1Des travaux récents ont démontré l’intérêt de proposer des géographies du marché immobilier à partir de bases de données spatiales et temporelles, qui permettent d’avancer des processus et des mécanismes explicatifs des tendances socio-spatiales qui animent les villes et les sociétés contemporaines (Le Goix et al., 2020 ; Migozzi, 2019 ; Le Corre, 2019 ; Arundel, Hochstenbach, 2020).
- 1 Aucune information sur le marché locatif n’est disponible dans la base CASSMIR.
2En France, les sources d’informations sur les marchés immobiliers sont nombreuses (Coulondre, 2018). Toutefois, l’accès aux données est souvent restreint pour des raisons d’hétérogénéité des sources, de confidentialité et de propriété de la donnée, des raisons financières ou des raisons techniques pour traiter des données individuelles (Casanova et al., 2017 ; Casanova, Enault, Boulay, Coulon, 2019). Réalisée dans le cadre de l’ANR WIsDHoM, projet de recherche sur les inégalités et les marchés immobiliers (Le Goix et al., 2020), la base de données CASSMIR (Contribution à l’Analyse Spatiale et Sociologique des Marchés Immobiliers Résidentiels) a pour objectif de lever ces contraintes en mettant à disposition, pour la communauté scientifique, une base de données sur le marché immobilier du logement à la propriété1 en Île-de-France, directement accessible et prête à être exploitée. Les données CASSMIR fournissent ainsi une photographie des dynamiques géographiques et sociologiques du marché immobilier, à partir d'une série d'indicateurs qui évaluent annuellement les différenciations spatiales, à plusieurs niveaux scalaires, et les différenciations entre des groupes de population d'acquéreurs et de vendeurs. L'aire d'étude concerne la région Île-de-France, délimitée par son périmètre administratif. La temporalité de l'étude s'étend de 1996 à 2018.
- 2 À cela s’ajoute un fichier de métadonnées (.csv) qui liste les variables, informe la source d’origi (...)
3Déposée en libre accès pour un usage non commercial sur l’entrepôt de données Zenodo, la base de données CASSMIR est structurée en deux fichiers2. Un premier fichier livre des indicateurs agrégés par unités spatiales dans un format géospatial (geopackage). Un second fichier correspond à des données agrégées par groupes de population, diffusé en format tabulaire (.csv). Les sorties géospatiales (ensemble de couches vectorielles) se déclinent en trois références spatiales : à la commune, au carroyage Insee 1 Km et au carroyage Insee 200 m. Chaque référence spatiale intègre des informations sur le marché immobilier, contenues dans les échantillons sources de données individuelles qui décrivent les unités spatiales. Les sorties tabulaires ont une référence géographique régionale (région Île-de-France) et décrivent la sociologie des groupes de population d’acquéreurs et de vendeurs définis selon un critère social (par Catégories Socio-Professionnelles), générationnel (par tranches d’âge) et par genre (figure 1).
4La construction des indicateurs de la base CASSMIR se fonde sur une structure d’attributs qui se décline en "quatre champs d’investigation thématiques" : les prix, le profil socio-démographique des acquéreurs et des vendeurs, les régimes d’achat et types de mutation des biens et, enfin, les types de biens immobiliers. Chaque indicateur de la base qui caractérise les unités spatiales et les groupes de population entre dans un de ces champs.
5L'approche adoptée repose sur de l'agrégation de données individuelles pour caractériser des unités d'analyses géographiques (unités spatiales) et sociologiques (groupes de population). Ces données individuelles sont constituées par deux sources de données : la Base d’Informations Économiques Notariales (BIEN) de la Chambre des Notaires de Paris et d’Île-de-France, commercialisée par l’association Paris Notaires Services (PNS), et la base Prêt à Taux Zéro (PTZ) de la Société de Gestion des Financements et de la Garantie de l’Accession Sociale à la propriété (SGFGAS).
Figure 1 : Schéma conceptuel de la BD CASSMIR
Le Corre, 2021
6L'objectif de l'article vise, dans un premier temps, à renseigner les sources de données individuelles, la sélection de leurs attributs et leur préparation. Un second temps est consacré à la restitution des méthodes d'agrégation des données individuelles à des unités spatiales et à des groupes de population. Afin que l'intégralité du travail soit reproductible, une troisième partie expose une démarche qui met à disposition un échantillon test des données sources individuelles, qui sont anonymisées et peuvent être utilisées pour reproduire l’ensemble des traitements à partir des codes sources disponibles. Enfin, à partir d'une exploration de la base CASSMIR, une quatrième partie montre l’utilité des données par leurs potentialités à s'inscrire dans différents champs thématiques de la recherche sur les marchés immobiliers.
7La base CASSMIR repose sur la collecte et le traitement de deux tables de données individuelles, qui sont des échantillons de bases de données sur le marché qui ne sont pas libres d’accès : la Base BIEN et la base PTZ. Ces données sources sont mises à disposition par les services producteurs respectifs, dans le cadre de conventions qui autorisent l’utilisation et le traitement des données à des fins de recherche scientifique. Elles ont été sélectionnées car elles offrent plus de possibilités d’étudier le marché immobilier que d’autres sources existantes.
8Chacune de ces sources concerne des opérations immobilières mais, bien qu’elles se recoupent nécessairement en partie, les populations ne sont pas identiques (tableau 1). Les données issues de la base BIEN recouvrent tous les types de transactions de logements de gré à gré en Île-de-France, mais la base n’est pas totalement exhaustive. Les données de la base PTZ sont considérées comme exhaustives, mais les opérations immobilières sont spécifiques aux seules acquisitions réalisées dans le cadre du dispositif d’aide à l’accession, qui bénéficient majoritairement à des ménages aux ressources limitées. L'appariement déterministe par sémantique n'est pas permis car il n’y a pas d’informations d’identification communes qui servent de relation entre les individus des deux tables.
Tableau 1 : Les sources de données de la BD CASSMIR
Source
|
Couverture spatiale
|
Couverture temporelle
|
Unité d'observation
|
Information géographique de l'observation
|
Nombre d'attributs (variables)
|
Particularité de l'échantillon réceptionné
|
Accessibilité et conditions d'utilisation de la donnée
|
Échantillon BIEN
|
Région Île-de-France
|
1996, 1999, 2003-2012, 2015, 2018
|
Transaction immobilière
|
Adresse
|
95
|
50 % des observations de la base BIEN dans les communes de plus de 10 000 habitants en 2011
|
Accès restreint Information statistique agrégée composée par 5 individus minimum.
|
Échantillon PTZ
|
France métropolitaine
|
1995-2016
|
Opération de financement PTZ
|
Commune
|
162
|
Aucune
|
Accès restreint.
