Perception des risques industriels dans une zone estuarienne : une analyse hédonique spatiale

Transcription

1 Perception des risques industriels dans une zone estuarienne : une analyse hédonique spatiale Travers Muriel *, Bonnet Emmanuel **, Chevé Morgane *** Résumé : Cet article a pour objet d analyser le comportement des ménages face à l existence de risques liés à la présence d unités de production principalement pétrolières et chimiques dans la zone estuarienne de Port Jérôme (Seine Maritime). A cette fin, en nous appuyant sur un travail réalisé en amont à partir d un système d information géographique, nous avons mis en œuvre la première étape de la méthode des prix hédoniques qui consiste dans le cas présent à régresser les prix des maisons vendues en 2001 et 2002 sur les différentes caractéristiques intrinsèques et extrinsèques, ces dernières comprenant en particulier des attributs propres aux risques industriels (distance à la zone de risques létaux Z1, localisation ou non de l habitation dans une zone de plan particulier d intervention (PPI)). Les traitements économétriques, tenant compte notamment de la spatialisation des données et d un éventuel choix simultané entre le prix de l habitation et certaines caractéristiques de cette dernière, indiquent en particulier que la localisation des maisons dans une zone PPI agit de manière négative sur le prix des transactions des maisons tandis que la distance à la zone de risques létaux ne semble pas avoir quant à elle d influence significative. Ce constat semble indiquer que les ménages éprouvent des difficultés à percevoir de manière fine les variations de risque. L objet initial de cette étude était aussi d appréhender les effets dus aux aménités naturelles (proximité des maisons à la Seine et au Marais Vernier), aménités pouvant éventuellement contrebalancer les effets négatifs dus à la présence de la zone industrielle risquée. Cependant, la forte corrélation existant entre la distance à ces aménités et la distance aux industries (ces dernières étant situées au bord de la Seine) n a pas permis d intégrer simultanément ces deux effets. Classification JEL : C21 ; Q51 ; Q53 Mots clefs : méthode des prix hédoniques, risques industriels, économétrie spatiale, SIG, estuaire * UMR AMURE, Université de Brest / Ifremer, Technopôle de Brest-Iroise, B.P. 70, Plouzané, muriel.travers@univ-brest.fr, muriel.travers@ifremer.fr ** TVES UFR de Géographie, Avenue Paul Langevin, Villeneuve d Ascq Cedex, emmanuel.bonnet@univlille1.fr *** CARE, Pôle Universitaire des Sciences du Tertiaire, 3, avenue Pasteur, Rouen Cedex, morgane.cheve@univrouen.fr 1

2 Introduction La zone de Port Jérôme constitue un site industriel d envergure nationale générant des flux conséquents de pollution et présentant pour les populations avoisinantes des risques sanitaires significatifs matérialisés par le classement en site SEVESO d un nombre important des unités de production qui y sont installées. La question de l appréciation des risques industriels, de leur impact sur l activité humaine ainsi que de l évaluation des coûts de leur éventuelle réduction se pose alors de manière évidente : ainsi, l évaluation d un projet de réduction de ces risques doit faire figurer face aux coûts associés à cette réduction l ensemble des bénéfices marchands et non marchands générés par une telle réduction. Cependant, cette problématique est rendue plus complexe par la situation géographique particulière du site de Port-Jérôme : situé en bordure de l estuaire de la Seine, cette zone industrielle côtoie des sites naturels majeurs tels que le marais Vernier et constitue une enclave dans le parc naturel régional des boucles de la Seine Normande. Ainsi, la région de Port-Jérôme conjugue à la fois un attrait du fait de ses caractéristiques naturelles tout en présentant pour les populations environnantes des activités industrielles hautement polluantes et particulièrement risquées. En pratique, les méthodes dédiées à la mesure des bénéfices associés à la seule réduction des risques ou des pollutions, ne peuvent être raisonnablement envisagées dans le cas de Port-Jérôme : par exemple, l estimation des coûts des maladies évités suite à une réduction du niveau de dioxyde de soufre dans l air ou encore le calcul du consentement à payer pour une telle réduction au travers de la méthode des dépenses de protection, ne se concentrent que sur l aspect sanitaire de la question. Or, les ménages peuvent attribuer un consentement à payer bien plus conséquent, par le fait que cette réduction des risques et/ou des pollutions peut avoir entre autres conséquences d élargir les usages associés à des actifs naturels jusque là altérés par l activité industrielle. Une première solution consiste alors à intégrer dans l évaluation des coûts générés par cette zone industrielle, ceux associés à la dégradation des actifs naturels estuariens, au travers de méthodes telles que la méthode des coûts de restauration. Cependant, ce type de méthode ne repose pas sur les préférences des individus : les coûts de restauration évités par la mise en place d un projet de réduction des risques ou des pollutions ne coïncident pas nécessairement avec la variation de bien-être des ménages concernés par ce projet à la différence de la méthode des coûts de déplacement, de la méthode des prix hédoniques et des méthodes contingentes. Néanmoins, la méthode des coûts de déplacement ne cerne qu une partie de la variation de bien-être des ménages à savoir celle associée aux activités récréatives sur les sites affectés par l activité industrielle. Par conséquent, cette méthode ne peut mesurer qu une fraction des avantages que les ménages peuvent attribuer à une réduction des risques et des pollutions industrielles. Les méthodes contingentes et particulièrement la méthode d évaluation contingente semblent adaptées à la situation de Port-Jérôme : outre la souplesse concernant la nature ou l ampleur des mesures envisagées, le consentement à payer révélé des ménages concernés par un tel changement ne se limite pas aux seules considérations de risques ou de maladies, mais intègre éventuellement l ensemble des activités affectées par la présence de la zone industrielle. Enfin, le consentement à payer annoncé par les individus tient compte d une possible interaction avec l environnement estuarien. Cependant, outre les biais habituels associés à la nature hypothétique de cette méthode (biais stratégique, biais hypothétique), cette dernière se heurte dans le cas présent à la difficulté de la part des ménages d évaluer de manière sereine une variation de risques et/ou de pollution affectant leur santé. En particulier, attribuer une somme monétaire à la réduction d un risque létal peut se révéler être un exercice difficile pouvant susciter le rejet du scénario contingent proposé ou encore la révélation de sommes extrêmes déconnectées de la contrainte budgétaire. Pour ces raisons, nous avons opté pour la méthode des prix hédoniques : basée sur l observation des comportements de ménages résidents, cette dernière ne souffre pas des critiques adressées aux méthodes contingentes. De plus, l estimation d une fonction de prix hédoniques permet de mesurer l influence des différents attributs sur le prix d une résidence et, en particulier, celle associée à la présence de risques ou de pollutions ainsi que celle associée à la proximité d aménités naturelles générées notamment par la zone estuarienne. L estimation de cette fonction de prix hédoniques permet, en outre, de cerner les interactions 2

3 éventuelles entre les différents attributs, notamment celles entre les attributs associés à l environnement industriel et ceux associés à l environnement estuarien. Cette démarche s inscrit pour une large part dans la lignée des travaux utilisant la méthode des prix hédoniques dans le domaine des risques et pollutions industriels, travaux réalisés pour l essentiel aux Etats- Unis (ex: Ridker et Henning, 1967; Flower et Ragas, 1994 ; Carroll et alii 1996, Boxall et alii, 2005 ; Decker et alii, 2005) et plus rarement en France (Sauvage, 1997 ; Letombe et Zuindeau, 2005). Nous avons en particulier cherché à analyser si la survenue d un accident industriel majeur tel que celui survenu à Toulouse en septembre 2001 (usine AZF) a modifié les choix résidentiels des ménages achetant une maison se situant dans les communes avoisinant le site de Port Jérôme. L originalité de notre démarche réside également dans la volonté d introduire dans cette évaluation économique des risques et des pollutions industriels, l existence des aménités positives apportées par l estuaire de la Seine ainsi que par la présence du Marais Vernier, qui peuvent éventuellement contrebalancer ou accentuer les effets négatifs habituels : ainsi, le consentement à payer d un ménage pour s éloigner d une zone à risques industriels peut être atténué (ou à l inverse accentué) par l attirance de ce dernier pour la zone estuarienne. La mise en œuvre d une telle démarche a nécessité l utilisation d un système d information géographique afin de positionner chacune des habitations, notamment vis-à-vis du site industriel et de l estuaire mais aussi vis-à-vis d autres éléments de l environnement résidentiel susceptibles d avoir un impact sur les valeurs mobilières (ex : distance au centre ville). La structure de cet article est la suivante : dans une première section, nous présenterons les caractéristiques du site de Port Jérôme. Dans une seconde section, nous présenterons le modèle des prix hédoniques utilisé pour notre étude, modèle prenant notamment en compte la nature spatialisée des données. Dans une troisième section, nous présenterons les données utilisées ainsi que leurs statistiques. Enfin, dans une dernière section seront présentées les estimations réalisées ainsi que leurs analyses. 1. Présentation du site de Port-Jérôme Le site industriel de Port-Jérôme se situe dans la partie aval de l estuaire de la Seine (cf. figure 1), sur les communes de Notre Dame de Gravenchon et Quillebeuf sur Seine (cf. figure 2). Figure 1: Situation géographique du site de Port-Jérôme Port - Jérôme Source : Appel à propositions Seine-Aval ; 3

