INSEE M´ethode Les indices de prix des logements anciens · tous ceux qui y ont particip´e; ......

INSEE Methode

Les indices de prix des logements anciens 1

Alain David2, Francois Dubujet3, Christian Gourieroux4, Anne Laferrere5

1Comme le lecteur ne manquera pas de s’en rendre compte, fabriquer des indices de prix est une entre-prise de longue haleine qui demande un concours exceptionnel de bonnes volontes. Les auteurs remercienttous ceux qui y ont participe ; en particulier Claude Taffin, qui a contribue a donner de l’impulsion auprojet et etait present a ses debuts, Jacques Friggit dont la passion et l’efficacite ont ete un soutien sansfaille, Thierry Moisand qui fabriquait les anciens indices de Paris et a transmis courageusement le flam-beau avant sa disparition prematuree, David le Blanc pour ses critiques avisees, Stefan Lollivier pourses encouragements, la Societe Perval, la Chambre Interdepartementale des Notaires de Paris, le ConseilSuperieur du Notariat, qui se sont lances dans cette aventure statistique, et la direction de l’INSEE pourson soutien.

2Chambre Interdepartementale des Notaires de Paris.3Division Logement, INSEE.4Laboratoire de Finance, Centre de Recherche en Economie et en Statistiques, INSEE.5Division Logement, INSEE.

Resume

Connaıtre l’evolution des prix des logements est un prealable au bon fonctionnement et a latransparence de leurs marches. Nous nous attachons ici a decrire la methode recemment mise aupoint par l’INSEE en liaison avec le notariat pour produire des indices de prix reguliers et fiablesdes logements anciens sur la presque totalite du territoire national.

La difficulte a estimer des indices de prix pour les logements tient au fait que le prix d’unlogement donne est rarement observe et que la qualite des logements evolue au cours du temps.D’ou la necessite d’utiliser des modeles econometriques dits hedoniques, bases sur l’estimationdes prix relatifs des caracteristiques des logements. Un modele est estime a partir d’un parc delogements, dit parc d’estimation ; il est suppose s’appliquer pour une duree de quelques annees, cequi permet donc a chaque periode courante d’estimer la valeur d’un parc fixe de logement, dit parcde reference, a partir de la totalite des transactions observees a la periode courante, par moyennedes prix reconstitues d’un bien de reference. En realite il n’y a pas qu’un seul modele hedoniquemais 273 modeles de base distincts, estimes dans des zones geographiques homogenes en termesde prix, separement pour les maisons et les appartements. Plus precisement on a 18 modeles pourParis, 24 pour la Petite Couronne, 120 pour les appartements de province et 111 pour les maisonsde province. Le rapport de la valeur estimee du parc de reference a la periode courante sur savaleur observee a la periode de base constitue l’indice.

Les donnees sont fournies par l’enregistrement des ventes de gre a gre, a des particuliers,de logements anciens, libres a la vente, passant devant notaire, c’est-a-dire la quasi totalite destransactions de logements en France. En pratique, le taux de couverture des bases notarialesest estime a 70% de l’ensemble des transactions de logements anciens puisque toutes les etudesnotariales ne transmettent pas toutes leurs donnees. Les caracteristiques des logements comportentsa superficie, le nombre de pieces, de salles de bains, l’etage, la presence d’un ascenseur, d’un garage,etc.

Les indices provisoires sont publies au debut du trimestre t + 2, les indices definitifs le sont audebut du trimestre t + 3.

Le mode de suivi trimestriel des indices jusqu’a leur publication sont aussi presentes. Un pointrapide des methodes concurrentes, hedonique ‘pure’ et ventes repetees, est effectue, la liste dequelques indices officiels publies regulierement a l’etranger est fournie.

Comme les indices reposent sur des modeles econometriques de prix, un des sous-produits na-turels du travail est un systeme expert de valorisation : un chapitre y est consacre, tandis qu’unautre ouvre des pistes de reflexion sur le risque, et la volatilite des indices. Une bibliographiecomplete l’ouvrage. Finalement une dizaine d’annexes apportent des precisions techniques ou in-formationnelles complementaires.

2

Table des matieres

1 Introduction 5

2 Theorie de ces indices 92.1 Le pourquoi des approches hedoniques . . . . . . . . . . . . . . . . . . . . . . . . . 92.2 Modele hedonique avec stratification a priori . . . . . . . . . . . . . . . . . . . . . 92.3 Deux demarches non utilisables . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 102.4 Utilisation du modele hedonique . . . . . . . . . . . . . . . . . . . . . . . . . . . . 10

2.4.1 Estimation des coefficient correctifs. . . . . . . . . . . . . . . . . . . . . . . 112.4.2 Estimation de la valeur de reference de la date t . . . . . . . . . . . . . . . 112.4.3 Construction d’un systeme de valorisation . . . . . . . . . . . . . . . . . . . 122.4.4 Construction d’une batterie d’indices. . . . . . . . . . . . . . . . . . . . . . 12

2.5 Rendre plus robuste l’approche hedonique . . . . . . . . . . . . . . . . . . . . . . . 122.5.1 Recherche des scores sous-jacents . . . . . . . . . . . . . . . . . . . . . . . . 132.5.2 Regroupement de strates . . . . . . . . . . . . . . . . . . . . . . . . . . . . 13

2.6 Surveiller la specification . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 132.7 Extension du modele de base . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 14

3 Calculs mis en oeuvre 173.1 Parcs de reference et d’estimation . . . . . . . . . . . . . . . . . . . . . . . . . . . . 173.2 Le modele servant a l’estimation . . . . . . . . . . . . . . . . . . . . . . . . . . . . 183.3 Valeur courante du bien de reference . . . . . . . . . . . . . . . . . . . . . . . . . . 193.4 Valeur courante du parc de reference . . . . . . . . . . . . . . . . . . . . . . . . . . 203.5 Calcul trimestriel de l’indice . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 21

3.5.1 Indice par strate . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 213.5.2 Indice Province . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 213.5.3 Correction pour non exhaustivite de la base . . . . . . . . . . . . . . . . . . 21

3.6 Un exemple numerique pour l’annee 1999 . . . . . . . . . . . . . . . . . . . . . . . 22

4 Bases de donnees notariales 254.1 Description . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 25

4.1.1 Delai d’integration . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 264.1.2 Champ des indices . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 264.1.3 Taux de couverture . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 264.1.4 Caracteristiques des logements, traitement des non-reponses . . . . . . . . . 28

4.2 Les regressions hedoniques . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 30

5 Indices, suivi, publication 435.1 Les differents indices . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 435.2 Suivi : le tableau de bord trimestriel . . . . . . . . . . . . . . . . . . . . . . . . . . 435.3 Publication . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 53

3

Table des matieres

6 Les indices de prix des logements a l’etranger 556.1 Comparaison des methodes . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 55

6.1.1 Approche econometrique (hedonique) ou interpreter les coefficients du tempsdans une regression comme un pur effet de prix ‘a qualite constante’ . . . . 55

6.1.2 Methode des ventes repetees . . . . . . . . . . . . . . . . . . . . . . . . . . . 566.1.3 Indice de Laspeyres ou indice chaıne . . . . . . . . . . . . . . . . . . . . . . 58

6.2 Les indices publies : pays, methode, organisme responsable . . . . . . . . . . . . . 59

7 Systemes experts 637.1 Utilite des systemes experts . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 637.2 Construction des systemes experts . . . . . . . . . . . . . . . . . . . . . . . . . . . 637.3 Variables de zonage. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 647.4 Variables de confort et d’environnement . . . . . . . . . . . . . . . . . . . . . . . . 64

8 Produits financiers et immobilier 698.1 Risques sur l’immobilier . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 698.2 Risques sur les credits hypothecaires. . . . . . . . . . . . . . . . . . . . . . . . . . . 708.3 Titrisation . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 72

9 Bibliographie 739.1 Publications historiques . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 739.2 Methodologie des indices hedoniques . . . . . . . . . . . . . . . . . . . . . . . . . . 74

9.2.1 Ventes repetees . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 749.2.2 Approches par regression . . . . . . . . . . . . . . . . . . . . . . . . . . . . 749.2.3 Approches semi-parametriques . . . . . . . . . . . . . . . . . . . . . . . . . 769.2.4 Autocorrelation spatiale . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 769.2.5 Utilisation d’enquetes . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 77

9.3 Determinants du prix de l’immobilier et des terrains . . . . . . . . . . . . . . . . . 779.4 Cycles et saisonnalites dans l’immobilier . . . . . . . . . . . . . . . . . . . . . . . . 809.5 Etudes macroeconomiques . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 819.6 Finance et produits immobiliers . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 81

10 Annexes 8310.1 L’information economique sur le marche de l’ancien . . . . . . . . . . . . . . . . . . 8310.2 La stabilite temporelle du modele et la revision des indices . . . . . . . . . . . . . . 8510.3 Choix des zones de base : robustification par analyses arborescentes . . . . . . . . 8910.4 Correction des effets de la loi ‘Carrez’ . . . . . . . . . . . . . . . . . . . . . . . . . 9010.5 Definitions . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 9110.6 Les indices . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 11010.7 Variables introduites dans les systemes de valorisation . . . . . . . . . . . . . . . . 11710.8 Exemple de convention : l’indice Notaires-INSEE-Paris . . . . . . . . . . . . . . . . 119

4

Chapitre 1

Introduction

Le logement constitue souvent l’essentiel du patrimoine d’un menage proprietaire et representechaque mois un des premiers postes de sa depense, qu’il soit proprietaire ou locataire. Il presentedonc la particularite d’etre a la fois un placement et un bien de consommation. Comme toutplacement patrimonial, il comporte un risque, il peut prendre ou perdre de la valeur, generer unrevenu ou une perte, etre transmis ou recu par heritage ou donation. Le revenu genere par unlogement donne en location est une fonction des loyers nets et des valeurs d’achat et de vente dulogement. Le loyer represente la valeur du service de consommation de logement. Si le logementsert a loger le menage lui-meme, on parle alors de loyer fictif. Un tel revenu des proprietairesoccupants est soumis a l’impot dans certains pays. Sa fixation repose sur des conventions qui fonten general intervenir la valeur du logement. Le loyer paye par un locataire est lui-meme lie defacon plus ou moins directe et complexe a la valeur du logement.

Comme le logement est un bien tutelaire, c’est-a-dire indispensable (les legislations sur le droitau logement en temoignent), l’Etat intervient traditionnellement beaucoup dans le domaine de l’ha-bitat : subvention a la construction de logement social, aide au financement, epargne-logement,aides aux locataires, taxation des transactions, plans d’occupation des sols, pour ne nommer quequelques elements essentiels. Il paraıt donc crucial que les acteurs economiques disposent d’infor-mations fiables sur le prix des logements et leur evolution, qui conditionnent une bonne part de lavaleur des patrimoines, de la rentabilite de l’investissement en logement et des budgets des famillespar le biais des plus ou moins-values et des loyers. De plus, l’information et la transparence sontdes conditions necessaires au bon fonctionnement d’un marche concurrentiel. Curieusement, au vude cette importance, la connaissance du marche des logements anciens, et en particulier des prix,est peu developpee en France, ce qui est souvent deplore1. Il n’y a pas de collecte systematiquedes prix des transactions par le systeme statistique public ; les valeurs des logements echangestransitent bien localement dans les centres des impots pour le calcul et la perception des taxesauxquelles est soumise chaque transaction, mais il n’en ressort pour le moment aucune statistiquede prix. Le ministere de l’Equipement, des Transports et du Logement effectue une enquete an-nuelle sur un echantillon representatif des mutations de logements ainsi recoltees par les servicesfiscaux, mais il publie des prix moyens et non des indices, et le delai de publication est de 18 mois.Les autres initiatives sont privees : Federation nationale des agents immobiliers, Credit foncier, nefournissent que des informations partielles2. Jusqu’a une date recente il n’y avait donc pas d’indicede prix des logements suivis de facon transparente et rigoureuse.

Le prix d’un logement est rarement observe

La fabrication d’un indice de prix des logements pose les memes problemes que celle de toutindice de prix : comment separer des evolutions ‘pures’ de prix et les evolutions de la qualite deslogements. Mais elle pose aussi des problemes specifiques. En effet, deux logements ne sont jamais

1Voir par exemple le rapport Koepp, Corvaisier, du Conseil National de l’Information Statistique (1995).2Voir annexe 10.1.

5

1. Introduction

tout a fait identiques. Un logement donne est une combinaison de caracteristiques (on emploieraaussi le terme de qualites) dont seul l’ensemble constitue le ‘bien logement’. Il est en effet a la fois unemplacement geographique (et donc un acces a des biens publics locaux), un type de construction,un voisinage immediat, un nombre de pieces et un niveau de confort multidimensionnel, sans parlerd’un lieu de souvenir familiaux. Ajoutons a cela qu’un logement est un bien durable, et meme tresdurable : actuellement en France plus du tiers des logements a plus de 50 ans3. Cela a deuxconsequences. D’une part il existe deux marches distincts : celui du neuf et celui de l’occasion. Siapres la deuxieme guerre mondiale le neuf predominait dans les achats de residences principales pardes proprietaires occupants (il etait encore majoritaire au debut des annees 1980), il ne representaitplus, selon l’enquete Logement de 1996, que 29% des achats a la fin des annees 1990, contre 71%pour les logements de deuxieme main. Ces deux marches ont des logiques differentes, en particulieren matiere de traitement fiscal. On ne s’interesse ici qu’au marche des logements d’occasion, ditaussi logements anciens. Autre consequence de la grande durabilite des logements (et des coutsde transaction) : ils ne changent de main que rarement. Toujours, selon l’enquete Logement de1996, l’anciennete moyenne dans son logement d’un proprietaire est de 20 ans4. L’intervalle moyenentre achat et revente, pour les logements occupes par un proprietaire, est donc sans doute deuxfois plus long5. L’observation des prix sera donc rare. Ce grand decalage entre achat et revented’un meme logement complique la fabrication d’un indice de prix. Certains se basent sur le prixaffiche ou le prix demande, d’autres sur des estimations, mais il est meilleur de disposer de prixde marche, c’est-a-dire ceux des transactions effectivement realisees.

Comment alors evaluer l’evolution du prix d’un logement donne ou, plus generalement, d’unensemble de logements, alors qu’on n’observe que quelques transactions a chaque periode, et surd’autres logements ?

Quels sont les prix observes ?

Si on veut par exemple construire un indice d’evolution du prix du stock de tous les logements,on ne peut se contenter de faire la moyenne des prix des transactions courantes pour la comparera celle de la periode precedente. Une telle comparaison melangerait des effets de prix a ceux del’evolution de la qualite du stock et de la non-representativite des transactions. Le probleme estbien en effet a double detente : d’une part les transactions observees chaque periode ne sont pastirees au hasard dans le stock de logements ; d’autre part le stock de logement evolue et sa qualitene reste pas constante d’une periode a l’autre. Faisons abstraction du second probleme et supposonsque le stock de logement n’evolue pas, ou peu, c’est-a-dire que nous soyons dans un monde sansconstruction neuve, ou l’entretien compense exactement l’usure des immeubles. Si les transactionsd’une periode donnee etaient suffisamment nombreuses et tirees au hasard dans ce stock, fixe, delogements, on pourrait se contenter de faire la moyenne des prix des transactions courantes pour lacomparer a celle de la periode precedente et obtenir ainsi un indice des prix du stock de logements6.Mais si, ce qui est frequent en pratique, les transactions d’un trimestre ne sont pas un echantillonrepresentatif du stock de tous les logements, une telle comparaison melangerait des evolutions de

3Aux USA, en 1997, 27,5% des residences principales occupees datent d’avant 1949 (American Housing Survey,in Housing Statistics, Bernan Press, Washington DC, p.115).

4Le chiffre serait different pour les USA ou la mobilite des menages est plus grande : 17 a 18% de mobiles paran contre 8 a 9% en France (L.H.Long, International Regional Science Review 14, p 133-147, 1991 ; B.Baccaıni,

Economie et Statistique 344, p 39-79, 2001).5Ce raisonnement repose sur l’hypothese d’un regime permanent des achats et reventes. Il est plutot une borne

superieure de la duree de detention moyenne. En effet, il n’integre ni les logements detenus par des proprietairesbailleurs, ni les residences secondaires, qui vraisemblablement changent de main plus souvent. Si l’on rapporte les730 000 logements anciens vendus en 1999 (residences principales, secondaires et logements vacants) au nombre delogements hors HLM, on obtient une vitesse de rotation de 3% environ, compatible avec une duree moyenne de 25ou 30 ans. Mais le nombre de logements vendus il y a 20 ou 40 ans etait beaucoup plus faible, on ne peut donc sebaser sur une seule annee recente pour faire l’estimation. Les durees moyennes voisines de 10 ans tirees des basesnotariales (difference entre la date de vente et la date de mutation precedente) sont sous-estimees parce qu’ellesprennent en compte des mutations precedentes autres que les acquisitions a titre onereux (successions, donations,partages, etc.)

6Ce probleme de l’evolution de la qualite des transactions observees d’une periode a l’autre est parfois qualifiede probleme de ponderation. Il est bien pose par Triplett (1983) qui distingue indices de prix d’input et d’output.

6

qualite de l’echantillon des transactions aux evolutions des prix. Pour le comprendre, supposonsle prix de chaque logement absolument constant dans le temps ; un trimestre donne on observesurtout des ventes dans les beaux quartiers, puis le trimestre suivant surtout des transactions deplus bas de gamme. Les prix moyens vont apparemment baisser, sans rapport avec l’evolutionreelle, nulle, qui est pourtant celle que veut saisir un indice de prix pur.

La qualite des logements evolue

Passons maintenant au second probleme. Si nous supposons a l’inverse disposer a chaque dated’un echantillon de transactions representatif du stock de logement, mais que ce stock n’est pasfixe, nous ne pouvons pas non plus construire d’indice de prix, puisque la comparaison melangeraun effet de prix et un effet de l’evolution de la qualite du stock au fur et a mesure que les logementsles plus anciens s’useront, ou seront detruits et remplaces par des neufs7.

Le probleme pose par l’evolution de la qualite est familier des fabricants d’indices de prix. Si leprix d’une ampoule electrique passe de 1 a 2 Euros, mais que sa duree de vie augmente, son prixa apparemment double. Mais si la satisfaction du consommateur d’ampoule est la meme pour uneampoule de duree de vie longue que pour deux ampoules de duree de vie courte, on dira que laqualite a aussi ete multipliee par deux, et donc que le prix ‘pur’ est reste constant. Pour les biensde consommation, ces changements de qualite sont frequents ; parfois la comparaison meme desbiens est delicate quand on est face a un nouveau produit. En matiere de logement, la situationest a la fois plus simple et plus compliquee. Plus compliquee parce que, comme on l’a dit, laqualite ne peut etre mesuree selon une seule dimension, comme par exemple la duree de vie pourl’ampoule electrique. Le nombre de caracteristiques a prendre en compte est grand8. Ceci impliquele recours a des techniques econometriques dites ‘hedoniques’. Mais la situation du logement estaussi plus simple pour le statisticien parce que le nombre de revolutions techniques est limite ; surune periode donnee de quelques annees, les changements de qualite (au sens d’apparition d’unenouvelle caracteristique d’un logement) sont lents. On fait donc une premiere hypothese : lescaracteristiques des logements (leurs qualites) susceptibles d’influencer leur prix, telles la qualitedu quartier, le nombre de pieces, la presence d’un ascenseur ou l’etage, sont en nombre fini, etce nombre est fixe pendant la duree du calcul de l’indice. Concretement ceci veut dire que si unenouvelle caracteristique de qualite apparaıt qui fait monter le prix des logements, disons l’existencede climatiseurs, ou l’obligation d’un controle de l’amiante, elle ne sera pas prise en compte dansl’estimation des indices comme une qualite nouvelle, mais comme un prix en hausse. Tout sepasse comme si la satisfaction des consommateurs n’etait pas encore vraiment influencee par laclimatisation (ou le controle d’amiante) et qu’ils la considerent comme une hausse de prix.

Les methodes econometriques sont appliquees des qu’un bien est composite, que ce soit enmatiere d’indice de prix a la consommation (par exemple pour les ordinateurs, dont la valeur descaracteristiques evolue, sans que de nouvelles caracteristiques apparaissent aussi frequemment),de cout d’un service (comme la banque9, ou l’hopital) ou dans les etudes du marche du travail ouce sont les caracteristiques des travailleurs qui sont heterogenes et multidimensionnelles10.

La methode hedonique

Ces techniques sont nees entre les deux Guerres mondiales aux USA, en pleine crise economique.Entre 1925 et 1935, selon les indices de prix officiels, estimes a partir de prix moyens, les prix del’automobile avaient monte de 45% et la pression etait forte pour que General Motors baisseses prix pour maintenir la consommation et l’emploi. C’est alors qu’en 1939 Andrew Court, quitravaillait pour l’Automobile Manufacturers Association et savait que la qualite des automobilesavait aussi change (verre de securite, changement de vitesse, moteurs plus puissants...) mit au

7Ce second probleme est curieusement peu evoque dans la litterature sur les prix des logements.8En realite de nombreux biens de consommation ou d’equipement presentent aussi ce caractere composite et

multidimensionnel. Qu’on songe a un ordinateur, un voyage en avion ou meme un simple paquet de sucre dontl’emballage peut varier.

9Dans ce cas, c’est plutot le nombre des caracteristiques qui evolue.10Zvi Griliches a beaucoup travaille sur cette technique ; voir par exemple, Griliches (1971).

INSEE Methodes 7

1. Introduction

point une methode pour tenir compte de cette evolution des caracteristiques des automobiles dansles calculs d’indices des prix11. Court definit une ‘automobile type’, de caracteristiques de vitesse,securite, vitres, largeur de sieges, etc. donnees, qui servirait d’etalon du confort, ou du plaisir(d’ou le mot ‘hedonique’ pour qualifier la methode qui est en realite une methode de regressioneconometrique tout a fait banale) de l’utilisateur. Ensuite il divisa le prix moyen des vehicules parcet etalon, son ‘contenu hedonique’. Il trouva que le prix de l’automobile type avait baisse de 55%sur la periode12.

En matiere de prix des logements, outre la premiere hypothese (on peut definir chaque logementpar la combinaison d’un nombre limite de caracteristiques de qualites,), on va supposer aussi,seconde hypothese, que la relation entre le prix au metre carre d’un logement et les caracteristiquesde ce logement est, pour un type de logement donne, et une zone elementaire donnee, fixe, pour laduree du calcul de l’indice. Dans une zone elementaire, l’indice de prix des logements sera definicomme le rapport de la valeur d’un parc de reference fixe de logement a la periode courante a savaleur a la periode de base de l’indice. La valeur de chaque logement du parc va etre estimee chaquetrimestre a l’aide des prix des transactions observes effectivement et des relations econometriquesestimees une fois pour toutes.

En France, la quasi totalite des transactions immobilieres est passee devant un officier ministe-riel public appele notaire, qui se charge de rediger l’acte de vente, de le transmettre aux autoriteslegales ou fiscales pour l’enregistrement de la transaction. Chaque acte comprend un descriptif dulogement vendu. Depuis quelques annees, les notaires, conscients de l’importance de ces informa-tions, font l’effort de les collecter. A Paris un indice du prix des appartements anciens etait calculeregulierement depuis 1984 selon une methode de stratification mise au point avec l’INSEE. En1997, le Conseil Superieur du Notariat a voulu creer un indice de prix pour les logements situes enprovince. Ce fut l’occasion pour l’INSEE de mettre au point une methode rigoureuse en suivantla route ouverte par Court et Griliches13. Ce sont ces indices qui sont presentes ici.

Perspectives d’evolution

Ce travail ne represente qu’une etape dans l’evolution de la mise a disposition de statistiquessur les prix des logements en France. Outre la couverture globale du territoire national prevue pourla fin de 2002, on peut envisager deux pistes principales d’evolution. D’une part l’informatisationde la direction generale des Impots et en particulier celle des Conservations des Hypothequesdevrait permettre des comparaisons avec les bases notariales et une amelioration de la prise encompte de leur taux de couverture des transactions immobilieres. D’autre part, les indices quoiquepublies trimestriellement sont actuellement estimes de facon glissante sur six ou douze mois detransactions. Il devrait etre possible a terme de les rendre plus reactifs.

Un second chapitre developpe la theorie de ces indices. Le troisieme decrit precisement le calculmis en oeuvre et deroule un exemple numerique sur un trimestre pour une ville. Un quatriemechapitre decrit la base des donnees utilisee. Les differents indices, les instruments de suivi trimes-triels, et la publication des indices sont presentes au chapitre 5. Un sixieme chapitre revient surla discussion des differentes methodes de construction d’indice et fait le point de ce qui existe al’etranger en matiere d’indice de prix des logements. Les chapitres 7 et 8 ouvrent des perspectivesd’utilisation des donnees : systemes experts et produits financiers et immobiliers. Une bibliographiecomplete l’ouvrage, au chapitre 9, ainsi que, au chapitre 10, des annexes techniques sur les autressources d’information sur le marche du logement, la stabilite des residus, les analyses arborescentesayant servi a regrouper les zones geographiques de base, le traitement statistique de la loi Carrezsur la mesure des superficies, et un glossaire des principaux termes employes.

11A la meme epoque le Bureau of Labor Statistics essayait de comparer les qualites des tracteurs et des camions,pour avoir une idee de ce qui etait changement de qualite et changement de prix.

12L’histoire est rapportee par Warsh David, Economics principals, Roots and Wings, Globe Columnist,03/14/1999.

13Ont travaille a la mise au point de la methode : Alain David (societe Perval), Francois Dubujet (divisionLogement, INSEE), Christian Gourieroux (CREST, INSEE), Anne Laferrere (division Logement, INSEE) et ClaudeTaffin (Credit Foncier).

8

Chapitre 2

Theorie de ces indices

2.1 Le pourquoi des approches hedoniques

Les classes d’une nomenclature de biens et services, meme restreintes, comportent des elementsde caracteristiques tres disparates. Les logements (les biens consideres ici) se distinguent ainsi parleur localisation, leur superficie, leur nombre de pieces, le fait d’etre occupes ou pas, leur ancien-nete... tandis que les locations de logements (les services) se differencient en plus par les dureesde bail, les possibilites de renouvellement, les clauses de sorties anticipees. Cette heterogeneite seretrouve evidemment au niveau des marches correspondants entraınant des taux de rotation oud’occupation des logements varies, et des prix tres differents. Elle entraıne diverses difficultes pourl’analyse des prix. La principale est due a l’observabilite partielle des valeurs. Le prix d’un loge-ment ne peut etre observe qu’au moment des transactions, assez rares ; de facon analogue un loyern’est observable que s’il y a utilisation du service. En dehors de ces situations, ces valeurs, prix etloyers, n’ont d’ailleurs pas d’existence au sens economique. Une facon classique de contourner cettedifficulte est de supposer des valeurs implicites, appelees souvent dans notre contexte ‘estimationdu prix’ du logement et ‘valeur locative’, respectivement. Ces valeurs implicites, n’etant cependantconnues que lorsqu’elles coıncident avec des prix de transaction ou des loyers, ne pourront etrereconstituees qu’a partir d’un modele decrivant la composition des prix et leur evolution. Les ap-proches hedoniques reposent sur de tels modeles et expliquent comment les utiliser pour construireles valeurs non observees et definir des ensembles coherents d’indices de prix.

2.2 Modele hedonique avec stratification a priori

Nous allons presenter l’approche hedonique a partir d’une formulation simplifiee. Nous suppo-sons que les divers biens peuvent etre regroupes en strates, definies a priori, et telles que les evo-lutions de prix soient approximativement paralleles a l’interieur d’une meme strate. Elles peuventcependant differer sensiblement d’une strate a l’autre.

Plus precisement, nous designons par s, s = 1, ..., S, les strates qui dans notre applicationseront des quartiers de villes, zones elementaires ou se trouvent les logements. Etant donne unlogement (i, s) de cette strate, nous notons p∗i,s,t sa valeur implicite a la date t et zi,s,t ses autrescaracteristiques telles la superficie, le degre de confort... A l’interieur de la strate s, les valeursimplicites sont supposees telles que :

p∗i,s,t ≈ c(s, zi,s,t)p∗s,t, (2.1)

ou p∗s,t est une valeur implicite de reference pour la strate s, et c(s, zi,s,t) un coefficient correc-tif tenant compte de la qualite du bien et pouvant dependre de la strate. Correctif et valeur dereference sont evidemment definis a un scalaire multiplicatif pres (ce qui est un probleme d’iden-tification). Il est alors possible de fixer la valeur de reference comme correspondant a un bien dequalite pre-specifiee zo :

9

2. Theorie de ces indices

p∗o,s,t ≈ p∗s,t ⇐⇒ c(s, zo) = 1,

disons le deux-pieces, ancien, se trouvant au rez-de-chaussee...p∗i,s,t

c(s,zi,s,t)apparaıt alors comme le prix equivalent deux-pieces, ancien,...du logement (i, s).

L’approximation (2.1) peut-etre rendue plus proche d’un modele econometrique en introduisantde facon appropriee des termes d’erreur et en specifiant une forme parametree pour le correctif.Une telle specification est par exemple :

log p∗i,s,t =K∑

k=1

βk,sXk(zi,s,t) + log p∗s,t + ε∗i,s,t, (2.2)

ou les termes d’erreur ε∗i,s,t sont supposes independants, de moyenne nulle et de variance η2s,t

dependant eventuellement de la strate et de la date. Les Xk(zi,s,t) sont des variables explicativesfonctions des caracteristiques de qualite. Elles peuvent correspondre a ces caracteristiques elles-memes, a des croisements de telles ou telles caracteristiques. La formulation precedente a l’avantagede correspondre a un modele lineaire dans les parametres βk,s, k = 1, . . . ,K, qui vont permettrede definir le correctif, et log p∗s,t, qui va fournir la valeur de reference de la strate.

On notera que le modele comporte des effets croises de la strate et des variables de qualite, lescoefficient βks etant specifiques de la strate.

2.3 Deux demarches non utilisables

Peut-on reconstituer des evolutions de prix en evitant d’utiliser un modele hedonique ? Deuxdemarches sont souvent proposees, mais sont soit inutilisables, soit biaisees.

1. Si les variables explicatives Xk(z) sont par exemple qualitatives, il peut exister plusieursbiens de la strate ayant approximativement les memes niveaux de prix, et pas seulement desevolutions paralleles. Bien qu’un bien donne i soit rarement echange a deux dates succes-sives donnees t, t+1 (on parle alors de donnees repetees, voir chapitre 6), on peut cependantesperer mesurer son evolution de prix en comparant ceux de deux biens analogues. Cepen-dant, des que les effets qualite sont suffisamment importants et nombreux, le marche peutne pas etre assez liquide pour que ceci soit realisable. Par ailleurs on neglige une grandepartie de l’information contenue dans les donnees de transaction en ne retenant que les prixcorrespondant aux ventes repetees.

2. Une seconde demarche souvent proposee consiste a comparer le prix moyen des biens de lastrate s echanges en t + 1, au prix moyen des biens de cette meme strate echanges en t, avecl’espoir d’approcher ainsi l’evolution de la valeur de reference. Cette approche est cependantbiaisee, car la structure par qualite des biens echanges n’est pas stable dans le temps. Pourillustrer cette difficulte, considerons un cas, ou seul un echange aurait lieu a chaque date,avec un bien de qualite zt a la date t. Le rapport des prix observes serait approximativement :

c(s, zt+1)c(s, zt)

p∗s,t+1

p∗s,t

,

et differe de l’evolution de la valeur de reference a cause de la modification du terme correctif.

2.4 Utilisation du modele hedonique

Le modele est essentiellement utilise pour pallier l’observabilite partielle et corriger de faconsystematique des effets qualite. La demarche comprend plusieurs etapes selon le schema ci-dessous.

Etape 1 : Estimation des coefficients correctifs, a partir d’un ensemble predefini de donnees detransaction, appele dans la suite parc d’estimation. Choix d’un ensemble de logements, appeleparc de reference, dont on suivra les prix.

10

2.4. Utilisation du modele hedonique

Etape 2 : A chaque date t, utilisation des donnees de transactions effectives et des correctifsestimes a l’etape 1 pour reconstituer les valeurs des logements du parc de reference.

Etape 3 : Utilisation des valeurs de reference et des correctifs pour construire :

une batterie d’indices de prix,

un systeme expert de valorisation,

des indices de volatilite de prix.

2.4.1 Estimation des coefficient correctifs.

Le plus simple est de considerer un parc d’estimation constitue des transactions durant uneperiode predefinie t = 1, ..., T0 (dite periode d’estimation). Les donnees de transaction relatives acette periode fournissent des couples de prix pj,s,t, qualite zj,s,t, j = 1, ..., Js,t, s = 1, ..., S, t =1, ..., To, ou Jst designe le nombre de transactions dans la strate s a la periode t. On estime alorspar moindres carres ordinaires les parametres βk,s, k = 1, ...,K, log p∗s,t, t = 1, . . . , T, strate parstrate a partir de l’equation (2.2). On en deduit des estimations des termes correctifs :

co(s, z) = exp

[K∑

k=1

βk,sXk(z)

],

et eventuellement, en considerant la precision des coefficients estimes, une fourchette pour chacunde ces termes :

[c1(s, z), c2(s, z)].

Ces correctifs seront conserves inchanges pendant une periode future, dont la longueur doitetre precisee.

2.4.2 Estimation de la valeur de reference de la date t

Considerons maintenant une date posterieure a la periode d’estimation et des donnees detransaction : pj,s,t, zj,s,t, j = 1, . . . , Js,t. Nous avons :

log pj,s,t = log c(s, zj,s,t) + log p∗s,t + εj,s,t, j = 1, . . . , Js,t,

' log co(s, zj,s,t) + log p∗s,t + εj,s,t, j = 1, . . . , Js,t,

apres remplacement des correctifs par leurs approximations obtenues a la premiere etape. L’ap-proximation par moindres carres ordinaires de log p∗s,t est alors :

log p∗s,t =1

Js,t

Js,t∑j=1

[log pj,s,t − log co(s, zj,s,t)],

⇐⇒ p∗s,t =Js,t∏j=1

[pj,s,t

co(s, zj,s,t)

] 1Js,t

. (2.3)

Elle s’obtient comme moyenne geometrique des prix equivalents bien de reference (deux-pieces,ancien...). La prise en compte des ecarts-types permet egalement de proposer une fourchette pourla valeur de reference.

Plus precisement, notons : η2s,t la variance empirique des valeurs

log[pj,s,t/co(s, zj,s,t)], j = 1, . . . , Js,t. Cette variance empirique approche celle η2s,t du terme d’er-

reur. La valeur de reference admet un logarithme compris entre log p∗s,t − 2ηs,t et log p∗s,t + 2ηs,t,et la fourchette est :

[p∗1,s,t = exp(−2ηs,t)p∗s,t, p∗2,s,t = exp(2ηs,t)p∗s,t]. (2.4)

INSEE Methodes 11


2.4.3 Construction d’un systeme de valorisation

On peut alors estimer les valeurs implicites de tout bien de la date t, de qualite z, non neces-sairement echange, soit de facon ponctuelle, soit par intervalle.

L’estimation est :

p∗s,tco(s, z);

la fourchette peut etre prise egale a :

[p∗1,s,tc1 (s, z) , p∗2,s,tc2(s, z)].

2.4.4 Construction d’une batterie d’indices.

La methode hedonique a permis de definir des indices elementaires strate par strate :

Is,t = p∗s,t, s = 1, . . . , S, t = 1, . . . , T, (2.5)

qui peuvent servir de base a la construction d’indices synthetiques. Cette derniere est menee de lafacon classique, en suivant par exemple une approche de type Laspeyres. Pour cela, on definit desla periode initiale un panier fictif de biens (un parc fictif de logements), appele parc de reference,en precisant les qualites z et strates s concernees. Z designe les qualites differentes introduitesdans le panier (parc de reference) et Nz,s le nombre de biens (logements) de caracteristiques zdans la strate s.

