Impact des changements démographiques sur le marché immobilier québécois
Mémoire
Josué Desbiens
Maîtrise en économie
Maître ès arts (M.A.)
Québec, Canada
© Josué Desbiens, 2018
Impact des changements démographiques sur le marché immobilier québécois
Mémoire
Josué Desbiens
Sous la direction de :
Kevin Moran, directeur de recherche
iii
Résumé
L’étude présente un modèle d’estimation par panel et avec coïntégration de l’évolution régionale des
prix sur le marché immobilier québécois. Nous utilisons des données provenant des régions
administratives du Québec et couvrant la période 2002-2016. Nos résultats suggèrent que les
élasticités-revenu de long terme du prix de l’immobilier sont considérablement différentes à travers
les régions. De plus, les variables démographiques affectent l’ajustement des prix vers leur tendance
de long terme et notre étude permet de différencier entre les effets des chocs migratoires et ceux des
chocs d’accroissements naturels. Finalement, la composition par âge de la population a également
un effet significatif sur l’accroissement des prix, notamment la proportion de 25 à 54 ans (effet positif)
et la proportion de personnes âgées de 65 ans et plus (effet négatif). Les résultats montrent que
l’utilisation d’un modèle par panel aide à identifier les aspects dynamiques spécifiques à chaque
région.
iv
Abstract
The study presents a regional, panel-based model of the long term and short-term evolution of real
estate prices in the administrative regions of Quebec. Allowing that dynamic adjustment to be
different from one region to another, we find income elasticity (i.e. cointegration coefficients) that
differ considerably one region to the next. In addition, since migratory shocks have potentially
different effects from equivalent shocks related to natural increases, we show that migration has a
higher effect on the real estate market. The age composition of the population also has a significant
effect on average prices, both for young people (25 to 54 years) and for older people (65 years and
over). These results suggest that using a panel model not allowing for differentiated regional
dynamics leads to potentially less robust conclusions.
v
Table des matières
Résumé .............................................................................................................................................................. iii
Abstract ............................................................................................................................................................... iv
Table des matières .............................................................................................................................................. v
Liste des Figures ............................................................................................................................................... vii
Liste des Tableaux ............................................................................................................................................ viii
Mots clés / Keywords .......................................................................................................................................... ix
Remerciements .................................................................................................................................................... x
Introduction ......................................................................................................................................................... 1
Objectif et hypothèses ................................................................................................................................ 1
Pertinence de l’étude .................................................................................................................................. 2
Chapitre 1 Revue de littérature ....................................................................................................................... 3
1.1. Les études au Canada ................................................................................................................. 7
1.2. Les recherches des institutions gouvernementales sur l’évolution démographique future ........... 8
Chapitre 2 Les données utilisées.................................................................................................................. 10
2.1. Les données immobilières .......................................................................................................... 10
2.2. Les données macroéconomiques ............................................................................................... 10
2.3. Les données démographiques ................................................................................................... 11
Chapitre 3 Méthodologie .............................................................................................................................. 13
3.1. Relation de long terme ............................................................................................................... 13
3.2. Correction d’erreur ..................................................................................................................... 14
Chapitre 4 Analyse empirique....................................................................................................................... 17
4.1. Analyse descriptive .................................................................................................................... 17
4.2. Tests de racine unitaire .............................................................................................................. 19
4.3. Coïntégration .............................................................................................................................. 20
4.4. Résultats de l’estimation des ajustements de court-terme ......................................................... 27
4.5. Robustesse du modèle ............................................................................................................... 34
Chapitre 5 Projections .................................................................................................................................. 38
1- Le Bas-Saint-Laurent ................................................................................................................. 39
2- Le Saguenay-Lac-Saint-Jean ..................................................................................................... 40
3- La Capitale-Nationale ................................................................................................................. 41
4- La Mauricie ................................................................................................................................. 42
5- L’Estrie ....................................................................................................................................... 43
6- Montréal ..................................................................................................................................... 44
vi
7- L’Outaouais ................................................................................................................................ 45
8- L’Abitibi-Témiscamingue ............................................................................................................ 46
9- La Côte-Nord .............................................................................................................................. 47
10- Le Nord-du-Québec .................................................................................................................... 48
11- La Gaspésie—Îles-de-la-Madeleine ........................................................................................... 49
12- Chaudière-Appalaches ............................................................................................................... 50
13- Laval ........................................................................................................................................... 51
14- Lanaudière ................................................................................................................................. 52
15- Les Laurentides .......................................................................................................................... 53
16- La Montérégie ............................................................................................................................ 54
17- Le Centre-du-Québec ................................................................................................................. 55
18- Tout le Québec ........................................................................................................................... 56
Conclusion ........................................................................................................................................................ 58
Financement ..................................................................................................................................................... 59
Bibliographie ..................................................................................................................................................... 60
Annexes ............................................................................................................................................................ 66
Source et disponibilité des données ......................................................................................................... 66
Résultats pour les maisons unifamiliales .................................................................................................. 67
Résultats pour les semi-détachés (de type « Plex ») ............................................................................... 69
Résultats pour les condominiums ............................................................................................................. 71
Modèles utilisés dans la littérature et principaux constats ........................................................................ 73
vii
Liste des Figures
Figure 1: Taux de croissance des prix de l'immobilier dans les régions du Québec :2003-2016 ..................... 18
Figure 2 : Illustration des coefficients de coïntégration régionaux entre revenu et prix de l’immobilier ............ 25
Figure 3 : Dynamique des prix autour du revenu disponible par habitant dans les régions du Québec .......... 26
Figure 4 : Résultats dans les régions avec forte volatilité des prix .................................................................. 32
Figure 5 : Résultats dans les régions avec faible volatilité des prix ................................................................. 33
Figure 6 : Projection des prix pour les années futures : Bas-Saint-Laurent ..................................................... 39
Figure 7 : Projection des prix pour les années futures : Saguenay-Lac-Saint-Jean ........................................ 40
Figure 8 : Projection des prix pour les années futures : Capitale-Nationale .................................................... 41
Figure 9 : Projection des prix pour les années futures : Mauricie .................................................................... 42
Figure 10 : Projection des prix pour les années futures : Estrie ....................................................................... 43
Figure 11 : Projection des prix pour les années futures : Montréal .................................................................. 44
Figure 12 : Projection des prix pour les années futures : Outaouais ............................................................... 45
Figure 13 : Projection des prix pour les années futures : Abitibi-Témiscamingue ............................................ 46
Figure 14 : Projection des prix pour les années futures : Côte-Nord ............................................................... 47
Figure 15 : Projection des prix pour les années futures : Gaspésie—Îles-de-la-Madeleine ............................. 49
Figure 16 : Projection des prix pour les années futures : Chaudière-Appalaches ........................................... 50
Figure 17 : Projection des prix pour les années futures : Laval ....................................................................... 51
Figure 18 : Projection des prix pour les années futures : Lanaudière .............................................................. 52
Figure 19 : Projection des prix pour les années futures : Laurentides ............................................................. 53
Figure 20 : Projection des prix pour les années futures : Montérégie .............................................................. 54
Figure 21 : Projection des prix pour les années futures : Centre-du-Québec .................................................. 55
Figure 22 : Projection des prix pour les années futures : Agrégat pour le Québec .......................................... 56
Figure 23 : Proportion des régions administratives utilisées dans le calcul de la coïntégration globale .......... 56
Figure 24 : Volume des ventes immobilières selon les régions en 2015 ......................................................... 57
viii
Liste des Tableaux
Tableau 1: Statistiques descriptives de la croissance dans les prix de l'immobilier ........................... 17
Tableau 2: Présence de racine unitaire dans le prix de l’immobilier ................................................................ 19
Tableau 3 : Présence de coïntégration entre le prix de l’immobilier et des variables macroéconomiques ou
démographiques ............................................................................................................................................... 22
Tableau 4 : Coefficients de coïntégration entre prix et revenu par habitant (PDOLS en log-niveaux, Pedroni
2001) ................................................................................................................................................................. 23
Tableau 5 : Estimation de la dynamique d’ajustement (3): (Arellano-Bover/Blundell-Bond) ............................ 28
Tableau 6 : Coefficients de coïntégration pour différents types d’habitation .................................................... 34
Tableau 7 : Estimation de l’ajustement du court terme (3) sur les différents types d'habitation ....................... 35
Tableau 8 : Source et disponibilité des données .............................................................................................. 66
Tableau 9 : Coefficients relatifs aux tests de coïntégration de Pedroni dans un PDOLS en log-niveaux pour les
maisons unifamiliales ........................................................................................................................................ 67
Tableau 10 : Résultats des tests de coïntégration de Pedroni en log-niveaux (maisons unifamiliales) ........... 68
Tableau 11 : Résultats de Régressions selon Arellano-Bover/Blundell-Bond pour les maisons unifamiliales . 68
Tableau 12 : Coefficients relatifs aux tests de coïntégration de Pedroni dans un PDOLS en log-niveaux pour
les plex .............................................................................................................................................................. 69
Tableau 13 : Résultats des tests de coïntégration de Pedroni en log-niveaux (habitations de type « plex ») .. 70
Tableau 14 : Résultats de Régressions selon Arellano-Bover/Blundell-Bond pour les habitations de type
« plex » ............................................................................................................................................................. 70
Tableau 15 : Coefficients relatifs aux tests de coïntégration de Pedroni dans un PDOLS en log-niveaux pour
les condominiums ............................................................................................................................................. 71
Tableau 16 : Résultats des tests de coïntégration de Pedroni en log-niveaux (condominiums) ...................... 72
Tableau 17 : Résultats de Régressions selon Arellano-Bover/Blundell-Bond pour les condominiums ............ 72
Tableau 18 : Modèles utilisés dans la littérature et principaux constats........................................................... 73
ix
Mots clés / Keywords
Immobilier, dynamique, données de panel, coïntégration, démographie, accroissement naturel,
migration, cohortes, régions administratives, Québec.
Real Estate, dynamics, panel data, cointegration, demography, natural increase, migration, cohorts,
administrative regions, Quebec.
x
Remerciements
Je voudrais d’abord remercier mon directeur de recherche, monsieur Kevin Moran. Monsieur Moran,
merci de m’avoir accompagné dans toutes les étapes de la rédaction de cette recherche. Merci
également d’avoir su m’encourager et m’aider lors des moments difficiles.
Je voudrais tout particulièrement remercier madame Hélène Bégin, sans qui ce travail n’aurait jamais
eu lieu. Merci pour votre compréhension, votre soutien et votre disponibilité tout au long des
dernières années.
Merci à la bourse les Études économiques de Desjardins de m’avoir permis d’approfondir les
dynamiques démographiques au Québec et leur impact sur le marché immobilier.
Merci à la Fédération des chambres immobilières du Québec et à la Société canadienne
d’hypothèque et de logement pour m’avoir donné accès aux données dont j’avais besoin.
Sur une note plus personnelle, je tiens à remercier ma conjointe, Emanuelle, ainsi que mon beau-
père Mario et toute ma famille, Bénédicto, Rose-Marie, Élisabeth et mon père Ronald. Tout ce travail
a été possible à l’aide de vos encouragements et votre accompagnement. Je n’aurais pas pu y
arriver sans vous.
1
Introduction
Depuis la crise immobilière de 2008, plusieurs analystes se demandent si le Québec n’est pas sur le
point de vivre des bouleversements sur son marché immobilier. Plusieurs constats sont à prendre en
compte afin de bien cerner cette problématique. Notamment, le Québec vieillit : l’âge médian de la
population ne cesse d’augmenter et les travailleurs sont appelés à devenir de moins en moins
nombreux sur le marché du travail. La partie de la population arrivant à la retraite ne cesse de croître
dans les régions du Québec. Il est donc naturel d’étudier l’évolution probable du plus important
investissement financier de la plupart des ménages, c’est-à-dire leur habitation.
La baisse du taux de natalité est actuellement compensée en partie par une hausse de l’immigration,
faisant en sorte que nous ne sommes pas en baisse nette de la population. Mais quel est l’impact
d’une hausse de l’immigration ? Est-ce le même effet sur l’immobilier qu’une hausse de la natalité ?
Est-ce que ces effets sont les mêmes pour toutes les régions du Québec? Ce sont là quelques
questions auxquelles nous tenterons de répondre dans les prochaines pages.
Objectif et hypothèses
Le but de cette étude est d’évaluer l’impact des changements démographiques sur le marché
immobilier de la province, en mettant l’accent sur les dynamiques et particularités régionales dans le
cadre d’un modèle économétrique en panels avec coïntégration et correction d’erreurs.
Les hypothèses sous-jacentes essentielles sont que l’évolution de long terme des prix de l’immobilier
est liée au revenu de chaque région à travers un coefficient de coïntégration différent d’une région à
l’autre. D’autre part, les effets de dynamique d’ajustement de court terme, passant notamment par
les variables démographiques, sont constants à travers les régions. De plus les variables
démographiques ayant un effet quantitatif similaire sur la population totale (migration ou
accroissement naturel, augmentation de la population jeune ou de la population âgée) entraîneraient
des impacts régionaux différents selon leurs dynamiques propres.
2
Pertinence de l’étude
La présente étude s’inscrit dans le contexte où, tant les changements démographiques que les
marchés immobiliers, sont en mouvance. Les marchés immobiliers sont redevenus un champ de
recherche en vogue depuis la crise de 2008. Les chercheurs commencent à y faire des recherches
plus poussées et y développent des modèles économétriques et des techniques novatrices. La
présente étude dresse un portrait global des constats passés et présente également une application
au cas du Québec. Cette recherche vise donc à apporter des constats à l’évolution récente du
marché immobilier régional afin d’aider à faire de la projection dans le temps et de bien évaluer les
changements à venir à partir du modèle le plus robuste proposé jusqu’à maintenant. L’aspect
novateur de la présente étude repose principalement sur l’analyse dynamique des effets
démographiques et du revenu différencié par panels régionaux sur le marché immobilier.
3
Chapitre 1 Revue de littérature
Les réalités entourant le marché immobilier ne sont pas uniques au Québec. Plusieurs états ont eu à
réagir à des chocs démographiques les ayant affectés à une période ou à une autre. Pensons au
vieillissement de la population qu’a dû traverser le Japon ces dernières années, à l’immigration
massive de Cubains en Floride pendant la guerre froide ou à la baisse nette de population en
Allemagne dans la seconde moitié du 20e siècle; ces événements ont fourni aux chercheurs le
matériel et les données nécessaires pour estimer l’effet des changements démographiques sur le
marché immobilier.
La littérature économique sur les liens entre la démographie et les marchés immobiliers est
diversifiée et couvre de nombreux pays. La littérature s’est d’abord concentrée sur les États-Unis et
débute avec les travaux de Mankiw et Weil (1989), qui considèrent l’entrée du Baby-Boom comme la
principale cause de l’augmentation des prix réels de l’immobilier dans les années 1980. Les auteurs
prévoyaient ainsi une baisse réelle constante sur un horizon de 30 ans du parc immobilier des
États-Unis, due principalement à la sortie de cette même cohorte. Toutefois, ces prévisions se sont
révélées erronées et plusieurs chercheurs (Engelhardt and Poterba 1991; DiPasquale and Wheaton
1994; Harter-Dreiman 2004; Lindh and Malmberg 2008; Green and Lee 2016) ont remis en cause la
méthodologie utilisée pour en arriver à ce constat. Selon ces chercheurs, Mankiw et Weil (1989) ont
soit combiné l’effet de cohorte et l’effet d’âge (DiPasquale et Wheaton 1994, Green et Lee 2016), soit
sous-estimé l’élasticité de l’offre (DiPasquale et Wheaton 1994), soit ignoré les autres facteurs
macroéconomiques, dont le revenu (Engelhardt et Poterba 1991; Lindh et Malmberg 2008, Green et
Lee 2016) ou encore ont employé une lecture stationnaire de l’économie plutôt que de l’analyser de
manière dynamique (Harter-Dreiman 2004; Lindh and Malmberg 2008).
Nonobstant ces possibles problèmes méthodologiques, l’étude de Mankiw et Weil (1989) a eu un
impact important, notamment en raison de ses conclusions alarmistes à propos des impacts
potentiels sur l’économie des États-Unis. Ceci explique en partie pourquoi pendant de nombreuses
années, la littérature s’est exclusivement intéressée aux dynamiques immobilières des États-Unis
(DiPasquale and Wheaton 1994; Hendershott and Weicher 2002; Harter-Dreiman 2004; Van
Nieuwerburgh and Weill 2006; Rapach and Strauss 2009; Cvijanovic, Favilukis, and Polk 2010;
Ghysels and Plazzi 2012; Gupta and Miller 2012; Green and Lee 2016). Toutefois, la recherche s’est
4
généralisée depuis sur le plan géographique et les nouveaux travaux de recherche couvrent autant
de régions que les données le permettent. On voit donc des recherches sur les liens entre
démographie et immobilier dans le cas du Japon (Saita, Shimizu, et Watanabe 2013), de la France
(D’Albis et Djemai 2016; Garat 2009), de l’Allemagne (Just et Maennig 2012), de la Suède (Lindh et
Malmberg 2008), de la Finlande (Oikarinen et Engblom 2016), de l’Angleterre (Brown, Song et
McGillivray 1997; Poterba 2001), de l’Australie (G. S. Lee et al. 2001; C. L. Lee 2009; Ball, Meen et
Nygaard 2010) et du Canada (Poterba 2001; Fortin et Leclerc 2002; Allen et al. 2013; Fund 2013).
