Les prévisions immobilières pour le 1er trimestre 2021

• Malgré la crise sanitaire et économique, une baisse significative des prix immobiliers à court terme semble peu probable dans les villes de plus de 100 000 habitants.
• À l’horizon du premier trimestre 2021, environ un tiers (12 sur 40) des villes de plus de 100 000 habitants ont une probabilité importante (supérieure à 50%) de voir les prix demandés baisser ou se stabiliser.
• Parmi elles, les villes ayant la plus forte probabilité de baisse des prix sont Bordeaux (41%), Rouen (35%) et Perpignan (34%).
• Les 28 villes restantes ont une probabilité de hausse significative (supérieure à 1,5% sur 6 mois) de plus de 50%.
  

Téléchargez l'étude  au format pdf en cliquant ici.

Découvrez le communiqué de presse de cette étude.

Un environnement particulièrement incertain

Prévoir l’évolution des marchés immobiliers est un exercice complexe, surtout en temps de crise, et pourtant indispensable pour de nombreux acteurs du secteur. Que ce soit pour une vente, un achat ou encore pour évaluer l’activité à venir d’une entreprise, de nombreuses décisions s’organisent en fonction des perspectives économiques, personnelles ou macroéconomiques. La crise de la Covid19 nous a embarquée dans un environnement particulièrement incertain, d’un point de vue sanitaire bien sûr, mais également économique. On a pu lire de nombreux articles depuis mars 2020 sur les effets que pourrait avoir cette crise sur le secteur immobilier. Les prix semblent pour l’instant se stabiliser et certains signaux, comme l’excès de stock de biens à la vente à Paris, si la demande ne suit pas, sont avant-coureurs d’une potentielle baisse.

Que dit la recherche académique?

L’estimation des points de retournement est un sujet largement traité dans la littérature. Shiller (2007) montre en effet que, malgré l’absence d’indice de prix à cette époque, on peut mesurer l’euphorie du boom et l’inquiétude qui suivit à l’aide du nombre d’annonces dans les journaux mais également à l’aide du vocabulaire tantôt excessivement positif, tantôt neutre quant aux possibilités de rendement d’un investissement immobilier. Les données d’annonces immobilières ont récemment été exploitées dans plusieurs papiers. Loberto, Luciani et Pangallo (2020) étudient l’apport potentiel des données d’annonces pour l’Italie, en construisant notamment des indicateurs de demandes et d’offres. Leur analyse suggère que les prix d’annonces constituent une source d’information pour les prix de vente effectifs. Anenberg et Laufer (2017) vont un peu plus loin sur cet aspect, pour le cas des Etats-Unis, et montrent qu’un indice de prix construit à partir des annonces permet d’anticiper les fluctuations des prix de vente.

Quelles informations tirer des données d’annonces ?

À partir des informations tirées des annonces, comme le stock, la durée de publication ou encore les changements de prix, nous exploitons plusieurs algorithmes de machine learning afin de proposer une prévision, non pas de la variation des prix mais de la probabilité de hausse (supérieure à 1,5% sur 6 mois), stabilité (entre 0 et 1,5% sur 6 mois) ou baisse des prix demandés. Cet exercice se concentre pour l’instant sur un indice de prix demandés compilés à partir des annonces pour chacune des villes françaises de plus de 100 000 habitants. Il s’agit de prévoir la probabilité, à un horizon de 2 trimestres, de hausse, stabilité, ou encore baisse de ces indices. Les variables explicatives sont fondées sur le stock d’annonces, la durée de publication, et les baisses significatives de prix des annonces (en écart par rapport à leurs tendances). Le graphique ci-dessous illustre la probabilité de stabilité ou baisse. Comme on peut le voir, 12 villes ont une “probabilité de stabilité ou baisse” (somme des deux probabilités) supérieure à 50%.

Probabilité de baisse et de stabilité des prix demandés à l’horizon T1 2021

Parmi elles, les villes ayant la plus forte probabilité de baisse des prix sont Bordeaux (41%), Rouen (35%) et Perpignan (34%).

Probabilités d’évolution des prix affichés à l’horizon T1-2021:

Annexe méthodologique

Après avoir construit des indices de prix demandés pour les 40 villes d’intérêt, nous calculons les taux de croissance sur 6 mois puis classons ceux-ci en trois catégories: baisse, stabilité (entre 0% et 1,5%) et hausse significative (supérieure à 1,5%). Les variables explicatives sont essentiellement construites à partir d’indicateurs de stock, de durée de publication ou encore sur la base des changements de prix. Nous comparons plusieurs méthodes de machine learning afin de sélectionner la plus performante.

Bibliographie

Anenberg Elliot & Laufer Steven, 2017. "A More Timely House Price Index," The Review of Economics and Statistics, MIT Press, vol. 99(4), pages 722-734, July.

https://ideas.repec.org/a/tpr/restat/v99y2017i4p722-734.html

Loberto Michele & Luciani Andrea & Pangallo Marco, 2020. "What do online listings tell us about the housing market?," Papers 2004.02706, arXiv.org.

https://ideas.repec.org/p/arx/papers/2004.02706.html

Shiller Robert J., 2007. "Historic Turning Points in Real Estate," Cowles Foundation Discussion Papers 1610, Cowles Foundation for Research in Economics, Yale University.

https://ideas.repec.org/p/cwl/cwldpp/1610.html

Une étude* menée par l'équipe études et R&D Yanport.
N'hésitez pas à nous contacter pour toute question.

*étude réalisée à partir de données rassemblées jusqu'à la fin du mois de septembre 2020