Introduction

1Les données immobilières ont connu ces dernières années de profondes transformations à la fois dans leurs modalités de production, de mise à disposition et d’utilisation (Simon, 2009 ; Juillard, 2019). En réponse aux pressions foncières et aux tensions des marchés immobiliers que connaissent de nombreux territoires, les acteurs publics multiplient les dispositifs d’observation et de mesure de l’immobilier pour orienter leurs politiques d'aménagement. En ce sens, les données sur les transactions immobilières et foncières constituent des ressources informationnelles stratégiques, aussi bien pour les gestionnaires, les opérateurs, les négociateurs que les chercheurs (Boulay et al., 2012 ; Chappert et al., 2014 ; Saujot, Erard, 2015 ; Coulondre, 2018).

2Longtemps restée une affaire de spécialistes, dans la mesure où ces informations étaient présentes au sein de bases parcellaires, peu accessibles voire payantes, la mise à disposition en open data de la base "Demandes de valeurs foncières" (DVF), produite par la Direction Générale des Finances Publiques (DGFiP) en 2019, a ouvert de nouvelles perspectives. Déjà explorées depuis plusieurs années dans la sphère académique, les données relatives aux transactions foncières, notamment celles issues des bases notariales, ont fait l’objet de nombreuses études (Buhot, 2006 ; Guérois, Le Goix, 2009 ; Boulay, 2011 ; Despond, Bergel, 2013). Avec l’ouverture des données DVF, de multiples possibilités se dessinent pour de nouveaux publics. L’étendue des informations associées aux données DVF participe à améliorer la connaissance du marché de l’immobilier et l’évaluation des biens qui le composent (Masclet de Barbarin, 2019). Ces nouvelles perspectives de compréhension des marchés immobiliers sont liées à la masse des données à traiter, aux possibilités de moduler les échelles d’observation, aux opportunités d’analyse offertes par la vaste palette d’outils open source et à la combinaison de plusieurs modes de représentation.

3Les 17 millions de mutations de biens fonciers-immobiliers collectées depuis 2014, renseignées et géoréférencées dans la base DVF, permettent désormais à des non spécialistes d’explorer, de quantifier et de spatialiser les structures des marchés de l’immobilier à différentes échelles. Toutefois, les bases DVF mises à disposition par les pouvoirs publics en accès libre et sous licence ouverte ne sont pas des données "prêtes à l’emploi" et diffèrent de celles accessibles aux ayants droit qui ne sont d’ailleurs pas plus faciles à utiliser (Casanova et al., 2019). L’utilisation des bases DVF en accès libre à des fins d’analyse nécessite un temps de découverte et de compréhension qu’il ne faut pas sous-estimer.

4C’est dans cette perspective que s’inscrit cet article, dont le but est de proposer une démarche documentée et reproductible à destination des géographes, des aménagistes, des urbanistes ou des data-journalistes pour appréhender spatialement les marchés immobiliers résidentiels à partir des données DVF accessibles en open data. Pour ce faire, nous développons à titre illustratif les exemples de la région Bretagne et de la métropole rennaise. L’ambition n’est pas ici de présenter un modèle ni une monographie des marchés bretons, mais plutôt de fournir des pistes méthodologiques issues de la statistique, de l’analyse spatiale et des techniques cartographiques pour explorer et représenter à différentes échelles géographiques des dynamiques de prix et de volume de ventes d’appartements et de maisons. L’objectif est de : (1) présenter une méthode de préparation des données DVF (apurement, filtrage, restructuration, enrichissement) ; (2) analyser à plusieurs échelles ces données à l’aide de différentes méthodes (agrégation, lissage, classification) ; et (3) restituer (carto)graphiquement ces données au moyen de plusieurs types de rendus (graphiques, cartes choroplèthes, cartes catégorisées, cartes lissées, carroyages et cartogrammes).

5La première partie expose le contexte et les principales caractéristiques des données décrivant les transactions immobilières (sources, types de données, accessibilité) et les évolutions qu’elles connaissent (centralisation, ouverture). Toujours dans cette première partie, les données DVF sont également abordées selon leurs modalités de production, de structuration et de mise à disposition. La deuxième partie détaille la phase de préparation des données DVF en open data, préalable à tout traitement. La troisième partie présente plusieurs méthodes de représentations (carto)graphiques pour révéler et donner à voir les dynamiques et la structure spatiale du marché immobilier résidentiel à l’échelle de la région Bretagne. Enfin, la dernière partie propose une série d’analyses et de représentations reproductibles sur des périmètres plus restreints et à des échelons plus fins, à travers les exemples de la métropole rennaise et de la ville de Rennes.

6Toute la démarche méthodologique présentée dans le présent article repose sur l’environnement R et s’inscrit dans une logique de reproductibilité et plus largement de science ouverte. Pour cette raison, nous fournissons l’ensemble des scripts (documentés) que nous avons mis au point pour chacune des étapes. L’intérêt est à la fois de permettre une réutilisation totale de la chaîne de traitements et surtout de pouvoir modifier les scripts en fonction des besoins de chacun. Cette question de l’ouverture des méthodes et de reproductibilité de la recherche est ici envisagée selon trois perspectives (Goodman et al., 2016) :

• Répétabilité de la démarche : reproduire les analyses présentées ici dans les mêmes conditions (utile à des fins de compréhension et d’évaluation) ;

• Réplicabilité de la démarche : relancer les analyses avec de nouveaux critères (pour adapter la démarche en modifiant par exemple les périmètres d’analyses, les variables analysées, les seuils de prix, les types de biens, etc.) ;

• Reproductibilité de la démarche : remobiliser les approches présentées ici pour les adapter à d’autres terrains d’étude, comme une autre région ou une ville en particulier.

