Mise en évidence d`un pouvoir de négociation dans le cadre d`une
Transcription
Mise en évidence d`un pouvoir de négociation dans le cadre d`une
Mise en évidence d’un pouvoir de négociation dans le cadre d’une fonction hédoniste à décalage spatial Travers Muriel UMR Granem MA_49, Université d’Angers, 13, allée François Mitterrand, 49000 Angers, Cedex 01 [email protected] 2èmes journées de recherches en sciences sociales INRA SFER CIRAD 11 & 12 décembre 2008 – LILLE, France 1 Résumé : La méthode des prix hédonistes proposée par Rosen (1974) implique que le marché immobilier soit en concurrence pure et parfaite, et que, par conséquent, il n’existe pas de pouvoir de négociation des acteurs sur les différents prix implicites des attributs des logements. Or, il est vraisemblable que cette hypothèse ne soit pas toujours vérifiée lors des transactions du fait de l’existence de caractéristiques particulières de certaines habitations. Nous montrons ainsi, dans cet article, que le caractère vacant d’une maison peut modifier le prix implicite associé à l’appartenance de celle-ci à une zone risquée, comme peut l’être la zone soumise à un plan particulier d’intervention mis en place par les autorités publiques dans la zone de Port Jérôme (Haute-Normandie) du fait de la présence d’industries classées SEVESO. Pour se faire, nous avons utilisé un modèle économétrique de changement de régime inspiré de l’approche de Lee et alii (1980) que nous avons adaptée au cas d’un modèle hédoniste à décalage spatial. Mots clefs : Modèle hédoniste, économétrie spatiale, négociation, risques industriels 2 Introduction Suite aux évaluations empiriques développées par Waugh (1929), Court (1939) et Griliches (1961), la méthode des prix hédonistes (Rosen, 1974) a été utilisée pour expliquer les différences de prix des biens immobiliers ayant des niveaux de qualité différents. Cette méthode permet de révéler les prix implicites des différentes caractéristiques de l’habitation à partir de son prix global. Cette méthode suppose néanmoins que le marché immobilier soit en parfaite concurrence, c'est-à-dire un marché où les acheteurs et les vendeurs du bien immobilier n’ont pas d’influence sur les prix des habitations lors des transactions. Les prix implicites des différentes caractéristiques du bien sont alors considérés comme des paramètres pour les vendeurs et les acheteurs non modifiables par leur comportement individuel. Sous cette hypothèse, les prix d’offre des habitations peuvent être utilisés lorsque les prix de vente de ces dernières ne sont pas disponibles, procédure utilisée par Cheshire et Sheppard (1995), Saulnier (2004) et Gravel et alii (2006) lors de leur analyse hédoniste. En effet, même si l’écart entre ces deux types de prix est important, l’utilisation des prix d’offre dans la fonction de prix hédonistes ne conduit pas à un biais dans l’estimation des prix implicites des caractéristiques des habitations si le pouvoir de négociation des acheteurs et/ou des offreurs de ce bien immobilier n’est pas corrélé avec ces dernières, la différence observée étant prise en compte dans la constante. Dans le cas contraire, l’utilisation des prix d’offre conduit à des estimations biaisées des prix implicites des différentes caractéristiques des habitations. Notons qu’un tel pouvoir de négociation peut, en particulier, survenir lorsque l’habitation est vacante lors des visites. Ainsi, Harding et alii (2003), montrent qu’il existe bien un pouvoir de négociation des vendeurs, amoindri par la vacance de la maison dans le cas du marché immobilier de Bâton-Rouge (Louisiane, Etats-Unis) et Modesto (Californie, Etats-Unis). En effet, au cours de la période 1993-1995 dans le cas des maisons vendues dans la ville de Bâton-Rouge et au cours de la période 1995-1999 pour celles vendues dans la ville de Modesto, les propriétaires de maisons petites et âgées voient leur pouvoir de négociation diminuer face aux acheteurs modifiant ainsi de manière significative les valeurs des prix implicites des caractéristiques . Lors des estimations de la fonction de prix hédonistes, il est donc nécessaire, dans la mesure du possible, de vérifier l’existence de tels effets. C’est cette démarche que nous adoptons dans ce papier. Nous cherchons, en effet, à déterminer l’impact d’un éventuel effet de négociation lié à la vacance des maisons de la zone de Port-Jérôme (Haute-Normandie) sur les prix implicites de ces dernières en tenant compte de la spatialisation des données. Pour se faire, nous utilisons un modèle de changement de régime inspiré de l’approche de Lee et alii (1980) que nous adaptons au cas d’un modèle à décalage spatial. Dans une première partie, nous présenterons le modèle théorique utilisé. Dans une seconde partie, nous appliquerons celui-ci au cadre du marché immobilier de Port-Jérôme pour l’année 2001. 3 1. Le modèle théorique Afin d’évaluer l’impact de la vacance d’une habitation sur les prix implicites des différentes caractéristiques de cette dernière, nous aurions pu de manière naïve introduire dans la fonction de prix hédonistes une nouvelle variable qualitative indiquant si la maison est vacante ou non en la croisant avec les différentes caractéristiques de cette dernière. Cependant, cette procédure traite la vacance comme une variable exogène et ignore la possibilité que cette caractéristique particulière puisse suivre un processus de sélection non aléatoire pouvant dépendre à la fois des caractéristiques des maisons et de celles des vendeurs. Nous nous inspirons donc de l’approche de Lee et alii (1980) qui permet de prendre en compte cet éventuel processus de sélection non aléatoire et qui a été appliquée par Miceli et alii (2002) et Harding et alii (2003) dans le cadre des prix hédonistes. Le modèle utilisé par ces derniers nécessite néanmoins d’être complété afin de prendre en compte la spatialisation des données. Le modèle utilisé par Miceli et alii (2002) et par Harding et alii (2003) est composé d’une équation de changement de régime. En effet, le prix de l’habitation i ne pouvant pas être observé simultanément pour les deux régimes, l’équation de prix espéré non conditionnel au fait que l’habitation i soit vacante s’écrit de la manière suivante : E ( Pi ) = E ( Pi Ii = 1) .