IDEAS home Printed from https://ideas.repec.org/p/hal/journl/hal-03552453.html
   My bibliography  Save this paper

Smart Building for Smart City : les enjeux de l'adoption du BIM et de l'IoT

Author

Listed:
  • Nathalie Gardes
  • Pascal Frucquet
  • David Carassus

    (CREG - Centre de recherche et d'études en gestion - UPPA - Université de Pau et des Pays de l'Adour, LIREM - Laboratoire de Recherche en Management (LIREM) - UPPA - Université de Pau et des Pays de l'Adour)

  • Didier Chabaud
  • Pierre Marin

    (CREG - Centre de recherche et d'études en gestion - UPPA - Université de Pau et des Pays de l'Adour, LIREM - Laboratoire de Recherche en Management (LIREM) - UPPA - Université de Pau et des Pays de l'Adour)

Abstract

Si de premières expériences ont pu être identifiées dans les dernières décennies du XXème siècle, le concept de Smart City ou « Ville Intelligente » en français s'est particulièrement développé à partir des années 2000, notamment à la faveur d'initiatives portées par de grands industriels comme IBM ou Cisco (Sharifi et al. 2021). La rapide diffusion de ce concept dans le monde s'explique notamment par la recherche de solutions aux défis de l'urbanisation croissante, du changement climatique et de la raréfaction des ressources. L'intelligence de la Ville, entendue au sens de la cité grecque (« polis »), se situerait ainsi dans sa capacité à anticiper, accompagner et résoudre les problèmes de sécurité, d'infrastructures et de transport, d'éclairage urbain, d'arrosage des parcs et jardins, de lien social, de durabilité, de santé, etc. (Agbali et al., 2019 ; Azevedo et al., 2018 ; Mosannenzadeh et Vettorato, 2014). Les recherches sur cette thématique et les projets de Villes Intelligentes ou de Territoires Intelligents se sont multipliés, notamment depuis 2015 (Sharifi et al., 2021). La pandémie de COVID-19 a impulsé un élan supplémentaire en faveur des solutions urbaines intelligentes pour améliorer la résilience face à la crise. Deux grandes approches de la Smart City co-existent (Picon, 2015) : celle centrée sur l'optimisation des fonctions urbaines par le recours massif aux technologies numériques, et celle centrée sur une mobilisation de ces technologies pour favoriser la production et le partage des connaissances au service d'une amélioration de la qualité de vie, d'un développement du capital humain (Nam et Pardo, 2011). Nos travaux se situent ainsi à l'interface entre ces deux approches en se centrant sur le bâtiment que nous proposons de considérer comme un sous-système de la ville et un de ses éléments constitutifs de base. Le bâtiment est en effet à la fois infrastructure et cadre de vie, autonome et intégré dans un écosystème urbain et territorial. Les bâtiments sont responsables de 40 % de la consommation totale d'énergie en Europe et de 24% des émissions de gaz à effet de serre. Leur performance énergétique est un élément déterminant de la qualité de vie et de travail de tous les citoyens (Apanaviciene et al., 2020). Le télétravail, le maintien à domicile, l'optimisation énergétique, la qualité de l'air, etc. passent par les bâtiments. L'enjeu est donc fort. Pour être durable et intelligent au niveau des villes, il faudrait l'être au niveau des bâtiments. Pourtant, peu d'études existent sur les relations entre Smart Building et Smart City et la pertinence de considérer le bâtiment comme premier maillon de la Smart City. La littérature sur les Smart Buildings ou « Bâtiments Intelligents » est essentiellement consacrées aux enjeux en termes de technologies et d'usages des deux grandes technologies que sont le Building Information Modeling (BIM) et l'Internet des objets (IoT, pour Internet of Things selon la terminologie Anglo-Saxonne). Le BIM recense dans un environnement numérique partagé, assorti de modalités de restitution en trois dimensions (3D) voire plus (4D, 5D, 6D, etc.) tous les « objets » du bâtiment au sens large, mais aussi les modalités d'interventions des différentes acteurs du projet, à toutes les étapes de son cycle de vie (Emmerich, 2 2020). L'Internet des objets (IoT, pour Internet of Things selon la terminologie Anglo-Saxonne), en interconnectant différents dispositifs dotés de capteurs, apparaît comme une condition préalable fondamentale pour parvenir à la réalisation de bâtiments intelligents (Fokaides et al., 2018 ; Malagnino et al., 2021 ; Jia et al., 2019). Les objets connectés génèrent en effet une quantité importante de données qui va permettre de créer de l'intelligence à l'échelle du bâtiment (contrôle et gestion des performances énergétiques) puis d'un quartier (optimisation des lignes de bus en fonction de la fréquentation par exemple). Utilisées de façon stratégique ces données pourraient changer les façons de produire, de consommer et d'habiter la ville. Dans ce sens, plusieurs entreprises ont lancé des solutions de bâtiments intelligents (IBM, Intel, Schneider notamment). Pour autant, en France comme en Europe, la mise en œuvre du BIM parmi les acteurs industriels européens reste limitée. En Europe, 29 % des entreprises de construction utilisent le BIM 3D tandis que 61 % ne l'ont jamais utilisé. Les chiffres s'aggravent en ce qui concerne le BIM 4D, avec seulement 6 % des entreprises qui l'appliquent (European Construction Sector Observatory 2019). Ainsi, alors que la capacité des technologies numériques à changer et à améliorer la vie des gens (Feenberg, 2019 ; Sadowski, 2020) et leur potentiel à fournir un environnement bâti intelligent et durable aux citoyens a été démontrée, comment comprendre la faible adoption du BIM et des Bâtiments Intelligents ? Les réalités spécifiques au secteur (production artisanale, unicité des projets), la complexité de l'industrie de la construction (Joensuu et al., 2020) et des difficultés propres à l'adoption des technologies IoT (Pal et al., 2021 ; Yang et al., 2017) font probablement partie des facteurs explicatifs de la faible transition numérique. En fait, peu de recherches se sont intéressées à l'adoption du BIM et de l'IoT dans le secteur du bâtiment. Il existe peu d'études qui adressent les problématiques managériales et organisationnelles auxquelles les acteurs sont confrontés. Notre intention à travers cette recherche est ainsi de comprendre comment favoriser l'adoption de ces solutions technologiques pour contribuer au développement des bâtiments intelligents, dans une dynamique d'intégration et d'interaction avec les Villes et les Territoires Intelligents ? Quels sont les facteurs limitatifs au déploiement de ces solutions ? La question doit-elle être traitée uniquement au niveau des acteurs de la filière Bâtiment et Travaux Publics (BTP) ou intégrer la vision des clients et des autorités publiques ? Comment ces dernières (Etat, Centres Hospitaliers, Collectivités territoriales) peuvent-elle contribuer à favoriser l'adoption des solutions BIM / IOT au service de bâtiments intelligents ? Pour répondre à ces questions, nous avons d'abord procédé à une revue de la littérature relative aux Bâtiments Intelligents et à leur intégration dans les Villes Intelligentes afin de proposer un modèle de recherche exploratoire (1). Ensuite, comme nous le présentons en seconde partie (2), nous avons procédé à une étude qualitative exploratoire permettant de mettre en évidence de premiers résultats et de préciser notre modèle de recherche.