Plusieurs chercheurs ont également tenté de déterminer s’il existait des facteurs explicatifs
transnationaux en utilisant des données de panels couvrant plusieurs pays (Engelhardt et Poterba
1991; Meen 2002; Égert et Mihaljek 2007; Hott et Monnin 2008; Lindh et Malmberg 2008; Takáts
2012).
Van Nieuwerburgh et Weill (2006) ont analysé 30 ans de données couvrant les cinquante états
américains et rapportent que les changements de prix dans le secteur immobilier américain étaient
principalement dus à une croissance démographique exogène qui aurait pour principale cause
l'immigration. Ces résultats suggèrent que lorsque le mouvement de population est positif dans une
région donnée, les prix de l’immobilier tendent à augmenter plus rapidement, alors qu’une région qui
perd de sa population verra son marché immobilier stagner, voire perdre de sa valeur. Les
travailleurs potentiellement mobiles à l’intérieur des États-Unis seraient attirés par les zones à haute
productivité, ce qui aurait pour effet de faire pression à la hausse sur le marché immobilier. Les
différences dans les variations de prix à travers les régions seraient à cet égard plutôt dues à la
différence interrégionale de productivité de la main-d’œuvre qu’à un effet strictement exogène. Les
effets seraient également similaires entre plusieurs pays, même si on considère que le marché de
l’immobilier est un marché fondamentalement local (B. Case, Goetzmann et Rouwenhorst 2000).
Meen (2002) évalue que les marchés immobiliers des États-Unis et du Royaume-Uni évoluent en
réponse à des facteurs explicatifs similaires et fait le constat que les différences entre les études
parues seraient principalement dues à des différences de méthodologie et de données que de réelles
différences de marchés.
La fraction de personnes âgées dans la population (65 ans et plus chez Cvijanovic, Favilukis & Polk,
2010, et 75 ans et plus chez Lindh et Malmberg, 2008) a un effet significatif sur le prix de l’immobilier
et d’une amplitude plus importante que le taux de natalité et le taux de décès, qui auraient tous deux
5
un effet plutôt de long terme. Saiz (2007) démontre qu’un choc d’immigration équivalent à un pour
cent de la population d’une ville augmente d’un pour cent le prix des logements en location.
La demande pour les permis de bâtir suit la portion prévisible de la population (DellaVigna et Pollet,
2007, Cvijanovic, Favilukis et Polk, 2010) et est associée aux cohortes de jeunes (Lindh et
Malmberg, 2008). Les constructeurs de maisons neuves semblent donc faire leur choix de
construction en intégrant la partie prévisible du changement de population, c’est-à-dire
l’accroissement naturel. Si un flux imprévu de migration se produit dans la région, celui-ci aura, en
conséquence, un impact sur les le prix de l’immobilier à court terme, car il n’aura pas été anticipé par
les constructeurs. L’élasticité de l’offre aux États-Unis a été étudiée notamment par Topel et Rosen
(1988) qui rapportent une élasticité de court terme égale à 1 et de long terme égale à 3. Ces résultats
numériques sont toutefois constamment remis en question. Ils dépendraient de la périodicité des
données, de l’échelle (locale, régionale ou nationale) et seraient grandement variables selon le type
de données utilisées (en niveaux, en différences, en log-niveaux ou en log-différences) (Harter-
Dreiman 2004; Ball, Meen et Nygaard 2010). Toutefois, un constat important est que l’élasticité de
court terme et de long terme se confondent à t = 1 an. L’offre s’adapterait donc à la demande autour
d’un an après un choc. Lorsque t > 1 an, l’offre est considérée élastique et est plus grande que celle
de court terme, qui est considérée plutôt inélastique. Les chocs de demande sont en bonne partie
intégrés aux prix et le retour à l’équilibre se fait selon un facteur ( ) (Ball, Meen et
Nygaard 2010; Topel et Rosen 1988; Oikarinen et Engblom 2016).
L’évolution du prix de l’immobilier est également en partie expliquée par le facteur d’élasticité de
l’offre de terrains. Ces prix affichent une augmentation plus importante dans les régions où
l’expansion est plus difficile relativement aux régions où un certain étalement urbain est possible
(Saiz, 2010). Le même auteur considère également la législation contraignante comme un facteur de
l’inélasticité de l’offre des terrains, qui a ensuite un impact sur la valeur du marché. L’inélasticité de
l’offre de terrains, couplée à l’embourgeoisement, expliquerait en grande partie l’augmentation plus
rapide de la valeur de l’immobilier des grands centres (« Villes superstar ») par rapport à leur
périphérie (Gyourko, Mayer et Sinai, 2013).
Les aspects incertains et imprévisibles de la migration induisent des prix globalement plus élevés
(Cvijanovic, Favilukis et Polk, 2010). Les régions ayant une plus grande proportion de migration
verront ainsi leurs prix plus élevés que celles où la migration est proportionnellement moins
6
importante, car les constructeurs intègrent une certaine prime de risque face à l’incertitude de la
demande (Cvijanovic, Favilukis et Polk, 2010).
La partie de l’évolution démographique la plus prévisible est l’accroissement naturel de la population
(naissances moins décès) et il serait anticipé de 5 à 10 ans en avance (DellaVigna et Pollet, 2007).
L’accroissement naturel de la population n'aurait donc que très peu d'impact sur l'augmentation du
prix de vente du parc immobilier d'une région donnée, car les constructeurs se situeraient dans la
partie élastique de leur offre. Une étude réalisée en Allemagne montre que la réaction du marché à
une hausse de la population n’est pas la même qu’une baisse. Comme certaines régions de
l’Allemagne ont vu leur population augmenter et que d’autres ont subi des diminutions, les
chercheurs ont pu montrer que la réaction sur les prix d’une baisse nette de population est de deux à
trois fois plus rapide que suite à une hausse de même amplitude (Just et Maennig 2012).
Campbell, Davis, Gallin et Martin (2009) proposent d’analyser le marché immobilier avec des
techniques semblables à celles utilisées pour étudier les marchés financiers, en raison des multiples
similarités entre les deux marchés. Les cohortes actives sur les marchés financiers en tant
qu’épargnants nets ont un impact significatif à la hausse sur les rendements financiers dans un
échantillon de 7 pays de l’OCDE sur un intervalle de 50 ans (Davis & Li, 2003). Une hausse du ratio
de personnes entre 40 et 64 ans fait donc augmenter les rendements globaux. Toutefois, plusieurs
auteurs (Davis et Li, 2003; Ang et Maddaloni, 2003; Goyal, 2004; Geanakoplos, Magill et Quinzii,
2004) mettent en garde les décideurs contre le corollaire de cette conclusion, c’est-à-dire que la
baisse nette du ratio des 40-64 ans sur la population totale aurait un effet négatif sur les rendements.
Deux constats importants sont émis par Poterba (1991). Premièrement, il suggère que les
investisseurs-propriétaires ne sont pas rationnels, car la baisse de valeur réelle de leur maison dans
le début des années 1980, couplée à la hausse des taux d’intérêt en vigueur, aurait dû les porter à
vendre leur bien immobilier pour obtenir un meilleur rendement ailleurs. Deuxièmement, il propose
que les investisseurs-propriétaires extrapolent le futur à partir du passé. C’est, selon lui, ce qui a fait
qu’il n’y a pas eu de hausse substantielle des maisons en vente lors de la période de baisse réelle de
valeur des maisons du début de la décennie 1980. De plus, Malmendier & Nagel (2011) évaluent que
les expériences macroéconomiques des cohortes influencent leur propension à faire des choix
risqués. Celles qui ont vécu la Grande Dépression auraient ainsi moins tendance à faire des
investissements risqués que les autres.
7
Le marché de l’immobilier est aussi grandement influencé par l’accès au crédit (K. E. Case and
Shiller 1990; G. S. Lee et al. 2001; Égert and Mihaljek 2007), le revenu par habitant (G. S. Lee et al.
2001; Fortin et Leclerc 2002; Égert et Mihaljek 2007; Oikarinen et Engblom 2016), et le niveau
d’éducation (Green et Lee 2016). De plus, une grande partie de la variation future des prix peut être
prédite par la variation passée (Chin et Fan 2005; Oikarinen et Engblom 2016). À la fin du 20e siècle,
deux études ont recommandé de désormais utiliser les valeurs nominales des prix de l’immobilier
(Topel et Rosen 1988; Blackley 1999), car elles étaient plus représentatives des choix des acteurs du
marché. Toutefois, avec la chute des taux d’inflation et d’intérêt depuis la parution de ces études, ce
constat n’est plus autant d’actualité. La totalité des études recensées depuis les années 2000
utilisent les prix réels.
1.1. Les études au Canada
Il n’y a aucune recherche répertoriée ayant couvert l’évolution démographique québécoise et son
impact sur le marché immobilier de la province. Fortin et Leclerc (2002) ont toutefois fait l’exercice
sur le Canada et concluent que trois variables sont influentes pour évaluer le prix réel du marché du
logement. Celles-ci sont le revenu réel par adulte, le taux d’intérêt nominal sur les prêts immobiliers à
5 ans et la croissance de la population de 25 à 54 ans. Allen et al. (2013), quant à eux analysent
l’évolution du marché immobilier dans les plus grandes villes du Canada et en arrivent à la
conclusion que les facteurs microéconomiques, tels que le revenu par habitant et l’émission de
permis de construction, sont de meilleurs prédictifs de l’évolution du marché immobilier que les
facteurs macroéconomiques, tels que le taux d’intérêt et le PIB régional. Avant cette analyse,
Engelhardt et Poterba (1991) ont évalué la dynamique démographie-immobilier dans l’optique de
formuler une réponse à Mankiw et Weil (1989) et d’évaluer la robustesse du modèle qu’ils proposent
à une démographie similaire aux États-Unis, soit celle du Canada. Ils concluent que l’effet
prépondérant de la conclusion de 1989 (la perte réelle de valeur constante sur un horizon de trois
décennies) n’est pas présent au Canada et que leurs résultats suggèreraient plutôt le contraire, soit
qu’une baisse de la demande pourrait impliquer une hausse réelle de la valeur sur le même horizon.
La stagnation récente des prix de l’immobilier serait principalement due à une construction
excédentaire entre 2002 et 2008 (Fund 2013). Une baisse de l’investissement immobilier s’en est
donc suivi. Ce phénomène expliquerait une certaine stagnation à moyen terme sur les prix
immobiliers du Canada.
8
Dubé (2010) a tenté d’évaluer l’évolution du prix de l’immobilier dans la région de Québec en ciblant
notamment l’espace physique disponible pour l’expansion urbaine et sa corrélation avec l’évolution
des prix. Cette technique ressemble à celle de Saiz (2010), mais centralisée sur le marché de la
région de Québec. Il évalue également l’impact d’instaurer un service de bus rapides (Métrobus) sur
la valeur des propriétés environnantes. L’évolution démographique est utilisée à titre de facteur de
contrôle afin de faire ressortir l’effet de l’inélasticité de l’offre de terrains dans la région.
1.2. Les recherches des institutions gouvernementales sur
l’évolution démographique future
Trois recherches récentes effectuées par l’Institut de la Statistique du Québec (ISQ) seront très utiles
dans le cadre de la présente recherche. La première est le bilan démographique du Québec 2015
(Institut de la statistique du Québec, 2015), qui fait un constat général de l’évolution démographique
du Québec de la dernière année en la comparant aux années précédentes. Cette étude rend
disponible le taux de fertilité, de mortalité, la cause des décès en 2015 en plus de fournir des
informations différenciées selon les régions administratives du Québec.
La seconde recherche est le coup d’œil sociodémographique numéro 45 qui fait des constats sur la
population des municipalités du Québec au 1er juillet 2015 (André, 2016). Cette étude permet de
suivre la tendance des mouvements de population selon la taille de la municipalité. La tendance
d’aller habiter en banlieue y est très présente. En effet, les grands centres ont un taux de croissance
de la population semblable au taux de croissance de la province (9,1 ‰ contre 9,0 ‰), mais les villes
moyennes (de 5 000 à 99 999 habitants) ont un taux de croissance se situant entre 11,5 et 12,9 ‰.
La population des petites municipalités aurait donc tendance à se déplacer vers les grands centres et
celle des grands centres à aller vers la banlieue.
La troisième recherche est une étude sur les perspectives de croissance de la population du Québec
pour les cinquante années à venir (Institut de la statistique du Québec, 2014). Elle sera notre outil
principal pour effectuer des prévisions sur le marché immobilier québécois.
Finalement notons les recherches ayant comme objet d’étude spécifique le marché immobilier
québécois et effectuées pour le compte de la société d’habitation du Québec (SHQ). Deux études
seront utiles aux fins de la présente analyse. Il s’agit de la publication « Les baby-boomers et le
logement » parue en 2010 (Société d’habitation du Québec, 2010) ainsi que « L’évolution
9
démographique et le logement au Québec : Rétrospective 1991-2006 et perspectives 2006-2056 »
(Société d’habitation du Québec, 2012). Ces deux études pourront être utiles pour valider le réalisme
des conclusions de la présente étude.
10
Chapitre 2 Les données utilisées
Les données utilisées portent sur l’immobilier ou sont de type démographique ou macroéconomique,
et proviennent principalement de trois sources.
2.1. Les données immobilières
Les données immobilières proviennent de deux différentes sources, soit la Société canadienne
d’hypothèque et de logement (SCHL) et la Fédération des chambres immobilières du Québec
(FCIQ), via le système Centris®.
Tout d’abord, les données disponibles auprès de la FCIQ via le système Centris® portent sur le
marché des reventes conclues à l’aide d’un courtier immobilier. Ces données sont ventilées selon le
type d’habitation et la région administrative. Elles sont de fréquence annuelle, sont disponibles
depuis 2002 mais ne sont pas en consultation libre, étant privées.
Ces données nous permettent de construire la variable « prix immobilier » selon la méthode
suivante : la valeur totale des transactions dans la région j pour l’année t est divisée par le nombre de
transactions dans cette même région et pour la même année, formant une valeur moyenne de
transaction. Cette valeur moyenne est ensuite divisée par l’IPC (Indice des prix à la consommation)
pour former un prix moyen réel des habitations dans la région j à l’année t. On prend ensuite le
logarithme de ce prix moyen réel et on obtient notre .
Les données disponibles auprès de la SCHL, quant à elles, incluent les mises en chantier annuelles
différenciées selon la région administrative. Elles sont disponibles de 1996 à 2016, mais sont
également privées et donc pas en consultation libre. Ces données nous serviront de proxy pour les
changements dans l’offre d’habitation.
2.2. Les données macroéconomiques
Deux séries de données macroéconomiques sont utilisées dans le cadre de la présente recherche et
proviennent de l’Institut de la statistique du Québec (ISQ) et de la Banque du Canada,
respectivement. Comme les données sur les prix, la fréquence de ces données est annuelle.
11
Tout d’abord, les revenus nominaux per capita à l’année t selon les régions administratives forment
une partie essentielle de notre analyse. Ces revenus nominaux sont divisés par l’indice des prix à la
consommation et le log du résultat forme la variable , le revenu réel per capita dans la région j au
temps t.
Ensuite, le taux d’intérêt provient de l’indice hypothécaire calculé par la Banque du Canada (celle-ci
est mensuelle et porte sur le dernier mercredi du mois, mais nous utilisons une moyenne annuelle de
ces données mensuelles dans notre analyse comme variable ), que nous divisons par l’indice des
prix à la consommation. Nous obtenons ainsi le taux d’intérêt réel des emprunts à 5 ans.
2.3. Les données démographiques
Les données démographiques proviennent de l’ISQ. Celles-ci ont une fréquence annuelle et sont
disponibles en libre accès dans la Banque de données des statistiques officielles (BDSO) et se
divisent en plusieurs sous-sections :
Tout d’abord, on compte les migrations interrégionales, interprovinciales et internationales, qui sont
disponibles depuis 2001-2002, 1996-1997 et 1996-1997, respectivement. Pour être utilisées, elles
sont additionnées et ensuite divisées selon la population totale de la région. La migration nette par
région, en points de pourcentage de la population, est donc utilisée comme indicateur de la
migration.