π1 + E ( Pi Ii = 0 ) .π0 Où : [1] Pi est le prix de l’habitation1 i, le terme π1 (resp. π0 ) correspond à la probabilité que l’habitation i soit vacante (resp. habitée), le terme Ii = 1 (resp. Ii = 0 ) indique si l’habitation i est vacante (resp. habitée) lors de la décision d’achat. Un modèle explicatif du prix de l’habitation est alors spécifié sous la forme de deux équations de prix : P = α 0 + β0 '. Zo + ρ. WP + u 0 dans le cas des maisons occupées [2] P = α1 + β1 '. Z1 + ρ. WP + u1 [3] et Où : dans le cas des maisons vacantes Z0 (resp. Z1 ) représente le vecteur des variables explicatives pour les habitations non vacantes (resp. vacantes), ρ est le 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. 1 Par souci de simplification, le modèle théorique est spécifié sous forme linéaire mais d’autres formes fonctionnelles telles que la forme logarithmique peuvent être utilisées. 4 Si la matrice ( I − ρW ) n’est pas singulière, les équations [2] et [3] s’écrivent de la manière suivante : P = ( I − ρ. W ) .[ α 0 + β0 '. Z0 + u 0 ] dans le cas des maisons occupées [4] −1 et P = ( I − ρ. W ) .[ α1 + β1 '. Z1 + u1 ] −1 dans le cas des maisons vacantes [5] Une équation décrivant le fait que l’habitation i soit vacante ou non vient compléter les équations précédentes : Ii ≡ 1 I*i > 0 avec I*i = γ '. Xi + ηi avec E [ ηi ] = 0 Où : [ 6] I*i est la variable latente supposée continue et décrire la vacance de l’habitation i, γ est le vecteur des paramètres à estimer, Xi est le vecteur des variables explicatives qui déterminent le fait que l’habitation i soit vacante ou non. Nous faisons également l’hypothèse de normalité tri-variée suivante sur les termes d’erreur du modèle : 0 σ20 u 0i u ∼ N 0 , ρ σ σ 10 1 0 1i 0 ρ σ ηi 0 0 ρ01σ0 σ1 σ 2 1 ρ1σ1 ρ0 σ 0 ρ1σ1 1 L’hypothèse de distribution jointe des termes d’erreurs des modèles de prix ( u 0i et u1i ) et du modèle de vacance ( ηi ) revient à prendre en compte la possible corrélation entre les déterminants inobservés des équations de prix et ceux de l’équation expliquant la vacance de l’habitation. Par conséquent, à partir des équations de prix [4], [5] et de l’équation [6] ainsi que des hypothèses sur la distribution des différents termes d’erreurs, les espérances conditionnelles du prix de l’habitation i s’écrivent de la manière suivante : ϕ ( γ '* Xi ) −1 E ( Pi Ii = 0 ) = (1 − ρW ) . α 0 + β0 '. Z0i − ρ0 σ0 * 1 − Φ γ ' X ( ) i [7] et E ( Pi Ii = 1) = (1 − ρW ) −1 ϕ ( γ '* X i ) . α1 + β1 '. Z1i + ρ1σ1 * Φ γ ' X ( ) i [ 8] 5 Où : ϕ est la densité de la loi normale centrée réduite définie pour l’équation de sélection [6], Φ est la fonction de répartition de la loi normale centrée réduite définie pour cette même équation. En substituant les équations [7] et [8] dans l’équation [1] et en imposant également que les variables explicatives Z0i et Z1i soient identiques, le modèle final à estimer est le suivant : Pi = (1 − ρW ) α 0 + β0 '. Zi + ( α1 − α 0 ) .Φ i + ( β1 − β0 ) '. Zi .Φ i + ξi pour tout i = 1,...,N [9] −1 où : ξi = ( ρ1σ1 − ρ0 σ0 ) ϕi + εi Soit P = α 0 + ρ.WP + β0 '. Z + ( α1 − α 0 ) .Φ + ( β1 − β0 ) '. Z.Φ + ξ [10] α1 − α 0 ) , fournit ainsi une mesure de l’impact Le coefficient estimé de Φ , à savoir le terme ( de la vacance sur la constante dans la fonction de prix hédonistes. Les coefficients estimés de l’interaction des caractéristiques des habitations Z et Φ , à savoir le vecteur ( β −β ), 1 0 fournissent, quant à eux, une mesure de l’impact de la vacance sur les différents prix implicites. Le coefficient estimé de ϕ , à savoir le terme ( ρ1σ1 − ρ0 σ0 ) , indique s’il existe un biais d’autosélection sur les variables explicatives non observées. La procédure utilisée pour estimer les différents coefficients du modèle [10] consiste alors à estimer à partir d’un modèle Probit le vecteur des coefficients γ . A partir de ce dernier, nous pouvons alors calculer les termes ϕ , Φ et les variables d’interaction ZΦ pour chacune des habitations. La deuxième étape consiste alors à estimer les différents coefficients et les résidus de la fonction de prix hédonistes suivante par la méthode des moindres carrés2 : P = α 0 + β0 '. Z + ( α1 − α 0 ) .Φ + ( β1 − β0 ) '. Z.Φ + ξ [11] A partir des résidus ainsi calculés, nous pouvons alors tester l’existence ou non d’autocorrélation spatiale. Si la statistique de Moran centrée réduite3 Z(I) conduit à rejeter l’hypothèse de nullité du coefficient ρ , nous devons alors estimer la fonction de prix hédonistes [10] par la méthode des doubles moindres carrés en tenant compte de l’endogénéité des variables dépendantes4 WP . 2 Ou en utilisant la méthode des doubles moindres carrés dans le cas d’endogénéité de certaines caractéristiques. Pour de plus détails, voir annexe 1. 