Geonotice

Lire la suite

Cartographie des Logements Vacants : Analyse et Visualisation

Introduction

L’analyse des logements vacants est essentielle pour comprendre les dynamiques du marché immobilier et l’évolution des territoires urbains. La vacance peut être le symptôme de déséquilibres économiques, d’une inadéquation entre l’offre et la demande, ou encore de stratégies spéculatives. Grâce aux outils de cartographie et d’analyse spatiale, il est possible de mieux visualiser et quantifier ces phénomènes.

Dans cet article, nous allons explorer la répartition des logements vacants dans un territoire donné, en utilisant des données issues du recensement et des outils SIG (Systèmes d’Information Géographique). Nous présenterons la méthodologie employée, les résultats statistiques ainsi qu’une cartographie permettant de mettre en évidence les zones où la vacance est la plus marquée.

Données utilisées

Les données exploitées proviennent du fichier de recensement des logements à l’échelle IRIS. Les principales variables retenues pour l’analyse sont :

  • Nombre total de logements (nb_log) : Indique la capacité résidentielle d’un secteur donné.
  • Nombre de logements vacants (nb_logvac) : Permet d’identifier les logements inoccupés.
  • Taux de vacance (pct_logvac) : Exprimé en pourcentage, il rapporte le nombre de logements vacants au nombre total de logements.
  • Découpage géographique (l_ir) : Correspond à l’identification des IRIS, unités de référence pour les analyses statistiques locales.

Les données ont été nettoyées, les valeurs aberrantes supprimées, et les taux de vacance calculés pour chaque secteur.

Méthodologie

L’analyse repose sur les étapes suivantes :

  1. Prétraitement des données : Chargement, exploration et vérification de la cohérence des valeurs.
  2. Analyse rapide sur R :
    • Lecture et traitement des données avec read.csv().
    • Exploration statistique avec summary() et ggplot2 pour visualiser la distribution des taux de vacance.
    • Identification des secteurs présentant les plus fortes concentrations de logements vacants.
  3. Cartographie sur QGIS :
    • Importation des données nettoyées dans QGIS.
    • Jointure avec le fond de carte des IRIS.
    • Création d’une carte choroplèthe représentant la répartition du taux de vacance.
  4. Interprétation des résultats : Identification des zones les plus concernées et mise en relation avec des facteurs socio-économiques ou urbains.

Résultats et Visualisation

Analyse statistique

A l’échelle de l’IRIS :

L’analyse statistique réalisée sous R a révélé que le taux moyen de vacance dans la zone étudiée est de 6.6 %, avec une dispersion significative entre les différents secteurs. Certains IRIS affichent des taux faibles (moins de 4 %), tandis que d’autres dépassent les 8 %, suggérant une vacance structurelle ou conjoncturelle atteignant au maximum 57%. 

A l’échelle des arrondissements : 

l_ar : Nom de l’arrondissement, 

min : Valeur minimale du taux de vacance, 

max : Valeur maximale du taux de vacance, 

mean : Moyenne du taux de vacance (%), 

median : Médiane du taux de vacance, 

minority : Valeur minoritaire, 

majority : Valeur majoritaire, 

q1 : Premier quartile, 

q3 : Troisième quartileMoyenne globale du taux de vacance sur Paris :8,45%

Exemples de données par arrondissement :

  • 1er arrondissement : Moyenne 10,90% (min : 2%, max : 20%)
  • 13e arrondissement : Moyenne 6,46% (min : 0%, max : 16%)
  • 16e arrondissement : Moyenne 9,39% (min : 0%, max : 57%)
  • 11e arrondissement : Moyenne 8,58% (min : 2%, max : 17%)

Interprétation rapide :

  • Les arrondissements centraux (1er, 2e, 8e, 10e, 16e) ont un taux moyen de vacance relativement élevé (~9-11%).
  • Les arrondissements plus résidentiels (13e, 14e, 19e, 20e) affichent un taux plus faible (~6-7%).
  • Le 16e arrondissement présente une forte dispersion (min 0%, max 57%), ce qui indique une grande hétérogénéité selon les secteurs.

