Mesurer la demande sociale d’espaces forestiers périurbains par la méthode des enchères

Laetitia Tuffery

Citer cet article

Référence électronique

Tuffery, L. (2022). Mesurer la demande sociale d’espaces forestiers périurbains par la méthode des enchères. Zoom recherche. Mis en ligne le 04 octobre 2022, Cahiers ESPI2R, consulté le 30 janvier 2023. URL : https://www.cahiers-espi2r.fr/877

Contexte de l’étude

En raison du développement des villes et de l’accroissement de la population, les zones périurbaines et rurales subissent l’influence des métropoles et sont fortement convoitées. L’étalement urbain impose ainsi une réflexion sur l’usage des sols de ces espaces car cette pression génère, notamment, des modifications des écosystèmes naturels du fait de l’artificialisation des sols et de la fragmentation des habitats faunistiques et floristiques, conséquences de l’extension des infrastructures linéaires de transport. Les impacts de ces changements ne sont pas neutres pour les populations locales :la dégradation de l’espace vert et naturel peut entraîner une perte de bien-être dans les zones concernées.

La connaissance de la demande sociale en espaces forestiers apparaît désormais primordiale pour la qualité environnementale en ville et le bien-être des résidents dans les zones urbaines et périurbaines. Elle constitue l’un des fers de lance des actions environnementales menées par les politiques publiques locales et nationales.

Les méthodes d’évaluation économique d’actifs environnementaux représentent la boîte à outils incontournable pour apprécier les aménités environnementales (Cantuarias-Villessuzanne, 2021). Ainsi, grâce à la méthode des prix hédoniques, nous pouvons mesurer le consentement à payer moyen des ménages pour la proximité de leur logement aux forêts à travers l’étude des prix immobiliers et comprendre comment le profil socio-économique des ménages influence leurs préférences en termes de services récréatifs de l’environnement forestier. Ce second objectif est motivé par le fait que les préférences des ménages pour le logement sont par nature hétérogènes à cause des différences liées à leurs revenus, âges, situations familiales ou encore leurs zones de logement. Considérer les préférences en moyenne ne permet pas de saisir les spécificités de la demande sociale des territoires.

Pour réaliser cette étude, nous nous sommes basés sur les données géolocalisées des espaces forestiers et de leur aménagement ainsi que sur les transactions immobilières répertoriées dans la base immobilière économique notariale (BIEN) sur le département francilien périurbain de la Seine-et-Marne, et pour la période 2008-2012.

Méthodologie

La méthode des prix hédoniques repose sur le fait que la valeur des biens immobiliers dépend de leurs caractéristiques qui, pour certaines, reflètent la qualité de leur environnement. En comparant le prix de biens immobiliers semblables, toutes choses égales par ailleurs, excepté en ce qui concerne les caractéristiques environnementales (ici la proximité aux forêts et leur qualité récréative), on peut décomposer le prix d’un bien en fonction de ces propriétés.

Cette méthode se fonde sur une estimation en deux étapes : estimation de la fonction hédonique puis de la fonction d’enchères.

Alonso (1964), dans un modèle d’équilibre spatial sans hétérogénéité des biens fonciers, définit le logement par sa superficie et sa distance au centre-ville. Rosen (1974) propose un modèle d’appariement (matching) entre des logements et des individus définis de manière hétérogène, qui inclut les caractéristiques intrinsèques des biens immobiliers ; il en résulte la fonction hédonique. Ces modèles sont ensuite développés par Ellickson (1981) afin de saisir la structure du marché foncier et la détermination des prix par la maximisation des enchères. Ellickson (1981) puis Lerman et Kern (1983) proposent une alternative au modèle hédonique dans le cas de l’analyse des transactions immobilières. On caractérise ainsi le marché immobilier par la concurrence en termes d’occupation des sols et par le lien entre rente foncière et utilisation des sols. Cette concurrence mène à considérer, dans le modèle, que l’acquéreur de chaque logement est celui avec la plus forte enchère. L’ensemble des transactions immobilières sur un même marché constitue donc les fonctions d’enchères.