Ensuite, le nombre de décès et de naissances est disponible depuis 1996-1997 et est divisible selon
la région administrative de résidence. En soustrayant les décès des naissances et en divisant par la
population de la région, on obtient la croissance naturelle de la population en rapport avec la
population totale pour chaque région et pour chaque année, à nouveau sous forme de points de
pourcentage.
Finalement, le nombre de personnes par groupe d’âge est aussi disponible depuis 1996-1997 selon
les régions administratives. Ainsi, l’addition de chaque groupe d’âge de 25 à 54 ans, ainsi que celui
de 65 ans et plus, chacun divisé par la population totale, permet de calculer l’importance relative (en
points de pourcentage) de ces cohortes dans la population de chaque région.
12
Toutes ces données sont également disponibles en prévisions jusqu’en 2036. Celles-ci permettront
de faire des projections dans le futur pour tenter d’anticiper les impacts à venir des changements
dans ces variables démographiques.
13
Chapitre 3 Méthodologie
Plusieurs chercheurs ayant étudié les marchés immobiliers décomposent les dynamiques
immobilières en composantes de court terme et de long terme (K. E. Case and Shiller 1989, 1990;
Abraham and Hendershoti 1996; Hendershott and Weicher 2002; Røed Larsen and Weum 2008;
Beracha and Skiba 2011). Selon cette approche, une dynamique de long terme, ou
« fondamentale », est d’abord établie et une dynamique de court terme autour du long terme vient
ensuite s’ajouter à l’analyse. Cette dynamique de court terme fait donc dévier le prix des habitations
de son équilibre de long terme pendant une période, plus ou moins longue, qui a toutefois toujours
tendance à s’estomper graduellement.
Dans ce contexte, la méthodologie utilisée dans le présent mémoire est celle des modèles à
correction d’erreur dans un contexte de données de panel non stationnaires coïntégrées. Ce modèle
suppose l’existence d’une relation de long terme qui encadre l’évolution des prix de l’immobilier dans
chaque région sur un horizon long, et une dynamique de correction d’erreur qui gouverne les
ajustements transitoires autour de cette tendance de long terme. L’aspect panel de l’analyse permet
également de différencier certains des paramètres des relations de court et de long terme selon la
région. Nous décrivons ces deux composantes de l’analyse l’une après l’autre.
3.1. Relation de long terme
On suppose l’existence d’une relation de long terme, ou relation de coïntégration, entre le prix de
l’immobilier et le revenu de la région si bien que
(1)
où et représentent le prix moyen du parc immobilier et le revenu réel moyen de la région j au
temps t, respectivement.
Dans l’expression (1), et sont non-stationnaires, mais leur évolution de long terme est liée.
Économétriquement parlant, les variables sont I(1), mais coïntégrées. L’analyse ci-dessous teste
cette proposition et une fois estimée, la relation (1) constituera le vecteur de coïntégration liant le prix
immobilier et le revenu réel moyens.
14
D’autres variables pourraient potentiellement être coïntégrées avec le prix de l’immobilier et donc se
retrouver dans l’expression (1) : on pense notamment à la population d’une région ou d’autres
variables démographiques. Cependant, l’analyse empirique décrite dans la section 4.3 démontre que
la relation de coïntégration la plus clairement étalée dans les données est celle où le prix est
coïntégré avec le revenu de chaque région.
3.2. Correction d’erreur
Notre relation d’ajustement dynamique utilise la notion de prix de long terme ou d’équilibre, qui est
établi en utilisant la relation estimée pour (1). On a donc :
(2)
où représente maintenant le niveau estimé du prix de long terme (ou d’équilibre).
Lorsque est supérieur à zéro, i.e. le prix actuel est plus élevé que son niveau d’équilibre de
long terme, devrait avoir tendance à diminuer dans les périodes subséquentes. À l’inverse, si
est inférieur à zéro (i.e. si le prix actuel est inférieur à son niveau d’équilibre), devrait
afficher une tendance à la hausse dans le futur. Dans ce sens, les déséquilibres entre et ont
tendance à se résorber graduellement et notre analyse dynamique ci-dessous estimera la vitesse à
laquelle cette correction des déséquilibres est effectuée.
L’intuition précédente suggère le modèle suivant de correction d’erreurs: (
) . Il est toutefois possible que davantage de variables aient des impacts sur la dynamique
d’ajustement des prix; variables macroéconomiques, croissance des prix retardée ou variables
démographiques. Cette considération nous amène donc à postuler une forme plus générale du
modèle de correction d’erreur selon la forme suivante :
( )
(3)
où : coefficient d’ajustement. La discussion ci-dessus suggère .
15
: coefficient de « momentum »
: coefficients relatifs au revenu moyen, au taux d’intérêt ( ), au stock
d’habitations ( ) et à différentes variables démographiques potentielles (avec un
sous forme vectorielle).
Dans le modèle (3), le coefficient d’ajustement ( ) permet aux prix de s’ajuster au déséquilibre
graduellement. Dans ce contexte, un coefficient signifie que la moitié de la différence
entre et est comblée chaque année. Le coefficient d’ajustement est donc la vitesse
d’ajustement à la valeur de long terme. Ce coefficient est par hypothèse négatif afin d’éviter une
fonction explosive.
Le coefficient de momentum ( ) permet au modèle de capter une tendance de continuité dans
l’évolution des prix de l’immobilier. En effet, lorsque les prix augmentent rapidement jusqu’en t, il y a
de grandes chances qu’en t+1, l’augmentation se poursuive, en raison d’une inertie inhérente à
l’évolution des prix. C’est pourquoi nous nous attendons à ce que le coefficient soit positif.
L’inverse voudrait plutôt suggérer qu’il n’existe pas de momentum et donc qu’une augmentation en t
aurait été contrecarrée par une baisse en t + 1. On s’attend également à ce que, selon la littérature,
le revenu moyen ait un coefficient positif ( ) et le taux d’intérêt un coefficient négatif ( ).
Le changement dans le stock d’habitations (i.e. les mises en chantiers) devrait quant à lui avoir un
effet négatif ( ) puisque qu’une augmentation dans le stock d’habitions représente, ceteris
paribus, une augmentation de l’offre qui devrait faire pression à la baisse sur les prix.
La méthodologie utilisée permet également d’ajouter à l’estimation de (3) l’impact des modifications
dans la structure d’âge pour les années à venir à partir du scénario de référence de l’ISQ. L’ISQ
publie périodiquement des mises à jour de ses prévisions démographiques pour les 20 années à
venir pour les différentes régions administratives du Québec. Ces prévisions sont développées à
partir du scénario de référence de l’ISQ et séparent la variation de la population selon les sources de
modification anticipées (accroissement naturel et migration nette). Si, par exemple, la région de
Québec est appelée à voir son taux de natalité diminuer, mais que son taux d’immigration augmente,
l’effet total sera le même sur la population; toutefois, selon la littérature, l’impact pourrait être différent
pour les prix immobiliers. À travers l’estimation des effets liés aux changements démographiques (le
16
coefficient dans (3)), la présente étude permettra d’appréhender les impacts d’une structure
démographique en changement sur le marché immobilier des régions du Québec.
L’estimation de (1) et (3) s’effectue en deux temps. Tout d’abord la technique de Pedroni (2001) est
utilisée pour estimer les paramètres de coïntégration dans (1). Notons que cette technique permet
une relation entre prix et revenu qui est différente d’une région à l’autre. Ensuite l’estimation de (3)
s’effectue en utilisant la méthode des moments généralisés d’Arellano-Bover/Blundell-Bond (MMG-
ABBB). Cette méthode permet de limiter le biais généré par le fait que les variables inobservées des
panels d’un modèle linéaire dynamique sont corrélées avec la variable dépendante retardée, rendant
les estimateurs standard non convergents. Le modèle des moments généralisés d’Arellano-
Bover/Blundell-Bond (MMG-ABBB) élimine ces problématiques sous l’hypothèse qu’il n’y a pas
d’autocorrélation des erreurs, ce que nous devrons vérifier.
Le modèle par panel basé sur la méthode MMG-ABBB inclut p retards de la variable dépendante de
manière à contenir les effets fixes ou aléatoires non observés du panel estimé. L’absence de
l’intégration de ces variables dépendantes retardées peut rendre les estimateurs incohérents par la
présence d’effets non observés sur les variables dépendantes retardées. Le MMG-ABBB élimine
donc la présence de biais de simultanéité et utilise des conditions de moments supplémentaires pour
limiter le biais atténuatif d’autocorrélation. C’est un modèle adapté aux panels nombreux avec peu de
périodes, comme c’est le cas dans la présente recherche.
17
Chapitre 4 Analyse empirique
4.1. Analyse descriptive
Nous débutons l’analyse empirique en présentant l’évolution générale des prix de l’immobilier dans
les régions québécoises. Le Tableau 1 ci-dessous présente les statistiques descriptives régionales
pour la période étudiée (2002 à 2016). La variable d’intérêt est la moyenne annuelle des prix de
vente réels par région (dans ce qui suit, nous dénotons cette variable comme le « prix de
l’immobilier » pour simplifier le texte).
Tableau 1: Statistiques descriptives de la croissance dans les prix de l'immobilier ( ( ))
Région
Nombre
d'observations Moyenne Écart-type
Autocorrélation de
premier ordre de
1 Bas-Saint-Laurent 7 0,0126 0,0237 0,586
2 Saguenay-Lac-Saint-Jean 14 0,0479 0,0449 0,730
3 Capitale-Nationale 14 0,0624 0,0464 0,665
4 Mauricie 14 0,0434 0,0432 0,568
5 Estrie 14 0,0524 0,0473 0,708
6 Montréal 14 0,0587 0,0453 0,405
7 Outaouais 14 0,0510 0,0419 0,700
8 Abitibi-Témiscamingue 14 0,0647 0,0516 0,060
9 Côte-Nord 14 0,0510 0,0703 0,321
10 Nord-du-Québec 0
11 Gaspésie-Îles-de-la-Madeleine 9 0,0334 0,0590 -0,029
12 Chaudières-Appalaches 14 0,0497 0,0370 0,726
13 Laval 14 0,0598 0,0452 0.575
14 Lanaudière 14 0,0574 0,0470 0,674
15 Laurentides 14 0,0505 0,0436 0,767
16 Montérégie 14 0,0546 0,0402 0.725
17 Centre-du-Québec 9 0,0304 0,0359 -0.677
18 Tout le Québec 14 0,0578 0,0403 0.676
Notes : La moyenne est le changement moyen dans le logarithme des prix réels de l'immobilier dans
chaque région et l'écart-type est celui du changement du logarithme dans les prix réels. Les séries en
italique ne sont pas considérées pour les calculs de racine unitaire et de coïntégration.
Les régions 1, 10, 11 et 17 n’ont pas suffisamment de données pour l’analyse de coïntégration
menée ci-dessous et en seront donc exclues. La « région » 18 est une agrégation de toutes les
régions du Québec : dans l’objectif de ne pas fausser les résultats en intégrant un panel provincial
18
parmi les régionaux, cette « région » est également exclue de l’analyse, mais est utilisée dans les
projections du Chapitre 5.
Le Tableau 1 révèle que la moyenne d’augmentation annuelle pour les années disponibles est de
5,78 % pour tout le Québec, 5,87 %s pour la région de Montréal et 6,24 % pour la région de Québec,
notamment. L’augmentation réelle moyenne la plus importante est celle de l’Abitibi-Témiscamingue,
une région récemment aux prises avec une pénurie de logements. Les écarts-types des taux de
croissance, de même que l’autocorrélation de ces augmentations, sont tous deux relativement
élevés. De plus, comme il est possible de le constater dans la Figure 1, les taux de croissance dans
les prix de l’immobilier sont à la baisse dans les dernières années, relativement au début des années
2000. Dans plusieurs régions, cette baisse globale dans les taux de croissance s’est même
manifestée par des taux de croissance négatifs, i.e. des baisses de prix, dans les années 2013-2016.
Figure 1: Taux de croissance des prix de l'immobilier dans les régions du Québec :2003-2016
-10
-5
0
5
10
15
20
2 0 0 3 2 0 0 4 2 0 0 5 2 0 0 6 2 0 0 7 2 0 0 8 2 0 0 9 2 0 1 0 2 0 1 1 2 0 1 2 2 0 1 3 2 0 1 4 2 0 1 5 2 0 1 6
Bas-Saint-Laurent Saguenay-Lac-Saint-Jean Capitale-Nationale
Mauricie Estrie Montréal
Outaouais Abitibi-Témiscamingue Côte-Nord
Nord-du-Québec Gaspésie-Îles-de-la-Madeleine Chaudières-Appalaches
Laval Lanaudière Laurentides
Montérégie Centre-du-Québec Le Québec
19
4.2. Tests de racine unitaire
Notre estimation en deux temps, de (1) et de (3), est valide si le niveau des prix est non stationnaire
tandis que son taux de croissance est lui stationnaire. Il est donc important d’établir le niveau de
stationnarité dans les données de prix. Ceci est effectué à l’aide des tests dont les résultats sont
rapportés au Tableau 2 ci-dessous. On y recense plusieurs tests de racine unitaire effectués à la fois
sur le (log) niveau et le taux de croissance de celui-ci. L’ensemble des tests effectués sur les
données de panel permettent d’établir que les niveaux d’intégration correspondent aux exigences de
notre approche économétrique. Notons que les tests Levin-Lin-Chu et Harris-Tzavalis testent la
présence de racine unitaire sur des données de panel en posant comme hypothèse (H0) la présence
d’une seule et même racine unitaire pour tous les panels tandis que le test de Im-Pesaran-Shin,
moins restrictif, fait l’hypothèse que quelques panels sont stationnaires. Le test Harris-Tzavalis est
adapté aux panels ayant peu de lectures dans le temps tandis que les deux autres sont plutôt
adaptés aux panels peu nombreux. Rejeter l’hypothèse de base des trois tests permet de conclure
qu’on peut rejeter la présence de racine unitaire dans les niveaux (pour les colonnes de gauche du
tableau) et dans les taux de croissance (colonnes de droite). Les résultats présentés dans le tableau
indiquent que l’hypothèse de racine unitaire n’est pas rejetée pour les niveaux, mais rejetée très
clairement pour le taux de croissance. Ces résultats suggèrent que les log-niveaux sont non
stationnaires et que les taux de croissance sont stationnaires. Ces résultats concordent avec ceux
obtenus par Oikarinen & Engblom (2016) et valident les hypothèses sous-jacentes à (1) et (3).
Tableau 2: Présence de racine unitaire dans le prix de l’immobilier
Log-niveaux Log-différences
Tests t-stat du β global p-value t-stat du β global p-value
Harris-Tzavalis 0,8871 0,8106 -4,6979*** 0,0000
Levin-Lin-Chu -0,7752 0,2191 -5,8968*** 0,0000
Im-Pesaran-Shin 3,0553 0,9989 -4,0606*** 0,0000
Notes: *, ** et *** sont respectivement les seuils de significativité de 10, 5 et 1 %. Dans tous les tests, l’hypothèse nulle
est celle d’une racine unitaire dans la variable testée.
20
4.3. Coïntégration
Un processus temporel non stationnaire a une moyenne et/ou une variance qui change dans le
temps. Lorsque la première différence d’une telle variable est stationnaire, le processus est dit
intégré d’ordre 1, écrit I(1). Quand une combinaison linéaire de plus d’une série I(1) est stationnaire,
on dit alors que les séries sont coïntégrées d’ordre 1 (Engle and Granger 1987). Cette relation
implique qu’une dynamique de long terme existe entre ces deux variables et qu’il est important d’en
tenir compte. Deux variables coïntégrées auront tendance à évoluer de manière commune dans le
long terme. Un choc sur l’une des deux variables coïntégrées se révèlera donc sur l’autre avec un
certain délai, pour qu’éventuellement la dynamique des deux variables retourne à sa tendance de
long terme.
Deux questionnements importants existent donc lorsque l’on découvre de la coïntégration entre deux
variables. D’abord, quelle est la relation de long terme entre ces variables. Comme les variables sont
coïntégrées d’ordre 1, le facteur de coïntégration devrait donc être une constante à estimer, que l’on
peut estimer dans un modèle en panel à l’aide des résultats des tests de Pedroni (1999), Kao et
Chiang (2000) et Westerlund (2005). Ensuite, la vitesse d’ajustement, ou dynamique de court terme
doit également être estimée à l’aide d’une régression de retour à l’équilibre. C’est donc les deux
étapes qui devront suivre la découverte de coïntégration entre variables dans le modèle estimé.