L’indice synthetique est defini en suivant la valeur de ce panier (parc) :

It =S∑

s=1

∑z∈Z

Nz,sIs,t.

Ce panier fictif peut aussi servir a construire des indices synthetiques desagreges de faconcoherente. On peut par exemple introduire un indice ‘deux pieces’, en considerant le sous-parcconstitue des seuls deux pieces :

It (deux-pieces) =S∑

s=1

∑z∈Z

deux-pieces

Nz,sIs,t,

ou un indice pour une region donnee :

It(region) =∑

s∈ region

∑z∈Z

Nz,sIs,t.

De facon standard, on peut prendre par convention une annee de base, disons t = 0. Lanormalisation doit alors etre effectuee indice par indice, conduisant a des indices base 100 a t = 0donnes par :

It|0 = 100It/I0,

It|0(deux-pieces) = 100 It(deux-pieces) /I0(deux-pieces).

2.5 Rendre plus robuste l’approche hedonique

L’approche, reposant sur des estimations, peut etre sensible a la precision de celles-ci ou al’instabilite des parametres. Il est utile de faire eventuellement quelques regroupements de variablesde qualite ou de strates permettant d’accroıtre la significativite des resultats.

12

2.6. Surveiller la specification

2.5.1 Recherche des scores sous-jacents

Considerons les termes correctifs. Pour chaque strate, nous avons estime un ensemble de para-metres β1,s, . . . βK,s definissant le score de la strate s :

∑Kk=1 βk,sXk.

On peut examiner, si ces S scores ne dependent pas d’un nombre plus faible de scores sous-jacents. Pour cela, une demarche est la suivante1 :

1 On definit la matrice B, de taille (K, S), dont les colonnes sont les vecteurs (β1,s, . . . , βK,s) ;

2 On determine les valeurs propres λ1 ≥ λ2 . . . ≥ λS et les vecteurs propres associes α1, . . . , αS

de la matrice B′B, ou ′ designe la transposition.3 Le nombre de valeurs propres So significativement differentes de zero donne le nombre de scores

independants sous-jacents et ceux-ci sont donnes par :

Zl = γ′lX = α′lB

′X, l = 1, . . . , So.

4 La robustification consiste a contraindre le terme correctif a etre de la forme :

c(s, z) = exp

[So∑l=1

λl,sZl

]; (2.6)

comme So est inferieur a la fois a K et S, souvent assez petit, il y a beaucoup moins deparametres a estimer dans cette forme contrainte de terme correctif.

Quitte a desagreger en partie les scores Zl deduits de l’approche precedentes, il est usuel deretenir des sous-scores ne comportant que des variables avec des interpretations de meme type. Parexemple un sous-score effectuera la correction pour les caracteristiques physiques du logement, unsecond pour son amenagement, un troisieme pour la qualite de l’environnement, un quatrieme poursa localisation... On obtient ainsi une structure hierarchique des effets des variables, qui facilite lamise en place des systemes experts de valorisation, leur comprehension et leur mise a jour.

2.5.2 Regroupement de strates

De facon analogue, on peut examiner les strates par l’intermediaire de l’evolution des indicesIs,t correspondants. Des analyses des correlations empiriques entre ces series temporelles peuventpermettre de reperer des strates dont les valeurs de reference evoluent de facon parallele. Ellespeuvent alors, si ceci est interpretable, etre regroupees2.

2.6 Surveiller la specification

Les valeurs des parametres peuvent se modifier dans le temps et les correctifs, calcules a laperiode d’estimation, se deteriorer. Il est important de mettre en place des instruments de suivide la qualite du modele afin de reperer le moment ou il devra etre reestime et avoir des idees surles modifications a apporter. Toute procedure de suivi repose sur un examen approprie de residusd’estimation. A chaque date t de tels residus sont :

εj,s,t = log pj,s,t − log co(s, zj,s,t)− log p∗s,t, j = 1, . . . , Js,t. (2.7)

Ils doivent etre agreges pour a la fois eliminer des effets qualites et orienter la surveillance versles parametres βk,s susceptibles d’etre affectes. Pour cela, on peut considerer diverses caracteris-tiques marginales, comme dans notre exemple : deux-pieces (d.p.), logement ancien (a.), ..., etpour chacune d’entre elles moyenner les residus correspondants :

εs,t(d.p.) = moyenne des εj,s,t sur les deux pieces de la strate s et de la date t,εs,t(a.) = moyenne analogue sur les logements anciens,...

1Voir Annexe 10.3 pour une application.2Voir exemple en Annexe 10.3.

INSEE Methodes 13


Si jamais le nombre de transactions se revele insuffisant pour calculer de telles moyennes, onpeut toujours augmenter la periode sur laquelle la moyenne est calculee en considerant deux outrois dates consecutives.

Si le modele est bien specifie, de telles moyennes devraient varier autour de zero. On va doncrechercher des ecarts systematiques. Par exemple constater des valeurs εs,t(a.) trop souvent po-sitives pour la strate so, a partir d’une certaine date to, peut necessiter une modification de lavaleur d’un parametre relatif a une variable explicative Xko en rapport avec l’anciennete. La miseen evidence d’une tendance dans la suite t → εso,t(a.) peut signifier que l’hypothese de proportio-nalite d’evolution des prix a l’interieur de la strate s n’est plus satisfaite et que cette strate doitetre redecomposee.

2.7 Extension du modele de base

Le modele hedonique utilise jusqu’a maintenant a titre d’illustration presente l’inconvenient dedefinir a priori des strates homogenes pour les evolutions des prix. Ce modele peut etre generalisede la facon suivante.

Commencons par ecrire la formulation (2.2) sous une forme resumee :

log p∗i,s,t =S∑

so=1

K∑k=1

ξso(i, s, t)βk,so

Xk(zi,s,t) +S∑

so=1

log p∗so,tξso(i, s, t) + ε∗i,s,t,

ou ξsodesigne la variable indicatrice de la strate so, c’est-a-dire celle qui vaut 1, si l’observation se

trouve dans la strate so, 0 sinon. Sous cette forme, le modele s’applique a l’ensemble des donneestoutes strates confondues, et reste lineaire dans les divers parametres βk,so , k = 1, . . . ,K, so =1, . . . , S, log p∗so,t, so = 1, . . . S, t = 1, . . . , T .

Ses limites apparaissent clairement dans les expressions des variables explicatives : la partie‘terme constant’ inclut des effets croises strate × qualite tres specifiques, alors que les partiesdonnant la dynamique des valeurs de reference : p∗so,t ne font pas intervenir les effets de qualiteautres que l’indicatrice de la strate.

Un modele elargi est alors :

log p∗i,t = co(zi,t; θo) +L∑

l=1

cl(zi,t; θl)fl,t + ε∗i,t, (2.8)

ou f1,t, . . . , fL,t sont des facteurs dynamiques a determiner,co(zi,t; θo), . . . , cL(zi,t; θL) des termes correctifs donnant par exemple les sensibilites aux facteurs,avec des parametres θo, . . . , θL a estimer. Il n’y a plus lieu ici de distinguer la strate s qui estreintegree parmi les autres caracteristiques du logement.

La demarche hedonique peut etre appliquee a partir d’un tel modele. Par exemple, en situationcourante de la date t, les valeurs des facteurs seront estimes par moindres carres ordinaires sur lemodele approche :

log pj,t ' co(zj,t) +L∑

l=1

cl(zj,t)fl,t,

ou les cl(zj,t) ont ete determines a la periode d’estimation. Nous ne discuterons pas de facon plusapprofondie les procedures d’estimation correspondantes. Signalons seulement que le modele (2.8)permet de determiner les meilleures previsions des facteurs en supposant tous les prix implicitesobservables. Ces previsions apparaissent comme des combinaisons lineaires des logarithmes de prix,avec des coefficients dont la somme peut etre normalisee a un :

f∗l,t '

N∑i=1

πl(zit) log p∗i,t,

14

2.7. Extension du modele de base

⇐⇒ exp f∗l,t = ΠN

i=1[p∗i,t]

Πl(zi,t) ;

a chaque facteur correspond ainsi implicitement un panier (parc) de composition (πl(zi,t), i va-riant), variant dans le temps, tel que l’evolution de fl soit proche de celle de la valeur du panier (duparc). On parle de panier (parc) mimetique du facteur (Huberman, Kandel, Stambaugh, 1987).Ainsi il existe des choix adaptes des indices desagreges dont les evolutions vont reproduire cellesdes facteurs sous-jacents.

INSEE Methodes 15


16

Chapitre 3

Calculs mis en oeuvre

Comme on vient de le presenter dans le chapitre precedent, le principe general de calcul del’indice est le suivant : l’indice est defini comme le rapport de la valeur courante d’un parc delogements de reference a sa valeur de la periode de base. La methode decrite en detail dansce chapitre est celle qui a ete appliquee pour l’indice des appartements dans les villes-centresdes unites urbaines de plus de 10 000 habitants en Province. Elle est identique, sauf mentioncontraire, pour les autres indices : appartements dans les banlieues des unites urbaines de plus de10 000 habitants en Province, maisons en Province, appartements a Paris et en petite couronne.La principale difference se situe dans la maniere de decouper le champ geographique en strates.

3.1 Parcs de reference et d’estimation

Definition 1 : le parc de referenceLe parc de reference est constitue de toutes les transactions de la periode de reference (1994 a1996 dans le cas des appartements en Province, 1994 a 1997 pour les maisons en Province, 1992 a1996 pour les appartements a Paris et en petite couronne) entrant dans le champ de l’indice, saufcelles situees dans l’un des deux sixiemes (deciles pour l’Ile-de-France) extremes de la distributiondu prix au metre carre1.

En s’appuyant sur un parc de reference, qui constitue notre ‘panier de biens’ ou ‘portefeuille’, ons’assure que l’indice retrace bien l’evolution du prix des memes logements, et qu’il n’est pas sensibleaux variations de la structure du marche. Le probleme reste donc de valoriser les logements duparc de reference a la date courante, alors qu’ils n’ont pas ete vendus, c’est-a-dire que l’on n’a paspu observer leur prix. Pour cela, on utilise un modele econometrique qui relie le prix d’un logement(ou plus exactement le logarithme du prix) a ses caracteristiques physiques et a sa localisation. Cemodele est estime a partir d’un ensemble de transactions appele parc d’estimation.

Definition 2 : le parc d’estimationLe parc d’estimation est constitue de tous les logements vendus au cours de la periode de reference,entrant dans le champ de l’indice, sauf ceux pour lesquels :

– le nombre de pieces n’est pas renseigne ;– le prix au m2 est juge extreme, c’est-a-dire que sa valeur estimee s’ecarte de sa valeur reelle

de plus de deux ecart-types.

Le parc de reference est decoupe en zones elementaires de calcul ou strates. Certaines de cesstrates sont composees d’une seule ville centre, lorsque celle-ci possede un marche immobilier d’unetaille suffisante pour etre isolee (en pratique, plus de 400 transactions par an). Les plus importantessont elles-memes decomposees en zones de prix homogenes, appelees ‘quartiers’. Les autres strates

1Voir la definition precise en annexe au chapitre 10, paragraphe 5.

17

3. Calculs mis en oeuvre

sont definies par l’ensemble des villes-centres2 appartenant au croisement des criteres region ettaille d’unite urbaine, a l’exclusion des villes-centres formant une strate a elles seules3.

3.2 Le modele servant a l’estimation

Un modele econometrique est estime pour chaque zone, donc sur un marche suppose homogene,a partir des transactions du parc d’estimation. Pour simplifier les notations, l’indice s de la zoneest omis.

Le modele est de la forme :

Log pi = Log p0 +3∑

a=1

αaYa,i +4∑

t=1

θtTt,i +K∑

k=1

βkXk,i + εi (3.1)

avec les notations suivantes :pi prix au m2 du bien i,Ya,i indicatrice de l’annee de mutation du bien i,Tt,i indicatrice du trimestre de mutation du bien i,Xk,i caracteristiques physiques du bien i, indexees par k = 1 a K

Les caracteristiques initiales disponibles, Zi, sont : le quartier, l’epoque de construction, lenombre de pieces, la surface moyenne par piece, le nombre de salles de bains, le nombre de garagesou parkings, l’etage, la presence d’un ascenseur, l’existence d’une chambre de service4. La localisa-tion du bien, resumee par l’appartenance a un quartier, est consideree comme une caracteristiquedu bien, au meme titre que le nombre de pieces ou sa surface. Les variables Xk,i sont des variablesindicatrices calculees a partir des modalites des variables Zi d’origine et pouvant inclure des effetscroises5. Chacune de ces caracteristiques a un prix, evalue a la periode de base, par rapport a cellesd’un bien de reference. p0 represente le prix du bien de reference du parc d’estimation.

Definition 3 : le logement de reference du parc d’estimationLe logement de reference est celui qui possede les caracteristiques prises comme references dansles regressions (tableau 3.1).

Les caracteristiques non observables ou inobservees des logements sont supposees non correleesavec ces caracteristiques de qualite observees. Les marches des maisons et celui des appartementssont supposes distincts : par exemple une piece supplementaire ne vaut pas le meme prix enappartement et en maison6. Dans les zones elementaires les prix relatifs des caracteristiques deslogements sont fixes. En d’autres termes si un appartement au troisieme etage vaut x% de plusqu’au rez de chaussee, ce rapport est le meme pour tous les appartements de la zone elementaire,mais il est autorise a etre different d’une zone a l’autre.

2La definition d’une ville-centre, comme celle de tous les termes employes se trouve au chapitre 10, annexe 10.5.3Voir annexe 10.5 pour le detail des zones de calcul.4Pour les maisons, les trois dernieres caracteristiques sont sans objet ; il faut ajouter en revanche le nombre de

niveaux et la surface du terrain.5Voir au chapitre 4, la description precise des variables.6Mais elle vaut le meme prix quel que soit l’etage par exemple. Voir au chapitre 4, paragraphe 4.2. la specification

exacte des regressions.

18

3.3. Valeur courante du bien de reference

Tableau 3.1. Caracteristiques du logement de reference (parc d’estimation)

Indice Logement de referenceAppartements Province 2 pieces, rez-de-chaussee, pieces de 20 a 30 m2,(ville-centre ou banlieue) sans piece de service ni parking, 1 salle de bain,

construit entre 1850 et 1914, vendu en 1996T4Maisons Province 4 pieces, 2 niveaux, epoque de construction

inconnue, 1 garage, 1 salle de bain, pas de terrain,vendue en 1996T4

Appartements Paris 2 pieces, rez-de-chaussee, pieces de 20 a 30 m2,sans piece de service ni parking, 1 salle de bain,construit entre 1850 et 1948, vendu en 1996T4

Finalement, il faut noter que pour cette estimation le logement de reference se rapporte a untrimestre et une annee precise de mutation. La valeur d’un logement de memes caracteristiques,mais de date de mutation differente se deduit de p0 en ajoutant les coefficients trimestriel θt etannuels αt correspondants.

3.3 Valeur courante du bien de reference

Le meme type de modele peut etre utilise en periode courante. Le bien de reference possede lescaracteristiques decrites au paragraphe precedent, mais correspond a la periode de mutation cou-rante. Son prix est note p0,τ . L’evolution du prix du bien de reference est la base de la constructionde l’indice. Pour cette raison, il doit incorporer les effets saisonniers, les tendances et les cycles. Ceciexplique pourquoi les coefficients saisonniers et annuels ne figurent plus dans le modele courant.

Le prix au m2 d’un bien j vendu au cours de la periode τ peut s’exprimer a l’aide du modele :

Log (pj,τ ) = Log (p0,τ ) +K∑

k=1

βkXk,j,τ + εj,τ .

On remarquera que le modele (3.1) utilise dans la phase d’estimation est compatible avecce dernier modele utilise pour les valeurs courantes. La necessite d’introduire pour l’estimationdes indicatrices d’annees et de trimestre est simplement due au fait que l’estimation porte surune periode couvrant plusieurs trimestres. De facon equivalente le prix de reference pour le parcd’estimation et le trimestre (a, t) serait : Log (p0,a,t) = Logp0 + αa + θt.

La periode τ est fixee en fonction de la definition souhaitee de l’indice. Celui-ci est publietrimestriellement, mais calcule sur une periode eventuellement superieure au trimestre pour assurerun calcul reposant sur un nombre suffisant de transactions. De facon plus precise, l’indice dutrimestre t est calcule sur l’ensemble des transactions d’une periode τ se terminant par le trimestret. L’indice parisien est semestriel glissant, donc τ = [t − 1; t] ; les indices pour la Province sontannuels glissants, τ = [t− 3; t].

Il faut maintenant expliquer comment reconstituer le prix du bien de reference a partir desdonnees de transactions courantes. Placons-nous d’abord dans l’hypothese ou les coefficients βk,τ

sont connus et introduisons pj,τ le ’prix equivalent bien de reference’ du bien j, τ :

Log (pj,τ ) = Log (pj,τ )−K∑

k=1

βkXk,j,τ .

Le modele peut etre reecrit :

Log (pj,τ ) = Log (p0,τ ) + εj,τ .

Donc, si on connaıt les coefficients βk, le logarithme du prix du bien de reference Log (p0,τ )sera estime par les moindres carres ordinaires, c’est-a-dire par la moyenne :

INSEE Methodes 19


Log (p0,τ ) =1Jτ

Jτ∑j=1

Log (pj,τ ) ,

ou Jτ est le nombre de transactions de la periode τ .Si on suppose que le modele estime sur la periode de reference est stable dans le temps, on peut

remplacer dans le calcul des prix equivalents bien de reference les coefficients βk par les valeurs βk

estimees sur la periode de reference :

Log (pj,τ ) ' Log (pj,τ )−K∑

k=1

βkXkj,τ = Log [pj,τ

exp(∑K

k=1 βkXk,j,τ )].

On estime alors le prix au m2 du bien de reference a la periode τ , p0,τ , par une moyennegeometrique des prix equivalents bien de reference des Jτ biens vendus au cours de la periode τ :

Log p0,τ =1Jτ

Jτ∑j=1

Log pj,τ =1Jτ

Log(Jτ∏

j=1

pj,τ ),

soit :

p0,τ =

Jτ∏j=1

pj,τ

1Jτ

.

Dans le suite nous notons α0,τ = Log p0,τ .

3.4 Valeur courante du parc de reference

Connaissant une valeur approchee du bien de reference, on peut alors reconstituer les valeursapprochees des biens figurant dans le parc de reference et, par agregation, la valeur du parc lui-meme. Les calculs sont menes strate par strate. Pour cette raison, nous reintroduisons l’indice s dela strate. On estime la valeur d’un bien i du parc de reference de la strate s a la periode couranteτ a partir de ses caracteristiques Xk,i,s, qui, rappelons-le, sont independantes de la date τ , pardefinition meme du parc de reference dont la composition en qualite de logements est stable dansle temps. La valeur approchee est :

p∗i,s,τ = exp(α0,s,τ +

∑Kk=1 βk,sXk,i,s

)Ai,s,

ou Ai,s designe la surface du bien i, s.On obtient par sommation la valeur courante estimee des Ns biens du parc de reference de la

strate s :

Ws,τ =Ns∑i=1

p∗i,s,τ =Ns∑i=1

exp(α0,s,τ +K∑

k=1

βk,s.Xk,i,s)Ai,s.

On estime de la meme facon, une fois pour toutes, le parc de reference a une periode t = 0,periode de base de l’indice. On note :

Ws,0 =Ns∑i=1

exp(α0,s,0 +K∑

k=1

βk,sXk,i,s)Ai,s

le montant des transactions de la strate s a la date 0, estimees par le modele.Il est important de rappeler que l’indice parisien est semestriel glissant, c’est-a-dire qu’il est

calcule chaque trimestre a partir des transactions du dernier semestre, alors que les indices pourla province sont annuels glissants. La base 100 de ces indices a ete fixee au 2eme trimestre 1994pour Paris, au quatrieme trimestre 1994 pour la Province.

20

3.5. Calcul trimestriel de l’indice

3.5 Calcul trimestriel de l’indice

3.5.1 Indice par strate

L’indice elementaire d’une strate s est par definition l’evolution de la valeur du sous-ensembledu parc de reference correspondant a la strate s. Il s’ecrit :

It/0(s) =Ws,τ

Ws,0

=∑Ns

i=1 exp(α0,s,τ +∑K

k=1βk,sXk,i,s)Ai,s∑Ns

i=1 exp(α0,s,0 +∑K

k=1 βk,sXk,i,s)Ai,s

.

On notera que l’indice d’une strate s peut s’ecrire sous la forme :

It/0(s) = exp (α0,s,τ − α0,s) . (3.2)

D’un point de vue pratique, le calcul de l’indice a la date t ne necessite donc pas de recalculerla valeur implicite de chaque bien du parc de reference, les coefficients α0,s,τ etant obtenus par laformule :

α0,s,τ =1Jτ

Jτ∑j=1

Log (pj,s,τ )−K∑

k=1

βk,s.Xk,s,τ , (3.3)

ou Xk,s,τ designe la moyenne de la variable Xk,j,τ pour les Jτ transactions de la periode courantedans la strate s.

3.5.2 Indice Province

L’indice synthetique ‘Province’ mesure la valeur de l’evolution du parc de reference Provincedans son ensemble. Il s’interprete comme la moyenne des indices elementaires des strates, ponderespar le poids en valeur des transactions de la strate dans le parc de reference. En effet, on a :

It/0 =Wτ

W0

=∑

s Ws,τ∑s Ws,0

,

It/0 =∑

s Ws,0.It/0(s)∑s Ws,0

,

It/0 =∑

s

(Ws,0∑s Ws,0

)It/0(s).

3.5.3 Correction pour non exhaustivite de la base

Dans la pratique, on ajoute un coefficient de redressement δs qui vise a corriger de la non-exhaustivite de la base des notaires, par calage sur l’enquete EXISTAN du ministere de l’Equipe-ment7. Ce coefficient est defini par le ratio :

δs =

nombre de transactions dans la strate s de 1994 a 1996d’apres Existan

nombre de transactions dans la strate s de 1994 a 1996enregistrees dans la base des notaires

Notons qu’on utilise un rapport de volumes (nombre de transactions) et non de valeurs commeil serait preferable : en effet les prix tires de l’enquete EXISTAN n’ont pas semble suffisammentfiables pour etre utilises au niveau de zones aussi fines que les strates de calcul de l’indice. L’indiceglobal du trimestre t est defini alors par :

7Voir le chapitre 10 annexe, paragraphe 1, pour des details sur l’enquete EXISTAN.

INSEE Methodes 21


It/0 =∑

s δsIt/t0(s).Ws,0∑s δsWs,0

. (3.4)

3.6 Un exemple numerique pour l’annee 1999

Nous allons maintenant decrire, a partir d’un exemple concret, les differentes etapes du calculde l’indice du 4eme trimestre 1999 pour une strate.

etape 0 : extraction de la baseL’indice 1999T4 est calcule a partir de l’ensemble des mutations des quatre derniers trimestres,

soit l’annee 1999. 407 mutations correspondant au champ de l’indice ont ete enregistrees dans labase pour la strate consideree et sur l’annee 1999. Pour l’une d’entre elles, ni le nombre de pieces,ni la surface ne sont renseignees, elle est donc eliminee, et il reste 406 mutations. Les prix au m2

s’echelonnent de 2825 F/m2 a 8065 F/m2.

etape 1 : calcul du prix equivalent bien de referenceLa premiere des 406 mutations porte sur un 4 pieces de 71,25 m2, avec une salle de bain et

un parking, sans piece de service, situe au 3eme etage sans ascenseur d’un immeuble construit en1963 ; le prix de la vente a ete de 374 000 francs, soit 5249 F/m2. Les calculs ont ete menes enlogarithmes decimaux. Le logarithme decimal de 5249 est 3,720.

log (pj,τ ) = log(5249)− 0, 0858 (possession d’un parking)− 0, 0231 (3eme etage)+ 0, 0184 (4 pieces)− 0, 0191 (surface / piece inferieure a 20 m2)

= 3, 6105.

Le prix equivalent bien de reference pj,τ de cette premiere mutation s’obtient comme 103,6105,soit 4078 F/m2.

On reitere l’operation pour les 405 autres mutations.Les mutations dont le prix equivalent bien de reference est inferieur au 1er sixieme (ici 3459

F/m2) ou superieur au 5eme sixieme (5336 F/m2) de la distribution sont retirees. Il reste 270 biensqui participeront au calcul de l’indice.

Au passage, on notera que le bien ayant le prix au m2 le plus eleve de l’annee, soit 8065F/m2, est un 5 pieces de pres de 120 m2 avec 2 salles de bain et 2 parkings, situe au 4emeetage avec ascenseur et de construction recente. Son prix eleve est donc tout a fait justifie parses caracteristiques ; il n’est pas aberrant ou hors normes. D’ailleurs, son prix equivalent bien dereference est de 5014 F/m2, par consequent il est conserve.

Le logarithme estime du prix du bien de reference, egal a la moyenne arithmetique des loga-rithmes des 270 prix equivalents bien de reference, est de 3,6334, ce qui correspond a un prix de4302 F/m2.

etape 2 : valorisation du parc de reference aux prix de l’annee 1999Il s’agit de determiner la valeur implicite de chacun des biens du parc de reference de la strate

a la date courante, qui peut s’interpreter comme le prix auquel un bien aurait pu etre vendu en1999, prix que l’on n’a pas pu observer. Prenons par exemple un studio de 28 m2, avec une sallede bains, situe au rez-de-chaussee d’un immeuble de 1980, sans parking.

22

3.6. Un exemple numerique pour l’annee 1999

Log (p∗i ) = 3, 6334+ 0, 0571 (studio)+ 0, 0329 (construit en 1980)

= 3, 7476,

soit 5592 F/m2 pour un prix total de 156 588 Francs.Par addition des prix ainsi estimes, on obtient la valeur courante estimee du parc de reference

de la strate, soit 139,214 millions de F.

etape 3 : calcul de l’indice de la strateLa valeur du parc de reference de la strate a la periode de base etait de 127,902 millions de F.

L’indice 1999T4, base 100 en 1994T4, est donc :

I1999T4/0 =139, 214127, 902

∗ 100 = 108, 84.

Ce calcul, effectue en avril 2000, fournit un indice 1999T4 provisoire du fait que l’alimentationde la base est encore partielle a cette date en ce qui concerne le 4eme trimestre 1999. On a environ85% de l’effectif definitif total. Pour compenser la sous-representation du dernier trimestre parrapport aux trois autres dans la periode de calcul, ses mutations sont ponderees par un coefficientegal au rapport entre la moyenne du nombre de mutations dans les quatre trimestres precedentset le nombre de mutations du trimestre considere. Le calcul est renouvele en juillet 2000 et fournitalors un indice definitif, la base etant consideree complete8.

8En realite des transactions auront pu encore entrer dans la base apres juillet 2000 ; l’indice definitif ne lesprendra pas en compte.

INSEE Methodes 23


24

Chapitre 4

Bases de donnees notariales

4.1 Description

Les donnees notariales sont, pour le moment, les seules a permettre le calcul d’indices de prixtrimestriels, bases sur l’ensemble des transactions effectives, publies regulierement et rapidement1.Un indice ‘Notaires-INSEE’ avait vu le jour en 1983 et concernait les ventes d’appartements anciensa Paris. Cet indice etait calcule a partir d’une moyenne des prix ponderes par le parc de logementsau dernier recensement dans 72 strates (croisant des quartiers, des periodes de construction et unnombre de pieces). En 1997, le Conseil Superieur du Notariat (CSN) a voulu creer un indice deprix des logements situes en province. L’INSEE a accepte d’en fournir la methode pour combler unmanque en matiere d’information statistique, avec l’idee d’arriver un jour a des indices couvrantl’ensemble du territoire national. Une convention a ete signee entre le Conseil superieur du Notariatet l’INSEE en 1998 pour la sortie d’un indice du prix des appartements dans les villes centres desunites urbaines de plus de 10 000 habitants en province. Un avenant a la convention consacraiten 1999 la sortie d’un indice pour les maisons de province et les appartements dans le reste dela province. Un indice parisien renove selon la meme methode est sorti au printemps 2000 tandisque des indices pour les appartements de la petite couronne seront prochainement ratifies par uneconvention entre la Chambre Interdepartementale des Notaires2 (CINP) et l’INSEE3.

Il y a deux bases de donnees notariales distinctes. La plus ancienne est celle constituee par laChambre des Notaires d’Ile-de-France (actuelle CINP), a partir de 1980 pour Paris, 1986 pour laPetite couronne et depuis 1996 pour la Grande Couronne4. La base d’Ile-de-France contenait unstock de pres de 1,5 million de transactions de logements en juillet 2002. En 2001 quelques 183 000actes ont ete enregistres, dont 80 518 appartements et 33 982 maisons. Celle du Conseil superieurdu Notariat est plus recente : creee en 1990, mais vraiment montee en puissance en 1993, cettebase, geree par la societe Perval, contenait un stock d’environ 1 800 000 transactions de logementsen 1999. Elle a enregistre 600 000 actes en 1999, dont un peu moins de 400 000 concernent deslogements.

1Voir le chapitre 10 d’annexes pour les autres sources statistiques sur les prix des logements.2Chambre Interdepartementale des Notaires de Paris, de la Seine-Saint-Denis et du Val-de-Marne.3Un exemple de convention est donne en annexe 10.8.4Pour les indices de Petite Couronne, la Chambre des Notaires des Hauts-de-Seine est partie prenante (la CINP

ne couvre que Paris, et les departements du Val-de-Marne et de Seine-Saint-Denis) et les chambres de Seine etMarne, de l’Essonne et des Yvelines/Val d’Oise le sont pour les futurs indices de Grande Couronne.

25

4. Bases de donnees notariales

Tableau 4.1. Nombre de transactions de logements anciens dans les bases notarialesen 1998

Ventes enregistrees France base CINP base CSNen 1998 entiere Ile-de-France province

Total 456 698 123 884 332 814dont : collectif 224 415 88 495 135 920dont : individuel 232 283 35 389 196 894

Champ : Bases notariales, soit a peu pres le double du champ des indices. Par exemple, en 1998, il y a

196 894 transactions sur maisons individuelles dans la base CSN Perval province, parmi elles, seules

100 224 sont dans le champ de l’indice.

4.1.1 Delai d’integration

Le delai d’integration d’une transaction dans les bases est d’environ 4 a 5 mois. Pour la baseprovince, 50% des actes du mois m sont recus par Perval avant la fin du mois m + 2, 75% sontrecus avant la fin du mois m + 3. Ils sont codifies en un mois. Au bout de 3 mois, un peu plus de80% des actes sont integres dans la base, il y en a 95% au bout de 6 mois.

Pour l’Ile-de-France (sur la base des annees 1997 a 2000), le delai de collecte moyen est de66 jours et le delai d’integration de 51 jours. Cette derniere moyenne prend en compte une fortedeterioration en 1998 et surtout 1999 et un retour a la normale en l’an 2000 (29 jours en 1997, 54jours en 1998, 81 jours en 1999 et 33 jours en 2000). 75 % des actes sont recus a la fin du moism + 2, 90% a la fin du mois m+3. 53 % des actes sont saisis a la fin du mois m + 1 (92 - 40 - 12 -80 % par annee de 1997 a 2000) 83 % des actes sont saisis a la fin du mois m + 2 (100 - 89 - 53 -99 % par annee de 1997 a 2000)

L’envoi des actes est pour le moment plus rapide en Ile-de-France, tandis que la codificationest plus rapide en province.

4.1.2 Champ des indices

Le champ des indices Notaires-INSEE est limite aux logements anciens au sens fiscal (appar-tements ou maisons). Les logements neufs sont donc exclus. On exclut aussi les logements jugesatypiques tels que chambres, greniers, lofts, ateliers, loges de gardien, chateaux, grandes proprie-tes, hotels particuliers. Le logement doit etre libre d’occupation au moment de la vente, destine aun usage strict d’habitation et acquis en pleine propriete par un particulier ou une societe civileimmobiliere. On enleve donc les logements loues au moment de l’achat, que le locataire soit ounon l’acquereur. En effet, compte tenu de la reglementation en matiere de baux locatifs, ces loge-ments subissent en general une decote. Enfin, les ventes sont celles realisees de gre a gre, donc horsadjudications. Cette delimitation du champ elimine par exemple environ 30% des enregistrementsdes bases notariales pour les appartements des villes-centres des unites urbaines de plus de 10 000habitants en province ; pour les maisons cela en elimine 49% (voir note du tableau 4.1).

4.1.3 Taux de couverture

Les bases notariales ne couvrent pas 100% des transactions de logements anciens. Connaıtreleur taux de couverture, et son evolution, est important pour deux raisons principales. D’une partla qualite de l’indice suppose que l’enregistrement des transactions n’est pas biaise : en effet siun certain type de transactions etait sous-enregistre et que l’evolution de leur prix presente uncaractere particulier, l’indice serait biaise5. Ceci se produirait si les notaires variaient dans leurcomportement d’envoi des informations dans les bases, en fonction des caracteristiques d’evolution

5En fait le choix d’un parc de reference dont on a verifie que la structure n’etait pas tres eloignee du stock telqu’on peut le connaıtre aux recensements, minimise ce biais potentiel. Voir chapitre 10, tableau 10.2 pour Paris.

26

4.1. Description

des prix des biens. Pour toutes ces raisons, il importe donc de connaıtre le taux de couverture partype de biens et par zone geographique.

D’autre part il est interessant de connaıtre le nombre des transactions immobilieres pour ensuivre la conjoncture. On ne peut le faire a partir des seules transactions enregistrees qu’a lacondition que le taux de couverture soit constant. Jusqu’a une date recente ce taux etait croissantavec la montee en charge des bases notariales ; on ne pouvait donc interpreter facilement l’evolutiondu nombre de transactions enregistrees par les notaires.

Comme il n’y a pas de statistiques nationales sur le nombre de ventes de logements ancienspar type de logement, connaıtre le taux de couverture des bases notariales n’est pas simple et onest oblige d’utiliser des moyens detournes. On peut penser a trois moyens essentiels : utiliser undecompte mensuel du nombre d’actes notariaux (un tel decompte n’existe qu’en Ile-de-France),reconstituer un nombre de transactions a partir des donnees de rentrees fiscales de la DirectionGenerale des Impots (DGI), s’appuyer sur l’enquete EXISTAN du ministere de l’Equipement, desTransports et du Logement.

Pour l’Ile-de-France, la base de la CINP est couplee avec une enquete sur l’activite des etudesnotariales qui permet de decompter mensuellement, departement par departement, le nombred’actes notariaux, donc de transactions. On estime le taux de couverture de la base, comme lerapport entre le nombre d’actes enregistres dans la base et le nombre total d’actes de vente signes.Le taux de couverture est de 80-90% pour Paris (89% en 2001) ; pour la petite couronne, il estpasse de 60% en 1991 a 84% en 2001 ; il est de 68% en grande couronne, soit un taux global de79% en Ile-de-France pour 2001. Notons cependant que le decompte des actes ne distingue pasles transactions sur le neuf de celles sur l’ancien, ni le logement des autres types de transaction ;ce taux de couverture est donc global et melange les types de parc. On ne sait rien non plus surles caracteristiques des 20% de transactions non envoyees en matiere de niveau ou d’evolution desprix. On fait l’hypothese que l’evolution de leur prix ne biaise pas l’indice.