Préconisations d'utilisation établies par le producteur de données
|
Le Corre, 2021
- 3 Il s’agit du fichier Demande de valeurs foncières (DVF), géré par la Direction générale des finance (...)
9La base BIEN de la Chambre des notaires est une source d’informations multiples sur les transactions immobilières en Île-de-France. Avec son équivalent régional PERVAL, la base BIEN est une des bases les plus complètes et représentatives des marchés immobiliers et fonciers en France métropolitaine (Gaschet, Pouyanne, 2011). En France, en dehors des données jusqu’alors restreintes de l’administration publique3, aucune base de données immobilières et foncières exploitable ne prétend à l’exhaustivité (Casanova et al., 2017). La base BIEN recense environ 80 % de l'ensemble des transactions du marché parisien et des départements limitrophes, et entre 60 et 80 % pour les autres départements. Généralisée à l’ensemble des études notariales franciliennes depuis 1996, la collecte des données a lieu lors d’une transaction sur un bien foncier ou immobilier.
10L’échantillon réceptionné concerne uniquement des transactions immobilières pour deux types de biens : les appartements et les maisons individuelles. Il se présente sous une forme de tableau de renseignements élémentaires (table de données) de 1 113 795 transactions immobilières de 1996 à 2018. En termes de formalisation, chaque ligne de la table correspond à une transaction avec son propre identifiant. Chaque transaction est caractérisée par 95 variables distinctes qui renseignent, entre autres, le prix de la transaction, le type de bien immobilier, diverses informations sur les acquéreurs et les vendeurs, le lieu et le moment de la transaction.
11L’échantillon réceptionné a la particularité d'être composé d’une sélection aléatoire de 50 % des transactions annuelles pour toutes les communes de plus de 10 000 habitants en 2011 (selon les données de la population légale). Pour les communes de moins de 10 000 habitants, toutes les transactions recensées dans la base de données BIEN se retrouvent dans l’échantillon. La couverture spatiale de l'échantillon est l'ensemble de la région Île-de-France et la granularité de l'information géographique est à l'adresse du bien soumis à la transaction, avec coordonnées X, Y. D'un point de vue temporel, l'échantillon à disposition est composé des transactions pour les années 1996, 1999, 2003 à 2012 en continu, 2015 et 2018.
12Les données de la base PTZ sont issues d’un recensement sur les achats immobiliers financés par des prêts à taux zéro (PTZ). La base emprunte le nom au dispositif d'aide à l'accession (le PTZ), qui permet à des ménages, principalement non propriétaires et situés sous un certain seuil de revenu, de disposer d’un prêt sans intérêt en complément d'un prêt principal pour financer l'achat d'un bien. D’abord réservé à l’acquisition de logements neufs, il est étendu au secteur ancien en 2005 et constitue depuis l’un des principaux postes des aides publiques accordées sous forme de taux avantageux (Le Brun, 2020). La mention "PTZ" est une simplification de la nomenclature des aides à l'accession à la propriété au gré des évolutions du dispositif. De 2005 à 2010, le PTZ est renommé NPTZ et à partir de 2011, il devient le PTZ+.
13Les organismes de crédit ont la charge de transmettre à la SGFGAS les informations sur les opérations (achats d’un bien immobilier) financées avec un prêt complémentaire PTZ. Les données sont transmises à la SGFGAS par les organismes de crédits qui distribuent le PTZ dans le cadre d’une convention avec l’État et la SGFGAS.
- 4 La base de données du fichier Prêts à Taux Zéro (PTZ) a été gracieusement mise à disposition par la (...)
14La table de données réceptionnée4est riche (162 variables, 3 millions de lignes et une couverture spatiale sur la France métropolitaine). Il n’y a pas de document de métadonnées qui accompagne la base. Toutefois, un dictionnaire complet des données PTZ est disponible.
15Outre les informations sur les prêts complémentaires, les données renseignent également les modalités d’accès et les caractéristiques des prêts principaux pour le financement d’une opération : montant du (des) crédit(s) principal(aux), taux d’intérêts, durée du (des) crédit(s), montant des mensualités, etc. En outre, de nombreuses caractéristiques de l’emprunteur sont détaillées : âge, catégorie socio-professionnelle d’appartenance, revenus, composition familiale ; des informations sur les opérations : prix d’achat total du bien, type d’opération, etc. Enfin, la couverture spatiale de l'échantillon réceptionné est la France métropolitaine et la granularité la plus fine de l'information géographique est la commune d’appartenance du bien immobilier acheté avec un prêt PTZ. La couverture temporelle de l'échantillon va de 1995 à 2016.
16Les deux tables de données réceptionnées contiennent des informations individuelles spatiales et temporelles suffisamment étoffées pour construire des indicateurs agrégés variés qui donnent l’occasion de saisir les dynamiques du marché immobilier résidentiel à la propriété.
17Avant de construire des indicateurs agrégés, les données individuelles sont préparées à partir d'une sélection d'attributs (sélection des colonnes des échantillons) et d'étapes successives qui nettoient les données individuelles des deux échantillons (sélection des lignes des échantillons).
18Les individus de chacune des deux sources de données possèdent des attributs (variables). La sélection des variables tient compte d'une réflexion sur les quatre champs d’investigation thématiques présentés dans la dernière partie de l'article : les prix, le profil socio-démographique des acquéreurs et vendeurs, les régimes d’achat et les types de mutation des biens ainsi que les types de biens immobiliers. Les attributs disponibles qui sont jugés les plus pertinents sont sélectionnés pour composer les champs d'investigation thématiques et, ainsi, caractériser les unités spatiales et les groupes de population de la base CASSMIR selon leurs modalités possibles.
19Au final, 27 attributs issus de l'échantillon de la base BIEN et 19 issus de l'échantillon de la base PTZ sont retenus. Certains attributs sont issus de recompositions par des traitements sur les informations d'origine. Par ailleurs, en ce qui concerne les attributs d’origine sur les séries discrètes, les valeurs possibles correspondent majoritairement à des informations retravaillées. La destination de ces attributs dans la base CASSMIR n'est pas forcément identique : certains d'entre eux peuvent, par exemple, servir à caractériser les unités spatiales, alors que d'autres sont utilisés uniquement pour caractériser les groupes de population (tableaux 2 à 5).
