10.1 L information économique sur le marché de l ancien

Transcription

1 Chapitre 10 Annexes 10.1 L information économique sur le marché de l ancien La pauvreté de l information sur le marché immobilier, en particulier sur les prix, a souvent été déplorée par les professionnels, comme par le Conseil National de l Information Statistique (CNIS, Rapport Koepp, Corvaisier, 1995). Pourtant, les mutations de logements, dans leur quasi totalité 1, donnent lieu à la rédaction d un acte authentique par un notaire. Ce document est transmis à l administration fiscale (Conservation des hypothèques, puis services du cadastre et des domaines), pour l enregistrement de la TVA s il concerne un logement neuf et des droits de mutation dans tous les cas. Il existe donc bien une source exhaustive. Mais, d une part, il s agit d un document papier, et d autre part, ce document ne se présente pas sous la forme administrative classique d un formulaire : c est un texte entièrement rédigé. Par conséquent, pour constituer un fichier informatique exploitable, c est-à-dire une base de données, il faut passer par le codage de l information dans une grille de saisie, opération lourde et coûteuse compte tenu de la taille du document (généralement plusieurs pages) et du volume ( à mutations par an, dont dans l ancien, sur l ensemble de la France). Cette saisie systématique des actes a été entreprise par les notaires eux-mêmes, d abord par la Chambre Interdépartementale des Notaires de Paris (CINP) à la fin des années 1970 (et surtout depuis 1990), puis par le Conseil Supérieur du Notariat, qui a créé à cette fin la S.A. PERVAL en Ces deux organismes alimentent chacun une base de données, le premier couvrant l Île-de- France, le second la Province, à partir des documents sur papier transmis par les notaires. C est ce qui a permis le développement, toujours à l initiative des notaires et avec la collaboration de l INSEE, des indices de prix présentés ici. Notons toutefois qu un indice Notaires-INSEE existait déjà : il a vu le jour en 1983 et concernait les ventes d appartements anciens à Paris. Cet indice, calculé à partir d une moyenne des prix pondérés par le parc de logements au dernier recensement dans 72 strates, a été rénové et repose désormais sur la même méthodologie que les autres indices Notaires-INSEE. De son côté, la Direction Générale des Impôts (DGI), qui reçoit, traite et archive l ensemble des actes de vente (ou plus exactement des extraits d actes, forme réduite du document original), a mis en place un fichier informatique baptisé OEIL, pour Observatoire des évaluations immobilières locales. Cet outil a été conçu pour aider les services de fiscalité immobilière et les évaluateurs des domaines à estimer la valeur d un bien immobilier, grâce à une meilleure connaissance des marchés locaux. Ces évaluations sont nécessaires en cas de préemption, mais aussi pour juger de la validité d une mutation immobilière : en effet, si le prix de vente est inférieur au prix de marché pour un bien équivalent, les droits perçus se trouvent inférieurs à ce qu ils auraient dû être ; la DGI dans ce cas peut être amenée à recalculer les droits dûs en fonction de la valeur de marché. Bien que le logiciel d interrogation du fichier permette le calcul de moyennes, écart-types, mé- 1 A l exception de certaines transactions réalisées par l administration, ou des transferts de propriété lors des rachats d entreprises. 81