4 Rappelons que cette dernière peut être prise en compte en utilisant les variables exogènes décalées spatialement WX. 3 6 2. Application à la zone estuarienne et industrielle de Port-Jérôme 2.1 La présentation du cadre d’étude Afin de mettre en évidence un éventuel effet de négociation lié à la vacance des maisons, nous avons utilisé les ventes réalisées en 2001 dans les communes proches5 de la zone estuarienne et industrielle de Port-Jérôme (Haute-Normandie). Cette zone comprend un nombre important d’usines classées SEVESO 2 (cf. carte 1). L’activité de tels établissements génératrice de risques (incendies, explosion, toxicité) a notamment nécessité la mise en place d’un plan particulier d’intervention (PPI, cf. carte 2) englobant les zones de risque Z26 et d’une politique d’information concernant les risques encourus par les riverains par le biais de brochures, de réunion et de site web. Cette zone industrielle a également pour particularité de se situer à proximité de la Seine et du Marais Vernier, zone humide classée Natura 20007. Carte 1 : Type d’établissements industriels présents sur le site de Port-Jérôme Carte 2 : Délimitation des périmètres de risques Z1 et Z2 Source : Propeck-Zimmermann et alii (2002) Source : Bonnet E. 5 Les communes retenues pour l’analyse sont les suivantes : Gruchet-le-Valasse, La Frenaye, Lillebonne, NotreDame-de-Gravenchon, Petiville, Quillebeuf-sur-Seine, Saint Aubin-sur-Quillebeuf, Saint-Jean-de-Folleville, Sainte-Opportune-la-Mare 6 La zone Z1 est la zone la plus proche du risque : elle correspond aux effets mortels pour l’homme en cas de survenance d’un accident dans ces industries. La zone Z2 est la zone qui correspond à la limite des effets réversibles et irréversibles pour la santé des personnes exposées. 7 Ce marais fait également partie du Parc National Régional des Boucles de la Seine Normande créé en 1974. 7 2.2 Descriptif des données Les prix de vente hors frais d’agence et de notaire, les différentes caractéristiques intrinsèques des maisons (nombre de pièces, surface de terrain, etc.) ainsi que les caractéristiques des acheteurs et des vendeurs (âge, PCS, etc.) proviennent de données notariales fournies par la société PERVAL – Notaires de France. Les données concernant les différents taux de fiscalisation et le revenu fiscal moyen par commune proviennent de la Direction Générale des Impôts. Les caractéristiques extrinsèques (distance à la zone Z1, l’appartenance à la zone du plan particulier d’intervention (PPI), la distance à la Seine, la distance à la mairie, etc.) sont quant à elles obtenues à partir d’un système d’information géographique8 et 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 (habitats et industries), les routes, les établissements recevant du public (ERP) ou encore les éléments du paysage et de l’occupation des sols. Les tracés des 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. 2.3 Analyse des caractéristiques explicatives de la vacance d’une maison A partir des informations également disponibles dans la base PERVAL, nous pouvons déterminer si l’habitation était vacante ou non lors de la décision d’achat. Notons que la vacance correspond, dans le cadre de notre analyse, au fait que la maison n’est habitée ni par l’acheteur ni par le vendeur ni par un tiers (exemple : locataire) lors de la décision d’achat9. Ce phénomène concerne 46,3 % des maisons vendues au cours de l’année 2001 et peut être de nature « frictionnelle » : elle est alors liée, dans ce cas, à un délai incompressible associé à la mise en relation des offreurs et des demandeurs des biens immobiliers. Ce type de vacance peut, par conséquent, dépendre à la fois des caractéristiques des vendeurs et de la période de vente, la dynamique du marché immobilier pouvant être différente au cours de l’année (Haurin, 1988 ; Merlo et Ortalo-Magné, 2004). A côté de cette vacance frictionnelle existe également une vacance structurelle d’une durée plus longue. Elle concerne en général les habitations proposées à la vente mais inadaptées à la demande. Cela est souvent le cas des logements obsolètes, de petite taille ou se situant dans un environnement détérioré (Harding et alii, 2003 ; Robert et Plateau, 2006) Par conséquent, afin de déterminer quels peuvent être les facteurs expliquant la vacance d’une maison, nous utilisons à la fois les différentes caractéristiques de cette dernière mais également les caractéristiques des vendeurs et le mois auquel la vente a eu lieu10. Les vendeurs sont ainsi caractérisés par le fait qu’ils soient ou non en couple, par leur sexe, leur âge et leur catégorie socio-professionnelle. Concernant les caractéristiques des maisons, nous tenons également compte du caractère indivisible ou non de ces dernières : en effet, nous pouvons supposer que lorsque la maison appartient à plusieurs ménages, elle n’est pas forcément habitée. Par conséquent, à partir des informations fournies sur cette caractéristique par la base PERVAL, nous créons une nouvelle variable indiquant si le vendeur est un 8 L’ensemble de ces données a été structuré au sein d’un 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 9 La variable VACANT est donc une variable binaire égale à 1 lorsque la maison i n’était occupée ni par le vendeur ni par l’acheteur ni par un tiers lors de la décision d’achat, 0 dans le cas contraire. 10 Cette date correspond à la date de signature de l’acte de vente et non pas celle du compromis. Nous supposons néanmoins que le délai entre ces deux dates est le même pour l’ensemble des ventes. 