La fonction d’enchères représente ici la disposition à payer des acquéreurs sur le marché du logement. Cette disposition à payer n’étant pas la même pour tous les agents, nous introduisons différentes fonctions d’enchères, reflets des caractéristiques socio-économiques des acheteurs. Partant de l’hypothèse selon laquelle les acquéreurs peuvent être regroupés de manière homogène, l’estimation de la fonction d’enchères passe donc par la création de plusieurs catégories d’acheteurs. Elles doivent représenter des sous-groupes d’agents homogènes en termes de préférences et de disposition à payer pour un type de logement.

Principaux résultats

Les catégories d’acquéreurs

Afin d’effectuer nos groupes d’acheteurs, deux variables de la base BIEN sont utilisées : la catégorie socio-professionnelle (CSP) et l’âge de la personne de référence du ménage acheteur du bien immobilier (voir le tableau 1). Ces deux variables constituent des indicateurs indirects (proxies) du niveau de revenu, de la situation professionnelle ainsi que de la situation familiale. Une des limites porte sur le fait que la personne de référence n’est pas toujours représentative du profil de la famille ; or, le choix de localisation est défini par la famille. Cependant, nous supposons que le profil de la personne de référence est à l’image des besoins du ménage.

Tableau 1. Les catégories d’acquéreurs et le nombre de ménages présents dans notre échantillon

Image 100002010000030E000001AA370B3794095E1F5E.png

Traduit de “Preferences for forest proximity and recreational amenities revealed by the random bidding model”, par L. Tuffery, 2019, Landscape and Urban Planning, 189, p. 183.

Analyse spatiale de la qualité récréative des forêts périurbaines

Partant d’une analyse fine de la proximité des forêts périurbaines aux services récréatifs, nous construisons un ensemble de variables portant à la fois sur les forêts publiques et privées qui sont approchées par la qualité de ces services. Quatre variables d’intérêt sont intégrées au modèle pour l’estimation :

  • une variable de surface globale en km² de l’environnement forestier ;

  • une variable proxy de la richesse en biodiversité qui combine l’indice de protection de la biodiversité et les noyaux (réservoirs) de biodiversité ;

  • une variable proxy des linéaires récréatifs qui prend la valeur 1 si la forêt est dotée de pistes cyclables et de chemins de randonnée, 0 sinon ;

  • une variable de localisation des bases de loisirs en plein air présentes sur les forêts du département.

Toutes ces variables sont analysées dans les espaces boisés et forestiers. Afin d’estimer l’environnement forestier, toutes les forêts, caractérisées par leurs services récréatifs décrits ci-dessus, sont pondérées par le temps de trajet entre chaque logement et la forêt en question (voir les figures 1. a. et 1. b.).

Figure 1. a. Distribution et proximité des services récréatifs des forêts de Seine-et-Marne

Image 100002010000048300000325838BF821DD09F362.png

Sources : mode d’occupation du sol (MOS) 2008, Institut d’aménagement et d’urbanisme de la région d’Île-de-France (IAURIF) et Office national des forêts (ONF), calculs de l’autrice.

Traduit et adapté de “Preferences for forest proximity and recreational amenities revealed by the random bidding model”, par L. Tuffery, 2019, Landscape and Urban Planning, 189, p. 185.

Lire la légende en termes d’intensité de présence et de proximité des biens immobiliers transactés aux services récréatifs forestiers.

Figure 1. b. Distribution et proximité des services récréatifs des forêts de Seine-et-Marne

Image 10000201000004DD0000035AE2C01E94260F7F2E.png

Sources : MOS 2008, IAURIF et ONF, calculs de l’autrice.

Traduit et adapté de “Preferences for forest proximity and recreational amenities revealed by the random bidding model”, par L. Tuffery, 2019, Landscape and Urban Planning, 189, p. 185.

Lire la légende en termes d’intensité de présence et de proximité des biens immobiliers transactés aux services récréatifs forestiers.

