Analyse des dépenses de chauffage dans le logement social : application d'un modèle économique prévisionnel

Analysis of heating expenditure in social housing : application of economic provisional models

• Auteur / Autrice : Shaker Zabada
• Direction : Isam Shahrour, Marwan Sadek
• Type : Thèse de doctorat
• Discipline(s) : Génie civil
• Date : Soutenance le 09/12/2014
• Etablissement(s) : Lille 1
• Ecole(s) doctorale(s) : École doctorale Sciences pour l'ingénieur (Lille)
• Partenaire(s) de recherche : Laboratoire : LGCgE - Laboratoire de Génie Civil et géo-Environnement

Mots clés

Mots clés contrôlés

Moindres carrés

Réseaux neuronaux (informatique)

Analyse de régression

Économétrie

Indicateurs économiques

Constructions -- Isolation thermique

Logement social

Logement social

Mots clés libres

Diagnostic de performance énergétique (DPE)

Résumé

Le travail mené dans cette thèse porte sur la consommation d’énergie, et plus particulièrement le chauffage dans le logement social. Il vise à (i) analyser l'influence des caractéristiques de bâtiments des indicateurs socio-économiques des occupants sur la consommation de chauffage et (ii) à développer des modèles numériques pour la prédiction de cette consommation. La recherche est basée sur des données fournies par le Lille Métropole Habitat, qui est en charge de la gestion d'un grand parc de logement social à Lille Métropole. La thèse comprend quatre parties. La première présente une analyse bibliographique, qui couvre le logement social en Europe, notamment en France, les facteurs qui affectent la consommation d'énergie dans le logement social et les politiques proposées pour les économies d'énergie dans ce secteur. La deuxième partie présente les données utilisées dans ce travail, qui ont été fournies par LMH. Ces données concernent un grand parc de logement social à Lille Métropole (Nord de la France). Elles comprennent les dépenses de chauffage, des caractéristiques des bâtiments et des indicateurs socio-économiques sur les occupants. La troisième partie présente une analyse de l'influence des caractéristiques des bâtiments (âge, DPE, superficie et nombre d'étages) et des paramètres socio-économiques des occupants (âge, situation matrimonial et revenues) sur la consommation de chauffage. La dernière partie présente l'élaboration des modèles de prévision des dépenses de chauffage dans le parc de LMH et l'utilisation de ces modèles pour la politique de rénovation. Deux méthodes sont utilisées: La Méthode des Moindres Carrés (OLS) et les Réseaux de Neurones Artificie.

The research conducted in this doctoral thesis concerns a major socio-economic issue, that of the heating consumption in social housing. It aims at understanding the influence of both building characteristics as well as socio-economic indicators on the heating consumption in this sector and the development of numerical models for the prediction of this consumption. The research is based on data provided by Lille Métropole Habitat, who is in charge of the management of a large social housing stock in Lille Metropolis. The thesis includes four parts. The first part presents a literature review which covers the social housing in Europe, in particular in France, the factors affecting the energy consumption in social housing, and policies proposed for the energy saving in this sector. The second part presents the data used in this work that are provided by LMH. The data concern a large social housing stock in Lille Metropolis (North of France). They include heating expenses as well as the buildings characteristics and some socio-economic indicators on the tenants. The third part presents analysis of the influence of both building characteristics (age, DPE, dwellings’ area, number of floors) and socio-economic parameters (tenants’ age, marital status and income) on the heating consumption. The last part presents the elaboration of prediction models for the heating expenses in the LMH housing stock and the use of these models to analyze the investment policy in the renovation of this stock. Two methods are used: the classical Ordinary Least Squares method (OLS) and the Artificial Neural Networks.