7L’ensemble des étapes de préparation, d’analyse et de représentation (carto)graphique des données DVF en open data sont traçables et reproductibles via quatre scripts R (en markdown) accessibles en ligne via une page Github.

• Un premier script centralise les étapes de préparation des données DVF (apurement, filtrage et restructuration).

• Un deuxième script présente la production et la représentation graphique d’indicateurs génériques sur le marché immobilier résidentiel.

• Un troisième script propose tous les traitements et les cartes à l’échelle régionale (agrégations spatiales, CAH, lissage spatial et cartogramme lissé).

• Un quatrième script rassemble les analyses et les représentations cartographiques réalisées sur la métropole rennaise (agrégations spatiales, CAH, lissage spatial).

Les données DVF en open data : contexte et caractéristiques

Appréhender les marchés immobiliers par les données de transactions

8Les données relatives aux marchés fonciers et immobiliers sont multidimensionnelles, nombreuses et présentent une grande diversité, tant au niveau de leurs formes, de leurs producteurs que de leurs périmètres (Coulondre, Juillard, 2021). On dénombre en effet une vingtaine de bases produites et mises à jour par des acteurs publics et privés, lesquelles se concurrencent et se complètent à la fois (Driant et al., 2005 ; Coulondre, 2018 ; Juillard, 2019).

9L’accès à ces données reste souvent difficile, le type d'information disponible disparate et le niveau d'exhaustivité hétérogène (Le Corre, 2019). De plus, cette abondance d’informations est trompeuse, dans la mesure où toutes ces données dispersées ne permettent pas la mise en place d’analyses systématisées et comparables entre territoires. Malgré une forte attente des professionnels en données fines, fiables et pérennes sur le foncier et l’immobilier, cet écosystème informationnel segmenté participe à rendre opaques les marchés des ventes et surtout celui des loyers (Boulay et al., 2012 ; Levasseur, 2013) et conduit à une connaissance fragmentée et partielle de ces derniers (Simon, 2009 ; Basciani-Funestre, Darley, 2013).

10Parmi toutes les données existantes sur les ventes immobilières et foncières, les plus connues et les plus utilisées par les chercheurs sont les bases notariales. Depuis les années 1990, les notaires compilent les informations des actes de vente (déclaration du vendeur et de l’acquéreur sur la nature et le prix du bien) au sein de deux bases de données dont ils commercialisent l’accès par l’intermédiaire de structures professionnelles privées. Il s’agit de la base BIEN pour la région Île-de-France (produite depuis 1994 par la Chambre des notaires de Paris) et de la base PERVAL pour le reste du territoire (produite depuis 1990 par les Notaires de France). Les usages de ces deux bases immobilières notariales se voient aujourd’hui questionnés avec la démarche DVF, initiée par la DGFiP, que nous présentons ci-après.

Les données DVF comme nouvelle base de référence des transactions immobilières et foncières 

14Même si les données issues des bases PERVAL/BIEN et DVF proviennent de la même source, le dispositif de renseignement n'est pas identique (GnDVF, 2017). Comme l’observent Casanova et al. (2017), ces deux bases renvoient à deux chaînes de production de données distinctes et à des objectifs différents qui déterminent la structure et le contenu de chacune des bases. En premier lieu, la base DVF, exhaustive par nature, couvre des parts du marché immobilier plus étendues que les bases des notaires (AUDAP, 2013 ; Casanova et al., 2017 ; GnDVF, 2017). La DGFiP veille en effet, pour des raisons fiscales, à centraliser chacune des mutations. Toutefois, les données DVF sont bien moins riches en informations que les bases des notaires, limitant ainsi la portée analytique de leurs traitements. On retrouve en effet au sein des bases BIEN/PERVAL un éventail d’informations supplémentaires qui concernent les caractéristiques des biens (époque de construction, distinction entre neuf et ancien, etc.), les vendeurs et les acquéreurs (âge, catégorie socioprofessionnelle, modalités de financement, commune d’origine, etc.).

15De plus, en raison des objectifs visés par les producteurs de ces bases et des cultures métiers associées, la structuration comme les modalités de remplissage des champs diffèrent entre les données DVF et les bases BIEN et PERVAL. Les bases des notaires sont conçues pour l’étude des marchés et proposent des informations retravaillées, à la différence des données DVF qui renvoient à des informations "brutes" (Casanova et al., 2017 ; Coulondre, 2018). Par exemple, les bases notariales comportent une ligne par bien (surface, prix, acquéreur, vendeur, etc.) afin de faciliter les analyses, à la différence des données DVF. Les données DVF sont en ce sens plus complexes à traiter et nécessitent des pré-traitements spécifiques.

• • 6 Les données brutes sont proposées par année sous forme de fichier .txt.

  Une première base, intitulée "Demandes de valeurs foncières", mise à disposition par la DGFIP, rassemble les transactions foncières sous forme de données brutes6.

• • 7 Etalab est un département de la Direction interministérielle du numérique qui coordonne la concepti (...)
  • 8 Ces données sont accessibles en open data, sous la forme de fichier plat (.csv). Ces données "retra (...)

  Une deuxième base, intitulée "DVF géolocalisées", retravaillée et géolocalisée par Etalab7 sous une forme enrichie, permet un accès aux données par commune ou département afin de faciliter leur prise en main8. C’est cette base qui est utilisée dans l’article.

