Volet 3 — Analyse multi-échelon (DEP · EPCI · ZE)
2 725 EUR/m² Prix médian France DVF 2024 · facteur 12.4 entre extrêmes
823k Logements commencés SITADEL cumul 2022-2024
67,1 M m² Surface commencée SITADEL cumul 2022-2024
3,0 % Vacance 2+ ans Médiane DEP · LOVAC 2024
1. Prix ≠ attractivité — Corrélation prix × SMA = 0,34 (ZE). Le prix capte autant la rente foncière que l’attractivité courante. Corrélation prix × revenu bien plus forte (0,75 DEP).
2. Construction en chute — 823k logements commencés (22-24), soit 67,1 M m² de surface. Médiane 12,2 logements / 1 000 hab.
3. Vacance = thermomètre déprise — Vacance 2+ ans corrèle à 0,02 avec le SMA (DEP). 174 EPCI voient leur vacance augmenter 2020-2024.
4. Loyers en hausse modérée — Médiane loyer appt 11,5 EUR/m² (+11,4 % 22-25), maison 10,2 EUR/m².
Données : DVF 2014-2024 · LOVAC 2020-2024 · SITADEL 2019-2024 · ANIL 2022-2025 · INSEE RP 2016-2022
Périmètre : 96 départements · 1244 EPCI · 287 zones d’emploi (hors DOM)
Hypothèses : H4 La pression immobilière est un proxy de l’attractivité résidentielle · H6 Le cycle foncier prédit les dynamiques territoriales
Le marché du logement est un révélateur structurel des dynamiques territoriales. Contrairement aux flux migratoires — qui captent le mouvement des personnes — le logement traduit la résultante matérielle de l’attractivité : prix, vacance, construction. Un territoire qui attire voit ses prix monter, sa vacance baisser et sa construction accélérer.
plot_distribution(dep, "logd_px2_global_24", bins = 25,
title = "Prix concentrés sous 3 000 EUR/m²",
xlab = "Prix médian m² (EUR)", fill = col_cyan) +
geom_vline(xintercept = fr_px, linetype = "solid", color = col_orange, linewidth = 0.7) +
annotate("text", x = fr_px + 200, y = Inf,
label = glue("France {fmt_fr(fr_px, 0)}"),
color = col_orange, size = 3, vjust = 2, fontface = "italic") +
labs(y = "Nombre de DEP",
caption = make_source("DVF 2024"))
plot_distribution(dep, "logv_vac2ans_pct_24", bins = 20,
title = "Vacance bimodale : tension vs déprise",
xlab = "Vacance longue durée (%)", fill = col_green) +
labs(y = "Nombre de DEP",
caption = make_source("LOVAC 2024"))
plot_distribution(dep, "logs_logcom_tx1000_2224", bins = 20,
title = "Construction neuve très inégale",
xlab = "Logements commencés / 1 000 hab", fill = col_magenta) +
labs(y = "Nombre de DEP",
caption = make_source("SITADEL 2022-2024"))Warning: Removed 3 rows containing non-finite outside the scale range (`stat_bin()`).Warning: Removed 3 rows containing missing values or values outside the scale range (`geom_rug()`).
Les distributions révèlent des marchés asymétriques. Les prix sont concentrés sous 3 000 EUR/m² avec queue droite (IDF, littoral). La vacance est bimodale (tension <2% vs déprise >5%). La construction neuve varie d’un facteur 10 entre départements.
16 départements en baisse de prix 2022-2024 (médiane : +2,64 %). Le retournement post-2022 touche inégalement les territoires.
