Site en construction : la documentation présente dans ce site n’est pas exhaustive pour le moment

logo BDNB logo BDNB Millésime 2026-02.b
  • Concepts
    • La BDNB
    • Bâtiment groupe
    • Le RNB et la BDNB
    • Millésimes et version du schéma
    • Pourquoi des prédictions probabilistes ?
  • Données par thème
    • Vue d’ensemble

    • Bâti, foncier et adresses
    • Référentiels territoriaux
    • Activités, équipements et usages
    • Bâtiments tertiaires
    • Énergie et environnement
    • Logement et marché immobilier
    • Sobriété immobilière
    • Patrimoine et urbanisme
    • Exposition aux aléas
    • Vulnérabilité des personnes

    • Métadonnées
  • Productions BDNB
    • Vue d’ensemble

    • Usages des bâtiments
    • Flux de construction
    • Bâtiments tertiaires
    • Contexte géographique
    • Référentiel administratif

    • Traitement des DPE ADEME
    • Prédiction des performances énergétiques
    • Raccordement aux réseaux de chaleur
    • Valeur foncière et valeur verte des DPE

    • Adaptation au changement climatique
    • Indicateur de surchauffe estivale (ISB)
    • Îlot de chaleur urbain (ICU)
    • Exposition aux aléas

    • Description socio-économique des ménages
  • Recettes
  • FAQ
  • Dictionnaire
    • Dictionnaire interactif
    • Schéma SQL (SchemaSpy)
    • Dictionnaire des données (.xlsx)
  • API
    • Tutoriels
    • Guides
    • Swagger API Open
    • Swagger API Expert
    • Statut
    • Souscrire
  • Releases
    • Télécharger les données
    • Changelog
  • Publications
  1. Recettes
  2. Croiser des prédictions avec les tirages aléatoires
  • Recettes
    • Compter les bouilloires thermiques
    • Compter les chaudières fioul
    • Comment estimer le nombre de personnes vivant dans des bouilloires thermiques
    • Comment compter les passoires énergétiques
    • Croiser des prédictions avec les tirages aléatoires
    • Identifier les logements et les populations exposées
    • Comment accéder aux données de mon parc
    • Trouver les établissements d’éducation
    • Estimer le niveau de vie moyen dans une zone

Sur cette page

  • Exemple 1 : croiser deux variables d’imputation (isolation des murs et installation de chauffage)
  • Exemple 2 : croiser une performance thermique et l’ISB (surchauffe estivale)
  • Exemple 3 : croiser des variables des ménages (âge et type d’activité)
  • Interpréter les résultats

Other Formats

  • Jupyter
  1. Recettes
  2. Croiser des prédictions avec les tirages aléatoires

Croiser des prédictions avec les tirages aléatoires

Expert
Utiliser les variables « random » (tirages Monte Carlo cohérents entre variables) pour réaliser des analyses croisées.
NotePrérequis

Millésime de référence minimum pour l’ensemble des exemples : 2026-02.b.

Selon l’exemple choisi, vous devez avoir accès aux tables suivantes :

  • Exemples 1 et 2 : batiment_groupe, batiment_groupe_ffo_bat et batiment_groupe_imputation_enveloppe_et_systemes_proba.
  • Exemple 2 : batiment_groupe_simulations_isb_canicule_2003_proba en complément.
  • Exemple 3 : menage_prediction_socio_eco_proba (Expert et ayant droit Fichiers Fonciers).

Les prédictions probabilistes de la BDNB sont obtenues par simulation de Monte Carlo : pour chaque bâtiment (ou segment de ménages), le modèle produit un grand nombre de tirages plausibles, dont sont déduites les probabilités par modalité. Les variables *_random publient un de ces tirages.

