Search

International audience; De prime abord, on pourrait penser que la valeur moyenne des biens, au moment des transactions qui lesfont passer d'un propriétaire à un autre, est a priori insensible à l'échantillon considéré (i.e. du quartier) danslequel cette opération se réalise. En effet, cette moyenne est celle qui est utilisée par les opérateursd'évaluation et de diffusion des prix fonciers, comme meilleurs-taux.com. A ce titre, elle devrait être fiable etindépendante de l'échelle ou de la taille de l'échantillon considéré. Concrètement, cette estimation numérique et aujourd'hui cartographique a un impact non négligeable sur l'offre et la demande et sur leur relation, fixénotamment par le prix de transaction. Cela est d'autant plus vrai qu'aujourd'hui les évaluations de biens enligne ont un poids très important dans l'aide ç la décision, comparées aux évaluations des agents immobiliersou des experts fonciers, qui pourtant, connaissent souvent parfaitement les caractéristiques locales desbiens en vente.Pourtant, la moyenne estimée des valeurs foncières est sensible à plusieurs éléments.D'une part, à cause du problème écologique d'agrégation des données, les petits échantillons, donc lesquartiers contenant peu d'habitations, c'est-à-dire soit les grands quartiers composés de peu de grandespropriétés foncières, ou bien des petits quartiers relativement peu denses, sont structurellement plussensibles à un calcul basé sur la moyenne. Cela est dû au fait que la moyenne n'est pas robuste, qu'elle esttrès sensible aux valeurs extrêmes et qu'elle possède un point d'effondrement nul, c'est-à-dire qu'il suffit demodifier légèrement une valeur qui n'est pas localisée sur la moyenne elle-même, pour obtenir unemodification de celle-ci. Une autre façon de décrire cette propriété de non robustesse est de construire unefonction d'influence, que l'on notera linéaire, en simulant l'arrivée progressive dans le paquet de donnéesobservées d'une valeur esseulée et de mesurer son impact sur la moyenne. D'autre part, notons quel'homogénéité des quartiers influence fortement la robustesse de cette valeur centrale qu'est la moyenne. Etqui dit homogénéité, dit, de façon duale, variabilité.La variabilité est souvent décrite par la variance. Cette variance, basée sur un écart à la moyenne, qui plusest, élevée au carré, est en conséquence très peu robuste, et ce même si on la divise par la moyenne pourobtenir un coefficient de variation. De plus, il existe deux types de variance : l'une sans biais et l'autre avecbiais. Les deux sont utilisées dans la littérature sans qu'aucune précision ne soit fournie lors de leur usage.Or, elles ont des propriétés bien différentes et, notamment, sur les petits échantillons dont nous venons deparler ci-dessus, elles peuvent produire des écarts d'estimation très sensibles. On peut se demander alorsquel est l'impact de ces écarts d'estimation sur l'évaluation des prix des biens immobiliers et, par ricochet, surles niveaux financiers des transactions observées.Enfin, si des différences de taille d'échantillon peuvent logiquement apparaître à un niveau d'échelle donné,les découpages administratifs induisent d'autres niveaux d'agrégation qui impactent de manière encore plusforte la taille des échantillons et, en conséquence, la robustesse des indicateurs statistiques produits. Ainsi,selon que l'on considère les quartiers, les communes, les cantons où les arrondissements, les résultatsstatistiques des moyennes et des variances subissent un effet mécanique écrasant, lié à la loi des grandsnombres. À l'inverse, il règne une certaine incertitude dans les grandes échelles (c'est-à-dire les petitséchantillons), d'autant plus forte que l'échantillon est petit et peu homogène, comme nous l'avons mentionnéci-avant. C'est toute la problématique de l'agrégation des données spatiales ou du "Modifiable Areal UnitProblem", problème bien connu lié à l'agrégation des données spatiales. Il se traduit par un lien dedépendance entre l'échelle (à savoir la quantité d'information géographique embrassée dans un échantillon)et la statistique spatiale qui y est associée.Ces différents calculs numériques (essentiellement moyenne et variance) sont appliqués à des donnéesobservées en Provence Alpes Côte d'Azur. Nous les mettons à l'épreuve, en termes de sensibilité et derobustesse, à l'aide d'une approche exploratoire interactive. Nous analysons leur comportement respectifselon les différentes l'échelles, en intégrant le biais statistiques, mais également des connaissances plusthématiques sur les effets de quartier (homogénéité, taille, composition et organisation spatiales). Lesrésultats sont analysés et discutés, afin de déterminer l'impact de la métrique utilisée sur les variations desestimations et de proposer des pistes pour des solutions plus robustes.

The big data era facilitates the use of new online data sources in both academic and professional fields: In real estate, for instance, private Web data such as online property price estimates have...