2 10. Annexes dianes, etc., cet outil ne peut pas être exploité par le système statistique public. Il y a plusieurs raisons à cela. D abord il est destiné à un usage interne à la DGI, et certaines informations enregistrées dans OEIL sont confidentielles, car elles proviennent d un enrichissement des informations contenues dans l extrait d acte avec des données issues de la taxe foncière sur les propriétés bâties (TFPB). Ensuite, ce fichier n est pas centralisé, mais géré au niveau départemental par les centres des impôts fonciers, et il semble que, malgré les consignes de la DGI, l utilisation d OEIL soit très hétérogène ; en particulier, les évaluateurs sélectionnent souvent des mutations qui leurs paraissent représentatives du marché, à l aide de critères qui leurs sont propres, pour les intégrer dans OEIL : ceci peut être cohérent avec l objectif d expertise, mais entraîne la non-exhaustivité du fichier. Enfin, les concepts utilisés sont spécifiques, et il n est pas aisé, par exemple, d extraire de la base les mutations correspondant au champ des indices Notaires-INSEE (notamment les seules ventes de gré à gré), ce qui rend délicate toute tentative de comparaison. Signalons également que la DGI dispose, en milieu d année n + 1, des montants de droits de mutation perçus dans chaque département au titre de l année n. Connaissant les taux appliqués aux prix pour le calcul des droits, le rapprochement de ces montants avec les nombres de ventes permet en principe le calcul de prix moyens. Cependant le nombre des mutations ne distingue pas les types de mutation et mélange donc ventes, successions, partages... Là encore, il semble donc que des problèmes de champ limitent l intérêt de ce calcul. En 1991, alors que les statistiques notariales se limitaient encore à Paris, le ministère de l Équipement a décidé de tester la réalisation d une enquête consistant à exploiter un échantillon d extraits d actes relevés dans les centres départementaux des impôts fonciers. Le succès de l enquête pilote, menée en et portant sur les ventes de 1991, a conduit à renouveler annuellement cette opération. L échantillon est constitué par un sondage à deux degrés. Au premier degré sont tirées des communes : celles de plus de habitants exhaustivement, les autres avec un taux de 1/12 selon une stratification régionale. Au second degré sont tirés de façon systématique des extraits d actes, selon un pas qui varie en fonction de la taille de la commune, de 1 pour les communes rurales à 20 pour les plus grandes. Au final, l échantillon comprend quelques extraits d actes, soit un taux de sondage moyen d environ 1/15. EXISTAN (EXploitation de l Information Statistique sur les Transactions dans l Ancien et le Neuf) fournit principalement, aussi bien pour les logements anciens que pour les logements neufs, le nombre et le prix moyen des transactions, par région, par taille d unité urbaine, par type de commune, par type et taille de logement, par catégorie, âge et catégorie sociale (PCS) du vendeur et de l acheteur. Ces données structurelles d une grande richesse sont sans équivalent, mais elles ne sont disponibles qu à l été n + 2 pour les ventes de l année n, en partie parce que la collecte dans les centres des impôts ne peut commencer qu à l automne n + 1. De plus, l exhaustivité de la base de sondage n est pas garantie, s agissant de documents administratifs classés et archivés : la population totale n est pas connue a priori et est estimée par extrapolation de l échantillon. Dans le futur, l informatisation des données fiscales ouvre des perspectives intéressantes. Les projets actuels sont multiples. Outre OEIL (Observatoire des évaluations immobilières locales), l outil d aide aux évaluations immobilières mentionné plus haut, les fichiers FIDJI (Fichier informatique de la documentation juridique sur les immeubles), mis en place progressivement dans les 354 Conservations des hypothèques, contiendront des données sur la date des actes et leur type (donation, vente, etc.), les parties impliquées (âge, sexe et lieu de résidence des acheteurs et vendeurs, par exemple), la localisation de l immeuble, et le prix figurant sur l acte. Un autre fichier MAJIC2 (Mise à jour des informations cadastrales), qui gère la documentation cadastrale, contiendra des variables de description des immeubles. Aucun de ces fichiers pris isolément ne permettrait de calculer des indices, et certains ne sont pour le moment que des bases-image 2, mais leur fusion dans une base de données patrimoniale, pourrait le permettre. Parallèlement à ces opérations réalisées par l administration, divers organismes ont mis en place des procédures d observation du marché du logement ancien. Citons en particulier le Crédit Foncier de France, qui chaque année depuis 1986, centralise les informations communiquées par 2 Pour une partie de FIDJI, on a un simple scannage des actes, et non une saisie informatique de variables statistiques. 82

3 10.2. La stabilité temporelle du modèle et la révision des indices son réseau d experts locaux et publie des prix dominants dans les 70 principales agglomérations de Province pour 32 catégories de biens, en croisant les critères suivants : localisation (communes centre ou périphérie), qualité de l emplacement (recherché ou banal), individuel ou collectif, récent (moins de dix ans) ou ancien, standing (deux catégories par référence à la classification fiscale : bon ou moyen standing). Les prix sont indiqués en francs par m 2 pour le collectif, et en prix unitaire pour des maisons individuelles. La Fédération NAtionale de l IMmobilier (FNAIM) réalise également des statistiques et calcule un indice de prix, à partir des annonces publiées sur son serveur. Mais d une part, le champ est limité aux biens proposés à la vente par l intermédiaire des agences immobilières adhérant à la FNAIM, et d autre part, il s agit le plus souvent de prix d offre et quelquefois seulement de prix de vente La stabilité temporelle du modèle et la révision des indices Dans le modèle de base présenté au chapitre 3, on a fait l hypothèse que, dans les régressions, l effet temporel est entièrement capturé par le terme 3 a=1 α ay a,i + 4 t=1 θ tt t,i et que les coefficients β k des caractéristiques sont constants au cours du temps, du moins au cours des années suivant la période d estimation. En effet, durant plusieurs années, les mêmes coefficients sont appliqués chaque trimestre pour le calcul de l indice. Après un délai de 5 ans au maximum, ils seront réestimés et le cas échéant mis à jour. Toutefois, il était souhaitable de valider cette hypothèse en testant la stabilité des β k au cours de la période d estimation. Pour cela, on a vérifié que l écart entre la valeur des biens ayant la caractéristique X k estimée par le modèle et leur prix de vente réel (donc le résidu u i ) satisfait les hypothèses stochastiques du modèle, et en particulier ne comporte pas de tendance déterministe oubliée. Pour cela nous pouvons considérer l évolution de la moyenne temporelle des résidus dans certaines strates. Notons u t,1 la moyenne des résidus mesurés sur l ensemble J t des logements du trimestre t possédant la caractéristique X 1. On construit la suite des résidus moyens u 1,1, u 2,1..., u 12,1 correspondant aux 12 trimestres de la période d estimation. Sachant que les résidus sont d espérance mathématique nulle, on observe graphiquement les écarts des termes de la suite par rapport à 0. Si l on constate une variabilité importante, et notamment une tendance, cela signifie que la valeur relative de la caractéristique X 1 par rapport à la référence évolue au cours du temps : on conclut alors à la non-stabilité du coefficient β 1. Il serait alors nécessaire d introduire un effet croisé de la caractéristique X 1 et du trimestre. L opération a été menée pour chacun des coefficients β k, k = 2 à K. Les résultats montrent que tous les coefficients sont stables au cours de la période d estimation, on considérera donc qu ils le restent au-delà de cette période, dans la limite de 5 ans. Les figures 10.1 à 10.3 donnent un exemple d évolution des résidus sur pour certaines zones de Paris ou à Bordeaux, et certaines caractéristiques des logements telles le nombre de pièces ou la présence de garage. Notons que la révision des indices pourra porter non seulement sur les valeurs des coefficients β k (ou de certains d entre eux), mais aussi sur la structure du parc de référence et les pondérations (redressements) apportées aux sous-indices de la province, voire sur la spécification même des modèles hédoniques de base. INSEE Méthodes 83

