Machine learning et logements collectifs : quand l’algorithme rencontre la transition énergétique

ArticleValeur verte

Depuis le début des années 2020, le secteur immobilier français est impacté par la hausse des coûts de construction et les nouvelles réglementations environnementales (RE 2020). Dans ce contexte, la valeur verte, définie comme l’augmentation du prix d’un bien immobilier liée à celle de ses performances énergétiques, devient un enjeu clé. Cet article, réalisé en collaboration avec le Groupe Vivialys, propose une méthode d’estimation de cette valeur à l’aide d’outils issus du machine learning sur des bases de données ouvertes portant exclusivement sur des logements collectifs. Les résultats menés lors de cette collaboration montrent que les logements plus performants énergétiquement bénéficient d’une revalorisation mesurable, offrant ainsi un outil d’aide à la décision pour les acteurs du marché immobilier.

Machine learning and collective housing: when algorithms meet the energy transition

Since the early 2020s, the French property sector has been impacted by rising construction costs and new environmental regulations (RE 2020). Against this backdrop, “green value”, defined as the increase in the price of a property linked to an increase in its energy performance, is becoming a key consideration. This article, produced in collaboration with the Vivialys Group, proposes a method for estimating green value using machine learning tools on open databases relating exclusively to multi-family housing. The results show that energy-efficient homes benefit from a measurable increase in value, thereby providing a decision-making tool for those investing in the property market.

Elizaveta Logosha est docteure en sciences pour l’ingénieur. Formée entre Saint-Pétersbourg, Strasbourg et Troyes, elle développe une approche interdisciplinaire mêlant modélisation stochastique et enjeux de durabilité. Dans le cadre de sa thèse à l’Université de technologie de Troyes, elle a travaillé sur l’application du machine learning à l’analyse de données issues de la transition énergétique.

Myriam Maumy, docteur en statistique de l’Université Pierre et Marie Curie (Paris VI) en 2002 et titulaire d’une HDR de l’Université de Strasbourg, a commencé sa carrière d’enseignant-chercheur à l’Université de Rennes 2 puis à l’Université de Strasbourg où elle restée 16 ans à développer des relations universités-entreprises. Actuellement, elle occupe un poste de professeur des universités en santé numérique à l’École des hautes études en santé publique.

Ancien élève de l’École normale supérieure de Lyon, titulaire d’un doctorat de l’Université Louis Pasteur et d’une HDR en mathématiques appliquées de l’Université de Strasbourg, Frédéric Bertrand est professeur des universités à l’Université de technologie de Troyes où il est responsable de la formation de mastère spécialisé Expert Big Data Engineer et du pilotage, au sein de l’UTT, du projet CMA en IA MacMia et du cluster IA Hi!Paris. Il a travaillé sur la modélisation statistique et l’apprentissage automatique, en particulier avec le langage R auquel il a contribué pour près de vingt packages.