4 Figure 2 : Site industriel de Port-Jérôme Cette situation géographique particulière facilitant l accès aux transports maritimes et fluviaux a favorisé le développement de nombreuses industries spécialisées dans le raffinage pétrolier et dans la pétrochimie sur le site de Port-Jérôme. L activité de ces établissements est d une importance économique cruciale pour les communes avoisinantes : l emploi total lié à l activité de Port Jérôme représentait,, en 1999, emplois pour un total de habitants de la zone de Port Jérôme. A ces enjeux économiques s ajoutent des enjeux environnementaux. En effet, la présence de ce site engendre également un certain nombre d effets externes négatifs. Un nombre important de ces usines sont classées SEVESO (cf. figure 3), plaçant le site de Port Jérôme en troisième position en terme de nombre d établissements classés à risque dans une région fortement industrialisée (cf. annexe 1). Source : Bonnet E Figure 3 : Type d établissements présents sur le site industriel de Port Jérôme L activité de tels établissements est donc génératrice de risques (incendies, explosion, toxicité) ayant nécessité la mise en place d un plan particulier d intervention PPI (cf. figure 4) englobant les zones de risque Z2. 1 Ce plan particulier d intervention (PPI) correspond aux zones d effets du scénario le plus pénalisant de chaque installation. Source : Propeck-Zimmermann, Ravenel et Saint-Gérand (2002) 1 La zone Z1 est la zone dans laquelle des effets létaux pourraient être constatés en cas de survenance d accident. La zone Z2 est celle où des effets significatifs ou irréversibles pour la santé se produiraient lors de cet accident. 4

5 Figure 4 : Définitions des différents périmètres Z1 et Z2 Source : Bonnet E Ces industries sont également à l origine de pollutions atmosphériques ayant abouties à la mise en place d un suivi régulier de mesures de rejets de différents polluants (SO2, NOx, CO, particules en suspension) par le réseau AirNormand. Les nuisances engendrées par cette pollution industrielle ont également conduit l ensemble des industriels de la zone Lillebonne/Gravenchon, les communes environnantes et le réseau AirNormand à réaliser dès la fin 2000 une étude pilote dont le but principal était d identifier les principaux secteurs contribuant aux gênes liées aux odeurs ressenties par les riverains (Etude «Nez au vent»). Plus récemment, un Plan de Protection de l Atmosphère (PPA) a également été élaboré afin de ramener la concentration des polluants dans l atmosphère à un niveau inférieur aux valeurs limites fixées par les réglementations (Arrêté préfectoral du 27/02/2007). En effet, les rejets notamment de dioxyde de soufre posent toujours problème (cf. figure 5) même si des efforts ont été faits par les industriels afin de diminuer les émissions de polluants (changement de procédés, substitution de produits, réduction des consommations ou maintenance des équipements, etc.). Figure 5 : Nombre de jours de dépassements de la valeur limite réglementaire journalière pour le dioxyde de soufre ( ) à Lillebonne (LIL), Notre-Dame de Gravenchon (NDG) et Quillebeuf-Sur-Seine (QUI) Source : PPA Port-Jérôme- Livret Bleu Ces différentes pollutions atmosphériques ont non seulement un impact sur la santé des habitants (ex : gênes respiratoires, cancer) mais peuvent avoir également un effet négatif sur l écosystème proche du site de Port Jérôme. En effet, les écosystèmes estuariens ainsi que ceux du Marais Vernier, marais se situant sur la rive gauche de la Seine (cf. figure 6), peuvent être perturbés par la pollution de l air et de l eau émanant de l activité de Port-Jérôme. Or, le Marais Vernier est une zone humide classée Natura2000 qui abrite la plus importante tourbière française, le seul étang naturel de Haute-Normandie ainsi qu une faune variée. Il fait également partie du Parc Naturel Régional des Boucles de la Seine Normande (PNRBS) créé en

6 Figure 6 : Le Marais Vernier Site natura 2000 Commune département Région réseau routier zone urbaine zone boisée hydrographie Dimensions de la carte : Largeur : Hauteur : 45 km 29 km 10 km Source : Par conséquent, la zone étudiée a pour originalité de voir coexister à la fois des activités portuaires et industrielles à risques, sources d externalités négatives, et un patrimoine naturel très riche, source d aménités pour les riverains. Afin d évaluer l importance de ces différents aspects ainsi que leur possible interaction pour les ménages résidents, nous avons utilisé la méthode des prix hédoniques, méthode basée sur des préférences révélées. 2. Modèle théorique La méthode des prix hédoniques a pour objet de révéler les prix implicites des différents attributs d un bien hétérogène à partir de son prix global. Suite aux évaluations empiriques développées par Waugh (1929) et Court (1939) et suite aux travaux économétriques de Griliches (1961), cette méthode a été utilisée pour expliquer des différences de prix de produits similaires 2 mais ayant des niveaux de qualité différents et en particulier pour expliquer les différences de prix d un bien immobilier. En effet, le marché des transactions immobilières est par excellence un marché hédonique puisque les propriétés sont des biens extrêmement différenciés, notamment spatialement. Outre des caractéristiques intrinsèques différenciées (nombre de pièces, nombre de salles de bain, surface du terrain, etc.), les résidences se distinguent par nature les unes des autres par le simple fait d une localisation nécessairement différente. Cette dernière génère alors une différenciation des caractéristiques extrinsèques, en particulier au regard des aménités urbaines et environnementales. Ainsi, la qualité de l air, l accès aux services publiques, les nuisances sonores liées à la proximité des voies de communication ou encore, dans le cas de notre étude, la proximité à l estuaire de Seine et à ses externalités (positives et négatives) sont autant d éléments qui concourent à la différenciation des résidences débouchant in fine sur des prix de transaction différents. Il revient à Rosen (1974) d avoir analysé en détail le comportement des individus face à ce marché hédonique résidentiel. Il décrit ainsi les logements comme des produits différenciés composés de K attributs, 2 Cette méthode a été notamment utilisée dans le cadre du marché du travail sous la dénomination de la méthode des salaires hédoniques : elle cherche à analyser les différentiels de salaires comme la résultante de conditions de travail différenciées (pénibilités, risques, ) ; ainsi «les suppléments de salaires observés dans les zones défavorisées d un point de vue environnemental ou quand les conditions de travail sont difficiles (risque ) refléteraient le consentement à recevoir des salariés pour compenser les pertes de bien être» (Le Goffe, 1996). 6