On ne dispose pas pour la province de decompte mensuel du nombre d’actes comme pourl’Ile-de-France ; le taux de couverture n’est donc pas connu en temps reel et il faut donc l’estimerdifferemment. Ceci peut etre fait a partir soit du nombre d’actes de mutations enregistres ex posta la Direction Generale des Impots, soit de l’enquete EXISTAN mentionnee plus haut.

On cherche donc a connaıtre le nombre de transactions correspondant au champ des indices. Laseule information fournie par la DGI est le montant des droits de mutation percus, departement pardepartement. Jusqu’a la reforme des droits de mutation de 1999, les droits de mutation pouvaientetre distingues selon la nature des biens ; on pouvait en particulier isoler l’habitation du non-habitation6. Ce n’est plus possible. Il n’y a plus que deux taux de taxe. Le taux a 0,60% concerneles biens soumis a TVA, c’est-a-dire les biens neufs, mais aussi d’autres regimes (achat par desmarchands de biens en vue de la revente, quelques minuscules regimes agricoles, etc.). L’essentielest constitue du neuf. Le taux a 4,80% est applique a l’ancien mais aussi aux terrains exoneres deTVA (achetes par des particuliers a des lotisseurs), qui representent une part tres faible du total,et a l’immobilier d’entreprise. On peut donc toujours, grosso modo, distinguer le neuf de l’ancien,mais, a l’interieur de l’ancien, on ne peut plus distinguer le type de biens comme on le faisaitauparavant. A partir des droits de mutation encaisses, on pouvait reconstituer, par division par letaux de taxe correspondant, une base taxable, ou assiette, c’est-a-dire le montant total des ventes.En divisant ce montant total par le prix moyen d’une vente, estime a partir des bases notariales surla meme periode7, on obtenait une estimation du nombre de transactions, en faisant l’hypothesed’absence de biais sur le prix moyen. Ceci pouvait etre fait au niveau de chaque departement. Cecia ete fait en 1998, et en 1999, mais est plus difficile, voire impossible8, depuis l’unification des tauxdes droits de mutation.

La source que constitue l’enquete EXISTAN est donc precieuse. On compare, toujours departe-ment par departement, les effectifs de transactions des notaires avec ceux de l’enquete9. L’avantage

6Sans pouvoir toutefois isoler les mutations effectuees par des particuliers.7En decalant de quelques mois pour tenir compte du delai de perception.8On peut toujours estimer un taux de couverture pour l’ensemble des biens immobiliers anciens, habitation et

non habitation.9Notons toutefois, que cette enquete est un sondage, a deux degres : tirage d’un echantillon de communes puis

INSEE Methodes 27


de l’enquete EXISTAN par rapport aux deux sources precedentes (decompte des notaires d’Ile-de-France, et DGI) est qu’elle distingue avec precision les differents types de biens (appartements,maisons, immeubles entiers)10.

Le taux de couverture des bases notariales a augmente lentement avec le temps ; il est tres va-riable d’un departement a l’autre. La seconde methode (estimation a partir des droits de mutationDGI) conduit, pour 1999, a un taux de couverture voisin de 68% sur l’ensemble de la France, de76% en Ile-de-France et de 64% en province11. Selon la comparaison avec l’enquete EXISTAN,pour les villes de province qui font l’objet d’un calcul d’indice elementaire12, il va de 37% a 100%.

Que le taux de couverture soit faible ne presente pas en soi de probleme statistique ; plusennuyeux est le fait qu’on ne sache pas si les actes enregistres dans la base sont representatifs del’ensemble des transactions ou s’ils presentent des biais, ce qui se produirait si certaines etudesnotariales n’envoyaient jamais d’actes sur des marches particuliers par exemple ou si certainsnotaires n’envoyaient pas les actes d’un certain type de clients. Mais notons cependant que lescomparaisons partielles effectuees jusqu’a present ne donnent aucune raison de penser qu’il y abiais significatif.

4.1.4 Caracteristiques des logements, traitement des non-reponses

Ce qui est envoye par les etudes notariales pour etre saisi dans les bases sont des photocopies desextraits d’actes ou des actes complets (dits DHN, documents hypothecaires normalises), augmentesd’un papillon comportant quelques renseignements supplementaires, tels la surface du bien13.

Outre la date de la mutation, les caracteristiques disponibles pour definir la qualite des loge-ments sont les suivantes : la surface (en m2), le quartier, l’epoque de construction (en 8 tranches :< 1850, 1850-1913, 1914-1947, 1948-1969, 1970-1980, 1981-1991, 1992-2000, 2001-2010), le nombrede pieces (de 1 a ‘5 et plus’), la surface moyenne par piece, le nombre de salles de bains (0, 1, ou 2et plus), le nombre de garages ou parkings (0, 1, ou 2 et plus), l’etage et la presence d’un ascenseur(rez-de-chaussee, 1er, 2eme, 3eme, 4eme ou plus sans ascenseur, 4eme ou plus avec ascenseur)l’existence d’une ou plusieurs chambre de service (0,1 ou plus). On a aussi defini une variable dequalite supplementaire, la surface moyenne par piece. Une petite surface par piece correspond aun logement ou les pieces ont moins de 20 m2 en moyenne ; la surface par piece est qualifiee degrande si elle est superieure a 25 m2 (30 m2 en province). Entre 20 et 25 m2 (20 et 30 m2 enprovince) elle est qualifiee de moyenne. Pour les maisons, l’etage, la presence d’un ascenseur etl’existence d’une ou plusieurs chambres de service sont sans objet ; en revanche, il faut ajouter lenombre de niveaux (1, 2, 3 ou plus) et la surface du terrain.

Le taux de non-reponse varie selon les variables (tableau 4.2). Selon le cas, la non-reponseentraıne le rejet de la transaction ou une imputation (tableau 4.3).

ensuite d’un echantillon d’actes. En theorie a partir des taux de sondage on doit pouvoir connaıtre un nombred’actes ; en pratique ceci est difficile puisque la DGI ne publie pas le nombre de transactions par departement. Laponderation n’est donc qu’approximative et l’enquete ne presente donc pas toutes les garanties statistiques.

10Une comparaison de la deuxieme et de la troisieme methode effectuee pour l’annee 1997 a montre qu’ellesconduisent a des effectifs et des montants de transaction identiques a 1% pres sur l’ensemble de la France, desecarts significativement plus importants etant constates sur certains departements.

11Le taux est tres faible dans les departements d’outre-mer et de Corse (qui ne sont pas couverts par les indicesNotaires-INSEE) ; il est inferieur a 30% dans 8 autres departements, superieur a 50% dans 69 departements et a70% dans 36 departements.

12Voir tableau 10.4 au chapitre 10 annexe.13Ce papillon differe legerement selon qu’on est en Ile-de-France ou en province. Dans le premier cas, pour

un appartement, il comporte la surface, le nombre de pieces principales, l’etage, le nombre de salles de bains, lapresence d’un ascenseur, et celle d’un box ferme ou parking, simple ou double. En province, il comporte en outreune variable d’etat du logement (bon etat, travaux a prevoir, a renover) et de vue (valorisante, devalorisante), ainsique l’orientation principale et une variable de negociation (notaire, agence, particulier a particulier). Ces variablessont cependant peu renseignees, on ne les a donc pas utilisees dans cette premiere version des modeles hedoniques.

28

4.1. Description

Tableau 4.2. Taux de non-reponse en %

Zone Sur- Nb Epo- Nombre de Etage as-de face de que de gara- sal- cham- ou -cenl’indice pie- cons- ges -les bres nb -seur

ces truc- par- de ser- de ni-tion kings bain -vice veaux

ProvinceIndividuel 35,9 2,3 30,9 39,2 13,8 - 5,3 -Collectif 16,2 1,2 33,8 54,5 8,7 - 3,5 50,0ParisCollectif 7,7 0 8,1 0,4 0 0 0,9 48,8Petite CouronneCollectif 51,7 0 21,9 0,2 0 0 1,3 53,8

Champ : Logements du parc de reference.

N.B. : A Paris le taux brut de non-reponse pour les surfaces est de 48%. Un travail de redressement

fait par le Bureau VanDijk qui assure la saisie des actes permet d’abaisser le taux a 8%. En Ile-de-France,

pour les garages, salles de bain, et chambres de service le taux est faible, mais il y a confusion entre la

modalite ‘pas de salle bain’ (ou ‘pas de garage’, ou ‘pas de chambre de service’) et les non-reponses.

Tableau 4.3. Traitement des non-reponses

Type de non-reponse Action Methode, si imputationprix rejetsurfaceet nombre de pieces rejetsurface imputee Surface moyenne 1994-96 des logements de meme

nombre de piece de la commune.A defaut, moyenne nationale des surfacesdes logements de meme nombre de pieces.Imputation econometrique en Petitecouronne.

nombre de pieces imputee a partir de la surface au niveau national.Le logement sort du parc d’estimation,mais reste dans le parc de reference.

nature du bien rejetascenseur imputee non reponse = ouietage imputee rez-de-chausseesalle de bain imputee pas de salle de baingarage, parking imputee pas de garage, parkingdate de construction modalite ‘non reponse’ isoleenature de l’acheteur imputee particulier ou SCInature du vendeur variable non utiliseeetat d’occupation impute libre d’occupationdestination du bien imputee A usage strict d’habitation,

en pleine proprietesurface du terrain(pour les maisons) rejet

INSEE Methodes 29


Tableau 4.4. Nombre de zones elementaires de calcul et nombre de quartiers

Indice Nombre Nombrede zones de quartiers

AppartementsParis 18 80Petite Couronne 24 91

AppartementsUU > 10 000 hab. 113 302

dont : centres 84 236dont : banlieues 29 66

UU < 10 000, rural 7 35

Maisons province 111 239

Total 273 747

4.2 Les regressions hedoniques

Comme il y a 273 zones elementaires de calcul (tableau 4.4), il y a autant de regressionshedoniques de base. Dans certaines zones on a defini des quartiers, plus homogenes en termes deprix, deux ou trois en moyenne. Les tableaux qui suivent presentent des exemples de regressionhedonique pour la zone 13 de Paris, la zone 2 du departement des Hauts-de-Seine (92) de petitecouronne, ainsi que pour les appartements de trois zones de province et pour les maisons de troisautres zones de province. La variable dependante est le logarithme decimal du prix au metre carre.

Les tableaux fournissent les coefficients βk estimes, leur ecart-type et un indicateur de leursignificativite, la p-valeur. Plus cette p-valeur est petite, plus le coefficient est significatif. Si lap-valeur est inferieure a 0, 05 la variable est jugee significative.

Comme mentionne au chapitre precedent (voir equation 3.1), les variables explicatives com-prennent des indicatrices de trimestres et d’annee. Elles comportent aussi parfois une ou plusieursindicatrices de quartiers, dans le cas ou la zone elementaire n’est pas homogene en termes deprix. Il faut noter aussi que certaines variables comportent des interactions, c’est-a-dire des effetscroises, par exemple entre l’etage et la presence d’un ascenseur.

Les regressions comportent de 18 a 31 variables explicatives qualitatives, qui sont des moda-lites correspondant a une dizaine de variables interpretables : annee, trimestre, quartier, date deconstruction, salle de bain, garage, etage, nombre de pieces... Bien que les coefficients doivent etreinterpretes avec prudence car ils ne peuvent l’etre independamment des effets des autres variables,on observe des resultats attendus. A Paris zone 13 le prix au m2 augmente avec le nombre depieces, sauf pour les studios, ce qui veut dire que les logements de 4 pieces et plus sont de meilleurstanding ou plus recherches ; il augmente aussi avec le nombre de pieces au-dela de deux dans lesHauts-de-Seine zone 2 ; il diminue au contraire parfois avec le nombre de pieces en province, oul’espace a moins de valeur qu’a Paris : le cout marginal de la surface supplementaire est plus faible.Le prix au m2 varie avec la date de construction : il est en general plus eleve pour les immeublesles plus recents, a l’exception de certains immeubles ‘hausmaniens’ qui sont aussi chers que lestres recents. Il y a un effet positif de l’etage, sauf pour les etage eleves sans ascenseur. Le prix desmaisons augmente logiquement avec la superficie du terrain.

Par ailleurs, les coefficients estimes, tout en restant assez proches d’une zone a l’autre, pre-sentent tout de meme de l’heterogeneite. Ainsi l’absence de salle de bain fait-elle baisser le prix

30

4.2. Les regressions hedoniques

au m2 de l’appartement de 15,9% dans la zone 13 de Paris14. Le coefficient varie de -6,6% a-10,7% au sein de la capitale. La valeur d’un ascenseur pour un etage au-dela du troisieme estde 13% dans la zone 13 de Paris15 ; le coefficient varie aussi selon les zones. On peut remarquerencore une valorisation plus forte des garages dans la zone 13 de Paris par rapport a la zone 2des Hauts-de-Seine, ou a certaines zones de province. Il etait donc justifie d’employer la methodehedonique et de faire des regressions au niveau de zones elementaires, puisque les prix relatifs descaracteristiques different d’un endroit a l’autre.

14Il convient ici de se rappeler que ce sont des logarithmes decimaux qui ont ete utilises. On a 10−0,073 = 0, 841.15100,091−0,037 = 1, 132.

INSEE Methodes 31


Tableau 4.5. Exemples de regressions hedoniques

Appartements de Paris, zone 13(R2 = 0, 42, nombre d’observations : 5520)

Variables Coefficients Ecart- p-valeurtype

Constante 4,120 0,007 0,000annee 1992 0,119 0,004 0,000annee 1993 0,076 0,004 0,000annee 1994 0,078 0,004 0,000annee 1995 0,045 0,004 0,000annee 1996 referencetrimestre 1 0,019 0,004 0,000trimestre 2 0,016 0,004 0,000trimestre 3 0,013 0,003 0,000trimestre 4 referenceQuartier 1 referenceQuartier 2 -0,015 0,003 0,000Quartier 3 0,027 0,003 0,000avant 1850 -0,042 0,016 0,0061850-1913 reference1914-1947 -0,011 0,004 0,0021948-1969 0,009 0,004 0,0171970-1980 0,053 0,005 0,000apres 1981 0,094 0,011 0,000Epoque inconnue 0,015 0,005 0,003Pas de salle de bain -0,075 0,003 0,0001 salle de bain reference2 salles de bains ou plus 0,027 0,006 0,000pas de garage reference1 garage 0,072 0,004 0,00002 garages ou plus 0,098 0,015 0,000Chambre service 0,066 0,006 0,000Rez-de-chaussee reference1er etage 0,045 0,006 0,000etage 2 0,076 0,006 0,000etage 3 0,076 0,006 0,0004 ou plus avec asc. 0,091 0,005 0,0004 ou plus ss asc. 0,037 0,008 0,0001 piece 0,016 0,004 0,0002 pieces reference3 pieces 0,008 0,004 0,0184 pieces 0,020 0,004 0,0005 pieces et plus 0,020 0,006 0,001Petite surface/piece 0,007 0,003 0,030Moyenne surface/piece referenceGrande surface/piece -0,007 0,003 0,040

32


Appartements de Petite Couronne, zone 922(R2 = 0, 48, nombre d’observations : 2476)


Constante 4,0349 0,0109 0,0000annee 1992 0,1118 0,0069 0,0000annee 1993 0,0736 0,0065 0,0000annee 1994 0,0748 0,0063 0,0000annee 1995 0,0307 0,0065 0,0000annee 1996 referencetrimestre 1 0,0194 0,0059 0,0010trimestre 2 0,0182 0,0059 0,0020trimestre 3 0,0047 0,0060 0,4282trimestre 4 referenceQuartier 1 referenceQuartier 2 -0,1275 0,0045 0,0000avant 1850 0,1013 0,0233 0,00001850-1913 reference1914-1947 0,0105 0,0059 0,07361948-1969 0,0100 0,0074 0,17721970-1980 0,0241 0,0100 0,0158apres 1981 0,0904 0,0123 0,0000epoque inconnue 0,0111 0,0061 0,0695Pas de salle de bain -0,0540 0,0047 0,00001 salle de bain reference2 salles de bains ou plus -0,0245 0,0140 0,0795pas de garage reference1 garage 0,0565 0,0083 0,00002 garages 0,0559 0,0180 0,0019chambre service -0,0012 0,0178 0,9463Rez-de-chaussee referenceEtage 1 0,0402 0,0086 0,0000Etage 2 0,0518 0,0084 0,0000Etage 3 0,0475 0,0086 0,00004eme et plus avec asc. 0,0628 0,0079 0,00004eme et plus sans asc. 0,0185 0,0107 0,08381 piece 0,0028 0,0069 0,68052 pieces reference3 pieces 0,0265 0,0054 0,00004 pieces 0,0397 0,0084 0,00005 pieces et plus 0,0482 0,0113 0,0000Petite surface/piece 0,0066 0,0059 0,2624Moyenne surface/piece referenceGrande surface/piece 0,0305 0,0084 0,0003

INSEE Methodes 33


Appartements de la ville de Dijon(R2 = 0, 413, nombre d’observations : 866)


Constante 3,791 0,011 0,000Avant 1850 0,046 0,022 0,0361850-1947 0,032 0,014 0,0271948-1980 referenceApres 1981 0,098 0,007 0,000Epoque inconnue 0,038 0,012 0,0021 salle de bain reference2 salles de bains ou plus 0,082 ,013 ,000pas de garage reference1 garage 0,054 0,010 0,000piece de service 0,050 0,041 0,219Rez-de-chaussee referenceEtage 1 0,011 0,010 0,251Etage 2 0,010 0,010 0,292Etage 3 0,014 0,010 0,1724eme et plus avec asc. -0,008 0,009 0,4004eme et plus sans asc. -0,032 0,019 0,0931 piece 0,126 0,012 0,0002 pieces 0,040 0,009 0,0003 pieces reference4 pieces -0,010 0,007 0,1955 pieces et plus -0,012 0,010 0,252Petite surface/piece -0,023 0,007 0,001Moyenne surface/piece referenceGrande surface/piece -0,060 0,015 0,000

34


Appartements de la banlieue de Nantes(R2 = 0, 415, nombre d’observations : 478)


Constante 3,642 0,015 0,000Avant 1850 0,072 0,061 0,2321850-1947 -0,077 0,062 0,2101948-1980 referenceApres 1981 0,129 0,011 0,000Epoque inconnue 0,042 0,011 0,000Pas de salle de bain 0,014 0,085 0,8731 salle de bain reference2 salles de bains ou plus 0,053 0,032 0,0970 ou 1 garage reference2 garages -0,008 0,015 0,580Chambre de service 0,016 0,060 0,783Rez-de-chaussee referenceEtage 1 0,005 0,013 0,692Etage 2 0,031 0,013 0,017Etage 3 0,022 0,014 0,1004eme et plus avec asc. 0,015 0,014 0,2874eme et plus sans asc. -0,014 0,021 0,5271 piece 0,162 0,026 0,0002 pieces 0,032 0,012 0,0073 pieces reference4 pieces -0,021 0,011 0,0445 pieces et plus -0,035 0,019 0,060Petite surface/piece 0,021 0,010 0,050Moyenne surface/piece referenceGrande surface/piece -0,119 0,027 0,000

INSEE Methodes 35


Appartements d’une ville-centre d’une unite urbaine de 20 000 a 50 000 habitantsen region Rhone-Alpes(R2 = 0, 486, nombre d’observations : 646)


Constante 3,608 0,022 0,000Quartier 1 referenceQuartier 2 ,128 0,009 0,000Avant 1850 0,0744 0,072 0,3051850-1947 -0,0471 0,019 0,0141948-1980 referenceApres 1981 0,0731 0,010 0,000Epoque inconnue 0,025 0,011 0,0240 ou 1 salle de bain reference2 salles de bains ou plus -0,0249 0,029 0,394pas de garage reference1 garage 0,063 0,019 0,0012 garages 0,096 0,024 0,000Chambre de service 0,104 0,060 0,082Rez-de-chaussee referenceEtage 1 -0,003 0,013 0,801Etage 2 0,002 0,014 0,892Etage 3 0,018 0,015 0,2234eme et plus avec asc. 0,040 0,014 0,0034eme et plus sans asc. -0,147 0,034 0,0001 piece 0,075 0,017 0,0002 pieces 0,032 0,012 0,0073 pieces reference4 pieces -0,026 0,011 0,0135 pieces et plus 0,0002 0,014 0,987Petite surface/piece 0,001 0,010 0,919Moyenne surface/piece referenceGrande surface/piece -0,050 0,021 0,016

36


Maisons des communes rurales de la region Champagne-Ardennes(R2 = 0, 543, nombre d’observations : 1247)


Constante 5,465 0,021 0,000Plain-pied -0,017 0,010 0,0852 niveaux reference3 niveaux -0,013 0,019 0,5123 pieces ou moins -0,077 0,012 0,0004 pieces reference5 pieces principales 0,029 0,011 0,0096 pieces principales 0,028 0,014 0,0557 pieces ou plus 0,061 0,017 0,000Surface du terrain 104 0,097 0,000 0,000Surface habitable 0,001 0,000 0,000pas de salle de bain -0,215 0,028 0,0001 salle de bain reference2 salles de bains ou plus ,101 0,014 0,000pas de garage -0,050 0,019 0,0091 garage reference2 garages 0,054 0,013 0,000Avant 1913 -0,088 0,015 0,0001914-1947 -0,079 0,016 0,0001948-1969 -0,021 0,017 0,2211970-1980 0,039 0,017 0,0221981-1991 0,069 0,018 0,000Epoque inconnue referenceQuartier 1 referenceQuartier 2 -0,103 0,008 0,000

INSEE Methodes 37


Maisons des communes periurbaines de la region Centre(R2 = 0, 635, nombre d’observations : 2106)


Constante 5,516 0,013 0,000Plain-pied -0,016 0,005 0,0042 niveaux reference3 niveaux et plus 0,038 0,016 0,0193 pieces ou moins -0,074 0,007 0,0004 pieces reference5 pieces principales 0,0007 0,007 0,9216 pieces principales -0,006 0,008 0,5047 pieces ou plus -0,012 0,011 0,251Surface du terrain 104 0,058 0,000 0,000Surface habitable 0,002 0,000 0,000Pas de salle de bains -0,165 0,024 0,0001 salle de bain reference2 salles de bains ou plus 0,057 0,007 0,000pas de garage -0,048 0,013 0,0001 garage reference2 garages 0,032 0,007 0,0001850-1913 -0,058 0,008 0,0001914-1947 -0,050 0,011 0,0001948-1969 -0,015 0,010 0,1311970-1980 0,025 0,008 0,002Apres 1981 0,016 0,009 0,064Epoque inconnue referenceQuartier 1 referenceQuartier 2 -0,131 0,008 0,000Quartier 3 0,028 0,006 0,000Quartier 4 -0,011 0,008 0,194Quartier 5 -0,022 0,008 0,007

38


Maisons de l’unite urbaine d’Orleans(R2 = 0, 676, nombre d’observations : 1152)


Constante 5,522 0,013 0,000Plain-pied 0,012 0,006 0,0322 niveaux reference3 niveaux et plus 0,0152 0,010 0,1443 pieces ou moins -0,033 0,009 0,0004 pieces reference5 pieces principales -0,007 0,006 0,2606 pieces principales 0,011 0,008 0,1997 pieces ou plus 0,005 0,012 0,677Surface du terrain 104 0,009 0,000 0,007Surface habitable 0,003 0,000 0,000pas de salle de bain -0,171 0,058 0,0031 salle de bain reference2 salles de bain ou plus 0,032 0,007 0,000pas de garage 0,001 0,013 0,9601 garage reference2 garages 2,774E-02 0,008 0,0001850-1913 -0,002 0,012 0,8911914-1947 -0,013 0,011 0,2261948-1969 -0,014 0,009 0,0951970-1980 -0,001 0,008 0,885Apres 1981 0,0057 0,008 0,468Epoque inconnue referenceQuartier 1 referenceQuartier 2 -0,032 0,006 0,000Quartier 3 0,011 0,007 0,082

Les tableaux suivants fournissent des renseignements sur la qualite des regressions hedoniques.Celle-ci est habituellement mesuree par le coefficient de determination R2, compris entre 0 et1. Plus ce coefficient est eleve, plus la regression a un fort pouvoir predictif. Pour des donneesindividuelles en coupe, de bonnes valeurs de R2 sont de l’ordre de 0,25-0,40 pour 1000 a 3000observations et une vingtaine de variables explicatives. C’est cette qualite qui est observee ici etvalable pour les diverses strates (zones). La variable dependante est le logarithme (decimal) duprix au m2.

Tableau 4.6. R2 des regressions et nombre d’observations du parc d’estimation :Paris, appartements

zone 1 2 3 4 5 6 7 8 9R2 0,283 0,263 0,354 0,395 0,374 0,212 0,285 0,295 0,337nb d’observations 4090 1925 2102 2024 3417 2569 3444 5014 5361zone 10 11 12 13 14 15 16 17 18R2 0,300 0,331 0,389 0,420 0,339 0,326 0,301 0,317 0,316nb d’observations 3826 3864 4408 5520 2303 6978 6656 2321 4519

N.B. : Les 80 quartiers administratifs parisiens sont regroupes dans 18 zones constituees sur des criteres

de geographie et de prix, qui ne correspondent donc pas toujours, a des arrondissements (certains sont

fusionnes, d’autres repartis dans plusieurs zones).

INSEE Methodes 39


Tableau 4. 7. R2 des regressions et nombre d’observations du parc d’estimation :Petite couronne, appartements

R2 Nombre R2 NombreZone d’observations Zone d’observations92 1 0,347 1699 94 1 0,296 171692 2 0,478 2476 94 2 0,310 128192 3 0,152 1847 94 3 0,314 302092 4 0,357 3610 94 4 0,321 321192 5 0,436 2410 94 5 0,338 250992 6 0,372 3447 94 6 0,308 286192 7 0,389 3347 94 7 0,268 174192 8 0,305 3565 94 8 0,369 294092 9 0,331 3021 093 1 0,161 1910 93 5 0,338 215293 2 0,255 2168 93 6 0,352 188493 3 0,236 1465 93 7 0,467 400693 4 0,301 3812 Total 62098

Pour l’indice ‘Province appartements villes-centre’, l’ensemble est decoupe en 84 zones oustrates (tableau 4.4.) ; 53 sont constituees d’une seule ville , ce qui permet de diffuser un indice pourchacune de ces 53 villes (cf. tableau 10.4 de l’annexe) ; les 31 autres strates sont des regroupementsde villes en fonction de la region et de la taille d’unite urbaine, elles sont codees 99yzz, avec y latranche d’unite urbaine en 4 modalites (3 : Unite Urbaine de 10 000 a 19 999 habitants 4 : UniteUrbaine de 20 000 a 49 999 habitants 5 : Unite Urbaine de 50 000 a 99 999 habitants 6 : UniteUrbaine de 100 000 a 199 999 habitants), et zz la region ou le groupe de regions en 10 modalites(cf. tableau 10.5).

On a au total 148 000 appartements dans le parc d’estimation et 251 000 maisons. Les R2 pourles maisons sont compris entre 0,50 et 0,70.

40


Tableau 4. 8. R2 des regressions et nombre d’observations du parc d’estimation :Province appartements villes-centre

Strate Nombre Strate Nombre(zone) d’obser- R2 (zone) d’obser- R2

-vations -vationsBourg-en-Bresse 389 0,359 Le Mans 476 0,274Vichy 633 0,276 Chambery 756 0,309Antibes 1 885 0,326 Annecy 1 336 0,398Cannes 2 327 0,528 Annemasse 560 0,393Grasse 1 015 0,302 Le Havre 1 778 0,471Le Cannet 544 0,491 Rouen 1 400 0,382Menton 1 418 0,421 Amiens 788 0,477Nice 9 227 0,385 Toulon 3 172 0,451Troyes 852 0,382 Poitiers 424 0,405Marseille 10 613 0,524 Limoges 989 0,311Caen 772 0,383La Rochelle 709 0,402 99326 758 0,380Bourges 511 0,196 99331 457 0,339Dijon 2 944 0,368 99352 643 0,427Besancon 1 086 0,461 99354 891 0,356Valence 412 0,285 99372 358 0,503Brest 1 249 0,307 99382 994 0,733Toulouse 5 184 0,481 99390 2 655 0,515Bordeaux 2 510 0,292 99421 902 0,789Montpellier 1 928 0,469 99423 744 0,230Rennes 2 839 0,555 99426 1 601 0,398Tours 993 0,420 99452 1 883 0,477Grenoble 3 321 0,365 99472 998 0,572Blois 460 0,474 99482 2 186 0,445Roanne 625 0,303 99490 2 090 0,403Saint-Etienne 2 494 0,463 99521 1 501 0,505Nantes 3 490 0,403 99523 364 0,271Saint-Nazaire 438 0,509 99524 580 0,250Orleans 1 667 0,328 99526 1 165 0,420Reims 2 346 0,427 99531 422 0,436Nancy 1 654 0,341 99552 468 0,353Lorient 414 0,367 99554 452 0,368Metz 817 0,331 99572 820 0,290Dunkerque 401 0,320 99582 941 0,558Lille 1 933 0,330 99590 932 0,478Clermont-Ferrand 1 808 0,443 99626 918 0,394Anglet 563 0,431 99321 409 0,306Bayonne 605 0,529 99323 736 0,480Biarritz 965 0,361 99324 328 0,462Pau 1 130 0,440 99631 827 0,306Strabourg 2 054 0,416 99652 272 0,262Lyon 9 173 0,372 99690 325 0,365Chalon-sur-Saone 692 0,336

Ensemble 127 389

INSEE Methodes 41


Fig. 4.1 – Villes-centres des agglomerations de plus de 10 000 habitants : R2 des regressions de basepar zone, les zones etant ordonnees selon le nombre d’observations (taille du parc d’estimation)

0,000

0,100

0,200

0,300

0,400

0,500

0,600

0,700

0,800

0,900

0 10 20 30 40 50 60 70 80 90 100

La figure 4.1 ci-dessus presente graphiquement les 84 coefficients de determination des villescentre, chaque ville etant rangee selon la taille du parc d’estimation dans l’ordre croissant. Cescoefficients sont legerement croissants avec ce rang, comme on pouvait s’y attendre.

42

Chapitre 5

Indices, suivi, publication

5.1 Les differents indices

Il existe pour le moment six indices publies au niveau national : cinq pour les appartements (aParis, en petite couronne, dans les villes-centres des agglomerations de plus de 10 000 habitants,dans leur banlieue et dans les agglomerations de moins de 10 000 habitants et zones rurales) etun pour les maisons de province. Dans certaines unites urbaines pour lesquelles le nombre detransactions est suffisant, il existe aussi un indice local pour les appartements (centre et banlieue),de meme pour les trois departements de petite couronne, et pour les maisons dans certaines unitesurbaines. Ces sous-indices ne sont toutefois pas publies par l’INSEE au niveau national.

Tableau 5.1. Les indices existants et en projet (en septembre 2002)

Province Ile-de-Francevilles-centres banlieues rural et Paris Petite Grande

des UU des UU UU Couronne Couronne≥10000 h ≥10000 h ≺10000

collectif oui (1) oui (2) oui oui oui en coursindividuel oui (3) /// en projet en projet

(1) Un indice global des appartements, et un indice local pour 53 villes.

(2) Un indice global des appartements en banlieue, et un indice local dans 24 villes.

(3) Un indice global des logements individuels, un indice local pour 31 unites urbaines, deux indices locaux

(unite urbaine et centre) pour 5 unites urbaines, et trois indices locaux (unite urbaine, centre et banlieue)

pour 9 unites urbaines.

Sans attendre que tout le territoire soit entierement couvert, l’INSEE estime et publie chaquetrimestre un indice d’evolution national pour la France entiere. Cet indice ‘France’ s’appelle donc‘INSEE’ et non ‘Notaires-INSEE’. La methode appliquee est rapidement exposee en annexe 10.6.Cet indice sera remplace par un indice France entiere exclusivement base sur les sous-indices‘Notaires-INSEE’, des que ceux-ci couvriront l’ensemble du territoire.

5.2 Suivi : le tableau de bord trimestriel

L’INSEE garantissant la methode de l’indice, mais ne le fabriquant pas directement, il convenaitde mettre au point un instrument permettant de valider de facon rapide et fiable les differentsindices trimestriels. Le tableau de bord trimestriel se veut un tel instrument de suivi, servant ala fois a commenter les indices, a deceler d’eventuelles anomalies et finalement a les valider. Lanecessite de la rapidite empeche de se placer au niveau des indices elementaires par zone. L’INSEEne valide donc que les indices agreges (tableau 5.1), laissant aux responsables locaux (deleguesregionaux de Perval, CINP pour l’Ile-de-France) le soin de l’analyse des marches locaux. Le principe

43

5. Indices, suivi, publication

de la validation repose sur le suivi des bases de donnees (delais d’integration des informationselementaires, detection d’eventuels retards) et surtout sur la comparaison des evolutions de prixmoyens et des indices, pour deceler des effets de structure et en trouver les causes. On suit aussil’evolution du nombre des transactions volumes et la deformation de la structure des transactionspar rapport au parc de reference. Les variables privilegiees sont le nombre de pieces des logements ;on repere aussi les zones de variations extremes de prix et de volume, par rapport au trimestreprecedent et par rapport aux autres zones du meme trimestre.

Chaque trimestre t sont analyses l’indice provisoire de t − 1, l’indice definitif de t − 2, et lesindices de volume de transactions correspondants, provisoires et definitifs. Plus precisement, lesprincipaux chiffres a verifier concernent les publications au Bulletin Mensuel de Statistique (BMS)de l’INSEE, c’est-a-dire les valeurs provisoires pour le trimestre courant et les valeurs definitivespour le trimestre precedent, des quatre principaux indices de prix notaires-INSEE disponibles.

Voici a titre d’exemple, une partie du tableau de bord de validation de l’indice de Paris.

Les donnees provisoires

Trois series d’indicateurs sont principalement etudiees :

1. l’indice hedonique ou ses variations (colonne Indice dans le tableau 5.2) ;

2. une evolution des prix moyens au m2 des transactions du trimestre, sans correction des effetsde structure (colonne Prix dans le tableau) ;

3. un indice de volume, qui fournit un nombre trimestriel de ventes, pour donner un apercu dela liquidite du marche.

Un premier tableau permet de verifier la coherence entre valeurs definitives et provisoires pour lesdeux trimestres precedents et l’evolution en glissement sur un an.

Tableau 5.2. Paris : derniers resultats des principales series :evolution de l’indice, du prix moyen et des volumes sur un an

Indice Prix Nombre Volumeen francs de ventes estime

2000 t1 def. 97,6 17200,5 137122000 t3 prov. 104,9 18780,1 135722000 t3 def. 104,7 18822,0 145452000 t4 prov. 106,9 19157,4 123332000 t4 def. 106,9 19170,5 133022001 t1 prov. 109,3 19648,8 11687 12605

Evolution sur 1 an2001 t1p/2000 t1d + 12,0% +14,2% -14,8% -8,1 %

Evolution sur 3 mois2001 t1p/2000 t4d + 2,3% +2,5% -13,1 % -5,2 %

Il s’agit la du ‘tableau de bord’ publie au mois de juillet 2001. On disposait donc de l’indicedefinitif du dernier trimestre de l’an 2000 et de l’indice provisoire du premier trimestre de 2001.

L’indice provisoire est de 109,3 au premier trimestre 2001. Sa progression est voisine sur lesdeux derniers trimestres : +2,3% par rapport au dernier trimestre de l’annee 2000 et +2,1% autrimestre precedent (l’indice definitif du quatrieme trimestre 2000 est egal a l’indice provisoire ).En glissement annuel, l’indice progresse de 12%. La progression des prix moyens est legerementsuperieure : +2,5% au dernier trimestre et +14,2% en glissement annuel. Le nombre de transactions(volume) quant a lui, recule de 5,2% au dernier trimestre 2001 et de 8,1% en glissement annuel. Ilapparaissait donc pour les appartements parisiens une evolution soutenue de l’indice des prix etune baisse des volumes.