Suggested Citation

  • Nathalie Gardes & Pascal Frucquet & David Carassus & Didier Chabaud & Pierre Marin, 2021. "Smart Building for Smart City : les enjeux de l'adoption du BIM et de l'IoT," Post-Print hal-03552453, HAL.
  • Handle: RePEc:hal:journl:hal-03552453
    Note: View the original document on HAL open archive server: https://univ-pau.hal.science/hal-03552453
    as

    Download full text from publisher

    File URL: https://univ-pau.hal.science/hal-03552453/document
    Download Restriction: no
    ---><---

    References listed on IDEAS

    as
    1. Srinivasan, Dipti & Rajgarhia, Sanjana & Radhakrishnan, Bharat Menon & Sharma, Anurag & Khincha, H.P., 2017. "Game-Theory based dynamic pricing strategies for demand side management in smart grids," Energy, Elsevier, vol. 126(C), pages 132-143.
    Full references (including those not matched with items on IDEAS)

    Most related items

    These are the items that most often cite the same works as this one and are cited by the same works as this one.
    1. Sajjad Ali & Imran Khan & Sadaqat Jan & Ghulam Hafeez, 2021. "An Optimization Based Power Usage Scheduling Strategy Using Photovoltaic-Battery System for Demand-Side Management in Smart Grid," Energies, MDPI, vol. 14(8), pages 1-29, April.
    2. Zhang, Li & Gao, Yan & Zhu, Hongbo & Tao, Li, 2022. "Bi-level stochastic real-time pricing model in multi-energy generation system: A reinforcement learning approach," Energy, Elsevier, vol. 239(PA).
    3. Li, Bo & Li, Xu & Su, Qingyu, 2022. "A system and game strategy for the isolated island electric-gas deeply coupled energy network," Applied Energy, Elsevier, vol. 306(PA).
    4. Wen, Lulu & Zhou, Kaile & Li, Jun & Wang, Shanyong, 2020. "Modified deep learning and reinforcement learning for an incentive-based demand response model," Energy, Elsevier, vol. 205(C).
    5. Freier, Julia & von Loessl, Victor, 2022. "Dynamic electricity tariffs: Designing reasonable pricing schemes for private households," Energy Economics, Elsevier, vol. 112(C).
    6. Tsao, Yu-Chung & Thanh, Vo-Van & Lu, Jye-Chyi, 2019. "Multiobjective robust fuzzy stochastic approach for sustainable smart grid design," Energy, Elsevier, vol. 176(C), pages 929-939.
    7. Meng, Fanlin & Ma, Qian & Liu, Zixu & Zeng, Xiao-Jun, 2023. "Multiple dynamic pricing for demand response with adaptive clustering-based customer segmentation in smart grids," Applied Energy, Elsevier, vol. 333(C).
    8. Fang, Fang & Yu, Songyuan & Liu, Mingxi, 2020. "An improved Shapley value-based profit allocation method for CHP-VPP," Energy, Elsevier, vol. 213(C).
    9. Dai, Yeming & Sun, Xilian & Qi, Yao & Leng, Mingming, 2021. "A real-time, personalized consumption-based pricing scheme for the consumptions of traditional and renewable energies," Renewable Energy, Elsevier, vol. 180(C), pages 452-466.
    10. Cai, Qiran & Xu, Qingyang & Qing, Jing & Shi, Gang & Liang, Qiao-Mei, 2022. "Promoting wind and photovoltaics renewable energy integration through demand response: Dynamic pricing mechanism design and economic analysis for smart residential communities," Energy, Elsevier, vol. 261(PB).
    11. Lu, Qing & Lü, Shuaikang & Leng, Yajun, 2019. "A Nash-Stackelberg game approach in regional energy market considering users’ integrated demand response," Energy, Elsevier, vol. 175(C), pages 456-470.
    12. Huang, Pei & Sun, Yongjun, 2019. "A collaborative demand control of nearly zero energy buildings in response to dynamic pricing for performance improvements at cluster level," Energy, Elsevier, vol. 174(C), pages 911-921.