• • 9 La base DV3F propose une structure sous la forme d’une base de données relationnelle (PostgreSQL). (...)

  Enfin, une troisième base, intitulée "DV3F", est constituée et diffusée par le Cerema depuis 2011. Destinée aux acteurs publics, cette base est structurée suivant une logique différente et associe des données foncières complémentaires permettant des analyses plus poussées9. Cette base est disponible en deux versions, l’une intitulée "DVF+" et l’autre "DV3F" depuis 2014. La version DVF+, qui contient moins d’informations, est disponible en open data sur le site Data Foncier.

Tableau 1 : Avantages et limites des données DVF en open data

Avantages	Limites
- Gratuites et accessibles en open data - Disponibles sur l’essentiel du territoire national - Mises à jour deux fois par an - Historicité des données depuis 2014 - Réputées exhaustives - Globalement fiables - Géolocalisées à la parcelle	- Transactions non disponibles pour 4 départements - Complexes à exploiter - Structuration des transactions multiventes - Pas d’identifiant de transaction - Difficilement intelligibles pour les non experts - Présence d’erreurs de saisie - Pas d’information sur les vendeurs et les acquéreurs (sauf dans la version DV3F)

Mericskay, Demoraes, 2022

17L’ouverture des données DVF est souvent mise en avant comme un "succès", si on s’en tient aux grands nombres de téléchargements et de consultations de la carte interactive mise en place par Etalab. Cela étant, dans les faits, la mise à disposition de ces informations n’a au final donné lieu qu’à assez peu d’exploitations (Juillard, 2020). Cette faible appropriation s’observe également sur le plan académique. On constate en effet que les données DVF demeurent encore peu utilisées par les chercheurs. Seuls Casanova Enault et al. (2019) ont exploré les données DVF en open data pour en proposer une réelle analyse critique. Le tableau 2 présente un panorama non exhaustif de recherches et d’études ayant exploré ou exploité des données DVF.

Tableau 2 : Panorama de travaux ayant utilisés des données DVF

Thématique	Zone d’étude	Référence
Croissance démographique et marché immobilier	Région Languedoc Roussillon	Gidrol, Canonéro, 2016
Analyse comparative des bases DVF et PERVAL	Aire urbaine d’Avignon	Casanova et al., 2017
Analyse des profils des propriétaires du littoral	Littoral provençal et azuréen	Casanova Enault, 2017
Analyse des marchés immobiliers locaux	Bordeaux Métropole	Coulondre, 2017
Mobilités résidentielles des ménages modestes	Nantes Métropole	Chesnel et al., 2017
Mobilités résidentielles et parc locatif	Région Nouvelle Aquitaine	Béoutis, Joubert, 2018
Mobilités résidentielles des couples	Maine-et-Loire	Chaillot, Loiseau, 2019
Analyse des prix moyens des transactions immobilières	Région Bourgogne Franche Comté	Pilarski, Zemis, 2019
Comparaison des données DVF de la base d’origine de la DGFiP avec les versions open data	Département du Vaucluse	Casanova Enault et al., 2019
Analyse des marchés immobiliers locaux	Nantes Métropole	Coulondre, 2019
Analyse des marchés résidentiels aux abords des futures gares	Région Île-de-France	Coulondre, 2020
Analyse de l’évolution du marché résidentiel	Aire urbaine de Nantes	Mericskay et al., 2020
Comparaison des données DVF avec des données issues de sites d’annonces immobilières	Région Provence-Alpes-Côte d'Azur	Boulay et al., 2021
Analyse des prix des logements	Région Hauts-de-France	Eblé et al., 2021

Mericskay, Demoraes, 2022

18Il est important de souligner qu’au-delà des bases des notaires et des données DVF, le paysage informationnel relatif aux marchés immobiliers (vente comme location) se renouvelle, notamment avec la multiplication de plateformes spécialisées dans les petites annonces (comme Le Bon Coin) et les annonces immobilières (comme Se Loger, PAP ou Meilleurs Agents), dont certaines données peuvent être récupérées (par web scraping notamment) et analysées (Coulondre, Juillard, 2021 ; Chapelle, Eyméoud, 2022). Plusieurs travaux de recherche récents commencent d’ailleurs à explorer ces nouvelles sources pour à la fois cerner l’intérêt de ces nouvelles données et analyser certains marchés immobiliers (Boulay et al., 2021 ; Le Goix et al., 2021).

La préparation des données DVF en open data, une étape complexe et essentielle

19Dans le cadre de cet article, ce sont les données "DVF géolocalisées", enrichies par Etalab, qui sont utilisées. La base initiale pour les quatre départements bretons (Côtes-d’Armor, Finistère, Ille-et-Vilaine et Morbihan) recense entre le 1^er janvier 2014 et le 31 décembre 2019, 446 818 mutations distinctes renvoyant à 1 043 052 lignes et 40 colonnes dans la base de données. Si de prime abord, ces données revêtent de multiples potentialités, le volume et la richesse d’informations présentes engendre une série de difficultés d’exploitation.

20Les bases DVF en open data renvoient en effet à des données "brutes", correspondant à des fichiers lourds et difficilement exploitables par des personnes ne maîtrisant pas les outils et les langages de préparation et de traitement de données comme R, Python ou le SQL (Juillard, 2020). De plus, la version DVF en libre accès est moins complète que celle mise à disposition des ayants-droits. L’absence de certaines informations sur les transactions et la présence d’erreurs de saisie ou d’incohérences implique un temps non négligeable de compréhension préalable de leur contenu ainsi qu’un important travail d’apurement et de préparation en fonction des objectifs visés (Casanova Enault et al., 2019 ; Coulondre, 2019). Malgré le travail effectué en amont par Etalab pour faciliter la prise en main des bases DVF, il demeure indispensable de nettoyer, filtrer, restructurer et enrichir ces données pour constituer une base permettant la mise en place d’analyses (figure 1).

