Données ouvertes et analyse géospatiale basée sur l’IA : étendre l’évaluation des risques liés aux aides d’urgence post-inondations à l’ensemble de la population
Auteur : Joaquín Izquierdo Peris, Auditeur senior, Sindicatura de Comptes de la Comunitat Valenciana (Institution régionale d’audit, Valence, Espagne)
Résumé
Le 29 octobre 2024, une DANA — acronyme espagnol désignant une dépression atmosphérique isolée de haute altitude se formant au-dessus de la mer Méditerranée — a provoqué des crues soudaines catastrophiques dans toute la province de Valence, en Espagne. En l’espace de quelques heures, plusieurs communes ont enregistré des précipitations extrêmes équivalentes au volume total des précipitations d’une année entière, avec des pics atteignant 771 litres par mètre carré. Ces inondations ont dévasté des villes entières, laissé des milliers de personnes bloquées, endommagé plus de 60 000 logements, détruit plus de 130 000 véhicules et fait 230 victimes.
En l’espace de quelques semaines, le gouvernement régional a mis en place un dispositif global d’aide post-catastrophe s’élevant à plus de 2 000 millions d’euros en mars 2026, comprenant notamment un programme de subventions directes (« Aide pour les biens ménagers essentiels ») destiné à indemniser les ménages touchés pour la perte d’articles essentiels dans leur résidence principale. Afin d’examiner l’ensemble des 27 282 demandes déposées dans le cadre de ce modèle d’aide, l’institution régionale de contrôle de Valence a conçu une méthodologie automatisée intégrant des données ouvertes, l’analyse géospatiale, des scripts Python et la rédaction assistée par l’intelligence artificielle (IA) — permettant ainsi une évaluation au cas par cas sans recourir à l’échantillonnage.
1. Contexte et mandat d’audit
À la suite des inondations de la DANA d’octobre 2024, la catastrophe naturelle la plus meurtrière de l’histoire récente de l’Espagne, le gouvernement régional a octroyé des subventions directes pouvant atteindre 9 000 euros aux propriétaires et locataires des logements touchés afin de les indemniser pour la perte d’appareils électroménagers et d’autres biens ménagers essentiels. Les subventions ont été accordées sans évaluation préalable, sur la seule base d’une déclaration sur l’honneur signée par le demandeur attestant que des biens ménagers essentiels se trouvant dans sa résidence principale avaient été endommagés à la suite des inondations — un dispositif qui faisait peser l’intégralité de la charge de la preuve sur le demandeur et créait un scénario à haut risque du point de vue du contrôle, précisément du type que le GUID 5330 de l’INTOSAI1 identifie comme caractéristique des contextes d’aide post-catastrophe.
La Sindicatura de Comptes de la Comunitat Valenciana2 a réalisé un rapport d’audit spécial combinant des approches de conformité et de performance afin d’évaluer si l’aide avait atteint les objectifs visés.
L’audit s’articule autour d’une question analytique centrale : dans quelle mesure les caractéristiques géographiques de la résidence principale déclarée par chaque demandeur fournissent-elles des indicateurs objectifs et vérifiables publiquement, compatibles ou incompatibles avec la condition d’éligibilité essentielle du programme — à savoir que les biens ménagers de première nécessité situés à cette adresse aient effectivement été endommagés en raison des inondations ?
La procédure d’audit spatial décrite dans cet article a permis d’identifier un nombre important de demandes financées présentant des indicateurs géographiques incompatibles avec la condition d’éligibilité du programme, que l’organisme octroyant les aides devra soumettre à un examen documentaire individuel afin de déterminer si les dommages déclarés peuvent être justifiés. L’équipe d’audit a discuté de ces conclusions préliminaires avec le personnel responsable de l’organisme octroyant les aides. Le rapport complet et définitif sur l’audit de l’aide liée au DANA a été publié le 15 septembre 2026 et est disponible sur le site web de la Sindicatura de Comptes (en espagnol).3
2. Au-delà de l’échantillonnage : une approche d’audit portant sur l’ensemble de la population
Avant la mise au point du pipeline automatisé, la vérification spatiale d’une demande financée exigeait que l’auditeur interroge manuellement chaque référence cadastrale — un enregistrement exhaustif des limites des biens immobiliers — via la visionneuse cartographique du gouvernement valencien4, en recoupant l’emplacement du bien déclaré avec la couche officielle de l’empreinte des inondations de la DANA, et en consultant simultanément le registre cadastral électronique pour obtenir les données descriptives et constructives du bien. Cette procédure manuelle — illustrée à la figure 1 — est précise et fiable pour l’examen de cas individuels, mais son caractère séquentiel, cas par cas, la rend totalement impraticable à l’échelle de 27 282 demandes : en supposant une estimation prudente de cinq minutes par cas, la couverture de l’ensemble du parc immobilier nécessiterait plus de 2 200 heures de travail des auditeurs.