Tableau 2 : Attributs sélectionnés sur les prix
Attributs des données individuelles
|
Valeurs possibles
|
Source BIEN
|
Source PTZ
|
Utilisé pour caractériser les groupes de population
|
Utilisé pour caractériser les unités spatiales
|
Prix nominal
|
Série continue
|
Oui. Prix net vendeur.
|
Oui. Montant de l'opération ttc.
|
Oui
|
Oui
|
Prix au m²
|
Série continue
|
Oui. Prix au m² net vendeur.
|
Non
|
Oui
|
Oui
|
Le Corre, 2021
Tableau 3 : Attributs sur les caractéristiques socio-démographiques des acquéreurs-vendeurs
Attributs des données individuelles
|
Valeurs possibles
|
Source BIEN
|
Source PTZ
|
Disponibilité CASSMIR attributs Population
|
Disponibilité CASSMIR attributs unités spatiales
|
Nature des acquéreurs
|
Personne morale, personne physique
|
Oui
|
Non
|
Oui
|
Oui
|
Nature des vendeurs
|
Personne morale, personne physique
|
Oui
|
Non
|
Oui
|
Oui
|
Type d'acquéreur
|
Si personne physique : Actif, inactif et retraité.
Si personne morale : Entreprises, Organisme public et HLM, SCI, Marchands de bien.
|
Oui
|
Oui (uniquement personne physique).
|
Oui
|
Oui
|
Type de vendeur
|
Si personne physique : Actif, inactif et retraité.
Si personne morale : Entreprises, Organisme public et HLM, SCI, Marchands de bien.
|
Oui
|
Non
|
Oui
|
Oui
|
Catégorie Socio-Professionnelle de l’acquéreur
|
PCS en 8 postes selon la nomenclature Insee.
|
Oui
|
Oui
|
Oui
|
Oui
|
Catégorie Socio-Professionnelle du vendeur
|
PCS en 8 postes selon la nomenclature Insee.
|
Oui
|
Oui
|
Oui
|
Oui
|
Âge de l’acquéreur
|
Série continue
|
Oui
|
Oui
|
Oui
|
Oui
|
Âge du vendeur
|
Série continue.
|
Oui
|
Non
|
Oui
|
Oui
|
Tranche d’âge d’appartenance de l’acquéreur
|
Uniquement pour type d'acquéreur actif : 18-30 ans, 30-50 ans, Plus de 50 ans.
|
Oui
|
Oui
|
Oui
|
Oui
|
Tranche d’âge d’appartenance du vendeur
|
Uniquement pour type de vendeur actif : 18-30 ans, 30-50 ans, Plus de 50 ans.
|
Oui
|
Non
|
Oui
|
Oui
|
Situation matrimoniale de l’acquéreur
|
Vie conjugale, Divorcé ou en veuvage, Célibataire
|
Oui
|
Oui
|
Oui
|
Oui
|
Situation matrimoniale du vendeur
|
Vie conjugale, Divorcé ou en veuvage, Célibataire
|
Oui
|
Non
|
Oui
|
Oui
|
Sexe de l’acquéreur
|
Homme, Femme
|
Oui
|
Non
|
Oui
|
Oui
|
Sexe du vendeur
|
Homme, Femme
|
Oui
|
Non
|
Oui
|
Oui
|
Provenance des acquéreurs selon leur origine résidentielle
|
Origine résidentielle locale, régionale, nationale, internationale
|
Oui
|
Non
|
Oui
|
Oui
|
Statut d’occupation du logement actuel de l’acquéreur
|
Propriétaire, locataire parc privé, locataire parc HLM, Hébergement parental, autre
|
Non
|
Oui
|
Oui
|
Oui
|
Revenus nets total à l’année N du ménage
|
Série continue
|
Non
|
Oui
|
Oui
|
Non
|
Le Corre, 2021
Tableau 4 : Attributs sur les régimes d'achats et types de mutation des biens
Attributs des données individuelles
|
Valeurs possibles
|
Source BIEN
|
Source PTZ
|
Disponibilité CASSMIR attributs Population
|
Disponibilité CASSMIR attributs unités spatiales
|
Présence de crédit à l'achat
|
Oui, Non, Oui supposé
|
Oui
|
Non Montant de l'opération ttc.
|
Oui
|
Oui
|
Type de garantie du prêt immobilier
|
Hypothèque, caution par société, caution personnelle, aucune
|
Oui. Pas de détail entre caution par société et caution personnelle
|
Oui
|
Oui
|
Oui
|
Type de prêt immobilier
|
Libre, conventionné, autre
|
Non
|
Oui. Pour le prêt principal
|
Oui
|
Oui
|
Montant du crédit
|
Série continue
|
Oui
|
Oui. Il s'agit du montant de l'ensemble des prêts
|
Oui
|
Oui
|
Type de mutation précédente du bien vendu
|
Acquisition, Héritage ou donation, Partage
|
Oui
|
Non
|
Oui
|
Oui
|
Durée de détention du bien par le vendeur
|
Série continue
|
Oui
|
Non
|
Oui
|
Oui
|
Tranche d’appartenance du vendeur sur la durée de détention du bien
|
En tranches de cinq année, de [0,5[ à [20+
|
Oui
|
Non
|
Oui
|
Oui
|
Plus ou moins-value réalisée par le vendeur
|
Série continue
|
Oui
|
Non
|
Oui
|
Non
|
Montant du prêt principal
|
Série continue
|
Non
|
Oui
|
Oui
|
Oui
|
Montant du PTZ
|
Série continue
|
Non
|
Oui
|
Oui
|
Non
|
Taux effectif général du prêt principal
|
Série continue
|
Non
|
Oui
|
Oui
|
Non
|
Durée totale (en mois) du prêt principal
|
Série continue
|
Non
|
Oui
|
Oui
|
Non
|
Revente d’un logement pour le financement de l’acquisition du bien
|
Oui, Non
|
Non
|
Oui
|
Oui
|
Non
|
Type d’opération
|
Achat dans le neuf, Construction avec achat foncier, Achat dans l’ancien avec rénovation, autre
|
Non
|
Oui
|
Oui
|
Non
|
Le Corre, 2021
Tableau 5 : Attributs sur les types de biens immobiliers
Attribut des données individuelles
|
Valeurs possibles
|
Source BIEN
|
Source PTZ
|
Utilisé pour caractériser les groupes de population
|
Utilisé pour caractériser les unités spatiales
|
Type de bien immobilier
|
Appartements et maisons caractérisés par une catégorie de taille, petit, standard et grand, en fonction du nombre de pièces
|
Oui
|
Non
|
Oui
|
Oui
|
Nature du bien immobilier
|
Appartements ou maisons
|
Oui
|
Oui
|
Oui
|
Oui
|
Ancienneté du bien immobilier
|
Époques de construction des biens en 9 tranches : de ante-1850 à bien neuf
|
Oui
|
Non
|
Oui
|
Oui
|
Le Corre, 2021
20En ce qui concerne l’échantillon de la base BIEN, le nettoyage est d'abord réalisé en éliminant des erreurs identifiées sur les prix et la localisation des transactions. Les transactions à un prix anormalement faible, par l'intrusion de transactions déguisées pour des raisons fiscales sur la donation, ou trop élevées, essentiellement pour des erreurs de saisie, sont enlevées de l'échantillon. Une seconde étape contrôle les coordonnées géographiques des transactions à partir du cadastre. Les transactions qui ne sont pas localisées à l'adresse sont retirées de l'échantillon. Un troisième temps du nettoyage écarte les produits immobiliers qui reposent sur des marchés en lien avec une activité économique ou sur des niches très particulières. Cela concerne les ateliers d'artiste, les chambres de service, les greniers destinés à être aménagés, les logements de gardien d'immeuble, les tours et moulins, les fermes, les châteaux et grandes propriétés et les maisons rurales.