4 10. Annexes Fig Moyenne des résidus pour les appartements à Paris : studios de zone 1 et 2 pièces de zone 10 Studios - zone pièces - zone

5 10.2. La stabilité temporelle du modèle et la révision des indices Fig Moyenne des résidus pour les appartements à Paris : 3 pièces de zone 14 et 4 pièces de zone 7 3 pièces - zone pièces - zone INSEE Méthodes 85

6 10. Annexes Fig Moyenne des résidus pour les appartements à Bordeaux : 4 pièces ou 1 garage 0,025 0,020 0,015 0,010 0,005 0,000-0,005-0,010-0,015-0,020-0,025-0,030 Bordeaux - 4 pièces ,030 0,025 0,020 0,015 0,010 0,005 0,000-0,005-0,010-0,015-0,020-0,025 Bordeaux - 1 garage

7 10.3. Choix des zones de base : robustification par analyses arborescentes 10.3 Choix des zones de base : robustification par analyses arborescentes Il est de première importance pour la validité des indices d estimer les modèles hédoniques sur des zones de prix homogènes, l homogénéité étant jugée sur le niveau des prix, mais aussi sur leur évolution au cours du temps. De ce point de vue, les strates de calcul d un indice ne sont pas nécessairement des zones homogènes, aussi a-t-il fallu les découper ou les regrouper. Dans le cas des appartements situés dans une ville centre d une agglomération de plus de habitants, chacune des 53 villes-centres les plus importantes constituent une strate de calcul à elle seule, les autres strates étant des regroupements de villes-centres appartenant à un croisement (région, taille d unité urbaine). Ces 53 villes-strates ont été découpées en zones de prix homogènes, appelées quartiers, lesquelles ont été dans un premier temps définies à dire d expert par les notaires locaux (sauf pour Paris où la stratification de l ancien indice a été reconduite telle quelle). Ensuite, une analyse arborescente a permis de regrouper si nécessaire des quartiers similaires. L idéal aurait été bien sûr d estimer un modèle sur chacun de ces quartiers, mais comme de telles estimations sont coûteuses, on s est limité à un modèle par ville, en introduisant des indicatrices pour les quartiers. Ces quartiers ont eux-mêmes été dans certains cas regroupés à l aide d analyse arborescentes. Au départ, les caractéristiques physiques sont largement imposées par la source, le seul choix possible se situant au niveau des modalités de chaque variable. A l issue de la phase d estimation des modèles (un par zone), on a obtenu une matrice de la forme : β 1 (z 1 ) β2 (z 1 )... βk (z 1 ) β 1 (z 2 ) β2 (z 2 )... βk (z 2 ) β 1 (z 3 ) β2 (z 3 )... βk (z 3 ) β 1 (z Q ) β2 (z Q )... βk (z Q ) où les β 1, β 2,..., β K sont les coefficients des K caractéristiques X k et z 1, z 2,..., z Q désignent les Q zones. Une analyse en composantes principales (ACP) effectuée sur cette matrice a fait apparaître des profils similaires (valeurs systématiquement très proches, quelle que soit la zone) pour des coefficients β k correspondant à certaines modalités voisines d une même variable : les modalités en question ont donc été regroupées. Puis une classification ascendante hiérarchique des zones avec comme critères leurs coordonnées sur les axes de l ACP a montré également que certaines zones appartenant à une même commune avait un profil comparable (valeurs très proches des coefficients β k quelle que soit la caractéristique X k ) : ces zones auraient pu être regroupées. On ne l a pas fait car il n y avait pas nécessité absolue de faire ces regroupements, pour des raisons de taille d échantillons par exemple : les effectifs sont apparus suffisants. Une ACP a été effectuée entre autres pour les appartements des villes centres des unités urbaines de plus de habitants en province. Il y avait Q = 184 quartiers correspondant à 53 villes, et K = 23 caractéristiques. Les valeurs propres correspondant à la matrice (de 184 lignes et 23 colonnes) des coefficients estimés des régressions sont donnés ci-dessous : numéro valeur propre 4,84 2,83 2,30 1,63 1,45 1,23 1,10 1,02 0,95 % d inertie cumulée 21,1 33,4 43,4 50,5 56,8 62,1 66,9 71,3 75,5 Nous avons retenu les sept premières directions principales représentant 67% de l inertie totale pour robustifier la matrice des coefficients estimés de régression et effectuer d éventuels regroupements de quartiers. Par exemple les quartiers qui auraient pu être regroupés étaient ceux de INSEE Méthodes 87

