L’objet de cette recherche est de concevoir un outil prédictif permettant de prédire les risques de sinistralité pour mieux les éviter et améliorer la qualité dans la construction, limiter les dépenses financières, les pertes d’exploitation et l’augmentation du bilan carbone des réparations.

L’outil sera développé à partir de l’exploitation de plusieurs bases de données. Outre les données de sinistralité de l’AQC, d’autres bases de données ouvertes caractérisant les bâtiments existants et leur contexte (type constructif, matériaux, typologie, degré d’exposition aux aléas climatiques, etc.) seront utilisées pour mieux identifier les bâtiments sinistrés.

Afin de renforcer l’efficacité de l’outil, un corpus d’utilisateurs potentiels composé d’acteurs de la construction sera interrogé afin de mieux cerner leurs attentes et leurs besoins.

Les travaux menés depuis février 2023 ont permis d’analyser puis d’agréger les données de sinistralité bâtiment de l’Agence Qualité Construction avec les principales bases de données disponibles actuellement sur le bâti existant en France : La Base de Données Nationale des Bâtiments (BDNB) du CSTB, la BD TOPO (couche bâtiment) de l’IGN ainsi que les Fichiers fonciers.

Ce travail préliminaire a permis de constituer une base de données recensant plus de 61 000 bâtiments sinistrés caractérisés par 145 attributs relevant de catégories variées, de la typo-morphologie jusqu’aux équipements techniques et mesures énergétiques.

En parallèle du traitement de ces données, des entretiens ont été menés avec différents acteurs du bâtiment (maîtres d’ouvrages, maîtres d’œuvres, cabinets d’expertise, assureurs, etc…) pour identifier leurs besoins et leurs attentes concernant l’outil de prédictif de sinistralité à développer.

L’entraînement d’un premier prototype de modèle capable de prédire la sinistralité à venir sur un bâtiment à partir d’un ensemble de caractéristiques choisies parmi les mieux renseignées et les plus pertinentes pour les acteurs interrogés est prévue lors les prochains mois sur l’appui des données agrégées.