21Les conditions de traitement des données individuelles BIEN imposent de produire une donnée statistique agrégée à partir d'au moins cinq individus statistiques. Pour respecter cette condition, en tenant compte des méthodes d’agrégation des données adoptées sur les agrégats spatiaux fins (voir partie suivante), un algorithme de classification supervisée par densité est utilisé (Db-Scan). Il permet de retenir les transactions qui appartiennent à un cluster composé d'au moins cinq transactions qui possèdent chacune un voisin à moins de 1000 mètres de distance euclidienne.
- 5 Établies pour l'année 2011 selon les données Insee du recensement.
22La dernière opération implique un redressement de l'échantillon avec la duplication des transactions qui appartiennent à des communes de plus de 10 000 habitants5. En effet, pour diminuer le coût du financement de ces données commercialisées, l'échantillon réceptionné est composé d'uniquement 50 % du stock des transactions de ces communes par rapport à la base de données BIEN, alors qu'il est composé de la totalité des transactions dans les communes de moins de 10 000 habitants. Pour une meilleure représentativité des données et rétablir le poids des espaces urbains, les transactions dans les communes de plus de 10 000 habitants sont donc dupliquées (tableau 6).
Tableau 6 : Les étapes de préparation des données individuelles BIEN
Étapes successives de préparation
|
Nombre d'individus
|
Échantillon initial
|
1 113 795
|
Vérification des informations sur l'année et le prix
|
1 101 120
|
Vérification des informations de géolocalisation
|
1 094 055
|
Vérification des types de produits immobiliers
|
1 088 078
|
Vérification de la proximité spatiale entre les biens immobiliers
|
1 072 116
|
Redressement par duplication des individus pour les transactions localisées dans des communes de plus de 10 000 habitants en 2011
|
1 887 177 (dont 815 061 lignes dupliquées)
|
Le Corre, 2021
- 6 À retrouver dans le dictionnaire de la base PTZ.
23En ce qui concerne l'échantillon de la base PTZ, diverses préconisations de sélection des données pour assurer la fiabilité des informations produites sont explicitées par le producteur des données et sont appliquées sur notre échantillon6. Par ailleurs, la couverture spatiale de l'échantillon est réduite à l'Île-de-France et les opérations qui concernent uniquement des opérations individuelles de construction d'un logement sont retirées de l'échantillon (tableau 7).
Tableau 7 : Les étapes de préparation des données individuelles PTZ
Étapes de préparation
|
Nombre d'individus
|
Échantillon initial
|
3 010 910
|
Conditions préconisées par le producteur des données
|
1 438 388
|
Vérification du type d'opération (exclusion de la construction individuelle sans achat foncier)
|
1 261 072
|
Sélection des opérations destinées à l'acquisition d'un bien en Île-de-France
|
146 333
|
Vérification des attributs de localisation à la commune
|
144 392
|
Le Corre, 2021
- 7 Le périmètre spatial du dispositif peut évoluer en fonction des réglementations successives du PTZ. (...)
24Avec ces traitements, les échantillons sont "préparés" pour l'agrégation des données individuelles. L'échantillon préparé de la base BIEN comptabilise 1 887 177 observations individuelles, dont 815 061 dupliquées pour le redressement de l'échantillon, celui de PTZ en compte 144 392. Pris annuellement sur la période étudiée, le nombre d'observations de chaque échantillon préparé varie fortement (figure 2). Pour l'échantillon préparé BIEN, le stock d’observations évolue d’une année à l’autre en fonction de l’échantillon de départ et des dynamiques de ventes immobilières. Ainsi, certaines années n'ont aucune observation car les données individuelles correspondantes ne sont pas disponibles dans l'échantillon réceptionné. Quant aux pics observés, ils sont bien représentatifs des années qui ont enregistré le plus de transactions immobilières sur le marché. Le nombre d'observations annuelles de l'échantillon PTZ préparé évolue en fonction de l’évolution du dispositif d’aide à l’accession par le Prêt à Taux Zéro7 : plus des acquéreurs utilisent le dispositif, plus le nombre d'observations augmente. La révision du dispositif et son extension a un impact considérable, comme en témoigne le pic de 2011, dans le cadre du PTZ+, et sa chute brutale en 2012 et 2013, après sa révision sous la présidence de François Hollande.
Figure 2 : Évolution du nombre annuel d’observations
Le Corre, 2021, source CASSMIR
25Pour étudier les configurations spatiales du marché et leurs évolutions, la région francilienne est découpée en plusieurs unités géographiques d'analyse sur lesquelles les données individuelles sont agrégées. Pour étudier la sociologie des marchés immobiliers, des groupes d'acquéreurs et de vendeurs sont définis selon un critère de genre, de génération et de catégorie socio-professionnelle, caractérisés par des attributs correspondant à des informations agrégées des données individuelles.
26Avec l’agrégation, les agrégats spatiaux/groupes de population caractérisés constituent désormais les individus, et ce, pour chaque année. Les indicateurs agrégés sont produits sur au moins cinq individus statistiques pour les unités spatiales et vingt individus statistiques pour les groupes de population.