Mais d’abord, avant de calculer la valeur du coefficient de coïntégration, il faut identifier la présence
de coïntégration. Nous évaluons donc la présence de coïntégration entre les variables du modèle
proposé à l’aide de trois tests couramment utilisés dans la littérature : (Pedroni 1999; Kao et Chiang
2000; Westerlund 2005).
D’abord, le test de Kao pose l’hypothèse que le coefficient de coïntégration est le même pour tous
les panels (les régions dans notre étude). Ainsi, le coefficient dans (1) est contraint en . La
puissance du test est favorisée par le fait qu’il utilise tous les panels pour estimer un seul et unique
. Toutefois, cette hypothèse est restrictive : on tendra naturellement à penser que l’effet d’une
variation du revenu, par exemple, aura plus d’impact sur les prix dans une région densément peuplée
que dans une région où l’étalement urbain permet une augmentation de l’offre d’habitations sans
grande pression sur les prix de celles-ci. Les deux prochains tests, Pedroni (1999) et Westerlund
21
(2005), ne font pas l’hypothèse restrictive d’un commun et permettent plutôt la possibilité que celui-
ci diffère d’une région à l’autre.
Comme nous pouvons le constater dans le Tableau 3, les résultats des tests permettent d’affirmer
que l’évidence la plus solide relativement à la présence de coïntégration apparaît dans le cas du
revenu et du prix (haut du tableau). En effet, la majorité des déclinaisons des tests de Kao, Pedroni
et Westerlund rejettent de manière décisive l’hypothèse nulle d’absence de coïntégration. Ensuite, le
tableau recense les résultats des tests de coïntégration entre le prix et la population (deuxième panel
du Tableau) : les tests de Pedroni concluent majoritairement qu’il y a présence de coïntégration entre
la population et les prix tandis que les deux autres séries de tests (Kao et Westerlund) ne peuvent
pas exclure l’hypothèse nulle d’absence de coïntégration. Enfin, les deux derniers tests effectués
évaluent la présence d’une relation de coïntégration liant les prix non seulement au revenu, mais
également à une variable démographique : la population (test 3) et la densité (test 4). Bien que les
résultats de ces tests suggèrent une possibilité de coïntégration entre prix, revenu et population
(panel 3 du tableau), l’estimation de cette relation est non viable en raison de la taille de l’échantillon.
Globalement, les résultats du test de Westerlund se montrent systématiquement plus concluants
pour les estimations sans la restriction d’un unique : les résultats sous l’hypothèse d’un propre à
chaque région sont plus significatifs que ceux où l’hypothèse est que le est le même pour tous les
panels.
La relation de coïntégration que les trois tests identifient comme étant la plus concluante est donc
celle entre le prix et le revenu par habitant et ce, en présence d’un différencié selon les régions.
Ces résultats sont en phase avec les conclusions d’Oikarinen & Engblom (2016) et c’est cette
hypothèse qui sera retenue pour notre travail économétrique. Il est important toutefois de noter que
les variables démographiques continueront de pouvoir affecter l’évolution des prix de l’immobilier, à
travers les ajustements vers la tendance de long terme décrits par l’équation (3).
22
Tableau 3 : Présence de coïntégration entre le prix de l’immobilier et des variables macroéconomiques ou démographiques
Kao (1999) Pedroni (2000, 2004) Westerlund (2005)
δj δ δj δ δj δ
Revenu
disponible
MPP 0,0397 0,0336
PP 0,0000 0,4976
MDF 0,0305
DF 0,0601
ADF 0,1861 0,0000 0,0000
UmDF 0,0954
mDF 0,1007
VR 0,0031 0,0072 0,0081
Population
MPP 0,0114 0,0273
PP 0,0000 0,4680
MDF 0,4101
DF 0,0004
ADF 0,1014 0,0000 0,0000
UmDF 0,1895
mDF 0,0016
VR 0,0000 0,2886 0,3875
Revenu
disponible +
Population
MPP 0,1644 0,1674
PP 0,0000 0,3715
MDF 0,0271
DF 0,0576
ADF 0,1891 0,0158 0,0012
UmDF 0,0932
mDF 0,0999
VR 0,0490 0,0394 0,0630
Revenu
disponible +
densité
MPP 0,0425 0,0498
PP 0,0365 0,1973
MDF 0,0033
DF 0,0117
ADF 0,3217 0,0007 0,4832
UmDF 0,0194
mDF 0,0227
VR 0,0515 0,0272 0,0551
Notes: Le tableau rapporte les p-stats des différents tests de coïntégration proposés dans Pedroni (1999), Kao et Chiang
(2000) et Westerlund (2005) : Philips-Perron modifié (MPP), Philips-Perron (PP), Dickey-Fuller Modifié (MDF),
Dickey-Fuller (DF), Dickey-Fuller augmenté (ADF), Dickey-Fuller modifié non-ajusté (UmDF), Dickey-Fuller non-
ajusté (mDF), Ratio de variance (VR). Tous les tests ont comme hypothèse nulle H0 : absence de coïntégration. Les
résultats en caractères gras sont significatifs au seuil de 10 %.
23
Nous pouvons donc conclure qu’il existe bel et bien une relation de coïntégration entre le revenu
( ) et les prix ( ) et que le coefficient de coïntégration est différencié selon les régions ( ). En
d’autres mots, lorsqu’il y a modification du revenu disponible par habitant dans une région donnée,
on s’attend à ce que le prix des habitations dans la région soit modifié en conséquence, mais d’un
multiple différent pour chaque région. Il est important d’avoir au préalable testé l’absence de racine
unitaire, car la relation de coïntégration aurait pu être attribuée à des variables qui ont une
covariance constante simplement dû à une relation temporelle fortuite.
Une fois la présence de coïntégration entre revenus et prix de l’immobilier confirmée, nous estimons
maintenant le coefficient de coïntégration ( ) pour chaque région. Le Tableau 4 illustre ces résultats
pour chacune des régions pour lesquelles l’estimation était possible. Ces estimations utilisent la
méthode PDOLS (Pedroni, 2001).
Tableau 4 : Coefficients de coïntégration entre prix et revenu par habitant (PDOLS en log-
niveaux, Pedroni 2001)
Revenu disponible en log-niveaux
Région Constante ( ) Coefficient ( ) Test t
1 Bas-Saint-Laurent
2 Saguenay-Lac-Saint-Jean -11,61 2,37 124,2
3 Capitale-Nationale -26,23 3,85 20,7
4 Mauricie -9,12 2,11 64,46
5 Estrie -3,71 1,59 50,41
6 Montréal -36,66 4,94 20,34
7 Outaouais -7,98 2,02 28,32
8 Abitibi-Témiscamingue -10,22 2,21 69,78
9 Côte-Nord -9,45 2,12 27,63
10 Nord-du-Québec
11 Gaspésie-Îles-de-la-Madeleine
12 Chaudière-Appalaches -14,25 2,64 6,028
13 Laval -36,28 4,88 13,55
14 Lanaudière -14,00 2,62 29,85
15 Laurentides -3,62 1,59 5,25
16 Montérégie -9,64 2,19 15,78
17 Centre-du-Québec
Test joint: -14,83 2,70 132,1
Notes: Les résultats des tests t sont normalisés à N(0,1). Il n'y a pas assez de données disponibles dans
les panels 1, 10, 11 et 17 pour pouvoir obtenir un résultat. Le test joint est donc effectué uniquement
sur les panels ayant une valeur inscrite au tableau.
24
Lorsque le revenu disponible augmente dans une région densément peuplée, il est raisonnable de
penser que la difficulté de développer rapidement de nouvelles habitations aura comme résultat de
faire augmenter la moyenne de prix de vente des unités d’habitation, alors que cette augmentation
devrait être plus modérée suite à une modification du revenu disponible dans une région moins
densément peuplée. L’élasticité-revenu des prix des habitations est donc normalement plus élevée
dans les régions densément peuplées telles que Montréal et Laval que dans les régions relativement
moins peuplées telles que l’Estrie et Chaudière-Appalaches. Les résultats illustrés dans le Tableau 4
concordent avec cette intuition : ils démontrent que lorsque le revenu disponible par habitant
augmente d’un pour cent, le prix moyen de vente des unités d’habitations est, à long terme, voué à
augmenter de 1,59 % en Estrie et dans les Laurentides, par exemple, mais jusqu’à 4,94 % dans la
région administrative de Montréal. Ces résultats concordent avec le résultat des recherches de Saiz
(2010), qui considère la terre comme un intrant rare et donc très peu élastique. La Figure 2 illustre
graphiquement les résultats du Tableau 4 en les plaçant sur une carte du Québec et en identifiant les
régions par degré de coïntégration entre revenu et prix.
Il importe de mentionner que les régions pour lesquelles aucun coefficient de coïntégration n’est
affiché n’ont pas été incluses dans cette analyse, en raison d’un manque de données disponibles. En
effet, la routine PDOLS de Pedroni (2001) nécessite des panels parfaitement équilibrés. Pour la
suite, le coefficient de coïntégration qui sera imputé à ces quatre régions est celui du test joint.
Imputer une valeur de coïntégration à une région n’a évidemment pas que des avantages. Les
régions pour lesquelles des résultats ont été imputés sont des régions à basse densité qui ont
vraisemblablement un coefficient d’élasticité relativement bas. Ce processus pourrait donc surestimer
l’élasticité-revenu et par conséquent la tendance à long terme des prix de l’immobilier relativement au
revenu par habitant de la région. Toutefois, conserver ces régions dans notre analyse permet
d’obtenir un point de vue plus clair des dynamiques démographiques ayant cours dans la province.
Même si les conclusions seront utiles, il faudra dès lors ajouter un bémol sur les résultats relatifs aux
régions pour lesquelles on a imputé des résultats, soit le Bas-Saint-Laurent, le Nord-du-Québec, la
Gaspésie-Îles-de-la-Madeleine et le Centre-du-Québec.
La Figure 3 illustre la performance de l’équation (2), en rapportant à la fois le prix observé ( ) (ligne
continue) et le prix prédit par la relation de coïntégration avec le revenu ( ) (ligne pointillée),
imputée à l’aide des coefficients exposés dans le Tableau 4. On compare donc les résultats de
25
l’équation (2) avec les variations réelles du marché immobilier dans les régions du Québec. Une
analyse visuelle tend à confirmer que les coefficients estimés par la méthode de Pedroni au Tableau
4 sont relativement performants. On notera toutefois que le modèle n’arrive pas à bien reproduire les
diminutions de prix ayant été observées récemment dans certaines régions (Saguenay - Lac - St -
Jean, Capitale-Nationale, etc.) : on peut présumer que cela est dû au fait que le revenu disponible a
continué de croître dans ces régions alors que l’évolution des prix de l’immobilier affichait un certain
essoufflement.
Figure 2 : Illustration des coefficients de coïntégration régionaux entre revenu et prix de l’immobilier
26
Figure 3 : Dynamique des prix autour du revenu disponible par habitant dans les régions du Québec
27
4.4. Résultats de l’estimation des ajustements de court-
terme
Une fois muni des estimés des coefficients de coïntégration, la mesure d’écart entre prix actuel et
prix de long terme indiqué en (2) peut être construite pour chacune des régions. Nous devons vérifier
qu’il y a absence d’autocorrélation des erreurs pour que l’estimation de (3) puisse ensuite être
effectuée. Un test d’autocorrélation des erreurs de Wooldridge effectué sur le modèle utilisé en
différences ne nous permet pas d’exclure l’hypothèse H0 d’absence d’autocorrélation des erreurs,
nous pouvons donc procéder avec la régression MMG-ABBB.
Le Tableau 5 à la page suivante présente donc les résultats d’estimation de 3 versions de
l’expression (3) à l’aide de la méthode ABBB (xtdpdsys sous Stata). Dans la première version
(« Modèle 1 »), la spécification utilisée par Oikarinen et Engblom (2016) est retenue. En plus des
termes liés à la correction d’erreurs et de la croissance retardée du prix, celle-ci inclut les variables
explicatives suivantes : le revenu réel par habitant ( ), le taux d’intérêt réel ( ), le stock d’habitations
( ), et la population totale ( ). Rappelons que ces variables sont différentes pour chaque région, à
l’exception du taux d’intérêt. De plus, les variables sont différenciées et retardées, de manière à
éviter des problèmes d’endogénéité. Dans les 2e et 3e colonnes du tableau, les modèles 2 et 3
modifient la version de base par une spécialisation des variables démographiques utilisées. En effet,
le modèle 2 sépare la variable de population en ses deux sources de variation potentielle, soit
l’accroissement naturel (naissances moins décès) et la migration nette (immigration moins
émigration). Le modèle 3, quant à lui, y ajoute les indicateurs des deux cohortes les plus actives sur
le marché de l’immobilier, soit les 25 à 54 ans et les 65 ans et plus.
28
Tableau 5 : Estimation de la dynamique d’ajustement (3): (Arellano-Bover/Blundell-Bond)
Modèle 1 : Modèle
d’Oikarinen & Engblom
Modèle 2 : séparation
du ∆ population
Modèle 3 : Modèle avec
cohortes distinctes
Coefficient Écart-type Coefficient Écart-type Coefficient Écart-type
-0.278*** (0.088) -0.215*** (0.050) -0.185*** (0.062)
∆pi,t-1 0.413*** (0.075) 0.397*** (0.057) 0.180* (0.103)
∆yt-1, revenu disponible 0.359* (0.206) 0.296 (0.196) 0.397* (0.221)
∆it-1, taux d'intérêt -0.009* (0.005) -0.013** (0.005) -0.010* (0.006)
∆St-1, stock d'habitations 4.336*** (0.943) 3.913*** (0.717) 1.523** (0.767)
∆ population t-1 1.226 (1.604)
∆ accroissement naturel t-1 0.162*** (0.054) 0.089 (0.067)
∆ migration nette t-1 0.044** (0.029) 0.056** (0.022)
∆ 25 à 54 ans t-1 0.009 (0.028)
∆ personnes âgées t-1 -0.129** (0.045)
Notes: Estimation de (3) via ABBB. Le modèle 1 est celui d’Oikarinen & Engblom (2016) avec le taux
d'intérêt retardé. Le modèle 2 différencie la variation de la population selon sa source. Le modèle 3 inclut
quant à lui tous les facteurs considérés dans la présente recherche. La notation *, ** et *** représente des
coefficients statistiquement significatifs au seuil 10 %, 5 % et 1 %, respectivement. Les coefficients de la
section du bas ont été multipliés par 100 pour en faciliter la lecture.
Plusieurs résultats intéressants émergent de l’estimation du modèle. Tout d’abord, voyons les
résultats liés au Modèle 1. Le paramètre d’ajustement , qui indique la vitesse à laquelle les
déséquilibres entre et se résorbent, est de -0.278. Cela indique qu’un choc qui amène un
déséquilibre donné entre et se sera résorbé à 28 % dès l’année suivante. La demi-vie du
choc (la période de temps nécessaire pour résorber la moitié d’un choc donné) est donc de 2,13
périodes, soit un peu plus de deux années. Le coefficient de momentum, lié aux augmentations de
prix passées, est positif et statistiquement significatif (0,413), ce qui tend à soutenir l’hypothèse selon
laquelle les augmentations de prix ont des caractéristiques d’entraînement, où une partie de la
variation future peut être expliquée par la variation passée des prix.
Le changement dans le revenu disponible a lui aussi un coefficient positif, ce qui signifie qu’une
variation du revenu disponible par habitant aura un impact à la hausse sur le prix moyen à la période
suivante. L’amplitude de cet effet rapporté dans le Tableau 4 implique qu’une accélération dans la
croissance du revenu disponible égale à un point de pourcentage est liée à une augmentation de la
croissance des prix de 0,4 points de pourcentage. De plus une hausse d’un point de pourcentage
dans le taux d’intérêt réel aurait comme effet de baisser la croissance des prix de l’immobilier
d’environ un point de pourcentage dès la période suivante.
29
Les mises en chantier ( ) affichent un coefficient positif et significatif, ce qui est contre-intuitif. En
effet, une augmentation du stock d’habitations devrait être associée à une augmentation de l’offre et
ainsi, ceteris paribus, faire pression à la baisse sur les prix. Toutefois, ce n’est pas ce que l’on
observe. Une hypothèse est que la construction pourrait capter d’autres indicateurs, possiblement
d’ordre démographique, qui ne sont pas pris en compte dans le modèle. En effet, un entrepreneur qui
anticipent de grands changements démographiques sera enclin à augmenter son offre de manière à
maximiser ses profits. À l’inverse, il diminuera la construction de nouvelles habitations dans le
contexte d’une région aux prises avec une migration nette négative, une baisse de l’accroissement
naturel ou lorsqu’elle est constituée de plus de vendeurs que d‘acheteurs. Le modèle 1 pourrait donc
avoir la lacune de ne pas prendre en considération les dynamiques démographiques, outre la
population totale.