44

5.2. Suivi : le tableau de bord trimestriel

Fig. 5.1 – Evolutions du volume des transactions, des prix moyens et des indices : Paris

80

85

90

95

100

105

110

115

3 4 1 00 2 3 4 1 01

Indice base 100 en 1994

140

150

160

170

180

190

200

3 4 1 00 2 3 4 1 01

Prix moyen en centaines de F/m²

100

105

110

115

120

125

130

135

140

145

150

3 4 1 00 2 3 4 1 01

Nombre detransactions (10²) en 10² transactions

Pour une meilleure lecture, les resultats sont presentes sous forme de graphiques (Fig 5.1)dans lesquels les points donnent les valeurs provisoires. Pour les nombres de ventes, on note deuxchiffres provisoires : le volume ‘point’ est l’effectif provisoire de transactions recu tel quel (qui donneune idee du taux de depouillement) ; le volume ‘triangle’ est l’effectif definitif. Pour le trimestrecourant une estimation de l’effectif definitif est obtenue en appliquant au volume ‘point’ provisoireun taux de correction moyen calcule a partir des volumes de transactions definitifs et provisoiresdes trimestres anterieurs.

Des resultats analogues sont fournis en distinguant le nombre de pieces ( de 1 a 5 pieces etplus), a la fois sous forme de tableau (tableau 5.3), et de figures (fig. 5.2).

INSEE Methodes 45


Tableau 5.3. Evolution du volume des transactions, des prix moyens et des indicesselon le nombre de pieces : Paris

Nombre de pieces 1 2 3 4 ≥ 5Indices base 100 en 1994 t42000 t1 definitif 96,8 96,5 97,0 98,1 99,62000 T3 provisoire 104,2 103,9 104,3 105,4 107,02000 T3 definitif 104,0 103,7 104,1 105,2 106,42000 T4 provisoire 106,0 105,8 106,3 107,3 108,72000 T4 definitif 106,0 105,8 106,2 107,3 109,02001 T1 provisoire 108,4 107,9 108,5 109,8 111,9Evolution sur ...1 an 2001 T1p/2000 T1 + 12,0 + 11,8 + 11,8 + 11,9 + 12,33 mois 2001 T1p/2000 T4 2,2 + 2,0 + 2,1 + 2,3 + 2,7Prix moyens en francs2000 T1 definitif 398 149 616 294 1 086 882 1 759 536 3 318 1922000 T3 definitif 425 889 683 141 1 175 682 1 916 532 3 881 6002000 T3 provisoire 426 638 683 401 1 180 323 1 912 486 3 858 7072000 T4 provisoire 424 011 697 235 1 196 801 2 013 109 3 764 4542000 T4 definitif 424 816 694 388 1 205 347 2 008 330 3 778 7692001 T1 provisoire 428 398 713 460 1 253 039 2 093 648 3 895 986Evolution sur ...1 an 2001T1p/2000T1d + 7,6 + 15,8 + 15,3 + 19,0 + 17,43 mois 2001T1p/2000T4d + 0,8 + 2,7 + 4,0 + 4,2 + 3,1Prix moyens au m22000 T1 definitif 16 303 15 980 17 929 20 075 23 6182000 T3 provisoire 17 312 17 362 19 287 21 679 26 8512000 T3 definitif 17 360 17 393 19 364 21 714 26 7762000 T4 provisoire 17 571 17 916 19 813 22 592 26 5402000 T4 definitif 17 616 17 890 19 850 22 593 26 6342000 T1 provisoire 17 821 18 314 20 548 23 300 27 763Evolution sur ...1 an 2001 T1 prov/2000 T1 + 9,3 + 14,6 + 14,6 + 16,1 + 17,53 mois 2001 T1 prov/2000 T4 + 1,2 + 2,4 + 3,5 + 3,1 + 4,2Volumes en nombre de transactions2000 T1 definitif 3 441 5 175 3 008 1 290 7982000 T3 prov saisi 3 241 4 967 2 977 1 417 9702000 T3 prov estime 3 473 5 323 3 190 1 519 1 0402000 T3 definitif 3 483 5 331 3 178 1 514 1 0392000 T4 prov saisi 3 105 4 562 2 599 1 167 9002000 T4 prov estime 3 349 4 920 2 803 1 529 9712000 T4 definitif 3 357 4 930 2 802 1 263 9502001 T1 prov saisi 2 956 4 347 2 457 1 110 8172001 T1 prov estime 3 188 4 689 2 650 1 197 881Evolution sur ...1 an 2001 T1 est/2000 T1 + 7,3 - 9,4 - 11,9 - 7,2 +10,43 mois 2001 T1 est/2000 T4 - 5,0 - 4,9 - 5,4 - 5,2 - 7,2Structure des transactionsParc de reference 23,2 36,7 22,2 11,2 6, 600T3 provisoire 23,9 36,6 21,9 10,4 7,100T3 definitif 23,9 36,7 21,8 10,4 7,100T4 provisoire 25,2 37,0 21,1 9,5 7,300T4 definitif 25,2 37,1 21,1 9,5 7,101T1 provisoire 25,3 37,2 21,0 9,5 7,0

46


Fig. 5.2 – Evolution des transactions, des prix moyens et des indices hedoniques, selon le nombrede pieces : Paris

21

22

23

24

25

26

3 4 1 00 2 3 4 1 01

1 pièce

%

35

36

37

38

39

3 4 1 00 2 3 4 1 01

2 pièces%

19

20

21

22

23

24

3 4 1 00 2 3 4 1 01

3 pièces

%

8

9

10

11

12

3 4 1 00 2 3 4 1 01

4444 pièces%

5

6

7

8

3 4 1 00 2 3 4 1 01

5 pièces et +%

-1

0

1

2

3

4

5

3 4 1 00

2 3 4 1 01

% 1 pièce

012345678

3 4 1 00 2 3 4 1 01

% 2 pièces

0

1

2

3

4

5

6

7

3 4 1 00 2 3 4 1 01

%3 pièces

0

1

2

3

4

5

6

7

3 4 1 00 2 3 4 1 01

%4 pièces

-6-30369

121518

3 4 1 00 2 3 4 1 01

% 5 pièces et +

Note : Pour chaque nombre de pieces, a gauche, la part des transactions (en %) dans le total (toutescategories d’appartements confondues), les points representant les parts provisoires. A droite, lesevolutions d’un trimestre t par rapport au trimestre anterieur (en %) de l’indice hedonique (traitlarge) et des prix moyens (trait fin), avec des traits pointilles pour les evolutions provisoires.

INSEE Methodes 47


Le tableau 5.3 montre que la progression de l’indice est voisine quel que soit le nombre depieces : elle varie de 2,0% pour les ‘2 pieces’ a 2,7% pour les ‘5 pieces et plus’. C’est egalementverifie en glissement annuel puisque les progressions varient entre 11,8% pour les 2 et 3 pieces et12,3% pour les appartements de 5 pieces et plus. On constate cependant de plus grands ecartsd’evolution de prix moyens selon le nombre de pieces : de +0,8% pour les studios jusque 4,2%pour les ‘4 pieces et plus’. Ces ecarts sont amplifies en glissement annuel de 7,6% pour les studiosjusque 19% pour les 4 pieces. Il y a donc de forts effets de structure. Au cours du premier trimestrede 2001, les volumes reculent environ de 5%, quel que soit le nombre de pieces, excepte pour les 5pieces et plus qui chutent de 7,2%. En glissement annuel, les volumes reculent de 7,2% pour les 1et 4 pieces a 11,9% pour les 3 pieces.

Finalement, les indices etant des mesures synthetiques d’evolutions heterogenes, ils peuventmasquer cette heterogeneite. Celle-ci peut concerner les variations de prix et les volumes echanges.Un tableau complementaire (tableau 5.4) fournit les cinq strates geographiques ou les variationsde prix ont ete les plus elevees et les cinq strates ou elles ont ete les plus faibles. Rappelons quela ville de Paris est divisee en 80 quartiers regroupes dans 18 zones de calcul qui correspondent ades arrondissements dont certains sont regroupes.

Tableau 5.4. Strates (zones) de variations extremes de prix moyens a Paris, 1ertrimestre 2001 (numero de la zone et variation en %).

par rapport aux autres plus forte 3 (5,9), 6 (5,6), 4 (5,4),2 (4,2),9 (4,0)arrondissements plus faible 10 (0,8), 15 (0,7), 11 (0,4), 20 (0,2), 19(-0,1)

par rapport aux autres plus forte 2 (9,0), 1 (4,9), 14 (4,4), 5 (4,3), 6 (4,0)zones (strates) plus faible 15 (0,4), 8 (0,3), 18 (0,2), 12 (-0,1), 17 (-0,9)

par rapport aux autres plus forte 24 (14,1), 10 (12,6), 37 (10,3), 27 (8,0),13 (7,8)quartiers plus faible 5 (-3,6), 38 (-4,0), 3 (-5,1), 11 (-6,0), 74 (-7,1)

Par ailleurs, de fortes evolutions de prix dans une strate peuvent avoir peu d’influence surl’indice, si le volume correspondant est faible. Un dernier tableau corrige cet effet volume endetaillant les strates dont les contributions a l’indice sont les plus fortes (tableau 5.5).

48


Tableau 5.5. Les zones de plus fortes contributions a la variation de prix a Parisau 1er trimestre 2001 (en %)

Arrondissement 16 6 7 18 4Part du parc de reference 7,4 2,4 2,9 11,4 1,8Part des transactions 7,9 2,3 3,0 12,1 1,7Evolution des volumes -1,3 7,6 3,6 -2,5 2,6Evolution des prix moyens 2,8 5,6 3,8 2,8 5,4Contribution 0,7 0,7 0,6 0,5 0,3Zone 2 4 16 3 13Part du parc de reference 2,7 2,9 9,4 3,0 7,8Part des transactions 2,4 3,0 9,9 2,9 7,6Evolution des volumes 4,0 3,6 -2,4 1,5 -5,0Evolution des prix moyens 9,0 3,8 2,9 1,5 2,8Contribution 0,7 0,6 0,4 0,3 0,3Quartier 61 51 70 22 55Part du parc de reference 3,3 2,3 4,9 0,5 1,7Part des transactions 3,6 2,2 5,5 0,4 1,7Evolution des volumes 13,0 20,7 5,2 29,7 8,6Evolution des prix moyens 2,7 4,6 2,2 7,2 0,1Contribution 0,8 0,5 0,5 0,3 0,2

La contribution Cj de la zone j est calculee de la facon suivante. Soit E l’evolution du prixmoyen P entre t− 1 et t pour un segment de parc correspondant a un indice, donc regroupant nzones :

E =pt

pt−1− 1

ou :

pt =

∑j=nj=1 pt

jvtj

V t

avec ptj , prix moyen au metre carre des transactions de la zone j a la periode t, et vt

j le volumetotal des transactions de la zone j a la periode t. On obtient donc :

E =1

pt−1[

∑j=nj=1 pt

jvtj

V t−∑j=n

j=1 pt−1j vt−1

j

V t−1]

E =j=n∑j=1

1pt−1

[pt

jvtj

V t−

pt−1j vt−1

j

V t−1] =

j=n∑j=1

Cj

Les Cj sont les contributions de la zone j a l’evolution du prix moyen entre t− 1 et t.Ces memes series de tableaux et graphiques sont repetees pour chaque indice provisoire et pour

les indices definitifs. Elles servent de base a un commentaire conjoncturel rapide qui donne evolu-tions trimestrielles et glissements annuels. Le tableau 5.6. synthetise les evolutions trimetrielles etles glissements annuels des sous-indices provisioires et definitifs.

INSEE Methodes 49


Fig. 5.3 – Evolution comparee des indices notaires-INSEE, de l’indice des prix a la consommationet de l’indice du cout de la construction

80,0

90,0

100,0

110,0

120,0

130,0

140,0

150,0

94

T4

95

T1

95

T2

95

T3

95

T4

96

T1

96

T2

96

T3

96

T4

97

T1

97

T2

97

T3

97

T4

98

T1

98

T2

98

T3

98

T4

99

T1

99

T2

99

T3

99

T4

00

T1

00

T2

00

T3

00

T4

01T

1P

Appart Paris Appart PC Appart prov. Maison prov. ICC IPC

Tableau 5.6. Evolutions annuelles et trimestrielles de l’indice et des volumes (pro-visoire 2001 t1 et definitif 2000 t4) en %

Evolution Glissement Evolution Glissementtrimestrielle annuel trimestrielle annuelde l’indice de l’indice du volume du volume

Prov. Def. Provi Defi Prov. Def. Provi Defit/t-1 t-1/t-2 soire nitif t/t-1 t-1/t-2 soire nitif

AppartementParis 2,3 2,1 12,0 12,9 -5,2 -8,5 -8,1 -8,2Pt.Couronne 0,4 2,0 8,6 9,0 -2,2 -14,5 -6,3 -3,8Province 1,4 1,6 6,8 6,8 3,7 1,0 8,9 5,7banlieue 1,9 1,9 8,3 7,8 3,7 1,1 7,4 5,4centre 1,3 1,4 6,4 6,7 3,4 0,8 8,9 5,3rural 1,3 0,9 6,0 5,7 5,4 1,7 11,9 7,8MaisonProvince 1,6 1,9 8,2 8,2 3,1 0,9 5,6 2,8

Les indices sont aussi compares a l’indice des prix a la consommation et a l’indice du cout dela construction (Fig. 5.3). On presente finalement les taux d’evolution trimestriels et annuels desindices d’Ile-de-France et de province (Fig. 5.4 et 5.5).

50


Fig. 5.4 – Taux d’evolution trimestriels des indices notaires-INSEE

-4,0%

-3,0%

-2,0%

-1,0%

0,0%

1,0%

2,0%

3,0%

4,0%

5,0%

95T

4

96T

2

96T

4

97T

2

97T

4

98T

2

98T

4

99T

2

99T

4

00T

2

00T

4

Appart Paris Appart PC Appart Prov. Maison Prov.

Fig. 5.5 – Taux d’evolution annuels des indices notaires-INSEE

-15,0%

-10,0%

-5,0%

0,0%

5,0%

10,0%

15,0%

20,0%

96T

1

96T

3

97T

1

97T

3

98T

1

98T

3

99T

1

99T

3

00T

1

00T

3

01T

1PAppart Paris Appart PC Appart Prov. Maison Prov.

INSEE Methodes 51


5.3 Publication

Les indices notaires INSEE sont publies quatre fois par an au Bulletin Mensuel de Statistique del’INSEE depuis juillet 2000, dans les numeros de janvier, avril, juillet et octobre. Les indices recentsde province peuvent aussi etre trouves sur le site internet de Perval,http ://www.immoprix.com.De meme ceux d’Ile-de-France sont sur le site de la CINP, http ://www.paris.notaires.fr. Les seriescompletes seront a partir de la fin 2002 sur le site de l’INSEE, http ://www.insee.fr, avec l’ensembledu Bulletin Mensuel de Statistique.

52

Chapitre 6

Les indices de prix des logementsa l’etranger

On a jusqu’ici decrit la methode de construction d’un indice de prix hedonique et presente samise en oeuvre pour obtenir les indices INSEE-Notaire. Cette methode presente plusieurs aspects :

– definitions de zones (strates), ou les evolutions de prix sont supposees homogenes ;– introduction de correctifs des effets qualites, zone par zone ;– estimation des effets correctifs a partir d’un parc d’estimation ;– calcul des evolutions de prix par zone entre dates successives a partir de l’ensemble des

transactions ;– calcul de l’indice en observant l’evolution de la valeur d’un parc de reference ;– publication reguliere d’indices et de sous-indices.Une telle demarche systematique semble nouvelle. Nous discutons dans ce chapitre des me-

thodes alternatives employees, pour determiner si elles sont theoriquement superieures, ou sielles sont preferees pour des raisons pratiques (contraintes budgetaires, disponibilite de donnees,contrainte plus ou moins forte de publication), ou du fait de comportements differents des menages(une plus grande mobilite favorisant les ventes repetees.). Finalement nous donnons dans le dernierparagraphe un descriptif des procedures suivies dans les divers pays, en insistant sur les questionsde collecte de donnees et sur les organismes gerant les calculs d’indices.

6.1 Comparaison des methodes

Il suffit de consulter la liste des references bibliographiques (chapitre 9) pour noter que lesmethodologies sont essentiellement de deux types : approche hedonique et approche par ventesrepetees. La premiere approche est de type econometrique, s’appuie sur des regressions incorporantdes effets qualite et un effet temporel, et assimile cet effet temporel a un pur effet prix a qualiteconstante. La deuxieme approche vise a eliminer les effets qualite en ne conservant que les donneessur les ventes successives, dites repetees. Nous rappelons rapidement les principes de ces deuxmethodes, les hypotheses qui leur sont sous-jacentes et discutons certaines de leurs variantes.

6.1.1 Approche econometrique (hedonique) ou interpreter les coeffi-cients du temps dans une regression comme un pur effet de prix‘a qualite constante’

Supposons qu’on dispose de plusieurs coupes instantanees d’echantillons de transactions im-mobilieres, donnant une mesure du prix et des caracteristiques logement/immeuble/quartier per-mettant l’estimation d’un modele hedonique. Le modele definit le niveau de prix en fonction descaracteristiques du logement. Les coefficients de ces caracteristiques sont supposes stables dans letemps, et un effet temporel vt est introduit dans le terme constant. Le modele s’ecrit :

53

6. Les indices de prix des logements a l’etranger

log pit = a +n∑

k=1

βkXkit + vt + eit,

ou les erreurs eit sont supposees independantes de meme loi centrees. Notons que l’effet straten’est pas introduit pour simplifier la discussion. De facon a rendre identifiable l’effet temporel,on suppose vt0 = 0 pour une date donnee, qui constitue alors la periode de base. L’evolution del’indice entre t0 et t est alors assimilee a la valeur vt, et celle de l’indice entre t− 1 et t a vt− vt−1.

Les hypotheses sous-jacentes a cette specification sont les suivantes :- Les variables retenues pour caracteriser un logement interviennent sous forme additive (apres

rappelons-le transformation eventuelle des caracteristiques initiales).- Les prix relatifs βk des caracteristiques Xk sont independants du temps, ce qui revient a

supposer l’absence d’effet croise de ces variables avec le temps.- Une fois corrige des effets des caracteristiques, les variabilites de prix sont constantes (absence

d’homoscedasticite des erreurs).- Les transactions introduites comme observations sont representatives de l’ensemble des biens

sur lesquels on souhaite calculer l’indice.Certains de ces aspects, comme la tendance des parametres βk sont classiquement etudies dans

la litterature. Si leur constance est habituellement rejetee sur longue periode, ce qui explique lanecessite de revision reguliere de l’indice, elle est habituellement acceptee sur des periodes pluspetites de l’ordre de 4 a 5 ans. Il existe une facon simple de verifier cette stablite temporellle. Eneffet si par exemple le coefficient de X1 depend de la date t, le modele initial apparaıt mal specifie,les variables croisees 11τ (t)X1it, τ variant, ayant ete omises. Ces variables sont orthogonales lesunes aux autres. Il suffit alors de reporter en fonction de la date τ , la correlation empirique entrela variable omise 11τ (t)X1it et le residu d’estimation ei,t. Si ces correlations sont proches de zero,le coefficient β1 est considere comme stable dans le temps. Sinon la forme de l’evolution de cettecorrelation en fonction de τ donne de l’information sur le type d’evolution du coefficient.

La representativite des echantillons de donnees a chaque date t par rapport a ce qui est theori-quement souhaitable pour un indice est une question moins souvent discutee. En fait si l’echantillonde la date t comporte des transactions dont les prix sont plus eleves que le prix theorique sur lapopulation, le coefficient temporel vt estime a partir des donnees traduira a la fois le niveau deprix theorique et le biais du a la non representativite de l’echantillon, sans qu’il soit possible defacilement distinguer ces effets (probleme d’identifiabilite). Deux approches peuvent cependantetre suivie pour detecter des non-representativites eventuelles.

1. La premiere, suggeree par Griliches (1971, p.7-8) dans un cadre different (indice de prix desautomobiles), consiste a distinguer dans les echantillons des dates t − 1 et t par exemple,les ventes repetees. On peut alors calculer sur ces ventes repetees les moyennes des residusa la date t− 1 et a la date t et voir si elle sont proches de zero. Cependant cette demarchevise plutot a verifier la representativite du sous-echantillon de ventes repetees, que celle desechantillons complets. Par ailleurs elle est difficile a mettre en oeuvre dans notre contexteou le nombre de ventes repetees est faible.

2. Une autre demarche repose sur l’evolution supposee de l’indice. Etant donnees des observa-tions v1, ...vt de l’indice entre 1 et T , on peut construire un modele dynamique permettantde fournir un intervalle de precision [vT+1, ˜vT+1] pour la valeur future vT+1. Si l’estimationde la date T + 1 n’est pas dans cet intervalle, on peut penser soit que l’echantillon de ladate T + 1 n’est pas representatif, soit rechercher une cause structurelle a cette brusquemodification des prix.

6.1.2 Methode des ventes repetees

Des 1943, Gaston Duon, travaillant dans ce qui etait l’ancetre de l’INSEE, s’interessait a l’evo-lution de la valeur venale des immeubles parisiens et utilisait des donnees de ventes repetees (Duon,1943 et 1946). La methode dite des ventes repetees a ete ensuite appliquee, avec des moyens de

54

6.1. Comparaison des methodes

calculs plus importants, par Bailey, Muth et Nourse (1963). Les auteurs ne posent pas directementla question du panier fixe de biens, mais font deux remarques. D’une part ‘la variation de qualitedes logements vendus d’une periode a l’autre fait que la moyenne des prix varie davantage que leprix de chaque bien pris individuellement’ ; d’autre part un changement progressif de la qualite deslogements echanges au cours du temps biaise l’evolution des prix moyens. Devant la difficulte despecifier un modele hedonique avec indicatrice de temps, en l’absence frequente de donnees sur lescaracteristiques des logements, ils proposent d’utiliser le fait que certains logements connaissentplusieurs ventes successives. Ces donnees sur des ventes repetees permettraient de se passer derenseignements detailles sur les caracteristiques des biens. Ces deux raisons, manque de donneessur les caracteristiques, difficulte technique de l’approche econometrique, restent aujourd’hui cellesinvoquees pour l’approche par les ventes repetees.

L’approche est facile a expliquer lorsque les ventes repetees ont lieu aux dates t− 1 et t. Dansce cas on assimile l’evolution des prix a l’evolution moyenne constatee sur ces ventes repetees.Implicitement ceci correspond, a un modele du type :

log pi,t = logpi,t−1 + bt + ui,t−1,t, i ∈ It−1,t,

a une date t donnee. It−1,t designe l’ensemble des logements echanges a la fois en t − 1 ett, et bt l’evolution generale recherchee. Cependant meme si la mobilite est grande, il y a peu deventes repetees aussi rapprochees. L’approche est donc etendue pour prendre en compte des ventesrepetees ayant lieu a deux dates t1 et t2, t1 < t2, pouvant etre plus eloignees. Le modele sous-jacentdevient alors :

log pi,t2 = logpi,t1 +t2∑

t=t1+1

bt + ui,t1,t2 , i ∈ It1,t2 ,

pour t1 et t2 variant. Il peut etre reecrit en faisant intervenir les variables explicatives des datesZi,t = 1 si la date t figure dans la periode entre les dates d’echange, Zi,t = 0 sinon. Le modeledevient alors :

logpit2

pit1

=T1∑

t=T0

btZi,t + ui,t1,t2 , i ∈ It1,t2 ,

ou [T1, T2] donne l’intervalle de temps union de toutes les intervalles [t1, t2]. Sous cette formeil s’agit d’un modele lineaire dans les parametres d’interet bt, t variant, donnant les evolutions deprix aux diverses dates. Ce modele est habituellement estime par moindres carres ordinaires.

Cependant si l’intervalle de temps entre ventes repetees couvre plus de deux periodes, il yaura des recouvrements de periodes correspondant aux divers logements, donc il pourrait y avoirdes correlations entre termes d’erreurs, qui devraient alors etre prises en compte au niveau de lamethode d’estimation.

Pour mettre en evidence ce probleme eventuel et comprendre pourquoi les effets qualite ontdisparu, il est interessant de se placer dans le cadre de modele hedonique vu au paragrapheprecedent :

log pit = a +∑

βkXk,i,t + vt + eit,

avec eit = uit + ηi,ou les termes d’erreur uit, ηi sont supposes independants entre eux, centres. Si l’ensemble des

ventes repetees ayant lieu en t1, t2 est representatif de l’ensemble de tous les logements, on a :

logpi,t2

pi,t1

= vt2 − vt1 + ui,t2 − ui,t1 , i ∈ It1,t2 .

On verifie alors que l’approche par ventes repetees avec estimation par moindres carres estcoherente avec bt = vt − vt−1 et

∑t2t1+1 bt = vt2 − vt1 , puisque les termes d’erreurs ui,t1,t2 =

ui,t2 − ui,t1 sont bien independants, de meme loi.

INSEE Methodes 55


On peut finalement compliquer et affiner le modele en prenant en compte la depreciation natu-relle des logements (nette des ameliorations apportees), ou d’autres variables de qualite susceptiblesd’evoluer entre deux ventes (par exemple un element de confort qui a ete ajoute au logement).

En resume, la methode des ventes repetees suppose :– que les prix relatifs des caracteristiques soient constants dans le temps. C’est la meme hy-

pothese que dans les applications usuelles de la methode hedonique. Mais elle a sans doutemoins de chance d’etre verifiee sur la periode relativement longue qui peut separer deuxventes successives du meme logement.

– qu’il n’y ait pas de biais de selection. Cependant les logements vendus frequemment ne sontpas forcement representatifs de l’ensemble des transactions, ni du parc de logements. Ceseraient par exemple des petits logements (premiers logements de jeunes couples) dont lesprix evolueraient differemment de ceux des logements plus grands ; ou alors des logementsrevendus tres vite presentant des caracteristiques inobservables, liees au vendeur, qui peuventexpliquer des plus-values importantes. Clapp et al. (1991) trouvent ainsi une difference dansl’evolution a court terme des indices de ventes repetees par rapport aux indices hedoniques,mais cette difference disparaıt a long terme (3 ans), ce qui leur semble logique : si le marchefonctionne, il ne peut y avoir de desequilibre a long terme des prix relatifs1. Vues les distor-sions sur des periodes inferieures a trois ans ils recommandent l’application des methodeshedoniques. Case et al. (1997) proposent de corriger cet effet en incoporant l’information surle lien entre taux d’appreciation d’un logement et frequence de transaction.

– que le logement soit bien le meme. En realite, le simple passage du temps fait qu’il se deprecie.En sens inverse, les rehabilitations, voire des modifications plus importantes (extensions,amenagements) sont frequentes, qui font que le logement n’est plus le meme. Ces deuxderniers problemes peuvent etre pris en compte en combinant modele hedonique et donneessur ventes repetees ; ceci permet aussi de corriger un defaut de la methode des ventes repetees :le fait qu’elle n’utilise que peu d’observations par rapport a l’ensemble des transactions, eneffet les logements changent de main assez peu souvent.

– Que les termes d’erreurs ui,t sont bien independants, centres, de meme variance. Or cettehypothese est vraisemblablement non satisfaite. Ces erreurs portent en effet sur des prix, quien moyenne croissent avec le temps, d’ou de l’heteroscedasticite. Par ailleurs on s’attend aune correlation plus forte entre le prix de dates proches que de dates eloignees. Il apparaıtainsi important d’introduire une correlation temporelle entre les erreurs ei,t, ce qui modifiela methode d’estimation des taux d’evolution bt.

Notons que pour la France, la methode des ventes repetees2, pour les periodes et les zones quise recoupent, ne donne pas de resultats tres differents de ceux des indices notaires-Insee3 (Friggit,2001).

6.1.3 Indice de Laspeyres ou indice chaıne

Une large part de la theorie classique des indices est consacree au choix des ponderations.Celles-ci doivent-elles etre fixees une fois pour toute, prises soit egales a un ensemble de quantitesechangees a une date initiale (indice de Laspeyres), ou a une date terminale (indice de Paasche) ?Faut-il au contraire les modifier a chaque date de calcul de l’indice (indice chaıne) ? Ces questionsconcernent la composition du portefeuille par strate.

Il faut immediatement noter que la methode des ventes repetees peut difficilement etre appli-quee a un niveau fin de strates, du fait du nombre relativement faible de telles ventes. En agregeantles strates, la methode conduit naturellement a une optique d’indice chaıne ou les poids affectes

1Mark et Goldberg (1984) trouvent eux une difference persistante sur longue periode.2Appliquee aux donnees notariales, sur longue periode (comparaison de prix, sans econometrie). Voir Friggit

(2001c).3La methode de ventes repetees donne des resultats mediocres sur le passe recent, a cause du faible nombre

d’observations et du biais de selection mentionne ci-dessus sur les durees de detention courtes (la plus-value sur lesbiens revendus rapidement est superieure a la plus-value de l’indice). La comparaison a donc ete effectuee apresincorporation d’un coefficient correcteur calibre sur Paris.

56

6.2. Les indices publies : pays, methode, organisme responsable

aux strates les plus fines varient dans le temps. En fait la structure des ventes repetees se modifiedans le temps et la facon dont d’effectue le chaınage ne peut etre precisee, sans que ce problemesoit evoque par les utilisateurs de la methode.

A contrario l’approche hedonique peut etre utilisee pour construire des indices de type Las-peyres, Paasche ou chaıne. Il semble preferable de ne pas retenir un indice chaıne pour faciliterles comparaisons de prix avec les autres types d’investissement, financiers par exemple. En effet lapratique est pour ces derniers de suivre un portefeuille de composition fixee (dit cristallise) de facona ne pas meler les effets prix et ceux de mise a jour de portefeuille, c’est-a-dire de strategie d’inves-tissement. Ceci semble d’autant plus justifie pour des indices de prix de logement que le logementest un bien durable qui entraıne de forts couts de transaction. La justification du chaınage pour lesindices de prix a la consommation (ou celle de la revision annuelle des ponderations) reside dansle fait que l’on veut prendre ainsi en compte les changements de preference des consommateurs.En matiere de logement on peut difficilement supposer que les adaptations sont immediates, onne change pas de logement comme de chemise. Il est donc encore plus justifie que pour les autresplacements de chercher la valeur d’un portefeuille fixe dans le temps puisque le logement compteparmi les plus illiquides des actifs.

6.2 Les indices publies : pays, methode, organisme respon-sable

Publier regulierement des indices semble demander une structure d’organisation assez impor-tante, aussi bien au niveau de la collecte des donnees, de la verification de leur qualite, que dela construction elle-meme d’indices ou de systemes experts. Nous decrivons ci-dessous certains deces indices ou systemes experts disponibles, sans pretendre a l’exhaustivite. On constatera surtoutla grande variete des modes de collecte (donnees de transactions obtenues par recensement ouenquete, donnees d’enquete specifique ou sous-produit d’une activite administrative, prix affiches,avis d’experts), ou des methodes utilisees (simple comparaison de prix moyens de transactionnegligeant les effets qualite, ventes repetees, methodes hedoniques).

i) France : indicesTableau 6.1. Les indices de prix des logements en France

Organisme Organisme Donnees Methode Regulariteresponsable charge du calculINSEE PERVAL Transaction Hedonique TrimestrielNotaires CNIP RecensementFNAIM Prix Evolution de Trimestriel(Agences affiches de prix moyens maisonsImmobilieres) (ou realises) par strate appartements

ii) Grande-BretagneLa Grande-Bretagne est traditionnellement une nation de proprietaires, il n’est pas etonnant

que les donnees sur les prix y semblent nombreuses. Mais elles sont heteroclites et aucune neparaıt faire l’unanimite du point de vue methodologique. Il existe des publications d’indices privesdont le plus ancien semble etre le ‘Halifax monthly house price index’, base sur un echantillon dedemande de prets aupres de cette societe (certaines de ces demandes ne donneront pas lieu a venteeffective). L’echantillon est actuellement de 13 500 transactions par mois. Les indices remontenta 1983 et couvrent differentes categories de logements : neuf ou ancien, premier logement ou non.Les indices nationaux sont mensuels, les indices regionaux sont trimestriels. La methode est celledes indices hedoniques, appliquee a un panier de logements de 1983 (elle est decrite succinctementa l’adresse internet suivante : http ://www/hbosplc/com).

La banque Barclays et la Royal Institution of Chartered Surveyors (RICS) produisent aussi desdonnees mensuelles sur les prix des logements. Les Building Societies publient un indice mensuel

INSEE Methodes 57


base sur des donnees de demande de prets et valorise un panier fixe de logements par calcul demoyennes par strates de caracteristiques donnees (http ://www.nationwide.co.uk/hpi).

Des donnees officielles sont fournies par HM Land Registry. Par rapport aux donnees pre-cedentes, elles couvrent la grande majorite des ventes (qu’il y ait eu emprunt ou non), maisne sont que des moyennes non ponderees, non ajustees, pour l’Angleterre et le Pays de Galles(http ://www.landreg.gov.uk). Le ministere des Transports, du Gouvernement local et des Re-gions (Department for Transport, Local Government and the Regions) conduit une enquete men-suelle (Survey of Mortgage Lenders) aupres des organismes preteurs sur le marche de l’immobi-lier d’habitation. Jusqu’en 2000 l’echantillonage etait de 5%, il atteindra progressivement 100% ;un indice de prix est donc publie mensuellement au lieu de trimestriellement a partir de 2002.Comme dans le cas des Building Societies, il s’agit d’un ‘mix-adjusted index’, donc de moyennesde prix etablies par ponderation de moyennes dans des strates fixes de qualite de logements(http ://www.housing.dtlr.gov.uk) .

Tableau 6.2. Les indices de prix des logements en Grande-Bretagne

Organisme Organisme Donnees Methode Type deresponsable charge du calcul publicationHalifax Halifax Transactions Hedonique mensuel, trimestrielBank of Scotland financees par HBO repetees par grandes regionsHM Land prixRegistry moyens

Department Housing Enquete Comparaison annuelfor Transport aupres org prix par strate par region

preteursNationwise prix Comparaison par EtatBuilding affiches prix moyens mensuelSocieties ou medians

iii) Etats-UnisLes bases de donnees disponibles pour construire les indices sont diverses : declarations aux

impots, bases possedees par des societes de services (privees et souvent couteuses), base de laFederal National Mortgage Corporation (Freddie Mac), qui est l’un des acteurs principaux dela titrisation de credits hypothecaires (cette base comporte debut 2002 plus de 15 millions depaires de ventes depuis 1975). Freddie Mac publie des indices trimestriel appeles CMHPI, pourConventional Mortgage Home Price Indexes. La source d’information en est les transactions surles maisons individuelles (single family units) dont les prets de type conventionnel ont ete emis ougarantis par Freddie Mac ou Fanny Mae, c’est-a-dire etaient conformes aux reglements en vigueuraupres de ces deux organismes et ne depassaient pas un certain montant, par exemple $ 300 000 en2002. Des indices tres similaires sont publies a partir des memes donnees par le Office of FederalHousing Enterprise Oversight, l’organisme de controle de Freddie Mac et Fanny Mae. Les indices(et leur volatilite) sont disponibles en ligne a http :/www.ofheo.gov/house. La serie en base 100en 1980 remonte a 1975.