Cartographie sur QGIS

La cartographie réalisée met en évidence des disparités spatiales marquées. Les étapes suivies dans QGIS incluent :

  • L’importation des données traitées sous R.
  • L’intégration du fond de carte des IRIS.
  • La symbolisation des taux de vacance en classes, avec une palette de couleurs adaptée (ex. rouge pour forte vacance, vert pour faible vacance).
  • La création d’une mise en page professionnelle avec légende et annotations.

Les secteurs avec un taux de vacance élevé apparaissent concentrés dans certaines zones spécifiques, ce qui peut être corrélé à des facteurs tels que :

  • Une faible attractivité résidentielle
  • La présence de logements anciens nécessitant des rénovations
  • Une dynamique spéculative empêchant leur mise en location

La carte produite permet une exploration détaillée des données, offrant un outil d’aide à la décision pour les acteurs de l’aménagement et de l’urbanisme.

Conclusion

Cette étude met en lumière l’intérêt de l’analyse spatiale pour la compréhension des dynamiques du marché immobilier. En visualisant les disparités géographiques de la vacance, il devient possible d’identifier des leviers d’action pour réduire le nombre de logements inoccupés, par exemple via des politiques de rénovation ou d’incitation à la mise en location.

L’approche utilisée ici peut être étendue à d’autres territoires ou enrichie par l’intégration de nouvelles variables, telles que les prix de l’immobilier ou les infrastructures de transport. La combinaison des analyses statistiques sous R et de la cartographie sous QGIS constitue ainsi un puissant outil pour une meilleure gestion du parc immobilier.

Annexe: 

Script R : 

Installer et charger les bibliothèques nécessaires

install.packages(c(« tidyverse », « sf », « ggplot2 », « tmap »))

library(tidyverse)

library(sf)

library(ggplot2)

library(tmap)

library(dplyr)

Importer les données des logements vacants

getwd()

setwd(« D:/Geonotice/logement_vacant_sur_R »)

logements <- read.csv(« RECENSEMENT_IRIS_LOGEMENT.csv »)

head(logements)

Sélectionner les colonnes utiles

logements <- logements %>%

select(l_ir, nb_log, nb_logvac, pct_logvac) %>%

mutate(across(c(nb_log, nb_logvac, pct_logvac), as.numeric))

Vérifier les statistiques descriptives

summary(logements)

ggplot(logements, aes(x = pct_logvac)) +

geom_histogram(bins = 30, fill = « red », color = « black », alpha = 0.7) +

geom_density(alpha = 0.3, fill = « blue ») +

labs(title = « Distribution du taux de vacance des logements », x = « Taux de vacance (%) », y = « Nombre d’IRIS ») +

theme_minimal()

Charger le fond de carte des IRIS (adapter le chemin)

fond_carte <- st_read(« D:/Geonotice/logement_vacant_sur_R/iris/iris.geojson »)

Joindre les données de logements aux données spatiales

carte_logements <- fond_carte %>%

left_join(logements, by = « l_ir »)

Afficher la carte

tm_shape(carte_logements) +

tm_polygons(« pct_logvac », palette = « Reds », title = « Taux de vacance (%) ») +

tm_layout(title = « Cartographie des logements vacants à Paris »)

library(leaflet)

Palette de couleurs

pal <- colorNumeric(« YlOrRd », carte_logements$pct_logvac)

Création de la carte interactive

leaflet(carte_logements) %>%

addTiles() %>%

addPolygons(fillColor = ~pal(pct_logvac), fillOpacity = 0.7, color = « black »,

          popup = ~paste0("IRIS: ", l_ir, "<br>Taux de vacance: ", round(pct_logvac, 2), "%")) %>%

addLegend(pal = pal, values = ~pct_logvac, title = « Taux de vacance (%) »)

Laisser un commentaire