tm_shape(map_dep) +
tm_polygons(fill = "logd_px2_global_24",
fill.scale = tm_scale_intervals(breaks = breaks_px,
values = make_pal(pal_urbn_seq_blue, 8)),
fill.legend = tm_legend_clean("EUR/m²"),
col = "grey70", lwd = 0.3) +
tm_urbn("Prix m² global — DVF 2024") +
tm_source(make_source("DVF"))
tm_shape(map_dep) +
tm_polygons(fill = "logd_px2_global_vevol_2224",
fill.scale = tm_scale_intervals(
breaks = c(-15, -10, -5, -2, 0, 2, 5, 10, 15),
values = make_pal(pal_urbn_div, 8), midpoint = NA),
fill.legend = tm_legend_clean("% 22-24"),
col = "grey70", lwd = 0.3) +
tm_urbn("Évolution prix 2022-2024") +
tm_source(make_source("DVF"))[v3->v4] `tm_layout()`: use text.fontfamily instead of fontfamily
[v3->v4] `tm_layout()`: use text.fontfamily instead of fontfamily
Gauche : prix au m² médian DVF 2024. Droite : évolution récente 2022-2024. Le retournement post-COVID (hausse des taux) touche surtout l’IDF et les grandes métropoles.
plot_bar_ranked(
dep, var = "logd_px2_global_24", label_col = "libelle",
n_show = 15,
title = glue("Facteur {ratio_px} entre extrêmes"),
subtitle = glue("Top/Bottom 15 départements — prix m² DVF 2024"),
xlab = "Prix m² (EUR)",
caption = make_source("DVF 2024")
)Warning: Specifying width/height in layout() is now deprecated.
Please specify in ggplotly() or plot_ly()tm_shape(map_epci) +
tm_polygons(fill = "logd_px2_global_24",
fill.scale = tm_scale_intervals(breaks = breaks_px,
values = make_pal(pal_urbn_seq_blue, 8)),
fill.legend = tm_legend_clean("EUR/m²"),
col = "grey90", lwd = 0.1) +
tm_urbn("Prix m² global — EPCI, DVF 2024") +
tm_source(make_source("DVF"))[v3->v4] `tm_layout()`: use text.fontfamily instead of fontfamily
plot_bar_ranked(
epci %>% filter(!is.na(logd_px2_global_24)),
var = "logd_px2_global_24", label_col = "libelle",
n_show = 20,
title = "Extrêmes de prix au m² — EPCI",
subtitle = glue("Top/Bottom 20 — {N_EPCI} EPCI métropolitains"),
xlab = "Prix m² (EUR)",
caption = make_source("DVF 2024")
)Warning: Specifying width/height in layout() is now deprecated.
Please specify in ggplotly() or plot_ly()labs_px <- label_top_bottom(ze, "logd_px2_global_24", n = 10)
ggplot(ze, aes(x = dm_sma_vtcam_1622, y = logd_px2_global_24)) +
geom_hline(yintercept = fr_px, linetype = "dashed", color = col_orange, linewidth = 0.5) +
geom_vline(xintercept = 0, linetype = "dashed", color = col_gray) +
geom_point(aes(size = P22_POP), alpha = 0.5, color = col_cyan) +
geom_text_repel(
data = ze %>% filter(libelle %in% labs_px),
aes(label = libelle), size = 2.8, max.overlaps = 20,
color = col_spacegray, segment.color = col_gray
) +
scale_size_continuous(range = c(1, 7), guide = "none") +
scale_y_continuous(labels = label_comma(big.mark = "\u202f")) +
labs(
title = "Prix élevé ≠ attractivité migratoire",
subtitle = glue("r = {fmt_fr(cor_px_sma_ze, 2)} | {N_ZE} ZE"),
x = "SMA TCAM 2016-2022 (%/an)", y = "Prix médian m² (EUR)",
caption = make_source("DVF", "MIGCOM")
)Warning: Removed 23 rows containing missing values or values outside the scale range (`geom_point()`).
Taille = population 2022. Orange = France (2 725 EUR/m²). ZE en bas-droite (SMA positif, prix modérés) = attractivité non encore capitalisée.
67,1 millions de m² commencés 2022-2024 — la concentration de la construction est plus forte que celle de la population (Gini = 0,448).
