{"id":4505,"date":"2019-08-07T15:53:35","date_gmt":"2019-08-07T13:53:35","guid":{"rendered":"http:\/\/gpmfactory.com\/?p=4505"},"modified":"2020-03-22T17:55:21","modified_gmt":"2020-03-22T16:55:21","slug":"utilisation-des-data-airbnb-et-des-open-data-de-paris","status":"publish","type":"post","link":"https:\/\/gpmfactory.com\/index.php\/2019\/08\/07\/utilisation-des-data-airbnb-et-des-open-data-de-paris\/","title":{"rendered":"Utilisation des Data Airbnb et des Open Data de Paris"},"content":{"rendered":"\n

Un chercheur Australien, Murray Cox, met en partage des donn\u00e9es d’usage de AIRBNB sur le site insideairbnb.com.<\/a> On y apprend qu’il y a plus de 60.000 logements propos\u00e9s dans Paris (\u00e0 comparer avec les 80.000 chambres d\u2019h\u00f4tels) et que parmi les nombreux casse-t\u00eates de la ville, il y a celui de l’usage abusif des logements sociaux dont certains sont propos\u00e9s sur airbnb.
Je me suis livr\u00e9 \u00e0 une exp\u00e9rience sur ces donn\u00e9es, combin\u00e9es avec celles de la ville de Paris (en open data) qui recense les immeubles de son parc de logements sociaux.
L’objectif est de rapprocher deux sources de donn\u00e9es afin d’identifier l’usage anormal d’un logement social. <\/p>\n\n\n\n

<\/p>\n\n\n\n

<\/p>\n\n\n\n

M\u00e9thode<\/strong><\/h3>\n\n\n\n

1. T\u00e9l\u00e9charger le set de donn\u00e9es le plus r\u00e9cent pour la ville de Paris sur le site insideairbnb.com\/paris<\/a> (60.000 logements environ en juillet 2019)<\/p>\n\n\n\n

2. T\u00e9l\u00e9charger le set de donn\u00e9es contenant la liste des logements sociaux de la ville de paris depuis le site open data (3100 immeubles, environ)<\/p>\n\n\n\n

3. Charger les deux fichiers CSV dans une base relationnelle (Oracle dans mon cas avec le produit Oracle APEX)<\/p>\n\n\n\n

4. G\u00e9olocaliser plus p\u00e9cis\u00e9ment les adresse des logements sociaux \u00e0 partir des APIs Google Maps. Les coordonn\u00e9es fournies dans le fichier open Data pr\u00e9sentent trop d’\u00e9cart avec la localisation r\u00e9elle sur Google Maps, d\u00e9duite de l’adresse.<\/p>\n\n\n\n

5. Effectuer un appariement (simple produit cart\u00e9sien. cf requ\u00eate en annexe) afin de d\u00e9tecter les localisations tr\u00e8s proches (distance g\u00e9od\u00e9sique inf\u00e9rieure \u00e0 5m)<\/p>\n\n\n\n

Extraire les couples r\u00e9pondant au crit\u00e8re ci-dessus et ne retenir que ceux pr\u00e9sentant la caract\u00e9ristique d’\u00eatre propos\u00e9s en location compl\u00e8te (ce qui est ill\u00e9gal pour une sous-location d’un appartement HLM, par exemple)<\/p>\n\n\n\n

On arrive \u00e0 un total de 334 logements, dont 39 sont tr\u00e8s pratiquement confondues (moins de 2 m).
Il ne faut surtout pas conclure que ces propositions de logement sont ill\u00e9gales ! Il s’agit simplement d’une base de travail \u00e0 partir de laquelle il reste \u00e0 effectuer d’autres v\u00e9rifications pour \u00e9carter toute suspicion.
Pour info: un id de logement airbnb, qui est unique, peut \u00eatre examin\u00e9 en utilisant l’url de la forme: https:\/\/www.airbnb.fr\/rooms\/XXXXX<\/a><\/p>\n\n\n\n

Interface d’analyse des donn\u00e9es<\/h3>\n\n\n\n

Les snaps<\/em> d’\u00e9cran suivants illustrent l’interface graphique que l’on peut produire rapidement avec Oracle APEX, et que l’on peut mettre \u00e0 disposition d’analystes fonctionnels.<\/p>\n\n\n\n