Les economistes Karl Case et Robert Shiller ont fonde en 1991 une societe (Case Shiller WeissInc.) de recherche sur les prix de l’immobilier residentiel. Elle acquiert toutes les donnees detransactions possibles, les trie et les analyse pour publier des indices locaux et des previsions. Lechamp comprend les maisons individuelles et les appartements en condominium. Si le nombre detransactions le permet, un indice est publie au niveau de chaque zone geographique, pour troisqualites de maisons : basse, moyenne et haute. La societe commercialise les indices et, entre autresactivites, fait de la valorisation de portefeuilles immobiliers. Les previsions par grande ville sontdisponibles en ligne a http ://www.cswv.com. Ces indices et les previsions sont publies par leWall-Street Journal sous le nom de Case-Shiller House Price Index.

L’indice publie par le Bureau du recensement (departement du Commerce) est l’indice C27.

58

6.2. Les indices publies : pays, methode, organisme responsable

C’est un indice a qualite constante (CQHPI, constant quality house price index), etabli a partird’enquetes mensuelles sur les ventes de maisons, neuves ou non. L’echantillon est de 12 000 maisonspar an.

Les agents immobiliers publient aussi des prix moyens et medians, des volumes de ventes, desstocks de logements a vendre, pour les maisons et les appartements, mensuellement, par region etEtat (en ligne a http ://nar.realtor.com).

Tableau 6.3. Les indices de prix des logements aux USA

Organisme Organisme Donnees Methode Type deresponsable charge du calcul publicationFreddie Freddie Base Ventes par grandesMac et Mac et Freddie Mac repetees villesOFHEO OFHEO ponderees et EtatsWall Street Case Shiller Achat de toute Ventes trimestrielJournal Weiss Inc. base de donnees repetees depuis 1993

Cambridge, Mass. disponibleBureau Departement Enquete Comparaison annueldu Census du Commerce prix maison par region

de reference C27 indexNational prix Comparaison par Etat,Association affiches prix moyens mensuelof Realtors dans agences ou medians

Il faut aussi mentionner l’indice du National Council of Real Estate Investment Fiduciaries,dit NCRGIF (Frank Russel-NCRGIF jusqu’en 1995). Il s’agit d’indices qui mesurent l’evolutionde la rentabilite des appartements et des proprietes commerciales, industrielles ou des bureauxdetenus dans le portefeuille des membres du NCREIF. Ces donnees sont trimestrielles et disponiblespar grandes regions americaines depuis 1978. Les valeurs sont etablies a dires d’experts (voirhttp ://www.ncreif.com).

iv) Hong-Kong : indiceIl existe une base de donnees de transactions, disponible au Register General Department,

mais qui est mal renseignee sur certaines caracteristiques, notamment ne l’est pas sur le nombrede pieces des logements.

Tableau 6.4. Les indices de prix des logements a Hong-Kong

Organisme organisme Donnees Methode Type deresponsable charge du calcul publicationThe Hong Kong Rating and Comparaison TrimestrielProperty Review valuation de prix par quartier(gouvernmental) department moyen depuis 1982

v) Israel : Systemes experts de valorisationGemolav et Levi Izhak sont deux societes commerciales concurrentes. Les prix sont disponibles

par ville et rue.Tableau 6.5. Les systemes experts de valorisation en Israel

Organisme Donnees Methode Type deresponsable publicationGemolav Enquete telephonique Confidentiel mensuelleLevi Izhak Enquete telephonique Confidentiel mensuelle

INSEE Methodes 59


vi) SuedeLa Suede est un pays de petite taille a l’habitat assez homogene, dont le systeme statistique

est tres developpe. Il y existe des donnees exhaustives collectees par le bureau de statistique(SCB) sur l’integralite des transactions immobilieres, les prix de marche, ainsi que des prix a diresd’experts, etablis par les services fiscaux et revises tous les 5 ans, mais de qualite eprouvee carservant de base a la taxation. Comme chaque logement est repere par un identifiant, et que sescaracteristique detaillees sont connues dans les sources fiscales, on pourrait estimer des indiceshedoniques et de ventes repetees, ou combiner les deux methodes. Les indices de SCB (Fastighets-prisindex) sont bases sur des prix medians de toutes les transactions de gre a gre (en excluant lesventes au sein d’une famille) et sont publies trimestriellement pour huit grandes regions depuis1986 (annuellement depuis 1975). La methode est une variante de la methode hedonique, les prixdes caracteristiques etant evalues plutot qu’estimes directement. On definit des zones homogenesde prix et des logements-type. Dans chaque strate le ratio des prix de ventes effectifs aux va-leurs expertisees est calcule, l’indice etant la somme ponderee de ces ratios. Ceci se rapprocheun peu de notre methode qui maintient les coefficient β fixes. En Suede ils sont fixes tant queles estimations a but fiscal ne sont pas revisees. On trouvera les indices a l’adresse suivante :http ://www.scb.se/statistik/bo0501/bo0501tab1.asp. Ils sont assez proches de ceux qui ont puetre calcules par une methode combinant modele hedonique et ventes repetees (voir Englund etal., 1998 et 1999).

Tableau 6.6. Les indices de prix des logements en Suede

Organisme Organisme Donnees Methode Type deresponsable charge du calcul publicationStatistic Toutes Prix par grandesSweden SCB transactions medians regionsSCB et evaluations et hedonique trimestriel

vii) SuisseLa construction de l’indice est geree par l’une des banques de la place de Zurich.

60

Chapitre 7

Systemes experts

7.1 Utilite des systemes experts

La construction d’indices hedoniques repose sur des modeles permettant d’evaluer tout bien decaracteristiques donnees. Elle s’accompagne habituellement de la mise en place de systemes expertsde valorisation utilisables en ligne. L’utilisation de ces systemes differe de celles des indices eux-memes. Les indices servent par exemple pour les analyses macroeconomiques, l’etude des cyclesde l’immobilier, la gestion de portefeuilles comportant des produits immobiliers, et le suivi desrisques induits. Les systemes de valorisation repondent a des demandes individuelles sur des biensspecifiques, fournissant alors un prix ou une fourchette de prix de reference.

Ils sont ainsi utiles :

i) aux acheteurs et vendeurs potentiels de biens immobiliers ;

ii) aux institutions de credits, puisque le montant maximal d’un pret hypothecaire devrait de-pendre de la valeur reelle du gage, qui peut differer sensiblement de la valeur de transactionet des previsions de ses valeurs futures au moment ou le gage est susceptible d’etre realise ;

iii) a la direction des impots, qui par comparaison des prix declares de transaction et des prix dereference peut detecter des fraudes eventuelles et qui a besoin de valeurs de reference pourfixer le montant des impots fonciers ;

iv) aux comptables, qui devraient evaluer l’immobilier figurant dans les bilans au prix de marche(norme dite mark to market).

v) aux amenageurs urbains, qui peuvent influer sur les prix de l’immobilier, donc sur le type dedeveloppement des villes, par les decisions d’implantation des services publics ou des modesde transport.

7.2 Construction des systemes experts

Nous avons vu que les indices hedoniques sont construits a partir des caracteristiques rensei-gnees dans les contrats de transactions immobilieres. Il s’agit principalement de caracteristiquesphysiques objectives : quartier, surface, nombre de pieces, etage, nombres de salles de bain... Cesquelques caracteristiques sont suffisantes pour la plupart des applications macroeconomiques oufinancieres. En revanche les systemes experts doivent inclure des variables supplementaires, quipeuvent etre renseignees soit par le systeme lui-meme, soit par l’utilisateur. Il faudra evidemmentestimer les effets additionnels de ces variables sur les prix, ce qui necessite souvent des enquetescomplementaires et l’interrogation d’experts. Ces analyses complementaires sont facilitees par lefait que les systemes sont souvent introduits pour des zones restreintes, par exemple une villedonnee.

61

7. Systemes experts

De facon a faciliter la mise a jour du systeme et sa programmation informatique, les principauxfacteurs explicatifs sont regroupees selon leur interpretation et la facon, dont ils peuvent etrerenseignees. On peut en distinguer trois grandes categories :

les caracteristiques physiques du logement (deja en partie prises en compte dans la constructiondes indices),

les variables de zonage, qui refletent la structure du quartier et permettent de comprendre unepartie de l’heterogeneite des prix a l’interieur d’un quartier et entre quartiers, (en partieprises en compte par la stratification a priori)

les variables subjectives de confort, d’environnement...

Nous discutons ci-dessous ces variables additionnelles (voir aussi l’annexe 10.6).

7.3 Variables de zonage.

Le systeme peut inclure de l’information sur la structure de la ville, par exemple l’emplace-ment des ecoles, des eglises, des centres commerciaux, du ou des centre-villes, ainsi que sur lesmoyens de transports : metro, tramway, voies rapides... Pour chaque bien immobilier, on peutalors calculer automatiquement sa proximite aux principaux centres d’interets : ecole, eglise,..., endistance et en temps. Ce sont de telles mesures de proximite qui sont introduites comme variablessupplementaires.

Des zonages plus precis peuvent etre effectues avec l’aide de specialistes, mais sont beaucoupplus subjectifs. Ils consistent a partitionner chaque rue, par exemple, pour savoir quels sont lesbons emplacements, les bons immeubles..., a reperer les voies privees...

La pratique du zonage conduit a des presentations geographiques des informations et desresultats. Afin d’avoir une vue d’ensemble des valeurs et de leur heterogeneite, on reporte sur desplans de ville, incluant les voies principales et les services publics, les valeurs de reference, leursevolutions, les valeurs de caracteristiques, ou meme les residus d’estimation. Ici, a titre illustratifnous avons reporte sur une carte de Paris les prix moyen du parc de reference (prix sous-jacent al’indice) a trois dates, de meme que les evolutions de ces prix (figures 7.1 a 7.3). Il va sans direque le systeme expert associe aux indices Notaires-INSEE ne peut etre pour le moment qu’unelement parmi d’autres dans l’evaluation d’un bien. Il conviendrait, comme il a ete dit plus haut,de completer les variables presentes dans les bases notariales par des donnees de qualite plus fines(voir aussi annexe 10.7).

7.4 Variables de confort et d’environnement

La plupart de ces variables sont subjectives et leur introduction n’a de sens que si l’expertet l’utilisateur ont la meme apprehension de ces variables. Ceci peut etre le cas pour des sys-temes experts utilises par des agents immobiliers, ou une fraction de ceux-ci a servi a l’expertise.Ces variables sont souvent qualitatives. Ce sont par exemple : l’etat general de l’appartement,l’orientation, la luminosite, la vue1...

Signalons que les systemes experts peuvent etre completes par des analyses des preferences in-dividuelles des clients potentiels (individus). On peut ainsi effectuer des enquetes complementairesaupres des individus, incluant des questions sur leurs caracteristiques individuelles (age, categoriesocio-professionnelle, taille de la famille, niveau d’education), sur les qualites qu’ils trouvent aulogement et sur leur consentement a payer (combien seriez-vous pret a payer pour tel type delogement ?). Ces informations permettent de comprendre une partie de l’heterogeneite observeedes prix de transaction, mais aussi de segmenter la population de clients pour savoir quel bienproposer a tel type de client et a quel prix maximal.

1Voir en annexe 10.6 des exemples de variables pouvant etre introduites dans des systemes de valorisation.

62

7.4. Variables de confort et d’environnement

Fig. 7.1 – Paris : prix moyen du parc de reference selon l’arrondissement, en Euro (note E), en1990 t3 et 1996 t3

Prix au m² du parc de référence en 1990 t3


INSEE Methodes 63

7. Systemes experts

Fig. 7.2 – Paris : prix moyen du parc de reference selon l’arrondissement, en Euro (note E), en2001 t3


64

7.4. Variables de confort et d’environnement

Fig. 7.3 – Evolution 1990-2001 et 1996-2001 des indices a Paris selon l’arrondissement

Evolution des prix au m² du parc de référence de 1990 t3 à 2001 t3

Evolution des prix au m² du parc de référence de 1996 t3 à 2001 t3

INSEE Methodes 65

7. Systemes experts

66

Chapitre 8

Produits financiers et immobilier

Une grande variete de produits immobiliers ou lies a l’immobilier (parts de societes civilesimmobilieres, credits hypothecaires, credits aux promoteurs, produits derives de credits) figuredans les portefeuilles des menages, des banques ou dans les bilans de certaines entreprises. Commepour tout produit financier, leurs valeurs futures sont incertaines et peuvent receler des risques.Contrairement a l’idee largement repandue que ‘la pierre est un investissement sur’, ces risquespeuvent etre importants, pouvant meme entraıner des faillites potentielles d’etablissements, sou-vent d’ailleurs en chaıne. Ainsi dans les annees 1980-1990 les pertes des etablissements financiersont ete dues par ordre decroissant :

aux credits aux entreprises (Credit-Lyonnais),

a l’immobilier (Comptoir des Entrepreneurs, Credit Foncier, Caisses d’Epargne americaines),

et loin derriere

aux interventions sur les marches derives (Barings).

En 1996 le Comite de Bale, rassemblant les Gouverneurs des Banques Centrales, a institueun systeme de surveillance des risques pris par les etablissements financiers. Pour chaque typede produit figurant dans le bilan, c’est a dire actions, obligations, options, immobilier, credits...,l’etablissement doit evaluer le risque pris a un certain horizon (qui peut varier selon les produits), eten deduire un montant de reserve a mettre de cote pour couvrir ce risque potentiel. Ce montant dereserve est appele Valeur a Risque (VaR). La determination de la VaR est actuellement en placepour les produits de marche simples (actions, obligations, devises, options), c’est-a-dire pour lesproduits qui etaient le moins risques et les mieux connus. Depuis un an les etablissements doiventenvisager le calcul des montants de reserve pour les produits plus complexes comme l’immobilier,les credits.., et butent sur la meconnaissance des prix des produits et de leurs evolutions futures.La date butoir actuellement indiquee pour ce calcul est 2006.

A ce niveau il faut distinguer divers produits lies a l’immobilier :

le sous-jacent, c’est-a-dire l’immobilier lui-meme,

les produits derives de l’immobilier : les credits hypothecaires, les credits aux promoteurs, lesparts de Societes Civiles Immobilieres, les options sur indice immobilier,

les produits derives de credits immobiliers.

8.1 Risques sur l’immobilier

Ils sont dus a des variations, qui peuvent etre assez rapides, des prix de l’immobilier (risquede prix), mais aussi a la difficulte eventuelle de revendre rapidement a un prix raisonnable unbien (risque de non liquidite).

L’existence d’indices de prix de l’immobilier permet d’analyser par des techniques usuellesl’evolution des prix, en distinguant les evolutions a moyen terme des variabilites (volatilite). On

67

8. Produits financiers et immobilier

peut alors, en supposant a priori une certaine liquidite du bien immobilier, gerer de facon coherenteun portefeuille incluant des actifs immobiliers et d’autres actifs comme des actions par exemple.

Malheureusement le risque de non liquidite est important, evolutif, difficile a connaıtre a priori.Ainsi la construction d’indices de prix de l’immobilier, meme desagreges, se revele insuffisante pourle controle des risques pris sur l’immobilier. Elle doit etre completee par une diffusion reguliere :

d’indices de volatilite, qui peuvent se deduire assez facilement des indices de prix initiaux ;d’indices de liquidite, qui s’apparentent a des mesures des volumes de transaction et devraient

aussi etre corriges d’effets qualites ;d’indices de volatilite des transactions, car les volumes echanges peuvent egalement se reveler

tres erratiques,

A titre d’exemple, nous allons expliquer comment construire des indices de volatilite. Rappelonsqu’une volatilite mesure la variabilite conditionnelle de rendements. Pour un bien de caracteris-tiques donnees, le rendement entre t et t + 1 peut etre approche par :

ri,s,t+1 = log p (i, s, t + 1)− log p (i, s, t)

= log p∗s,t+1 − log p∗s,t + εi,s,t+1 − εi,s,t.

Du fait des hypotheses sur le terme d’erreur, nous en deduisons une decomposition de lavolatilite en :

σ2s,t = Vtrs,t+1 = Vtr

∗s,t+1 + η2

s,t+1 + η2s,t,

ou Vt designe une variance conditionnelle a l’information disponible en t et r∗s,t+1 les rendementscalcules a partir des seules valeurs de reference. On peut alors appliquer aux series de rendement dereference des modelisations de type autoregressive conditionnellement heteroscedastiques (ARCH)par exemple, de facon a obtenir une evaluation σ∗2

s,t ' Vtr∗s,t+1 de la volatilite de reference, et en

deduire une approximation de la volatilite recherchee par :

σ2s,t = σ∗2

s,t + η2s,t+1 + η2

s,t.

Ainsi l’indice de volatilite comporte deux composantes, celle relative a la variabilite de la valeurde reference, et celle, dite idio-syncratique, mesurant l’heterogeneite des rendements a l’interieurde la strate.

8.2 Risques sur les credits hypothecaires.

Bien qu’un credit, disons a taux fixe et mensualite constante, soit considere par la theorie eco-nomique comme un produit simple, detenu a decouvert (c’est-a-dire en negatif) par l’emprunteur,en positif par le preteur, il n’en est rien en pratique. En fait il s’apparente a une option sur le bienimmobilier sous-jacent. Ceci est du a deux phenomenes :

l’existence d’une probabilite de defaillance de l’emprunteur et la possibilite pour le preteur derecuperer dans ce cas une partie du bien immobilier,

les comportements de remboursements anticipes des credits par l’emprunteur, qui peuventdependre du prix de l’immobilier.

Le type d’option depend des reglementations existant pour le credit. Dans la suite nous conside-rons la reglementation anglo-saxonne (U.S.A, Canada, Royaume-Uni), etudiee dans la litteratureappliquee et pour laquelle ces phenomenes sont les plus faciles a comprendre. Ses deux caracteris-tiques principales sont :

en cas de defaillance l’autorisation de recuperer le capital restant du (CRD) ou une partie decelui-ci sur le bien hypotheque, mais l’interdiction d’effectuer cette recuperation sur les autrescomposantes du patrimoine, ou sur les revenus futurs de l’emprunteur. Il y a implicitementun ‘compte immobilier’ separe.

68

8.2. Risques sur les credits hypothecaires.

Par ailleurs il n’y a aucune penalite pour remboursement anticipe (RA), c’est-a-dire pour unremboursement avant le terme contractuel du credit.

Avant d’analyser de facon detaillee les consequences des defaillances et des remboursementsanticipes, il est bon de considerer le cas ideal d’un credit taux fixe, mensualite constante, disonsa 10 ans. Pour un montant prete de M , la mensualite recue par l’etablissement preteur sera :m = Ma(r, H), ou r est le taux d’interet et H le nombre de mensualites et a(r, H) designe lamensualite par euro prete. Cependant cet etablissement de credit ne possede pas le montant Met doit lui-meme se refinancer. La pratique ancienne, c’est-a-dire d’il y a une quinzaine d’annees,consistait pour lui a emprunter le meme montant, au meme horizon, mais a un taux plus faibler∗ < r, que ne pouvait recevoir le client initial. L’etablissement de credit joue alors un simple roled’intermediaire, et recoit pour cette fonction d’intermediation la remuneration mensuelle constanteet certaine : M [a (r, H)− a (r∗,H)] > 0.

Ce schema ideal est tres modifie en cas de defaillance ou de remboursement anticipe, car ily a alors inadequation entre les flux recus et ceux qui doivent etre verses pour le refinancement,c’est-a-dire en langage actuel un defaut de couverture. Nous allons l’illustrer par l’exemple duremboursement anticipe, qui a priori paraıt favorable au preteur, puisque le client remboursemieux que prevu. Supposons que l’emprunteur rembourse au bout de 2 ans le capital restant du :CRD24. Si le preteur s’est refinance sans possibilite de remboursement anticipe, ce qui etait lecas pour les prets entre etablissements financiers, il doit utiliser la somme CRD24 pour payer lesmensualites residuelles Ma (r∗,H). Pour cela il peut preter cette somme a horizon H−24 au tauxr∗∗ existant au 24eme mois. Il recoit alors regulierement un montant Ma (r∗∗,H − 24). Il peutalors etre amene a supporter des pertes, s’il y a une forte baisse des taux dans les deux premieresannees.

Il reste a expliquer de quelle facon defaillance et remboursement anticipe dependent des prixde l’immobilier. On se souviendra ici du contexte nord-americain, ou les individus sont mobiles etou il y a peu de couts de transactions.

a) DefaillanceIl existe diverses causes de defaillance. Par exemple l’individu peut se retrouver au chomage,

avoir une baisse de ses revenus et ne plus etre capable de payer ses mensualites. Mais il y aaussi des defaillances volontaires. Ce sont celles-ci, qui ont induit des pertes importantes pourles etablissements de credit anglo-saxons. Considerons la situation de l’emprunteur qui se declaredefaillant au mois h. Le preteur peut recuperer sur le bien a concurrence du capital restant duCRDh. Le montant recupere est :

CRDh, si CRDh < ph,ph, si CRDh > ph,

ou ph designe le prix du bien. Dans la situation CRDh < ph l’emprunteur paye ce qu’il doit etrecoit la difference ph − CRDh, ce qui est pour lui une situation neutre. En revanche dans lasituation CRDh > ph, il a implicitement reussi a vendre son bien immobilier CRDh, alors que savaleur est ph, et realise donc un gain de CRDh − ph.

Ainsi en periode de baisse des prix de l’immobilier, les emprunteurs ont interet a se declarerdefaillants et a changer de logement. Le preteur supporte alors une perte de CRDh − ph.

b) Remboursement anticipeIl y a diverses causes de remboursement anticipe. L’une d’entre elles est due aux renegociations

des prets a taux fixes dans le cas de baisse des taux. Cette raison est negligeable aux Etats-Unisou la majeure partie des credits est indexee. Il y a aussi remboursement anticipe, lorsque l’individudecide de changer de region pour avoir un meilleur emploi. Dans sa decision il va prendre en comptele differentiel de revenu dans les deux emplois, mais aussi les prix relatifs de l’immobilier. Ainsiune forte hausse de l’immobilier a Paris peut inciter les Parisiens proprietaires de leur logementa s’installer en province et induire des vagues de remboursements anticipes sur les prets accordesdans la region parisienne.

INSEE Methodes 69

8. Produits financiers et immobilier

Defaillance et remboursement anticipe font que, pour le preteur, les credits a taux fixes etmensualites constantes, ne sont pas des titres a revenu fixe, assimilables a des obligations, maisont des flux variables, fonction de l’evolution des prix de l’immobilier et de son heterogeneite entrezones. La prevision des flux futurs demandent alors une bonne analyse des comportements dedefaillance et de remboursement anticipe des emprunteurs et une bonne connaissance des prix desbiens.

8.3 Titrisation

Finalement le refinancement des prets hypothecaires accordes par les etablissements de creditset les banques s’effectue de moins en moins par des prets directs entre etablissements et de plusen plus par l’intermediaire de marches organises.

L’idee de la titrisation est la suivante. On considere un portefeuille bien defini de creditsaccordes par un etablissement. Celui-ci va fournir des flux monetaires aux dates ulterieures, fluxpartiellement inconnus du fait des defaillances ou des remboursements anticipes. Les configurationspossibles de flux sont alors decomposees pour creer divers titres echangeables sur les marches,appeles Mortgage Backed Securities (MBS), c’est-a-dire actifs adosses a des prets hypothecaires.Dans cette decomposition, on cree divers types de titres :

certains sont proches d’obligations a revenu fixe de diverses maturites ;

d’autres vont capturer les parties tres risquees du lot de credit hypothecaires.

La premiere categorie est tres liquide, souvent avec une bonne notation, et les titres sont tressemblables a des bons du Tresor. Ils sont tres echanges aux U.S.A., inclus dans les portefeuilles desparticuliers, des fonds mutuels, des fonds de pension. Le montant des MBS sur le marche americainest d’un ordre de grandeur comparable a quatre fois celui des Bons du Tresor americain.

La seconde categorie tres risquee est plus proche des obligations pourries (junk bonds). Cestitres peuvent etre difficiles a ecouler et sont souvent conserves par l’etablissement preteur. Celui-cipossede alors une fraction tres risquee des prets dans son portefeuille sans conserver la partie nonrisquee.

La transformation de portefeuilles de credits en titres echangeables (operation de titrisation1)avait initialement pour but de faciliter le refinancement des institutions de credits, de diminuerle cout du refinancement, de developper les acquisitions de logements, mais elle a aussi permis decontourner les contraintes du Ratio Cooke, qui impose des reserves proportionnelles aux credits(ici residuels) detenus, sans prendre en compte le risque. Indirectement cette transformation ainduit un accroissement des risques de remboursements anticipes ou de defaillance figurant dansles bilans.

Une evaluation des risques lies a l’immobilier, aux credits hypothecaires, aux derives de creditest un enjeu majeur pour la regulation des marches et la surveillance des etablissements. Ellenecessite une bonne connaissance des evolutions des prix de l’immobilier a cause de leurs effets surles flux recus.

La periode actuelle est celle de la mise en place de normes pour les calculs de Valeurs a Risque.Il est deja decide que ceux-ci doivent prendre en compte l’heterogeneite des preteurs, celle descredits, celle des biens. Par ailleurs elles necessitent un choix d’indices de prix de l’immobilier ades niveaux desagreges, indices suffisamment objectifs, calcules et diffuses de facon reguliere.

1Voir Frachot et Gourieroux, 1996.

70

Chapitre 9

Bibliographie

Principales revues specialisees dans l’immobilier :Appraisal Journal : AJHousing Policy Debate : HPDJournal of the American Real Estate and Urban Economic Association : AREUEAJournal of Property Management : JPMJournal of Property Research : JPRJournal of Property Valuation and Investment : JPVIJournal of Real Estate Literature : JRELJournal of Real Estate Research : JRERJournal of Real Estate Finance and Economics : JREFEJournal of Real Estate Taxation : JRETJournal of Urban Economics : JUELand Economics : LEReal Estate Economics : REEReal Estate Finance : REFReal Estate Review : RER

9.1 Publications historiques

Court, A. (1939) : ‘Hedonic Price Indexes with Automotive Examples’, p. 99-117, dans The Dy-namics of Automobile Demand, New-York, General Motors Company.Duon, G. (1943) : ‘Evolution de la valeur venale des immeubles parisiens’, Journal de la Societede Statistique de Paris, octobre.Duon, G. (1943) : ‘Evolution de la valeur venale des immeubles a Paris de 1840 a 1939’, BulletinStatistique de la France, decembre.Duon, G. (1946) : ‘Document sur le probleme du logement’, Etudes Economique, 1.Eichholtz, P (1997) : ‘A Long Run House Price Index : the Herengracht Index 1628-1973’, REE,25.Friggit, J. (2001a) : ‘Le prix des logements sur longue periode’, L’Observateur de l’Immobilier,49-50, 14-25.Friggit, J. (2001b) : ‘Droits de mutation, prix immobiliers et budgets departementaux’, EtudesFoncieres, 91.Griliches, Z. (1971) : Price Indices and Quality Change, Cambridge, Harvard University Press.Hoyt, H (1933) : One Hundred Years of Land Values in Chicago, University of Chicago Press.Hurd, R. (1905) : Principles of City Land Values, New-York, Record and Guide.Lancaster, K. (1971) : Consumer Demand, Columbia University.Rosen, S., (1974) : ‘Hedonic Prices and Implicit Markets : Product Differentiation in Pure Com-

71

9. Bibliographie

petition’, Journal of Political Economy, 82, 35-55.Triplett Jack E. (1983), ‘Concept of Quality in Input and Output Price Measures : A Resolutionof the User-Value Resource Cost Debate’, dans The US Income and Product Accounts : SelectedTopics, ed M.F. Foss, NBER Studies in Income and Wealth, University of Chicago Press, Chicago.Von Hofsten, E. (1952) : ‘Price Indexes and Quality Changes’, Bokforlaget Forum, Stockholm.

9.2 Methodologie des indices hedoniques

9.2.1 Ventes repetees

Case, B., Pollakowski, H., et S. Wachter (1997) : ‘Frequency of Transaction and House PriceModelling’, JREFE, 14, 173-188.Clapp, J., et C. Giacotto (1991) : ‘House Price Indices Based on All Transactions Compared toRepeat Subsamples’, AREUEA, 19, 270-285.Clapp, J., et C. Giacotto (1992) : ‘Repeat Sales Methodology for Price Trend Estimation : AnEvaluation of Sample Selectivity’, JREFE, 5, 357-374.Clapp, J., et C. Giacotto (1998) : ‘Price Indices Based on the Hedonic Repeat- Sales Method :Application to the Housing Market’, JREFE, 16, 5-26.Dipasquale, D. et C. Somerville (1995) : ‘Do House Price Indices Based on Transacting UnitsRepresent the Entire Stock ? Evidence from the American Housing Survey’, JHE, 4, 195-229.Dowbrow, J., Knight, J. et C. Sirmans (1997) : ‘Aggregation Bias in Repeat Sales Indices’, JREFE,14, 75-88.Gat, D. (1996) : ‘A Compact Hedonic Model of the Greater Tel-Aviv Housing Market, JREL, 4,163-174.Gatzlaff, D. et D. Haurin (1997) : ‘Sample Selection Bias and Repeat-Sales Index Estimates’,JREFE, 14(1/2), 3-50. Geltner, D. (1996) : ‘The Repeated Measures Regression-Based Index : ABetter Way to Construct Appraisal Based Indexes of Commercial Property Value’, REF, 12, 4.Geltner, D. (1997) : ‘Bias and Precision of Estimates of Housing Investment Risk Based on Repeat-Sales Indexes : A Simulation Analysis’, JREFE, 14, 155-171.Goetzmann, W. (1992) : ‘The Accuracy of Real Estate Indices : Repeat Sales Estimators’, JRFE,5, 5-14.Wang, F. et P. Zorn (1997) : ‘Estimating House Price Growth with Repeat Sales Data : What’sthe Aim of the Game ?’, JHE, 6, 93-118.

9.2.2 Approches par regression

Arguea, N. et C. Hsiao (1993) : ‘Econometric Issues of Estimating Hedonic Price Functions’, Jour-nal of Econometrics, 56, 243-267.Bailey, M., Muth, R., et H. Nourse (1963) : ‘A Regression Method for Real Estate Price IndexConstruction’, Journal of the American Statistical Association, 58, 933-942.Boyle, K. et L.Taylor (2001) : ‘Does the Measurement of Property and Structural CharacteristicsAffect Estimated Implicit Prices for Environmental Amenities in a Hedonic Model ?’, JREFE, 22,308-318.Bryan, T., et P., Colwell (1982) : ‘Housing Price Indices’, Research in Real Estate, 2, 57-84.Buchel, S., et M. Hoesli (1995) : ‘A Hedonic Analysis of Rent and Rental Revenue in the Subsidizedand Unsubsidized Housing Sectors in Geneva’, Urban Studies, 32,7.Can, A. (1992) : ‘Specification and Estimation of Hedonic Housing Price Models’, Regional Scienceand Urban Economics, 22, 453-477.Caples, S., Hauna, M et S. Premeaux (1997) : ‘Least Squares Versus Least Absolute Value in RealEstate Appraisals’, AJ, 65.Case, B., Pollakowski, H., et S. Wachter (1991) : ‘On Choosing Among House Price Index Metho-dologies’, AREUEA, 19(3), 286-307.Chaplin, R (1997) : ‘Unsmoothing Valuation-Based Indices Using Multiple Regimes’, JRR, 14.

72

9.2. Methodologie des indices hedoniques

Colwell, P., et H., Munneke (1999) : ‘Land Prices and Land Assembly in the CBD’, JREFE, 18,163-180.Craig, L., Palmquist, R., et T., Weiss (1998) : ‘Transportation Improvements and Land Values inthe Antebellum United States ; A Hedonic Approach’, JREFE, 16, 173-186.Crone, T., et R., Voith (1992) : ‘Estimating House Price Appreciation : A Comparison of Methods’,JHE, 2(4), 324-338.Crosson, S., Dannis, C. et T., Thibodeau (1996) : ‘Regression Analysis : A Cost Effective Approachfor the Valuation of Commercial Property Portfolio’, REF, 12, 4.Dubin, R., and C., Sung (1990) : ‘Specification of Hedonic Regressions : Non Nested Tests onMeasures of Neighbourhood Quality’, JUE, 27, 97-110.Englund, P., Quigley, J et C. Redfearn (1999) : ‘The Choice of Methodology for Computing Hou-sing Price Indexes : Comparisons of Temporal Aggregation and Sample Definition’, JREFE, 19,91-112.Fisher, J., Geltner,D. et B. Webb (1994) : ‘Value Indices of Commercial Real Estate : A Compa-rison of Index Construction Methods’, JREFE, 9, 17-164.Galtzlaff, D., et D. Ling (1994) : ‘Measuring Changes in Local House Prices : An Empirical Inves-tigation of Alternate Methodologies’, JUE, 35, 221-244.Geltner, G. (1993) : ‘Temporal Aggregation in Real Estate Returns Indices’, AREUEA, 21, 141-166.Gilberto, M., et F. Sidoroff (1995) : ‘Real Estate Stock Indexes’, REF, 12, 1.Gilley, O., et R. Pace (1995) : ‘Improving Hedonic Estimation with an Inequality Restricted Esti-mator’, Review of Economics and Statistics, 77, 609-621.Goodman, A., et T. Thibodeau (1995) : ‘Dwelling Age Related Heteroscedasticity in HedonicHouse Price Equation’, JHR, 6, 299-317.Goodman, A., et T. Thibodeau (1995) : ‘Dwelling Age Related Heteroscedasticity in HedonicHouse Price Equations : An Extension’, Journal of Housing Research, 8, 299-317.Griliches, Z. (1961) : ‘Hedonic Prices Indexes for Automobiles’, NBER Price Statistics of the Fe-deral Government.Griliches, Z. et I. Adelman (1961) : ‘On an Index of Quality’, Journal of the American StatisticalAssociation, 56.Haurin, D., Hendershott, P., et D., Kim (1991) : ‘Local House Price Indexes : 1982-1991’, AREUEA,19,451-472.Heikkila, E (1988) : ‘Multicollinearity in Regression Models with Multiple Distance Measures’,Journal of Regional Science, 28, 345-361.Hoesli, M., Giacotto, C., et P., Favarger (1997) : ‘Three New Real Estate Price Indices for Geneva,Switzerland’, JREFE, 15, 93-109.Kain, J et J., Quigley (1970) : ‘Measuring the Value of Housing Quality’, JASA, 65, 532-548.Knight, J., Dowbrow, J. et C. Sirmans (1995) : ‘A Varying Parameter Approach to ConstructingHouse Price Indexes’, REE, 23, 187-205.Krashinsky, M. et W. Milne (1987) : ‘Housing Price in Metropolitan Toronto : An Empirical Ana-lysis’, Regional Science and Urban Economics, 17-289-305.Kuo, C. (1997) : ‘A Bayesian Approach to the Construction and Comparison of Alternative HousePrice Indices’, JREFE, 14.Lusht, K. (1997) : Real Estate Valuations Principles and Applications, 480p, Irwin.Mark, J., et M. Goldberg (1984) : ‘Alternative Housing Price Indices : An Evaluation’, AREUEA,12, 30-49.Mc Donald, J. et D. Mc Millen (1991) : ‘A Simultaneous Equations Model of Zoning and LandValues’, Regional Science and Urban Economics, 21, 55-72.Mc Donald, J. et D. Mc Millen (1998) : ‘Land Values, Land Use and the First Chicago ZoningOrdinance’, JREFE, 16, 135-150.Mc Donald, d., et M. Veeman (1996) : ‘Valuing Housing Characteristics : a Case Study of Single-Family Houses in Edmonton, Alberta’, Canadian Journal of Economics, 29.Mc Mallan, D., Jarmin, R. et P. Thorsnes (1992) : ‘Selection Bias and Land Development in theMonocentric City Model’, Journal of Urban Economics, 22, 273-284.