La construction neuve traduit la capacité d’un territoire à répondre à la demande. Le taux de construction (logements commencés pour 1 000 habitants) est l’indicateur le plus discriminant : il reflète à la fois la pression démographique, la disponibilité foncière et l’effort des collectivités.
tm_shape(map_dep) +
tm_polygons(fill = "logs_logcom_tx1000_2224",
fill.scale = tm_scale_intervals(n = 7,
values = make_pal(pal_urbn_seq_green, 7)),
fill.legend = tm_legend_clean("log/1000 hab"),
col = "grey70", lwd = 0.3) +
tm_urbn("Logements commencés / 1 000 hab") +
tm_source(make_source("SITADEL 2022-2024"))
tm_shape(map_dep) +
tm_polygons(fill = "logs_sdpcom_vol_2224",
fill.scale = tm_scale_intervals(n = 7, style = "quantile",
values = make_pal(pal_urbn_purple_green, 7)),
fill.legend = tm_legend_clean("m² cumul 22-24"),
col = "grey70", lwd = 0.3) +
tm_urbn("Surface de plancher commencée (m²)") +
tm_source(make_source("SITADEL 2022-2024"))[v3->v4] `tm_layout()`: use text.fontfamily instead of fontfamily
[v3->v4] `tm_layout()`: use text.fontfamily instead of fontfamily
Gauche : taux de construction rapporté à la population. Droite : volume brut de surface de plancher commencée (m²). Les littoraux et couronnes métropolitaines construisent le plus.
plot_bar_ranked(
dep, var = "logs_logcom_tx1000_2224", label_col = "libelle",
n_show = 15,
title = "Taux de construction — Top/Bottom 15 DEP",
subtitle = "Logements commencés / 1 000 hab (2022-2024)",
xlab = "Log commencés / 1 000 hab",
caption = make_source("SITADEL")
)
plot_bar_ranked(
dep, var = "logs_sdpcom_vol_2224", label_col = "libelle",
n_show = 15,
title = "Surface m² commencée — Top/Bottom 15 DEP",
subtitle = "Cumul 2022-2024 (m² de plancher)",
xlab = "Surface commencée (m²)",
caption = make_source("SITADEL")
)Warning: Specifying width/height in layout() is now deprecated.
Please specify in ggplotly() or plot_ly()Warning: Specifying width/height in layout() is now deprecated.
Please specify in ggplotly() or plot_ly()tm_shape(map_epci) +
tm_polygons(fill = "logs_logcom_tx1000_2224",
fill.scale = tm_scale_intervals(n = 7,
values = make_pal(pal_urbn_seq_green, 7)),
fill.legend = tm_legend_clean("log/1000 hab"),
col = "grey90", lwd = 0.1) +
tm_urbn("Logements commencés / 1 000 hab — EPCI") +
tm_source(make_source("SITADEL 2022-2024"))[v3->v4] `tm_layout()`: use text.fontfamily instead of fontfamily
sdp_vals <- dep$logs_sdpcom_vol_2224[!is.na(dep$logs_sdpcom_vol_2224) &
dep$logs_sdpcom_vol_2224 > 0]
sdp_sorted <- sort(sdp_vals)
n_sdp <- length(sdp_sorted)
cum_share <- cumsum(sdp_sorted) / sum(sdp_sorted)
pop_share <- seq_len(n_sdp) / n_sdp
lorenz_df <- data.frame(pop = c(0, pop_share), sdp = c(0, cum_share))
p80_idx <- which.min(abs(pop_share - 0.80))
sdp_at_80 <- cum_share[p80_idx] * 100
ggplot(lorenz_df, aes(x = pop, y = sdp)) +
geom_line(color = col_cyan, linewidth = 1.2) +
geom_abline(slope = 1, intercept = 0, linetype = "dashed", color = col_gray) +
geom_segment(aes(x = 0.80, xend = 0.80, y = 0, yend = cum_share[p80_idx]),
linetype = "dotted", color = col_orange) +
geom_segment(aes(x = 0, xend = 0.80, y = cum_share[p80_idx], yend = cum_share[p80_idx]),
linetype = "dotted", color = col_orange) +
annotate("text", x = 0.55, y = cum_share[p80_idx] + 0.04,
label = glue("80% des DEP = {fmt_pct(sdp_at_80, 0)} m²"),
size = 3.5, color = col_orange, fontface = "bold") +
annotate("text", x = 0.35, y = 0.85,
label = glue("Gini = {fmt_fr(gini_sdp, 3)}"),
size = 4, color = col_cyan, fontface = "bold") +
scale_x_continuous(labels = percent_format(), expand = c(0, 0.01)) +
scale_y_continuous(labels = percent_format(), expand = c(0, 0.01)) +
labs(title = "Construction neuve : forte concentration territoriale",
subtitle = "Courbe de Lorenz — surface commencée par département",
x = "Part cumulée des départements",
y = "Part cumulée des m² commencés",
caption = make_source("SITADEL 2022-2024"))Warning in geom_segment(aes(x = 0.8, xend = 0.8, y = 0, yend = cum_share[p80_idx]), : All aesthetics have length 1, but the data has 97 rows.