Point essentiel : au sein d’une même source, les variables random d’une ligne proviennent de la même réalisation du tirage. Elles forment donc un bâtiment (ou un segment de ménages) cohérent, et leurs corrélations sont préservées :

  • pour les performances du bâti et des systèmes, les tirages de batiment_groupe_imputation_enveloppe_et_systemes_proba ; l’ISB-DH (batiment_groupe_simulations_isb_canicule_2003_proba) est calculé à partir de ces mêmes tirages d’imputation ;
  • pour les ménages, le tirage de menage_prediction_socio_eco_proba.

On peut donc croiser librement les variables random d’une même source pour produire tableaux croisés et répartitions, à l’échelle d’un territoire. C’est ce que ne permettent pas les variables top (voir la recette Croiser des prédictions probabilistes), qui gomment les modalités rares. Le principe est présenté dans le concept Pourquoi des prédictions probabilistes ?.

Les exemples portent sur Aix-en-Provence (13001). Les tables sont jointes sur batiment_groupe_id et code_departement_insee.

Exemple 1 : croiser deux variables d’imputation (isolation des murs et installation de chauffage)

Les deux variables viennent de la même table d’imputation : leur tirage random provient du même tirage Monte Carlo. Le tableau croisé compte les logements par couple (isolation des murs, installation de chauffage collective ou individuelle).

  • SQL
  • Python (pandas)
  • API
SELECT
    imp.type_isolation_mur_exterieur_random AS isolation_murs,
    imp.type_installation_chauffage_random AS installation_chauffage,
    SUM(ffo.nb_log) AS nombre_logements
FROM bdnb_v07.batiment_groupe AS bg
JOIN bdnb_v07.batiment_groupe_ffo_bat AS ffo
    ON ffo.batiment_groupe_id = bg.batiment_groupe_id
   AND ffo.code_departement_insee = bg.code_departement_insee
JOIN bdnb_v07.batiment_groupe_imputation_enveloppe_et_systemes_proba AS imp
    ON imp.batiment_groupe_id = bg.batiment_groupe_id
   AND imp.code_departement_insee = bg.code_departement_insee
WHERE bg.code_commune_insee = '13001'
  AND ffo.nb_log > 0
GROUP BY imp.type_isolation_mur_exterieur_random, imp.type_installation_chauffage_random
ORDER BY nombre_logements DESC;
import pandas as pd
from sqlalchemy import create_engine

engine = create_engine("postgresql+psycopg2://<utilisateur>:<mot_de_passe>@<hote>/<base>")

sql = """
SELECT
    imp.type_isolation_mur_exterieur_random AS isolation_murs,
    imp.type_installation_chauffage_random AS installation_chauffage,
    SUM(ffo.nb_log) AS nombre_logements
FROM bdnb_v07.batiment_groupe AS bg
JOIN bdnb_v07.batiment_groupe_ffo_bat AS ffo
    ON ffo.batiment_groupe_id = bg.batiment_groupe_id
   AND ffo.code_departement_insee = bg.code_departement_insee
JOIN bdnb_v07.batiment_groupe_imputation_enveloppe_et_systemes_proba AS imp
    ON imp.batiment_groupe_id = bg.batiment_groupe_id
   AND imp.code_departement_insee = bg.code_departement_insee
WHERE bg.code_commune_insee = %(commune)s
  AND ffo.nb_log > 0
GROUP BY imp.type_isolation_mur_exterieur_random, imp.type_installation_chauffage_random
ORDER BY nombre_logements DESC;
"""

croise = pd.read_sql(sql, engine, params={"commune": "13001"})
tableau = croise.pivot_table(
    index="isolation_murs",
    columns="installation_chauffage",
    values="nombre_logements",
    aggfunc="sum",
    fill_value=0,
)
Note

Les tables d’imputation et de simulation ISB sont expérimentales, réservées aux ayants droit de la version Expert et ne sont pas exposées par l’API publique. Une connexion PostgreSQL autorisée est nécessaire.