INSEE Methodes 73

9. Bibliographie

Mc Millen, D., et J. Mc Donald (1991) : ‘A Simultaneous Equations Model of Zoning and LandValues’, Regional Science and Urban Economics, 21, 55-72.Meese, R., et N. Wallace (1997) : ‘The Construction of Residential Housing Price Indices : AComparison of Repeat Sales, Hedonic Regression and Hybrid Approach’, JREFE, 14, 51-74.Mok,H., Chan, P., et Y. Cho (1995) : ‘A Hedonic Price Model fot Private properties in Hong-Kong’, JREFE, 10, 37-48.Palmquist, R.B., (1980) : ‘Alternative Techniques for Developing Real Estate Price Indexes’, TheReview of Economics and Statistics, 66, 3, 442-448.Quigley, J. (1995) : ‘A Simple Hybrid Model for Estimating Real Estate Price Indices’, JHE, 4,1-12.Schwann, G. (1998) : ‘A Real Estate Price Index for Thin Market’, JREFE, 16 269-287.Thibodeau, T. (1992) : Residential Real Estate Prices : 1974-1983, Mount Pleasant, The Blacks-tone Company.Thorson, J. (1994) : ‘The Use of Least Median of Squares in the Estimation of Land Value Equa-tions’, JREFE, 8, 183-190.Waddell, P, Berry, B., et I. Hoch (1993) : ‘Residential Property Values in a Multinodal UrbanArea : New Evidence on the Implicit Price of Location’, JREFE, 7, 117-141.Zabel, J. (1999) : ‘Controlling for Quality in House Price Indices’, JREFE, 19, 223-241.

9.2.3 Approches semi-parametriques

Cassel, R. et R., Mendelsohn (1985) : ‘The Choice of Functional Forms for Hedonic Equations :Comment’, JUE, 18, 135-142.Colwell, F. (1998) : ‘A Primer on Piecewise Parabolic Multiple Regression Analysis via Estima-tions of Chicago CBD Land Prices’, JREFE, 17, 87-98.Colwell, P., et C. Sirmans (1980) : ‘Nonlinear Urban Land Prices’, JUE, 41, 321-336.Colwell, P., et H. Munneke (1999) : ‘Land Prices and Land Assembly in the CBD’, JREFE, 18,183-180.Halvorsen, R., et H. Pollakowski (1981) : ‘Choice of Functional Form for Hedonic Price Equations’,JUE, 10, 37-49.Hartog, J., et H. Bierens (1989) : ‘Estimating a Hedonic Earnings Function with a Nonparame-tric Method’, dans A. Ullah, Eds, Semi-parametric and Nonparametric Econometric, Heidelberg,Physica-Verlag 145-171.Isakson, H. (1986) : ‘The Nearest Neighbors Appraisal Techniques : An Alternative to the Adjust-ment Grid Methods’, AREUEA, 14, 274-286.Kang, H., et A. Reichert (1991) : ‘An Empirical Analysis of Hedonic Regression and Grid Adjust-ment Techniques in Real Estate Appraisal’, AREUEA, 19,70-91.Mc Millen, D. (1990) : ‘Consistent Estimation of the Urban Land Value Function’, JUE, 27, 285-293.Meese, R., et N. Wallace (1991) : ‘Nonparametric Estimation of Dynamic Hedonic Price Modelsand the Construction of Residential Housing Price Indices’, AREUEA, 19, 308-332.O’Connor, P., et J. Eichenbaum (1988) : ‘Location Value Response Surfaces : The Geometry ofAdvanced Mass Appraisal’, Property Tax Journal, 7, 277-296.Pace, K. (1993) : ‘Nonparametric Methods with Applications to Hedonic Models’, JREFE, 7, 185-204.Speyrer, J. et W. Ragas (1991) : ‘Housing Prices and Fload Risk : An Examination Using SplineRegression’, JREFE, 4, 395-407.Thorsnes, P et D. Mc Millen (1998) : ‘Land Value and Parcel Size : A Semi-Parametric Approach’,JREFE, 17, 233-244.

9.2.4 Autocorrelation spatiale

Basu, S., et G. Thibodeau (1998) : ‘Analysis of Spatial Autocorrelation in House Prices’, JREFE,61-86.

74

9.3. Determinants du prix de l’immobilier et des terrains

Can, A. (1990) : ‘The Measurement of Neighborhood Dynamics in Urban Housing Prices’, Econo-mic Geography, 66, 254-272.Can, A., et I. Megbolugbe (1997) : ‘Spatial Dependence and House Price Index Construction’,JREFE, 14, 203-222.Colwell, P., Caunaday, R., et C. Wu (1983) : ‘The Analytical Foundations of Adjustment GridMethods’, AREUEA, 11, 11-29.Dubin, R., et C. Sung (1990) : ‘Specification of Hedonic Regressions : NonNested Tests on Mea-sures of Neighborhood Quality’, JUE, 27, 97-110.Dubin, R. (1992) : ‘Spatial Autocorrelation and Neighborhood Quality’, Regional Science and Ur-ban Economics, 22, 433-452.Dubin, R. (1998) : ‘Predicting House Prices Using Multiple Listings Data’, JREFE, 17 35-59.Dubin, R., Pace, K, et T. Thibodeau (1999) : ‘Spatial Autoregression Techniques for Real EstateData’, JREL, 7, 79-95.Olmo, J (1995) : ‘Spatial Estimation of Housing Prices and Locational Rents’, Urban Studies, 32,8.Ord, K. (1975) : ‘Estimation Methods for Models of Spatial Interaction’, JASA, 70, 120-126.Pace, K., Barry, R., Clapp, J. et M. Rodriguez (1998) : ‘Spatio-Temporal Autoregressive Modelsof Neighbourhood Effects’, JREFE, 17, 15-34.Pace, K., et O. Gilley (1997) : ‘Using the Spatial Configuration of the Data to Improve Estima-tion’, JREFE, 14, 333-340.Strange, W. (1992) : ‘Overlapping Neighbourhoods and Housing Externalities’, JUE, 32, 17-39.Wiltshaw, D. (1996) : ‘Spatial Autocorrelation and Valuation Accuracy : A Neglected Methodo-logical Problem’, JPR, 13.

9.2.5 Utilisation d’enquetes

Kiel, K., et J. Zabel (1997) : ‘Evaluating the Usefulness of the American Housing Survey forCreating House Price Indices’, JREFE, 14, 189-202.Kiel, K., et Z. Zabel (1999) : ‘ The Accuracy of Owner Provided House Values : The 1978-1991American Housing Survey’, REE, 27, 263-298.Pollakowski, H. (1995) : ‘Data Sources for Measuring House Price Changes’, JHR, 6, 377-387.Thibodeau, T. (1989) : ‘Housing Price Indexes from the 1974-83 SMSA Annual Housing Surveys’,AREUEA, 17(1), 110-117.

9.3 Determinants du prix de l’immobilier et des terrains

Akpom, U. (1996) : ‘Housing Attributes and the Lost of Private Rental Buildings in Lagos Nige-ria : A Hedonic Price Analysis’, Review of Region Studies, 26, 3.Archer, W., Gatzlaff, D. et D. Ling (1996) : ‘Measuring the Importance of Location in House PriceAppreciation’, JUE, 40, 334-353.Asabere, P. (1981) : ‘The Determinants of Land Values in an African City : The Case of Accra,Ghana’, Land Economics, 57, 385-397.Asabere, P. (1990) : ‘The Value of a Neighborhood Street with Reference to the Cul-de-Sac’,JREFE, 3, 185-193.Asabere, P., Hachey, G., et S. Grubaugh (1989) : ‘Architecture, Historic Zoning and the Value ofHomes’, JREFE, 2, 181-195.Asabere, P., et F. Huffman (1991) : ‘Historic District and Land Values’, JRER, g., Printemps.Asabere, P., et F. Huffman (1993) a : ‘The Impact of Settlement Period on Sales Price’, JREFE,7, 213-219.Asabere, P., et F. Huffman (1993) b : ‘Price Concessions, Time on the Market and the Actual SalePrice of Homes’, JREFE, 6, 167-174.Asabere, P., Huffman, F., et S. Mehdian (1994) : ‘The Adverse Impacts of Local Historic Designa-

INSEE Methodes 75

9. Bibliographie

tion : The Case of Small Apartment Buildings in Philadelphia’, JREFE, 8, 225-234.Atack, J., et R. Margo (1998) : ‘Location, Location, Location ! The Price Gradiant for Vacan Ur-ban Land : New-York, 1835 to 1900’, JREFE, 16, 151-172.Bajic, V. (1983) : ‘The Effects of a New Subway Line on Housing Prices in Metropolitan Toronto’,Urban Studies, 147-158.Bender, R., et H.S. Hwang (1985) : ‘Hedonic Housing Prices Indices and Secondary EmploymentCenters’, Journal of Urban Economics, 17, 90-107.Benjamin, J., et G. Sirmans (1996) : ‘Mass Transportation, Appartment Rent and Property Va-lues’, JRER, 12.Berry, B. (1976) : ‘Ghetto Expansion and Single Family Housing Prices : Chicago, 1968-1972’,JUE, 3, 397-423.Berry, B., et B., Bednarz (1975) : ‘A Hedonic Model of Prices and Assessments for Single FamilyHomes in Chicago : Does the Assessor Follow the Market or the Market the Assessor ?’, LE, 51,21-40.Besson, V., et R. Klein (1988) : ‘The Impact of Historic Districting on Property Values’, AppraisalJournal, Avril, 223-232.Blackley, D., Follain, J. et H., Lee (1986) : ‘An Evaluation of Hedonic Price Indexes for Thirty-fourLarge SMSAs’, AREUEA, 14, 179-205.Butler, R. (1982) ”The Specification of Hedonic Indexes for Urban Housing’, LE., 58, 97-108.Capozza, D., et R. Helsley (1989) : ‘The Fundamentals of Land Prices and Urban Growth’, JUE,26, 295-306.Carroll, T., Clauretic, T., et J., Jensen (1996) : ‘Living Next to Godliness : Residential PropertyValues and Churches’, JREFE, 12, 319-330.Case, K., et R. Shiller (1987) : ‘Price of Single-Family Homes since 1970 : New Indexes from FourCities’, New England Economic Review, sept/Oct, 45-56.Castle, E., et I. Hoch (1982) : ‘Farm Real Estate price Components, 1920-1978’, American Journalof Agricultural Economics, 64, 8-18.Chang, Y.L., Tsang, S. et S. Muk (1995) : ‘The Causal Relationships Between Residential PropertyPrices and Rentals in Hong-Kong : 1982-1991’, JREFE, 10, 23-35.Chicoine, P. (1981) : ‘Farmland Values at the Urban Fringe : An Analysis of Sale Price’, LE, 57,353-362.Coffman, C., et M. Gregson (1998) : ‘Railroad Development and Land Value’, JREFE, 16, 191-204.Colwell, P., Gujral, S., et C. Coley (1985) : ‘The Impact of a Shopping Center on the Value ofSurrounding Properties’, Real Estate Issues, 10, 35-39.Colwell, P., et H. Munneke (1997) : ‘The Structure of Urban Land Prices’, JUE, 41, 321-336.Colwell, P., et C. Sirmans (1978) : ‘Area, Time Centrality and the Value of Urban Land’, LandEconomics, 54, 514-519.Cubbins, J. (1974) : ‘Price Quality and Selling Time in the Housing Market’, Applied Economics,6, 171-187.Downes, T., et J., Zabel (1997) : The Impact of School Quality on House Prices’, Tafts UniversityDP.Englund, P., Quigley, J. et C., Redfearn (1998) : ‘Improved Price Indexes for Real Estate : Mea-suring the Course of Swedish Housing Prices’, JUE, 44, 171-196.Ferreira, E., et G. Sirmans (1989) : ‘Selling Price, Financing Premiums and Days on the Market’,JREFE, 2, 209-222.Follain, J., et E., Jimenez (1985) : ‘The Demand for Housing Characteristics in Developing Coun-tries’, Urban Studies, 22, 421-432.Follain, J., et E. Jimenez (1985) : ‘Estimating The Demand for Housing Characteristics : a surveyand critique’, Regional Science and Urban Economics, 15, 77-107.Gat, D. (1996) : ‘A Compact Hedonic Model of the Greater Tel Aviv Housing Market’, JREL, 4,163-172.Gillingham, R. (1975) : ‘Place to Place Rent Comparisons’, Annals of Economic and Social Mea-surement, 4, 153-174.Goodman, A. (1978) : ‘Time on the Market and Selling Price’, AREUEA, 6, 164-174.

76

9.3. Determinants du prix de l’immobilier et des terrains

Grether, D. et P. Micskowski (1974) : ‘Determinants of Real Estate Values’, Journal of UrbanEconomics, 1, 127-185.Grudnitski, G., et D. Quang (1997) : ‘Adjusting the Value of Houses Located on a Golf Course’,AJ, 65, Juillet.Harrison, D. et D. Rubinfeld (1978) : ‘Hedonic Housing Prices and the Demand for Clean Air’,Journal of Environmental Economics and Management, 5, 81-102.Haurin, D. (1988) : ‘The Duration of Marketing Time of Residential Housing’, AREUEA, 16, 396-410.Heikkila, E., Gordon, P, Kim, J., Pieser, R. et H., Richardson (1989) : ”What Happened to theCBD Distance Gradient ? Land Values in a Policentric City’, Environment and Planning, 21, 221-232.Hellman, D., et J., Narroff (1979) : ‘The Impact of Crime on Urban Residential Property Values’,Urban Studies, 16, 105-112.Hoch, I. (1957) : ‘Changes in Land Values along Edens Expressway’, CATS Research News, 1,10-15.Hoesli, M, Thion, B. et C., Watkins (1997) : ‘A Hedonic Investigation of the Rental Value ofApartments in Central Bordeaux’, JRR, 14.Hughes, W., et C., Sirmans (1992) : ‘Traffic Externalities and Single Family House Prices’, Journalof Regional Science, 4, 487-500.Jud, G. (1980) : ‘The Effects of Zoning on Single Family Residential Property Values : Charlotte,North Carolina’, Land Economics, 56, 142-154.Jud, G., et J., Watt (1981) : ‘Schools and Housing Values’, Land Economics, 57, 459-470.Kaganova, O (1997) : ‘Appraising Undeveloped Land in Russian Cities’, AJ, 65, Juillet.Kiel, A., et J. Zabel (1996) : ‘House Price Differentials in U.S. Cities : Household and Neighbo-rhood Effects’, JHE, 5, 143-165.Lin, C. (1993) : ‘The Relationhip Between Rents and Prices of Owner Occupied Housing in Tai-wan’, JREFE, 6, 25-54.Linnerman, P. (1980) : ‘Some Empirical Results on the Nature of the Hedonic Price Function forthe Urban Housing Market’, JUE, 8, 47-68.Linneman, P. (1981) : ‘The Demand for Residence Site Characteristics’, JUE, 9, 129-148.Luckard, W., et S., Hines (1983) : ‘Historic Zoning Considerations in Neighborhood and DistrictAnalysis’, AJ, Octobre, 485-497.Mc Donald, J., et D., Mc Millen (1990) : ‘Employment Subcenters and Land Values in a Polycen-tric Urban Area : The Case of Chicago’, Environment and Planning, 22, 1561-1574.Mc Millen, D., et J., Mc Donald (1991) : ‘Urban Land Value Functions with Endogenous Zoning’,JUE, 29, 14-27.Megbolugbe, I. (1989) : ‘A Hedonic Index Model : The Housing Market of Jos, Nigeria’, UrbanStudies, 26, 486-494.Miller, N. (1978) : ‘Time on the Market and Selling Price’, AREUEA, 6, 164-174.Mills, E. (1969) : ‘The Value of Urban Land’, dans H. Perloff, ed., The Quality of the UrbanEnvironment, Washington.Mills, E., et R. Simenaaure (1996) : ‘New Hedonic Estimates of Regional Constant Quality HousePrices’, JUE, 39.Mingchi, L., et J. Brown (1980) : ‘Micro-Neighborhood Externalities and Hedonic Housing Prices’,Land Economics, 56, 125-141.Munneke, H., et C., Slawson (1999) : ‘ A Housing Price Model with Endogenous Externality Lo-cation : A Study of Mobile Home Parks’, JREFE, 19, 113-131.Murray, M. (1978) : ‘Hedonic Prices and Composite Commodities’, JUE, 5, 188-197.Nelson, J. (1978) ”Residential Choice, Hedonic Prices and the Demand for Urban Air Quality’,JUE, 5, 357-369.Nourse, H (1970) : ‘The Effect of Air Pollution on House Values’, LE, 46, 435-446.Paghari, J. et J., Webbs (1996) : ‘On Setting Appartment Rental Rates : A Regression BasedApproach’, JRER, 12.Peiser, R. (1987) : ‘The Determinants of Non Residential Urban Land Values’, JUE, 22, 340-360.

INSEE Methodes 77

9. Bibliographie

Polinsky, A., et L., Smith (1983) : ‘The Price Adjustment Process for Rental Housing at the Na-tural Vacancy Rate’, American Economic Review, 73, 779-786.Potepan, M. (1996) : ‘Explaining Intermetropolitan Variation in Housing Prices, Rents and LandPrices’, REE, 24, 219-246.Quang Do, A., et G., Grudnitskit (1995) : ‘Golf Courses and Residential House Prices : An Em-pirical Examination’, JREFE, 10, 261-270.Quang Do, A., Wilbur, R. et J. Short (1994) : ‘An Empirical Examination of the Externalities ofNeighborhood Churches on Housing Values’, JREFE, 9, 127-136.Rodriguez, M., et C. Sirmans (1994) : ‘Quantifying the Value of a View in Single Family HousingMarkets’, The Appraisal Journal, 62, 600-603.Rodriguez, M., Sirmans, C., et A., Marks (1995) : ‘Using Geographical Information Systems toImprove Real Estate Analysis’, JREFE, 10, 163-173.Shapiro, C. (1983) : ‘Premiums for High Quality Products as Rents to Reputation’, Quartely Jour-nal of Economics, 98, 659-679.Shi, Y., Phipps, T. et D., Colyer (1997) : ‘Agricultural Land Values Under Urbanizing Influences’,LE, 73, Fevrier.Sirmans, C., et P. Colwell (1978) : ‘Area, Time, Centrality and the Value of Urban Land’, LE, 54514-519.Sirpal, R (1994) : ‘Empirical Modeling of the Relative Impacts of Various Sizes of Shopping Cen-ters on the Values of Surrounding Residential Properties’, JRER, 9, 4.Shonkwiler, J. et J. Reynolds (1986) : ‘Hedonic Price Models in the Analysis of Land Prices atthe Urban Fringe’, LE, 62, 58-63.So, H., Tse, R., et S. Ganesan (1997) : ‘Estimating the Influence of Transport on House Prices :Evidence from Hong-Kong’, Journal of Property Valuation and Investment, 15, 1.Stegman, M. (1969) : ‘Accessibility Models and Residential Location’, Journal of the AmericanInstitute of Planners, Janvier.Stiegler, M. (1997) : ‘Common Areas of Shopping Mall Must Be Included in Assessed Valuationof Stores’, AJ, 65, Juillet.Thibodeau, T. (1990) : ‘Estimating the Effect of High Rise Office Buildings on Residential Pro-perty Values’, LE, 66, 402-408.Trippi, R. (1997) : ‘Estimating the Relationship Between Price and Time of Sale for InvestmentProperty’, Management Science, 23, 838-842.Vaillancourt, F., et L., Monty (1985) : ‘The Effects of Agricultural Zoning on Land Prices ; Quebec,1975-1981’, LE, 61, 36-42.Vitaliano, D., et C., Hill (1994) : ‘Agricultural Districts and Farmland Prices’, JREFE, 8, 213-223.Waddell, P., Berry, B. et I. Hoch (1993) : ‘Residential Property Values in a Multinational UrbanArea : New Evidence on the Implicit Price of Location’, JREFE, 7, 117-141.Wang, K., Grissom, T., Webb, J. et C., Spellman (1991) : ‘The Impact of Rental Properties onthe Value of Single Family Residences’, JUE, 30, 152-166.Willis, K., et A. Ali (1997) : ‘The Impact of Earthquake Risk on Housing Markets : Evidence fromTeheran Real Estate Agents’, JHR, 8.Yeates, M. (1965) : ‘Some Factors Affecting the Spatial Distribution of Chicago Land Values’,Economic Geography, 41, 57-70.

9.4 Cycles et saisonnalites dans l’immobilier

Born, W., et S. Pyhrr (1994) : ‘Real Estate Valuation : The Effect of Market and Property Cycles’,JRER, 9,4.Clayton, J. (1996) : ‘Market Fundamentals, Risk and the Canadian Property Cycle : Implicationsfor Property Valuation and Investment Decisions’, JRER, 12, 3.Clayton, J. (1997) : ‘Are Housing Price Cycles Driven by Irrational Expectations ? ’, JREFE, 14,341-363.

78

9.5. Etudes macroeconomiques

Clemhout, S. (1981) : ‘The Impact of Housing Cyclicality on the Construction of Residential Unitsand Housing Costs’, LE, 57, 609-623.Edmonds, R. (1985) : ‘Some Evidence on the Intertemporal Stability of Hedonic Price Functions’,LE, 61, 445-449.Grenadier, S. (1995) : ‘The Persistence of Real Estate Cycles’, JREFE, 10, 95-120.Kuo, C. (1996) : ‘Serial Correlation and Seasonality in the Real Estate Market’, JREFE, 12, 139-162.McCoy, B. (1997) : ‘Will the Volatility of the Real Estate Cycle Continue ?’, Real Estate Issues,22, 3.Smith, B., et W., Tesarek (1991) : ‘House Prices and Regional Real Estate Cycles : Market Ad-justments in Houston’, AREUEA, 19, 396-416.

9.5 Etudes macroeconomiques

Abraham, J. et P. Hendershott (1992) : ‘Patterns and Determinants of Metropolitan House Prices,1977 to 1991’, dans L. Brownie et E., Rosengren, Ed., Real Estate and Credit Crunch., FederalReserve Bank of Boston Conference Series, 36, 19-42.Baffoe-Bonnie, J. (1998) : ‘The Dynamic Impact of Macroeconomic Aggregates on Housing Pricesand Stock of Houses : A National and Regional Analysis’, JREFE, 17, 179-198.Englund, P., et Y. Ioannides (1997) : ‘House Price Dynamics : An International Perspective’, JHE,6, Juin.Harris, J. (1989) : ‘The Effect of Real Rates of Interest on Housing Prices’, JREFE, 2, 47-60.Kearl, J. (1979) : ‘Inflation, Mortgage and Housing ’, Journal of Political Economy, 87, 1-29.Ranney, S. (1985) : ‘The Future Price of Houses, Mortgage Market Conditions and the Returns toHomeownership’, American Economic Review, 71, 323-333.Reichert, A. (1990) : ‘The Impact of Interest Rates, Income, and Employment upon RegionalHousing Prices’, JREFE, 3, 373-391.Schwab, R. (1983) : ‘Real and Nominal Interest Rates and the Demand for Housing’, JUE, 13,181-195.

9.6 Finance et produits immobiliers

Abraham, J., et P. Hendershott (1996) : ‘Bubbles in Metropolitan Housing Markets’, JHR, 7,191-207.Case, B., et J. Quigley (1991) : ‘The Dynamics of Real Estate Price’, Review of Economics andStatistics, 73, 50-58.Case, K., et R. Shiller (1989) : ‘The Efficiency of the Market for Single Family Homes’, AmericanEconomic Review, 79(1), 125-137.Case, K., et R., Shiller (1994) : ‘A Decade of Boom and Bust in the Prices of Single Family House :Boston and Los Angeles, 1983 to 1993’, New England Economic Review, April, 40-51.Case, K., et R., Shiller (1996) : ‘Forecasting Prices and Excess Returns in the Housing Market’,AREUEA, 18, 253-273.Clayton, J. (1996) : ‘Rational Expectations, Market Fundamentals and Housing Price Volatility’,REE, 24, 441-470.Cooper, M., Downs, D., et G., Patterson (2000) : ‘Asymmetric Information and the Predictabilityof Real Estate Returns’, JREFE, 20, 225-244.Englund, P., Hwang, M. et C. Redfearn (2002) : ‘Hedging Housing Risk’, JREFE, 24 : 1/2, 167-200.Frachot, A., et C. Gourieroux (1996) : Titrisation et Remboursements Anticipes, Economica, 450p.Friggit, J. (2001c), Prix des logements, produits financiers immobiliers et gestion des risques, Eco-

INSEE Methodes 79

9. Bibliographie

nomica.Gan, G (1984) : ‘Weak Form Tests of the Efficiency of Real Estate Investment Markets’, TheFinancial Review, 19, 301-320.Gan, G (1985) : ‘Public Information and Abnormal Returns in Real Estate Investment’, AREUEA,13, 15-31.Geltner, G. (1989) :‘Estimating Real Estate’s Systematic Risk from Aggregate Level AppraisalBased Returns’, AREUEA, 17, 463-481.Goetzmann, W. (1993) : ‘The Single-Family House in the Investment Portfolio’, JREFE, 6, 201-222.Hamilton, B., et R., Schwab (1985) : ‘Expected Appreciation in Urban Housing Markets’, JUE,18, 103-118.Huberman, G., Kandel, S. et R.Stambaugh (1987) : ‘Mimicking Portfolio and Exact ArbitragePricing’, Journal of Finance, 42, 1-9.Hubner, R. (2002) : Terminborsliche Immobilienderivate fur Deutschland, Verlag Wissenschaft &Praxis, Berlin.Kim, K., et S., Suh (1938) : ‘Speculation and Price Bubbles in the Korean and Japanese RealEstate Markets’, JREFE, 6, 73-87.Koepp, P., Corvaisier, Y., 1995, ‘Les Statistiques sur le Logement : rapport d’expertise’, ConseilNational de l’Information Statistique.Meese, R., et N., Wallace (1994) : ‘Testing the Present Value Relation for House Price : Should ILeave my House in San Francisco ? ’, JUE, 35, 245-266.Maurer R., Pitzer M. et Sebastian S., ‘Construction of a Transaction Based Real Estate Index forthe Paris Housing Market’, European Investment Review Working Paper Series, www.real-estate-finance.de.Poterba, J. (1984) : ‘The Subsidies of Owner Occupied Housing : An Asset Market Approach’,Quarterly Journal of Economics, 99, 729-752.Quan, D., et J., Quigley (1991) : ‘Price Formation and the Appraisal Function in Real EstateMarkets’, JREFE, 4, 127-146.Roche, J. (1995) : Property Futures and Securitisation- the Way ahead, Woodhead Publishing li-mited.Shiller, R.J., et Weiss A.N. (1999) : ‘Home Equity Insurance’, JREFE, 19.Summers, L. (1981) : ‘Inflation, the Stock Market and Owner Occupied Housing’, American Eco-nomic Review, 71, 429-434.Tegene, A., et F., Kuchler (1993) : ‘Evidence on the Existence of Speculative Bubbles in FarmlandPrices’, JREFE, 6, 223-236.Williams, J. (1999) : ‘What is Real Estate Finance ? ’, JREFE, 19, 9-20.

80

Chapitre 10

Annexes

10.1 L’information economique sur le marche de l’ancien

La pauvrete de l’information sur le marche immobilier, en particulier sur les prix, a souvent etedeploree par les professionnels, comme par le Conseil National de l’Information Statistique (CNIS,Rapport Koepp, Corvaisier, 1995).

Pourtant, les mutations de logements, dans leur quasi totalite1, donnent lieu a la redaction d’unacte authentique par un notaire. Ce document est transmis a l’administration fiscale (Conservationdes hypotheques, puis services du cadastre et des domaines), pour l’enregistrement de la TVA s’ilconcerne un logement neuf et des droits de mutation dans tous les cas. Il existe donc bien unesource exhaustive. Mais, d’une part, il s’agit d’un document papier, et d’autre part, ce document nese presente pas sous la forme administrative classique d’un formulaire : c’est un texte entierementredige. Par consequent, pour constituer un fichier informatique exploitable, c’est-a-dire une basede donnees, il faut passer par le codage de l’information dans une grille de saisie, operation lourdeet couteuse compte tenu de la taille du document (generalement plusieurs pages) et du volume(800 000 a 850 000 mutations par an, dont 750 000 dans l’ancien, sur l’ensemble de la France).

Cette saisie systematique des actes a ete entreprise par les notaires eux-memes, d’abord par laChambre Interdepartementale des Notaires de Paris (CINP) a la fin des annees 1970 (et surtoutdepuis 1990), puis par le Conseil Superieur du Notariat, qui a cree a cette fin la S.A. PERVAL en1993. Ces deux organismes alimentent chacun une base de donnees, le premier couvrant l’Ile-de-France, le second la Province, a partir des documents sur papier transmis par les notaires. C’estce qui a permis le developpement, toujours a l’initiative des notaires et avec la collaboration del’INSEE, des indices de prix presentes ici. Notons toutefois qu’un indice ‘Notaires-INSEE’ existaitdeja : il a vu le jour en 1983 et concernait les ventes d’appartements anciens a Paris. Cet indice,calcule a partir d’une moyenne des prix ponderes par le parc de logements au dernier recensementdans 72 strates, a ete renove et repose desormais sur la meme methodologie que les autres indicesNotaires-INSEE.

De son cote, la Direction Generale des Impots (DGI), qui recoit, traite et archive l’ensemble desactes de vente (ou plus exactement des extraits d’actes, forme reduite du document original), a misen place un fichier informatique baptise OEIL, pour ‘Observatoire des evaluations immobiliereslocales’. Cet outil a ete concu pour aider les services de fiscalite immobiliere et les evaluateurs desdomaines a estimer la valeur d’un bien immobilier, grace a une meilleure connaissance des marcheslocaux. Ces evaluations sont necessaires en cas de preemption, mais aussi pour juger de la validited’une mutation immobiliere : en effet, si le prix de vente est inferieur au prix de marche pour unbien equivalent, les droits percus se trouvent inferieurs a ce qu’ils auraient du etre ; la DGI dansce cas peut etre amenee a recalculer les droits dus en fonction de la valeur de marche.

Bien que le logiciel d’interrogation du fichier permette le calcul de moyennes, ecart-types, me-

1A l’exception de certaines transactions realisees par l’administration, ou des transferts de propriete lors desrachats d’entreprises.

81

10. Annexes

dianes, etc., cet outil ne peut pas etre exploite par le systeme statistique public. Il y a plusieursraisons a cela. D’abord il est destine a un usage interne a la DGI, et certaines informations enre-gistrees dans OEIL sont confidentielles, car elles proviennent d’un enrichissement des informationscontenues dans l’extrait d’acte avec des donnees issues de la taxe fonciere sur les proprietes baties(TFPB). Ensuite, ce fichier n’est pas centralise, mais gere au niveau departemental par les centresdes impots fonciers, et il semble que, malgre les consignes de la DGI, l’utilisation d’OEIL soit tresheterogene ; en particulier, les evaluateurs selectionnent souvent des mutations qui leurs paraissentrepresentatives du marche, a l’aide de criteres qui leurs sont propres, pour les integrer dans OEIL :ceci peut etre coherent avec l’objectif d’expertise, mais entraıne la non-exhaustivite du fichier.Enfin, les concepts utilises sont specifiques, et il n’est pas aise, par exemple, d’extraire de la baseles mutations correspondant au champ des indices Notaires-INSEE (notamment les seules ventesde gre a gre), ce qui rend delicate toute tentative de comparaison.

Signalons egalement que la DGI dispose, en milieu d’annee n + 1, des montants de droits demutation percus dans chaque departement au titre de l’annee n. Connaissant les taux appliquesaux prix pour le calcul des droits, le rapprochement de ces montants avec les nombres de ventespermet en principe le calcul de prix moyens. Cependant le nombre des mutations ne distingue pasles types de mutation et melange donc ventes, successions, partages... La encore, il semble doncque des problemes de champ limitent l’interet de ce calcul.

En 1991, alors que les statistiques notariales se limitaient encore a Paris, le ministere de l’Equi-pement a decide de tester la realisation d’une enquete consistant a exploiter un echantillon d’ex-traits d’actes releves dans les centres departementaux des impots fonciers. Le succes de l’enquetepilote, menee en 1992-1993 et portant sur les ventes de 1991, a conduit a renouveler annuellementcette operation. L’echantillon est constitue par un sondage a deux degres. Au premier degre sonttirees des communes : celles de plus de 10 000 habitants exhaustivement, les autres avec un tauxde 1/12 selon une stratification regionale. Au second degre sont tires de facon systematique desextraits d’actes, selon un pas qui varie en fonction de la taille de la commune, de 1 pour les com-munes rurales a 20 pour les plus grandes. Au final, l’echantillon comprend quelques 40 000 extraitsd’actes, soit un taux de sondage moyen d’environ 1/15. EXISTAN (EXploitation de l’InformationStatistique sur les Transactions dans l’Ancien et le Neuf) fournit principalement, aussi bien pourles logements anciens que pour les logements neufs, le nombre et le prix moyen des transactions,par region, par taille d’unite urbaine, par type de commune, par type et taille de logement, parcategorie, age et categorie sociale (PCS) du vendeur et de l’acheteur. Ces donnees structurellesd’une grande richesse sont sans equivalent, mais elles ne sont disponibles qu’a l’ete n + 2 pour lesventes de l’annee n, en partie parce que la collecte dans les centres des impots ne peut commencerqu’a l’automne n + 1. De plus, l’exhaustivite de la base de sondage n’est pas garantie, s’agissantde documents administratifs classes et archives : la ‘population’ totale n’est pas connue a priori etest estimee par extrapolation de l’echantillon.

Dans le futur, l’informatisation des donnees fiscales ouvre des perspectives interessantes. Lesprojets actuels sont multiples. Outre OEIL (Observatoire des evaluations immobilieres locales),l’outil d’aide aux evaluations immobilieres mentionne plus haut, les fichiers FIDJI (Fichier infor-matique de la documentation juridique sur les immeubles), mis en place progressivement dansles 354 Conservations des hypotheques, contiendront des donnees sur la date des actes et leurtype (donation, vente, etc.), les parties impliquees (age, sexe et lieu de residence des acheteurset vendeurs, par exemple), la localisation de l’immeuble, et le prix figurant sur l’acte. Un autrefichier MAJIC2 (Mise a jour des informations cadastrales), qui gere la documentation cadastrale,contiendra des variables de description des immeubles. Aucun de ces fichiers pris isolement nepermettrait de calculer des indices, et certains ne sont pour le moment que des bases-image2, maisleur fusion dans une base de donnees patrimoniale, pourrait le permettre.

Parallelement a ces operations realisees par l’administration, divers organismes ont mis enplace des procedures d’observation du marche du logement ancien. Citons en particulier le CreditFoncier de France, qui chaque annee depuis 1986, centralise les informations communiquees par

2Pour une partie de FIDJI, on a un simple scannage des actes, et non une saisie informatique de variablesstatistiques.

82

10.2. La stabilite temporelle du modele et la revision des indices

son reseau d’experts locaux et publie des prix dominants dans les 70 principales agglomerationsde Province pour 32 categories de biens, en croisant les criteres suivants :

– localisation (communes centre ou peripherie),– qualite de l’emplacement (recherche ou banal),– individuel ou collectif,– recent (moins de dix ans) ou ancien,– standing (deux categories par reference a la classification fiscale : bon ou moyen standing).

Les prix sont indiques en francs par m2 pour le collectif, et en prix unitaire pour des maisonsindividuelles.