ℹ Please consider using `annotate()` or provide this layer with data containing a single row.Warning in geom_segment(aes(x = 0, xend = 0.8, y = cum_share[p80_idx], yend = cum_share[p80_idx]), : All aesthetics have length 1, but the data has 97 rows.
ℹ Please consider using `annotate()` or provide this layer with data containing a single row.
Courbe de Lorenz sur la surface de plancher commencée (m²). Plus la courbe s’éloigne de la diagonale, plus la construction est concentrée géographiquement. Gini = 0,448.
scatter_quadrants(
dep %>% filter(!is.na(logs_logcom_tx1000_2224)),
x = "dm_pop_vtcam_1622", y = "logs_logcom_tx1000_2224",
title = "Construction neuve suit la croissance démographique",
subtitle = glue("r = {fmt_fr(cor(dep$dm_pop_vtcam_1622, dep$logs_logcom_tx1000_2224, use='complete.obs'), 2)} | {N_DEP} DEP"),
xlab = "TCAM pop 2016-2022 (%/an)",
ylab = "Log commencés / 1 000 hab",
hline = med_txcom, vline = 0,
quad_labels = c("Croissant\n+ construit", "Déclinant\n+ construit",
"Déclinant\n- construit", "Croissant\n- construit")
) +
labs(caption = make_source("SITADEL", "INSEE RP"))
Vacance 2+ ans : 174 EPCI en hausse 2020-2024. La corrélation vacance × SMA = 0,02 (DEP) confirme le lien entre déprise démographique et abandon du parc.
La vacance structurelle (LOVAC >2 ans) discrimine mieux la dévitalisation que la vacance du recensement. Elle capte les logements durablement hors marché — un signal fort de déprise territoriale.
tm_shape(map_dep) +
tm_polygons(fill = "logv_vac2ans_pct_24",
fill.scale = tm_scale_intervals(breaks = breaks_vac,
values = rev(make_pal(pal_urbn_seq_green, 8))),
fill.legend = tm_legend_clean("% vac 2+ans"),
col = "grey70", lwd = 0.3) +
tm_urbn("Vacance 2+ ans — LOVAC 2024") +
tm_source(make_source("LOVAC"))
tm_shape(map_dep) +
tm_polygons(fill = "logv_vac2ans_vdifp_2024",
fill.scale = tm_scale_intervals(n = 7, style = "quantile",
values = make_pal(pal_urbn_purple_green, 7)),
fill.legend = tm_legend_clean("pts 20-24"),
col = "grey70", lwd = 0.3) +
tm_urbn("Évolution vacance 2020-2024 (pts)") +
tm_source(make_source("LOVAC"))[v3->v4] `tm_layout()`: use text.fontfamily instead of fontfamily
[v3->v4] `tm_layout()`: use text.fontfamily instead of fontfamily
[scale] tm_polygons:() the data variable assigned to 'fill' contains positive and negative values, so midpoint is set to 0. Set 'midpoint = NA' in 'fill.scale = tm_scale_intervals(<HERE>)' to use all visual values (e.g. colors)
Gauche : taux de vacance longue durée 2024. Droite : évolution 2020-2024 (points de %). Nord-est et Massif central concentrent vacance élevée et aggravation.