23Le principal verrou dans l’emploi des données DVF en open data est lié au fait qu’une même mutation peut concerner plusieurs biens et donc être associée à plusieurs lignes dans la base (figure 2). Cette particularité s’explique par l’emboîtement de plusieurs niveaux au sein de la base (Casanova et al., 2017 ; Casanova Enault et al., 2019). Les transactions correspondent à la totalité du ou des biens fonciers/immobiliers achetés le même jour par un même acquéreur. Ces transactions peuvent être décomposées en plusieurs mutations (étudiées dans cet article), c’est-à-dire des parties de la transaction. Enfin, les mutations peuvent à leur tour être composées de plusieurs biens (appartement, maison, terrain, etc.).

24Dans le cas de la Bretagne, on retrouve ainsi 340 801 lignes au sein du jeu de données qui renvoient à 266 082 mutations. Par ailleurs, il n’existe aucun champ de référence d’identification des transactions, à la différence de la base originale produite par la DGFiP. On trouve en revanche un champ d’identifiants des mutations construit à partir de la date et de la disposition. Cette modélisation particulière des données DVF librement accessibles nécessite la mise en place de traitements préalables pour la construction et l’exploitation d’indicateurs fiables (Casanova et al., 2017 ; Coulondre, 2018 ; Coulondre, 2019 ; Casanova Enault et al., 2019).

27Une fois le travail de filtrage, d’apurement et de restructuration effectué, la dernière étape a consisté à enrichir les données pour élargir les possibilités d’analyse par la suite. Nous avons ajouté à chacune des mutations des descripteurs géographiques (nom du département, de la commune et de l’EPCI (Établissement Public de Coopération Intercommunale) et le type de commune selon une typologie de l’Insee), afin de mieux les resituer dans leur contexte territorial et de faciliter certaines opérations d’agrégations statistiques à différents échelons d’analyse.

28Au final, le jeu de données retravaillé recense pour les quatre départements bretons, du 1 janvier 2014 au 31 décembre 2019, 247 646 mutations décrites en lignes. Chacune de ces mutations est renseignée par 14 variables qui peuvent être nominales (type, commune, EPCI, département, typologie de l’Insee), quantitatives (prix, surface, prix au m²) ou spatiales (coordonnées géographiques) comme l’illustre la figure 3.

29Il convient de souligner que nous avons choisi de conserver les mutations de 6 années (2014-2019) dans la même série statistique. Ce choix s’appuie sur le fait qu’il n’existe pas sur la période de variations interannuelles importantes en ce qui concerne le nombre de mutations ou le prix (prochaine section). De plus, traiter les données sur l’ensemble de la période permet, d’une part, de gommer les mutations exceptionnelles (encore présentes malgré l’apurement) qui pourraient fausser localement l’interprétation des dynamiques et, d’autre part, d’augmenter les effectifs de mutations et in fine de garantir la robustesse statistique des résultats. Toutefois, comme tout choix méthodologique, ce dernier n’est pas parfait dans la mesure où il peut exister des marchés locaux où les variations interannuelles de prix sont fortes.

Les données DVF en graphiques et en cartes pour saisir les grandes tendances de l’immobilier à l’échelle régionale

Appréhender les dynamiques du marché de l’immobilier résidentiel breton par les graphiques

30L’une des premières pistes d’analyse des dynamiques de volume et de prix de l’immobilier résidentiel réside dans une exploration des mutations à l’aide de méthodes de statistiques descriptives et de représentations graphiques. Le calcul d’indicateurs simples, comme le nombre de mutations, les moyennes ou les médianes des prix ou des surfaces, permet d’obtenir un premier portrait synthétique du marché immobilier résidentiel breton exploré ici (tableau 3).

Tableau 3 : Récapitulatif des principaux indicateurs du marché immobilier résidentiel breton sur la période 2014-2019 (source : DVF)

	Mutations monoventes	Part	Prix médian	Prix moyen	Surface moyenne	Prix/m² médian	Prix/m² moyen
Appartements	71 712	29 %	100 000 €	116 575 €	58 m²	1 941 €/m²	2 093 €/m²
Maisons	175 934	71 %	152 000 €	173 367 €	101 m²	1 573 €/m²	1 716 €/m²
Total	247 646	100 %	135 000 €	156 920 €	89 m²	1 663 €/m²	1 825 €/m²

Mericskay, Demoraes, 2022

31En complément des tableaux, l’exploration de l’ensemble des mutations peut, dans un premier temps, s’appuyer sur la représentation de leurs caractéristiques via des graphiques. La visualisation de données sous des formes variées (histogrammes, diagramme en barres, boîtes à moustache, courbes, etc.) se prête particulièrement bien à la description et à l’analyse des données DVF pour comprendre des tendances et donner à voir des liens entre les différentes informations de la base par la distribution, la comparaison ou les relations (Yau, 2013). L’idée est de pouvoir croiser et représenter graphiquement plusieurs variables, à la fois quantitatives (nombre de mutation, prix, prix au m2) et qualitatives (type de bien, type de commune, département). Ces graphiques ont la particularité de ne pas être dépendants des caractéristiques du jeu de données. Le script permettant de les produire peut ainsi être adapté pour d’autres territoires d’étude dans une optique de reproductibilité.

