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