forte hausse portée par la diffusion du logement individuel en accession
4.3 Modèles de régression
4.3.1 Résultats centraux
La première régression nous permet de confirmer l’influence de l’âge sur le confort surfacique (Figure 2.17). Comme attendu le nombre de pièces du ménage augmente avec l’âge toutes choses égales par ailleurs. Passer de 30 à 60 ans procure en moyenne une augmentation de la taille du logement de 21 % (𝑒0,097−(−0,095)). La taille du ménage mesurée par les UCL est également un facteur déterminant. Passer de 2 à 3 UCL augmente en moyenne le nombre de pièces du logement de 16 % (𝑒0,153). De manière générale la taille du ménage a un impact sur le nombre de pièces dans le même ordre de grandeur que l’âge. Ainsi en 2012, l’accroissement relatif entraîné par la différence entre les paramètres associés à 1 UCL et 3 UCL – 80 % des ménages accueillent 3 UCL ou moins – est le même qu’entre les ménages les plus jeunes (20 ans) et les plus vieux (90 ans) : +55 %.
Les années de recensement ont également un impact très significatif, reflétant la croissance de la taille des logements sur les dernières décennies (Chapitre 1). Cependant l’écart entre deux enquêtes décroît au fil des années. Depuis 1999 le surplus de pièces par rapport à 1968 est aux alentours de +19 %. Une décroissance statistiquement significative s’observe même entre 2007 et 2012. Du point de vue des statuts, la propriété occupante entraîne toutes choses égales par ailleurs des logements en moyenne 29 % (𝑒0,251) plus grands que les locataires. Enfin l’étude des PCS permet de retrouver la hiérarchie précédemment indiquée à propos du confort surfacique. Les cadres sont ainsi les mieux logés (hors agriculteurs) et on retrouve la décroissance des
conditions de logements sur l’axe Cadres-Professions Intermédiaires-Employés-Ouvriers. On remarque que les retraités ne sont pas les mieux logés car l’effet de la PCS est contrôlé ici par l’âge.
Figure 2.17 - Paramètres du modèle de régression (modèle a) expliquant le nombre de pièces du logement
Lecture : Les modalités de référence sont en rouge. Tous les paramètres sont très significatifs (p-valeur<0,0001), en lien avec le nombre élevé de points de la régression (7,45M).
Champ : ménages ordinaires, Île-de-France
Source : recensements de la population 1968-2012, Insee ; calculs et réalisation de l’auteur
Dans le modèle précédent, nous n’avons inclus que des effets directs (de premier ordre), sans interactions entre variables. Pour vérifier si l’effet de l’âge est le même au fil des recensements, il est possible d’inclure un terme d’interaction entre l’âge et l’année de recensement (Figure 2.18). Les courbes d’âge obtenues ne sont pas totalement homogènes, l’effet de l’âge n’étant pas le même selon les recensements. Chez les moins de 40 ans, la taille des logements augmente toutes choses égales par ailleurs jusqu’en 1982 puis diminue depuis. Chez les plus de 40 ans, plus les ménages sont jeunes, plus la taille des logements stagne tôt. Ainsi la tranche d’âge des 50-52 ans voit la taille de ses logements stagner à partir du recensement de 1990, tandis que la tranche des 70-72 ans voit ses logements continuer à augmenter au moins jusqu’en 2007.
Figure 2.18 - Paramètres d’âge de la régression (modèle b), avec segmentation par année de recensement
Note : les paramètres affichés ici incluent l’effet fixe de chaque recensement. La référence est donc le paramètre associé à l’âge de 42 ans du recensement 1968.
Champ : ménages ordinaires, Île-de-France
Source : recensements de la population 1968-2012, Insee ; calculs et réalisation de l’auteur
L’inclusion des PCS dans cette régression est potentiellement source de problèmes de colinéarité. En effet, la classe des retraités comme une catégorie de PCS est susceptible de capter une forte partie de l’effet de l’âge. De plus la distribution des catégories sociales s’étant faite en faveur de la catégorie des cadres et en défaveur de celle des ouvriers, une partie des effets propres aux dates du recensement peut être captée par les PCS. Ces deux remarques peuvent être également adressées au statut d’occupation (la part des propriétaires a augmenté, et ceux-ci sont plus âgés que la moyenne des ménages). Pour nous assurer de la robustesse des résultats à ces effets, nous avons procédé à la même régression en ôtant les deux variables susnommées. Les résultats sont très similaires aux précédents avec un léger tassement de l’âge à partir de 60 ans lorsque seule la variable de PCS est omise (Modèles c et d, voir Figure B.5). Lorsque les deux variables sont enlevées, l’effet de l’âge demeure le même tandis que l’année de recensement voit son effet augmenter.