Une pratique d’audit conventionnelle aurait limité l’analyse spatiale à un échantillon stratifié — généralement de 200 à 400 cas -, les résultats étant ensuite extrapolés statistiquement. La disponibilité d’ensembles de données publiques complets et lisibles par machine a fondamentalement modifié le calcul coûts-avantages de ce choix.
La disponibilité des deux ensembles de données mentionnés constituait une condition nécessaire mais non suffisante : leur transformation en une procédure d’audit à l’échelle de la population a nécessité un environnement analytique basé sur un système d’information géographique (SIG), des scripts Python pour automatiser le traitement de 27 282 enregistrements, ainsi qu’une rédaction assistée par l’IA pour soutenir le développement itératif de la chaîne d’analyse.
L’empreinte des inondations5 est une couche vectorielle géoréférencée délimitant la zone touchée par les inondations de surface le 29 octobre 2024, produite par l’Institut cartographique valencien (ICV/GVA) grâce au traitement d’images satellites et de photographies aériennes prises au lendemain de l’événement, et publiée en tant que données ouvertes.
Le registre cadastral électronique6 de la Direction générale du cadastre (gouvernement central espagnol) offre un accès public gratuit aux données cadastrales. Les ressources disponibles comprennent des fiches cadastrales alphanumériques et une cartographie vectorielle des parcelles téléchargeable par province, ainsi que des services web permettant d’effectuer des requêtes individuelles ou en masse sur les attributs cadastraux non protégés — notamment la classification d’usage, les données relatives au nombre d’étages et la surface bâtie — pour chaque bien immobilier enregistré.
La procédure d’audit décrite dans la section suivante n’a pas pour objectif de déterminer la présence ou l’absence de dommages dans des cas particuliers ; elle constitue plutôt une procédure d’analyse de données basée sur le SIG, conforme à l’approche fondée sur les risques recommandée dans l’orientation GUID 5330, qui génère des pistes d’audit objectives et vérifiables par le public en vue d’un suivi documentaire priorisé.
3. Procédure méthodologique
À l’aide de QGIS7 et de sa console Python intégrée, l’équipe d’audit a développé une suite de scripts automatisés qui ont traité l’intégralité des 27 282 enregistrements de bout en bout, en sept étapes séquentielles.
La première étape consistait à vérifier si chaque référence cadastrale déclarée par le demandeur correspondait à un bien immobilier enregistré auprès de la Direction générale du cadastre, en interrogeant le service web de données publiques du cadastre pour l’ensemble des 27 282 références. Le script prévoyait une pause de deux secondes entre chaque requête afin d’éviter toute limitation du débit côté serveur, avec une détection automatique des réponses bloquées et jusqu’à trois tentatives de ré-essai par référence.
La deuxième étape a consisté à assembler la cartographie cadastrale provinciale. Le script a téléchargé les géométries des parcelles pour l’ensemble de la province de Valence à partir du registre électronique du cadastre, les a regroupées en une seule couche couvrant l’ensemble des 266 communes, puis a appliqué une correction géométrique. La couche obtenue comprend plus de 1,7 million de parcelles géoréférencées.
La troisième étape a consisté à relier chaque logement attribué — identifié par sa référence cadastrale — à la géométrie de la parcelle cadastrale correspondante. Le script a mis en œuvre une jointure « un-à-plusieurs » afin d’éviter toute perte de données dans les immeubles à plusieurs logements, où plusieurs références cadastrales partagent un même identifiant de parcelle.
La quatrième étape a consisté à intégrer la couche officielle de l’empreinte des inondations publiée par l’Institut cartographique valencien (ICV/GVA). Le script a chargé la couche et appliqué une correction géométrique avant de l’utiliser dans l’analyse spatiale.
La cinquième étape, qui constituait l’étape centrale, a consisté à effectuer l’analyse d’intersection spatiale. Pour chaque demande, le script a évalué si le polygone de la parcelle cadastrale coupait le polygone de l’empreinte d’inondation ; tout chevauchement spatial, aussi minime soit-il, entraînait une classification comme étant à l’intérieur de l’empreinte. Conformément à une approche méthodologique prudente, le script a généré une zone tampon de 200 mètres autour du périmètre de l’empreinte afin d’identifier une zone de proximité, classant les parcelles situées dans cette bande séparément de celles se trouvant clairement au-delà.
La sixième étape a permis de récupérer les caractéristiques de construction — classification d’usage, code d’étage et surface bâtie — pour chaque bien immobilier déclaré, grâce à des requêtes automatisées adressées au service web du cadastre.
