Immobilier et crise sanitaire : La probabilité de baisses de prix à court terme dans les villes de plus de 100 000 habitants est faible

Depuis mars 2020, les acteurs de l’immobilier s’inquiètent des effets que pourrait avoir la crise de la Covid19 sur les prix de l’immobilier. Et si les prix se sont stabilisés jusqu’ici, certains signaux, comme l’excès de stock de biens à la vente peuvent être avant-coureurs d’une potentielle baisse des prix immobilier. Spécialiste de la data, Yanport a souhaité s’appuyer sur les dernières avancées en matière d’intelligence artificielle pour analyser les données d’annonces immobilières et établir ainsi une prévision 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 de immobilier. Il en ressort qu’une baisse significative des prix immobiliers à court-terme semble peu probable dans les villes de plus de 100 000 habitants. A l’horizon du premier trimestre 2021, seulement un tiers d’entre elles (12 sur 40) des villes de plus de 100 000 habitants ont une probabilité importante de voir leurs prix baisser ou se stabiliser.

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.

Annonces immobilières et 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.

C’est à Bordeaux, à Rouen et à Perpignan que la probabilité de baisse des prix est la plus élevée

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 1 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 2 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%.

Parmi elles, les villes ayant la plus forte probabilité de baisse des prix sont Bordeaux (41%), Rouen (35%) et Perpignan (34%). Les trois villes qui ont la plus forte probabilité de voir leurs prix immobiliers enregistrer une hausse significative (+ de 1,5%) au cours des 6 prochains mois sont Clermont Ferrand avec une probabilité de hausse de 76%, Nancy avec une probabilité de hausse de 76% et Brest avec une probabilité de hausse de 75%.

Méthodologie

Après avoir construit des indices de prix demandés pour les 40 villes,  Yanport a calculé les taux de croissance sur 6 mois puis les a classé 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.

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.
Loberto Michele & Luciani Andrea & Pangallo Marco, 2020. « What do online listings tell us about the housing market?, » Papers 2004.02706, arXiv.org.
Shiller Robert J., 2007. « Historic Turning Points in Real Estate, » Cowles Foundation Discussion Papers 1610, Cowles Foundation for Research in Economics, Yale University.