32En premier lieu, les diagrammes en barres empilées permettent de combiner plusieurs types de variables pour comparer et mettre en évidence des logiques de volume de vente. Si l’on s’intéresse aux parts des mutations par département ou par type de commune par exemple, il ressort des logiques territoriales bien marquées. Par exemple, les départements du Finistère et de l’Ille-et-Vilaine regroupent à eux deux 60 % des mutations, dont 70 % des ventes d’appartements (figure 4). Quand on regarde la répartition des volumes des mutations monoventes selon le type des communes (typologie Insee urbain/rural), des divergences entre communes apparaissent aussi (figure 4).

34Envisager les volumes des mutations et les prix au m² selon le type de bien et le type de commune suivant la typologie urbain/rural de l’Insee permet une autre lecture des dynamiques en présence par une entrée thématique (figure 6). Cette distinction offre une lecture synthétique pour identifier rapidement les spécialisations des espaces urbains, périurbains et ruraux.

35De son côté, la représentation en "boîte et moustaches" fournit une représentation visuelle simple de la médiane, des quartiles et de l’étendue de variables comme le prix ou la surface des biens. Leur affichage sous forme de planche offre en complément la possibilité de comparer un même caractère dans des populations de tailles différentes. La figure 7 permet par exemple d’identifier rapidement certaines logiques de prix récurrentes et d’autres plus originales par la combinaison de trois dimensions (type de bien, type de commune et département).

36La disponibilité des mutations depuis le 1er janvier 2014 permet également une exploration temporelle des dynamiques des marchés de l’immobilier étudiés. Le recours à des diagrammes en barres empilées offre une lecture temporelle comparative des évolutions en présence. La figure 8 met par exemple en lumière des logiques assez similaires avec une augmentation générale des volumes de ventes entre 2014 et 2017 dans les 4 départements. Concernant les évolutions des prix (graphique présent dans le script), on constate une tendance similaire d’augmentation jusqu’en 2017 puis de décroissance dans les couronnes périurbaines et pôles urbains, et dans une moindre mesure dans les espaces ruraux.

Appréhender les dynamiques du marché de l’immobilier résidentiel par l’analyse spatiale et les cartes

37En complément à l’exploration des données DVF au moyen de graphiques, l’entrée géographique constitue une approche complémentaire pour mettre en lumière des dynamiques et des structures spatiales de marchés immobiliers résidentiels (Boulay, 2011 ; Le Goix, 2013 ; Brémond, Marie, 2016 ; Le Corre, 2019 ; Le Goix et al., 2019). Comme le souligne Palm (1978), la première démarche du géographe s’intéressant aux dynamiques spatiales de l’immobilier consiste à s’interroger sur les échelles géographiques les plus pertinentes. Il est en effet possible d’analyser les données DVF à plusieurs échelons territoriaux (région, département, EPCI, commune) et aussi dans d’autres types de mailles. Ces dernières peuvent être associées à des découpages statistiques (IRIS) ou construits de toutes pièces aux fins de l’analyse (carroyage). En fonction des objectifs visés et des échelles d’observation, les mutations peuvent être envisagées de manière individuelle ou agrégées dans plusieurs niveaux d’unités spatiales (Boulay, 2011), dont découlent des visions différentes et complémentaires du message transmis.

L’agrégation spatiale comme étape préalable à la représentation cartographique

38La première opération par laquelle on peut commencer consiste à dénombrer le nombre de mutations par commune (figure 9). Ce type de représentation cartographique, qui met en jeu une variation de taille, permet de représenter de manière lisible le volume des transactions dans l’espace d’étude à travers une maille administrative familière. Le marché de l’immobilier résidentiel breton, en termes de volumes de ventes, apparaît largement polarisé par les espaces les plus peuplés et les plus dynamiques de Bretagne, c’est-à-dire près du littoral et à proximité des grands pôles urbains. En complément, et comme nous le développons dans le script, il est possible de décliner ce type de cartes en différenciant les maisons des appartements pour faire affiner les explorations et faire ressortir des spécificités locales.

41Si ces deux cartes en aplats de couleurs restituant une information à l’échelon communal (figures 10 et 11) offrent une lecture aisée des prix nominaux et des prix au m² de l’immobilier en Bretagne, dans le sens où il est facile de comparer les communes entre elles, il convient néanmoins de souligner que les prix des biens vendus peuvent répondre à des logiques indépendantes d’un quelconque maillage politico-administratif. Comme le souligne Le Corre (2019) dans sa thèse sur les prix de l’immobilier en Île-de-France : "il ne s'agit pas de rejeter d'emblée des limites administratives mais de proposer une réelle réflexion sur les biais de l'agrégation spatiale".

Le lissage spatial, une technique éprouvée pour révéler des tendances et des gradients

45Le lissage spatial présente l’avantage de schématiser de manière continue la distribution spatiale d’une variable (Genebes et al., 2018 ; Aschan-Leygonie et al., 2019) et de rendre lisibles aussi bien les spécificités locales d'un phénomène que les grandes tendances, en s'affranchissant des limites administratives (Grasland, 1999 ; Lambert, Zanin, 2016). La puissance évocatrice des cartes choroplèthes qui viennent d’être présentées peut ainsi être augmentée par les méthodes de lissage, en conférant aux cartes ainsi obtenues une capacité de révélation de structures spatiales sous-jacentes (Banos, 2001).