Une dernière étape de consolidation a permis de regrouper tous les résultats dans un tableau principal et de produire la couche de sortie géoréférencée avec une classification chromatique à trois niveaux : vert pour les parcelles situées à l’intérieur du périmètre d’inondation, orange pour la zone proche et rouge pour les parcelles situées à plus de deux cents mètres à l’extérieur.
4. Données ouvertes, automatisation et élaboration assistée par l’IA
L’ensemble de la chaîne d’analyse s’est appuyé sur des ensembles de données accessibles au public — le périmètre d’inondation et le cadastre national —, deux sources gouvernementales ouvertes ne faisant l’objet d’aucune restriction d’accès et librement reproductibles par tout tiers ayant accès aux mêmes données publiques, sans nécessiter d’infrastructure de données spécialisée.
Des scripts Python exécutés dans l’interpréteur intégré de QGIS ont automatisé l’ensemble du processus, depuis les fichiers bruts d’entrée jusqu’aux tableaux de sortie classés par niveau de risque et aux couches cartographiques, sans aucune manipulation manuelle des données à aucune étape intermédiaire. L’équipe d’audit a utilisé un grand modèle linguistique d’IA (Claude, Anthropic) dans le cadre d’une procédure interne documentée pour faciliter la rédaction itérative de scripts, le dépannage des scripts automatisés, la préparation des notes méthodologiques et la structuration du texte du rapport.
La contribution de l’IA était à des fins strictement d’assistance et soumise à révision à chaque itération : l’équipe d’audit a pris seule toutes les décisions méthodologiques, effectué l’étalonnage des seuils, validé les données et interprété les résultats.
5. Implications pour la pratique de l’audit public
Ce cas démontre que les géo-données ouvertes, l’automatisation SIG et la rédaction assistée par l’IA peuvent transformer les éléments probants d’un audit, passant d’une inférence basée sur un échantillon à une constatation des faits au niveau de la population — même dans le cadre des contraintes de ressources typiques des institutions d’audit régionales. Les principaux facteurs déterminants n’ont pas été des budgets technologiques exceptionnels, mais la disponibilité d’ensembles de données publiques structurés et la volonté d’investir dans la création de scripts sur mesure en tant que procédure d’audit.
Trois principes de conception se sont avérés transposables au-delà de ce cas : des seuils spatiaux prudents empêchent les conclusions de dépasser la valeur probante des données géospatiales ; un code analytique transparent et versionné crée une piste d’audit pouvant être examinée et mise à jour sans avoir à relancer l’analyse dans son intégralité ; et le fait de considérer la localisation comme un indicateur de risque — plutôt que comme un critère définitif — préserve la proportionnalité requise par les normes de l’INTOSAI. Toute ISC ayant accès à des données cadastrales et de périmètres de risques en libre accès peut reproduire cette approche pour les subventions liées aux catastrophes naturelles, l’ , l’aide aux victimes d’inondations, la reconstruction après un séisme ou les fonds destinés à la restauration de la faune sauvage après des feux de forêt, en utilisant des outils SIG open source sans coût supplémentaire.
Pour plus d’informations, veuillez contacter l’auteur par e-mail : jizquierdo@sindicom.es
Notes de bas de page
- INTOSAI, GUID 5330 : Orientations sur l’audit de la gestion des catastrophes (Vienne : INTOSAI, 2020), https://www.issai.org/wp-content/uploads/2020/12/GUID-5330-Guidance-on-Auditing-Disaster-Management.pdf ↩︎
- Cour des comptes régionale de Valence : https://www.sindicom.es/portada ↩︎
- Disponible à l’adresse https://www.sindicom.es/informe-especial-subvenciones-dana-sector-autonomico-ejercicios-2024-y-2025 ↩︎
- Disponible à l’adresse https://visor.gva.es/visor/ ↩︎
- Disponible à l’adresse https://geocataleg.gva.es/#/search?uuid=spaicv0701_dana24_huella_inundacion&lang=spa ↩︎
- Disponible à l’adresse https://www.sedecatastro.gob.es/Accesos/SECAccDescargaDatos.aspx ↩︎
- QGIS est un logiciel open source de système d’information géographique (SIG) qui permet le chargement de données géographiques, la superposition de couches de données spatiales, la mesure et l’intersection de géométries, ainsi que la visualisation des résultats sur une base cartographique. Disponible sur https://qgis.org/ ↩︎
Remarque : l’auteur a eu recours à l’IA pour élaborer les concepts de mise en page des figures 3 et 4, mais les figures finales n’ont pas été générées par l’IA.