8 10. Annexes Toulon (4 et 6 ou 8 et 9), mais on a finalement préféré les conserver tous. Seule exception, la zone du Cap d Antibes qui compte tenu de sa spécificité a été finalement sortie purement et simplement du champ des indices. Voici deux exemples de l ACP sur les ˆβ k pour les axes 1 et 2, puis 2 et 3. C est avec de telles ACP qu on a travaillé les spécifications à retenir pour les régressions. On s est par exemple rendu compte qu il fallait interagir la variable présence d un ascenseur avec l étage de l appartement, au delà de trois étage. D où la création des variables 1er étage, deuxième, troisième, quatrième étage sans ascenseur, 4 ème avec ascenseur, plutôt que une variable simplement additive présence d un ascenseur. On voit aussi qu on a pu regrouper les cas où la présence d un ascenseur était inconnue avec les cas avec ascenseur, compte tenu de leur proximité sur les plans de l analyse. Au contraire une époque de construction non renseignée n était pas liée systématiquement à tel ou tel regroupement d années de construction. On remarque aussi sur les graphiques que les grandes surfaces par pièces concernent plutôt les appartements de 4 pièces ou 5 pièces et plus tandis que les petites surfaces par pièces se rencontrent dans les deuxpièces. Dans le même ordre d idées quatrième étage sans ascenseur est proche dans l espace des coefficients de pas de salle de bain. Les projections des villes dans les plans des premiers axes d inertie (non montrées ici) seraient aussi riches d enseignements. Ainsi le premier axe isole-t-il Grasse et Cannes, tandis que Saint-Etienne, Roanne et Châlon sur Saône se singularisent sur le second axe par rapport à Anglet, Poitiers, La Rochelle, Amiens ou Le Mans ; sur le troisième Saint-Nazaire et Biarritz sont à l opposé de Annemasse. Une analyse plus fine des coefficients β, c est-à-dire des prix relatifs des caractéristiques expliquerait sans doute ces résultats Correction des effets de la loi Carrez La loi Carrez, entrée en vigueur le 19 juin 1997, oblige le vendeur d un logement en immeuble collectif à en déclarer la surface. Cette surface étant inscrite dans l acte de vente, elle est garantie par le notaire, ce qui donne le droit à l acheteur, en cas de litige, de demander une diminution du prix, voire l annulation de la vente. A posteriori, on constate une baisse systématique et durable de la surface moyenne des logements à partir de 3ème trimestre 1997 : non seulement certains vendeurs pouvaient avoir tendance auparavant à surévaluer la surface de certains logements, mais la définition de la surface habitable selon la loi Carrez est un peu plus restrictive que la définition habituelle. En moyenne, l écart entre les surfaces avant et après la loi est de 4%, mais avec des différences assez marquées selon la zone géographique et le nombre de pièces du logement. A Paris par exemple la baisse est de l ordre de 3%. Les studios ont vu leur superficie réduite de 3.7% en moyenne, les deux-pièces de 3.0%, les trois-pièces de 3.3%, les quatre-pièces de 2.6% et les cinq pièces et plus de 0.3% seulement. Il en résulte une augmentation apparente du prix au m 2, sans rapport avec la réalité qu il faut bien sûr corriger dans le calcul de l indice. L idée de base de la correction est de redresser a posteriori toutes les surfaces d avant la loi, de les carreziser, pour les ramener à leur valeur supposée plus exacte après la loi. La correction est modulée selon les deux critères du nombre de pièces et de la zone géographique. Pour estimer les coefficients correcteurs à appliquer dans chaque strate définie par le croisement des deux critères, on a régressé la surface des biens sur leurs caractéristiques, en séparant les effets du nombre de pièces et de la zone géographique et en intégrant une variable indicatrice de la période de la transaction, avant ou après la loi Carrez. Le modèle suivant a été estimé sur l ensemble des transactions enregistrées au 31/12/1999 pour lesquelles la surface et le nombre de pièces étaient connues. où : S = ax + 5 b i N i + i=1 5 b in i C + i=1 88 k d j Z j + j=1 k d jz j C + u, (10.1) j=1

9 10.5. Définitions S surface du logement, X vecteur des caractéristiques du logement (date de construction), N i indicatrice du nombre de pièces, i = 1 à 5, Z j indicatrice de la zone{ géographique, j = 1 à k, C = 1 si la mutation est antérieure à 1997T3, C indicatrice Carrez : C = 0 si la mutation est postérieure à 1997T3. Dans chaque ( strate ) {i ;j}, les surfaces des biens mutés avant le troisième trimestre 1997 sont diminuées de b i + d j Définitions Période d estimation ou période de référence Période sur laquelle on estime les modèles de base, c est-à-dire les prix relatifs des caractéristiques des biens. Cette période varie de deux à cinq ans, selon les indices. Elle est de deux ans ( ) dans le cas des appartements en Province, qui ont été les premiers à disposer d un indice hédonique ; de quatre ans ( ) pour les maisons en Province, et de cinq ans ( ) pour les appartements à Paris et en petite couronne. Parc de référence Parc dont l évolution de la valeur constitue l indice. Au niveau d un quartier ou d une ville, il se compose de l ensemble des transactions de la période de référence entrant dans le champ de l indice (lorsque le nombre de pièces est inconnu, il est imputé), sauf celles dont le prix au mètre carré est jugé extrême (1/6 aux deux extrémités en province, 1/10 à Paris) 3. C est le panier ou portefeuille de biens de l indice. Parc d estimation Parc de logements dont les valeurs au m 2 servent à estimer les prix relatifs des caractéristiques des biens. Il est constitué de tous les logements vendus au cours de la période de référence, entrant dans le champ de l indice, sauf ceux pour lesquels le nombre de pièces n est pas renseigné. On enlève aussi des transactions jugées aberrantes en éliminant celles dont les résidus sont supérieurs à deux écart-types, c est-à-dire situés en dehors de l intervalle [x 2σ; x + 2σ]. Le parc d estimation et le parc de référence sont donc des sous-ensembles de l ensemble des transactions de la période d estimation rentrant dans le champ de l indice (tableau 10.1). Par exemple pour un des centres-villes de province, on a 406 transactions entre 1994 et 1996, 389 transactions dans le parc d estimation (406-1 transaction pour laquelle le nombre de pièce est manquant, - 16 transactions dont le prix estimé est supérieur ou inférieur au prix observé de plus de deux écart-types). Le parc de référence est quant à lui constitué de 271 transactions : 406 transactions d origine, diminuées des sixièmes extrêmes, 406-(406/3)= =271. Le parc de référence pour l indice Province est constitué par l ensemble des parcs de référence des villes (donc le parc ci-dessus décrit) après correction des pondérations de chaque ville. Au niveau d une ville ou d un quartier le parc de référence n est pas pondéré, il ne l est qu au niveau de la province entière 4. 3 C est par précaution et dans l ignorance de la qualité réelle de ces données nouvelles, qu on a dans un premier temps éliminé une part importante des transactions extrêmes. Des tests ultérieurs ont montré que les indices étaient robustes à une élimination plus parcimonieuse des extrêmes. Lors de la révision des indices, on n éliminera probablement que 1/20ème des transactions aux deux extrémités de la distribution. 4 Voir chapitre 3, paragraphe pour la pondération. INSEE Méthodes 89