La Federation NAtionale de l’IMmobilier (FNAIM) realise egalement des statistiques et calculeun indice de prix, a partir des annonces publiees sur son serveur. Mais d’une part, le champ estlimite aux biens proposes a la vente par l’intermediaire des agences immobilieres adherant a laFNAIM, et d’autre part, il s’agit le plus souvent de prix d’offre et quelquefois seulement de prixde vente.

10.2 La stabilite temporelle du modele et la revision desindices

Dans le modele de base presente au chapitre 3, on a fait l’hypothese que, dans les regressions,l’effet temporel est entierement capture par le terme

∑3a=1 αaYa,i +

∑4t=1 θtTt,i et que les coef-

ficients βk des caracteristiques sont constants au cours du temps, du moins au cours des anneessuivant la periode d’estimation. En effet, durant plusieurs annees, les memes coefficients sont ap-pliques chaque trimestre pour le calcul de l’indice. Apres un delai de 5 ans au maximum, ils serontreestimes et le cas echeant mis a jour. Toutefois, il etait souhaitable de valider cette hypothese entestant la stabilite des βk au cours de la periode d’estimation. Pour cela, on a verifie que l’ecartentre la valeur des biens ayant la caracteristique Xk estimee par le modele et leur prix de vente reel(donc le residu ui) satisfait les hypotheses stochastiques du modele, et en particulier ne comportepas de tendance deterministe oubliee. Pour cela nous pouvons considerer l’evolution de la moyennetemporelle des residus dans certaines strates.

Notons ut,1 la moyenne des residus mesures sur l’ensemble Jt des logements du trimestre tpossedant la caracteristique X1. On construit la suite des residus moyens u1,1, u2,1...., u12,1 cor-respondant aux 12 trimestres de la periode d’estimation. Sachant que les residus sont d’esperancemathematique nulle, on observe graphiquement les ecarts des termes de la suite par rapport a 0.Si l’on constate une variabilite importante, et notamment une tendance, cela signifie que la valeurrelative de la caracteristique X1 par rapport a la reference evolue au cours du temps : on conclutalors a la non-stabilite du coefficient β1. Il serait alors necessaire d’introduire un effet croise de lacaracteristique X1 et du trimestre.

L’operation a ete menee pour chacun des coefficients βk, k = 2 a K. Les resultats montrentque tous les coefficients sont stables au cours de la periode d’estimation, on considerera donc qu’ilsle restent au-dela de cette periode, dans la limite de 5 ans. Les figures 10.1 a 10.3 donnent unexemple d’evolution des residus sur 1992-1996 pour certaines zones de Paris ou a Bordeaux, etcertaines caracteristiques des logements telles le nombre de pieces ou la presence de garage.

Notons que la revision des indices pourra porter non seulement sur les valeurs des coefficients βk

(ou de certains d’entre eux), mais aussi sur la structure du parc de reference et les ponderations(redressements) apportees aux sous-indices de la province, voire sur la specification meme desmodeles hedoniques de base.

INSEE Methodes 83

10. Annexes

Fig. 10.1 – Moyenne des residus pour les appartements a Paris : studios de zone 1 et 2 pieces dezone 10

Studios - zone 1.

-.03

-.02

-.01

.00

.01

.02

.03

19921 19922 19923 19924 19931 19932 19933 19934 19941 19942 19943 19944 19951 19952 19953 19954 19961 19962 19963 19964

2 pièces - zone 10.

-.03

-.02

-.01

.00

.01

.02

.03

.04

19921 19922 19923 19924 19931 19932 19933 19934 19941 19942 19943 19944 19951 19952 19953 19954 19961 19962 19963 19964

84

10.2. La stabilite temporelle du modele et la revision des indices

Fig. 10.2 – Moyenne des residus pour les appartements a Paris : 3 pieces de zone 14 et 4 piecesde zone 7

3 pièces - zone 14.

-.05

-.04

-.03

-.02

-.01

.00

.01

.02

.03

.04

.05

19921 19922 19923 19924 19931 19932 19933 19934 19941 19942 19943 19944 19951 19952 19953 19954 19961 19962 19963 19964

4 pièces - zone 7.

-.15

-.10

-.05

.00

.05

.10

19921 19922 19923 19924 19931 19932 19933 19934 19941 19942 19943 19944 19951 19952 19953 19954 19961 19962 19963 19964

INSEE Methodes 85

10. Annexes

Fig. 10.3 – Moyenne des residus pour les appartements a Bordeaux : 4 pieces ou 1 garage

Bordeaux - 4 pièces

-0,030-0,025-0,020-0,015-0,010-0,0050,0000,0050,0100,0150,0200,025

19941 19942 19943 19944 19951 19952 19953 19954 19961 19962 19963 19964

Bordeaux - 1 garage

-0,025-0,020-0,015-0,010-0,0050,0000,0050,0100,0150,0200,0250,030

19941 19942 19943 19944 19951 19952 19953 19954 19961 19962 19963 19964

86

10.3. Choix des zones de base : robustification par analyses arborescentes

10.3 Choix des zones de base : robustification par analysesarborescentes

Il est de premiere importance pour la validite des indices d’estimer les modeles hedoniques surdes zones de prix homogenes, l’homogeneite etant jugee sur le niveau des prix, mais aussi sur leurevolution au cours du temps. De ce point de vue, les strates de calcul d’un indice ne sont pasnecessairement des zones homogenes, aussi a-t-il fallu les decouper ou les regrouper. Dans le casdes appartements situes dans une ville centre d’une agglomeration de plus de 10 000 habitants,chacune des 53 villes-centres les plus importantes constituent une strate de calcul a elle seule, lesautres strates etant des regroupements de villes-centres appartenant a un croisement (region, tailled’unite urbaine). Ces 53 ‘villes-strates’ ont ete decoupees en zones de prix homogenes, appeleesquartiers, lesquelles ont ete dans un premier temps definies ‘a dire d’expert’ par les notaires locaux(sauf pour Paris ou la stratification de l’ancien indice a ete reconduite telle quelle). Ensuite, uneanalyse arborescente a permis de regrouper si necessaire des quartiers similaires.

L’ideal aurait ete bien sur d’estimer un modele sur chacun de ces quartiers, mais comme de tellesestimations sont couteuses, on s’est limite a un modele par ville, en introduisant des indicatricespour les quartiers. Ces quartiers ont eux-memes ete dans certains cas regroupes a l’aide d’analysearborescentes.

Au depart, les caracteristiques physiques sont largement imposees par la source, le seul choixpossible se situant au niveau des modalites de chaque variable. A l’issue de la phase d’estimationdes modeles (un par zone), on a obtenu une matrice de la forme :

β1(z1) β2(z1) ... βK(z1)β1(z2) β2(z2) ... βK(z2)β1(z3) β2(z3) ... βK(z3)... ... ... ...

β1(zQ) β2(zQ) ... βK(zQ)

ou les β1,β2, ...,βK sont les coefficients des K caracteristiques Xk et z1, z2, ..., zQ designent les

Q zones.Une analyse en composantes principales (ACP) effectuee sur cette matrice a fait apparaıtre

des profils similaires (valeurs systematiquement tres proches, quelle que soit la zone) pour descoefficients βk correspondant a certaines modalites voisines d’une meme variable : les modalites enquestion ont donc ete regroupees. Puis une classification ascendante hierarchique des zones aveccomme criteres leurs coordonnees sur les axes de l’ACP a montre egalement que certaines zonesappartenant a une meme commune avait un profil comparable (valeurs tres proches des coefficientsβk quelle que soit la caracteristique Xk) : ces zones auraient pu etre regroupees. On ne l’a pasfait car il n’y avait pas necessite absolue de faire ces regroupements, pour des raisons de tailled’echantillons par exemple : les effectifs sont apparus suffisants.

Une ACP a ete effectuee entre autres pour les appartements des villes centres des unites urbainesde plus de 10 000 habitants en province. Il y avait Q = 184 quartiers correspondant a 53 villes,et K = 23 caracteristiques. Les valeurs propres correspondant a la matrice (de 184 lignes et 23colonnes) des coefficients estimes des regressions sont donnes ci-dessous :

numero 1 2 3 4 5 6 7 8 9valeurpropre 4,84 2,83 2,30 1,63 1,45 1,23 1,10 1,02 0,95% d’inertiecumulee 21,1 33,4 43,4 50,5 56,8 62,1 66,9 71,3 75,5

Nous avons retenu les sept premieres directions principales representant 67% de l’inertie totalepour robustifier la matrice des coefficients estimes de regression et effectuer d’eventuels regrou-pements de quartiers. Par exemple les quartiers qui auraient pu etre regroupes etaient ceux de

INSEE Methodes 87

10. Annexes

Toulon (4 et 6 ou 8 et 9), mais on a finalement prefere les conserver tous. Seule exception, la zonedu Cap d’Antibes qui compte tenu de sa specificite a ete finalement sortie purement et simplementdu champ des indices.

Voici deux exemples de l’ACP sur les βk pour les axes 1 et 2, puis 2 et 3.C’est avec de telles ACP qu’on a travaille les specifications a retenir pour les regressions.

On s’est par exemple rendu compte qu’il fallait interagir la variable ‘presence d’un ascenseur’avec l’etage de l’appartement, au dela de trois etage. D’ou la creation des variables ‘1er etage’,‘deuxieme’, ‘troisieme’, ‘quatrieme etage sans ascenseur’, ‘4 eme avec ascenseur’, plutot que unevariable simplement additive ‘presence d’un ascenseur’. On voit aussi qu’on a pu regrouper lescas ou la presence d’un ascenseur etait inconnue avec les cas avec ascenseur, compte tenu de leurproximite sur les plans de l’analyse. Au contraire une epoque de construction non renseignee n’etaitpas liee systematiquement a tel ou tel regroupement d’annees de construction. On remarque aussisur les graphiques que les grandes surfaces par pieces concernent plutot les appartements de 4pieces ou 5 pieces et plus tandis que les petites surfaces par pieces se rencontrent dans les deux-pieces. Dans le meme ordre d’idees ‘quatrieme etage sans ascenseur’ est proche dans l’espace descoefficients de ‘pas de salle de bain’. Les projections des villes dans les plans des premiers axesd’inertie (non montrees ici) seraient aussi riches d’enseignements. Ainsi le premier axe isole-t-ilGrasse et Cannes, tandis que Saint-Etienne, Roanne et Chalon sur Saone se singularisent sur lesecond axe par rapport a Anglet, Poitiers, La Rochelle, Amiens ou Le Mans ; sur le troisiemeSaint-Nazaire et Biarritz sont a l’oppose de Annemasse. Une analyse plus fine des coefficients β,c’est-a-dire des prix relatifs des caracteristiques expliquerait sans doute ces resultats.

10.4 Correction des effets de la loi ‘Carrez’

La loi ‘Carrez’, entree en vigueur le 19 juin 1997, oblige le vendeur d’un logement en immeublecollectif a en declarer la surface. Cette surface etant inscrite dans l’acte de vente, elle est garantiepar le notaire, ce qui donne le droit a l’acheteur, en cas de litige, de demander une diminution duprix, voire l’annulation de la vente.

A posteriori, on constate une baisse systematique et durable de la surface moyenne des loge-ments a partir de 3eme trimestre 1997 : non seulement certains vendeurs pouvaient avoir tendanceauparavant a surevaluer la surface de certains logements, mais la definition de la surface habitableselon la loi ‘Carrez’ est un peu plus restrictive que la definition habituelle. En moyenne, l’ecartentre les surfaces avant et apres la loi est de 4%, mais avec des differences assez marquees selon lazone geographique et le nombre de pieces du logement. A Paris par exemple la baisse est de l’ordrede 3%. Les studios ont vu leur superficie reduite de 3.7% en moyenne, les deux-pieces de 3.0%, lestrois-pieces de 3.3%, les quatre-pieces de 2.6% et les cinq pieces et plus de 0.3% seulement.

Il en resulte une augmentation apparente du prix au m2, sans rapport avec la realite qu’ilfaut bien sur corriger dans le calcul de l’indice. L’idee de base de la correction est de redressera posteriori toutes les surfaces d’avant la loi, de les ‘carreziser’, pour les ramener a leur valeursupposee plus exacte apres la loi. La correction est modulee selon les deux criteres du nombrede pieces et de la zone geographique. Pour estimer les coefficients correcteurs a appliquer danschaque strate definie par le croisement des deux criteres, on a regresse la surface des biens surleurs caracteristiques, en separant les effets du nombre de pieces et de la zone geographique et enintegrant une variable indicatrice de la periode de la transaction, avant ou apres la loi ‘Carrez’.Le modele suivant a ete estime sur l’ensemble des transactions enregistrees au 31/12/1999 pourlesquelles la surface et le nombre de pieces etaient connues.

S = aX +5∑

i=1

biNi +5∑

i=1

b′

iNiC +k∑

j=1

djZj +k∑

j=1

d′

jZjC + u, (10.1)

ou :

88

10.5. Definitions

S surface du logement,X vecteur des caracteristiques du logement (date de construction),Ni indicatrice du nombre de pieces, i = 1 a 5,Zj indicatrice de la zone geographique, j = 1 a k,

C indicatrice ‘Carrez’ :{

C = 1 si la mutation est anterieure a 1997T3,C = 0 si la mutation est posterieure a 1997T3.

Dans chaque strate {i ;j}, les surfaces des biens mutes avant le troisieme trimestre 1997 sontdiminuees de

(b′

i + d′

j

).

10.5 Definitions

Periode d’estimation ou periode de referencePeriode sur laquelle on estime les modeles de base, c’est-a-dire les prix relatifs des caracte-

ristiques des biens. Cette periode varie de deux a cinq ans, selon les indices. Elle est de deuxans (1994-1996) dans le cas des appartements en Province, qui ont ete les premiers a disposerd’un indice hedonique ; de quatre ans (1994-1997) pour les maisons en Province, et de cinq ans(1992-1996) pour les appartements a Paris et en petite couronne.

Parc de referenceParc dont l’evolution de la valeur constitue l’indice. Au niveau d’un quartier ou d’une ville,

il se compose de l’ensemble des transactions de la periode de reference entrant dans le champ del’indice (lorsque le nombre de pieces est inconnu, il est impute), sauf celles dont le prix au metrecarre est juge extreme (1/6 aux deux extremites en province, 1/10 a Paris)3. C’est le panier ouportefeuille de biens de l’indice.

Parc d’estimationParc de logements dont les valeurs au m2 servent a estimer les prix relatifs des caracteristiques

des biens. Il est constitue de tous les logements vendus au cours de la periode de reference, entrantdans le champ de l’indice, sauf ceux pour lesquels le nombre de pieces n’est pas renseigne. On enleveaussi des transactions jugees aberrantes en eliminant celles dont les residus sont superieurs a deuxecart-types, c’est-a-dire situes en dehors de l’intervalle [x− 2σ;x + 2σ]. Le parc d’estimation etle parc de reference sont donc des sous-ensembles de l’ensemble des transactions de la perioded’estimation rentrant dans le champ de l’indice (tableau 10.1).

Par exemple pour un des centres-villes de province, on a 406 transactions entre 1994 et 1996,389 transactions dans le parc d’estimation (406 - 1 transaction pour laquelle le nombre de pieceest manquant, - 16 transactions dont le prix estime est superieur ou inferieur au prix observe deplus de deux ecart-types). Le parc de reference est quant a lui constitue de 271 transactions : 406transactions d’origine, diminuees des sixiemes extremes, 406-(406/3)=406-67-68=271.

Le parc de reference pour l’indice Province est constitue par l’ensemble des parcs de referencedes villes (donc le parc ci-dessus decrit) apres correction des ponderations de chaque ville. Auniveau d’une ville ou d’un quartier le parc de reference n’est pas pondere, il ne l’est qu’au niveaude la province entiere4.

3C’est par precaution et dans l’ignorance de la qualite reelle de ces donnees nouvelles, qu’on a dans un premiertemps elimine une part importante des transactions extremes. Des tests ulterieurs ont montre que les indicesetaient robustes a une elimination plus parcimonieuse des extremes. Lors de la revision des indices, on n’elimineraprobablement que 1/20eme des transactions aux deux extremites de la distribution.

4Voir chapitre 3, paragraphe 3.5.3. pour la ponderation.

INSEE Methodes 89

10. Annexes

Fig. 10.4 – Evolution de la mesure de la superficie des appartements a Paris sous l’effet de la loiCarrez

50,0

50,5

51,0

51,5

52,0

52,5

53,0

1992

1992

1992

1992

1993

1993

1993

1993

1994

1994

1994

1994

1995

1995

1995

1995

1996

1996

1996

1996

1997

1997

1997

1997

1998

1998

1998

1998

1999

1 2 3 4 1 2 3 4 1 2 3 4 1 2 3 4 1 2 3 4 1 2 3 4 1 2 3 4 1 2

Loi Carrezm²

90

10.5. Definitions

Tableau 10.1. La taille du parc de reference et du parc d’estimation des indicesNotaire-INSEE

Zone Nombre de logements du parc Periodegeographique de reference d’estimation de reference

Ile-de-France(appartements)Paris 60 152 70 341 1992-96Petite Couronne 53 014 62 098 1992-96

Province

Maisons 253 123 251 124 1995-97

Appartements (total) 137 265 148 000 1994-96UU > 10 000 centre 90 571 90 228 1994-96UU > 10 000 banlieue 33 168 33 068 1994-96rural et UU < 10 000 13 526 24 704 1994-96

Pour Paris, on a compare le parc de reference avec le parc au recensement de la population de1990.

Tableau 10.2. Paris : comparaison des structures du parc de reference, du parc auRP 1990 et des transactions enregistrees en 1998 et 1999, en pour mille

Structure du parc Ecartsau de transactions transactions maxi-

Zone RP 90 reference 1998 1999 -mum1 62 56 57 52 102 31 25 22 18 133 35 29 27 25 104 34 27 26 23 115 64 48 54 47 176 31 36 38 36 77 46 51 53 56 108 59 74 68 72 159 80 78 76 81 410 59 54 57 62 811 55 52 46 47 1012 64 62 59 67 813 81 78 75 81 614 40 32 31 28 1215 85 101 105 101 1916 79 98 94 97 1917 31 34 46 42 1518 63 65 65 66 3Total 1 000 1 000 1 000 1 000Epoque de constructionrecent 258 278 319 330 72ancien 742 722 681 670 72Total 1 000 1 000 1 000 1 000Taille des logementsGrands 379 383 401 404 24Petits 621 617 599 596 24Total 1 000 1 000 1 000 1 000

INSEE Methodes 91

10. Annexes

Periode de baseL’annee 1996

Trimestre de base de l’indiceLe 4eme trimestre 1994 pour la province, et le 2eme trimestre 1994 pour Paris et la petite

Couronne.

Bien de referenceBien dont on suit le prix pour calculer les indices. C’est le bien dont les caracteristiques sont les

modalites de reference des variables explicatives du modele de prix des transactions (par exemple,maisons de 4 pieces, a deux niveaux, avec un garage et une salle de bain, voir tableau 3.1 auchapitre 3).

Prix du bienPrix net vendeur (commission d’agence deduite si elle figure dans l’acte), donc hors taxes et

frais de notaire.

AncienOn utilise une definition fiscale du logement ancien. Une transaction est reputee porter sur un

bien ancien s’il s’agit de la premiere vente plus de 5 ans apres la date d’achevement des travaux,ou s’il s’agit d’une seconde vente, quelle que soit la date d’achevement des travaux. Il peut doncs’agir d’une premiere vente d’un bien deja ancien (plus de 5 ans), ou d’une seconde vente d’unbien quasi neuf. En pratique, la distinction fiscale correspond a une taxation differente : TVA a0,6% sur le neuf, droits de mutation d’environ 7-8% sur l’ancien.

CollectifLes logements collectifs sont assimiles a des appartements (studio, appartement, duplex, tri-

plex). Sont exclus les chambres, greniers, lofts, ateliers, logements de gardiens5.

IndividuelLes logements sont appeles logements individuels s’ils sont des maisons, qu’elles soient isolees

ou groupees. Elles disposent d’une entree independante privative directe sur l’exterieur. On rejettepour des raisons d’homogeneite les types de biens suivants : grandes proprietes, chateaux, hotelsparticuliers, tours, moulins... On retient donc les fermes, maisons de ville ou de village, pavillonset villas. On retient aussi les cas ou la nature de la maison n’est pas precisee6.

Unite urbaineOn definit une agglomeration de population comme un ensemble d’habitations tel qu’aucune ne

soit separee de la plus proche de plus de 200 metres, et qu’il abrite au moins 2 000 habitants. Lescommunes repondant a ces criteres forment des unites urbaines (UU), les autres sont dites rurales.Cette notion d’unite urbaine, fondee sur la continuite du bati et sur le seuil de 2 000 habitantsdits agglomeres, est donc une notion plutot visuelle, basee sur la demographie et l’habitat.

5Qui representent par exemple 2,5% des transactions des appartements des villes-centre des unites urbaines deplus de 10 000 habitants en province.

6Il y a en effet 61,9% de non reponses sur la nature de la maison (en 1995-1996). Les categories elimineesrepresentent 1,4% des cas.

92

10.5. Definitions

Tableau 10.3. Repartition des appartements et des maisons de province selon latranche d’unite urbaine et le caractere de ville-centre ou de banlieue, en % (basePerval annee 1997)

UU Ru- < 5000 10000 20000 50000 100000 plus de Total1990 ral 5 000 -10000 -20000 -50000 -10000 -200000 200000

AppartementsRural 6 0 0 0 0 0 0 0 6Ville-Centre 0 2 3 4 7 7 10 35 67Banlieue 0 0 0 1 1 2 3 19 27Total 6 2 3 5 8 9 13 54 100

MaisonsRural 39 0 0 0 0 0 0 0 39Ville-Centre 0 7 6 4 5 4 3 6 35Banlieue 0 1 1 1 2 3 3 15 26Total 39 8 7 5 7 6 7 21 100

Ville-centreUne commune est a elle seule ville-centre si elle represente plus de la moitie de la population

de l’agglomeration. Sinon, toutes les communes qui ont une population superieure a la moitie dela population de la commune la plus importante, sont villes-centre, avec cette derniere.

Si le nombre annuel de mutations est inferieur a 150 la ville-centre n’a pas d’indice propre(tableaux 10.4 et 10.5).

Pour determiner le nombre d’indices ‘ville-centre’, l’ensemble du territoire a ete decoupe en 84strates : 53 strates sont constituees d’une seule ville (tableau 10.4), ce qui permet de diffuser unindice pour chacune de ces 53 villes ; les 31 autres strates sont des regroupements de villes effectuesen fonction de la region et de la taille d’unite urbaine ; elles sont codees 99yzz, ou y est la tranched’unite urbaine en 4 modalites (de 10 000 a 20 000, de 20 000 a 50 000, de 50 000 a 100 000, plusde 100 000 habitants) et ou zz est la region ou le groupe de regions, en 10 modalites (tableau10.5).

INSEE Methodes 93

10. Annexes

Tableau 10.4. Liste des 53 villes de province faisant l’objet d’un indice appartementville-centre

Commune Popu- Parc de Parc de Ratiolation logements reference EXISTAN/Perval

Marseille 800 550 106 841 7678 1,502Lyon 415 487 54 362 6692 1,000Toulouse 358 688 30 991 3703 1,000Nice 342 439 61 390 6555 1,549Strasbourg 252 338 16 956 1449 1,117Nantes 244 995 19 885 2452 1,000Bordeaux 210 336 12 234 1815 1,000Montpellier 207 996 20 055 1368 1,334Saint-Etienne 199 396 24 146 1783 1,277Rennes 197 536 17 785 1982 1,000Le Havre 195 854 10 234 1253 1,742Reims 180 620 6 692 1651 1,000Lille 172 142 7 473 1387 1,186Toulon 167 619 19 292 2239 1,037Grenoble 150 758 3 974 2333 1,037Brest 147 956 13 717 881 2,645Dijon 146 703 9 914 2070 1,079Le Mans 145 502 5 502 332 1,152Clermont-Ferrand 136 181 5 623 1274 1,000Limoges 133 464 8 971 696 1,449Amiens 131 872 2 789 554 1,000Tours 129 509 8 239 702 1,470Metz 119 594 7 306 577 1,872Besancon 113 828 9 565 770 1,000Caen 112 846 7 127 540 1,898Orleans 105 111 6 121 1179 1,000Rouen 102 723 5 921 995 1,225Nancy 99 351 7 600 1186 1,010Pau 82 157 7 257 802 1,000Poitiers 78 894 2 496 296 1,000Bourges 75 609 2 239 378 1,000La Rochelle 71 094 2 448 496 1,000Dunkerque 70 331 17 019 281 1,792Antibes 70 005 10 878 1321 1,115Cannes 68 676 11 512 1647 1,000Saint-Nazaire 64 812 2 422 304 1,024Valence 63 437 5 549 292 1,951Lorient 59 271 4 205 296 2,713Troyes 59 255 3 373 604 1,000Chalon-sur-Saone 54 575 7 400 488 1,159Chambery 54 120 4 727 533 1,000Annecy 49 644 8 476 947 1,000Blois 49 318 1 898 326 1,000Le Cannet 41 842 23 690 721 1,000Roanne 41 756 3 579 441 1,658Grasse 41 388 2 656 385 1,000Bourg-en-Bresse 40 972 2 630 296 1,267Bayonne 40 051 2 846 429 1,000Anglet 33 041 2 715 401 1,000

94

10.5. Definitions

Commune Popu- Parc de Parc de Ratiolation logements reference EXISTAN/Perval

Menton 29 141 5 264 992 1,179Biarritz 28 742 3 234 694 1,000Vichy 27 714 2 568 449 1,000Annemasse 27 669 3 495 393 1,000

Les deux premieres colonnes du tableau 10.4 presentent la population et le nombre d’appar-tements (logements collectifs) selon le recensement de population de 1990. La troisieme est leparc des bases notariales du champ de l’indice pour les annees 1994 a 1996 apres exclusion dessixiemes extremes, donc le parc de reference. La derniere colonne donne une idee des ponderationsredressant les donnees notariales.

En caracteres gras, les villes pour lesquelles on peut publier a la fois un indice provisoire et unindice definitif. Dans le cas ou le nombre de mutations enregistre a la date du calcul de l’indiceprovisoire serait faible, la publication des indices provisoires serait suspendue. Le calcul seraitrealise de la facon habituelle. S’il n’y a aucun bien, la ponderation du trimestre entrant sera nulle.

Dans le cas ou le nombre de mutations enregistre a la date du calcul de l’indice definitif seraitnul ou trop faible, le calcul de l’indice serait tout de meme realise pour l’entite concernee, mais unindicateur de volume de mutations par trimestre est prevu et permettra de decider de la suspensioneventuelle de la publication de cet indice.

De plus, des moyennes arithmetiques des prix (apres elimination des extremes) sont calculeestrimestriellement. L’evolution de ces prix moyens est comparee a celle de l’indice afin de repererune eventuelle distorsion. Dans ce cas, une analyse plus poussee sera effectuee pour en rechercherles causes et determiner si les coefficients (β) doivent etre recalcules.

INSEE Methodes 95

10. Annexes

Tableau 10.5. Definition des strates utilisees pour le calcul des indices des appar-tements de province et effectifs dans la base pour l’annee 19967

Unites UrbainesRegion 10 000 20 000 50 000 plus

a a a de20 000 50 000 100 000 100 000

21 Champagne-Ardenne (08,10,51,52)22 Picardie (02,60,80) 156 372 672 -23 Haute-Normandie(27,76)25 Basse-Normandie(14,50,61) 331 327 141 -24 Centre (18,28,36,37,41,45) 182 262 -26 Bourgogne (21,58,71,89)41 Lorraine (54,55,57,88)42 Alsace(67,68)43 Franche-Comte (25,39,70,90) 353 774 608 36431 Nord-Pas-de-Calais (59,62) 194 192 43252 Pays de la Loire (44,49,53,72,85)53 Bretagne (22,29,35,56) 267 904 235 18654 Poitou-Charentes (16,17,79,86)74 Limousin (19,23,87)83 Auvergne (03,15,43,63) 399 19772 Aquitaine (24,33,40,47,64) -73 Midi-Pyrenees(09,12,31,32,46,65,81,82) 195 548 376 -82 Rhone-Alpes(01,07,26,38,42,69,73,74) 335 1003 380 -91 Languedoc-Roussillon(11,30,34,48,66)93 Provence-Alpes-Cote d’Azur(04,05,06,13,83,84)94 Corse (2A,2B ) 1194 966 443 223

Dans les cases en italique, 2 regroupements de communes ont ete realises comme stratificationde la zone. Dans les cases en gras 3 regroupements, 4 dans les cases en gras italique. Dans cesstrates, les mutations d’appartements sont retenues dans les villes qui sont centre de leur uniteurbaine.

BanlieueIl s’agit des communes de banlieue des agglomerations de plus de 10 000 habitants : tout ce

qui n’est pas ville-centre est banlieue.Pour l’indice ‘banlieue’, on a 29 strates dont 21 sont constituees de la banlieue d’une unite

urbaine, identifiees par le numero d’unite urbaine (par exemple le code 13701 est le numero d’uniteurbaine de Marseille et designe pour nous la banlieue de Marseille) ; les 8 autres strates sont desregroupements codes 980zz ou zz est la region (tableau 10.6).

7Hors villes de la liste precedente.

96

10.5. Definitions

Tableau 10.6. Liste des 29 zones faisant l’objet d’indices appartements banlieue eteffectifs dans les bases en 1994-1996

Code Denomination Parc deZone reference

00556 Banlieue de Annemasse 70500752 Banlieue de Lyon 605706501 Banlieue de Menton 56006701 Banlieue de Antibes 95506702 Banlieue de Nice 198013701 Banlieue de Marseille 158221701 Banlieue de Dijon 48731701 Banlieue de Toulouse 42433701 Banlieue de Bordeaux 162237701 Banlieue de Tours 29238701 Banlieue de Grenoble 205844601 Banlieue de Saint-Nazaire 50044701 Banlieue de Nantes 85145701 Banlieue de Orleans 66554701 Banlieue de Nancy 75759702 Banlieue de Lille 111563701 Banlieue de Clermont-Ferrand 50267701 Banlieue de Strasbourg 61474601 Banlieue de Annecy 79976702 Banlieue de Rouen 78283701 Banlieue de Toulon 3296

98021 Banlieues regions 21 et 22 44698023 Banlieues regions 23 et 25 72398024 Banlieues regions 24, 52 et 53 41198026 Banlieues regions 26, 41 a 43 92198031 Banlieues region 31 31598054 Banlieues regions 54, 7x et 83 97698082 Banlieues region 82 164498090 Banlieues regions 91 et 93 1129

RuralEst une commune rurale, toute commune qui ne fait pas partie d’une unite urbaine.

INSEE Methodes 97

10. Annexes

Tableau 10.7. Liste des unites urbaines faisant l’objet d’indices maisons definitif(s)ou provisoire(s)

Amiens Grenoble PauAngouleme Le Havre PoitiersAntibes Lens ReimsArras Lille RennesBayonne Limoges La RochelleBordeaux Lorient RouenBoulogne-sur-Mer Lyon Saint-EtienneBourges Le Mans Saint-NazaireBrest Marseille Saint-QuentinBruay-la-Buissiere Maubeuge ToulonCalais Montpellier ToulouseClermont-Ferrand Nancy ToursCreil Nantes TroyesDijon Nice ValenciennesDouai Niort VichyDunkerque Orleans

Sont en gras les unites urbaines pouvant faire l’objet d’un indice provisoire, c’est-a-dire cellesou le nombre de mutations annuel est superieur a 600. Toutes les strates donnent lieu a calculd’indice.

Tableau 10.8. Definition des strates utilisees pour le calcul des indices des maisonset effectifs dans la base pour l’annee 19968

zones zones Unites UnitesRegion rurales periurbaines urbaines

urbaines < 20000 >= 20 000Champagne-Ardennes 1 660 1 100 954 690Picardie 3 129 2 768 2 898 1 187Haute-Normandie 1 001 1 736 1 088 861Centre 4 173 2 628 3 333 1 421Basse-Normandie 1 945 828 1 121 901Bourgogne 3 024 1 563 1 106 1 125Nord-Pas-de-Calais 842 1 718 2 436 1 520LorraineAlsaceFranche-Comte 1 347 1 883 1 601 2 260Pays de la Loire 2 676 1 274 2 726 857Bretagne 1 506 961 1 331 1 187Poitou-Charentes 2 414 1 015 1 195 736Aquitaine 2 687 1 280 1 817 1 343Midi-Pyrenees 1 689 893 1 075 792Limousin, Auvergne 2 076 1 067 1 088 520Rhone-Alpes 2 837 2 889 2 747 2 922Languedoc-RoussillonProvence-Alpes-Cote d’Azur 1 424 985 2 796 1 666

8Hors villes de la liste du tableau precedent.

98

10.5. Definitions

Definition des zones pour l’indice des appartements en zone ruraleLes zonages geographiques de l’indice des appartements en zone rurale sont beaucoup plus

heterogenes que pour les autres indices du fait de la disparite des mutations presentes selon leszones geographiques. Entre parentheses le nombre d’observations du parc de reference.

7 zones principales sont definies :

Region ‘Rural Grand Nord’ (1 299) :- Zone 1 : Picardie - Champagne-Ardenne, Bourgogne, Centre, agglomerations de moins de 5 000habitants et hors agglomerations.- Zone 2 : Picardie - Champagne-Ardenne, Bourgogne, Centre, agglomerations de 5 000 a 10 000habitants.- Zone 3 : Normandie (Haute et Basse)- Zone 4 : Nord - Pas de Calais

Region ‘Rural Est’ (714) :- Zone 1 : Lorraine et Franche-Comte.- Zone 2 : Alsace.

Region ‘Rural et Littoral, Grand Ouest’ (2 496) :- Zone 1 : Bretagne, Pays de Loire et Charente - Poitou, hors agglomerations- Zone 2 : Bretagne, Pays de Loire et Charente - Poitou, agglomerations de - de 5 000 habitants- Zone 3 : Bretagne, Pays de Loire et Charente - Poitou, agglomerations de 5 a 10 000 habitants- Zone 4 : Aquitaine et Midi-Pyrenees, agglomerations de moins de 5 000 habitants et hors agglo-merations.- Zone 5 : Aquitaine et Midi-Pyrenees, agglomerations de 5 000 a 10 000 habitants.- Zone 6 : Auvergne et Limousin.

Region ‘Rhone Alpes hors stations de sports d’hiver’ (1 812)- Zone 1 : departements de l’Ardeche, de la Drome, de la Loire et du Rhone.- Zone 2 : departements de l’Ain.- Zone 3 : departement de l’Isere, hors stations de sports d’hiver- Zone 4 : departement de la Savoie, hors stations de sports d’hiver- Zone 5 : departement de la Haute-Savoie, hors stations de sports d’hiver

Region ‘Rhone Alpes - stations de sports d’hiver’ (4 117) :- Zone 1 : departement de l’Isere, stations de sports d’hiver- Zone 2 : 3eme arrondissement du departement de la Savoie, stations de sports d’hiver- Zone 3 : 2eme canton du departement de la Savoie, stations de sports d’hiver- Zone 4 : 6eme et 28eme cantons du departement de la Savoie, stations de sports d’hiver- Zone 5 : 7eme canton du departement de la Savoie, stations de sports d’hiver- Zone 6 : 8eme canton du departement de la Savoie, stations de sports d’hiver- Zone 7 : 20eme canton du departement de la Savoie, stations de sports d’hiver- Zone 8 : 1er arrondissement du departement de la Haute-Savoie, stations de sports d’hiver- Zone 9 : 2eme arrondissement du departement de la Haute-Savoie, stations de sports d’hiver- Zone 10 : autres arrondissements du departement de la Haute-Savoie, stations de sports d’hiver

Region ‘Languedoc Roussillon’ (848) :- Zone 1 : hors agglomerations- Zone 2 : agglomerations de - de 5 000 habitants- Zone 3 : agglomerations de 5 000 a 10 000 habitants

Region ‘Provence - Alpes - Cote d’Azur’ (2240) :- Zone 1 : departement des Alpes de Haute Provence- Zone 2 : departement des Hautes Alpes

INSEE Methodes 99

10. Annexes

- Zone 3 : departement des Alpes Maritimes- Zone 4 : Vaucluse et pour le Var et les Bouches du Rhone, agglomerations de - de 5 000 habitantset hors agglomerations.- Zone 5 : Var et Bouches du Rhone, agglomerations de 5 a 10 000 habitants.

