Открытые данные недвижимости во Франции: источники, API и аналитические задачи

Во Франции существует несколько открытых источников, которые позволяют получать подробную информацию о недвижимости: кадастр, реестр сделок, энергетические характеристики и т.д. В статье мы разберём, какие данные доступны, где их можно получить, как подключиться к API и какие аналитические задачи можно решить с их помощью.

Основные источники данных

• DVF (Demandes de Valeurs Foncières) – база сделок с недвижимостью, публикуемая Direction Générale des Finances Publiques. Включает цены продажи, тип сделки (продажа, аукцион, off‑plan) за последние пять лет.
• DPE (Diagnostic de Performance Énergétique) – энергетический паспорт объектов, обязательный при продаже/аренде.
• Normi – аналог британского Land Registry Price Paid Data. Содержит цены всех жилых и коммерческих сделок, анонимизирует имена сторон.
• Кадастр (Cadastre) – географические границы участков, их площадь, координаты, классификация земель.

Все перечисленные наборы данных находятся в открытом доступе и могут быть получены через REST‑API или скачаны в виде CSV/GeoJSON.

Где искать API и наборы данных

Ниже перечислены официальные и популярные сервисы, предоставляющие доступ к французским кадастровым данным.

French Property Data API (DVF)

Официальный API, поддерживаемый Public Finance Directorate. Данные публикуются сразу после их появления в реестре, без необходимости подачи FOIA‑запросов.

• База: сделки за последние 5 лет.
• Формат: JSON, CSV.
• Ограничения: анонимизация имён покупателей/продавцов.

DPE API

Предоставляет энергетические характеристики объектов (коэффициент энергопотребления, выбросы CO₂, рекомендации по улучшениям).

Normi API

Схож с DVF, но ориентирован на международных инвесторов. Доступен через normi.io.

OpenStreetMap + Cadastre (Géoportail)

Для получения геометрии участков можно использовать Géoportail – открытый портал, где доступны WFS‑слои кадастра.

Как подключиться к DVF API – пошаговое руководство

1. Регистрация – создайте аккаунт на data.gouv.fr и получите API‑key.
2. Изучите документацию – ссылка на документацию DVF. Обратите внимание на параметры фильтрации:
   • code_departement – номер департамента.
   • type_local – тип недвижимости (апартаменты, дом, офис).
   • date_mutation – диапазон дат сделки.
3. Сформируйте запрос. Пример на curl:

   curl -G "https://api.data.gouv.fr/v1/dvf" 
    -d "code_departement=75" 
    -d "type_local=Appartement" 
    -d "date_mutation=2022-01-01:2022-12-31" 
    -H "Authorization: Bearer YOUR_API_KEY"
    

4. Обработайте ответ. Ответ приходит в виде JSON‑массивов, где каждый объект содержит:
   • valeur_fonciere – цена сделки (в евро).
   • surface_reelle_bati – площадь построенного помещения.
   • code_postal, commune – географические привязки.
5. Сохраните данные в базу (PostgreSQL + PostGIS) для дальнейшего пространственного анализа.

Интеграция кадастровой геометрии

Для построения карт и расчёта плотности сделок необходимо добавить геометрию участков.

1. Подключитесь к WFS‑слою cadastre:parcelles через IGN GeoServices.
2. Выполните запрос GetFeature с фильтром по code_commune или code_parcelle.
3. Сохраните полученные Polygon в таблицу parcelles (PostGIS).
4. Объедините таблицу dvf_transactions с parcelles по полю code_parcelle (если доступно) или по координатам центра.

Примеры аналитических задач

Оценка рыночных цен по районам

С помощью GROUP BY и AVG(valeur_fonciere / surface_reelle_bati) можно получить среднюю цену за квадратный метр в каждом квартале (IRIS) города.

SELECT 
 commune,
 AVG(valeur_fonciere / surface_reelle_bati) AS prix_m2
FROM dvf_transactions
WHERE date_mutation BETWEEN '2022-01-01' AND '2022-12-31'
GROUP BY commune
ORDER BY prix_m2 DESC;

Тепловой анализ (Heatmap) сделок

Сохранив координаты центров сделок в таблице points, используйте ST_KernelDensity (PostGIS) или инструменты GIS (QGIS, ArcGIS) для визуализации зон с высокой активностью.

Корреляция цены и энергоэффективности (DPE)

Объедините таблицу dpe с dvf_transactions по identifiant_parcelle и проведите регрессионный анализ, чтобы понять, насколько класс DPE влияет на цену продажи.

Прогнозирование цен

Собрав исторические данные за 5 лет, можно обучить модели машинного обучения (Random Forest, XGBoost) с признаками:

• Площадь, тип недвижимости, год постройки.
• Координаты (lat/lon) или код IRIS.
• Класс DPE, наличие парковки, этажность.
• Экономические индикаторы (инфляция, ставки по ипотеке).

Правовые и этические аспекты

• Данные DVF являются публичными, но имена сторон анонимизированы – их использование в рекламных целях запрещено.
• Для коммерческого использования (например, в SaaS‑продуктах) необходимо соблюдать условия лицензии Open Licence от Etalab.
• При работе с DPE учитывайте, что некоторые свойства могут быть устаревшими; рекомендуется проверять дату последнего обновления.
• Если планируете хранить персональные данные (например, идентификаторы собственников), необходимо соблюдать GDPR.

Инструменты и библиотеки

Практический пример: оценка стоимости квартиры в Париже

Допустим, нам нужно оценить рыночную цену 2‑комнатной квартиры площадью 55 м² в 15‑м округа Парижа.

1. Получаем последние сделки через DVF:

   GET https://api.data.gouv.fr/v1/dvf?code_departement=75&type_local=Appartement&date_mutation=2023-01-01:2023-12-31&commune=Paris%2015
    

2. Фильтруем по площади (±10 м²) и типу (2‑комнатные). Вычисляем среднюю цену за м².
3. Получаем DPE для тех же объектов и учитываем поправочный коэффициент (например, класс B повышает цену на 5 %).

Средняя цена за м² = 10 500 €
Коррекция DPE (B) = +5 %
Оценка = 10 500 € × 1,05 × 55 m² ≈ 607 125 €
 

Данные французского кадастра и связанные открытые реестры (DVF, DPE, Normi) предоставляют богатый фундамент для анализа недвижимости. С помощью простых HTTP‑запросов, базовых навыков работы с данными и пространственного анализа можно решать задачи от оценки стоимости до прогнозирования рыночных трендов. Главное – соблюдать лицензии и правила GDPR, а также регулярно обновлять наборы данных, чтобы получать актуальные результаты.

Помните: качественная аналитика начинается с чистых, проверенных источников. Французский кадастр – один из самых полных в Европе, и при правильном подходе он открывает огромные возможности как для инвесторов, так и для разработчиков SaaS‑продуктов в сфере недвижимости.