46Comme le démontrent Guérois et Le Goix (2009), Le Goix et al. (2016), Pilarski et Zemis (2019) ou Le Corre (2019), les cartes lissées sont particulièrement efficaces pour donner à voir les grandes tendances de prix de l’immobilier. Suivant l’échelle d’analyse, la taille de la zone d’étude et le degré de généralisation souhaité, le lissage spatial peut porter directement sur le prix au m² des mutations localisées à la parcelle ou sur un prix moyen au m² par unité spatiale, comme la commune. Dans le cadre de l’approche régionale, pour illustrer les possibilités de variation du degré de généralisation, nous avons choisi de calculer deux lissages ; le premier portant sur le prix moyen au m² préalablement agrégé par commune, le deuxième sur les mutations elles-mêmes. Il est à noter que le choix du rayon et la fonction de lissage constituent des paramètres importants, dans la mesure où le résultat est très dépendant de ces derniers (Zaninetti, 2005).

47Pour la première carte (figure 14), nous avons tout d’abord adopté comme rayon de lissage la portée spatiale du phénomène qui se lit sur le semi-variogramme empirique (figure 13) et qui est un paramètre couramment utilisé pour calibrer la fonction de lissage (Zaninetti, 2005). Dans le cas présent, nous avons dans un premier temps retenu une portée de 13 km, qui correspond à la distance au-delà de laquelle les prix moyens au m² par commune ne sont plus corrélés entre eux. Ceci étant, compte tenu de l’étendue de la Bretagne (environ 140 km du Nord au Sud), ce rayon a abouti à un premier résultat beaucoup trop lissé. Nous avons donc utilisé un autre paramètre fréquemment employé (Zaninetti, 2005), qui correspond à la distance la plus fréquente entre unités spatiales adjacentes (figure 13). Au final, nous avons retenu un rayon de 5 km, qui découle directement de la taille des unités spatiales (ici les communes) contenant les valeurs à lisser.

Le cartogramme lissé, ou l’intérêt de ne pas perdre de vue les volumes en jeu

51Ce type de carte permet de restituer visuellement deux variables au sein d’une même représentation : le nombre de mutations par EPCI à travers la déformation de ces derniers et les prix moyens au m² sous forme de surfaces lissées. Il est intéressant de noter que le nombre de mutations n’est pas forcément corrélé au prix à cet échelon-là. Les volumes élevés échangés correspondant à une demande forte aussi bien à Rennes qu’à Brest sont associés dans le premier cas à des prix élevés, dans le second à des prix proches de la moyenne régionale.

La cartographie des sous marchés régionaux par CAH (classification ascendante hiérarchique)

52Pour compléter cette exploration du marché résidentiel à l’échelle régionale, l’identification et la délimitation géographique de sous marchés regroupant des communes présentant des caractéristiques similaires permet de saisir plus en profondeur les dynamiques immobilières et leur inscription spatiale. De nombreux travaux de recherche (Guérois, Le Goix, 2009 ; Boulay, 2011 ; Casanova Enault, 2017 ; Le Brun, 2019 ; Le Corre, 2019) et de rapports opérationnels (Coulondre 2017, 2018, 2020, 2021) ont montré l’intérêt de recourir à certaines méthodes d’analyses statistiques (ACP, CAH) pour construire et cartographier des typologies de sous marchés ou de profils d’acquéreurs.

Tableau 4 : Les sept sous marchés immobiliers des communes bretonnes sur la période 2014-2019

	Nombre de communes	Nombre moyen de mutations	Prix moyen	Prix moyen au m²
Marché des grandes villes	2	15 795	140 800 €	2087 €/m²
Marché des villes moyennes	5	5 417	151 400 €	2020 €/m²
Marché des communes très chères	28	427	307 200 €	3460 €/m²
Marché des communes chères	82	430	215 050 €	2339 €/m²
Marché des communes attractives	302	242	167 750 €	1700 €/m²
Marché classique	443	94	127 520 €	1300 €/m²
Marché amorphe	344	76	90 090 €	996 €/m²

Mericskay, Demoraes, 2022. Sources : DVF

• Un premier groupe très restreint, incluant Rennes et Brest, renvoie au marché résidentiel "des grandes villes", caractérisé par de très gros volumes de mutations, des prix des biens dans la moyenne et des prix au m² élevés.

• Le deuxième groupe, associé au sous marché des "villes moyennes", se caractérise par un assez grand volume de mutations, des prix nominaux dans la moyenne et des prix au m² élevés.

• Le troisième groupe est composé de 28 communes "très chères", avec des volumes de mutations assez importants et surtout des prix nominaux et des prix au m² très élevés.

• Le quatrième groupe est composé de 82 communes "chères", avec des volumes de mutations assez importants et des prix nominaux et des prix au m² élevés.

• Le cinquième groupe, avec plus de 280 communes, renvoie au sous marché des communes "attractives", qui se caractérisent par des volumes de mutations assez importants, des prix des biens et des prix au m² élevés.

• Le sixième groupe correspond au sous marché des communes "intermédiaires", qui réunit plus de 40 % des communes bretonnes, avec des prix et des volumes situés dans la moyenne régionale.

• Le septième groupe, qui regroupe un tiers des communes de la région, renvoie au sous marché le moins dynamique, que l’on peut qualifier "d’amorphe", avec peu de mutations et des prix nominaux et au m² bien en-dessous de la moyenne régionale.

55La représentation des 7 groupes identifiés par la CAH sous la forme d’une carte catégorisée révèle une forte structure spatiale des marchés immobiliers qui s’inscrit globalement dans les dynamiques démographiques régionales et fait ressortir certaines spécificités locales (figure 17). Ce type de représentation cartographique met ainsi en évidence une série de logiques spatiales, comme un effet centre-périphérie autour de Rennes, des logiques de gradients près des littoraux et le centre de la Bretagne caractérisé par un marché résidentiel "amorphe".