tm_shape(map_epci) +
tm_polygons(fill = "logv_vac2ans_pct_24",
fill.scale = tm_scale_intervals(breaks = breaks_vac,
values = rev(make_pal(pal_urbn_seq_green, 8))),
fill.legend = tm_legend_clean("% vac 2+ans"),
col = "grey90", lwd = 0.1) +
tm_urbn("Vacance 2+ ans — EPCI, LOVAC 2024") +
tm_source(make_source("LOVAC"))[v3->v4] `tm_layout()`: use text.fontfamily instead of fontfamily
scatter_quadrants(
dep, x = "dm_sma_vtcam_1622", y = "logv_vac2ans_pct_24",
title = "Déclin démographique = vacance longue durée",
subtitle = glue("r = {fmt_fr(cor_vac_sma_dep, 2)} | LOVAC 2+ ans vs SMA 16-22 | {N_DEP} DEP"),
xlab = "SMA TCAM 16-22 (%/an)", ylab = "Vacance 2+ ans (%)",
hline = med_vac_dep, vline = 0,
quad_labels = c("Attractif tendu", "Attractif détendu",
"Déclin détendu", "Déclin tendu")
) +
labs(caption = make_source("LOVAC", "INSEE RP"))
plot_bar_ranked(
dep, var = "logv_vac2ans_pct_24", label_col = "libelle",
n_show = 15,
title = "Vacance 2+ ans — Top/Bottom 15 DEP",
subtitle = glue("LOVAC 2024 | Médiane = {fmt_pct(med_vac_dep)}"),
xlab = "Vacance 2+ ans (%)",
caption = make_source("LOVAC 2024")
)Warning: Specifying width/height in layout() is now deprecated.
Please specify in ggplotly() or plot_ly()Loyer médian appt : 11,5 EUR/m² (hausse médiane +11,4 % 22-25). L’accessibilité se dégrade dans les marchés déjà tendus.
Les données ANIL (Observatoires Locaux des Loyers) permettent de compléter le tableau DVF par les prix à la location. La comparaison prix d’achat / loyer / revenu médian donne un indicateur d’accessibilité territoriale.
tm_shape(map_dep) +
tm_polygons(fill = "logl_app_m2_25",
fill.scale = tm_scale_intervals(n = 7,
values = make_pal(pal_urbn_seq_blue, 7)),
fill.legend = tm_legend_clean("EUR/m²"),
col = "grey70", lwd = 0.3) +
tm_urbn("Loyer appt (tous types) — 2025") +
tm_source(make_source("ANIL/OLL"))
tm_shape(map_dep) +
tm_polygons(fill = "logl_app_evol_2225",
fill.scale = tm_scale_intervals(
breaks = c(-5, 0, 2, 4, 6, 8, 10, 15, 25),
values = make_pal(pal_urbn_div, 8), midpoint = NA),
fill.legend = tm_legend_clean("% 22-25"),
col = "grey70", lwd = 0.3) +
tm_urbn("Évolution loyers appt 2022-2025") +
tm_source(make_source("ANIL/OLL"))[v3->v4] `tm_layout()`: use text.fontfamily instead of fontfamily
[v3->v4] `tm_layout()`: use text.fontfamily instead of fontfamily
Gauche : loyer médian appt tous types (EUR/m²) 2025. Droite : évolution 2022-2025 (%). Les loyers augmentent partout, mais l’accélération est plus forte en province qu’en IDF.
plot_bar_ranked(
dep %>% filter(!is.na(logl_app_m2_25)),
var = "logl_app_m2_25", label_col = "libelle",
n_show = 15,
title = "Loyers appt — Top/Bottom 15 DEP",
subtitle = glue("EUR/m² 2025 | Médiane = {fmt_fr(med_loyer_app, 1)} EUR/m²"),
xlab = "Loyer appt (EUR/m²)",
caption = make_source("ANIL/OLL 2025")
)Warning: Specifying width/height in layout() is now deprecated.