8 ménage unique ou non (UNIQ_V). La vacance d’une maison peut également dépendre de la proportion de maisons vacantes dans le voisinage de la maison considérée. En effet, si l’acheteur observe un nombre élevé de telles maisons dans le quartier ou dans la commune, ce dernier risque de refuser l’achat ou de dévaloriser le bien immobilier. Cependant, nous ne disposons pas d’une telle information. De manière plus générale, nous pouvons considérer que la vacance d’une maison peut dépendre de la réputation sociale de la ville où elle se situe. Si cette dernière est peu élevée, le nombre d’acheteurs potentiels sera vraisemblablement peu élevé augmentant ainsi le délai de vente et par conséquent, la probabilité que la maison soit vacante. Ce phénomène est mesuré dans notre analyse par le pourcentage de foyers fiscaux imposés (PART_IMPO), calculé à partir des informations obtenues auprès de la Direction Générale des Impôts. L’analyse statistique de l’ensemble des caractéristiques utilisées11 indique, pour certaines d’entre elles, des différences significatives selon le caractère vacant ou non de la maison (cf. tableau 1) ce qui semblerait indiquer un processus non aléatoire de la vacance justifiant ainsi l’utilisation du modèle présenté dans la première section. Tableau 1 : Ensemble des variables dont la moyenne est significativement différente selon le caractère vacant ou non de la maison Maisons Maisons Ensemble des Caractéristiques Maisons vacantes occupées Caractéristiques intrinsèques des maisons Nombre de pièces** 4,6 4,2 4,9 (NBPIECE) Caractéristiques extrinsèques des maisons % de foyers fiscaux imposés ** 51,6 % 50,3 % 52,7 % (PART_IMPO) Caractéristiques des vendeurs Couple* 69,2 % 59,6 % 77,2 % (V_COUPLE) Le chef de famille est un homme** 72,1 % 59,6 % 82,4 % (V_SEXE) Le vendeur est ouvrier* 22,2 % 12,8 % 29,4 % (V_PCS6) Le vendeur est sans activité professionnelle* 6,7 % 12,8 % 2,0 % (V_PCS8) Le vendeur est un ménage unique*** 77,9 % 61,7 % 91,2 % (UNIQ_V) Date de vente Juin** 9,6 % 2,1 % 15,8 % (MOIS6) Août** 10,6 % 19,1 % 3,5 % (MOIS8) Novembre* 8,6 % 14,9 % 3,5 % (MOIS11) Seuil de significativité : *** au seuil de 1 %, ** au seuil de 5 %, ** au seuil de 10 % 11 Pour plus de détails concernant l’ensemble des caractéristiques retenues lors de l’analyse, voir annexe 2. 9 Nous retenons donc comme variables explicatives de la vacance les caractéristiques présentant des différences significatives. L’analyse des corrélations de l’ensemble de ces variables indiquant une corrélation entre certaines d’entre elles (cf. annexe 3), nous ne conservons pas, lors de l’estimation du modèle Probit, celle indiquant si le vendeur est un homme ou non, ainsi que celle correspondant à son statut matrimonial. Les résultats obtenus (cf. tableau 2) indiquent que la vacance des maisons se situant dans la zone industrielle de Port-Jérôme dépend du caractère indivisible de celles-ci mais aussi de la date de vente et du niveau social de la commune où se situent ces dernières. En effet, lorsque le pourcentage de foyers fiscaux imposés augmente, la probabilité de vacance de la maison diminue. Il en est de même lorsque le vendeur est un ménage unique, ce dernier résidant vraisemblablement plus souvent dans la maison à vendre que lorsque celle-ci est en indivision. Nous remarquons également que lorsque la vente est réalisée au cours du mois d’août, la probabilité que la maison soit vacante augmente. Ce phénomène pourrait s’expliquer, bien que nous ne puissions le vérifier, par le fait que ces ventes sont liées à des mutations professionnelles et que les vendeurs souhaitent avoir déménagé avant la rentrée scolaire12. Ce résultat pourrait être également lié à une demande résidentielle plus importante au cours des mois de juin, juillet, août (cf. annexe 2) ce qui permettrait aux maisons vacantes d’être plus facilement vendues au cours de cette période. Nos résultats sont différents de ceux obtenus par Harding et alii (2003), où ce sont les maisons les plus petites et les plus âgées qui ont une probabilité plus importante d’être vacantes. Notons néanmoins que ces auteurs n’ont pas introduit dans leur estimation les caractéristiques des vendeurs, n’ayant pas à leur disposition ces informations ni celles concernant la période de vente, ce qui pourrait expliquer la faible qualité d’ajustement de leur modèle13. Tableau 2: Résultats de l’estimation du modèle Probit (VACANT=1) Variables explicatives Constante NBPIECE PART_IMPO UNIQ_V V_PCS6 V_PCS8 MOIS6 MOIS8 MOIS11 Degré de liberté χ² ( 8) P-value Pseudo_R² R² Mac Fadden Coefficient 3,197 - 0,069 *- 0,044 ***- 1,019 - 0,443 0,985 -1,292 **1,166 0,060 Stat. Test Wald Significativité 2,200 - 0,704 - 1,685 - 2,557 - 1,169 1,368 - 1,463 2,380 0,095 0,028 0,482 0,092 0,010 0,247 0,171 0,143 0,017 0,924 Effet marginal (au niveau moyen de l’échantillon) 1,249 - 0,027 - 0,017 - 0,398 - 0,173 0,385 - 0,505 0,455 0,023 8 28,27 0,0004 0,21 0,23 12 En effet, la part des vendeurs retraités est plus faible au cours du mois d’août (20 % au lieu de 32,2 %). En effet, la valeur du Pseudo-R² est de 0,02 dans le cas du marché immobilier de Baton Rouge et de 0,03 dans le cas du marché immobilier de Modesto. 13 10 Vacant estimé = k et Vacant observé = k : 77,8 % de l’ensemble des maisons vendues Vacant estimé =1 et vacant observé =1 : Φ ( γ '* X i ) > 0, 5 64,1 % des maisons vacantes Vacant estimé = 0 et vacant observé = 0 88,2 % des maisons habitées Seuil de significativité : *** au seuil de 1 %, ** au seuil de 5 %, * au seuil de 10 % Pourcentage prédictions ( de correctes ) 2.4 Estimation de la fonction de prix hédonistes et interprétation La fonction de prix hédonistes à estimer (cf. équation [10]) nécessite tout d’abord de définir la matrice de poids W : nous avons donc choisi de définir comme maisons voisines les maisons i’ se situant à une distance inférieure à 100 mètres d’une maison i. L’analyse des corrélations (cf. annexe 4) nous conduit, de plus, à ne pas retenir comme variables explicatives de la fonction de prix hédonistes la proximité des maisons au Marais Vernier, leur distance par rapport à