Passons maintenant à l’analyse du modèle 2 (2e colonne du Tableau 5) Le modèle sépare la
variation de la population selon sa source, en en remplaçant le changement de population totale par
les changements dans l’accroissement naturel et dans la migration nette. Plusieurs constats
intéressants peuvent être tirés de cette modification. Par exemple, la vitesse d’ajustement est
légèrement plus basse que dans le modèle 1 (21,5 % d’ajustement au choc par année, donnant à
celui-ci une demi-vie de 2,86 périodes). Le coefficient de momentum semble également plus faible et
est maintenant légèrement plus bas que 0,4. De manière générale toutefois, les coefficients du
modèle 2 ont les mêmes signes et le même ordre de grandeur que ceux obtenus au modèle 1. Il est
à noter que les mises en chantier, notre proxy pour le changement du stock d’habitations ( ), a
toujours un impact positif et significatif, mais plus modeste que dans le modèle 1.
Voyons maintenant les résultats liés au fait de séparer la croissance de la population dans ses deux
composantes. La croissance naturelle aurait un impact significatif à la hausse sur le prix de
l’immobilier, avec une augmentation d’un point de pourcentage dans la croissance naturelle faisant
augmenter le taux de croissance des prix de 0,16 % à la période suivante. La migration, quant à elle,
aurait un impact moindre, s’établissant à moins de 0,05 % pour un choc de même amplitude.
Voyons maintenant les résultats associés au modèle 3. Pour ce dernier modèle, la vitesse
d’ajustement est de -0,185, ce qui signifie qu’un choc se résorbe de 18,5 % dès la période suivante,
pour une demi-vie de 3,4 périodes. Les coefficients liés au momentum et au revenu sont toujours
positifs et statistiquement significatifs, alors que le taux d’intérêt ( ) conserve un coefficient
30
significativement négatif (une hausse de ce dernier ayant un impact à la baisse sur la capacité de
payer des ménages et donc sur les prix). Fait intéressant, la variable du stock d’habitations ( ) a
perdu beaucoup de son amplitude, ce qui pourrait vouloir dire que nous réussissons à capter
quelques-uns des indicateurs à l’origine des décisions des constructeurs en ajoutant au modèle les
facteurs démographiques.
Le modèle 3 rapporte également quelques dynamiques démographiques intéressantes. D’abord, la
partie de la variation de la population influençant significativement l’ajustement des prix vers leur
tendance de long terme est la migration. En effet, une hausse d’un point de pourcentage de la
migration nette (émigration – immigration sur population totale) ferait augmenter de 0,056 % la
croissance des prix de l’immobilier dans la région l’année suivante tandis qu’une hausse de
l’accroissement naturel de la population n’aurait aucun impact significatif sur cette même période,
même si le signe du coefficient estimé est positif, comme attendu.
Enfin, une hausse de 1 point de pourcentage dans la proportion de personnes de 65 ans et plus
ferait baisser de 0,13 % la croissance du prix des habitations le long de l’ajustement vers la tendance
de long terme, un résultat tout à fait conséquent avec le fait que cette population est majoritairement
active en termes de vente d’habitations. Une hausse de la prédominance de ce groupe d’âge dans la
population fait donc augmenter la vente nette d’habitations, faisant également baisser le prix auquel
les unités d’habitation sont échangées. Les résultats pour la cohorte d’acheteurs nets (25 à 54 ans)
ne sont pas significatifs même si, ici également, le signe positif du coefficient est celui attendu. Il est
donc impossible de dire si l’hypothèse qu’une cohorte d’acheteurs nets influence de manière
statistiquement significative la valeur des unités d’habitation est vérifiée.
Il est possible de constater au Tableau 5 que, de manière globale, lorsque l’on intègre l’importance
relative des deux principales cohortes actives sur le marché de l’habitation, le changement du stock
d’habitation perd une partie de sa significativité et de son amplitude. Ce résultat est probablement lié
avec la construction même de notre variable dépendante. En effet, comme l’ont montré Case &
Shiller (1990), la moyenne des prix de vente comme principal estimateur des dynamiques dans le
domaine de l’immobilier est biaisé par construction. En effet, celui-ci ne tient pas compte de
l’évolution réelle de chaque maison, mais plutôt d’un agrégat de toutes les unités vendues, sans
égard à leur qualité ni même à leur âge. Ces chercheurs proposaient donc un estimateur qui
prendrait en compte l’augmentation de valeur d’une seule et même maison entre deux ventes
31
distinctes. Cela permettrait de limiter le biais associé à la construction neuve en périphérie des villes,
souvent à des coûts moindres sur le plan de l’espace. Cet estimateur est aujourd’hui nommé l’index
Case-Schiller et il est disponible pour les États-Unis ainsi que quelques villes canadiennes. Dans le
cas présent, les données aussi précises, nombreuses et différenciées selon les régions, ne sont pas
disponibles pour notre recherche.
Le fait que l’impact du changement dans le stock d’habitations perde beaucoup d’amplitude dans le
modèle 3 permet de croire qu’on limite l’importance accordée à l’augmentation du stock d’habitation
sur la valeur des unités d’habitation. Comme, logiquement, une hausse du stock d’habitations aurait
plutôt un impact à la baisse sur la valeur des habitations que le contraire, le signe positif et significatif
du changement dans le stock d’habitations est plutôt un signe que l’offre s’ajuste dans le même sens
que la variation des prix de vente. Une hausse du prix ferait augmenter la construction tandis qu’une
baisse la ralentirait. Ce raisonnement implique que les modèles 1 et 2 donnent une importance
relative trop grande à la construction. Le modèle 3, quant à lui, remet l’accent sur les variables
démographiques telles que nous le désirons pour évaluer leurs impacts de manière plus efficace en
éliminant le plus possible les erreurs de prédictions dues à la construction de la variable dépendante.
Les Figures 4 et 5 illustrent graphiquement la performance du modèle dynamique estimé (3),
relativement à celle du modèle incluant uniquement la relation de coïntégration (2). Dans les figures,
les régions ont été classées selon un ordre décroissant de volatilité dans les taux de croissance des
prix sur toute la période (2002-2016). Dans l’ensemble, les figures révèlent que l’addition du modèle
de dynamique de court terme (3) permet d’améliorer la performance du modèle. Nous pouvons
constater toutefois que la baisse de croissance, voire même la décroissance des prix dans les
dernières années de l’échantillon pour certaines régions, n’est pas bien captée par le modèle. En
prenant par exemple la région de la Capitale-Nationale, on constate que le modèle réussit
relativement bien à répliquer la dynamique de la région jusqu’en 2012, moment où la valeur prédite
continue de croître et la valeur réelle décroit. Une explication de cet effet pourrait être que le modèle
ne rend pas en compte l’endettement. Ainsi, comme le revenu disponible croît, le modèle prévoit une
hausse des prix réels. Toutefois, la croissance exacerbée de l’endettement dans les dernières
années, difficilement soutenable, pourrait expliquer la décroissance des prix immobiliers. Cette
dynamique n’étant pas prise en compte dans le présent modèle, il est donc difficile pour le modèle de
prévoir une baisse de la valeur de l’immobilier alors que le revenu disponible continue de croître.
32
Figure 4 : Résultats dans les régions avec forte volatilité des prix
33
Figure 5 : Résultats dans les régions avec faible volatilité des prix
34
4.5. Robustesse du modèle
L’analyse présentée ci-dessus a été répétée pour les différents types d’habitations afin d’évaluer la
robustesse du modèle proposé. Les résultats des coefficients de coïntégration lorsque l’on sépare
l’ensemble des habitations entre maisons unifamiliales, maisons de type semi-détaché et
condominiums sont rapportés dans le Tableau 6 suivant. Les résultats complets pour ces types
d’habitation (tests de coïntégration, test de racine unitaire, etc.) sont disponibles en annexe. À des
fins de comparaison, les résultats obtenus pour l’agrégat de toutes les habitations (et rapportés au
Tableau 4 précédemment) sont reproduits dans la première colonne du tableau.
Tableau 6 : Coefficients de coïntégration pour différents types d’habitation
Numéro Région
Toutes
habitations
confondues
Maisons
unifamiliales
Semi-
détachés Copropriétés
1 Bas-Saint-Laurent
2 Saguenay-Lac-Saint-Jean 2,37 2,35 2,80
3 Capitale-Nationale
3,85 3,00 3,60 2,90
4 Mauricie
2,11 1,94 2,88
5 Estrie
1,59 1,67 1,86 0,60
6 Montréal
4,94 4,69 4,95 4,11
7 Outaouais
2,02 1,99 1,93 1,96
8 Abitibi-Témiscamingue 2,21 2,43
9 Côte-Nord
2,12 2,33
10 Nord-du-Québec
11 Gaspésie-Îles-de-la-Madeleine
12 Chaudière-Appalaches 2,64 2,22 3,20 2,68
13 Laval
4,88 4,28 3,48 3,38
14 Lanaudière
2,62 2,52 2,95 1,66
15 Laurentides
1,59 2,54 2,03 -0,31
16 Montérégie
2,19 2,67 2,30 1,72
17 Centre-du-Québec
Test joint: 2,70 2,66 2,91 2,08
Nous pouvons constater dans le Tableau 6 que les coefficients de coïntégration sont relativement
similaires entre les types d’habitation et que les élasticité-revenu estimées demeurent plus élevées
dans les régions urbaines comme Montréal. Celle-ci conserve en effet la plus haute élasticité et Laval
est au second rang, sauf pour les semi-détachés où la Capitale-Nationale la supplante. La troisième
région avec le coefficient d’élasticité-revenu le plus élevé est ainsi la région de la Capitale-Nationale,
comme lorsque nous l’avions calculé an agrégeant tous les types d’habitation.
35
Tableau 7 : Estimation de l’ajustement du court terme (3) sur les différents types d'habitation
Toutes les unités
(écart-type)
(Modèle 3 du
Tableau 5)
Maisons
unifamiliales
(écart-type)
Semi-détachés
(écart-type)
Copropriétés
(écart-type)
(pi-pi*)t-1 -0.185***
(0.062)
-0.063
(0.110)
-0.269***
(0.097)
0,081
(0.138)
∆pi,t-1 0.180*
(0.103)
0.023
(0.031)
-0.022
(0.030)
-0.019
(0.026)
∆yt-1, revenu
disponible
0.397*
(0.221)
0.474
(0.298)
0.160
(0.401)
0.336**
(0.165)
∆it-1, taux d'intérêt -0.010*
(0.006)
-0.009
(0.006)
-0.022***
(0.005)
-0.023***
(0.007)
∆ accroissement
naturel t-1
0.089
(0.067)
0.070
(0.060)
-0.075
(0.095)
0.090
(0.092)
∆ migration nette t-1 0.056**
(0.022)
0.080***
(0.022)
0.083***
(0.021)
0.034
(0.054)
∆ 25 à 54 ans t-1 0.009
(0.028)
0.030
(0.031)
-0.136
(0.103)
0.012
(0.114)
∆ personnes âgées t-1 -0.129**
(0.045)
-0.177***
(0.037)
-0.445***
(0.072)
-0.086
(0.132)
Les régressions sont celles du modèle 3 au tableau 5. *, ** et *** sont respectivement les seuils de
significativité de 10 %, 5 % et 1 %.
Le Tableau 7 rapporte ensuite les résultats de l’estimation de l’ajustement autour de la tendance de
long terme pour les différents types d’habitation. Les résultats semblent relativement similaires à
ceux obtenus dans la section précédente, bien que certaines des régularités observées dans le
Tableau 5 sont maintenant absentes. Notamment la vitesse d’ajustement pour les copropriétés a un
signe positif, ce qui suggère un mouvement explosif sans retour à l’équilibre (notons toutefois que le
coefficient de momentum pour cette estimation est maintenant négatif).
Du côté des variables liées à la démographie, certains des effets significatifs rapportés au Tableau 7
démontrent des différences importantes entre les différents facteurs sur plusieurs types d’habitation.
L’effet d’une hausse de la migration a un impact important sur tous les types d’habitation sauf les
copropriétés. Cela pourrait donc vouloir dire que la migration se fait plutôt vers l’accession de la
propriété unifamiliale et de type semi-détachée. Une hausse d’un point de pourcentage du taux de
migration nette entraînerait une hausse de la valeur des propriétés unifamiliales et semi-détachées
d’autour de 0,08 %. L’accroissement naturel n’a, quant à lui, aucun impact significatif : l’acquisition
36
d’une propriété unifamiliale plus grande lors de la naissance d’un enfant ne serait donc pas un effet si
important.
Le poids des personnes âgées dans la population, qui revêt l’effet le plus important dans tous les
indicateurs testés, semble quant à lui être grandement associé aux habitations de type semi-détaché.
En effet, une hausse d’un point de pourcentage du taux de personnes âgées a pour effet de baisser
de près de 0,45 % la valeur de ce type d’habitations. Il est également l’effet le plus important pour les
maisons de type unifamilial, mais d’une amplitude (de 0,18 %) substantiellement inférieure à celle
pour les maisons de type semi-détaché Ces résultats suggèrent que l’évolution attendue de certaines
aspects importants de la démographie du Québec, soit une hausse de l’immigration jumelée à un
vieillissement de la population, auront un impact difficile à estimer sur le prix des habitations du
Québec, car l’un a un impact à la hausse et l’autre à la baisse.
L’offre d’habitations est, à très court terme, complètement inélastique, car le stock installé
d’habitations est fixe et la construction prend de quelques mois à quelques années avant
d’augmenter le stock d’habitations. Un choc durable, tel un choc démographique, devrait donc plutôt
se faire ressentir sur les quantités que sur les prix, contrairement à un choc temporaire qui se
révèlerait plutôt en une augmentation des prix qu’en une augmentation de quantité. Un baby-boom
devrait donc avoir comme effet d’augmenter le stock d’habitations plutôt que les prix tandis qu’un
choc d’immigration fera pression à la hausse sur les prix à court terme. Les chocs de prix devraient
donc se voir dans l’année suivant l’arrivée d’immigrants et ne devraient pas se voir dans le cas d’une
augmentation normale de la population. Ce serait donc pourquoi l’immigration a un impact significatif
dans le modèle étudié et que l’accroissement naturel de la population n’en a pas.
Nous constations une baisse réelle des prix dans les régions du Québec depuis 2011 à 2013, même
si le revenu a continué de croître dans ces régions. Il est possible que cet écart entre l’évolution du
prix et de sa tendance de long terme telle que prévue par le revenu trouve sa source dans la
réglementation et ses effets sur l’endettement. En effet, une série de modifications structurelles ont
pu être induites par le resserrement des règles de l’assurance-prêt hypothécaire depuis 2008, telles
que la diminution de la période maximale d’amortissement des prêts, l’augmentation de la mise de
fonds minimale exigée et la baisse du montant maximal de refinancement. Ces chocs induisent,
toutes choses égales par ailleurs, une pression à la baisse sur la capacité d’endettement des
ménages à revenu donné et donc sur la demande de logement, ce qui devrait faire baisser les prix.
37
Cette pression à la baisse n’est pas considérée dans le modèle développé et pourrait expliquer, du
moins en partie, la baisse réelle de valeur récente.
Dans la section suivante, l’estimation du modèle développé en (1) et (3) est utilisée pour effectuer
des projections sur l’évolution attendue des prix des habitations dans les prochaines années et par
région. Bien sûr, cet exercice se veut un exercice informatif et repose uniquement sur les prévisions
du modèle développé.
38
Chapitre 5 Projections
Cette section rapporte des projections de prix de l’immobilier pour les périodes à venir, réalisées
avec notre modèle estimé. Pour effectuer ces projections, les sentiers d’évolution pour les variables
démographiques sont extraits de la projection de référence de l’ISQ. Les valeurs futures pour le
revenu disponible par habitant sont quant à elles extrapolées à partir de la moyenne de croissance
des données historiques depuis 2002. Le taux d’intérêt est considéré comme stable à sa valeur de
2016. Finalement, différentes hypothèses sont considérées pour l’évolution des mises en chantiers
(le changement de l’offre), soit des mises en chantiers nulles ou égales à leur valeur moyenne dans
notre échantillon. Les résultats sont présentés par région, listées dans l’ordre de leur numéro
d’identification.
Les projections sont faites sur un horizon de cinq ans, à l’aide du modèle développé précédemment.
Considérant notre résultat d’une demi-vie de 2,13 années pour les ajustements (voir Tableau 5), cet
horizon correspond à un moment ou plus de 80% d’un choc affectant la région en 2016 a été
estompé. Après cet horizon, la dynamique de long terme de la coïntégration devient la principale
source de variation et l’offre s’ajuste parfaitement à la demande de long terme.
