De la manière dont les technologies numériques enrichissent la recherche économique moderne - un compte rendu d’atelier

L'élaboration de l'indicateur de réussite de la construction

L'idée de base de l'indicateur de réussite de la construction est simple : des parties d'images représentant des projets de construction à différents moments sont utilisés. Si la différence entre une partie de l'image et l’image suivante est grande, de sorte que l'on y voit par exemple un bâtiment modifié, un signal est alors émis. Si ce n'est pas le cas, le signal n'est pas émis. Dans l'image ci-dessous (G 7), un signal pour une nouvelle construction devrait donc être émis (6e image en partant de la gauche).

Bien que l'idée de base soit simple, le projet pose quelques problèmes. D'une part, la création de séries d'images est une vaste tâche et nécessite un processus qui dépend des coordonnées respectives d'un permis de construire. Le graphique 1 illustre le processus. Étape par étape, un agrandissement est créé pour chaque observation.

D'autre part, les méthodes statistiques classiques ne sont pas adaptées à l'analyse des modifications d'images - chaque pixel des couleurs rouge, jaune et vert détermine un paramètre d'entrée, ce qui correspond à plus de 150.000 variables par image. Il est donc indispensable de réduire la quantité de données et, dans un deuxième temps, de construire sur cette base, un modèle qui permette de réaliser des progrès significatifs dans la classification avec moins de données d'entraînement. Ce processus est appelé apprentissage par transfert.

L'apprentissage par transfert utilise des modèles dont les paramètres ont déjà été définis à partir de données marquées, mais qui ont peu de rapport avec les images de télédétection et peuvent se rapporter à différentes sous-catégories (par exemple, animaux, meubles et autres objets). Néanmoins, ces modèles, basés sur les réseaux neuronaux convolutifs (CNN)¹ , peuvent extraire des contours, des combinaisons de couleurs et des composantes principales des images. Cela se fait sur plusieurs couches (cf. G 8). Les couches dites « convolutionnelles » regroupent les matrices de pixels comme des filtres en vecteurs (représentés à l'étape (1.)). Avant que ceux-ci ne puissent être utilisés pour classifier un objet, le réseau est interrompu (représenté à l'étape (2.)). Les vecteurs obtenus sont maintenant une version très réduite d'une image.

Par la suite, les vecteurs décrits sont à nouveau représentés dans la représentation G 9 : « Classification pour la réussite de la construction ». Les vecteurs sont soustraits les uns des autres et constituent l'entrée d'un nouveau modèle (représenté à l'étape (4.)). Le modèle sélectionné (4.) peut désormais travailler avec nettement moins de paramètres d'entrée (X1, X2, X3) et l’on obtient par exemple avec nos données, un taux de réussite de plus de 85%. Compte tenu du fait que de nombreux chantiers sont difficilement distinguables des nouveaux bâtiments vus du ciel, ces résultats sont extrêmement bons.

Les résultats de l'indicateur de construction

Le graphique G 10 montre les résultats de la procédure décrite et l'indicateur final de réussite de la construction. L'axe des ordonnées indique le taux de réalisation moyen agrégé, c'est-à-dire si la demande de permis de construire a été classée par l'algorithme comme réussie (+1) ou non réussie (-1). Les données ont été normalisées de manière à ce que la moyenne soit égale à zéro et que la variance soit égale à un. Afin de tester la pertinence du taux de réussite généré, l'accent est mis sur l'initiative sur les résidences secondaires, entrée en vigueur le 11 mars 2012, laquelle prévoit l'interdiction de nouvelles résidences secondaires dès que la part de celles-ci dépasse 20% dans une commune. La barre grise du graphique représente la période allant de l'entrée en vigueur de l'initiative au 31 décembre 2012. L'hypothèse est qu'en raison de l'initiative, moins de projets de construction ont abouti.  

Le graphique montre une nette baisse de l'indicateur de réussite de la construction à partir de l'entrée en vigueur de l'initiative, avec un point bas à l'automne 2013. Cela s'explique sans doute par le fait que le résultat surprenant de la votation a entraîné un afflux de demandes, déposées de manière disproportionnée par les personnes qui espéraient encore voir leur projet de construction se concrétiser avant l'entrée en vigueur de l'initiative. Ces demandes ont probablement été moins bien planifiées ou sont tombées sous le coup de l'interdiction. Le taux de réalisation qui en résulte est donc nettement plus faible durant cette période et on retrouve ainsi cette tendance sur le graphique. Une analyse plus détaillée du taux de réussite de la construction est encore nécessaire afin d'exclure les facteurs externes, de sorte que des conclusions causales puissent être tirées de ce projet pilote.

Enfin, l'utilisation de ces algorithmes et de ces données d'images représente une énorme opportunité pour les sciences économiques, d'autant plus que de plus en plus de pétaoctets d'images satellites sont disponibles publiquement et que des capacités de calcul modernes basées sur le cloud sont à disposition. En particulier, avec l'importance croissante des thèmes environnementaux, cet attrait devrait également croître pour les sciences sociales et l’on peut s'attendre à l’avenir à ce que les images aériennes soient de plus en plus utilisées dans ce domaine de recherche.

-----------------------------------

¹ Les CNN sont - en simplifiant grossièrement - des réseaux neuronaux à plusieurs niveaux qui sont surtout utilisés dans le traitement des images.