Appréhender les données DVF à des échelles locales : les exemples de la métropole et de la commune de Rennes

Exploration du marché métropolitain

56Cette dernière partie analyse, à titre illustratif là-encore, les marchés de l’immobilier résidentiel sur un périmètre plus restreint. Nous développons ici les exemples de Rennes Métropole et de la ville de Rennes. D’autres échelles d’analyse peuvent être envisagées pour étudier à des niveaux plus locaux les dynamiques et les structures spatiales du marché de l’immobilier résidentiel (aire urbaine fonctionnelle, aire urbaine, bassin de vie, etc.).

57Sur l’ensemble de la métropole, on dénombre pour la période d’étude 31 722 mutations monoventes, dont les principales caractéristiques sont présentées dans le tableau 5.

Tableau 5 : Récapitulatif des principaux indicateurs du marché immobilier résidentiel de Rennes Métropole sur la période 2014-2019

	Nombre	Part	Prix médian	Prix moyen	Surface moyenne	Prix/m² médian	Prix/m² moyen
Appartements	20 555	65 %	127 800 €	141 860 €	60 m²	2346 €/m²	2470 €/m²
Maisons	11 167	35 %	250 000 €	277 520 €	111 m²	2570 €/m²	2570 €/m²
Total	31 722	100 %	159 850 €	189 620 €	78 m²	2350 €/m²	2500 €/m²

Mericskay, Demoraes, 2022. Source : DVF

59Ces deux référentiels ont fait l’objet de plusieurs analyses présentées dans le script (agrégations, dénombrement, CAH). Nous proposons de revenir plus en détail sur les traitements et les échelons d’analyse utilisés pour produire les cartes lissées. L’objectif est de montrer différents degrés de généralisation de l’information qu’il est possible d’obtenir.

61La figure 18 donne ainsi à voir les contrastes qui existent dans les prix de l’immobilier sur l’ensemble de Rennes Métropoles. Les prix au m² s’organisent suivant une logique centre-périphérie et vont décroissant au fur-et-à-mesure qu’on s’éloigne du centre. Ces deux cartes lissées illustrent bien l’incidence de l’échelon d’agrégation des données initiales sur le résultat cartographique. À partir du même jeu de données initial (les 31 722 mutations enregistrées sur la période), la carte de gauche, dont le lissage a été calculé à partir des prix au m² moyennés au préalable par IRIS, restitue une information très généralisée par rapport à la carte de droite, établie à partir des valeurs agrégées par section cadastrale. L’amplitude des prix est logiquement plus faible sur la carte des IRIS (davantage moyennée) que sur la carte des sections cadastrales, bien plus nombreuses.

62De son côté, le lissage spatial calculé à partir des 31 722 mutations individuelles (figure 19) offre une lecture plus précise et davantage de nuances que les précédentes, notamment en dehors de la commune de Rennes. La figure 19 fait ainsi davantage ressortir les prix au m² plus élevés dans les centres villes de communes connexes à Rennes comme Betton, Cesson-Sévigné ou Saint Grégoire, mais également au sein des centres historiques de communes périphériques comme Acigné, Chartres-de-Bretagne ou Vern-sur-Seiche.

Les données DVF pour retracer la trajectoire des prix dans le temps et dans l’espace : l’exemple de la commune de Rennes

63Nous proposons dans cette dernière partie de montrer un autre potentiel des données DVF en libre accès. Nous explorons ici les trajectoires d’évolution des prix au m² des appartements dans la commune de Rennes entre 2014 et 2019. Si ces prix n’ont pas connu de grands changements sur l’ensemble de la Bretagne entre 2014 et 2019 (figure 9), ils ont en revanche beaucoup augmenté dans la métropole rennaise sur la même période. Cette évolution est d’ailleurs plus marquée pour les appartements, qui ont connu une hausse de plus de 326 €/m² (+13,8 %) en six ans au plan régional. Les appartements y concernent par ailleurs plus de 87 % des mutations et ont connu à Rennes une augmentation de 530 €/m² (+22 %) en six ans, hausse qui justifie de s’y intéresser plus en détail.

65L’utilisation du lissage spatial peut toutefois poser certains problèmes, notamment en faisant émerger des structures artificielles, induites par la méthode elle-même et les données mobilisées (Banos, 2001). En ce sens, le contrôle des effets de bordure, surtout à une échelle fine, constitue un enjeu méthodologique important à prendre à compte dans ce type d’approche. Malgré la correction de l’effet de bord apportée ici, on observe certains comportements qui peuvent paraître erratiques sur les limites extérieures de la commune et qui découlent de mutations survenues dans des espaces très peu denses, où les ventes sont peu nombreuses et correspondent certaines années à des biens très onéreux.

Perspectives

66Nous l’avons vu dans cet article, à travers l’exemple de la Bretagne, les données DVF disponibles en open data représentent une source informationnelle à fort potentiel pour appréhender, objectiver et saisir à plusieurs échelles les dynamiques des marchés immobiliers résidentiels selon différents angles. Outre leur accès sous licence ouverte, elles constituent un socle de données normalisées, mises à jour deux fois par an et localisées à la parcelle. Leur disponibilité depuis le millésime 2014, avec une structure stable dans le temps sur la quasi-totalité du territoire national, permet aujourd’hui d’envisager la conception de protocoles d’exploitation standardisés pour en tirer le meilleur parti, pour le plus grand nombre de réutilisateurs potentiels et pour toute zone d’étude.