10 10. Annexes Fig Évolution de la mesure de la superficie des appartements à Paris sous l effet de la loi Carrez 53,0 52,5 52,0 51,5 51,0 50,5 50,0 m² Loi Carrez

11 10.5. Définitions Tableau La taille du parc de référence et du parc d estimation des indices Notaire-INSEE Zone Nombre de logements du parc Période géographique de référence d estimation de référence Île-de-France (appartements) Paris Petite Couronne Province Maisons Appartements (total) UU > centre UU > banlieue rural et UU < Pour Paris, on a comparé le parc de référence avec le parc au recensement de la population de Tableau Paris : comparaison des structures du parc de référence, du parc au RP 1990 et des transactions enregistrées en 1998 et 1999, en pour mille Structure du parc Écarts au de transactions transactions maxi- Zone RP 90 référence mum Total Époque de construction récent ancien Total Taille des logements Grands Petits Total INSEE Méthodes 91

12 10. Annexes Période de base L année 1996 Trimestre de base de l indice Le 4ème trimestre 1994 pour la province, et le 2ème trimestre 1994 pour Paris et la petite Couronne. Bien de référence Bien dont on suit le prix pour calculer les indices. C est le bien dont les caractéristiques sont les modalités de référence des variables explicatives du modèle de prix des transactions (par exemple, maisons de 4 pièces, à deux niveaux, avec un garage et une salle de bain, voir tableau 3.1 au chapitre 3). Prix du bien Prix net vendeur (commission d agence déduite si elle figure dans l acte), donc hors taxes et frais de notaire. Ancien On utilise une définition fiscale du logement ancien. Une transaction est réputée porter sur un bien ancien s il s agit de la première vente plus de 5 ans après la date d achèvement des travaux, ou s il s agit d une seconde vente, quelle que soit la date d achèvement des travaux. Il peut donc s agir d une première vente d un bien déjà ancien (plus de 5 ans), ou d une seconde vente d un bien quasi neuf. En pratique, la distinction fiscale correspond à une taxation différente : TVA à 0,6% sur le neuf, droits de mutation d environ 7-8% sur l ancien. Collectif Les logements collectifs sont assimilés à des appartements (studio, appartement, duplex, triplex). Sont exclus les chambres, greniers, lofts, ateliers, logements de gardiens 5. Individuel Les logements sont appelés logements individuels s ils sont des maisons, qu elles soient isolées ou groupées. Elles disposent d une entrée indépendante privative directe sur l extérieur. On rejette pour des raisons d homogénéité les types de biens suivants : grandes propriétés, châteaux, hôtels particuliers, tours, moulins... On retient donc les fermes, maisons de ville ou de village, pavillons et villas. On retient aussi les cas où la nature de la maison n est pas précisée 6. Unité urbaine On définit une agglomération de population comme un ensemble d habitations tel qu aucune ne soit séparée de la plus proche de plus de 200 mètres, et qu il abrite au moins habitants. Les communes répondant à ces critères forment des unités urbaines (UU), les autres sont dites rurales. Cette notion d unité urbaine, fondée sur la continuité du bâti et sur le seuil de habitants dits agglomérés, est donc une notion plutôt visuelle, basée sur la démographie et l habitat. 5 Qui représentent par exemple 2,5% des transactions des appartements des villes-centre des unités urbaines de plus de habitants en province. 6 Il y a en effet 61,9% de non réponses sur la nature de la maison (en ). Les catégories éliminées représentent 1,4% des cas. 92

13 10.5. Définitions Tableau Répartition des appartements et des maisons de province selon la tranche d unité urbaine et le caractère de ville-centre ou de banlieue, en % (base Perval année 1997) UU Ru- < plus de Total 1990 ral Appartements Rural Ville- Centre Banlieue Total Maisons Rural Ville- Centre Banlieue Total Ville-centre Une commune est à elle seule ville-centre si elle représente plus de la moitié de la population de l agglomération. Sinon, toutes les communes qui ont une population supérieure à la moitié de la population de la commune la plus importante, sont villes-centre, avec cette dernière. Si le nombre annuel de mutations est inférieur à 150 la ville-centre n a pas d indice propre (tableaux 10.4 et 10.5). Pour déterminer le nombre d indices ville-centre, l ensemble du territoire a été découpé en 84 strates : 53 strates sont constituées d une seule ville (tableau 10.4), ce qui permet de diffuser un indice pour chacune de ces 53 villes ; les 31 autres strates sont des regroupements de villes effectués en fonction de la région et de la taille d unité urbaine ; elles sont codées 99yzz, où y est la tranche d unité urbaine en 4 modalités (de à , de à , de à , plus de habitants) et où zz est la région ou le groupe de régions, en 10 modalités (tableau 10.5). INSEE Méthodes 93