Petite CouronneHaut de Seine (92), Seine Saint Denis (93), Val de Marne (94).

Grande CouronneEssonne (91), Seine et Marne (77), Yvelines (78), Val d’Oise (95).

Etat d’occupation et destinationLes logements retenus dans les indices sont libres d’occupation au moment de la vente, destines

a un usage strict d’habitation et acquis en pleine propriete. On enleve donc les appartements louesa l’acquereur9.

Nature du vendeur et de l’acquereurLe vendeur peut etre un particulier, un professionnel, ou une societe. Seuls les logements acquis

par un particulier ou par une SCI entrent dans le calcul des indices. Les logements acquis par desprofessionnels, qui sont donc hors champ ne representent que 1% des ventes en province et 3% aParis (voir tableaux 10.10 et 10.11).

Nature de la mutationLes seules mutations prises en compte sont les ventes de gre a gre, realisees directement entre

vendeur et acquereur ou par l’intermediaire d’un professionnel de l’immobilier. Les ventes suradjudication volontaire du Marche Immobilier des Notaires sont donc exclues (elles sont en nombreinfime).

9Sur le total des transactions d’appartements des villes-centre des unites urbaines de plus de 10 000 habitants enprovince, ceux loues par l’acquereur representaient 2,5%. Pour les maisons de province, la proportion est de 3,2%.

100

10.5. Definitions

Tableau 10.9. Definition des strates utilisees pour le calcul des indices des appar-tements en petite couronne

Code Strate Zone Code Strate Zone Code Strate Zonecommune commune commune92051 921 1 93031 932 3 94016 943 292044 922 1 93059 932 4 94037 943 292024 922 2 93072 932 4 94021 943 392004 923 1 93079 932 4 94034 943 492025 924 1 93048 933 1 94065 943 492009 924 2 93055 934 1 94038 943 592050 924 3 93008 934 2 94043 943 692062 924 4 93013 934 3 94081 944 192036 924 5 93030 934 3 94077 944 292078 924 5 93029 934 4 94078 944 292026 925 1 93045 934 5 94001 944 292035 925 2 93061 934 6 94054 944 292012 926 1 93063 934 7 94022 944 392063 927 1 93006 934 8 94073 944 492033 927 2 93005 935 1 94041 944 592064 927 3 93007 935 2 94028 945 192073 927 4 93010 935 3 94002 945 292047 927 5 93078 935 4 94044 945 392076 927 5 93071 935 4 94074 945 392077 927 5 93064 936 1 94046 945 492040 928 1 93053 936 2 94052 946 192022 928 2 93057 936 3 94015 946 292023 928 3 93077 936 4 94033 946 392046 928 4 93051 937 1 94058 946 492048 928 5 93014 937 2 94068 947 192072 928 6 93032 937 3 94017 948 192075 928 7 93046 937 4 94019 948 292049 929 1 93049 937 5 94042 948 392002 929 2 93033 937 6 94059 948 492007 929 3 93050 937 6 94079 948 592014 929 3 93062 937 7 94055 948 692019 929 4 93047 937 8 94011 948 692020 929 5 93074 937 8 94060 948 692032 929 6 93015 937 8 94053 948 692060 929 7 93073 937 8 94056 948 692071 929 7 94080 941 1 94004 948 693066 931 1 94067 942 1 94047 948 693039 931 1 94069 942 2 94048 948 693070 931 2 94018 942 2 94070 948 693001 932 1 94076 943 1 94071 948 693027 932 2 94003 943 2 94075 948 6

La commune d’Asnieres, strate n◦923, est partagee en 2 zones sur la base des sections cadas-trales de la maniere suivante :Zone 1 : T U V X Z AB AC AD AE AF AG AH AI AJ AK AL AM AN AO AP AQ AR AS ATAU AVZone 2 : A B C D E F G H I J K L M N O P Q R S Y AX AY AZ BC BD .

INSEE Methodes 101

10. Annexes

Tableau 10.10. Nombre de logements vendus selon la nature de l’acquereur : pro-vince

Nature Maisons Appartements ville-centrede province provincel’acquereur Nombre % Nombre %Particuliers 270 627 91,6 152 858 90,3S.C.I. 6 911 2,3 4 699 2,8Marchands de biens 2 378 0,8 1 752 1,0Autres (non professionnels) 4 856 1,6 1 588 0,9Non reponses 10 578 3,6 8 343 4,9Total 295 350 100,0 169 240 100,0

Champ : mutations de logements anciens des bases de donnees notariales, France hors Ile-de-France en

1995 et 1996.

Autres pour les appartement des villes-centre : Administrations, SAFER.

Tableau 10.11. Nombre de logements vendus selon la nature de l’acquereur : Ile-de-France

Nnature Paris Petite Grandede couronne couronnel’acquereur Nombre % Nombre % Nombre %Particuliers 49 449 81,9 54 040 85,1 35 397 87,3S.C.I. 2 842 4,7 2 004 3,2 1 023 2,5Marchand de biens 1 760 2,9 1 003 1,6 553 1,4Autres (non professionnels) 1 385 2,3 1 700 2,7 1 182 2,9Non reponses 4 958 8,2 4 747 7,5 2 407 5,9Total 60 394 100,0 63 495 100,0 40 562 100,0Champ : mutations de logements anciens des bases de donnees notariales, Ile-de-France en 1995 et 1996.

Autres : Administrations, entreprises...

Structure des parc d’estimationPour chaque parc, c’est-a-dire pour chacun des 5 indices, voici la structure du parc d’estima-

tion, pour les variables utilisees dans les regressions. Chaque tableau (10.12 a 10.15) fournit lavariable, l’effectif correspondant a chaque modalite, en nombre et en pourcentage. Par exemple,a Paris, 88,3% des mutations du parc d’estimation, soit 66 322 mutations, correspondent a desappartements vendus sans garages ni parkings.

102

10.5. Definitions

Tableau 10.12. Structure du parc d’estimation a Paris

Surface par piece Moyenne medianeen m2 20,98 20,27

Minimum Maximum5 123

Effectif Pour centAnnee de mutation

1992 10412 13,91993 13130 17,51994 17286 231995 14874 19,81996 19435 25,9

Strate ou zone 1 4391 5,82 2066 2,73 2256 34 2172 2,95 3684 4,96 2733 3,67 3692 4,98 5337 7,19 5714 7,6

10 4073 5,411 4110 5,512 4695 6,213 5889 7,814 2472 3,315 7472 9,916 7086 9,417 2482 3,318 4813 6,4

Periode de constructioninconnue 6827 9,1

Avant 1850 4580 6,11850-1913 33915 45,11914-1947 10845 14,41948-1969 8444 11,21970-1980 9264 12,3apres 1981 1262 1,7

Nombre de salles de bain 0 21937 29,21 50256 66,92 2727 3,63 181 0,24 28 0

5 a 9 8 0Nombre de parkings ou garages

0 66322 88,31 8102 10,82 383 0,53 16 04 6 0

5 a 9 4 0non reponse 303 0,4

Total 75137 100

INSEE Methodes 103

10. Annexes

Effectif Pour centNombre de pieces de service 0 71678 95,4

1 2771 3,72 545 0,73 116 0,24 21 05 5 06 1 0

Etage -3 3 0-2 1 0-1 54 0,10 5515 7,31 119 0,21 11454 15,22 12197 16,23 11955 15,94 11080 14,75 9225 12,36 6912 9,27 2301 3,18 1125 1,59 614 0,8

10 358 0,511 242 0,312 187 0,213 129 0,214 83 0,115 80 0,116 70 0,117 51 0,118 50 0,119 49 0,1

20 a 24 206 0,125 a 29 159 0,230 a 34 70 035 a 49 4 050 a 55 4 0

non reponse 840 1,1Presence d’un ascenseur

Oui 39770 52,9Non 15251 20,3

Non reponse 20116 26,8Nombre de pieces

1 18194 24,22 27953 37,23 16230 21,64 8013 10,75 3370 4,56 1008 1,37 296 0,48 73 0,1

Total 75137 100

104

10.5. Definitions

Tableau 10.13. Structure du parc d’estimation en Petite CouronneEffectif Pour cent

Annee de mutation 1992 10493 15,91993 11714 17,71994 14613 22,11995 12486 18,91996 16865 25,5

Strate de calcul921 1820 2,8922 2658 4923 1949 2,9924 3843 5,8925 2566 3,9926 3661 5,5927 3545 5,4928 3800 5,7929 3237 4,9931 2019 3,1932 2286 3,5933 1541 2,3934 4035 6,1935 2311 3,5936 2033 3,1937 4309 6,5941 1824 2,8942 1360 2,1943 3216 4,9944 3441 5,2945 2672 4946 3063 4,6947 1835 2,8948 3147 4,8

Date de constructionnon reponse 15808 23,9Avant 1850 211 0,31850-1913 5525 8,31914-1947 11081 16,71948-1969 17615 26,61970-1980 12327 18,6apres 1981 3604 5,4

Nombre de salle de bain 0 13286 20,11 50144 75,82 2622 43 102 0,24 15 06 2 0

Nombre de parkings ou garages 0 41333 62,51 22313 33,72 2174 3,33 111 0,24 29 0

5 a 9 8 0non reponse 203 0,3

Total 66171 100

INSEE Methodes 105

10. Annexes

Effectif Pour centNombre de pieces de service 0 65287 98,7

1 773 1,22 99 0,13 9 0 04 2 0 05 1 0 0

Etage-2 3 0-1 60 0,10 10360 15,71 59 0,11 13066 19,72 12187 18,43 10448 15,84 7493 11,35 4197 6,36 2588 3,97 1438 2,28 943 1,49 646 1

10 464 0,711 327 0,512 235 0,413 191 0,314 131 0,215 113 0,216 89 0,117 48 0,118 41 0,119 14 0

20 a 24 36 025 a 29 32 0,130 a 34 13 035 a 39 13 040 a 45 11 050 a 56 6 0

non reponse 919 1,4Ascenseur oui 37308 56,4

Non 12164 18,4Non reponse 16699 25,2

Nombre de pieces 1 10574 162 20462 30,93 20055 30,34 11321 17,15 3158 4,86 487 0,77 98 0,18 16 0

Total 66171 100Surface par piece Moyenne Mediane

20,84 20,21Minimum Maximum

5 182

106

10.5. Definitions

Tableau 10.14. Structure du parc d’estimation en province, appartements

Effectif %Nombre de pieces %

1 25 561 17,02 36 470 24,23 42 212 28,04 33 033 22,0

5 ou plus 13 215 8,8Total 150 49 1 100,0

Pieces de service0 148 769 98,9

1 ou plus 1 722 1,1Total 150 491 100,0

Epoque de constructionNon renseignee 29 805 19,8

Avant 1850 3 016 2,01850-1913 9 094 6,01914-1947 10 622 7,11948-1969 41 279 27,41970-1980 36 853 24,51981-1991 19 033 12,6apres 1991 789 0,5

Total 150 491 100,0Surface par pieceMoins de 20 m2 40 528 26,9

de 20 a 30 m2 88 026 58,5Plus de 30 m2 21 937 14,6

Total 150 491 100,0Ascenseur (etage>3)

Non 3 993 11,6Oui ou non renseigne 30 519 88,4

Total 34 512 100,0Salles de bains

0 ou non renseigne 13 063 8,71 132 679 88,2

2 ou plus 4 749 3,1Total 150 491 100,0

Garage, parking0 ou non renseigne 91 496 60,8

1 54 256 36,12 ou plus 4 739 3,1

Total 150 491 100,0Etage

0 ou non renseigne 29 265 19,41 33 515 22,32 30 208 20,13 22 991 15,3

4 ou plus 34 512 22,9Total 150 491 100,0

INSEE Methodes 107

10. Annexes

Tableau 10.15. Structure du parc d’estimation en province, maisonsNombre de pieces Effectif %

1 a 3 65 721 26,34 73 824 29,45 61 200 24,46 29 825 11,97 20 114 8,0

Total 250 684 100,0Surface habitableMoins de 60 m2 20 158 8,0

de 60 a 79 m2 40 088 16,0de 80 a 99 m2 69 441 27,7

de 100 a 119 m2 49 957 19,9de 120 a 139 m2 30 827 12,3de 140 a 159 m2 17 388 6,9160 m2 ou plus 22 825 9,1

Total 250 684 100,0Niveaux : 1 91 945 36,7

2 136 047 54,33 ou plus 22 692 9,0

Total 250 684 100,0Epoque de construction

Non renseignee 37 225 14,8Avant 1850 11 970 4,81850-1913 38 947 15,51914-1947 46 643 18,61948-1969 40 035 16,01970-1980 39 535 15,81981-1991 35 458 14,1

Apres 1992 871 0,3Total 250 684 100,0

Salles de bains0 ou non renseigne 42 225 16,9

1 177 325 70,72 ou plus 31 134 12,4

Total 250 684 100,0Garage, parking

0 ou non renseigne 96 939 38,71 134 580 53,7

2 ou plus 19 165 7,6Total 250 684 100,0

Surface de terrainMoins de 500 m2 95 964 38,3de 500 a 1000 m2 70 917 28,3

de 1000 a 1500 m2 31 224 12,5de 1500 a 2500 m2 24 724 9,8

Plus de 2500 m2 27 855 8,6Total 250 684 100,0

10.6 Les indices

Le tableau 10.16 presente les series completes des 5 indices actuels, avec leurs regroupements,ainsi qu’une evaluation d’un indice France entiere.

108

10.6. Les indices

Tableau 10.16. Les indices Notaires-INSEE et l’evaluation INSEE d’un indiceFrance entiere

Paris Petite Provincecou-

-ronne Appartements FranceMai- Agglo > 10 000 Agglo < Total Total

Appartements sons Ban- Ville 10 000 Appar- Pro-Total lieue Centre et rural tements vince

1990T2 116,4 103,31990T3 122,7 108,71990T4 124,9 111,51991T1 124,4 112,81991T2 125,5 114,11991T3 124,9 115,51991T4 122,0 113,11992T1 116,4 109,51992T2 111,2 109,41992T3 109,3 108,61992T4 107,5 105,31993T1 104,0 102,71993T2 101,6 101,41993T3 101,1 101,31993T4 101,0 101,21994T1 100,2 99,81994T2 100,0 100,01994T3 100,7 101,01994T4 99,5 100,1 100,0 100,0 100,0 100,0 100,0 100,0 100,0 100,01995T1 96,8 97,2 100,4 99,5 99,7 99,4 100,0 99,5 100,1 99,61995T2 95,1 95,5 100,6 99,1 99,4 99,0 100,2 99,2 100,1 99,11995T3 93,5 94,2 101,4 98,6 99,1 98,5 99,9 98,8 100,4 99,01995T4 91,5 92,7 102,1 98,3 99,1 98,0 99,8 98,5 100,8 98,91996T1 88,3 90,5 102,6 98,3 99,1 98,0 99,8 98,4 101,0 98,61996T2 86,4 89,0 103,9 98,1 99,0 97,8 100,7 98,5 101,9 98,71996T3 85,8 88,2 105,4 98,2 99,3 97,9 100,8 98,6 102,8 99,21996T4 85,0 87,5 107,2 98,5 99,6 98,1 101,4 98,8 104,1 100,01997T1 83,3 85,5 107,9 98,3 99,5 97,9 101,4 98,7 104,4 100,01997T2 82,3 83,3 109,5 98,1 99,3 97,7 100,9 98,5 105,3 100,31997T3 83,2 83,9 111,8 98,3 99,7 97,8 101,3 98,7 106,9 101,41997T4 82,9 84,0 114,1 98,0 99,7 97,4 100,2 98,3 108,1 102,51998T1 82,0 82,9 114,9 98,0 99,6 97,4 100,1 98,3 108,6 102,81998T2 82,6 82,2 115,9 98,4 100,3 97,7 100,2 98,6 109,4 103,21998T3 84,0 83,0 116,5 98,6 100,6 98,0 100,1 98,8 109,9 103,71998T4 85,0 83,6 117,1 99,4 101,1 98,8 100,9 99,6 110,5 104,41999T1 86,6 83,7 118,9 100,3 102,3 99,6 101,7 100,5 111,9 105,71999T2 89,1 84,5 120,9 101,5 103,5 100,8 102,4 101,6 113,7 107,31999T3 92,0 86,9 123,7 103,0 104,9 102,4 103,5 103,1 116,0 109,61999T4 94,7 89,0 127,1 104,7 106,6 104,1 105,3 104,8 118,7 112,32000T1 97,6 89,7 129,2 106,4 108,1 105,8 106,3 106,4 120,6 114,32000T2 101,5 91,6 131,8 108,4 110,4 107,7 108,0 108,4 123,0 116,72000T3 104,7 95,1 135,1 110,2 112,6 109,4 110,0 110,2 125,7 119,52000T4 106,9 97,0 137,6 112,0 114,9 111,0 111,3 111,9 127,9 121,82001T1 109,4 97,6 139,8 113,7 117,1 112,5 112,7 113,6 129,9 123,72001T2 111,6 98,9 142,8 115,8 119,2 114,6 114,0 115,6 132,5 126,22001T3 114,2 101,8 145,9 117,7 121,5 116,7 115,0 117,6 135,2 128,3

INSEE Methodes 109

10. Annexes

A partir des differents sous-indices de prix Notaires-INSEE des logements, et sans attendre quel’ensemble du territoire soit couvert, on a estime un indice de prix pour la France entiere. Il reposesur trois hypotheses.

1. Dans les zones et les parcs non encore couverts par les indices Notaires-INSEE, les prixevoluent comme dans d’autres zones et parcs connus. Plus precisement, en grande couronneparisienne les prix des appartements evoluent comme dans le Val de Marne, et en Ile-de-France, l’evolution du prix des maisons se situe entre celle des maisons de province et celledes appartements de petite Couronne10.

2. Les sous-indices sont ponderes par une estimation de la valeur des parcs de logements dansles differentes zones geographiques au 4eme trimestre de 1994. Ces valeurs sont estimees en1996 a partir de l’enquete Logement 1996 de l’INSEE et de l’enquete EXISTAN du MELT.Elles sont retropolees a 1994 a l’aide des hypotheses sur les indices faites ci-dessus.

3. Pour agreger des indices semestriels glissants (Ile de France) avec des indices annuels glissants(province), on met les indices Ile de France en annuel glissant par moyenne mobile. On lemet aussi en base 100 au 4eme trimestre de 1994.Cette estimation d’un indice France entiere est provisoire et sera remplacee par un calculdirect des que les sous-indices hedoniques couvriront l’ensemble du territoite national.

Chaque indice est identifie au Bulletin Mensuel de Statistique par un code, selon la nomencla-ture suivante.

Identifiant00000 00 France- Ensemble

Ile-de-France11000 10 Paris - Appartements12000 10 Petite Couronne - Appartements

Province20000 00 Province20000 10 Province - Appartements20000 20 Province - Maisons21000 10 Agglomerations de plus de 10 000 habitants - Appartements21100 10 Agglomerations de plus de 10 000 habitants - Villes centre - Appartements21200 10 Agglomerations de plus de 10 000 habitants - Banlieue - Appartements22000 10 Agglomerations de moins de 10 000 habitants et rural - Appartements

Nous presentons finalement quelques series d’indices pour des grandes villes de province (figures10.5 a 10.11).

10Les prix des maisons d’Ile-de-France sont supposes varier comme une moyenne ponderee entre les indices desmaisons de province (0.7) et des appartements de Petite couronne (0.3).

110

10.6. Les indices

Fig. 10.5 – Exemples d’evolution des indices des appartements dans quelques villes centres desagglomerations de plus de 10 000 habitants

80,0

85,0

90,0

95,0

100,0

105,0

110,0

115,0

120,0

19944 19952 19954 19962 19964 19972 19974 19982 19984 19992 19994 20002 20004 20012 20014

Antibes Cannes Lyon Menton Nice Villeurbanne

Note : Lyon et Toulouse (non montree ici), de meme que Villeurbanne, dans la peripherie lyonnaise,Nice, Cannes, Menton, Antibes, sur la Cote d’Azur, presentent un profil d’evolution des prix quirappelle celui de Paris. Il est probable qu’elles ont connu aussi, meme si de facon attenuee, labulle speculative des annees 1990. D’autres villes, comme Bordeaux, Marseille, Nantes ne l’ontapparamment pas connue. Les prix y repartent pourtant a la hausse assez simultanement en 1998.Certaines, comme Brest, ou Metz, connaissent une hausse plus ou moins reguliere des prix surtoute la periode.

INSEE Methodes 111

10. Annexes

Fig. 10.6 – Exemples d’evolution des indices des appartements dans quelques villes centres desagglomerations de plus de 10 000 habitants (suite)

95,0

105,0

115,0

125,0

135,0

145,0

155,0

19944 19952 19954 19962 19964 19972 19974 19982 19984 19992 19994 20002 20004 20012 20014

Brest Marseille Metz Grenoble Nantes

112

10.6. Les indices

Fig. 10.7 – Exemples d’evolution des indices des appartements dans quelques villes centres desagglomerations de plus de 10 000 habitants (suite)

90,0

95,0

100,0

105,0

110,0

115,0

120,0

125,0

130,0

19944 19952 19954 19962 19964 19972 19974 19982 19984 19992 19994 20002 20004 20012 20014

Annecy Bordeaux Chambéry Clermont-Ferrand Dijon

INSEE Methodes 113

10. Annexes

Fig. 10.8 – Exemples d’evolution des indices des appartements dans quelques villes centres desagglomerations de plus de 10 000 habitants (fin)

90,0

95,0

100,0

105,0

110,0

115,0

120,0

19944 19952 19954 19962 19964 19972 19974 19982 19984 19992 19994 20002 20004 20012 20014

Dijon Lille Orléans Rennes Strasbourg

114

10.7. Variables introduites dans les systemes de valorisation

10.7 Variables introduites dans les systemes de valorisation

On propose ici une liste de variables qui pourraient etre introduites dans un systeme d’expertiseimmobilier. Il va sans dire qu’on depasse ici le cadre des indices ‘Notaires-INSEE’.

Caracteristiques structurelles du logement

surface du logement,surface du terrain,hauteur de plafond,nombre de chambres,nombre de salles de bain,garage une voiture, deux voitures,duplex,

Amenagements

sauna,cheminee,buanderietout a l’egout,air conditionne,piscine,

Type de chauffage

electrique, solaire, a bois...individuel, collectif

Qualite

age du logement ou date de construction,materiaux de construction : beton, brique, pierre, bois,type de fondation,qualite generale de la cuisine,presence d’un ascenseur,qualite generale du logement,etat de l’immeuble,qualite de la vue,luminosite,caractere historique

Isolation

murs,fenetres

Environnement procheIl s’agit de caracteristiques economiques ou sociologiques du quartier.

revenu median,age median des proprietaires,age median des logements,proportion d’employes,proportion de personnes de plus de 25 ans, avec le bac,

INSEE Methodes 115

10. Annexes

proportion de non blancs (pour les US),

taux de criminalite,

taux de chomage,

qualite de l’air,

proportion des maisons avec moins d’un occupant par piece,

qualite generale de l’immeuble, de la vue, du quartier,

utilisation commerciale de l’immeuble,

rapport eleves/professeurs,

proportion des implantations industrielles,

proportion de grands immeubles

Variables de zonage

proximite au centre ville,

distance a l’intersection routiere importante la plus proche,

distance au centre commercial, aux theatres, aux cinemas, a l’aeroport, aux bonnes ecoles, al’hopital, aux zones d’emploi, au campus, au lac,

indice d’accessibilite (routes, transports en commun)

Effets de marches

date de la derniere vente du logement,

nombre de fois, ou il a ete vendu,

duree de la derniere occupation du logement,

depuis combien de temps est il en vente ?

proportion de logements vendus dans le quartier au cours des 5 dernieres annees

proportion de logements libres,

importance des taxes locales,

importance des charges,

taux d’interet,

mois de vente,

Effets individuels

acheteur : individuel ou societe,

profession de l’occupant principal,

age,

sexe,

nombre d’occupants,

revenu median,

apport personnel.

116

10.8. Exemple de convention : l’indice Notaires-INSEE-Paris

10.8 Exemple de convention : l’indice Notaires-INSEE-Paris

Convention entre :- la Chambre interdepartementale des notaires de Paris dont le siege est 12, avenue Victoria,

Paris 1er, representee par Monsieur Dominique PARGADE, notaire a Paris, son president ;et- l’Association des notaires du Chatelet (Paris Notaires Services), association regie par la loi

de 1901, dont le siege est 12, avenue Victoria, Paris 1er, representee par Monsieur DominiquePARGADE, notaire a Paris, son president ;

agissant conjointement et solidairement et denommees ci-apres ‘la CINP’.d’une part, etle ministre de l’economie, des finances et de l’industrie, represente par le directeur general de

l’Institut national de la statistique et des etudes economiques, ci-apres denomme l’INSEE ;d’autre part. Il est convenu et arrete ce qui suit.Expose des motifsLa Chambre des notaires de Paris et l’INSEE ont passe une premiere convention en date du 6

decembre 1990 mettant en place un partenariat qui avait pour objet la participation de l’INSEEau calcul et a la publication de l’indice de prix des appartements anciens vendus libres a Paris,indice pour lequel la CINP assure la collecte et le traitement des informations necessaires a saconstitution.

L’objectif de la presente convention est de poursuivre et developper le partenariat entre l’INSEEet la CINP en matiere d’indices de prix des logements.

Le mode de calcul de l’indice de prix des appartements anciens vendus libres a Paris a ete re-nove. A cet indice s’ajoutera un indice de prix des appartements anciens pour chaque departementde la petite couronne. A terme, le but est de completer ces indices par des indices du prix deslogements individuels et d’en etendre le champ a toute l’Ile-de-France.

Grace a l’homogeneite des methodes de calcul et aux efforts de convergence des bases dedonnees, ces indices pourront etre compares aux indices Notaires-INSEE-Province qui font l’objetde la convention 1998 00067 et de son avenant du 7-10-1999. L’objectif commun est de produire unindice Notaires-INSEE du prix des logements en France metropolitaine, a periodicite et delai depublication aussi courts que possible, l’objectif vise a long terme etant un indice a base mensuellepublie mensuellement dans un delai de moins de deux mois et declinable par zone geographe etpar type de parc.

Article 1er : Objet de la conventionLa CINP elabore un indice des prix des appartements anciens vendus libres a Paris, denomme

‘Indice Notaires-INSEE-Paris’.Cet indice, produit trimestriellement, est un indice semestriel glissant. Parallelement sera cal-

cule chaque trimestre un indice annuel glissant, tant que cela sera necessaire a la comparaison avecl’indice province annuel glissant produit par la societe Perval, Marche Immobilier des Notaires,pour le compte du Conseil Superieur du Notariat.

Par ailleurs l’indice etabli pour Paris sera complete par des indices portant sur les departe-ments de la petite couronne. Comme indique ci-dessus, on vise a terme un indice trimestriel (nonglissant), voire mensuel si l’amelioration de la collecte d’informations aupres des offices notariauxpar la CINP se poursuit. L’extension eventuelle aux autres departements d’Ile-de-France, a chaquearrondissement de Paris, ou aux logements neufs, fera l’objet d’un avenant a cette convention. Dememe, les parties pourront convenir par avenant de toute modification de la periodicite de calculdes indices Notaires-INSEE-Paris.

La presente convention definit les conditions de participation de l’INSEE et de la CINP aucalcul, a la validation et a la publication de l’indice Notaires-INSEE-Paris et des differents indicescomplementaires qui pourraient etre developpes dans le cadre de la presente convention et de seseventuels avenants (et denommes generiquement ci-apres l’”indice”).

Article 2 : Engagements de l’INSEEL’INSEE s’engage a faire beneficier la CINP de son expertise et de ses conseils en matiere

statistique au profit du calcul de cet indice, et a lui fournir les donnees en sa possession de nature

INSEE Methodes 117

10. Annexes

a assurer la qualite de l’indice. L’INSEE fournira notamment a la CINP les donnees issues desrecensements et relatives au parc de logements qui seraient necessaires au calcul de l’indice. Celles-ci seront mises a jour aussi souvent que le permettront les operations de recensement.

L’INSEE mettra en oeuvre une methode de suivi de la qualite de l’indice. Avant publication, lesindices lui seront soumis pour approbation. L’INSEE apportera sa reponse dans un delai maximalde 2 jours ouvres. Dans le cas ou l’indice n’aurait pas l’approbation de l’INSEE, il ne serait paspublie.

L’INSEE autorise a titre exclusif la CINP a utiliser dans sa communication externe ainsi quedans ses relations avec les tiers, l’appellation ‘indice Notaires-INSEE-Paris’.

L’INSEE s’engage a ne pas s’opposer par principe a la concession par la CINP sous la respon-sabilite exclusive de celle-ci, de licences d’exploitation de l’indice a des etablissements financiers,bancaires ou de credit, dans le seul but de l’emission et du negoce de produits financiers indexessur les indices Notaires-INSEE.

L’INSEE s’engage a faire figurer dans ses publications l’indice immobilier parisien ainsi que lesautres indices ou sous-indices couverts par la presente convention et ses eventuels avenants dontla diffusion lui paraıtra justifiee.

De plus l’INSEE s’engage a ne pas rendre publiques les valeurs numeriques des coefficients desrelations econometriques intervenant dans le calcul de l’indice avant un delai de cinq ans a compterde leur entree en vigueur. La methodologie de l’indice sera decrite en detail dans une publicationde l’INSEE.

Article 3 - Engagements de la CINPLa CINP s’engage :(i) a respecter les modalites de calcul de l’indice preconisees par les experts de l’INSEE et a

consacrer les moyens humains et materiels (en particulier informatiques) necessaires a leur entretienet leur mise a jour ;

(ii) a maintenir et ameliorer le dispositif actuel de collecte des informations relatives aux ventesimmobilieres en Ile-de-France : en particulier le taux de collecte et le delai d’integration serontsuivis via des tableaux de bord (nombre de mutations notariees et nombre de mutations integreespar mois, stock en attente de codification) remis a l’INSEE tous les mois. La CINP s’engage aconsulter l’INSEE avant toute modification du processus de constitution des bases de donneesnotariales (definition des champs, modifications pouvant avoir un impact sur le taux de collecte etd’integration, le taux de renseignement de certains champs, la valeur des indices) ;

(iii) a soumettre l’indice a l’INSEE pour approbation avant publication (cf. art.2) ;(iv) a publier au moins trimestriellement cet indice(v) a fournir a l’INSEE toute information issue de ses bases utile a ses etudes statistiques

internes, ainsi que toute serie d’indices de prix calcules par elle-meme pour ses propres besoins etqui seraient utiles a l’Institut a des fins d’etudes.

La CINP s’engage en outre a consulter l’INSEE prealablement a la mise au point des contratsde licence d’exploitation de l’indice qu’elle est amenee a conclure avec des etablissements financiers,bancaires ou de credit, ou toute autre entite.

La CINP informe l’INSEE que les donnees statistiques informatisees utilisees pour calculerl’indice sont extraites de la base BIEN appartenant et geree par la CINP, et que l’existence de cettebase en tant que traitement informatise d’informations nominatives a ete declaree a la Commissionnationale de l’informatique et des libertes, conformement aux dispositions de l’article 16 de la loidu 6 janvier 1978 relative a l’informatique, aux fichiers et aux libertes.

Article 4 - Conseil scientifique et comite de suiviUn conseil scientifique des indices Notaires-INSEE-Paris est cree. Ce conseil comprend : i) un

president, choisi en commun accord entre l’INSEE et la CINP ;ii) deux representants de l’INSEE ;iii) deux representants de la CNIP : un notaire et un statisticien ou econometre ;iv) un representant du Conseil Superieur du Notariat.Il se reunit, a la demande de son president, au moins une fois par an11.

11Il y a deux conseils scientifiques correspondant l’un a cette convention, l’autre a celles regissant les indices

118

10.8. Exemple de convention : l’indice Notaires-INSEE-Paris

Par ailleurs, un comite de suivi des indices compose de membres de l’INSEE et de la CINPse reunira avec une periodicite au moins trimestrielle pour assurer une concertation et une com-munication techniques regulieres entre la CINP et l’INSEE. Ces reunions seront organisees par laCINP et feront l’objet de comptes rendus ecrits.

Article 5 - Conditions financieresConsiderant que la constitution, le suivi et la publication reguliere d’un indice ”Notaires-INSEE-

Paris” est une tache qui rentre dans les missions respectives des deux parties et que le travailde cooperation prevu par la presente convention met a la charge de chacune d’entre elle descontreparties equilibrees, la presente convention est conclue a titre gratuit.

Article 6 - DureeLa presente convention est conclue pour une duree de 5 ans a compter du 1er janvier 2000.Toute modification apportee a la presente convention fera l’objet d’un avenant.Article 7 - Conditions de denonciation de la conventionLa presente convention peut etre denoncee par l’une des parties au moyen d’une lettre recom-

mandee avec avis de reception. Cette denonciation prendra effet six mois apres reception de cettelettre.

En cas de denonciation, la CINP et l’INSEE renoncent pour l’avenir a l’utilisation de l’appel-lation ‘Indice Notaires-INSEE-Paris’. Toutefois les parties conviennent par avance de se concerteren vue de permettre la continuation des operations financieres engagees par des organismes ban-caires ou financiers dans le cadre des eventuels accords de licence d’exploitation de l’indice conclus,conformement a l’article 2, par la CINP.

Article 8 - Representants de l’INSEE et de la CINPSont charges de l’execution des termes de la presente convention :i) pour l’INSEE, le chef de la division Logement du departement des Prix a la consommation,

des ressources et des conditions de vie des menages ;ii) pour la CINP, le president en exercice de la Chambre interdepartementale des notaires de

Paris.Article 9 - Clauses executoiresLa presente convention est dispensee du droit de timbre et de la formalite d’enregistrement.

Elle deviendra executoire apres avoir ete revetue de la signature des parties. Son entree en vigueuraura pour effet immediat l’abrogation de la convention du 6 decembre 1990.

Notaires-INSEE-Province. En pratique les conseils sont souvent conjoints. Le president du conseil scientifique estactuellement Christian Gourieroux (CREST, INSEE) ; ses membres sont Reynald Beauvais (division Logement,INSEE), Murielle Chavret (CNIP), Alain David (CNIP), Francois Dubujet (PERVAL), Jacques Friggit (ConseilGeneral des Ponts et Chaussees), Thierry Lacroix (division Prix a la Consommation, INSEE), Anne Laferrere(division Logement, INSEE), Claude Taffin (UNFOHLM). Peuvent y etre associes ou invites des utilisateurs desindices, du ministere de l’Equipement des Transports et du Logement, ou de toute autre administration ou organismeconcerne, des membres du notariat, de PERVAL ou de la CNIP, variant selon les sujets abordes.

INSEE Methodes 119

INSEE M´ethode Les indices de prix des logements anciens · tous ceux qui y ont particip´e; ......

Documents

Transcript of INSEE M´ethode Les indices de prix des logements anciens · tous ceux qui y ont particip´e; ......