дизайн будет выполнен современными материалами. В новых кухнях планируется установить электрические плиты. Санузлы в квартирах будут спроектированы раздельно.

Здания, которые будут входить в программу обновления жилищного фонда, планируется оснастить системой видеонаблюдения, противопожарными средствами. Первые этажи домов обеспечат локальную бытовую, культурную и торговую инфраструктуру.

Закон по реновации гарантирует переселение в равнозначную квартиру в том же районе. Смена адреса проживания коснется только жителей Новой Москвы и Зеленограда, которые получат квартиры в пределах округа. В случае несогласия с предложением предусмотрена выплата денежной компенсации или обмен на равноценное жилье.

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.

Сотни палестинцев арестованы в ходе рейдов перед Рамаданом

Служба безопасности ШАБАК и ЦАХАЛ арестовали около 200 палестинцев на Западном берегу за две недели до начала Рамадана на этой неделе, сообщили источники в службе безопасности The Times of Israel в четверг.

В ходе задержаний были задержаны подозреваемые, предположительно причастные к волне терроризма и беспорядкам на Западном берегу в конце прошлого года и в первые месяцы 2013 года, сообщают источники.

Аресты были произведены в последние дни, чтобы предотвратить всплеск беспорядков в часто неспокойный период Рамадана, сообщили источники. Служба безопасности также стремилась избежать необходимости производить аресты во время самого Рамадана, опасаясь трений и вспышек насилия.

Палестинские правозащитные источники сообщили, однако, что некоторые из арестованных были активистами, не причастными к беспорядкам, но принимавшими участие в мирных демонстрациях и ненасильственной активности. Например, два брата, арестованные в Билине, как утверждают палестинские источники, просто фотографировали демонстрации в деревне, где протесты против барьера безопасности являются обычным явлением.

По словам израильских источников, за последние два месяца количество беспорядков и забрасывания камнями на Западном берегу сократилось как минимум на 50 процентов по сравнению с предыдущими двумя месяцами. Частично это было связано с арестами, но также наблюдается заметное снижение мотивации палестинской общественности к конфронтации с ЦАХАЛом, сообщили источники в службе безопасности, возможно, из-за продолжающихся усилий Америки по возобновлению мирных переговоров. Кроме того, передача Израилем Палестинской администрации налоговых поступлений несколько облегчила экономические условия на Западном берегу.

Получить The Times of Israel’s Daily Edition
по электронной почте и никогда не пропустите наши главные новости

Адрес электронной почты для новостной рассылки

Регистрируясь, вы соглашаетесь с условиями

В этом месяце ожидается ослабление некоторых израильских ограничений на Западном берегу, сообщили источники, включая возможную выдачу десятков тысяч разрешений на въезд палестинцев в Израиль, и открытие двух основных дорог, которые были закрыты в течение нескольких лет. Одна из этих дорог проходит от лагеря беженцев Джелазун к северу от Рамаллаха до Вади-Хермия, облегчая передвижение между Рамаллахом и Наблусом.

Старший офицер ЦАХАЛа на встрече с лидерами поселенцев в среду также говорил о резком сокращении числа нападений палестинцев на израильтян на Западном берегу. Центральное командование ОС Генерал-майор. Ницан Алон отметил «активизацию действий ЦАХАЛа и улучшение сотрудничества с палестинскими силами безопасности» в том, что, по его словам, количество нападений за последние два месяца сократилось на две трети, сообщает «Маарив».

Состоявшаяся в среду встреча с лидерами поселенцев стала продолжением аналогичной встречи, которая состоялась в Кнессете в марте на фоне волны насилия, настолько жестокой, что некоторые в силовых структурах предсказывали начало третьей палестинской интифады (народной восстание). В разгар напряженности поступали сообщения о 200 нападениях в день, в основном с бросанием камней и атаками с коктейлем Молотова.

Подъем, начавшийся примерно в то время, когда Израиль начал операцию «Столп обороны» в Газе в середине ноября 2012 года, продолжился зимой и весной с десятками нападений на израильские автомобили, перекрытием дорог и насильственными протестами.

Эта ситуация, когда поселенцы боялись покидать свои дома, по словам Алона, заставила армию активизировать свои усилия по поддержанию безопасности и привела к подавлению любых проявлений насилия со стороны палестинцев.

Согласно данным, которые Алон представил присутствовавшим лидерам поселенцев, в том числе главам местных советов Западного берега и председателю совета Йеша Ави Роэ, за последние два месяца количество случаев бросания коктейлей Молотова снизилось на 64% — с 79в марте до всего 29 в июне — и почти на 70% снизилось количество инцидентов с бросанием камней.

Алон также упомянул о массовых арестах, проведенных ЦАХАЛом в сотрудничестве с Шин Бет, которым удалось установить виновных в нападениях. Алон также упомянул об усилении военного присутствия в известных «горячих точках» на Западном берегу и улучшении сотрудничества с силами безопасности Палестинской автономии.

Лидеры поселенцев сказали Алону, что, по их мнению, ситуация с безопасностью улучшилась, поблагодарили ЦАХАЛ за их усилия и выразили надежду, что эта тенденция сохранится.

Die Moskauer Prozesse (2014) — IMDB

• 20142014
• 1H 24M

Оценка IMDB

7,5/10 0003

59

. предоставить сцену для показательного процесса, на котором столкнулись разные стороны культурной войны в России. И все же люди на сцене не были профессиональными актерами… Читать всеВ марте 2013 года был создан зал суда, чтобы обеспечить сцену показательного процесса, в котором столкнулись разные стороны культурной войны в России. Тем не менее, люди на сцене были не профессиональными драматургами, а реальными актерами: артистами, политиками, церковными лидерами, настоящими юристами, настоящими судьями и… Читать все В марте 2013 года был создан зал суда, чтобы обеспечить сцену для показательного процесса. в котором столкнулись разные стороны культурной войны в России. И все же люди на сцене были не профессиональными драматургами, а настоящими актерами: артистами, политиками, церковными лидерами, настоящими юристами, настоящим судьей и настоящими присяжными. Режиссер Мило Рау добился уникального и гнетущего взгляда на Россию и… Читать все

IMDb RATING

7.5/10

59

YOUR RATING

• • Milo Rau
• • Milo Rau
• • Olga Shakina

• • Milo Rau
• • Мило Рау
• • Ольга Шакина

Photos

Top cast

Olga Shakina

• The Judge

• • Milo Rau
• • Milo Rau
• All cast & crew
• Production, box office & more at IMDbPro

Сюжетная линия

Отзывы пользователей

Будьте первым, кто оставит отзыв

IMDb Лучшее за 2022 год

IMDb Лучшее за 2022 год

Узнайте о звездах, которые взлетели до небес в чарте IMDb STARmeter2, исследуйте2 и многое другое в этом году; включая лучшие трейлеры, плакаты и фотографии.

See more

Details

• Release date
  • March 20, 2014 (Germany)
• • Germany
  • Russia
• • Official Blog
  • Official site
• • Russian
• Также известен как
  • Московские процессы
• • Fruitmarket Kultur und Medien
• См.