14 10. Annexes Tableau Liste des 53 villes de province faisant l objet d un indice appartement ville-centre Commune Popu- Parc de Parc de Ratio lation logements référence EXISTAN/Perval Marseille ,502 Lyon ,000 Toulouse ,000 Nice ,549 Strasbourg ,117 Nantes ,000 Bordeaux ,000 Montpellier ,334 Saint-Etienne ,277 Rennes ,000 Le Havre ,742 Reims ,000 Lille ,186 Toulon ,037 Grenoble ,037 Brest ,645 Dijon ,079 Le Mans ,152 Clermont-Ferrand ,000 Limoges ,449 Amiens ,000 Tours ,470 Metz ,872 Besançon ,000 Caen ,898 Orléans ,000 Rouen ,225 Nancy ,010 Pau ,000 Poitiers ,000 Bourges ,000 La Rochelle ,000 Dunkerque ,792 Antibes ,115 Cannes ,000 Saint-Nazaire ,024 Valence ,951 Lorient ,713 Troyes ,000 Châlon-sur-Saône ,159 Chambéry ,000 Annecy ,000 Blois ,000 Le Cannet ,000 Roanne ,658 Grasse ,000 Bourg-en-Bresse ,267 Bayonne ,000 Anglet ,000 94

15 10.5. Définitions Commune Popu- Parc de Parc de Ratio lation logements référence EXISTAN/Perval Menton ,179 Biarritz ,000 Vichy ,000 Annemasse ,000 Les deux premières colonnes du tableau 10.4 présentent la population et le nombre d appartements (logements collectifs) selon le recensement de population de La troisième est le parc des bases notariales du champ de l indice pour les années 1994 à 1996 après exclusion des sixièmes extrêmes, donc le parc de référence. La dernière colonne donne une idée des pondérations redressant les données notariales. En caractères gras, les villes pour lesquelles on peut publier à la fois un indice provisoire et un indice définitif. Dans le cas où le nombre de mutations enregistré à la date du calcul de l indice provisoire serait faible, la publication des indices provisoires serait suspendue. Le calcul serait réalisé de la façon habituelle. S il n y a aucun bien, la pondération du trimestre entrant sera nulle. Dans le cas où le nombre de mutations enregistré à la date du calcul de l indice définitif serait nul ou trop faible, le calcul de l indice serait tout de même réalisé pour l entité concernée, mais un indicateur de volume de mutations par trimestre est prévu et permettra de décider de la suspension éventuelle de la publication de cet indice. De plus, des moyennes arithmétiques des prix (après élimination des extrêmes) sont calculées trimestriellement. L évolution de ces prix moyens est comparée à celle de l indice afin de repérer une éventuelle distorsion. Dans ce cas, une analyse plus poussée sera effectuée pour en rechercher les causes et déterminer si les coefficients (β) doivent être recalculés. INSEE Méthodes 95

16 10. Annexes Tableau Définition des strates utilisées pour le calcul des indices des appartements de province et effectifs dans la base pour l année Unités Urbaines Région plus à à à de Champagne-Ardenne (08,10,51,52) 22 Picardie (02,60,80) Haute-Normandie(27,76) 25 Basse-Normandie(14,50,61) Centre (18,28,36,37,41,45) Bourgogne (21,58,71,89) 41 Lorraine (54,55,57,88) 42 Alsace(67,68) 43 Franche-Comté (25,39,70,90) Nord-Pas-de-Calais (59,62) Pays de la Loire (44,49,53,72,85) 53 Bretagne (22,29,35,56) Poitou-Charentes (16,17,79,86) 74 Limousin (19,23,87) 83 Auvergne (03,15,43,63) Aquitaine (24,33,40,47,64) - 73 Midi-Pyrénées (09,12,31,32,46,65,81,82) Rhône-Alpes (01,07,26,38,42,69,73,74) Languedoc-Roussillon (11,30,34,48,66) 93 Provence-Alpes-Côte d Azur (04,05,06,13,83,84) 94 Corse (2A,2B ) Dans les cases en italique, 2 regroupements de communes ont été réalisés comme stratification de la zone. Dans les cases en gras 3 regroupements, 4 dans les cases en gras italique. Dans ces strates, les mutations d appartements sont retenues dans les villes qui sont centre de leur unité urbaine. Banlieue Il s agit des communes de banlieue des agglomérations de plus de habitants : tout ce qui n est pas ville-centre est banlieue. Pour l indice banlieue, on a 29 strates dont 21 sont constituées de la banlieue d une unité urbaine, identifiées par le numéro d unité urbaine (par exemple le code est le numéro d unité urbaine de Marseille et désigne pour nous la banlieue de Marseille) ; les 8 autres strates sont des regroupements codés 980zz où zz est la région (tableau 10.6). 7 Hors villes de la liste précédente. 96