7 notés Z = (z 1,,z k,,z K ) indissociables et vendus «en bloc». Le programme du consommateur consiste alors à maximiser sa fonction d utilité U ( x, Z) où x est la quantité consommée d un bien composite sous la contrainte budgétaire : y = px. x + P( Z) où y est le revenu, p x le prix du bien composite supposé égal à 1 et P(Z) le prix de transaction du logement. Ce prix P(Z) est une fonction de prix hédoniques résultant d une combinaison particulière des caractéristiques intrinsèques et extrinsèques z k de la propriété, valorisées à leur prix implicite p k. Les conditions de premier ordre indiquent alors que le prix implicite pour chacune des caractéristiques k = 1, K, du logement est égal au rapport des utilités marginales de cette caractéristique k et du bien composite x : P( Z) U / zk = zk U / x θ p k Rosen (1974) introduit alors la notion de fonction d enchère θ représentant la dépense maximale que l acheteur est prêt à payer pour obtenir le logement afin d atteindre le niveau d utilité u. A l équilibre, le prix marginal p k est donc égal à l enchère marginale θ k qui représente le consentement à payer marginal de l individu pour obtenir une unité supplémentaire de la quantité k. La fonction θk de consentement à payer marginal correspond donc à la fonction inverse de demande pour l attribut k. Rosen (1974) propose alors une ˆP Z à partir procédure en deux étapes. La première étape consiste à estimer la fonction de prix hédonique ( ) des quantités des différentes caractéristiques du logement et à mettre ainsi en évidence les caractéristiques influençant de manière significative le choix des ménages acheteurs. Le consentement à payer marginal θ k pour l attribut k peut être alors déterminé au travers de la dérivée de cette fonction de prix hédonique par rapport à la caractéristique k : k ˆp k ˆP(Z) =. z k La seconde étape consiste à obtenir une estimation de la fonction de demande. Cette estimation permet alors de calculer le consentement à payer pour une variation non marginale de cette caractéristique k. L objectif de cet article étant de mettre en évidence une incidence éventuelle de la présence du site industriel de Port Jérôme et de l estuaire de la Seine sur les valeurs immobilières, nous limiterons notre analyse à la première étape. La mise en œuvre de cette dernière nécessite cependant de répondre à un certain nombre de questions que nous allons analyser maintenant. 2.1 La question de la stabilité inter-temporelle de la fonction de prix hédoniques Suite à une modification de leur environnement et/ou de la perception de ce dernier pouvant être due à un événement particulier (ex : accident sur un site industriel français similaire à celui étudié), le comportement d achat des ménages peut évoluer au cours du temps modifiant ainsi la fonction de prix hédoniques. Par exemple, Carroll et alii (1996) montrent que l explosion de l usine chimique Pepcon à Henderson au Nevada (mai 1988) a eu un impact négatif sur les valeurs des propriétés se situant dans la «Green Valley» et ce quelle que soit la distance au site des habitations. Ainsi, suite à l explosion de l usine AZF ayant eu lieu à Toulouse le 21 septembre 2001, il est possible que les ménages achetant une habitation près du site industriel de Port Jérôme appréhendent le risque d explosion d une manière différente après la survenue d un tel accident. Par conséquent, afin de prendre en compte un 7

8 éventuel changement de comportement des acheteurs, nous distinguerons lors des estimations les transactions réalisées en 2001 de celles réalisées en La prise en compte de la simultanéité des choix Lors de l achat de l habitation, il peut exister un choix simultané de la part des ménages entre le prix du bien immobilier et les quantités des caractéristiques de ce dernier: le ménage lorsqu il achète un logement, peut, en effet, choisir simultanément le nombre de pièces et le prix du logement. Il peut en être de même entre le prix du logement et la proximité ou non de ce dernier au site industriel. Cette endogéneité peut également concerner des variables telles que la surface de jardin. Il sera donc nécessaire de prendre en compte cette éventuelle endogéneité lors des estimations des fonctions de prix hédoniques. 2.3 La perception du risque par les ménages La prise en compte des risques d explosion ou de pollution par la méthode des prix hédoniques nécessite que les ménages acheteurs perçoivent ces différents risques ainsi que leur variation. Leur perception d un même type de risque doit également être identique (Freeman, 1979 ; Garrod et Willis, 1992). En effet, sans cette identité des perceptions, la valorisation des différentes caractéristiques peut être extrêmement variable d un ménage à l autre : elle ne représenterait donc pas seulement la structure des préférences mais également la structure des perceptions. Ainsi, une défaillance de l information concernant les risques encourus par les ménages liés à la présence d un site industriel, pourrait aboutir à des conclusions erronées concernant leur choix face à ces risques. Certes, il existe bien une politique d information concernant les risques encourus par les riverains de Port Jérôme (site internet, brochures, réunions) qui a été renforcée suite à l accident survenu à Toulouse : dès octobre 2001, une campagne d information associant les industriels, les communes, les services du Préfet, la D.R.I.R.E 4, et l Education Nationale a donné lieu, d une part, à la distribution d une brochure intitulée «Une confiance lucide» 5 aux membres du personnel, aux administrés et aux établissements scolaires et, d autre part, à une série de réunions d informations à Notre-Dame-de-Gravenchon, Lillebonne et Quillebeuf-sur- Seine. Cependant, il peut exister une différence importante entre l information objective délivrée par les pouvoirs publics et celle effectivement perçue par les ménages. En effet, ces derniers peuvent notamment selon leurs caractéristiques socioéconomiques éprouver des difficultés à traiter et à intérioriser une information souvent technique. Enfin, l existence d une dépendance économique de certains habitants vis-àvis de l activité industrielle de la zone de Port-Jérôme pourrait conduire certains d entre eux à minimiser voire à évacuer de manière consciente ou non le caractère risqué du choix de leur résidence. Il en résulte que nous ne pouvons pas a priori affirmer que la proximité au site industriel de Port-Jérôme aura nécessairement un impact négatif sur la valeur des habitations. 2.4 La prise en compte de la spatialisation des données La méthode des prix hédoniques doit également prendre en compte la nature spatiale des données. En effet, la valeur d une maison dépend à la fois des caractéristiques intrinsèques de cette dernière (taille du terrain, nombre de salle de bains, etc.) mais aussi de sa localisation géographique. Des auteurs tels que Can (1992) et Can et Megbolugbe (1997) ont développé et mis en pratique cette spatialisation des modèles de prix hédoniques. Plus récemment, Kim et alii (2003), Brasington et Hite (2005), Boxall et alii (2005) et Bin et 3 Sachant qu il existe en moyenne un délai de trois mois entre la date de compromis et la date de vente, les habitations ayant fait l objet d un compromis après le 21 septembre 2001 sont vraisemblablement répertoriées comme des ventes au cours de l année D.R.I.R.E : Direction Régionale de l Industrie, de la Recherche et de l Environnement 5 Cette brochure détaille la nature des risques, leurs conséquences possibles, leur prévention et les mesures d intervention en cas de crise. 8

9 alii (2006) ont intégré cette dimension spatiale des données dans leurs études de l impact de facteurs environnementaux sur les prix des propriétés. Ces effets spatiaux peuvent être de deux types : l auto-corrélation spatiale se référant à l absence d indépendance entre les observations géographiques et l hétérogéneité spatiale qui est liée à la différenciation des observations dans l espace. On parlera ainsi d auto-corrélation spatiale s il existe une relation fonctionnelle entre ce qui se passe en un point de l espace et ce qui se passe ailleurs. Elle peut provenir de phénomènes de diffusion spatiale ou de processus d interaction : en effet, les conditions en un lieu donné peuvent affecter les conditions en d autres lieux, si ces dernières interagissent d une manière ou d une autre par des externalités spatiales ou par toute autre forme de comportement où un acteur économique réagit aux actions d autres acteurs (Hannoun, 2002 ; Le Gallo, 2002). Ainsi, les problèmes d auto-corrélation spatiale des transactions peuvent être dus à l influence des transactions réalisées dans le voisinage du bien immobilier considéré (Can, 1992 ; Lesage 1997). En effet, le prix d une maison sur le marché peut dépendre des prix observés dans le voisinage («adjacency effect», Can A., 1992). L auto-corrélation spatiale peut également provenir d une mauvaise spécification du modèle comme des variables omises spatialement autocorrélées, de données manquantes ou d erreur de mesure (Le Gallo, 2002). On parlera d hétérogeneité spatiale si l effet est lié à la localisation elle-même de l habitation (Le Gallo, 2004). Ainsi, le prix d une habitation peut être différent selon que l habitation se situe en agglomération ou non, selon que cette dernière se situe au Nord ou au Sud d une région, ou encore selon que les habitations partagent des caractéristiques communes tels que des biens publics ou des caractéristiques socioéconomiques (ex : effet «réputation» d une ville). La prise en compte de ces différents éléments spatiaux pose alors le problème du choix de leur formulation dans les modèles de prix hédoniques et de leur estimation économétrique Prise en compte de l hétérogéneité spatiale La prise en compte de l hétérogéneité spatiale dans la fonction de prix hédoniques consiste tout d abord à déterminer les différentes variables indicatrices de localisation. Dans ce cas de figure, le problème consiste à déterminer dans quelle mesure la moyenne du prix de l habitation varie entre différents sous-groupes d observations localisées. Pour ce faire, il est nécessaire de régresser les prix de transaction des habitations par rapport aux différentes variables explicatives indicatrices représentant l appartenance aux différents sous groupes de localisations j. La difficulté majeure pour déterminer de telles variables est le côté arbitraire des délimitations définies pour les différents marchés (Can, 1992 ; Le Gallo, 2004). où : J i 1 j ji i j=2 [ ] P = γ + γ. L + ω avec i = 1,..., N 1 P i : correspond au prix de vente de l habitation i ; L : ji correspond aux variables muettes définies de la manière suivante pour l ensemble des habitations i ; 1 si l'habitation i se situe dans la localisation j L ji = 0 sinon γ : 1 s interprète comme la moyenne du prix moyen des transactions dans la zone omise ; γ : s interprète comme la différence entre le prix moyen des transactions de la zone j et celle de j la zone omise. La significativité des coefficients à un seuil α indique alors une différence entre le prix moyen des habitations se situant dans la localisation j et le prix moyen des habitations se situant dans la localisation de référence. 9