Les figures 1. a. et 1. b. présentent la distribution des quatre variables d’intérêt sur le département. On observe qu’elle n’est pas homogène quelle que soit la variable à l’étude. Si on considère la variable « surface », il y a une forte concentration de l’environnement forestier au centre et au sud du département. Concernant les espaces de protection de la biodiversité, contrairement à la surface, ils ne sont pas groupés en une zone mais selon une bipolarité nord et sud. Quant aux linéaires récréatifs et sportifs, pistes cyclables et chemins de randonnée, ils se concentrent au nord du département.

L’évaluation de la demande sociale en espaces forestiers périurbains et services récréatifs par la méthode des enchères

La surface globale de l’environnement forestier est significative pour une majorité de notre échantillon. Cependant, la valorisation ne semble pas homogène en fonction des groupes d’acquéreurs. Il convient ainsi de réaliser une analyse à double niveau. Premièrement, pour les CSP les plus aisées (cadres et professions intermédiaires), la surface forestière apparaît globalement comme une aménité ayant un impact positif sur le prix du logement. À l’inverse, l’effet estimé est négatif pour les CSP les moins aisées. Deuxièmement, au sein même des CSP les plus aisées, l’âge semble aussi modifier le coefficient. Plus l’âge est élevé, plus le coefficient est important et plus sa significativité augmente. L’effet de l’âge sur la valorisation de la surface de l’environnement forestier ne se retrouve pas pour les autres CSP.

L’incidence de la variable de richesse en biodiversité des espaces forestiers apparaît significative mais de manière peu homogène dans l’ensemble de notre échantillon. L’effet est négatif pour les ouvriers à un seuil très significatif (1 %). Il en est de même pour les employés et les professions intermédiaires de moins de 30 ans. En revanche, si l’on considère les cadres et professions intellectuelles supérieures, l’effet semble tout à fait inverse, avec un coefficient positif et significatif au seuil de 10 %.

Pour ce qui est de l’effet estimé des bases de loisirs, aucune différence ne semble pouvoir s’expliquer par les CSP. L’âge, quant à lui, se révèle être un facteur déterminant de la valorisation. Seuls les ménages dont la personne de référence a plus 45 ans les valorisent très significativement. L’impact des bases de loisirs sur le prix du logement est non significatif pour les autres groupes, excepté pour les employés de moins de 30 ans.

La valorisation est différente pour les itinéraires récréatifs que sont les chemins de randonnée et les pistes cyclables. Les CSP les moins aisées semblent valoriser de manière très significative ces services (seuls les cadres et professions intellectuelles supérieures de plus de 45 ans ne valorisent pas ces aménagements récréatifs). À ce premier résultat s’ajoute l’effet estimé, qui est décroissant par rapport à l’âge, au sein des CSP. Les coefficients sont doubles entre les acheteurs de plus de 45 ans et ceux de moins de 30 ans. Les itinéraires récréatifs ont un impact important sur le consentement à payer des ménages jeunes et de CSP peu aisées.

Tableau 2. a. Résultats de la méthode des enchères sur le prix au m² des transactions immobilières

Image 100002010000027F000001C0EC03FF7B743D1320.png

*** significatif au seuil de 1 % - ** significatif au seuil de 5 % - * significatif au seuil de 10 %

Traduit de “Preferences for forest proximity and recreational amenities revealed by the random bidding model”, par L. Tuffery, 2019, Landscape and Urban Planning, 189, p. 186-187.

Tableau 2. b. Résultats de la méthode des enchères sur le prix au m² des transactions immobilières

Image 100002010000026E000001BAA5B37E36DD1D0506.png

*** significatif au seuil de 1 % - ** significatif au seuil de 5 % - * significatif au seuil de 10 %

Traduit de “Preferences for forest proximity and recreational amenities revealed by the random bidding model”, par L. Tuffery, 2019, Landscape and Urban Planning, 189, p. 186-187.