17 10.5. Définitions Tableau Liste des 29 zones faisant l objet d indices appartements banlieue et effectifs dans les bases en Code Dénomination Parc de Zone référence Banlieue de Annemasse Banlieue de Lyon Banlieue de Menton Banlieue de Antibes Banlieue de Nice Banlieue de Marseille Banlieue de Dijon Banlieue de Toulouse Banlieue de Bordeaux Banlieue de Tours Banlieue de Grenoble Banlieue de Saint-Nazaire Banlieue de Nantes Banlieue de Orléans Banlieue de Nancy Banlieue de Lille Banlieue de Clermont-Ferrand Banlieue de Strasbourg Banlieue de Annecy Banlieue de Rouen Banlieue de Toulon Banlieues régions 21 et Banlieues régions 23 et Banlieues régions 24, 52 et Banlieues régions 26, 41 à Banlieues région Banlieues régions 54, 7x et Banlieues région Banlieues régions 91 et Rural Est une commune rurale, toute commune qui ne fait pas partie d une unité urbaine. INSEE Méthodes 97

18 10. Annexes Tableau Liste des unités urbaines faisant l objet d indices maisons définitif(s) ou provisoire(s) Amiens Grenoble Pau Angoulême Le Havre Poitiers Antibes Lens Reims Arras Lille Rennes Bayonne Limoges La Rochelle Bordeaux Lorient Rouen Boulogne-sur-Mer Lyon Saint-Etienne Bourges Le Mans Saint-Nazaire Brest Marseille Saint-Quentin Bruay-la-Buissière Maubeuge Toulon Calais Montpellier Toulouse Clermont-Ferrand Nancy Tours Creil Nantes Troyes Dijon Nice Valenciennes Douai Niort Vichy Dunkerque Orléans Sont en gras les unités urbaines pouvant faire l objet d un indice provisoire, c est-à-dire celles où le nombre de mutations annuel est supérieur à 600. Toutes les strates donnent lieu à calcul d indice. Tableau Définition des strates utilisées pour le calcul des indices des maisons et effectifs dans la base pour l année zones zones Unités Unités Région rurales péri- urbaines urbaines urbaines < >= Champagne-Ardennes Picardie Haute-Normandie Centre Basse-Normandie Bourgogne Nord-Pas-de-Calais Lorraine Alsace Franche-Comté Pays de la Loire Bretagne Poitou-Charentes Aquitaine Midi-Pyrénées Limousin, Auvergne Rhône-Alpes Languedoc-Roussillon Provence-Alpes-Côte d Azur Hors villes de la liste du tableau précédent. 98

19 10.5. Définitions Définition des zones pour l indice des appartements en zone rurale Les zonages géographiques de l indice des appartements en zone rurale sont beaucoup plus hétérogènes que pour les autres indices du fait de la disparité des mutations présentes selon les zones géographiques. Entre parenthèses le nombre d observations du parc de référence. 7 zones principales sont définies : Région Rural Grand Nord (1 299) : - Zone 1 : Picardie - Champagne-Ardenne, Bourgogne, Centre, agglomérations de moins de habitants et hors agglomérations. - Zone 2 : Picardie - Champagne-Ardenne, Bourgogne, Centre, agglomérations de à habitants. - Zone 3 : Normandie (Haute et Basse) - Zone 4 : Nord - Pas de Calais Région Rural Est (714) : - Zone 1 : Lorraine et Franche-Comté. - Zone 2 : Alsace. Région Rural et Littoral, Grand Ouest (2 496) : - Zone 1 : Bretagne, Pays de Loire et Charente - Poitou, hors agglomérations - Zone 2 : Bretagne, Pays de Loire et Charente - Poitou, agglomérations de - de habitants - Zone 3 : Bretagne, Pays de Loire et Charente - Poitou, agglomérations de 5 à habitants - Zone 4 : Aquitaine et Midi-Pyrénées, agglomérations de moins de habitants et hors agglomérations. - Zone 5 : Aquitaine et Midi-Pyrénées, agglomérations de à habitants. - Zone 6 : Auvergne et Limousin. Région Rhône Alpes hors stations de sports d hiver (1 812) - Zone 1 : départements de l Ardèche, de la Drôme, de la Loire et du Rhône. - Zone 2 : départements de l Ain. - Zone 3 : département de l Isère, hors stations de sports d hiver - Zone 4 : département de la Savoie, hors stations de sports d hiver - Zone 5 : département de la Haute-Savoie, hors stations de sports d hiver Région Rhône Alpes - stations de sports d hiver (4 117) : - Zone 1 : département de l Isère, stations de sports d hiver - Zone 2 : 3ème arrondissement du département de la Savoie, stations de sports d hiver - Zone 3 : 2ème canton du département de la Savoie, stations de sports d hiver - Zone 4 : 6ème et 28ème cantons du département de la Savoie, stations de sports d hiver - Zone 5 : 7ème canton du département de la Savoie, stations de sports d hiver - Zone 6 : 8ème canton du département de la Savoie, stations de sports d hiver - Zone 7 : 20ème canton du département de la Savoie, stations de sports d hiver - Zone 8 : 1er arrondissement du département de la Haute-Savoie, stations de sports d hiver - Zone 9 : 2ème arrondissement du département de la Haute-Savoie, stations de sports d hiver - Zone 10 : autres arrondissements du département de la Haute-Savoie, stations de sports d hiver Région Languedoc Roussillon (848) : - Zone 1 : hors agglomérations - Zone 2 : agglomérations de - de habitants - Zone 3 : agglomérations de à habitants Région Provence - Alpes - Côte d Azur (2240) : - Zone 1 : département des Alpes de Haute Provence - Zone 2 : département des Hautes Alpes INSEE Méthodes 99