10 La solution optimale serait alors d estimer pour chaque localisation significative une fonction de prix hédoniques. Cependant, cette procédure nécessitant un nombre important de données, elle n est pas retenue lors de l analyse. Par conséquent, il est nécessaire de prendre en compte cette hétérogéneité spatiale d une autre manière. Si l on suppose que les prix implicites de chacune des caractéristiques intrinsèques des maisons peuvent varier en fonction des différentes localisations (ex : le prix implicite du jardin peut être différent selon que l habitation se situe en ville ou non), les variables intrinsèques de l habitation sont alors croisées avec les variables indicatrices définissant les différentes localisations. K S P = α0 + αk + λkj. L j. z k + u 2 k= 1 j= 1 [ ] où : S est le nombre de variables de localisation significatives au seuil alpha α. u Nid 0, σ ² I u est le terme d erreur : ( ) Dans la pratique, pour des raisons de parcimonie, le croisement n est réalisé que pour un certain nombre de variables explicatives en s appuyant sur les relations pouvant exister entre ces dernières et les variables de localisation significatives au seuilα Prise en compte de l auto-corrélation spatiale Les modèles retenus pour notre analyse sont le modèle à retard spatial et le modèle à erreurs spatiales. Le modèle à retard spatial est particulièrement approprié lorsque le modélisateur suppose l existence d une interaction structurelle spatiale. En effet, ce modèle permet de calculer l effet des prix moyens (pondérés spatialement) des habitations voisines (effets indirects) sur le prix de chacune des habitations mais aussi l effet des caractéristiques de cette même habitation i (effet direct). Les modèles à erreurs spatiales quant à eux n incluent pas les effets indirects dans l équation de prix hédoniques : les éventuelles auto-corrélations spatiales sont supposées provenir de variables omises présentant une configuration spatiale. Ce type de modélisation est approprié lorsque le modélisateur ne suppose pas d interactions spatiales théoriques ou apparentes et qu il cherche uniquement à corriger les effets spatiaux liés à l utilisation de données spatialisées (Kim et alii, 2003) Le modèle à retard spatial : la prise en compte de l influence du prix des habitations voisines Le prix de transaction d une habitation donnée peut être influencé par le prix des habitations se situant à proximité, phénomène souvent observé par les professionnels de l immobilier. En effet, les acquéreurs lors de leur choix ont souvent à leur disposition l information concernant les prix des transactions des autres habitations du même quartier ou de la même ville par le biais notamment d internet, des journaux et des agences. Ils peuvent donc faire leur choix en tenant compte de cette information. La prise en compte de ce type d auto-corrélation spatiale dans l équation [2] permet alors de définir un nouveau modèle dont la spécification est la suivante («spatial expansion autoregressive specification», Can, 1992) : K S P = α0 + ρwp + αk + λkj. Lj. z k + u = ρwp + β Z + u 3 k = 1 j= 1 [ ] où : ρ est un paramètre autorégressif spatial reflétant la dépendance spatiale en mesurant l influence moyenne des valeurs des propriétés voisines sur le vecteur de prix observé P ; W est la matrice de poids exogène définissant la relation potentielle pouvant exister entre les différents prix observés des habitations ; u Nid 0, σ ² I. u est le terme d erreur : ( ) 10

11 Le modèle à erreurs spatiales : Une autre possibilité pour incorporer l auto-corrélation spatiale dans un modèle de régression est de spécifier un processus spatial pour les erreurs. L erreur d estimation du prix pour chaque habitation est alors supposée être influencée par les erreurs des habitations avoisinantes. La spécification est alors la suivante : où : P = β Z + ξ ξ = φwξ + u φ est le paramètre représentant l intensité de l auto-corrélation spatiale entre les résidus de la régression ; u Nid 0, σ ² I. u est le terme d erreur : ( ) [ 4] La matrice de poids utilisée Il est important de noter que la présence ou non d auto-corrélation spatiale dépend du choix de la matrice exogène W, matrice devant refléter la structure des interactions spatiales potentielles. Accepter la présence ou non d auto-corrélation dépend, par conséquent, de la définition du voisinage adoptée. Cette matrice W est définie par le modélisateur compte tenu de sa connaissance des relations entre les unités spatiales. Une des formes possibles est la matrice dite «contigüe», matrice basée sur l hypothèse qu il existe uniquement une auto-corrélation spatiale pour les habitations contigües. Dans ce cas, les éléments de la matrice de poids sont des indicateurs binaires où w ii =1si les habitations i et i sont contiguës et 0 sinon. Cependant, il se peut que l hypothèse de contigüité soit trop restrictive pour spécifier la matrice des interactions. On peut supposer, en effet, que l intensité de l interaction entre deux habitations i et i dépend de la distance (à vol d oiseau, par routes ) entre ces deux habitations. Diverses relations fonctionnelles pour exprimer cette relation peuvent être utilisées (ex : fonction inverse ou fonction exponentielle inverse de la distance) (Hannoun, 2002 ; Le Gallo, 2002) Néanmoins, le choix d une telle matrice basée sur la distance suppose que la relation existant entre le prix des habitations soit constante, ce qui peut poser des problèmes lorsque les données géographiques portent à la fois sur des communes rurales et urbaines où la notion de la distance n est pas forcément appréhendée de la même manière. Une solution est donc d utiliser une matrice de poids spatiale où les valeurs w ii sont égales à 1 si les habitations voisines i se situent à une distance inférieure à une valeur seuil (ex : 4km (Kim et alii, 2003) ; 0,5 km (Bin et alii, 2006)) ou si elles appartiennent au même lotissement ou quartier que l habitation i. C est cette solution qui a été retenue pour notre analyse. Dans le cas du modèle à retard spatial présenté ci-dessus, la relation d interaction entre les différentes habitations est également temporelle : l impact des prix des maisons avoisinantes sur le prix de transaction de l habitation peut n agir que pour une période donnée. En effet, selon l information dont dispose l acquéreur, ce dernier fera son choix en fonction des prix connus sur une période plus ou moins longue (ex : 1 mois, 6 mois, voire une année, Can et Megbolugbe, 1997). Le choix de la période considérée dépendra alors des hypothèses émises par le modélisateur sur la qualité de l information du marché étudié. 3. Les données 3.1 Origine, description et statistiques des variables Les données utilisées dans le cadre de notre étude portent sur 108 maisons vendues en 2001 et 120 maisons vendues en Nous n avons retenu que les transations d achats de maisons et non pas les transactions 11