la zone industrielle Z1, à la Seine, aux aires de jeux et aux autoroutes ainsi que la taxe foncière et le revenu fiscal moyen de la commune. L’analyse de l’hétérogéneité spatiale (cf. annexe 5) indique également l’existence d’une segmentation spatiale du marché immobilier dans la zone de Port-Jérôme, les prix des maisons se situant dans la commune de La-Frenaye (Com_281) étant significativement plus élevés au seuil de 5 % que les prix de celles se situant dans la commune de référence de Quillebeuf-sur-Seine. Par conséquent, nous optons pour l’introduction de variables indicatrices en croisant la variable Comm_281 avec les variables explicatives présentant une différence significative entre cette commune et les autres communes de la zone étudiée (DIST_MAIR, DIST_RTE_P, DIST_RTE_M, SRF_TER, NBPIECE). En outre, il peut exister, lors de l’achat de la maison, un choix simultané de la part des ménages entre le prix du bien immobilier et les quantités des caractéristiques de ce dernier : un ménage, lorsqu’il achète un logement peut en effet choisir simultanément le nombre de pièces (ou la surface de terrain) et le prix du logement. De même, il est probable que l’arbitrage économique de l’acheteur le conduise à choisir simultanément la non localisation dans la zone PPI et le prix de la maison. Nous devons donc tenir compte de cette éventuelle endogénéité lors des estimations des fonctions de prix hédonistes : les variables instrumentales utilisées dans les équations auxiliaires correspondent aux différentes caractéristiques des acheteurs à savoir l’âge, le fait d’être en couple, le sexe, la catégorie socioprofessionnelle et l’origine géographique de ces derniers. Il aurait été également intéressant d’introduire dans l’équation auxiliaire expliquant le fait d’habiter ou non dans la zone PPI le fait que les acheteurs travaillent ou non sur le site industriel, mais nous ne disposons pas de cette information. Ainsi, nous calculons, à partir des coefficients estimés précédemment par le modèle Probit, les termes ϕ , Φ et les variables d’interaction ZΦ pour chacune des maisons. La seconde étape consiste alors à estimer les différents coefficients et les résidus de la fonction de prix hédonistes [11] en vérifiant l’endogénéité des variables explicatives. Cependant, du fait du nombre important de ces dernières (cf. annexe 6), nous opérons une sélection préalable en utilisant différentes procédures (stepwise, forward, backward), ceci afin 11 d’éviter d’éventuels problèmes de multicolinéarité entre elles14. Quelle que soit la procédure de sélection utilisée, nous obtenons dans le cas présent les mêmes variables explicatives pour un seuil de significativité de 10 % (cf. tableau 3). A partir du modèle sélectionné, nous montrons qu’il n’existe pas d’endogénéité entre le prix de vente et la taille du jardin : en effet, au seuil de significativité de 5 %, les instruments utilisés dans l’équation auxiliaire ne sont pas significatifs. Par ailleurs, même si le fait que l’acheteur soit retraité a un impact significatif négatif sur le nombre de pièces à ce seuil, les résidus de cette équation introduits dans la fonction de prix hédonistes ne sont pas significatifs. Par conséquent, la fonction de prix hédonistes est estimée par la méthode des moindres carrés ordinaires15. A partir des résidus estimés de cette fonction, nous calculons la statistique de test Z(I). Cette dernière étant égale à 0,75, l’hypothèse de nullité du paramètre d’auto-corrélation spatiale ρ ne peut être rejetée au seuil de 5%. Il n’existe donc pas d’auto-corrélation spatiale pour la matrice de poids choisie. La fonction de prix hédonistes estimée est donc celle présentée dans le tableau 3. Tableau 3 : Estimation de la fonction de prix hédonistes et des équations auxiliaires Variables explicatives16 Prix_TTC (MCO) Equation auxiliaire SRF_TER Equation auxiliaire NBPIECE Constante ***9,495 2,811 ***1,481 NBPIECE ***0,769 ***1,030 --SRF_TER ***0,172 --***0,097 SDB_2PL ***0,296 0,452 0,153 DIST_MAIR **- 0,075 ***0,430 - 0,064 IN_PPI. Φ ***- 0,524 1,013 - 0,004 Variables Instrumentales A_COUPLE --- 0,135 - 0,128 A_ORIGIN --* - 0,507 - 0,060 AGE_ACH --- 0,009 - 0,000006 A_SEXE --0,330 * 0,272 A_PCS1 ------A_PCS2 --- 0,611 - 0,367 A_PCS3 --- 0,515 - 0,176 A_PCS4 --- 1,034 - 0,231 A_PCS5 --- 0,670 - 0,399 A_PCS6 --- 0,596 - 0,433 A_PCS7 --- 0,769 ** - 0,778 A_PCS8 ------R² 0,78 0,42 0,43 R² ajusté 0,77 0,30 0,32 *** significatif au seuil de 1 %, ** significatif au seuil de 5 %, * significatif au seuil de 10 % 14 Les estimations sont réalisées en utilisant la méthode des moindres carrés ordinaires. Les hypothèses de normalité et d’homoscédasticité sont vérifiées au seuil de significativité de 5 %. 16 La forme fonctionnelle de la fonction de prix hédonistes donnant les meilleurs résultats est une forme doublelog. 