20 10. Annexes - Zone 3 : département des Alpes Maritimes - Zone 4 : Vaucluse et pour le Var et les Bouches du Rhône, agglomérations de - de habitants et hors agglomérations. - Zone 5 : Var et Bouches du Rhône, agglomérations de 5 à habitants. Petite Couronne Haut de Seine (92), Seine Saint Denis (93), Val de Marne (94). Grande Couronne Essonne (91), Seine et Marne (77), Yvelines (78), Val d Oise (95). État d occupation et destination Les logements retenus dans les indices sont libres d occupation au moment de la vente, destinés à un usage strict d habitation et acquis en pleine propriété. On enlève donc les appartements loués à l acquéreur 9. Nature du vendeur et de l acquéreur Le vendeur peut être un particulier, un professionnel, ou une société. Seuls les logements acquis par un particulier ou par une SCI entrent dans le calcul des indices. Les logements acquis par des professionnels, qui sont donc hors champ ne représentent que 1% des ventes en province et 3% à Paris (voir tableaux et 10.11). Nature de la mutation Les seules mutations prises en compte sont les ventes de gré à gré, réalisées directement entre vendeur et acquéreur ou par l intermédiaire d un professionnel de l immobilier. Les ventes sur adjudication volontaire du Marché Immobilier des Notaires sont donc exclues (elles sont en nombre infime). 9 Sur le total des transactions d appartements des villes-centre des unités urbaines de plus de habitants en province, ceux loués par l acquéreur représentaient 2,5%. Pour les maisons de province, la proportion est de 3,2%. 100

21 10.5. Définitions Tableau Définition des strates utilisées pour le calcul des indices des appartements en petite couronne Code Strate Zone Code Strate Zone Code Strate Zone commune commune commune La commune d Asnières, strate n 923, est partagée en 2 zones sur la base des sections cadastrales de la manière suivante : Zone 1 : T U V X Z AB AC AD AE AF AG AH AI AJ AK AL AM AN AO AP AQ AR AS AT AU AV Zone 2 : A B C D E F G H I J K L M N O P Q R S Y AX AY AZ BC BD. INSEE Méthodes 101

22 10. Annexes Tableau Nombre de logements vendus selon la nature de l acquéreur : province Nature Maisons Appartements ville-centre de province province l acquéreur Nombre % Nombre % Particuliers , ,3 S.C.I , ,8 Marchands de biens , ,0 Autres (non professionnels) , ,9 Non réponses , ,9 Total , ,0 Champ : mutations de logements anciens des bases de données notariales, France hors Île-de-France en 1995 et Autres pour les appartement des villes-centre : Administrations, SAFER. Tableau Nombre de logements vendus selon la nature de l acquéreur : Îlede-France Nnature Paris Petite Grande de couronne couronne l acquéreur Nombre % Nombre % Nombre % Particuliers , , ,3 S.C.I , , ,5 Marchand de biens , , ,4 Autres (non professionnels) , , ,9 Non réponses , , ,9 Total , , ,0 Champ : mutations de logements anciens des bases de données notariales, Île-de-France en 1995 et Autres : Administrations, entreprises... Structure des parc d estimation Pour chaque parc, c est-à-dire pour chacun des 5 indices, voici la structure du parc d estimation, pour les variables utilisées dans les régressions. Chaque tableau (10.12 à 10.15) fournit la variable, l effectif correspondant à chaque modalité, en nombre et en pourcentage. Par exemple, à Paris, 88,3% des mutations du parc d estimation, soit mutations, correspondent à des appartements vendus sans garages ni parkings. 102

23 10.5. Définitions Tableau Structure du parc d estimation à Paris Surface par pièce Moyenne médiane en m 2 20,98 20,27 Minimum Maximum Effectif Pour cent Année de mutation , , , ,9 Strate ou zone , , , , , , , , , , , , , , , , ,4 Période de construction inconnue ,1 Avant , , , , ,3 après ,7 Nombre de salles de bain , , , , à Nombre de parkings ou garages , , , à non réponse 303 0,4 Total INSEE Méthodes 103

24 10. Annexes Effectif Pour cent Nombre de pièces de service , , , , Etage , , , , , , , , , , , , , , , , , , , , , ,1 20 à ,1 25 à ,2 30 à à à non réponse 840 1,1 Présence d un ascenseur Oui ,9 Non ,3 Non réponse ,8 Nombre de pièces , , , , , , , ,1 Total

25 10.5. Définitions Tableau Structure du parc d estimation en Petite Couronne Effectif Pour cent Année de mutation , , , , ,5 Strate de calcul , , , , , , , , , , , , , , , , , , , , , ,8 Date de construction non réponse ,9 Avant , , , , ,6 après ,4 Nombre de salle de bain , , , Nombre de parkings ou garages , , , , à non réponse 203 0,3 Total INSEE Méthodes 105

26 10. Annexes Effectif Pour cent Nombre de pièces de service , , , Etage , , , , , , , , , , , , , , , , , , , , à à ,1 30 à à à à non réponse 919 1,4 Ascenseur oui ,4 Non ,4 Non réponse ,2 Nombre de pièces , , , , , , Total Surface par pièce Moyenne Médiane 20,84 20,21 Minimum Maximum