Apports

La question des préférences des individus en matière de services récréatifs des forêts prend de plus en plus d’importance au sein des réflexions et des stratégies de planification urbaine. La littérature basée sur la méthode des prix hédoniques pour l’évaluation de ces aménités interroge généralement l’accessibilité à la forêt la plus proche et considère la fourniture de services récréatifs comme homogène. Or, notre hypothèse est la suivante : en milieux urbains et périurbains, les ménages peuvent avoir des préférences pour la diversité d’espaces forestiers dans leur environnement résidentiel. Les évaluateurs doivent appréhender la complémentarité et la diversité des espaces forestiers périurbains ainsi que les appétences des individus en fonction de leur profil socio-économique.

Dans cette étude, à l’aide de l’estimation de la fonction d’enchères, nous interrogeons la manière dont le profil socio-économique des ménages influence leurs préférences en termes de services récréatifs de l’environnement forestier. Les résultats permettent d’éclaircir un peu plus les préférences autour des questions de l’aménagement des espaces périurbains et révèlent des rapports originaux à l’environnement forestier et à ses qualités récréatives.

L’environnement forestier en tant que lieu de verdure et d’aménités en général est valorisé par les classes aisées et les personnes de plus de 45 ans. Appréhendé par ses espaces de protection de biodiversité, il n’est pas ou peu considéré par l’ensemble des classes les moins aisées et relativement peu estimé par une partie des cadres et professions intellectuelles supérieures. Pour finir, dans le cas où l’environnement forestier constitue un espace de loisirs, ce dernier est valorisé par tous (excepté les cadres de plus de 45 ans), et plus particulièrement par les classes les moins aisées et les populations les plus jeunes. ;

Tableau 1. Les catégories d’acquéreurs et le nombre de ménages présents dans notre échantillon

Tableau 1. Les catégories d’acquéreurs et le nombre de ménages présents dans notre échantillon

Traduit de “Preferences for forest proximity and recreational amenities revealed by the random bidding model”, par L. Tuffery, 2019, Landscape and Urban Planning, 189, p. 183.

Figure 1. a. Distribution et proximité des services récréatifs des forêts de Seine-et-Marne

Figure 1. a. Distribution et proximité des services récréatifs des forêts de Seine-et-Marne

Sources : mode d’occupation du sol (MOS) 2008, Institut d’aménagement et d’urbanisme de la région d’Île-de-France (IAURIF) et Office national des forêts (ONF), calculs de l’autrice.

Traduit et adapté de “Preferences for forest proximity and recreational amenities revealed by the random bidding model”, par L. Tuffery, 2019, Landscape and Urban Planning, 189, p. 185.

Figure 1. b. Distribution et proximité des services récréatifs des forêts de Seine-et-Marne

Figure 1. b. Distribution et proximité des services récréatifs des forêts de Seine-et-Marne

Sources : MOS 2008, IAURIF et ONF, calculs de l’autrice.

Traduit et adapté de “Preferences for forest proximity and recreational amenities revealed by the random bidding model”, par L. Tuffery, 2019, Landscape and Urban Planning, 189, p. 185.

Tableau 2. a. Résultats de la méthode des enchères sur le prix au m² des transactions immobilières

Tableau 2. a. Résultats de la méthode des enchères sur le prix au m² des transactions immobilières

*** significatif au seuil de 1 % - ** significatif au seuil de 5 % - * significatif au seuil de 10 %

Traduit de “Preferences for forest proximity and recreational amenities revealed by the random bidding model”, par L. Tuffery, 2019, Landscape and Urban Planning, 189, p. 186-187.

Tableau 2. b. Résultats de la méthode des enchères sur le prix au m² des transactions immobilières

Tableau 2. b. Résultats de la méthode des enchères sur le prix au m² des transactions immobilières

*** significatif au seuil de 1 % - ** significatif au seuil de 5 % - * significatif au seuil de 10 %

Traduit de “Preferences for forest proximity and recreational amenities revealed by the random bidding model”, par L. Tuffery, 2019, Landscape and Urban Planning, 189, p. 186-187.

Laetitia Tuffery

Enseignante-chercheuse, laboratoire ESPI2R, Groupe ESPI

Articles du même auteur

CC BY-NC-ND 2.0 FR sauf pour les figures et les visuels, pour lesquels il est nécessaire d'obtenir une autorisation auprès des détenteurs des droits.