12 locatives, la part des propriétaires des résidences principales 6 des communes étudiées 7 étant majoritaire (52,82 % contre 44,87% de locataires). De plus, la décision d achat d un bien immobilier à l inverse d une décision de location se caractérise par une certaine irréversibilité pour le ménage du fait de l existence de coûts de transaction importants. Par conséquent, certaines variables extrinsèques «non primordiales» pourraient ne pas jouer un rôle important dans le choix d une résidence locative jugée provisoire par certains ménages. D autre part, dans une décision de location, le loyer est très souvent fixé de manière unilatérale par le propriétaire ou l agence immobilière. Contrairement à l acheteur, le locataire ne dispose pratiquement d aucune marge de manœuvre pour le négocier. Les prix de vente hors frais d agence et de notaire ainsi que les différentes caractéristiques intrinsèques des habitations (nombre de pièces, surface de terrain, avoir plus de deux salle de bains, etc.) proviennent de données notariales (PERVAL Notaires de France). Les données concernant les différents taux de fiscalité et le revenu fiscal moyen par commune proviennent de la Direction Générale des Impôts (cf. tableau 1, page 16). Les données concernant la pollution atmosphérique sont issues du réseau de surveillance de la qualité de l air AirNormand. Concernant les informations géographiques, elles proviennent de diverses sources. L IGN étant le principal producteur de données géographiques, nous avons utilisé ici un extrait de la BD TOPO IGN pour les bâtiments (habitat et industrie), les routes, les établissements recevant du public (ERP) ou encore les éléments du paysage et de l occupation des sols. Les périmètres de risques Z1 et Z2 ont été mis à disposition par la DRIRE Haute-Normandie et les parcelles cadastrales par le SMI de Port-Jérôme. L ensemble de ces données a été structuré au sein du logiciel d information géographique ARCGIS. Toutes les données sont géoréférencées conformément à la projection utilisée en Seine-maritime à savoir le Lambert II, projection conique conforme au méridien de Paris. La proximité des maisons au site industriel de Port-Jérôme : Il n existe pas de consensus ni sur la façon de mesurer les effets de la présence d un site industriel sur le prix des maisons se situant à proximité ni sur le sens attendu de ces effets (pour plus de détails, voir Boyle et Kiel (2001)). Ainsi, une première manière possible pour mesurer la proximité à un site industriel est d utiliser des variables indicatrices à partir desquelles il est possible de distinguer les maisons situées dans une zone et celles qui en sont exclues (ex : zones est/ouest par rapport aux deux principales usines (Flower et Ragas, 1994) ; habitations localisées dans un périmètre de 2 km, 3km, 4km, 5km (Caroll et alii, 1996), zones définies en fonction de la teneur en plomb dans le sol (Letombe et Zuindeau, 2005)). Une deuxième approche consiste à utiliser la distance métrique effective à l établissement. Plusieurs formes fonctionnelles peuvent être alors utilisées : ainsi, Carroll et alii (1996) utilisent une forme quadratique alors que Letombe et Zuindeau (2005) utilisent alternativement la forme inverse et logarithmique afin de prendre en compte le fait que l impact de la source d externalité puisse être nul (ou insignifiant) à partir d une certaine distance. Flower et Ragas (1994) utilisent également ces différentes formes auxquelles ils rajoutent des expressions sous formes linéaire, de polygone cubique et de racine carrée de la distance. Sauvage (1997) et Boxall et alii (2005) utilisent quant à eux une forme logarithmique. Boxall et alii (2005) utilisent également de manière alternative d autres variables pour évaluer l impact de la présence d installations pétrolières et de gaz (puits, pipeline) sur la valeur des propriétés de la région d Alberta (Canada). Ils recensent notamment le nombre de zones de plan d urgence dans lesquelles est localisée la propriété ainsi que le nombre de torchères et de pipelines dans un rayon de 4 km de la propriété. Par conséquent, au vu de la bibliographie existante, nous avons choisi de définir deux variables correspondant aux deux types d approches les plus courantes : la distance en mètres à la zone Z1 (Dist_Z1) 6 Les résidences principales représentant 94,5 % des habitations des communes étudiées, les maisons secondaires et vacantes représentant respectivement 1,72 % et 3,78 %. Ces différents chiffres ont été calculés à partir des données IRIS fournies par l INSEE. 7 Les communes retenues pour l analyse sont les suivantes : Quillebeuf sur Seine, St Aubin sur Quillebeuf, Ste Opportune La Mare (27), La Frenaye, Gruchet Le Valasse, Lillebonne, Notre Dame de Gravenchon, Petiville, Saint Jean de Folleville (76). 12

13 et une variable indicatrice indiquant si les maisons vendues se situent dans la zone du plan d intervention de Port-Jérôme (In_ppi). Toutes les variables calculées au sein du SIG sont produites en utilisant la même méthode. Il s agit d une jointure spatiale entre les informations géographiques de différentes natures. Pour l exemple ci-dessus, chaque transaction est représentée par un point dans une couche d information unique. Le périmètre Z1 est dans une autre couche. La jointure spatiale consiste à mettre en relation les deux couches et à choisir le type de calcul à effectuer. Dans cet exemple, c est la distance la plus proche au périmètre Z1 qui est calculée. Notons que cette distance est euclidienne entre la transaction et le périmètre. La prise en compte du bruit lié aux routes 8 : De nombreuses études basées sur la méthode des prix hédoniques montrent que le bruit lié au trafic routier a un impact sur le prix des logements (voir Bateman et alii (2001)). En effet, la vingtaine d études hédoniques réalisées entre 1974 et 1997 indique qu une hausse du bruit de 1 décibel se traduit par une réduction du prix de location ou de vente pouvant aller de 0,08 à 2,22 %. Ainsi, Soguel (1994) montre qu une hausse du bruit de 1 db(a) se traduit par une réduction du prix de location de 0,91 % des appartements loués dans la ville de Neuchatel (Suisse) en Une première méthode possible pour mesurer le bruit perçu par les acheteurs pourrait consister à évaluer de manière «objective» le bruit généré par le trafic routier en utilisant une mesure scientifique établie en décibels. Cependant, cette méthode se heurte à un manque de consensus scientifique sur la procédure la plus appropriée pour mesurer un tel bruit puisque l impact de ce dernier sur les ménages dépend non seulement de son niveau mais aussi de sa fréquence, de sa variabilité et du moment de la journée où il se réalise (jour/nuit) (Bateman et alii, 2001; Baranzini et alii, 2006). De plus, la mesure en décibels est une mesure fortement dépendante du lieu où le capteur est placé (Zittoun, 2006) et ne prend pas en compte les ondes transmises par les solides (ex. vibration). Enfin, d un point de vue pratique, la plupart des bases de données françaises ne sont pas renseignées quant à ce type de mesure. Par conséquent, nous n avons pas retenu cette méthode et avons choisi de prendre comme mesure du bruit une mesure approchée établie à partir de la distance (à vol d oiseau) des maisons aux différents axes de communication (autoroutes, routes nationales, départementales et communales). C est également ce type d approche que Kim et alii (2007) utilisent afin d évaluer l impact du bruit, lié au trafic routier, sur les valeurs des propriétés à Séoul (Corée) achetées entre 2002 et Dans notre cas, seront considérées comme voies principales (Dist_rte_p) les routes nationales lorsque les habitations se situent en milieu rural et les boulevards lorsque ces dernières se situent en ville. Seront considérés comme voies mineures (Dist_rte_m) tous les autres types de routes (hormis l autoroute, Dist_autor). La prise en compte de la proximité du Marais Vernier : La présence d un marais peut fournir différentes aménités aux ménages telles que des usages récréatifs (ex : promenades, ornithologie) et des opportunités de protection de la faune et des oiseaux aquatiques. Inversement, la présence de marais à proximité des habitations peut produire des désagréments liés à la présence en nombre d insectes gênants. Ainsi, la proximité à un marais peut avoir un effet soit positif soit négatif sur le prix des maisons selon les acheteurs. Mahan et alii (2000) montrent par exemple que la présence d une zone humide a un impact positif sur les prix des résidences vendues au cours de la période dans le comté de Multnomah (Oregon, Etats-Unis) et ce quel que soit le type de zone humide : un rapprochement de 1000 pieds (soit 330 m) à la zone humide la plus proche conduit en moyenne à une augmentation de la valeur de l habitation de 436$. Au contraire, Bin (2005) montre que la présence d un marais a un effet négatif sur les maisons se situant à Portland (Oregon, Etats Unis) sur la période en utilisant une estimation semi-paramétrique : une habitation résidentielle se situant à pieds (soit 1650 m) voit en moyenne son prix diminuer de US$ par rapport à une habitation se situant à pieds (soit 1980 m). Le Marais Vernier se situe sur la rive Gauche de la Seine et appartient donc au département de l Eure, tout comme les communes de Quillebeuf-sur-Seine et de Saint-Opportune-la-Mare. Les autres communes de la zone d étude se situant de l autre côté de la Seine et donc plus éloignés de ce marais appartiennent quant à 8 Le bruit provenant du trafic aérien n a pas été pris en compte du fait de l absence d aéroports à proximité de la zone étudiée. 13