Please specify in ggplotly() or plot_ly()labs_loyer <- label_top_bottom(dep, "logl_app_m2_25", n = 8)
ggplot(dep %>% filter(!is.na(logl_app_m2_25), !is.na(logl_mai_m2_25)),
aes(x = logl_mai_m2_25, y = logl_app_m2_25)) +
geom_abline(slope = 1, intercept = 0, linetype = "dashed", color = col_gray) +
geom_point(aes(size = P22_POP), alpha = 0.5, color = col_cyan) +
geom_text_repel(
data = dep %>% filter(libelle %in% labs_loyer),
aes(label = libelle), size = 2.8, max.overlaps = 15,
color = col_spacegray, segment.color = col_gray
) +
scale_size_continuous(range = c(1, 7), guide = "none") +
labs(
title = "Loyer appt systématiquement supérieur au loyer maison",
subtitle = glue("{N_DEP} départements | Diagonale = parité"),
x = "Loyer maison (EUR/m²)", y = "Loyer appt (EUR/m²)",
caption = make_source("ANIL/OLL 2025")
)Warning: ggrepel: 8 unlabeled data points (too many overlaps). Consider increasing max.overlaps
Tous les points sont au-dessus de la diagonale : le loyer au m² des appartements est toujours plus élevé que celui des maisons. L’écart s’accentue dans les marchés tendus (IDF, métropoles).
idxlogtens corrèle à 0,76 avec les prix et -0,28 avec la vacance — un signal composite cohérent.
L’indice de tension logement synthétise prix, vacance et dynamique du parc. Sa corrélation modérée avec l’indice résidentiel confirme que les deux ne sont pas redondants : l’idxresid capte les flux humains, l’idxlogtens traduit la résultante immobilière.
scatter_quadrants(
ze, x = "idxresid_dyn_ind_1623", y = "idxlogtens_ind_22",
title = "Flux humains ≠ tension immobilière",
subtitle = glue("r = {fmt_fr(cor_lt_resid, 2)} | Résidentiel vs tension logement"),
xlab = "Indice résidentiel T2 (0-100)", ylab = "Indice tension logement (0-100)",
hline = 50, vline = 50,
quad_labels = c("Attractif + tendu", "Peu attractif + tendu",
"Peu attractif + détendu", "Attractif + détendu")
) +
labs(caption = make_source("MIGCOM", "DVF", "LOVAC"))
labs_g <- label_top_bottom(ze, "idxgentri_ind_1622", n = 10)
ggplot(ze, aes(x = dmf_tmi_cscadre_22, y = idxgentri_ind_1622)) +
geom_hline(yintercept = 50, linetype = "dashed", color = col_gray) +
geom_vline(xintercept = 0, linetype = "dashed", color = col_gray) +
geom_point(aes(size = P22_POP, color = logd_px2_global_vevol_1624), alpha = 0.7) +
geom_text_repel(
data = ze %>% filter(libelle %in% labs_g),
aes(label = libelle), size = 2.8, max.overlaps = 20,
color = col_spacegray, segment.color = col_gray
) +
scale_size_continuous(range = c(1, 7), guide = "none") +
scale_color_gradient2(
low = col_magenta, mid = "grey90", high = col_green,
midpoint = 0, name = "Evol prix (%)"
) +
labs(
title = "Gentrification = afflux cadres + hausse prix",
subtitle = glue("r cadres = {fmt_fr(cor_gentri_cadre, 2)} | r prix = {fmt_fr(cor_gentri_prix, 2)}"),
x = "TMI cadres 2022 (pts)", y = "Indice gentrification (0-100)",
caption = make_source("MIGCOM", "DVF")
)
Gauche : les quadrants montrent que tension et attractivité ne coïncident pas toujours — certaines ZE sont tendues sans être attractives (inertie foncière). Droite : couleur = évolution prix (vert = hausse, violet = baisse).