15 12 Par conséquent, nous pouvons constater que le pouvoir de négociation n’agit ni sur la constante ni sur les variables inobservées mais agit sur le prix implicite de la localisation ou non de la maison dans la zone PPI. Le coefficient négatif (- 0,524) associé à la variable IN_PPI. Φ indique, en effet, que le taux de dépréciation d’une maison se situant dans la zone PPI est plus grand lorsque cette dernière est vacante que lorsque la maison est occupée. Par ailleurs, le fait que la maison se situe dans la zone PPI n’a pas d’impact significatif lorsque cette dernière est occupée. Il semble donc que l’appartenance de la maison à la zone PPI n’a d’impact sur le prix de vente (de l’ordre de - 40,8 %) que lorsque cette dernière est vacante. Pour expliquer un tel résultat, nous pouvons émettre l’hypothèse que la vacance de la maison au sein de la zone PPI pourrait être un indicateur pour l’acheteur d’exposition au risque engendrant une dévalorisation du bien immobilier. A l’inverse, le caractère habité de cette dernière pourrait être perçu comme une garantie pour l’acheteur (effet de mimétisme). Conclusion Dans cet article, nous avons cherché à intégrer l’effet de négociation dans la méthode des prix hédonistes tout en tenant compte de la spatialisation des données ainsi que l’existence éventuelle d’endogénéité entre le prix de vente et certaines caractéristiques des habitations, ceci afin de vérifier si le caractère vacant d’une maison pouvait modifier le prix implicite de ses différentes caractéristiques. Pour se faire, nous avons mis en place une procédure en deux étapes inspirée des travaux de Lee et alii (1980) afin de contrôler le biais d’autosélection lié à la vacance de ces habitations. Les résultats issus de l’utilisation du modèle d’autosélection confirment l’impact du pouvoir de négociation sur le prix implicite associé à l’appartenance ou non de la maison à la zone PPI. Ce résultat ainsi que celui obtenu par Harding et alii (2003) montrent donc la nécessité de vérifier, dans la mesure du possible, l’existence de tels effets lors des estimations de la fonction de prix hédonistes. 13 Bibliographie Cheshire P., Sheppard S., 1995, On the price of Land and the Value of Amenities, Economica, vol.62, n°246, pp.247-267 Cliff A., Ord J., 1973, Spatial Autocorrelation, Pion, London, 178p. Cliff A., Ord J., 1981, Spatial processes, Models and Applications, Pion, London, 266p. Court A. T., 1939, Hedonic Price Indexes with Automotive Examples, in The Dynamics of Automobile Demand, General Motors Corporation, pp.99-117 Gravel N., Michelangeli A., Trannoy A., 2006, Measuring the Social Value of Local Public Goods: An Empirical Analysis within Paris Metropolitan Area, Applied Economics, vol.38, n°16, pp.1945-1961 Griliches Z., 1961, Hedonic Price Indexes for Automobiles: An Econometric Analysis of Quality Change, in the Price Statistics of the Federal Government, General Series n°73, New York: Columbia University for the National Bureau of Economic Research Hannoun M., 2002, Un survol des méthodes élémentaires en statistique spatiale, Actes des journées de méthodologie statistique, 4 et 5 décembre 2000, Tome 1, Insee Méthodes, n°100 Harding J.P., Knight J.R., Sirmans C.F., 2003, Estimating Bargaining Effects in Hedonic Models: Evidence from the Housing Market, Real Estate Economics, vol.31, n°4, pp.601-622 Haurin D., 1988, The Duration of Marketing Time of Residential Housing, Journal of the American Real Estate and Urban Economics Association, vol.16, n°4, pp.396-410 Lee L.F., Maddala G.S., Trost R.P., 1980, Asymptotic Covariance Matrices of Two-Stage Probit and Two-Stage Tobit Methods for Simultaneous Equation Models with Selectivity, Econometrica, vol.48, n°2, pp.491-503 Moran P.A., 1950, A Test for the Serial Dependence of Residuals, Biometrika, vol.37, pp.178-181 Merlo A., Ortalo-Magné F., 2004, Bargaining over Residential Real Estate: Evidence from England, Journal of Urban Economics, vol.56, n°2, pp.192-216 Miceli T.J., Munneke H.J., Sirmans C.F., Turnbull G.K., 2002, Title Systems and Land Values, Journal of Law and Economics, vol.45, n°2, pp.565-582 Propeck-Zimmermann E., Ravenel L., Saint-Gérand T., 2002, Cartographie des risques technologiques majeurs: nouvelles perspectives avec les SIG, Mappemonde, vol.65, pp.17-21 Robert A., Plateau C., 2006, Mesurer la vacance pour évaluer les tensions sur les marchés du logement, Notes de synthèse du SESP, n°162 14 Rosen S., 1974, Hedonic Prices and Implicit Markets: Product Differentiation in Pure Competition, Journal of Political Economy, vol.82, n°1, pp.34-55 Saulnier J., 2004, Une application des prix hédonistes : influence de la qualité de l’air sur le prix des logements ?, Revue d’Economie Publique, vol.114, n°5, pp.613-636 Waugh F.V., 1929, Quality as a Determinant of Vegetable Prices: A Statistical Study of Quality Factors Influencing Vegetable Prices in the Boston Wholesale Market, New York: Columbia University Press 15 Annexe 1 : Test de Moran Ce test est basé sur le calcul de l’indice de Moran (Moran, 1950 ; Cliff et Ord (1973, 1981)), ce dernier étant défini de la manière suivante : I= ξɶ ' Wξɶ ξɶ ' ξɶ Où : ξɶ correspond aux résidus estimés de l’équation : P = α 0 + β0 '. Z + ( α1 − α 0 ) .Φ + ( β1 − β0 ) '. Z.Φ + ξ =Xψ +ξ Sous les hypothèses de normalité des résidus : E ( I) = V ( I) = Où : tr ( MW ) N−K tr ( MWMW ' ) + tr ( MWMW ) + tr ( MW ) ( N − K )( N − K + 2 ) ( −1 M = I − X (X 'X) X ' 2 − E ( I ) ² ) N : le nombre d’observations K : le nombre de variables explicatives Le test se base alors sur la statistique de Moran centrée réduite : Z(I) = {I − E ( I )} / {V ( I )} 1/ 2 Pour une matrice de poids importante (au minimum 30 observations (Hannoun, 2002)), la statistique de test Z(I) suit asymptotiquement une loi normale centrée et réduite. Ainsi, si la valeur calculée pour Z(I) est supérieure à la valeur théorique du t de Student correspondant au seuil α, l’hypothèse H1 est acceptée. 