14 elles au département de la Seine-Maritime. Par conséquent, la variable choisie pour prendre en compte la présence d aménités liées à l existence d un tel environnement (Prox_Ver) est une variable binaire indiquant si la maison se situe sur la rive gauche ou non de la Seine. Les valeurs sont obtenues à partir de l appartenance de la maison au département de l Eure ou non. La prise en compte de la proximité à la Seine : La présence d un fleuve peut procurer un certain nombre d aménités liées à l aspect esthétique et récréatif du site. Bin (2005) montre, en effet, que la proximité à un fleuve peut avoir un impact positif sur le prix des habitations. Ainsi, une maison se situant à pieds (soit 660 m) voit en moyenne son prix augmenter de US$ par rapport à une maison se situant à 3000 pieds (soit 990 m). Cependant, les industries de Port Jérôme se situant à proximité de la Seine, cette dernière pourrait également être associée à une désaménité de part l existence de nuisances visuelles, de transports fréquents (bruit) et de pollutions diverses (eau, air) ou être peu utilisée par les riverains à des fins récréatives. Néanmoins, une étude récente menée par des sociologues dans le cadre du programme de recherche Seine-Aval III (Sirost et alii, 2006) a montré que les habitants de l estuaire y pratiquent régulièrement des activités récréatives (promenades, détente, pêche) et que, même dans la zone de Quillebeuf-sur-Seine, ces activités s accommodent tout à fait de la nature industrielle des lieux qui ne semble pas en gêner l exercice. La proximité à la Seine, dans notre étude, est donc mesurée par la distance à vol d oiseau de l habitation à la Seine (Dist_Seine). La prise en compte de la pollution atmosphérique : Le dioxyde de soufre (SO2) étant le principal polluant dans la zone étudiée, c est ce dernier que nous avons cherché à mesurer dans notre analyse pour évaluer l impact de la pollution atmosphérique sur le prix des maisons. De plus, ce polluant étant malodorant et irritant pour l appareil respiratoire, il est vraisemblablement perçu par les ménages. Ridker et Henning (1967) montrent que les valeurs des propriétés vendues en 1960 dans la ville de Saint- Louis (Missouri, Etats-Unis) sont affectées négativement par des différences dans les niveaux de pollution atmosphérique par le dioxyde de soufre (SO2). Plus récemment, Kim et alii (2003) aboutissent à la même conclusion concernant les maisons vendues en 1993 dans la zone métropolitaine de Séoul (Corée du Sud). Decker et alii (2005) montrent également que plus la pollution chimique liée à l activité des industries (SO2, ozone, monoxyde de carbone, particules en suspension, etc.) est importante, plus le prix des maisons vendues en 2000 dans le comté de Douglas (Nebraska, Etats-Unis) diminue. Cependant, la localisation des capteurs et leurs mesures mises à disposition par Air Normand n a pas permis la réalisation d un modèle de pollution intégrable aux données. En effet, Air Normand dispose seulement de quatre capteurs dans la zone d étude. Le modèle de pollution fondé sur une interpolation par Krigeage (Bobbia et alii 2003) ne donne pas des résultats suffisamment fins avec quatre capteurs pour être intégrés à notre base de données La prise en compte des aménités liées à la proximité de services (services publics, commerces): Afin de prendre en compte les effets positifs liés à la proximité des services publics, nous utiliserons la distance aux aires de jeux les plus proches (Dist_jeu). Cette aménité fournie par le secteur public est de plus complétée par le montant du revenu fiscal moyen de la commune (Rev_fcomm), montant utilisé comme indicateur d un certain niveau d équipements publics de la commune. Enfin, afin de prendre en compte des effets liés à la proximité à la ville, nous avons utilisé la distance à la mairie (Dist_mair). Afin de prendre également en compte l hétérogeneité spatiale des données dans les estimations, des variables indicatrices ont été crées afin d indiquer dans quelle ville se situe l habitation vendue (cf. tableau 1). 14

15 Tableau 1 : Descriptif des variables Variables Source Précisions Prix_ttc Perval Prix de vente de l habitation hors frais d agence et de notaire (en ) Nbr_piec Perval Nombre de pièces à vivre de l habitation (à l exception des pièces dites «humides» : salle de bains, cuisine, WC ) On_depen Perval = 1 si il existe une ou plusieurs dépendances à l habitation (constructions élevées «en dur» indépendantes de la maison : chai, atelier), 0 sinon Sdb_2pl Perval = 1 si l habitation est équipée de deux salles de bain (ou salles d eau ou salles de douche) ou plus, 0 sinon Srf_ter Perval Surface de terrain de l habitation (en m²) Typ_na Perval = 1 si l habitation est neuve, 0 sinon Com_281 Perval = 1 si l habitation se situe dans la ville de La-Frenaye, 0 sinon Com_329 Perval = 1 si l habitation se situe dans la ville de Gruchet-le-Valasse, 0 sinon Com_384 Perval = 1 si l habitation se situe dans la ville de Lillebonne, 0 sinon Com_476 Perval = 1 si l habitation se situe dans la ville de Notre-Dame-de- Gravenchon, 0 sinon Com_485 Perval = 1 si l habitation se situe dans la ville de Quillebeuf-sur-Seine, 0 sinon Com_499 Perval = 1 si l habitation se situe dans la ville de Petiville, 0 sinon Com_518 Perval = 1 si l habitation se situe dans la ville de Saint-Aubin-sur-Quillebeuf, 0 sinon Com_577 Perval = 1 si l habitation se situe dans la ville de Sainte-Opportune-la-Mare, 0 sinon Com_592 Perval = 1 si l habitation se situe dans la ville de Saint-Jean-de-Folleville, 0 sinon Taxe_hab DGI Taxe d habitation (en %) de la commune d appartenance de l habitation Taxe_fonc DGI Taxe foncière (en %) de la commune d appartenance de l habitation Rev_fcomm DGI Montant du revenu fiscal moyen de la commune (en ) Dist_Z1 SIG Distance de l habitation à la zone Z1 (en mètre) In_PPI SIG = 1 si l habitation se situe dans la zone PPI, 0 sinon Dist_autor SIG Distance de l habitation à l autoroute (en mètre) Dist_rte_p SIG Distance de l habitation à la route principale : les routes nationales en milieu rural, les boulevards en ville (en mètre) Dist_rte_m SIG Distance de l habitation à la route mineure : les autres types de route (en mètre) Dist_seine SIG Distance de l habitation à la Seine (en mètre) Prox_ver SIG =1 si l habitation est sur la rive gauche de la Seine, 0 sinon Dist_jeu SIG Distance de l habitation à l espace de jeux le plus proche (en mètre) Dist_mair SIG Distance de l habitation à la mairie d appartenance (en m) Les différentes statistiques concernant ces différentes variables sont présentées dans le tableau 2. Les maisons vendues sont des maisons anciennes de taille moyenne (environ 4 pièces, 70% des maisons ayant entre 3 et 5 pièces) dont le prix moyen se situe entre et La distance moyenne à la zone Z1 des maisons vendues sur les deux années est de 1,8 km. Au cours de l année 2001, les maisons vendues dans la zone PPI représentent 6% des ventes, ce chiffre s élevant à 14 % au cours de l année suivante. 15