synth <- dep %>%
summarise(
across(
c(logd_px2_global_24, logv_vac2ans_pct_24, logs_logcom_tx1000_2224,
logs_sdpcom_vol_2224, logl_app_m2_25),
list(med = ~median(.x, na.rm = TRUE),
q10 = ~quantile(.x, 0.10, na.rm = TRUE),
q90 = ~quantile(.x, 0.90, na.rm = TRUE)),
.names = "{.col}__{.fn}")
) %>%
tidyr::pivot_longer(everything(), names_to = c("var", "stat"), names_sep = "__") %>%
tidyr::pivot_wider(names_from = stat, values_from = value) %>%
mutate(
label = case_when(
var == "logd_px2_global_24" ~ "Prix m² global (EUR)",
var == "logv_vac2ans_pct_24" ~ "Vacance 2+ ans (%)",
var == "logs_logcom_tx1000_2224" ~ "Construction / 1 000 hab",
var == "logs_sdpcom_vol_2224" ~ "Surface commencée (m²)",
var == "logl_app_m2_25" ~ "Loyer appt (EUR/m²)"
),
ecart = q90 - q10
) %>%
select(label, med, q10, q90, ecart)
rt_styled(
synth,
columns = list(
label = colDef(name = "Indicateur (DEP)", minWidth = 170, style = list(fontWeight = "500")),
med = col_num("Médiane", digits = 1),
q10 = col_num("P10", digits = 1),
q90 = col_num("P90", digits = 1),
ecart = colDef(
header = header_unit("Écart P90-P10", "dispersion"),
cell = bar_simple(max(synth$ecart, na.rm = TRUE), fill = col_cyan, bar_width = 60),
minWidth = 150
)
)
)1. Prix ≠ attractivité — Corrélation prix × SMA = 0,34. Le prix mélange rente foncière et attractivité. Facteur 12.4 entre extrêmes.
2. Construction concentrée — Gini m² = 0,448. 67,1 M m² commencés 22-24, très inégalement répartis.
3. Vacance = thermomètre de la déprise — Corrélation DEP vacance × SMA = 0,02. 174 EPCI en hausse.
4. Tension composite cohérente — idxlogtens × prix = 0,76, × vacance = -0,28. Complémentaire avec idxresid (0,26).
| Hypothèse | Résultat |
|---|---|
| H4 : Prix DVF = proxy attractivité | Partiellement confirmée — proxy imparfait (r = 0,34) |
| H6 : Cycle foncier prédictif | Non testée — nécessite séries DVF pré-2014 |
df_px_dep <- bind_rows(
dep %>% filter(!is.na(logd_px2_global_24)) %>%
slice_max(logd_px2_global_24, n = 15) %>%
mutate(rang = row_number(), groupe = "Top 15 — Prix élevés"),
dep %>% filter(!is.na(logd_px2_global_24)) %>%
slice_min(logd_px2_global_24, n = 15) %>%
mutate(rang = row_number(), groupe = "Bottom 15 — Prix bas")
) %>%
select(groupe, rang, libelle, logd_px2_global_24, logd_px2_global_vevol_2224,
logv_vac2ans_pct_24, logl_app_m2_25, dm_sma_vtcam_1622)
rt_styled(
df_px_dep,
columns = list(
groupe = colDef(show = FALSE),
rang = colDef(name = "#", width = 40),
libelle = colDef(name = "Département", minWidth = 150),
logd_px2_global_24 = colDef(
header = header_unit("Prix m²", "EUR 2024"),
cell = bar_simple(compute_bar_stats(df_px_dep$logd_px2_global_24)$p98,
fill = col_cyan, bar_width = 55),
minWidth = 145
),
logd_px2_global_vevol_2224 = col_variation(df_px_dep, "logd_px2_global_vevol_2224",
"Evol prix", "% 22-24"),
logv_vac2ans_pct_24 = col_num("Vac 2+ans", "%"),
logl_app_m2_25 = col_num("Loyer appt", "EUR/m²"),
dm_sma_vtcam_1622 = col_variation(df_px_dep, "dm_sma_vtcam_1622", "SMA", "%/an")
),
groupBy = "groupe",