Il faut également mentionner que les projections sont faites à partir des hypothèses où le revenu
disponible continue de croître au rythme des dix dernières années et que les mises en chantier se
stabilisent à la moyenne de mêmes années. Bien que ce soit un scénario réaliste, il faut cependant
considérer que les ménages ont vu leur endettement considérablement augmenter lors de cette
période et que la très grande partie de cet endettement est liée à des prêts hypothécaires (Bégin
2017). Il n’est donc pas garanti que les ménages pourront continuer à faire croître leur capacité
d’endettement au rythme des dix dernières années de manière à soutenir une croissance réelle des
prix. Finalement, notons que le prix des habitations de chaque région est normalisé à la valeur 100
pour 2016 dans les graphiques, afin de faciliter l’interprétation des projections.
39
1- Le Bas-Saint-Laurent
Figure 6 : Projection des prix pour les années futures : Bas-Saint-Laurent
La première projection est à utiliser avec précaution, car les coefficients de coïntégration entre prix et
revenu pour la région du Bas-Saint-Laurent ont été imputés à partir de la relation de coïntégration
globale du Québec. L’élasticité-revenu serait donc possiblement surestimée principalement à cause
du fait que les régions avec un coefficient de coïntégration estimable sont celles où le coefficient
semble plus élevé.
Cette projection prévoit toutefois une baisse réelle mais modeste (de l’ordre de 0,5% au maximum)
des prix de l’immobilier dans le Bas-Saint-Laurent au cours des cinq prochaines années. Considérant
l’évolution des prix sur un plus long horizon, la population totale de la région devrait normalement
croître jusqu’en 2023, année à laquelle l’effet revenu, opérant à travers le coefficient de coïntégration
entre prix et revenu, aura ramené les prix de l’immobilier à leur niveau de 2016.
94
95
96
97
98
99
100
101
102
103
104
20
09
20
10
20
11
20
12
20
13
20
14
20
15
20
16
20
17
20
18
20
19
20
20
20
21
Évolution cible des prix moyens Limite Supérieure Limite Inférieure
40
2- Le Saguenay-Lac-Saint-Jean
Figure 7 : Projection des prix pour les années futures : Saguenay-Lac-Saint-Jean
Le modèle projette une tendance réelle à la baisse atteignant 1 % dans la région du Saguenay-Lac-
Saint-Jean jusqu’en 2021. Cette baisse suit une tendance amorcée à partir de 2013 dans la région
mais irait en s’estompant graduellement. La tendance s’inverserait ensuite sous l’impulsion de l’effet
revenu d’un coefficient de coïntégration de 2,37 pour revenir à son pic de 2013 en 2028.
Une migration nette positive couplée avec une augmentation absolue de la population permet de
limiter les perspectives de perte réelle de valeur, permettant d’entrevoir une croissance sur le moyen
long terme de la valeur de l’immobilier dans cette région.
95
96
97
98
99
100
101
102
1032
00
2
20
03
20
04
20
05
20
06
20
07
20
08
20
09
20
10
20
11
20
12
20
13
20
14
20
15
20
16
20
17
20
18
20
19
20
20
20
21
Évolution cible des prix moyens Limite Inférieure Limite Supérieure
41
3- La Capitale-Nationale
Figure 8 : Projection des prix pour les années futures : Capitale-Nationale
La stagnation relative des prix de l’immobilier dans la région de la Capitale-Nationale devrait être de
courte durée. En effet, dès 2018, la valeur des habitations dans la région devrait recommencer à
augmenter, grâce à un effet de richesse plus grand que la baisse de la valeur induite par le
vieillissement de la population. La région de la Capitale-Nationale devrait également connaître une
augmentation nette de population sur toutes les périodes étudiées. Selon cette projection, il ne
devrait donc pas y avoir de baisse de la valeur des unités d’habitation à l’horizon 2021 dans la région
de la Capitale-Nationale, mais plutôt une hausse relativement importante de l’ordre de 1,5%.
La région de la Capitale-Nationale affiche la troisième plus grande élasticité-revenu de toutes les
régions du Québec, tout juste derrière Montréal et Laval. Une élasticité-revenu de 3,85 couplée à un
revenu réel conservant sa croissance des dix dernières années permet de croire que les valeurs de
vente vont continuer à croître à un rythme soutenu sur tout l’horizon projeté.
94
96
98
100
102
104
106
20
02
20
03
20
04
20
05
20
06
20
07
20
08
20
09
20
10
20
11
20
12
20
13
20
14
20
15
20
16
20
17
20
18
20
19
20
20
20
21
Évolution cible des prix moyens Limite Inférieure Limite Supérieure
42
4- La Mauricie
Figure 9 : Projection des prix pour les années futures : Mauricie
L’évolution projetée des prix des habitations dans la région de la Mauricie mène à penser que la
baisse de valeur réelle des prix installée depuis 2011 s’étirera au moins jusqu’en 2021, moment où le
marché aura perdu 1,6 % de sa valeur réelle par rapport au maximum de 2011. La région renouera
graduellement avec la croissance dès 2022. La hausse relative du nombre de personnes âgées
couplée avec une baisse graduelle de la croissance naturelle de la population n’est qu’en partie
contrecarrée par une légère migration nette positive et une croissance de la population totale
positive.
La Mauricie a une élasticité-revenu équivalente à celle de la Montérégie. Ainsi, une hausse du
revenu disponible couplée à une élasticité-revenu de 2,11 permet à la projection de retrouver une
croissance réelle positive mais modeste à partir de 2022.
95
96
97
98
99
100
101
102
103
20
02
20
03
20
04
20
05
20
06
20
07
20
08
20
09
20
10
20
11
20
12
20
13
20
14
20
15
20
16
20
17
20
18
20
19
20
20
20
21
Évolution cible des prix moyens Limite Inférieure Limite Supérieure
43
5- L’Estrie
Figure 10 : Projection des prix pour les années futures : Estrie
La projection effectuée pour la région de l’Estrie suggère qu’une perte réelle de valeur des unités
d’habitation de l’ordre de 1,5 % affectera cette région jusqu’à l’horizon 2022. L’augmentation relative
du nombre de personnes âgées, jumelée à une migration et un accroissement naturel décroissants
se combinent pour faire pression à la baisse sur les prix. La population totale devrait toutefois être en
croissance sur toute la période étudiée, ce qui aura comme conséquence de limiter les pertes de
valeur sur le moyen terme.
Sur un horizon de plus long terme, l’élasticité-revenu régionale de 1,59, couplée à une croissance
stable du revenu réel disponible, permettra de contrebalancer la tendance à la baisse des prix créée
par sur la dynamique démographique. La projection suggère donc une croissance des prix du
marché modérée à partir de 2023.
95
96
97
98
99
100
101
102
20
02
20
03
20
04
20
05
20
06
20
07
20
08
20
09
20
10
20
11
20
12
20
13
20
14
20
15
20
16
20
17
20
18
20
19
20
20
20
21
Évolution cible des prix moyens Limite Inférieure Limite Supérieure
44
6- Montréal
Figure 11 : Projection des prix pour les années futures : Montréal
La région de Montréal devrait afficher une très légère croissance réelle jusqu’en 2019 et retrouver
une croissance plus soutenue à partir de 2020. Autant l’augmentation de la population totale qu’une
migration nette positive devraient tirer vers le haut la valeur de l’immobilier sur l’île de Montréal. Le
vieillissement de la population, de moins grande importance relativement aux autres régions du
Québec, est donc grandement compensé par une augmentation nette de la population dans cette
région.
L’élasticité-revenu de l’immobilier sur l’île de Montréal est la plus élevée de tout le Québec, se situant
à 4,94, ce qui reflète une densité importante dans la métropole québécoise. Ce facteur, combiné à
l’augmentation nette de la population et du revenu réel disponible sur notre horizon de projection,
permet de croire à une croissance soutenue et durable du prix des habitations dans la région de
Montréal.
95
96
97
98
99
100
101
102
20
02
20
03
20
04
20
05
20
06
20
07
20
08
20
09
20
10
20
11
20
12
20
13
20
14
20
15
20
16
20
17
20
18
20
19
20
20
20
21
Évolution cible des prix moyens Limite Inférieure Limite Supérieure
45
7- L’Outaouais
Figure 12 : Projection des prix pour les années futures : Outaouais
L’évolution des prix immobiliers dans la région de l’Outaouais devrait connaître une baisse réelle
jusqu’à l’horizon 2022, de l’ordre de 0,8 %, pour ensuite recommencer à croitre de manière timide. La
région devrait connaître une augmentation constante de la population jumelée à des taux de
migration nette décroissants sur tout l’horizon de projection, soutenant une augmentation de la
population totale. La croissance globale de la population sur toute la période devrait donc limiter la
baisse de prix.
À plus long terme, une élasticité-revenu régionale de 2,02 jumelée à une augmentation constante du
revenu disponible réel permet d’envisager des perspectives de croissance positives quoique limitées
pour cette région.
95
96
97
98
99
100
101
102
20
02
20
03
20
04
20
05
20
06
20
07
20
08
20
09
20
10
20
11
20
12
20
13
20
14
20
15
20
16
20
17
20
18
20
19
20
20
20
21
Évolution cible des prix moyens Limite Inférieure Limite Supérieure
46
8- L’Abitibi-Témiscamingue
Figure 13 : Projection des prix pour les années futures : Abitibi-Témiscamingue
L’évolution des prix immobiliers dans les prochaines années pour la région de l’Abitibi-
Témiscamingue sera soutenue par une légère augmentation de la population et un solde migratoire
légèrement positif. Selon la projection du modèle, la baisse des prix serait de relativement courte
durée et les prix devraient recommencer à croître légèrement dès 2021 en ayant toutefois perdu
0,9 % de leur valeur en 2016.
La croissance à partir de 2022 sera entraînée à la hausse par une augmentation du revenu réel
disponible jumulée à une élasticité-revenu de 2,21. Ainsi, les perspectives sont positives pour le long
terme, tout en étant bien entendu dépendantes de nos hypothèses concernant la croissance future
du revenu disponible réel.
Les cycles économiques entourant l’extraction des ressources naturelles ont un impact important sur
le marché immobilier de la région. L’élasticité de l’offre d’habitations est donc grandement
dépendante du revenu disponible de la population. C’est en partie pourquoi le coefficient de
coïntégration est supérieur à plusieurs autres régions telles que la Montérégie, les Laurentides et la
Mauricie.
93
94
95
96
97
98
99
100
101
102
103
20
02
20
03
20
04
20
05
20
06
20
07
20
08
20
09
20
10
20
11
20
12
20
13
20
14
20
15
20
16
20
17
20
18
20
19
20
20
20
21
Évolution cible des prix moyens Limite Inférieure Limite Supérieure
47
9- La Côte-Nord
Figure 14 : Projection des prix pour les années futures : Côte-Nord
Selon les projections de l’ISQ, la Côte-Nord devrait être l’une des seules régions au Québec (avec la
Gaspésie—Îles-de-la-Madeleine) observant une baisse de la population totale au cours des
prochaines années. Cette baisse nette de la population couplée avec une migration nette
pratiquement nulle, un vieillissement de la population et une baisse de la croissance naturelle
devraient faire pression à la baisse sur les prix immobiliers La baisse réelle de valeur observée
depuis 2012 devrait toutefois graduellement s’estomper et la région pourrait renouer avec une
croissance positive, bien que timide, dès 2018.
L’hypothèse d’une croissance constante du revenu disponible permet de relativiser l’importance de la
perte de valeur dans cette région. En effet, un coefficient de coïntégration de 2,12 implique la même
intuition qu’en Abitibi-Témiscamingue. La dynamique de la croissance de la valeur de l’immobilier
dépendra donc grandement des décisions des entrepreneurs en construction.
94
95
96
97
98
99
100
101
102
103
104
20
02
20
03
20
04
20
05
20
06
20
07
20
08
20
09
20
10
20
11
20
12
20
13
20
14
20
15
20
16
20
17
20
18
20
19
20
20
20
21
Évolution cible des prix moyens Limite Inférieure Limite Supérieure
48
10- Le Nord-du-Québec
Tout au long de l’étude, la région du Nord-du-Québec n’a pu être étudiée par manque de données.
Celle-ci ne fait donc pas partie des régressions globales estimant les paramètres du modèle proposé,
car nous ne disposons pas des données nécessaires pour produire une analyse similaire à celles
effectuées pour les autres régions. Les hypothèses soulevées dans les régions de l’Abitibi-
Témiscamingue ainsi que sur la Côte-Nord pourraient toutefois être évocatrices pour la région du
Nord-du-Québec.
49
11- La Gaspésie—Îles-de-la-Madeleine
Figure 15 : Projection des prix pour les années futures : Gaspésie—Îles-de-la-Madeleine
La projection de la région de la Gaspésie—Îles-de-la-Madeleine a été effectuée à partir de la
moyenne des coefficients de coïntégration (d’élasticité-revenu) des autres régions du Québec. Il est
donc possible que celui-ci a été surestimé, car la Gaspésie—Îles-de-la-Madeleine est une région peu
dense qui devrait se retrouver parmi les régions ayant le coefficient d’élasticité-revenu parmi les plus
bas. La stagnation réelle des prix affichée dans le graphique pour donc plutôt se révéler être une
légère baisse, mais la région devrait retrouver le chemin de la croissance sur un horizon de plus long
terme lorsque l’effet revenu supplantera l’effet de la baisse de la population totale.
L’augmentation relative du nombre de personnes âgées jumelée à une baisse de la croissance
naturelle de la population est légèrement contrecarrée par une hausse minime de la migration nette,
ce qui fait croire à une baisse réelle de la valeur plutôt qu’à une hausse. Toutefois, si l’on ajoute
l’hypothèse de croissance du revenu disponible, la région pourrait renouer avec une croissance
anémique du marché immobilier sur le moyen ou long terme.
94
96
98
100
102
104
1062
00
7
20
08
20
09
20
10
20
11
20
12
20
13
20
14
20
15
20
16
20
17
20
18
20
19
20
20
20
21
Évolution cible des prix moyens Limite Inférieure Limite Supérieure
50
12- Chaudière-Appalaches
Figure 16 : Projection des prix pour les années futures : Chaudière-Appalaches
L’évolution des prix immobiliers dans la région de Chaudière-Appalaches devrait afficher une légère
baisse jusqu’en 2019, pour ensuite renouer avec la croissance d’avant 2012. Selon l’ISQ, la région
devrait connaître une augmentation constante de la population jumelée à une accélération de la
migration nette sur tout l’horizon de projection. L’augmentation relative du nombre de personnes
âgées jumelée à une baisse de la croissance naturelle devrait toutefois ralentir les perspectives de
hausse pour les prix de l’habitation dans la région.
Une élasticité-revenu régionale de 2,64, jumelée à l’augmentation constante du revenu disponible
dans notre hypothèse de base, permet de projeter des perspectives globalement positives pour cette
région dans le plus long terme.
95
96
97
98
99
100
101
102
103
104
20
02
20
03
20
04
20
05
20
06
20
07
20
08
20
09
20
10
20
11
20
12
20
13
20
14
20
15
20
16
20
17
20
18
20
19
20
20
20
21
Évolution cible des prix moyens Limite Inférieure Limite Supérieure
51
13- Laval
Figure 17 : Projection des prix pour les années futures : Laval
Laval est la région ayant la deuxième élasticité-revenu la plus élevée du Québec. Avec un coefficient
de 4,88, celle-ci donne une perspective positive à la valeur des habitations de la région sur notre
horizon de projection. La croissance soutenue de la population ainsi qu’une migration nette
importante et positive permettent d’exclure la possibilité de baisse de prix dans les prochaines
années, le pire scénario étant une légère stagnation. La proximité de cette région avec Montréal,
jumelée à une densité relativement élevée, vient ajouter au constat positif projeté pour la région. La
croissance devrait s’accélérer d’année en année pour rejoindre une croissance réelle équivalente à
celle qui était présente dans la région dans les années avant 2013.
94
95
96
97
98
99
100
101
102
20
02
20
03
20
04
20
05
20
06
20
07
20
08
20
09
20
10
20
11
20
12
20
13
20
14
20
15
20
16
20
17
20
18
20
19
20
20
20
21
Évolution cible des prix moyens Limite Inférieure Limite Supérieure
52
14- Lanaudière
Figure 18 : Projection des prix pour les années futures : Lanaudière
Les prix de l’immobilier devraient afficher une légère croissance dans les années à venir. La région
devrait connaître une augmentation constante de la population ainsi qu’une migration nette positive
et constante sur tout l’horizon de projection. Une élasticité-revenu régionale de 2,62 jumelée à une
hypothèse d’augmentation constante du revenu disponible réel projette des perspectives positives et
croissantes dans le temps pour cette région.