Exemple 2 : croiser une performance thermique et l’ISB (surchauffe estivale)

Le calcul de l’ISB-DH utilise, pour chaque bâtiment, les performances imputées (isolation, vitrages, inertie…) du même tirage Monte Carlo. La valeur tirée valeur_isb_canicule_2003_random est donc cohérente avec le coefficient de transmission des murs u_mur_exterieur_random du même bâtiment. L’exemple regroupe les logements par classe de u_mur_exterieur_random (W/m².K) et calcule l’ISB-DH moyen tiré et la part de logements en classes 5 à 10.

  • SQL
  • Python (pandas)
  • API
SELECT
    CASE
        WHEN imp.u_mur_exterieur_random < 0.5 THEN '1. moins de 0,5'
        WHEN imp.u_mur_exterieur_random < 1 THEN '2. de 0,5 à 1'
        WHEN imp.u_mur_exterieur_random < 2 THEN '3. de 1 à 2'
        ELSE '4. 2 et plus'
    END AS u_mur_w_m2k,
    SUM(ffo.nb_log) AS nombre_logements,
    ROUND((SUM(ffo.nb_log * isb.valeur_isb_canicule_2003_random)
           / SUM(ffo.nb_log))::numeric) AS isb_dh_moyen,
    ROUND(
        100.0 * SUM(ffo.nb_log) FILTER (
            WHERE CAST(SUBSTRING(isb.isb_canicule_2003_classe_random FROM 'classe_(\d+)') AS integer) >= 5
        ) / SUM(ffo.nb_log),
        1
    ) AS part_classes_5_a_10_pct
FROM bdnb_v07.batiment_groupe AS bg
JOIN bdnb_v07.batiment_groupe_ffo_bat AS ffo
    ON ffo.batiment_groupe_id = bg.batiment_groupe_id
   AND ffo.code_departement_insee = bg.code_departement_insee
JOIN bdnb_v07.batiment_groupe_imputation_enveloppe_et_systemes_proba AS imp
    ON imp.batiment_groupe_id = bg.batiment_groupe_id
   AND imp.code_departement_insee = bg.code_departement_insee
JOIN bdnb_v07.batiment_groupe_simulations_isb_canicule_2003_proba AS isb
    ON isb.batiment_groupe_id = bg.batiment_groupe_id
   AND isb.code_departement_insee = bg.code_departement_insee
WHERE bg.code_commune_insee = '13001'
  AND ffo.nb_log > 0
  AND imp.u_mur_exterieur_random IS NOT NULL
GROUP BY 1
ORDER BY 1;
import pandas as pd
from sqlalchemy import create_engine

engine = create_engine("postgresql+psycopg2://<utilisateur>:<mot_de_passe>@<hote>/<base>")

sql = """
SELECT
    CASE
        WHEN imp.u_mur_exterieur_random < 0.5 THEN '1. moins de 0,5'
        WHEN imp.u_mur_exterieur_random < 1 THEN '2. de 0,5 à 1'
        WHEN imp.u_mur_exterieur_random < 2 THEN '3. de 1 à 2'
        ELSE '4. 2 et plus'
    END AS u_mur_w_m2k,
    SUM(ffo.nb_log) AS nombre_logements,
    ROUND((SUM(ffo.nb_log * isb.valeur_isb_canicule_2003_random)
           / SUM(ffo.nb_log))::numeric) AS isb_dh_moyen,
    ROUND(
        100.0 * SUM(ffo.nb_log) FILTER (
            WHERE CAST(SUBSTRING(isb.isb_canicule_2003_classe_random FROM 'classe_(\d+)') AS integer) >= 5
        ) / SUM(ffo.nb_log),
        1
    ) AS part_classes_5_a_10_pct
FROM bdnb_v07.batiment_groupe AS bg
JOIN bdnb_v07.batiment_groupe_ffo_bat AS ffo
    ON ffo.batiment_groupe_id = bg.batiment_groupe_id
   AND ffo.code_departement_insee = bg.code_departement_insee
JOIN bdnb_v07.batiment_groupe_imputation_enveloppe_et_systemes_proba AS imp
    ON imp.batiment_groupe_id = bg.batiment_groupe_id
   AND imp.code_departement_insee = bg.code_departement_insee
JOIN bdnb_v07.batiment_groupe_simulations_isb_canicule_2003_proba AS isb
    ON isb.batiment_groupe_id = bg.batiment_groupe_id
   AND isb.code_departement_insee = bg.code_departement_insee
WHERE bg.code_commune_insee = %(commune)s
  AND ffo.nb_log > 0
  AND imp.u_mur_exterieur_random IS NOT NULL
GROUP BY 1
ORDER BY 1;
"""