defaultExpanded = TRUE,
height = 550
)df_con <- bind_rows(
dep %>% filter(!is.na(logs_logcom_tx1000_2224)) %>%
slice_max(logs_logcom_tx1000_2224, n = 15) %>%
mutate(rang = row_number(), groupe = "Top 15 — Forte construction"),
dep %>% filter(!is.na(logs_logcom_tx1000_2224)) %>%
slice_min(logs_logcom_tx1000_2224, n = 15) %>%
mutate(rang = row_number(), groupe = "Bottom 15 — Faible construction")
) %>%
select(groupe, rang, libelle, logs_logcom_tx1000_2224, logs_sdpcom_vol_2224,
logd_px2_global_24, dm_pop_vtcam_1622)
rt_styled(
df_con,
columns = list(
groupe = colDef(show = FALSE),
rang = colDef(name = "#", width = 40),
libelle = colDef(name = "Département", minWidth = 150),
logs_logcom_tx1000_2224 = colDef(
header = header_unit("Log/1000 hab", "22-24"),
cell = bar_simple(compute_bar_stats(df_con$logs_logcom_tx1000_2224)$p98,
fill = col_green, bar_width = 55),
minWidth = 130
),
logs_sdpcom_vol_2224 = col_num("Surface m²", "cumul 22-24", digits = 0),
logd_px2_global_24 = col_num("Prix m²", "EUR"),
dm_pop_vtcam_1622 = col_variation(df_con, "dm_pop_vtcam_1622", "TCAM pop", "%/an")
),
groupBy = "groupe",
defaultExpanded = TRUE,
height = 550
)df_vac <- bind_rows(
epci %>% filter(!is.na(logv_vac2ans_pct_24)) %>%
slice_max(logv_vac2ans_pct_24, n = 20) %>%
mutate(rang = row_number(), groupe = "Top 20 — Forte vacance"),
epci %>% filter(!is.na(logv_vac2ans_pct_24)) %>%
slice_min(logv_vac2ans_pct_24, n = 20) %>%
mutate(rang = row_number(), groupe = "Bottom 20 — Faible vacance")
) %>%
select(groupe, rang, libelle, logv_vac2ans_pct_24, logv_vac2ans_vdifp_2024,
logd_px2_global_24, dm_sma_vtcam_1622)
rt_styled(
df_vac,
columns = list(
groupe = colDef(show = FALSE),
rang = colDef(name = "#", width = 40),
libelle = colDef(name = "EPCI", minWidth = 200),
logv_vac2ans_pct_24 = colDef(
header = header_unit("Vac 2+ans", "% 2024"),
cell = bar_simple(compute_bar_stats(df_vac$logv_vac2ans_pct_24)$p98,
fill = col_orange, bar_width = 55),
minWidth = 130
),
logv_vac2ans_vdifp_2024 = col_variation(df_vac, "logv_vac2ans_vdifp_2024",
"Evol vac", "pts 20-24"),
logd_px2_global_24 = col_num("Prix m²", "EUR"),
dm_sma_vtcam_1622 = col_variation(df_vac, "dm_sma_vtcam_1622", "SMA", "%/an")
),
groupBy = "groupe",
defaultExpanded = TRUE,
height = 600
)df_loyer <- dep %>%
filter(!is.na(logl_app_m2_25)) %>%
arrange(desc(logl_app_m2_25)) %>%
head(30) %>%
select(libelle, logl_app_m2_25, logl_app_evol_2225,
logl_mai_m2_25, logl_mai_evol_2225,
logd_px2_global_24, rev_med_21)
rt_styled(
df_loyer,
columns = list(
libelle = colDef(name = "Département", minWidth = 150, style = list(fontWeight = "500")),
logl_app_m2_25 = col_num("Loyer appt", "EUR/m²"),
logl_app_evol_2225 = col_variation(df_loyer, "logl_app_evol_2225", "Evol appt", "% 22-25"),
logl_mai_m2_25 = col_num("Loyer maison", "EUR/m²"),
logl_mai_evol_2225 = col_variation(df_loyer, "logl_mai_evol_2225", "Evol maison", "% 22-25"),
logd_px2_global_24 = col_num("Prix m²", "EUR"),
rev_med_21 = col_num("Revenu méd.", "EUR")
),
height = 500
)