95
96
97
98
99
100
101
102
103
104
105
20
02
20
03
20
04
20
05
20
06
20
07
20
08
20
09
20
10
20
11
20
12
20
13
20
14
20
15
20
16
20
17
20
18
20
19
20
20
20
21
Évolution cible des prix moyens Limite Inférieure Limite Supérieure
53
15- Les Laurentides
Figure 19 : Projection des prix pour les années futures : Laurentides
Le prix des habitations devrait connaître une légère baisse réelle jusqu’en 2022 dans les
Laurentides, pour ensuite recommencer à croître. La région devrait connaître une augmentation
constante de la population pendant cette période, tout en enregistrant une baisse de migration nette
sur tout l’horizon de projection. La hausse relative du nombre de personnes âgées dans cette région
limite toutefois les perspectives de croissance de la valeur sur la période de projection étudiée. Une
élasticité-revenu régionale de 1,59 jumelée à une augmentation constante du revenu disponible réel
projette des perspectives positives et croissantes dans le temps pour cette région. Au total,
l’hypothèse de croissance du revenu devrait pouvoir limiter la baisse réelle de valeur tout en y
induisant une croissance positive dès 2022.
95
96
97
98
99
100
101
102
103
20
02
20
03
20
04
20
05
20
06
20
07
20
08
20
09
20
10
20
11
20
12
20
13
20
14
20
15
20
16
20
17
20
18
20
19
20
20
20
21
Évolution cible des prix moyens Limite Inférieure Limite Supérieure
54
16- La Montérégie
Figure 20 : Projection des prix pour les années futures : Montérégie
L’évolution des prix de l’immobilier dans la région de la Montérégie devrait connaître une baisse
réelle jusqu’en 2021 pour ensuite renouer avec la croissance. La région devrait connaître une
augmentation constante de la population et de la migration nette sur tout l’horizon de projection. Une
élasticité-revenu régionale de 2,19 jumelée à une augmentation constante du revenu disponible réel
projette des perspectives positives pour cette région. Les tendances démographiques et de revenu
jumelée à une offre de terrain importante devraient faire croître les valeurs de manière contrôlée sur
un horizon de moyen terme.
95
96
97
98
99
100
101
102
103
20
02
20
03
20
04
20
05
20
06
20
07
20
08
20
09
20
10
20
11
20
12
20
13
20
14
20
15
20
16
20
17
20
18
20
19
20
20
20
21
Évolution cible des prix moyens Limite Inférieure Limite Supérieure
55
17- Le Centre-du-Québec
Figure 21 : Projection des prix pour les années futures : Centre-du-Québec
La projection de la région du Centre-du-Québec a été effectuée à partir de la moyenne des
coefficients d’élasticité-revenu des autres régions du Québec même si ce sont les caractéristiques
démographiques et de revenu propres à cette région qui sont utilisés dans cette projection. Cette
projection permet d’envisager une croissance lente mais soutenue de la valeur des unités
d’habitation dès 2020. D’ici là, la baisse réelle de valeur prédite par le modèle est minime,
représentant 0,5 % sur 4 ans. Le Centre-du-Québec resterait ainsi une région où l’immobilier est sur
une tendance stable.
95
96
97
98
99
100
101
102
103
1042
00
7
20
08
20
09
20
10
20
11
20
12
20
13
20
14
20
15
20
16
20
17
20
18
20
19
20
20
20
21
Évolution cible des prix moyens Limite Inférieure Limite Supérieure
56
18- Tout le Québec
Figure 22 : Projection des prix pour les années futures : Agrégat pour le Québec
Le constat global pour tout le Québec est sujet à discussion. En effet, le modèle prévoit une baisse
de la valeur globale des habitations du Québec. Toutefois, il est important de rappeler comment le
modèle a été bâti afin de bien comprendre pourquoi celui-ci y prévoit une baisse. L’élasticité-revenu
estimée l’a été en considérant les treize régions administratives comme ayant des parts égales.
Figure 23 : Proportion des régions administratives utilisées dans le calcul de la coïntégration globale
95
96
97
98
99
100
101
20
02
20
03
20
04
20
05
20
06
20
07
20
08
20
09
20
10
20
11
20
12
20
13
20
14
20
15
20
16
20
17
20
18
20
19
20
20
20
21
Évolution cible des prix moyens Limite Inférieure Limite Supérieure
8% 8% 8%
8%
8%
8%
8% 8% 8%
8%
8%
8%
8%
Montérégie
Montréal
Laurentides
Capitale-Nationale
Lanaudière
Outaouais
Laval
Chaudière-Appalaches
Estrie
57
Toutefois, lorsque l’on évalue le volume de ventes en 2015, on constate un marché beaucoup plus
vigoureux dans les zones densément peuplées où les coefficients d’élasticité-revenu sont supérieurs,
comme on peut le constater à la Figure 24.
Figure 24 : Volume des ventes immobilières selon les régions en 2015
Ainsi, la coïntégration globale est possiblement sous-estimée simplement par une surreprésentation
dans l’échantillon des régions où le coefficient est inférieur. Dans l’ensemble, Le Québec devrait
donc observer une croissance réelle des prix de l’immobilier sur un horizon de moyen terme.
Montérégie 22%
Montréal 20%
Laurentides 11%
Capitale-Nationale
8%
Lanaudière 8%
Outaouais 6%
Laval 5%
Chaudière-Appalaches 4%
Estrie 4%
Mauricie 3%
Saguenay-Lac-Saint-Jean 2%
Centre-du-Québec 2%
Bas-Saint-Laurent 2%
Abitibi-Témiscamingue
2% Côte-Nord 1% Gaspésie–Îles-de-la-
Madeleine 0%
Nord-du-Québec 0%
58
Conclusion
L’étude évalue l’impact des changements démographiques et du revenu sur les prix de l’immobilier
en faisant l’hypothèse que les dynamiques de prix sont différenciées par région et en permettant
qu’un choc d’immigration ait un impact différent sur les marchés immobiliers qu’un choc de
croissance naturelle équivalent.
L’application de la méthode de la méthode de coïntégration de Pedroni (2001) et de l’ajustement de
court terme à l’aide de la méthode Arellano-Bover/Blundell-Bond sur un panel de 16 régions
administratives du Québec identifie des différences significatives à travers les régions. En effet, le
coefficient d’élasticité-revenu (de coïntégration) varie de manière substantielle entre les régions
rurales et urbaines, atteignant en zone urbaine le triple des valeurs atteintes dans certaines zones
rurales. Ce constat est compatible avec le fait que les contraintes liées à l’accroissement de l’offre en
zone urbaine font augmenter les prix de manière plus significative qu’en zone rurale. Les conclusions
de notre travail suggèrent que l’analyse par panels à l’intérieur d’un État ou entre plusieurs états
différents sans inclure des dynamiques propres à chacune des régions pourrait mener à des résultats
trompeurs.
L’aspect novateur de la présente recherche réside dans sa capacité à séparer les dynamiques de
court et de long terme de revenus pour mieux comprendre les dynamiques démographiques à court
terme. Elle réussit également à montrer que les dynamiques de revenus sont foncièrement
différentes dans les régions urbaines et les régions rurales.
Cette étude est la première à intégrer les dynamiques démographiques et de revenu à un panel de
marchés immobiliers régionaux (Oikarinen et Engblom (2016) intègrent la coïntégration avec le
revenu dans leur analyse mais sans y inclure les aspects démographiques. Nous rapportons
également des coefficients d’élasticité-revenu supérieurs à ceux estimés par Oikarinen et Engblom
(2016) pour la Finlande, peut-être causés par une densité supérieure des régions québécoises par
rapport aux Finlandaises.
Il serait intéressant d’évaluer l’impact de l’endettement des ménages sur le marché immobilier dans
des travaux de recherche futurs. Cet aspect semble sous étudié alors que c’est un facteur majeur
59
d’incertitude sur le marché de l’immobilier. Il serait donc important d’en connaître les tenants et
aboutissants de façon à prévenir une éventuelle bulle immobilière.
Financement
Le financement de la présente recherche provient de la bourse les Études économiques de
Desjardins.
60
Bibliographie
Abraham, Jesse M, and Patric H Hendershoti. 1996. “Bubbles in Metropolitan Housing Markets.”
Journal of Housing Research 7 (2): 191–207.
Allen, Jason, Robert Amano, David P Byrne, and Allan W Gregory. 2013. “Canadian City Housing
Prices and Urban Market Segmentation” 42 (3): 1132–49.
André, Dominique (Institut de la Statistique du Québec). 2016. “Quelques Constats Au Sujet de La
Population Des Municipalités Du Québec Au 1er Juillet 2015.” Coup d’œil
Sociodémographique, no. 45: 1–8.
Ang, Andrew, and Angela Maddaloni. 2003. “Do Demographic Changes Affect Risk Premiums?
Evidence from International Data.” National Bureau of Economic Research (Working Paper
Series), no. 9677. https://doi.org/10.3386/w9677.
Ball, Michael, Geoffrey Meen, and Christian Nygaard. 2010. “Housing Supply Price Elasticities
Revisited: Evidence from International, National, Local and Company Data.” Journal of Housing
Economics 19 (4). Elsevier Inc.: 255–68. https://doi.org/10.1016/j.jhe.2010.09.004.
Bégin, Hélène. 2017. “La Situation Financière Des Ménages Au Québec.” Point de Vue Économique,
1–6.
Beracha, Eli, and Hilla Skiba. 2011. “Momentum in Residential Real Estate.” Journal of Real Estate
Finance and Economics 43 (3): 299–320. https://doi.org/10.1007/s11146-009-9210-2.
Blackley, Dixie M. 1999. “The Long-Run Elasticity of New Housing Supply in the United States:
Empirical Evidence for 1950 to 1994.” The Journal of Real Estate Finance and Economics 18
(1): 25–42.
Brown, Jane P., Haiyan Song, and Alan McGillivray. 1997. “Forecasting UK House Prices: A Time
Varying Coefficient Approach.” Economic Modelling 14 (4): 529–48.
https://doi.org/10.1016/S0264-9993(97)00006-0.
Campbell, Sean D, Morris A Davis, Joshua Gallin, and Robert F Martin. 2009. “What Moves Housing
61
Markets: A Variance Decomposition of the Rent-Price Ratio.” Journal of Urban Economics 66
(2). Elsevier Inc.: 90–102. https://doi.org/10.1016/j.jue.2009.06.002.
Case, Bradford, William N. Goetzmann, and K. Geert Rouwenhorst. 2000. “Global Real Estate
Markets - Cycles and Fundamentals.” National Bureau of Economic Research (Working Paper
Series), 1–22. https://doi.org/10.2139/ssrn.157019.
Case, Karl E, and Robert J Shiller. 1989. “The Efficiency of the Market for Single Family Homes.” The
American Economic Review 79 (1): 125–37.
———. 1990. “Forecasting Prices and Excess Returns in the Housing Market.” Real Estate
Economics 18 (3): 253–73. https://doi.org/10.1111/1540-6229.00521.
Chin, Lawrence, and Gang-Zhi Fan. 2005. “Autoregressive Analysis of Singapore’s Private
Residential Prices.” Property Management 23: 257–70.
https://doi.org/10.1108/02637470510618406.
Cvijanovic, Dragana, Jack Favilukis, and Christopher Polk. 2010. “New in Town: Demographics,
Immigration, and the Price of Real Estate.” SSRN Electronic Journal, no. April.
http://eprints.lse.ac.uk/43099/.
D’Albis, Hippolyte, and Elodie Djemai. 2016. “Evolutions Démographiques et Marché de l’immobilier
Neuf,” no. 33: 1–26.
Davis, E Philip, and Christine Li. 2003. “Demographics and Financial Asset Prices in the Major
Industrial Economies.” Economics and Finance Discussion Papers - Brunel University 3 (7): 1–
38.
DellaVigna, Stefano, and Joshua M. Pollet. 2007. “Demographics and Industry Returns.” American
Economic Review 97 (5): 1667–1702. https://doi.org/10.1257/aer.97.5.1667.
DiPasquale, Denise, and William C. Wheaton. 1994. “Housing Market Dynamics and the Future of
Housing Prices.” Journal of Urban Economics 35 (1): 1–27.
https://doi.org/10.1006/juec.1994.1001.
Dubé, Jean. 2010. “Vers Une Approche Spatio-Temporelle Pour La Modélisation Des Prix
62
Hédoniques : Une Application à La Région de Québec , 1986-2004 .”
Égert, Balázs, and Dubravko Mihaljek. 2007. “Determinants of House Prices in Central and Eastern
Europe.” Comparative and General Pharmacology 49 (3): 367–88.
https://doi.org/10.1057/palgrave.ces.8100221.
Engelhardt, Gary V, and James M Poterba. 1991. “House Prices and Demographic Change.”
Regional Science and Urban Economics 21 (4): 539–46. https://doi.org/10.1016/0166-
0462(91)90017-H.
Engle, Robert F., and C. W. J. Granger. 1987. “Co-Integration and Error Correction: Representation,
Estimation, and Testing.” Econometrica 55 (2): 251. https://doi.org/10.2307/1913236.
Fortin, Mario, and André Leclerc. 2002. “Déterminants Du Prix Réel Des Logements Au Canada.”
L’Actualité Économique 78 (3): 293–320. https://doi.org/10.7202/007254ar.
Fund, International Monetary. 2013. “Canada: Selected Issues Recent Experience with
Macroprudential Tools in Canada); IMF Country Report 13/41; January 25, 2013,” no. 13.
Garat, Isabelle. 2009. “L’emballement Immobilier et Ses Effets Urbains. L’exemple de Nantes.”
Norois. Environnement, Aménagement, Société 212 (212): 23–39.
https://doi.org/10.4000/norois.2912.
Geanakoplos, John, Michael Magill, and Martine Quinzii. 2004. “Demography and the Long-Run
Predictability of the Stock Market.” Brookings Papers on Economic Activity 2004 (1): 241–325.
https://doi.org/10.1353/eca.2004.0010.
Ghysels, Eric, and Alberto Plazzi. 2012. “Forecasting Real Estate Prices ” 41 (919).
Goyal, Amit. 2004. “Demographics, Stock Market Flows, and Stock Returns.” Journal of Financial and
Quantitative Analysis 39 (1): 115–42. https://doi.org/10.1017/S0022109000003914.
Green, Richard K., and Hyojung Lee. 2016. “Age, Demographics, and the Demand for Housing,
Revisited.” Regional Science and Urban Economics 61. Elsevier: 86–98.
https://doi.org/10.1016/j.regsciurbeco.2016.09.005.
63
Gupta, Rangan, and Stephen M. Miller. 2012. “The Time-Series Properties of House Prices: A Case
Study of the Southern California Market.” Journal of Real Estate Finance and Economics 44 (3):
339–61. https://doi.org/10.1007/s11146-010-9234-7.
Gyourko, Joseph, Christopher Mayer, and Todd Sinai. 2013. “Superstar Cities.” American Economic
Journal: Economic Policy 5 (4): 167–99. https://doi.org/10.1257/pol.5.4.167.
Harter-Dreiman, Michelle. 2004. “Drawing Inferences about Housing Supply Elasticity from House
Price Responses to Income Shocks.” Journal of Urban Economics 55 (2): 316–37.
https://doi.org/10.1016/j.jue.2003.10.002.
Hendershott, Patric H, and John C Weicher. 2002. “Forecasting Housing Markets: Lessons Learned.”
Real Estate Economics 30 (1): 1–11. http://onlinelibrary.wiley.com/doi/10.1111/1540-
6229.00027/abstract.
Hott, Christian, and Pierre Monnin. 2008. “Fundamental Real Estate Prices: An Empirical Estimation
with International Data.” Journal of Real Estate Finance and Economics 36 (4): 427–50.
https://doi.org/10.1007/s11146-007-9097-8.
Institut de la statistique du Québec. 2012. Le Bilan Démographique Du Québec.
http://www.stat.gouv.qc.ca/statistiques/population-demographie/bilan2012.pdf.
———. 2014. Perspectives Démographiques Du Québec et Des Régions, 2011-2061.
http://www.stat.gouv.qc.ca/statistiques/population-demographie/perspectives/perspectives-
2011-2061.pdf.
Just, Tobias, and Wolfgang Maennig. 2012. Understanding German Real Estate Markets. Springer-
Verlag Berlin Heidelberg.
Kao, Chihwa, and Min Hsien Chiang. 2000. On the Estimation and Inference of a Cointegrated
Regression in Panel Data. Advances in Econometrics. Vol. 15. https://doi.org/10.1016/S0731-
9053(00)15007-8.