67Cet article a été l’occasion de relever certains défis méthodologiques liés au volume et à la façon dont les données DVF en open data sont structurées. Comme nous l’avons vu, la question de la préparation des données est une étape cruciale. En terme analytique, le choix des périmètres d’étude (région, métropole et ville), des échelons d’analyse (EPCI, communes, IRIS, sections cadastrales) et les opérations d’agrégation sont centrales dans ce type de réflexion et méritent d’être davantage investiguées et questionnées. Les différentes explorations ont également permis de tester, de discuter et de repenser les modes de représentation pour trouver les manières les plus adéquates de donner à voir des logiques de prix ou de volumes de mutations.

68Une des clefs de l’originalité et de l’efficacité des cartes ne se trouve donc pas uniquement dans la représentation des données mobilisées ici mais surtout dans la préparation et l’analyse de ces dernières, en amont, qui guident l’intention cartographique. Élaborer une carte de communication ne se limite pas uniquement à la "simple" mise en forme de données spatiales, mais renvoie aujourd’hui à des compétences plus larges. Cela confirme bien la forte dimension méthodologique intimement associée à la cartographie thématique. Cela est d’autant plus vrai face à l’instrumentation contemporaine, à l’image du langage R et de sa multitude de packages qui offrent de nombreuses possibilités en perpétuelle évolution tant pour la représentation cartographique que pour l’analyse spatiale.

69Cet exercice de multireprésentation (carto)graphique reposant sur plusieurs méthodes illustre la panoplie de traitements et de rendus possibles tout comme leur complémentarité pour révéler les dynamiques immobilières à différentes échelles. Ainsi, en fonction du contexte d’utilisation, des objectifs et du public visé, il est possible de faire appel à un mode de représentation ou à un autre pour restituer sous la forme la plus adaptée les structures spatiales de marchés immobiliers résidentiels. Le tableau 7 résume les avantages et limites des méthodes cartographiques expérimentées dans cet article.

Tableau 7 : Synthèse des méthodes d’analyse spatiale et de représentation cartographique expérimentées dans l’article

Méthode	Avantages	Limites
Agrégation à un échelon communal ou infra-communal	- Information précise dans un découpage "familier". - Applicable à plusieurs variables (prix, prix au m², volume) - Possibilité de croiser avec des données statistiques de l’Insee	- Généralisation de l’information - Effet MAUP - Découpage non homogène dans le cas des IRIS
Carroyage	- Effet MAUP limité - Granularité fine et personnalisable	- Lisibilité/moirage, question du nombre minimal de mutations par maille - Difficulté à se repérer précisément sans toponyme
Lissage à partir de données agrégées	- Aspect lisible et esthétique	- Généralisation un peu excessive de l’information
Lissage direct à partir des mutations	- Aspect lisible et esthétique restituant plus de nuances	- Traitements assez longs
Cartogramme couplé à une surface lissée	- Représentation originale qui permet de ne pas perdre de vue les volumes - Permet de mettre en balance volumes et prix (pas toujours de corrélation, localement)	- Compliqué à lire si la déformation est trop forte, indispensable d’ajouter des points de repères pour le lecteur
Carte restituant une CAH	- Spatialisation d’une typologie (sous marchés aux caractéristiques propres)	- Généralisation de l’information

Mericskay, Demoraes, 2022

70Une autre plus-value de notre article réside dans la mise à disposition de tous les scripts qui formalisent et documentent les chaînes de traitements des données DVF en open data que nous avons mis en œuvre intégralement dans R, un environnement libre et gratuit. Ce choix vise à faciliter la compréhension et l’évaluation de travaux de recherche qui constituent aujourd’hui un enjeu important dans le développement de la science ouverte (données libres, logiciels libres, méthodes ouvertes, publications en libre accès), et notamment en géographie (Commenges et al., 2014 ; Nüst, Pebesma, 2020). Ainsi, quiconque souhaite reproduire et adapter tout ou une partie des étapes de préparation, d’analyse et de représentation (carto)graphique présentées dans l’article, peut le faire. La méthode présentée est perfectible et surtout personnalisable à chaque contexte d’utilisation. Toutefois, les choix des seuils dans la préparation des données comme des échelles ou des rayons de lissage au niveau des analyses sont cruciaux et demandent une attention particulière.

71Enfin pour les administrations publiques qui produisent et diffusent les données DVF, ce travail participe à la fois à illustrer des formes de réutilisations possibles ainsi que leurs limites dans des contextes de recherche. Depuis l’appel lancé en 2012 pour l’ouverture des bases DVF (Boulay et al., 2012) et leur mise à disposition en 2019, la communauté scientifique s’approprie progressivement ces données et cet article en est une illustration. Certes, les informations présentes au sein de la base DVF en libre accès se concentrent uniquement sur les caractéristiques des biens et non sur les profils des vendeurs et des acquéreurs comme au sein des bases des notaires. Certes, leur structuration n’autorise pas l’analyse des transactions en bloc et leur utilisation nécessite des compétences techniques spécifiques. Malgré cela, les données DVF en libre accès sont gratuites, accessibles et le volume comme l’exhaustivité des mutations permettent d’analyser dans l’espace et dans le temps les dynamiques immobilières sur un large éventail de territoires. Gageons ainsi que nombreux seront les chercheurs, les analystes, les chargés de missions à explorer davantage les potentialités de cette mine de données dans de futurs travaux.