16 Annexe 2 : Présentation de l’ensemble des variables introduites dans l’analyse de la prise en compte dans la fonction de prix hédonistes du pouvoir de négociation Variables PRIX_TTC NBPIECE ON_DEPEN SDB_2PL SRF_TER TYP_NA TAXE_HAB TAXE_FONC REVFISCO PART_IMPO DIST_Z1 DIST_AUTOR DIST_RTE_P DIST_RTE_M DIST_MAIR IN_PPI DIST_SEINE PROX_VER DIST_JEUX Définition Nature de la variable Prix de vente hors frais d’agence et Quantitative de notaire Caractéristiques intrinsèques de la maison Nombre de pièces à vivre de la Quantitative maison = 1 si il existe une ou plusieurs dépendances à la maison Qualitative (constructions élevées « en dur » binaire indépendantes de la maison : chai, atelier), 0 sinon = 1 si la maison est équipée de deux Qualitative salles de bain ou plus, 0 sinon binaire Surface de terrain de la maison (en Quantitative m²) = 1 si la maison est neuve (moins de Qualitative 5 ans), 0 sinon binaire Caractéristiques extrinsèques de la maison Taxe d’habitation (en %) de la commune d’appartenance de Quantitative l’habitation Taxe foncière (en %) de la commune Quantitative d’appartenance de l’habitation Montant du revenu fiscal moyen de Quantitative la commune (en €) % de personnes imposables dans la Quantitative commune où se situe la maison Distance de l’habitation à la zone Z1 Quantitative (en mètre) Distance de l’habitation à l’autoroute Quantitative (en mètre) Distance de l’habitation à la route principale : les routes nationales en Quantitative milieu rural, les boulevards en ville (en mètre) Distance de l’habitation à la route Quantitative mineure : les autres types de route (en mètre) Distance de l’habitation à la mairie Quantitative d’appartenance (en m) = 1 si l’habitation se situe dans la Qualitative zone PPI, 0 sinon binaire Distance de l’habitation à la Seine Quantitative (en mètre) =1 si l’habitation est sur la rive Qualitative gauche de la Seine, 0 sinon binaire Distance de l’habitation à l’espace de Quantitative jeux le plus proche (en mètre) Source Moyenne PERVAL 81 458 PERVAL 4,6 PERVAL 0,315 PERVAL 0,130 PERVAL 883 PERVAL 0,037 DGI 16,7 DGI 39,8 DGI 14 000 DGI 0,516 PERVAL + SIG PERVAL + SIG 1 852 6 216 PERVAL + SIG 721 PERVAL+ SIG 95 PERVAL + SIG PERVAL + SIG PERVAL + SIG PERVAL + SIG PERVAL + SIG 906 0,065 4 291 0,074 877 17 A_COUPLE A_ORIGIN AGE_ACH A_SEXE A_PCS1 A_PCS2 A_PCS3 A_PCS4 A_PCS5 A_PCS6 A_PCS7 A_PCS8 V_UNIQ V_PCS1 V_PCS2 V_PCS3 V_PCS4 V_PCS5 V_PCS6 V_PCS7 V_PCS8 V_COUPLE Caractéristiques des acheteurs =1 si l’acheteur vit en couple (marié, Qualitative pacsé, concubin), 0 sinon (célibataire, veuf(ve) vivant seul(e), binaire divorcé(e) vivant seul(e)) =1 si l’acheteur est domicilié dans le Qualitative même département que celui de la binaire maison achetée, 0 sinon Age de l’acheteur pour l’année Quantitative d’étude considérée =1 si la personne de référence pour le Qualitative ménage acquéreur est un homme, 0 binaire sinon =1 si l’acheteur est agriculteur Qualitative exploitant, 0 sinon binaire =1 si l’acheteur est soit artisan, soit Qualitative commerçant, soit chef d'entreprise, 0 binaire sinon = 1 si l’acheteur est soit cadre, soit Qualitative exerce une profession intellectuelle binaire supérieure = 1 si l’acheteur exerce une Qualitative profession intermédiaire, 0 sinon binaire Qualitative = 1 si l’acheteur est employé, 0 sinon binaire Qualitative = 1 si l’acheteur est ouvrier, 0 sinon binaire = 1 si l’acheteur est un inactif ayant Qualitative déjà travaillé, 0 sinon binaire = 1 est sans activité professionnelle, Qualitative 0 sinon binaire Caractéristiques des vendeurs =1 si la maison n’est pas en Qualitative indivision, 0 sinon binaire = 1 si le vendeur est agriculteur Qualitative exploitant, 0 sinon binaire = 1 si le vendeur est soit artisan, soit Qualitative commerçant, soit chef d'entreprise, 0 binaire sinon = 1 si le vendeur est soit cadre, soit Qualitative exerce une profession intellectuelle binaire supérieure = 1 si le vendeur exerce une Qualitative profession intermédiaire, 0 sinon binaire Qualitative =1 si le vendeur est employé, 0 sinon binaire =1 si le vendeur est ouvrier, 0 sinon Qualitative binaire =1 si le vendeur est un inactif ayant Qualitative déjà travaillé, 0 sinon binaire =1 si le vendeur est sans activité Qualitative professionnelle, 0 sinon binaire =1 si les vendeurs vivent en couple Qualitative (mariés, pacsés, concubins), 0 sinon binaire PERVAL 0,648 PERVAL 0,916 PERVAL 41 PERVAL 0,870 PERVAL 0,011 PERVAL 0,033 PERVAL 0,110 PERVAL 0,285 PERVAL 0,143 PERVAL 0,363 PERVAL 0,055 PERVAL 0,000 PERVAL 0,779 PERVAL 0,000 PERVAL 0,044 PERVAL 0,044 PERVAL 0,168 PERVAL 0,133 PERVAL 0,222 PERVAL 0,322 PERVAL 0,067 PERVAL 0,692 18 V_SEXE AGE_VEND MOIS1 MOIS2 MOIS3 MOIS4 MOIS5 MOIS6 MOIS7 MOIS8 MOIS9 MOIS10 MOIS11 MOIS12 Com_281 Com_329 Com_384 Com_476 Com_485 Com_499 Com_518 Com_577 Com_592 =1 si le vendeur est un homme, 0 Qualitative sinon binaire Age du vendeur Quantitative =1 si la vente est réalisée en janvier, Qualitative 0 sinon binaire Période de vente = 1 si la vente est réalisée en février, Qualitative 0 sinon binaire = 1 si la vente est réalisée en mars, 0 Qualitative sinon binaire =1 si la vente est réalisée en avril, 0 Qualitative sinon binaire =1 si la vente est réalisée en mai, 0 Qualitative sinon binaire =1 si la vente est réalisée en juin, 0 Qualitative sinon binaire = 1 si la vente est réalisée en juillet, Qualitative 0 sinon binaire =1 si la vente est réalisée en août, 0 Qualitative sinon binaire = 1 si la vente est réalisée en Qualitative septembre, 0 sinon binaire =1 si la vente est réalisée en octobre, Qualitative 0 sinon binaire =1 si la vente est réalisée en Qualitative novembre, 0 sinon binaire = 1 si la vente est réalisée en Qualitative décembre, 0 sinon binaire Communes analysées = 1 si la maison se situe dans la ville Qualitative de La-Frenaye, 0 sinon binaire =1 si la maison se situe dans la ville Qualitative de Gruchet-le-Valasse, 0 sinon binaire =1 si la maison se situe dans la ville Qualitative de Lillebonne, 0 sinon binaire = 1 si la maison se situe dans la ville Qualitative de Notre-Dame-de-Gravenchon, 0 binaire sinon =1 si la maison se situe dans la ville Qualitative de Quillebeuf-sur-Seine, 0 sinon