16 Tableau 2 : Statistiques générales des variables Variables Année 2001 Année 2002 Moyenne Minimum Maximum Moyenne Ecarttype Ecarttype Minimum Maximum Prix_ttc Nbr_piec 4,6 1, ,4 1,4 1 9 On_depen 0,31 0, ,41 0, Sdb_2pl 0,13 0, ,12 0, Srf_ter Typ_na 0,04 0, ,02 0, Com_281 0,09 0, ,09 0, Com_329 0,01 0, ,01 0, Com_384 0,61 0, ,61 0, Com_476 0,02 0, ,04 0, Com_485 0,04 0, ,12 0, Com_499 0,09 0, ,07 0, Com_518 0,02 0, ,02 0, Com_577 0,02 0, ,01 0, Com_592 0,10 0, ,03 0, Taxe_hab 16,7 2,1 10,1 20,1 16,9 2,2 10,1 20,1 Taxe_fonc 39,7 3,5 31,7 42,3 40,1 3,4 31,7 42,3 Rev_fcomm Dist_Z In_PPI 0,06 0, ,14 0, Dist_autor Dist_rte_p Dist_rte_m Dist_seine Prox_Ver 0,07 0, ,15 0, Dist_jeu Dist_mair Etude des corrélations et sélection des variables L étude des corrélations entre les différentes variables explicatives retenues pour l analyse (cf. annexe 2) nécessite de faire des choix sur les variables introduites dans les modèles. En effet, la distance des habitations à l autoroute est fortement corrélée à la fois à la distance à la Seine et à la proximité au Marais Vernier, l autoroute se situant entre la Seine et le Marais Vernier (cf. figures 2 et 6). De plus, de part les raisons même de l implantation du site industriel à proximité de la Seine, la distance de l habitation à la Seine est corrélée à la distance à la zone Z1 et au fait que l habitation se situe ou non dans la zone PPI. Par conséquent, de part cette configuration particulière, il ne sera pas possible de distinguer l effet «risque» lié à l utilisation industrielle de la Seine de l effet lié à l utilisation de la Seine pour des usages récréatifs. Ainsi, seules les variables liées au risque seront conservées par la suite dans les estimations. De même, la taxe foncière étant corrélée à la fois à la surface du terrain, à la taxe d habitation et au revenu fiscal moyen de la commune, celle-ci n est pas non plus conservée. Il en est de même pour le revenu fiscal moyen de la commune. La distance aux aires de jeux étant corrélée à la distance au centre ville (Dist_mair), seule cette dernière est retenue pour les estimations. 4. Estimation 4.1 La prise en compte de l hétérogénéité spatiale Afin de prendre en compte l hétérogénéité spatiale dans la fonction de prix hédoniques, les prix des maisons (Prix_ttc) sont régressés par rapport aux variables indicatrices correspondant aux différentes villes de localisation des habitations, en utilisant la ville de Quillebeuf (Com_485) comme référence. 16

17 Tableau 3 : Estimation du prix de vente en fonction de la localisation géographique Variable B t-student Signif. B t-student Signif. Cste ,424 0, ,3 6,092 0,00 Com_ ,025 0, ,2 3,643 0,00 Com_ ,687 0, ,7 1,207 0,23 Com_ ,927 0, ,2 1,808 0,07 Com_ ,631 0, ,9 2,518 0,01 Com_ ,188 0, ,7 1,904 0,06 Com_ ,591 0, ,7 0,365 0,71 Com_ ,792 0, ,3-0,223 0,82 Com_ ,495 0, ,0-0,128 0,90 R² 0,08 0,15 Il apparaît au vu des résultats qu il existe bien une segmentation spatiale du marché immobilier dans la zone de Port-Jérôme. En effet, les prix des maisons se situant dans la ville de La Frenaye sont significativement plus élevés que les prix de celles se situant dans la commune de Quillebeuf sur Seine pour les deux années considérées (en moyenne de par rapport à un prix moyen d environ ) 9. Dans un tel contexte, la fonction de prix hédonique pour le marché dans son ensemble donnerait une estimation erronée des prix implicites. Par conséquent, la solution idéale serait de segmenter l échantillon afin de prendre en compte cette hétérogéneité. Cependant, cette segmentation aurait conduit à des sous-échantillons de taille trop faible. Par conséquent, nous avons opté pour l introduction de variables indicatrices en croisant la variable Comm_281 avec les variables explicatives Dist_mair, Dist_rte_p, Dist_rte_m, Srf_ter, Nbr_piec, Dist_Z Estimation de la fonction de prix hédoniques La littérature sur les prix hédoniques concernant le choix de la forme fonctionnelle porte notamment sur l utilisation ou non de la transformation de Box-Cox (linéaire ou quadratique) (Bender et alii, 1980 ; Halvorsen et Pollakowski, 1981 ; Cassel et Mendelsohn, 1985). Cependant, du fait de la complexité introduite par l utilisation de modèles spatiaux, cette spécification n a pas été retenue. Les formes fonctionnelles retenues pour l analyse seront donc des formes semi-log (log_lin, lin_log) et double log 11. Par la suite, seuls les résultats obtenus avec la meilleure forme fonctionnelle pour les différents modèles seront présentés dans l article. Rappelons également qu afin de tenir compte d une éventuelle instabilité de la fonction de prix hédoniques suite à l accident d AZF survenue à Toulouse et de l information supplémentaire que cet événement a pu délivrer aux acheteurs, les estimations seront réalisées séparément pour l année 2001 et pour l année Pour chaque forme fonctionnelle, deux modèles alternatifs sont donc estimés : - un premier modèle où le risque sera appréhendé par le fait que la maison se situe ou non dans la zone d intervention PPI, - un deuxième modèle où le risque sera appréhendé par la distance à la zone Z1 Comme nous l avons déjà mentionné, il est également nécessaire de prendre en compte dans les différents modèles estimés une éventuelle endogénéité de la distance à la zone au risque. En effet, il est probable que l arbitrage économique de l acheteur le conduise à choisir simultanément l éloignement par rapport à la zone 9 Bien que la variable Com_476 sorte significative au seuil de 5% pour l année 2002, il ne semble pas que cette segmentation soit structurelle, cette dernière n étant pas significative pour l année En effet, les variables explicatives (typ_na, on_depen, sdb2_pl) ne présentent pas de structure différente selon que la maison se localise ou non dans la commune de La Frenaye (Com_281). Dans le cas de la variable In_PPi, toutes les habitations de la Frenaye se situent en dehors de ce périmètre. 11 Seules les variables quantitatives sont transformées. 17

18 à risque (ou la non localisation dans la zone PPI) et le prix de la maison. Il peut en être de même pour le choix du nombre de pièces et de la surface de terrain. Les instruments utilisés pour tenir compte de cette éventuelle endogéneité sont les différentes caractéristiques des acheteurs (cf. annexe 3). Afin de choisir la meilleure spécification du modèle spatial, les règles de décisions utilisées sont celles proposées par Florax et Folmer (1992) présentées ci-dessous : Test de Moran Si Z(I) > t α : Mauvaise spécification du modèle et omission de l auto-corrélation spatiale Choix du modèle selon les valeurs de LM lag et LM err * ρ = 0 ρ 0 φ = 0 Pas d auto-corrélation Modèle à variable retardée spatiale φ 0 Modèle à erreur spatiale si LM err >LM Lag : modèle à erreur spatiale si LM err <LM Lag : modèle à variable retardée * ou leurs versions robustes si présence d hétéroscédasticité dans le modèle. La matrice de poids utilisée pour calculer l indice de Moran est telle que les valeurs w ii sont égales à 1 si les habitations voisines i se situent à une distance inférieure à 100 m. Cette distance a été définie à partir de la densité moyenne des maisons se situant sur les communes sélectionnées. Il a été également supposé que les acheteurs peuvent connaître les prix moyens des maisons «voisines» vendues au cours de l année, du fait que la majorité de ces derniers sont originaires du département (92 %) et ont eu connaissance de cette information selon différentes sources (journaux, agences, amis, etc.). Les valeurs respectives de l indice de Moran, calculées à partir des estimations des deux modèles alternatifs, (cf. tableau 4) sont égales à -0,06 et -0,07 pour l année Cependant, les statistiques de test (0,762 et 0,760) indiquent une absence d auto-corrélation spatiale au seuil de significativité de 5 % pour les deux modèles. De même, pour l année 2002, les statistiques de tests calculées à partir des estimations des deux modèles alternatifs (cf. tableau 5) (0,785 et 0,754) indiquent également qu il n existe pas d auto-corrélation spatiale et qu il n existe pas notamment d impact du prix des maisons vendues à proximité (à 100m) sur le prix de la maison vendue Ce résultat peut éventuellement être imputé au choix de la distance de 100 mètres retenu pour la définition du voisinage qui peut se révéler trop restrictive. Par la suite, d autres distances seront utilisées pour déterminer la contiguïté des maisons. En particulier, une distance moyenne pour les maisons se situant en agglomération et une autre distance moyenne, plus élevée, pour les maisons se situant en milieu rural seront définies afin de prendre en compte une notion de voisinage différente selon le type de communes. 18