    13. Xu, Bo & Wang, Jiexin & Guo, Mengyuan & Lu, Jiayu & Li, Gehui & Han, Liang, 2021. "A hybrid demand response mechanism based on real-time incentive and real-time pricing," Energy, Elsevier, vol. 231(C).
    14. Rajabzadeh, Hamed & Babazadeh, Reza, 2022. "A game-theoretic approach for power pricing in a resilient supply chain considering a dual channel biorefining structure and the hybrid power plant," Renewable Energy, Elsevier, vol. 198(C), pages 1082-1094.
    15. Su, Huai & Chi, Lixun & Zio, Enrico & Li, Zhenlin & Fan, Lin & Yang, Zhe & Liu, Zhe & Zhang, Jinjun, 2021. "An integrated, systematic data-driven supply-demand side management method for smart integrated energy systems," Energy, Elsevier, vol. 235(C).
    16. Setya Budi, Rizki Firmansyah & Sarjiya, & Hadi, Sasongko Pramono, 2022. "Indonesia's deregulated generation expansion planning model based on mixed strategy game theory model for determining the optimal power purchase agreement," Energy, Elsevier, vol. 260(C).
    17. Fahad R. Albogamy & Sajjad Ali Khan & Ghulam Hafeez & Sadia Murawwat & Sheraz Khan & Syed Irtaza Haider & Abdul Basit & Klaus-Dieter Thoben, 2022. "Real-Time Energy Management and Load Scheduling with Renewable Energy Integration in Smart Grid," Sustainability, MDPI, vol. 14(3), pages 1-28, February.
    18. Sarker, Eity & Seyedmahmoudian, Mehdi & Jamei, Elmira & Horan, Ben & Stojcevski, Alex, 2020. "Optimal management of home loads with renewable energy integration and demand response strategy," Energy, Elsevier, vol. 210(C).
    19. Charwand, Mansour & Gitizadeh, Mohsen, 2018. "Optimal TOU tariff design using robust intuitionistic fuzzy divergence based thresholding," Energy, Elsevier, vol. 147(C), pages 655-662.
    20. Jiang, Qian & Mu, Yunfei & Jia, Hongjie & Cao, Yan & Wang, Zibo & Wei, Wei & Hou, Kai & Yu, Xiaodan, 2022. "A Stackelberg Game-based planning approach for integrated community energy system considering multiple participants," Energy, Elsevier, vol. 258(C).

    More about this item

    Statistics

    Access and download statistics

    Corrections

    All material on this site has been provided by the respective publishers and authors. You can help correct errors and omissions. When requesting a correction, please mention this item's handle: RePEc:hal:journl:hal-03552453. See general information about how to correct material in RePEc.

    If you have authored this item and are not yet registered with RePEc, we encourage you to do it here. This allows to link your profile to this item. It also allows you to accept potential citations to this item that we are uncertain about.

    If CitEc recognized a bibliographic reference but did not link an item in RePEc to it, you can help with this form .

    If you know of missing items citing this one, you can help us creating those links by adding the relevant references in the same way as above, for each refering item. If you are a registered author of this item, you may also want to check the "citations" tab in your RePEc Author Service profile, as there may be some citations waiting for confirmation.

    For technical questions regarding this item, or to correct its authors, title, abstract, bibliographic or download information, contact: CCSD (email available below). General contact details of provider: https://hal.archives-ouvertes.fr/ .

    Please note that corrections may take a couple of weeks to filter through the various RePEc services.

    IDEAS is a RePEc service. RePEc uses bibliographic data supplied by the respective publishers.