International audience; Mediterranean coastlines are undergoing a strong process of urbanization due not only to demographic growth, but also to the development of tourism. Moreover, municipalities have become more dependent on residential tax income, which creates a vicious circle for local urban planning. The Var department, in south-eastern France, can be considered as a relevaznt example of these dynamics, where residential urban sprawl is threatening existing vacant lands. At the same time, most of these territories still have a high natural value and agricultural potential. In this paper, we describe our inventory of vacant lands on a large territory (two intermunicipalities, which include 24 municipalities) at parcel scale, to give an innovative assessment of this phenomenon. We investigated non-residential development possibilities for existing vacant lands through possible pathways for sustainable planning projects. In particular, the impacts of increases in agricultural spaces were explored in the normative scenarios and were measured through socio-economic indexes. This work shows that there is still a large amount of vacant land (23.5% and 37% respectively for the two case studies) with different opportunities for agricultural valorization. It had to be taken into account that these lands are often on the fringe of urban areas, where the urbanization process is stronger. The possible alternative scenarios suggested here can be used as examples for policy makers, to encourage a different point of view regarding land use planning.

Le fichier DVF (« Demande de Valeurs Foncières ») est produit par la DGFIP et propose pour l’intégralité des transactions foncières et immobilières en France des informations désagrégées sur les biens mutés, leurs conditions de vente et leurs acquéreurs. Depuis le 24 avril 2019, des versions simplifiées de DVF sont librement ouvertes au téléchargement. Il convient néanmoins d’utiliser ces fichiers avec précaution, la disparition de certaines variables originellement présentes dans les fichiers DGFIP limitant fortement leur utilisation pour la recherche académique. Finalement, il apparaît que la mise en ligne des données favorise plus l’estimation immobilière privée que les chercheurs. The DVF datafiles (« Demande de Valeurs Foncières » in French, « Real Estate Transaction Datafiles » in English) contain disaggregated information on every French real estate transaction (housing attributes, legal regime of the sale, buyers). The DVF datafiles are produced by the Central State tax services and have been available online since April 2019. However, such open DVF datafiles should be used with caution due to the lack of important variables. Finally, open DVF datafiles were primarily developed for private use (e.g. real estate price estimates) and not for academic purposes.

While they are sharing the same initial data source, the two main datasets on real estate prices in France (Dvf and Perval) differ substantially from one another. They are not designed to address similar issues and are therefore different in their structure and content. This means that, potentially at least, these differences may impact the usability and the conclusions that can be drawn from these databases. In this research note, we point out how the data generation processes make it necesseary to take precautions in using these data. To do this, we use Dvf and Perval datasets on the urban area of Avignon (France) for 2014, that comprise 64 municipalities and the selling of 4500 real estate properties.

La modélisation graphique de scénarios prospectifs développés dans le programme Territoire durable 2030 piloté par le Ministère de l’Écologie, du Développement Durable et de l’énergie (MEDDE) a été l’occasion d’interroger l’ajustement de la méthode aux besoins de la prospective. L’enjeu réside dans l’exploration des modes de représentation de deux thématiques difficile à appréhender par la méthode et qui sont pourtant devenues décisives dans la compréhension de l’évolution des territoires du fait de la généralisation du référentiel de développement durable : l’environnement et la gouvernance. The graphic modeling of prospective scenarios developed under the Sustainable Territory 2030 program – developed by the Ministry of Ecology, Sustainable Development and Energy – offered an opportunity to examine the adjustment of the method to the needs of prospective representation. The challenge was to experiment new ways to represent two topics that are difficult to grasp with the method; but which have become decisive in the understanding of territorial evolution due to the generalization of the reference base for sustainable development: the environment and governance. El programa de Sostenibilidad Territorial 2030, coordinado por el Ministerio de Ecología, Desarrollo Sostenible y Energía (MEDDE), ha servido de plataforma para afinar y desarrollar modelos gráficos para escenarios prospectivos. El reto consistió en explorar nuevos modos para representar el medioambiente y la gobernanza, cruciales para comprender la evolución de los territorios y el desarrollo sostenible.

Cet article présente et éprouve à travers l’exemple de l’évolution des espaces urbains, une grille chorématique conçue pour modéliser les dynamiques spatiales (deux cas possibles sont déclinés pour exemple). Celles-ci opèrent la transition entre la situation de la France observée en 2010 et celles projetées en 2030, étudiées dans les trois scénarios Territoire Durable 2030 du Ministère de l’Écologie, du Développement Durable et de l’Energie (MEDDE). Les besoins de modélisation des dynamiques en prospective y sont discutés. Using the evolution of urban spaces, this paper surveys and investigates a grid of “chorèmes” (elementary graphic structures) developed for the modelling of spatial dynamics (two case studies are presented). These dynamics span the transition from France’s 2010 status to its projected 2030 status, as studied in the three scenarios presented by the Ministry of Ecology, Sustainable Development and Energy’s program: Sustainable Territory 2030. The article discusses the needs for modelling prospective dynamics. A través de dos ejemplos sobre la evolución de los espacios urbanos, este artículo prueba un conjunto de coremas que modelizan la dinámica espacial. Con ellos se visualiza la transición de Francia entre 2010 y sus proyecciones para 2030. Se realiza para los tres escenarios propuestos en el proyecto Territorio Sostenible 2030 del Ministerio de Ecología, Desarrollo Sostenible y Energía (MEDDE). Esto supone un debate metodológico sobre la necesidad de modelizar la dinámica prospectiva.