Lee, Chyi Lin. 2009. “Housing Price Volatility and Its Determinants.” International Journal of Housing
Markets and Analysis 2 (3): 293–308. https://doi.org/10.1108/17538270910977572.
64
Lee, G. S., P. Schmidt-Dengler, B. Felderer, and C. Helmenstein. 2001. “Austrian Demography and
Housing Demand: Is There a Connection.” Empirica 28 (3): 259–76.
https://doi.org/10.1023/A:1011819301465.
Lindh, Thomas, and Bo Malmberg. 2008. “Demography and Housing Demand-What Can We Learn
from Residential Construction Data?” Journal of Population Economics 21 (3): 521–39.
https://doi.org/10.1007/s00148-006-0064-0.
Malmendier, Ulrike, and Stefan Nagel. 2011. “Depression Babies: Do Macroeconomic Experiences
Affect Risk Taking?” The Quarterly Journal of Economics 126 (1): 373–416.
https://doi.org/10.1093/qje/qjq004.
Mankiw, N. Gregory, and David N. Weil. 1989. “The Baby Boom, The Baby Bust, And The Housing
Market.” Regional Science and Urban Economics 19: 235–58.
Meen, Geoffrey. 2002. “The Time-Series Behavior of House Prices : A Transatlantic Divide ?” 23: 1–
23. https://doi.org/10.1006/jhec.2001.0307.
Nieuwerburgh, Stijn Van, and PO Pierre-Olivier Weill. 2006. “Why Has House Price Dispersion Gone
Up?” The Review of Economic Studies. https://doi.org/10.1111/j.1467-937X.2010.00611.x.
Oikarinen, E., and J. Engblom. 2016. “Differences in Housing Price Dynamics across Cities: A
Comparison of Different Panel Model Specifications.” Urban Studies 53 (11): 2312–29.
https://doi.org/10.1177/0042098015589883.
Pedroni, P. 1999. “Critical Values for Cointegration Tests in Heterogeneous Panels with Multiple
Regressors.” Oxford Bulletin of Economics and Statistics 61 (S1): 653–70.
https://doi.org/10.1111/1468-0084.0610s1653.
Pedroni, Peter. 2001. “Purchasing Power Parity Tests in Cointegrated Panels.” Review of Economics
and Statistics 83 (4): 727–31. https://doi.org/10.1162/003465301753237803.
Poterba, James M. 1984. “Tax Subsidies to Owner-Occupied Housing: An Asset-Market Approach.”
The Quarterly Journal of Economics 99 (4): 729–52. https://doi.org/10.2307/1883123.
———. 1991. “House Price Dynamics: The Role of Tax Policy and Demography.” Brookings Papers
65
on Economic Activity 1991 (2): 143–203. https://doi.org/10.2307/2534591.
———. 2001. “Demographic Structure and Asset Returns.” Review of Economics and Statistics 83
(4): 565–84. https://doi.org/10.1162/003465301753237650.
Rapach, David E., and Jack K. Strauss. 2009. “Differences in Housing Price Forecastability across
US States.” International Journal of Forecasting 25 (2). International Institute of Forecasters:
351–72. https://doi.org/10.1016/j.ijforecast.2009.01.009.
Røed Larsen, Erling, and Steffen Weum. 2008. “Testing the Efficiency of the Norwegian Housing
Market.” Journal of Urban Economics 64 (2): 510–17. https://doi.org/10.1016/j.jue.2008.05.004.
Saita, Yumi, Chihiro Shimizu, and Tsutomu Watanabe. 2013. “Aging and Real Estate Prices:
Evidence from Japanese and US Regional Data,” no. 24223003.
Saiz, Albert. 2007. “Immigration and Housing Rents in American Cities.” Journal of Urban Economics
61 (2): 345–71. https://doi.org/10.1016/j.jue.2006.07.004.
———. 2010. “The Geographic Determinants of Housing Supply.” The Quarterly Journal of
Economics, no. August: 1253–96.
Société d’habitation du Québec. 2010. “Les Baby-Boomers et Le Logement.” Le Bulletin d’information
de La Société d’habitation Du Québec 5 (1): 1–16.
———. 2012. L’évolution Démographique et Le Logement Au Québec - Rétrospective 1991-2006
Perspectives 2006-2056.
Takáts, Elod. 2012. “Aging and House Prices.” Journal of Housing Economics 21 (2): 131–41.
https://doi.org/10.1016/j.jhe.2012.04.001.
Topel, Robert, and Sherwin Rosen. 1988. “Housing Investment in the United States.” Journal of
Political Economy 96 (4): 718–40. https://doi.org/10.1086/261560.
Westerlund, Joakim. 2005. “New Simple Tests for Panel Cointegration.” Econometric Reviews 24 (3):
297–316. https://doi.org/10.1080/07474930500243019.
66
Annexes
Source et disponibilité des données
Tableau 8 : Source et disponibilité des données
Source 01 02 03 04 05 06 07 08 09 10 11 12 13 14 15 16 17
Bas
-Sai
nt-L
aure
nt
Sag
uena
y—La
c-S
aint
-Jea
n
Cap
itale
-Nat
iona
le
Mau
ricie
Est
rie
Mon
tréa
l
Out
aoua
is
Abi
tibi-
Tém
isca
min
gue
Côt
e-N
ord
Nor
d-du
-Qué
bec
Gas
pési
e—Île
s-de
-
la-M
adel
eine
Cha
udiè
re-
App
alac
hes
Lava
l
Lana
udiè
re
Laur
entid
es
Mon
téré
gie
Cen
tre-
du-Q
uébe
c
Le Q
uébe
c
Moyenne de ventes totales
FCIQ via Centris®
2009-2016
2002-2016
2002-2016
2002-2016
2002-2016
2002-2016
2002-2016
2002-2016
2002-2016
2009* et 2011*
2007-2016
2002-2016
2002-2016
2002-2016
2002-2016
2002-2016
2007-2016
2002-2016
Mises en chantier
SCHL 1996-2016
Taux d’inoccupation
SCHL 1996-2016
1988-2016
Population totale : Divisée selon l’âge
ISQ
1996-2016
Prévue ISQ 2011-2036
2011-2061
Migration : Divisée selon l’âge
ISQ 1996-2016
Prévue ISQ 2011-2035
Revenu disponible
ISQ (
) : 2002-2016
Taux d’intérêt hypothécaire à 5 ans
Banque du
Canada n/d
1961-2016
Stock d’habitations
SHQ 2001, 2006, 2011
67
Résultats pour les maisons unifamiliales
Tableau 9 : Coefficients relatifs aux tests de coïntégration de Pedroni dans un PDOLS en log-
niveaux pour les maisons unifamiliales
Numéro Région Constante Coefficient T-test
1 Bas-Saint-Laurent
2 Saguenay-Lac-Saint-Jean -11,41 2,35 72,92
3 Capitale-Nationale
-17,75 3,00 22,39
4 Mauricie
-7,44 1,94 92,43
5 Estrie
-4,42 1,67 79,06
6 Montréal
-33,93 4,69 9,554
7 Outaouais
-7,62 1,99 34,89
8 Abitibi-Témiscamingue -12,45 2,43 31,52
9 Côte-Nord
-11,52 2,33 44,48
10 Nord-du-Québec
11 Gaspésie-Îles-de-la-Madeleine
12 Chaudière-Appalaches -10,12 2,22 11,39
13 Laval
-30,22 4,28 28,05
14 Lanaudière
-12,96 2,52 30,99
15 Laurentides
-13,12 2,54 5,881
16 Montérégie
-14,41 2,67 18,96
17 Centre-du-Québec
Test joint: -14,41 2,66 133,8
68
Tableau 10 : Résultats des tests de coïntégration de Pedroni en log-niveaux (maisons unifamiliales)
Tests par panel
p-stat
v: 3,82 0,0000
rho: -2,37 0,0011
t: -3,82 0,0000
adf: 0,71 0,2389
Tests par groupe
rho: -0,84 0,2005
t: -4,17 0,0000
adf: 1,75 0,9599
Tableau 11 : Résultats de Régressions selon Arellano-Bover/Blundell-Bond pour les maisons
unifamiliales
Écart-type
∆pi(t-1) 0.023 (0.031)
(pi-pi*)(t-1) -0.063 (0.110)
∆ revenu (t-1) 0.474 (0.298)
∆ tx d'intérêt (t-1) -0.009 (0.006)
∆ stock d'habitations (t-1)
∆ population (t-1)
∆ accroissement naturel (t-1) 0.070 (0.060)
∆ migration nette (t-1) 0.080*** (0.022)
∆ 25 à 54 ans (t-1) 0.030 (0.031)
∆ personnes âgées (t-1) -0.177*** (0.037)
69
Résultats pour les semi-détachés (de type « Plex »)
Tableau 12 : Coefficients relatifs aux tests de coïntégration de Pedroni dans un PDOLS en log-
niveaux pour les plex
Numéro Région
Constante Coefficient T-test
1 Bas-Saint-Laurent
2 Saguenay-Lac-Saint-Jean -15,90 2,80 18,41
3 Capitale-Nationale -23,75 3,61 24,61
4 Mauricie
-16,77 2,88 45,72
5 Estrie
-6,39 1,86 18,21
6 Montréal
-36,58 4,95 11,55
7 Outaouais
-6,90 1,93 14,45
8 Abitibi-Témiscamingue
9 Côte-Nord
10 Nord-du-Québec
11 Gaspésie-Îles-de-la-Madeleine
12 Chaudière-Appalaches -19,81 3,20 17,92
13 Laval
-21,99 3,48 11,64
14 Lanaudière
-16,93 2,95 30,83
15 Laurentides
-7,87 2,03 11,1
16 Montérégie
-10,66 2,30 23,8
17 Centre-du-Québec
Test joint:
-16,69 2,91 68,82
70
Tableau 13 : Résultats des tests de coïntégration de Pedroni en log-niveaux (habitations de type
« plex »)
Tests par panel
p-stat
v: 2,7530 0,0030
rho: -1,5750 0,0571
t: -2,7530 0,0030
adf: 0,3400 0,6331
Tests par groupe
rho: -0,1452 0,4404
t: -2,9600 0,0015
adf: 0,4030 0,6554
Tableau 14 : Résultats de Régressions selon Arellano-Bover/Blundell-Bond pour les habitations de
type « plex »
Écart-type
∆pi,t-1 0.022 (0.030)
(pi-pi*)(t-1) -0.269*** (0.097)
∆ revenu (t-1) 0.160 (0.401)
∆ tx d'intérêt (t-1) -0.022*** (0.005)
∆ stock d'habitations (t-1)
∆ population (t-1)
∆ accroissement naturel (t-1) -0.075 (0.095)
∆ migration nette (t-1) 0.083*** (0.021)
∆ 25 à 54 ans (t-1) -0.136 (0.103)
∆ personnes âgées (t-1) -0.445*** (0.072)
71
Résultats pour les condominiums
Tableau 15 : Coefficients relatifs aux tests de coïntégration de Pedroni dans un PDOLS en log-
niveaux pour les condominiums
Numéro Région
Constante Coefficient T-test
1 Bas-Saint-Laurent
2 Saguenay-Lac-Saint-Jean
3 Capitale-Nationale -16,89 2,90 44,67
4 Mauricie
5 Estrie
5,94 0,60 6,685
6 Montréal
-28,60 4,11 10,08
7 Outaouais
-7,62 1,96 73,1
8 Abitibi-Témiscamingue
9 Côte-Nord
10 Nord-du-Québec
11 Gaspésie-Îles-de-la-Madeleine
12 Chaudière-Appalaches -14,64 2,68 8,722
13 Laval
-21,57 3,38 14,76
14 Lanaudière
-4,62 1,66 58,89
15 Laurentides
15,14 -0,31 -0,5422
16 Montérégie
-5,19 1,72 31,19
17 Centre-du-Québec
Test joint:
-8,67 2,08 82,52
72
Tableau 16 : Résultats des tests de coïntégration de Pedroni en log-niveaux (condominiums)
Tests par panel
p-stat
v: 4,6150 0,0000
rho: -3,6590 0,0000
t: -5,3690 0,0000
adf: -0,2544 0,4013
Tests par groupe
rho: -2,0020 0,0228
t: -5,6320 0,0000
adf: 0,1607 0,5636
Tableau 17 : Résultats de Régressions selon Arellano-Bover/Blundell-Bond pour les condominiums
Écart-type
∆pi,t-1 -0.019 (0.026)
(pi-pi*)(t-1) 0.081 (0.138)
∆ revenu (t-1) 0.336** (0.165)
∆ tx d'intérêt (t-1) -0.023*** (0.007)
∆ stock d'habitations (t-1)
∆ population (t-1)
∆ accroissement naturel (t-1) 0.090 (0.092)
∆ migration nette (t-1) 0.034 (0.054)
∆ 25 à 54 ans (t-1) 0.012 (0.114)
∆ personnes âgées (t-1) -0.086 (0.132)
73
Modèles utilisés dans la littérature et principaux constats
Tableau 18 : Modèles utilisés dans la littérature et principaux constats
Auteurs Titre de la recherche Modèle utilisé Données utilisées Principaux constats
Égert & Mihaljek, 2007 Determinants of House
Prices in Central and
Eastern Europe
Moindres carrés ordinaires
dynamiques par panel
(DOLS)
Europe centrale et
de l’est (ECE) (1990
à 2006) et 19 pays
de l’OCDE, incluant
le Canada (1995 à
2006)
- Les prix sont très influencés par le PIB par
personne.
- Le taux d’intérêt réel est en relation étroite
avec l’évolution du prix de l’immobilier.
- L’accès au crédit a un impact significatif.
Meen, 2002 The Time-Series Behavior
of House Prices : A
Transatlantic Divide ?
Modèle de stock-flux en
équilibre partiel (Modèle de
Poterba, 1984, modifié)
États-Unis et
Royaume-Uni (1975
à 1998)
- Les différences entre les deux pays sont
dues à des différences de méthodologies et
de données. Les marchés des États-Unis et
du Royaume-Uni se ressemblent
grandement.
Lindh & Malmberg, 2008 Demography and housing
demand-what can we
learn from residential
construction data?
Modèle de stock-flux en
équilibre partiel (Modèle de
Poterba, 1984)
Suède et OCDE
(1953 à 1999)
- Les grands groupes de jeunes sont associés
à une plus grande demande pour la
construction résidentielle.
- Une hausse du radio de personnes de 75
ans et plus a un effet négatif significatif sur
le niveau des prix immobiliers.
Lee, Schmidt-Dengler,
Felderer, & Helmenstein,
2001
Austrian Demography and
Housing Demand:
Is There a Connection
Moindres carrés ordinaires
dynamiques (DOLS)
Autriche (1971 à
1995)
- La population adulte avec migration nette est
un meilleur prédicteur de l’évolution des prix
que celle de Mankiw & Weil (1989).
- Le revenu, le coût du financement (incluant
les rigidités), les taxes et le taux de
chômage sont de bons indicateurs.
74
Takats, 2012 Aging and house prices Régression par panel en
log-différences
22 pays avancés,
incluant le Canada
(1970 à 2009)
- Les prix nominaux vont continuer à
augmenter, mais en deçà de l’inflation. Nous
observerons donc une perte réelle de 80
points de base par année pour les 40
prochaines années.
Fortin & Leclerc, 2002 Déterminants du prix réel
des logements au Canada
Modèle structurel de marché
(comme DiPasquale &
Wheaton, 1994)
Canada (1956 à
2001)
- Trois variables exercent une influence
significative sur le prix réel :
1. Revenu réel par personne adulte
2. Taux d’intérêt nominal sur les prêts
hypothécaires résidentiels à 5 ans
3. Croissance de la population de 25 à 54
ans
DiPasquale & Wheaton,
1994
Housing Market Dynamics
and the Future of Housing
Prices
Modèle structurel de marché États-Unis (1968 à
1990)
- Il ne devrait pas y avoir de baisse de prix à
long terme, car l’offre s’ajustera à la
demande.
Chin & Fan, 2005 Autoregressive analysis of
Singapore’s private
residential prices
Modèles comparés :
- VAR
- ARIMA
- ARCH
Singapour (1975 à
2002)
- Le modèle ARIMA(1,1,0) est celui qui réagit
le mieux au marché de Singapour.
- Fort coefficient d’autocorrélation dans les
changements de prix à 1 période de
décalage.
Oikarinen & Engblom,
2016
Differences in housing
price dynamics across
cities: A comparison of
different panel model
specifications
Modèles testés sur les
données :
- MCO & 2SLS
- Arellano-Bover /
Blundell-Bond
GMM
14 villes de Finlande
sur la période 1988-
2012
- Le meilleur modèle est la méthode des
moments généralisés d’Arellano-
Bover/Bover-Bond sur les données de panel
dynamique comparant plusieurs panels sur
peu de périodes.
Top Related