27Il s'agit ici d'une approche classique en géographie, qui consiste à grouper spatialement les individus. À l'image du recensement, les données sont reportées à des unités géographiques. Globalement l’agrégation se réalise de la façon suivante : si la donnée travaillée concerne une variable quantitative, les fonctions d'agrégation utilisés renvoient des indicateurs de centralité et de dispersion (moyenne, médiane, écart-type) pour chaque agrégat et pour chaque année ; si la donnée travaillée concerne une variable catégorielle, l’agrégation renvoie un vecteur de proportion, c'est à dire des compositions qui donnent les proportions relatives de chacune des modalités de la variable catégorielle (exprimée en pourcentage), pour chaque agrégat et pour chaque année.
Tableau 8 : Les données de sortie agrégées aux unités spatiales
Unités d'agrégation
|
Données individuelles de référence
|
Paramètres statistiques séries continues
|
Unité de mesure série discrète
|
Nombre de variables créées (colonnes)
|
Nombre d'entités spatiales (lignes)
|
Communes
|
BIEN, PTZ
|
Observations de moyenne, médiane, écart-type
|
Pourcentage des effectifs partiels observés
|
226
|
17217 (N unités * N années)
|
Carreaux 1 km
|
BIEN
|
Moyenne pondérée interpolée
|
Pourcentage des effectifs partiels interpolés
|
113
|
78 575
|
Carreaux 200 m
|
BIEN
|
Moyenne pondérée interpolée
|
Pourcentage des effectifs partiels interpolés
|
113
|
674 296
|
Le Corre, 2021
- 8 Sans restriction, avec le modèle par potentiels, on obtiendrait potentiellement des valeurs en tout (...)
28CASSMIR se décline à trois échelles d’agrégation qui permettent une analyse fine et multi-scalaire des structures spatiales du marché en Île-de-France : le niveau communal, le niveau du carroyage Insee 1 km de côté, le niveau du carroyage Insee 200 m de côté (tableau 8). L’échelon communal constitue l’entité spatiale de référence pour la sectorisation du marché local et donne la possibilité de croiser des données sur le marché immobilier avec d’autres données géographiques, notamment celles issues des enquêtes de l’Insee. Il s’agit également de l’échelle la plus fine pour l’agrégation d’attributs issus de la base PTZ. Toutefois, les maillages communaux sont morcelés et de tailles hétérogènes. Ils peuvent constituer un biais pour représenter finement l'information statistique et pour identifier les zones de ruptures et de discontinuités. Une solution, pour combler ces limites, est de recourir à un maillage neutre de type carroyage. Dans notre cas, le carroyage Insee 200 m et le carroyage Insee 1 km sont utilisés, uniquement pour les indicateurs construits à partir des données individuelles BIEN8. Les données agrégées sur les carroyages renvoient des valeurs interpolées.
29Les informations statistiques qui caractérisent les agrégats des deux carroyages résultent toutes d'une modélisation gravitationnelle, fondée sur le principe d'une interpolation spatiale sur les valeurs des données individuelles et de leurs positions réciproques dans l'espace. La modélisation produit, dans un voisinage déterminé, une information spatialement continue à partir d’informations géographiques localisées, spatialement disparates et discontinues. Dans notre cas, elle donne l’occasion d’étudier plus facilement des contextes locaux, notamment de faible densité du marché, sans soustraire ces espaces de l’analyse au titre des conditions d’utilisation des données (Le Goix et al., 2019).
30Un autre avantage de l'interpolation concerne la représentation cartographique des informations. Les valeurs lissées issues de l'interpolation favorisent l’observation de zones cohérentes et homogènes, indépendantes d’un maillage administratif, et de la formation de discontinuités spatiales à partir de la lecture d’un gradient.
31L’interpolation est effectuée ici en suivant une hypothèse d’interaction par le modèle de potentiels gravitationnels (Stewart, 1942 ; Rich, 1980). Le calcul des potentiels est réalisé avec le package SpatialPosition (Giraud, Commenges, Boulier, 2019). La fonction du modèle de potentiels se résume par :
32Ai désigne le potentiel calculé des valeurs d’un point dans l’espace ;
Oj correspond au stock des caractéristiques, autrement dit la masse, avec j comme la localisation du centre d’attraction ;
f(dij) est une fonction d’interaction spatiale, qui est ici une fonction exponentielle négative de la distance entre i et j. La fonction peut être formalisée de la manière suivante :
où d0 correspond à la portée du potentiel d’interaction.
33Le choix est d’utiliser dans le modèle une fonction exponentielle qui permet de bien capter les interactions dans un voisinage proche. Le choix de la fonction s’accompagne de la portée, qui peut se définir comme la distance pour laquelle la masse exerce une influence et au-delà de laquelle l'interaction diminue. En général, la portée doit être au minimum deux fois supérieure à la taille des unités spatiales qui contiennent l’information statistique (Grasland, Mathian, Vincent, 2000). Pour le carroyage le plus fin, la portée définie est de 500 mètres de distance euclidienne. Pour le carroyage 1 km, la portée est de 3 000 mètres. Cette portée est synonyme de la distance au-delà de laquelle l’intensité de l’interaction est inférieure à 50 % et devient nulle quand la distance atteint 1 Km pour les carreaux de 200 m et de 6 Km pour les carreaux de 1 Km. Ce seuil, qui limite la distance d'interaction, diminue le coût computationnel dans le calcul de la matrice et garantit que tous les agrégats statistiques sont produits a minima à partir d'une interpolation sur cinq valeurs individuelles.
34Les cartographies des prix moyens des appartements en 2012 montrent des avantages et des limites de chaque carroyage (carte 1). Le carroyage 1 km est plus approprié pour représenter des phénomènes géographiques à un niveau méso. L'homogénéisation spatiale issue de l'interpolation renforce une analyse à portée généralisante. On constate notamment que le carroyage 1 km, avec une portée d’interaction de 3 km, renvoie à une lecture spatiale des valeurs immobilières qui suit un schéma centre/périphérie. Quant au carroyage 200 m, avec une portée d’interaction de 500 m, s'il est bien représentatif de l’emprise du tissu urbain bâti existant, il rend difficile la lecture des dynamiques à un niveau régional. En revanche, il met plutôt bien en avant l'éclatement des valeurs immobilières dans certains périmètres locaux, notamment au sud et au nord-est de la capitale. À une représentation radiale s'ajoutent donc des multipolarités locales, qui affinent la lecture spatiale et l'analyse du phénomène. Il y a donc une complémentarité entre les différents agrégats géographiques retenus. Les zones blanches des cartes sont celles qui sortent de "l'espace du marché" défini selon un critère d'urbanisation et de densité du marché. D'une part, les carroyages Insee sont discontinus et ne s'appliquent que pour des espaces bâtis. D'autre part, l'interpolation n'est pas réalisée pour les carreaux qui ne recensent aucune transaction, appartenant à un cluster composé de cinq transactions annuelles minimum lors de la période étudiée. À cela s'ajoutent, selon les années, des zones qui vont au-delà des limites d'interaction définies (1 kilomètre pour les carreaux de 200 m, et 6 kilomètres pour les carreaux de 1 km). Quant aux communes, les zones blanches concernent les entités spatiales avec un nombre insuffisant d’individus observés (moins de cinq transactions pour l’année étudiée) pour livrer une information statistique.