19 Tableau 4 : Estimations de la fonction de prix hédoniques et des équations auxiliaires pour l année 2001 pour les deux modèles alternatifs Modèle 1 Modèle 2 Variables 13 Prix_TTC (MCO) Eq. aux. In_ppi Eq. aux. Nb_Piec Eq. aux. Srf_ter Prix_TTC (MCO) Eq. aux. Dist_Z1 Eq. aux. Nb_Piec Eq. aux. Srf_ter Cste ***7,875 *-1,993-1,075 ***15,721 ***7,789 **11,283-1,268 ***16,94 9 Nb_piec ***0,835-0, ***1,000 ***0,830-0, ***0,992 Srf_ter ***0,162 ***0,103 ***0, ***0,150-0,210 ***0, Sdb_2pl ***0,304 0,012 0,160 *0,576 ***0,307 0,542 0,130 **0,732 On_depen 0,017-0,097-0,138 ***0,587 0,027 ***0,742-0,120 ***0,635 Typ_na 0,148-0,075 0,139-0,506 0,165 0,655 0,176-0,523 Taxe_hab 0,371 ***0,860 0,576 ***-4,356 0,342-1,888 0,495 ***- 3,981 Dist_rte_p **0,075 0,006 0,023 ***-0,277 **0,072 **0,332 0,035 **-0,263 Dist_rte_m -0,009 **-0,070-0,024 ***0,365 0,006 ***0,334-0,014 ***0,355 Dist_mair **-0,063-0,032-0,041 ***0,228 *-0,059-0,154-0,038 **0,179 Dist_Z , ,024-0,109 In_PPI ***-0, ,063 ***1, Nbr_piec_281 *-0,571-0, ,389-0,469 1, ,870 Srfter_281 0,132-0,219-0, ,118 0,358 0, Dist_rte_p_281 0,035 0,075 0,175 0,415 0,086-0,633 0,039 0,527 Dist_rte_m_281 0,092 0,084-0,007-0,480 0,055 *-0,683 0,016 *-0,623 Dist_mair281-0,102 0,067-0,140 0,485-0,019 0,578-0,433 **1,112 DistZ1_ , ,234-0,669 Variables Instrum. A_couple ,018-0,138 0, ,408-0,140 0,064 A_origin ,099 0,019-0, **-0,938 0,001-0,171 Age_acheteur ,005 0,000 0, ,019 0,001 0,002 A_sexe --- **-0,222 0,238 0, *0,813 *0,274 0,104 PCS PCS ,202 0,168-1, ,506 0,510-2,156 PCS ,136 0,153-0, ,186 0,561-1,704 PCS ,189 0,122-1, ,154 0,566-1,907 PCS ,043 0,020-0, ,460 0,429-1,602 PCS ,138-0,010-0, ,104 0,406-1,726 PCS ,104-0,435-0, ,031-0,013-1,391 PCS R² 0,74 0,42 0,46 0,75 0,72 0,47 0,48 0,73 R² ajusté 0,70 0,21 0,28 0,66 0,67 0,28 0,29 0,64 *** significatif au seuil de 1 %, ** significatif au seuil de 5 %, * significatif au seuil de 10 % 13 La forme fonctionnelle de la fonction de prix hédoniques donnant les meilleurs résultats pour l année 2001est une forme double-log. Les hypothèses de normalité et d homoscédasticité sont vérifiées au seuil de 5 %. 19

20 Tableau 5 : Estimations de la fonction de prix hédoniques et des équations auxiliaires pour l année 2002 pour les deux modèles alternatifs Modèle 1 Modèle 2 Variables 14 Prix_TTC (DMC) Eq. aux. In_ppi Eq. aux. Nb_Piec Eq. aux. Srf_ter Prix_TTC (MCO) Eq. aux. Dist_Z1 Eq. aux. Nb_Piec Eq. aux. Srf_ter Cste ***7,789 ***2,365 ***2,714 2,871 ***8,628 *4,832 **1,937 3,562 Nb_piec ***0,710-0, *** 0,840 ***0,720 *0, *** 0,765 Srf_ter ***0,181 0,055 ***0, ***0,141 0,074 ***0, Sdb_2pl 0,029-0,010 ***0,373 0,258 0,087-0,152 ***0,386 0,269 On_depen 0,083 0,044-0,011 *0,325 0,072-0,275 0,002 **0,357 Typ_na 0,091-0,122 0,382-0,459 0,095-0,165 0,415-0,516 Taxe_hab 0,397-0,200-0,233 0,243 0,007-0,440 -,0168-0,866 Dist_rte_p 0,043 0,032 0,042 ***-0,271 0,047 **0,208 0,021 ***-0,274 Dist_rte_m 0,026 ***- ***-0,122 *** 0,443 0,038 0,180 ***-0,107 *** 0,386 0,139 Dist_mair -0,040 **-0,082 **-0,097 *** 0,429-0,015 0,027 *-0,083 ***0,402 Dist_Z , *0,068 0,059 In_PPI **-0, ,194 0, Nbr_piec_281-0,250-0, ,681-0,070 0, ,885 Srfter_281-0,164-0,132-0, ,156 0,005-0, Dist_rte_p_281-0,134-0,092-0,088-0,191-0,042 0,000-0,031-0,262 Dist_rte_m_281-0,230 0,177 0,203 ** -0,850-0,288-0,416 0,174-0,717 Dist_mair281 0,555 0,130 0,098 * 0,945 0,584 0,218 0,102 0,835 DistZ1_ , ,076 0,114 Variables Instrum. A_couple ,036 0,065-0, ,318 0,098-0,181 A_origin2 --- ***-0,636-0,091-0, ,551-0,003 *-0,600 Age_acheteur ,001-0,005 0, ,006-0,004 0,002 A_sexe ,079-0,063 *0, ,154-0,060 0,411 PCS PCS ,268-0,192 0, ,427-0,169 0,282 PCS ,069-0,115 0, ,001-0,099 0,737 PCS ,139-0,246 **1, ,134-0,225 **1,302 PCS ,298-0,471 **1, ,105 *-0,420 *1,268 PCS ,161 *-0,321 0, ,121-0,297 0,629 PCS ,269-0,163 0, ,728-0,159 0,633 PCS ,106-0,411 *1, ,004-0,386 *1,610 R² 0,59 0,57 0,41 0,65 0,58 0,35 0,41 0,65 R² ajusté 0,53 0,44 0,24 0,55 0,52 0,14 0,23 0,54 *** significatif au seuil de 1 %, ** significatif au seuil de 5 %, * significatif au seuil de 10 % 4.3 Discussion Suite aux estimations réalisées pour l année 2001 pour les deux types de modèles, nous observons que le prix de vente des maisons dépend de manière significative à la fois d attributs intrinsèques et extrinsèques : ainsi, le fait d avoir plus de deux salles de bain, d avoir une taille du terrain et un nombre de pièces 15 plus importants agissent positivement sur le prix de transaction. Ce dernier effet est néanmoins moindre dans le cas des maisons se situant dans la commune de La Frenaye, ce résultat pouvant être dû à un nombre moyen de pièces des maisons plus élevé dans cette commune. 14 La forme fonctionnelle de la fonction de prix hédoniques donnant les meilleurs résultats pour l année 2002 est une forme double-log. Les hypothèses de normalité et d homoscédasticité sont également vérifiées au seuil de 5 %. 15 Bien que certaines variables instrumentales sortent significatives à 5 % dans les équations auxiliaires, ces dernières n engendrent pas d endogéneité des variables explicatives «suspectes» dans le cas des deux modèles. 20