resultat = pd.read_sql(sql, engine, params={"commune": "13001"})
Note

Mêmes restrictions que l’exemple 1. Une connexion PostgreSQL autorisée est nécessaire.

Exemple 3 : croiser des variables des ménages (âge et type d’activité)

La table menage_prediction_socio_eco_proba contient un tirage Monte Carlo par segment d’habitat : ager20_random et tact_random décrivent donc la même réalisation, et leur corrélation (les retraités sont plus âgés) est préservée. Les codes sont ceux de la nomenclature INSEE du recensement. Chaque ligne est pondérée par poids_menage, le nombre de ménages du segment.

  • SQL
  • Python (pandas)
  • API
SELECT
    menage.tact_random AS type_activite,
    menage.ager20_random AS classe_age,
    SUM(menage.poids_menage) AS menages
FROM bdnb_v07.menage_prediction_socio_eco_proba AS menage
WHERE menage.code_commune_insee = '13001'
GROUP BY menage.tact_random, menage.ager20_random
ORDER BY menages DESC;
import pandas as pd
from sqlalchemy import create_engine

engine = create_engine("postgresql+psycopg2://<utilisateur>:<mot_de_passe>@<hote>/<base>")

sql = """
SELECT
    menage.tact_random AS type_activite,
    menage.ager20_random AS classe_age,
    SUM(menage.poids_menage) AS menages
FROM bdnb_v07.menage_prediction_socio_eco_proba AS menage
WHERE menage.code_commune_insee = %(commune)s
GROUP BY menage.tact_random, menage.ager20_random
ORDER BY menages DESC;
"""

croise = pd.read_sql(sql, engine, params={"commune": "13001"})
tableau = croise.pivot_table(
    index="type_activite",
    columns="classe_age",
    values="menages",
    aggfunc="sum",
    fill_value=0,
)
Note

La table menage_prediction_socio_eco_proba est réservée à la version Expert et n’est pas exposée par l’API publique. Une connexion PostgreSQL autorisée est nécessaire.

Interpréter les résultats

  • Un tirage random est une réalisation parmi d’autres : il est cohérent d’une variable à l’autre, mais ne décrit pas un bâtiment donné. Il ne devient représentatif qu’en agrégeant de nombreux bâtiments ; évitez de lire le résultat à l’échelle d’un seul bâtiment.
  • Le résultat varie avec le tirage publié. Pour estimer l’incertitude d’un croisement, comparez-le avec les effectifs attendus (sommes de probabilités) quand ils existent pour une des deux variables.
  • La cohérence ne vaut qu’au sein d’une même source. Croiser des variables de sources différentes (par exemple ménages et bâtiments) n’est pas garanti cohérent, leurs tirages n’étant pas liés.
  • La modalité inconnu de certaines variables est une prédiction à part entière.
  • Les bâtiments sans prédiction sont exclus par les jointures internes ; rapprochez le résultat du nombre total de logements de la commune.
 

Base de Données Nationale des Bâtiments (BDNB) - Centre Scientifique et technique du Bâtiment (CSTB). Réutilisation des contenus : CC BY-SA 4.0