Carte 1 : Échelles de références et représentations cartographiques
Le Corre, 2021, source CASSMIR
- 9 Au sens d'individus qui ne sont pas à la retraite. Les individus retraités n’entrent pas dans le pr (...)
35Les données sources donnent accès à des informations sur les acquéreurs et les vendeurs qui permettent d'étudier les différenciations et les évolutions sociologiques sur le marché. Cela consiste à transposer les données individuelles en tableau de distribution statistique qui a pour populations étudiées (variables d'agrégation) des catégories sociologiques d'acquéreurs et de vendeurs. Trois profils sociologiques sont étudiés : un profil social, un profil par genre et un profil générationnel. Pour le profil social, la variable d'agrégation concerne la catégorie socio-professionnelle d’appartenance des acquéreurs et vendeurs, avec des enregistrements qui correspondent aux 8 postes Insee, ainsi que trois catégories de personnes morales. Le profil par genre est décliné par un groupe Homme et un groupe Femme. Le profil générationnel des personnes actives est, quant à lui, constitué par la variable d'agrégation sur les tranches d'âge d'appartenance des acquéreurs et des vendeurs actifs9, avec, comme enregistrements, un groupe d'individus compris entre 18 et 29 ans, un groupe entre 30 et 49 ans et un groupe entre 50 ans et plus.
36Ces enregistrements constituent donc les entités statistiques (agrégats) de la table CASSMIR, qui a pour entrées des groupes de population. Chacun de ces agrégats est caractérisé par les indicateurs du marché, permettant, in fine, d’analyser les profils sociologiques des acquéreurs et vendeurs de la région Île-de-France. Pour les variables quantitatives agrégées, les fonctions d'agrégation utilisées renvoient des indicateurs de centralité et de dispersion (Q1, moyenne, médiane, Q3, écart-type) pour chaque agrégat et pour chaque année. Pour une variable catégorielle, l’agrégation renvoie un vecteur de stock, c'est à dire les effectifs cumulés observés de chacune des modalités de la variable catégorielle, pour chaque agrégat et pour chaque année.
37Le fichier sur les groupes de population est composé de 533 lignes (détails des groupes de population acquéreurs-vendeurs) pour 330 variables. Des variables complémentaires sont produites par rapport aux données spatiales de sortie. Ces variables concernent les informations sur le crédit, sur le revenu, sur les relations d’achats et de vente entre les groupes d’acquéreurs et de vendeurs (tableau 9).
Tableau 9 : Les données de sortie agrégées aux groupes de population acquéreurs-vendeurs
Population
|
Groupe
|
Données individuelles de référence
|
Paramètres statistiques séries continues
|
Unité de mesure série discrète
|
Acquéreurs
|
Social : par CSP des personnes physiques et Types de personnes morales
|
BIEN, PTZ
|
Observations de moyenne, médiane, Q1, Q3, Écart-type
|
Effectifs observés
|
Acquéreurs
|
Générationnel : par tranches d’âges des personnes physiques
|
BIEN, PTZ
|
Observations de moyenne, médiane, Q1, Q3, Écart-type
|
Effectifs observés
|
Acquéreurs
|
Genre : par sexe des personnes physiques
|
BIEN
|
Observations de moyenne, médiane, Q1, Q3, Écart-type
|
Effectifs observés
|
Vendeurs
|
Social
|
BIEN
|
Observations de moyenne, médiane, Q1, Q3, Écart-type
|
Effectifs observés
|
Vendeurs
|
Générationnel
|
BIEN
|
Observations de moyenne, médiane, Q1, Q3, Écart-type
|
Effectifs observés
|
Vendeurs
|
Genre
|
BIEN
|
Observations de moyenne, médiane, Q1, Q3, Écart-type
|
Effectifs observés
|
Le Corre, 2021
38Une lecture intelligible des données et la reproductibilité des traitements sont peu évidentes à garantir quand les données brutes sont contraintes par des règles d’accès et de diffusion. À des fins pédagogiques et pour garantir des mises à jours de la base de données dans les prochaines années, toutes les étapes reposent sur une procédure reproductible mise à disposition sur un site Web dédié, hébergé sur GitLab.
- 10 Cette démarche est semblable à certaines propositions pédagogiques en analyse spatiale (Grasland 19 (...)
39Cela s'accompagne de la diffusion d'échantillons tests permettant à chaque utilisateur d’examiner des tables de données sources (BIEN et PTZ) et de rejouer les traitements présentés précédemment10. Ces échantillons tests sont composés de 2000 individus de la table BIEN et 500 individus de la table PTZ, tirés aléatoirement pour les années 1996, 1999 et 2003 jusqu’à 2012, soit 24 000 individus tests issus de la table BIEN et 6000 individus tests issus de la table PTZ.
- 11 Pour l’échantillon de la table BIEN, 16 variables sont exclues. Pour la base PTZ, 20 variables sont (...)
40Dans un souci de respecter les conditions de confidentialité des données et de propriété intellectuelle des services producteurs, une anonymisation totale précède la diffusion des données, avec l'exclusion de toutes les informations spatiales et temporelles sensibles11. De plus, du bruit randomisé est introduit, modifiant sensiblement les valeurs réelles sur une sélection de variables quantitatives (prix, montant des prêts, etc.), afin d’éviter que les informations des échantillons tests mis à disposition soient identiques aux données originales.
41Les échantillons tests sont déposés avec la base CASSMIR et sont exportés au format .txt. Aucune information, produite à partir de ces données anonymisées, ne serait susceptible d’être utilisée comme une expression de "l’état réel du marché". Ces échantillons sont spécifiquement dédiés à la reproductibilité du travail de construction de la base de données CASSMIR.