binaire =1 si la maison se situe dans la ville Qualitative de Petiville, 0 sinon binaire =1 si la maison se situe dans la ville Qualitative de Saint Aubin-sur-Quillebeuf, 0 binaire sinon = 1 si la maison se situe dans la ville Qualitative de Sainte-Opportune-la-Mare, 0 binaire sinon =1 si la maison se situe dans la ville Qualitative de Saint-Jean-de-Folleville, 0 sinon binaire PERVAL 0,721 PERVAL 53 PERVAL 0,106 PERVAL 0,029 PERVAL 0,086 PERVAL 0,048 PERVAL 0,077 PERVAL 0,096 PERVAL 0,136 PERVAL 0,106 PERVAL 0,096 PERVAL 0,038 PERVAL 0,086 PERVAL 0,096 PERVAL 0,092 PERVAL 0,009 PERVAL 0,612 PERVAL 0,018 PERVAL 0,037 PERVAL 0,092 PERVAL 0,019 PERVAL 0,019 PERVAL 0,102 19 Annexe 3 : Analyse des corrélations des variables explicatives du modèle de sélection (VACANT=1) NBPIECE PART_IMPO V_COUPLE V_SEXE V_PCS6 V_PCS8 UNIQ_V MOIS6 MOIS8 MOIS11 NBPIECE PART_IMPO 1,00 0,27 0,27 1,00 0,25 0,01 0,30 0,08 0,06 0,05 - 0,11 - 0,26 0,19 0,03 0,10 - 0,01 0,02 0,13 - 0,09 - 0,22 V_COUPLE 0,25 0,01 1,00 0,65 0,10 - 0,12 0,60 0,15 0,03 - 0,24 V_SEXE 0,30 0,08 0,65 1,00 0,27 - 0,43 0,55 0,06 - 0,13 - 0,11 V_PCS6 0,06 0,05 0,10 0,27 1,00 - 0,14 0,01 - 0,06 - 0,19 - 0,06 V_PCS8 - 0,11 - 0,26 - 0,12 - 0,43 - 0,14 1,00 - 0,19 0,09 - 0,09 0,26 UNIQ_V 0,19 0,03 0,60 0,55 0,01 - 0,19 1,00 0,10 - 0,04 - 0,33 MOIS6 0,10 - 0,01 0,15 0,06 - 0,06 0,09 0,10 1,00 - 0,11 - 0,10 MOIS8 0,02 0,13 0,03 - 0,13 - 0,19 - 0,09 - 0,04 - 0,11 1,00 - 0,11 MOIS11 - 0,09 - 0,22 - 0,24 - 0,11 - 0,06 0,26 - 0,33 - 0,10 - 0,11 1,00 20 Annexe 4 : Tableaux de corrélations entre les différentes caractéristiques des maisons NBPIECE SDB_2PL SRF_TER ON_DEPEN TYP_NA TAXE_HAB TAXE_FONC REVFISCO IN_PPI PROX_VER DIST_RTE_P DIST_AUTOR DIST_RTE_M NBPIECE SDB_2PL SRF_TER ON_DEPEN TYP_NA TAXE_HAB TAXE_FONC REVFISCO IN_PPI PROX_VER DIST_RTE_P DIST_AUTOR DIST_RTE_M DIST_Z1 DIST_JEUX DIST_MAIR DIST_SEINE 1,00 0,36 0,42 - 0,04 0,22 - 0,04 - 0,21 0,26 0,03 0,00 - 0,02 0,00 0,13 0,12 0,25 0,13 0,03 0,36 1,00 0,34 0,09 0,07 0,04 - 0,07 0,06 0,01 0,10 - 0,08 0,03 0,05 0,12 0,11 0,18 0,09 0,42 0,34 1,00 0,21 0,11 - 0,28 - 0,63 0,57 - 0,02 0,19 - 0,22 - 0,27 0,33 0,21 0,48 0,41 - 0,20 - 0,04 0,09 0,21 1,00 - 0,03 - 0,13 - 0,05 - 0,06 - 0,02 0,04 - 0,03 - 0,16 - 0,09 - 0,03 0,08 0,09 - 0,13 DIST_Z1 DIST_JEUX DIST_MAIR DIST_SEINE NBPIECE SDB_2PL SRF_TER ON_DEPEN TYP_NA TAXE_HAB TAXE_FONC REVFISCO IN_PPI PROX_VER DIST_RTE_P DIST_AUTOR DIST_RTE_M DIST_Z1 DIST_JEUX DIST_MAIR DIST_SEINE 0,12 0,12 0,21 - 0,03 0,01 0,06 - 0,13 0,35 - 0,42 - 0,18 0,32 0,65 0,08 1,00 0,16 0,25 0,70 0,25 0,11 0,48 0,08 0,06 - 0,38 - 0,31 0,26 0,00 0,07 - 0,14 - 0,16 0,35 0,16 1,00 0,61 -0,06 0,13 0,18 0,41 0,09 0,02 - 0,18 - 0,20 0,28 - 0,03 - 0,03 0,13 0,04 0,19 0,25 0,61 1,00 0,13 0,22 0,07 0,11 - 0,03 1,00 - 0,17 - 0,14 0,18 - 0,05 - 0,06 - 0,22 - 0,01 0,06 0,01 0,06 0,02 - 0,04 - 0,04 0,04 - 0,28 - 0,13 - 0,17 1,00 0,54 - 0,32 0,18 0,04 0,10 0,52 - 0,24 0,06 - 0,38 - 0,18 0,42 - 0,21 - 0,07 - 0,63 - 0,05 - 0,14 0,54 1,00 - 0,79 - 0,09 - 0,31 0,08 0,48 - 0,28 - 0,13 - 0,31 - 0,20 0,34 0,26 0,06 0,57 - 0,06 0,18 - 0,32 - 0,79 1,00 - 0,29 - 0,18 - 0,04 - 0,06 0,30 0,35 0,26 0,28 0,04 0,03 0,01 - 0,02 - 0,02 - 0,05 0,18 - 0,09 - 0,29 1,00 0,50 - 0,13 - 0,34 - 0,18 - 0,42 0,00 - 0,03 - 0,28 0,00 0,10 0,19 0,04 - 0,06 0,04 - 0,31 - 0,18 0,50 1,00 - 0,16 - 0,45 - 0,03 - 0,18 0,07 - 0,03 - 0,44 - 0,02 - 0,08 - 0,22 - 0,03 - 0,22 0,10 0,08 - 0,04 - 0,13 - 0,16 1,00 0,33 0,05 0,32 - 0,14 0,13 0,42 0,00 0,03 - 0,27 - 0,16 - 0,01 0,52 0,48 - 0,06 - 0,34 - 0,45 0,33 1,00 - 0,10 0,65 - 0,16 0,04 0,94 0,13 0,05 0,33 - 0,09 0,06 - 0,24 - 0,28 0,30 - 0,18 - 0,03 0,05 - 0,10 1,00 0,08 0,35 0,19 - 0,05 . 0,03 0,09 - 0,20 - 0,13 - 0,04 0,42 0,34 0,04 - 0,28 - 0,44 0,42 0,94 - 0,05 0,70 - 0,06 0,13 1,00 21 Annexe 5: Prise en compte de l’hétérogénéité spatiale dans la fonction de prix hédonistes Afin de prendre en compte l’hétérogénéité spatiale dans la fonction de prix hédonistes, les prix des maisons (PRIX_TTC) sont régressés par rapport aux variables indicatrices correspondant aux différentes communes d’appartenance en choisissant la ville de Quillebeufsur-Seine (Com_485) comme référence. Variables explicatives Constante Com_281 Com_329 Com_384 Com_476 Com_499 Com_518 Com_577 Com_592 R² Coefficient t-student Significativité 54 120 2,424 0,017 **53 510 2,025 0,046 34 301 0,687 0,494 21 327 0,927 0,356 24 392 0,631 0,530 31 374 1,188 0,238 22 868 0,591 0,556 *69 288 1,792 0,076 38 980 1,495 0,138 0,08 *** significatif au seuil de 1 %, ** significatif au seuil de 5 %, * significatif au seuil de 10 % 22 Annexe 6: Présentation des variables utilisées lors de la procédure de sélection du modèle hédoniste Codification NBPIECE SRF_TER SDB_2PL ON_DEPEN TYP_NA TAXE_HAB DIST_RTE_P DIST_RTE_M DIST_MAIR IN_PPI NBPIECE_281 SRFTER_281 DISTRTEP_281 DISTRTEM_281 DISTMAIR_281 NBPIECE. Φ SRF_TER. Φ SDB_2PL. Φ ON_DEPEN. Φ TYP_NA. Φ TAXE_HAB. Φ DIST_RTE_P. Φ DIST_RTE_M. Φ DIST_MAIR. Φ IN_PPI. Φ NBPIECE_281. Φ SRFTER_281. Φ DISTRTEP_281. Φ DISTRTEM_281. Φ DISTMAIR_281. Φ Φ ϕ Définition Variables correspondant aux différentes caractéristiques des maisons (cf. annexe 2) Variables permettant de prendre en compte l’hétérogénéité spatiale existant entre les prix des maisons de la zone de Port Jérôme Variables permettant de déterminer et de mesurer un éventuel impact de la vacance des maisons sur les différents prix implicites des caractéristiques de ces dernières Variable permettant de déterminer et de mesurer un éventuel impact de la vacance des maisons sur la constante Variable permettant de déterminer s’il existe ou non un biais d’auto-sélection sur les variables explicatives non observées 23