42L’anonymisation a comme conséquence d’écraser les informations de nature géographique. Or, sans le caractère spatial des données, les capacités d’examen et de reproductibilité des traitements s’avèrent réduites. La solution proposée est d'assigner aux données anonymisées (échantillons tests) de nouvelles informations géographiques dans un espace fictif.
43L’espace fictif est un plan en deux dimensions contraint par des limites en abscisses et ordonnées qui simulent une distance de 20 km (bounding box). Cet espace fictif est découpé par 80 polygones de Voronoï aléatoirement dessinés. Ces polygones doivent être interprétés comme une métaphore des entités spatiales administratives communales (figure 3). À ce découpage s’ajoute la création de deux grilles carroyées de 200 m et de 1 km de côté.
Figure 3 : Représentation de l’espace fictif
Le Corre, 2021
- 12 Du "bruit" peut être ajouté pour améliorer la distribution.
- 13 La granularité spatiale doit être équivalente à celle des données sources. Pour les individus de l' (...)
44Pour assigner des informations géographiques, les individus des échantillons tests sont projetés sur un plan en deux dimensions. La projection consiste à distribuer non-aléatoirement les individus dans l'espace, à partir de trois critères de ressemblances et de différenciations spatiales : les types des biens (maisons et appartements), le prix et le profil social des acquéreurs. Sur ces critères, une analyse des correspondances multiples (ACM) est réalisée à partir d'un tableau disjonctif composé des individus des deux échantillons tests. La projection des individus sur les deux premiers axes de l'analyse détermine leurs localisations dans l'espace fictif12. En d'autres termes, les coordonnées des individus sur le plan factoriel sont assignées comme coordonnées géographiques X, Y13.
45Cette proposition n'est pas l'unique manière de travailler sur des données individuelles privées et confidentielles. D'autres méthodes sont utilisées depuis longtemps, notamment en géographie de la santé, qui permettent de diffuser des informations sensibles en préservant la dimension spatiale tout en assurant la confidentialité des données individuelles (Armstrong, Rushton, Zimmerman, 1999). Ces solutions n'ont pas été retenues car elles préservent trop fortement la structure des données individuelles et leurs organisations spatiales dans l'espace "réel", ce que les producteurs de données ne nous autorisent pas à diffuser telles quelles. L'objectif n'est pas non plus identique : alors que les solutions alternatives pour les données médicales visent à diffuser un échantillon de données individuelles qui serait susceptible d'enrichir les problématiques et traitements spatiaux, dans notre cas, il s'agit uniquement de permettre à un utilisateur de reproduire les traitements de sélection, de préparation et d'agrégation des données, proposés dans ce travail.
- 14 Tous ces traitements sont reproductibles à partir des codes sources prêts à l’emploi disponibles à (...)
46Afin de guider l’usage des données, des exemples illustrent les traitements possibles offerts par les données pour des analyses thématiques14. Ces exemples se fondent sur la présentation des quatre champs thématiques et permettent d’appréhender le potentiel des données de la base CASSMIR.
47Plusieurs indicateurs de prix sont disponibles dans la base CASSMIR. Sur le plan spatial, les prix immobiliers et leurs dynamiques forment un proxy des hiérarchies urbaines, permettant d’interroger les modèles urbains et leurs évolutions (Cusin, 2016), les impacts des projets urbains (Guérois, Le Goix, 2009 ; Desponds, Bergel, 2014), ou encore la hausse des inégalités spatiales (Le Corre, 2019). Jusqu’à 51 indicateurs sur les prix caractérisent les unités spatiales. Ce nombre élevé s’explique par la prise en compte de différents segments immobiliers et mesure des prix. En effet, les indicateurs de distribution (moyenne, médiane, écart-type) s’appliquent aux différents types de biens immobiliers afin de pouvoir prendre en compte l’hétérogénéité des prix locaux entre différents types de biens. Par ailleurs, des mesures du prix au m2 sont ajoutées quand les biens concernés sont des appartements. L’ensemble de ces indicateurs est particulièrement efficace pour analyser les évolutions hétérogènes dans la hiérarchie spatiale du marché (figure 4).
48En ce qui concerne les groupes de population, CASSMIR donne accès à des informations qui permettent d’analyser différentes structures de disparités par groupe, conjointes aux dynamiques spatiales des prix. Elle met notamment en lumière les prix d’achat et de vente de chaque groupe sur différents segments de types de biens, et offre des mesures de dispersion internes aux groupes en incluant des indicateurs au premier et troisième quartile de la distribution des prix.
Figure 4 : Régression linéaire sur les prix locaux en 1999 et 2018
Le Corre, 2021, source CASSMIR
49La base CASSMIR permet de réaliser des analyses sur les acquéreurs et vendeurs. En sociologie urbaine et géographie sociale, le marché immobilier est depuis longtemps considéré comme un élément moteur du tri et du filtrage social dans les espaces urbains (Halbwachs, 1909). Aujourd’hui encore, de nombreuses hypothèses sont soulevées quant à l’implication du marché à la propriété dans les processus de gentrification, de moyennisation ou encore de périphérisation des catégories populaires, dont l’observation de tels phénomènes suppose des données de la structure résidentielle sur plusieurs décennies (Lévy, 2003 ; Madoré, 2013). La base CASSMIR a l’avantage de recenser les tendances socio-spatiales animées par le marché et, ainsi, de rendre possible l’évaluation du rôle effectif du marché à la propriété sur les structures résidentielles (Buhot, 2009 ; Boulay, Guérois, Le Goix, 2011 ; Le Goix et al., 2019 ; Le Corre, 2019). Elle met à disposition plusieurs indicateurs sur les acquéreurs et les vendeurs, regroupés en plusieurs catégories selon leur nature (personne physique ou personne morale), leurs types, et, pour les ménages, leurs appartenances aux différentes catégories socio-professionnelles (carte 2), le sexe, l’âge, la situation matrimoniale et l’origine résidentielle par rapport au lieu d’achat.
50En étayant la géographie sociale du marché, les schémas spatiaux permettent alors d’interpréter l’évolution de la division sociale de l’espace et des polarisations socio-spatiales du marché à partir de différentes grilles de lecture possibles : indices de ségrégation, cartographies descriptives, quotients de localisation, analyses des polarités, etc.
51Pour les groupes de population, des indicateurs supplémentaires renvoient à des couples d’acquéreurs-vendeurs et vendeurs-acquéreurs, avec des relations dénombrées pour chaque groupe d’entrée et pour chaque année. Ces configurations acquéreurs-vendeurs (figure 5) permettent de saisir les relations sociales homogames ou hétérogames et d’interpréter des processus de remplacement de population sur les stocks de biens mis sur le marché.
Carte 2 : La géographie des acquéreurs ouvriers
Le Corre, 2021, source CASSMIR
Figure 5 : Les relations socio-démographiques entre acquéreurs et vendeurs
Le Corre, 2021, source CASSMIR
52Le troisième champ d’investigation thématique porte sur les régimes d’achat, caractérisés par les acquéreurs, et les types de mutation des biens, caractérisés par les vendeurs. Les régimes d’achat se définissent par les conditions de financement d’un investissement immobilier lors d’une acquisition. Analyser les régimes d’achat permet d’approcher l’évolution des conditions et filières d’accès à la propriété et de questionner ainsi l’implication des structures économiques du marché, de ses institutions et les circuits de financement sur la segmentation spatiale et sociale du marché (Topalov, 1987 ; Le Corre, 2019). Le second point concerne les types de mutation des biens, caractérisés par le vendeur. Plus précisément, il s’agit de données qui renseignent les conditions de la vente du bien.
53La base CASSMIR comprend de nombreux indicateurs inédits sur le financement de l’investissement, permettant de caractériser les groupes de population et les unités spatiales (présence d’un crédit à l’achat, montant du crédit, Loan-to-Value, etc.). Elle précise notamment les modalités d’emprunt des groupes de population par CSP et par tranches d’âge, donnant la possibilité d’estimer la capacité d’achat des ménages en tenant compte de l’évolution des conditions du crédit (durée du prêt principal, taux effectif général du prêt, types de prêts, etc.) (figure 6). Concernant les indicateurs relevant du type de mutation des biens, des indicateurs sur le mode de transmission du bien (héritage, acquisition, etc.), sur le turn-over (durée de détention du bien), et sur les plus ou moins-value réalisées par les vendeurs participent à saisir les dynamiques du marché immobilier et leurs implications sur les inégalités sociales.
Figure 6 : Évolution de la durée du crédit
Le Corre, 2021, source CASSMIR
54Le quatrième champ d’investigation thématique concerne les types de biens concernés par les opérations immobilières. L’objectif est d’identifier les stocks de produits immobiliers mis sur le marché, d’en saisir les spécificités géographiques et les différenciations entre les groupes de population. L’étude des biens immobiliers permet de tracer la cohérence entre structures socio-urbaines historiques de la métropole et celles du marché, de contribuer à l’identification de la segmentation spatiale du marché (les maisons pour la secundo-accession, des appartements pour la primo-accession) et à la segmentation locale inter-biens (de petits logements pour un investissement locatif, de grands logements pour de l’occupation résidentielle).
- 15 Ces catégories construites sont également utilisées pour détailler les niveaux de prix locaux et le (...)
55Les indicateurs sur les types de biens dans CASSMIR sont de deux natures différentes. On retrouve d’abord des indicateurs sur la répartition des maisons et des appartements, déclinés sur différentes catégories établies en fonction du nombre de pièces (petit, standard, grand)15. Ensuite, d’autres indicateurs détaillent la répartition du parc échangé selon la période de production des logements (carte 3).
Carte 3 : Localisation des appartements construits avant 1850 mis sur le marché entre 1996 et 2018
Le Corre, 2021, source CASSMIR
56La présentation de CASSMIR, développée dans cet article, met en avant la singularité de la démarche qui vise à proposer une base de données immobilière, préparée et consolidée à partir de données sources difficiles d’accès, tout en s’appliquant à offrir des traitements reproductibles. Par la suite, l’import de données actualisées dans le temps et dans l’espace permettrait d’enrichir la base CASSMIR. D’autres sources de données individuelles pourraient participer à cet enrichissement, dans l’objectif de minimiser la dispersion des informations sur les marchés immobiliers. En effet, s’il existe aujourd’hui différentes bases de données sur les marchés immobiliers, dont certaines en Open Access, elles résident dans chacun des services producteurs. Pour les chercheurs, cette dispersion amène à un manque de lisibilité dans l’identification des données les plus pertinentes pour répondre à leurs objectifs scientifiques. Au cours des prochaines années, CASSMIR peut avoir vocation à centraliser un maximum de données issues de sources différentes, afin de s’instaurer comme un lieu unique pour les chercheurs dans l’analyse des marchés immobiliers.
57La mise en partage des codes sources et de la documentation a pour vocation de produire un écosystème cohérent et transparent pour la gestion et l’alimentation de la base de données CASSMIR, à partir de chacune des sources travaillées, et d’agir comme un levier pour la production et la valorisation scientifique. Cet écosystème assure la reproductibilité de la construction de la base et sa pérennisation. En même temps, la création et l’animation d’une communauté d’échanges autour des données devraient améliorer et étoffer les possibilités d’analyse, en encourageant les chercheurs à partager sur la plateforme collaborative les codes sources de leurs traitements.
58Name: CASSMIR
Repository type: Zenodo [dataset].
Dataset available: YES
Permanent URL: http://doi.org/10.5281/zenodo.4497219
DOI: 10.5281/zenodo.4497219
Supplemental materials: URL: https://tlecorre.gitpages.huma-num.fr/cassmir/
59Ce jeu de données est déposé sous la licence Creative Commons paternité - usage non commercial - partage à l’identique 4.0 International (CC BY-NC-SA 4.0)16
60À l’issue de ce travail, les fichiers disponibles stockés sur l’entrepôt de données Zenodo sont les suivants :
-
Pour la reproductibilité des traitements : PTZSampleForTest.txt ; BIENSampleForTest.txt
-
Pour la base CASSMIR : CASSMIR_SpatialDB.gpkg ; CASSMIR_GroupesPopDB.csv
-
Les fichiers de métadonnées de la base : CASSMIR_PopMetadata.csv ; CASSMIR_SpatialMetadata.csv ; LEXIQUE.csv
61Ce travail s’inscrit dans le cadre du projet de recherche WIsDHoM, soutenu par l’Agence Nationale de la Recherche (ANR-18-CE41-0004). Il a également reçu le soutien financier du Labex DynamiTe (ANR-11-LABX-0046) et le soutien technique de la TGIR Huma-Num.
62Un grand merci à Laurent Beauguitte, Robin Cura, Aurélie Douet, Jean-Baptiste Durand, Timothée Giraud, Julie Gravier, Pierre Le Brun, Renaud Le Goix et Ronan Ysebaert pour leurs contributions, conseils et relectures.