4.3.2 Précisions autour de la régression
La localisation
Taille et localisation des logements sont deux éléments extrêmement liés (Chapitre 1). Cependant, l’inclusion dans les régressions des variables de localisation influe relativement peu sur les autres variables. Nous avons procédé à trois régressions incluant successivement les couronnes de la région francilienne puis les communes (Modèles e et f, Figure B.6). Les paramètres changent peu après l’inclusion de la localisation, mais nous remarquons toutefois un
renchérissement des paramètres associés aux âges les plus élevés, une baisse de l’effet des années de recensement, une hausse des inégalités de PCS, et un effet moindre du statut d’occupation. Ces effets sont relativement faibles mais méritent d’être soulignés, en particulier les modifications observées sur les paramètres des PCS et des années de recensement. Ainsi une fois contrôlé par la localisation, l’écart de confort surfacique s’accroît entre cadres et ouvriers. À localisation donnée, le nombre de pièces dont disposent les ménages a moins augmenté au fil des années.
Cependant, le faible impact de la localisation à un niveau fin est confirmé car les effets présentés apparaissent dès la prise en compte des couronnes régionales. La prise en compte des grands découpages morphologiques de la région Île-de-France, et notamment les formes d’habitat contrastées de Paris et de la grande couronne, suffit donc à capter l’effet géographique du phénomène.
Période récente (après 1982)
La restriction à la période 1982-2012 permet de disposer des PCS uniquement dans leur nouvelle version68, ainsi que de la distinction entre locataires du parc privé et du parc social au sein des
locataires. Les effets sont de nouveau globalement robustes à cette nouvelle spécification (Modèle g, Tableau B.1). Les disparités liées aux PCS sont en particulier très peu impactées. Concernant le rôle du statut d’occupation, la claire distinction entre d’une part les locataires du parc social et ceux du parc privé est à souligner (Tableau 2.4) : à caractéristiques du ménage égales les locataires du parc social disposent d’un logement certes moins grand que les propriétaires, mais significativement plus grand que celui des locataires du privé. Cependant le confort surfacique moyen des locataires du parc social est plus faible que dans le parc privé car les ménages du parc social sont en moyenne plus grands.
Tableau 2.4 – Extrait de la régression (g) : paramètres associés au statut d’occupation 𝛽 𝑒𝛽
Propriétaire occupant (réf.) 0 1 Locataire du parc privé -0,315 0,73 Locataire du parc social -0,206 0,81
Note : Les intervalles de confiance étant très faibles, tous les paramètres sont très significatifs (p-valeur<0,001) Champ : ménages ordinaires, Île-de-France
Source : recensements de la population 1982-2012, Insee ; calculs et réalisation de l’auteur
68 La réforme de 1982 transforme profondément la nomenclature en Catégories Socioprofessionnelles
(CSP) de 1954 et établit une nouvelle classification en Professions et Catégories Socioprofessionnelles (PCS). Les deux classifications reprennent le même découpage en grandes catégories mais ne sont pas tout à fait comparables (Desrosières et al., 1983).
4.3.3 Modèle avec cohortes
Cette seconde régression permet d’introduire les générations étudiées dans le chapitre 1. En intégrant l’âge, l’année de recensement et la génération (année de naissance) dans la même régression, nous faisons face au problème classique d’identification lorsque des données en coupe sont utilisées. En effet il est impossible d’identifier le modèle dans ce cas, car la connaissance de deux des variables est suffisante pour connaître la valeur de la troisième : une fois connus l’âge de la personne de référence et son année de naissance, l’année à laquelle le ménage a été recensé est connue. La stratégie que nous adoptons dans un premier temps est de ne pas inclure d’effet recensement, afin de privilégier l’étude des cohortes (Figure 2.19).
L’effet de l’âge s’en retrouve renforcé par rapport au modèle initial (a) : l’écart entre 30 et 60 ans passe de +21 % à +32 %. L’étude des générations indique qu’un pic est atteint pour la génération 1949-1953 puis se stabilise. Les générations nées après 1974 semblent connaître ainsi un parcours marqué, toutes choses égales par ailleurs, par des logements plus petits que les générations précédentes. Seule la génération des 1989-1993 connaît un début de parcours a priori plus favorable, mais cette observation est basée sur un unique point en 2012 lorsque la cohorte a en moyenne 21 ans.
Figure 2.19 - Paramètres de la régression, modèle (h)
Lecture : Les modalités de référence sont en rouge. Champ : ménages ordinaires, Île-de-France
Source : recensements de la population 1968-2012, Insee ; calculs et réalisation de l’auteur
Nous privilégions avec cette introduction des générations une analyse sans PCS et statut d’occupation. En effet, au cours de ces quarante dernières années les distributions de ces deux variables ont fortement évolué : le pourcentage de cadres a fortement augmenté et le taux de propriétaires également, ces deux modalités étant associées à un meilleur confort surfacique. La question posée par notre régression est de savoir s’il existe des disparités entre les parcours des
générations. Ici nous entendons génération le fait d’être né à une époque donnée, ce qui intègre l’augmentation des chances d’être cadre ou propriétaire au fil des années. Le fait de ne pas intégrer ces deux variables permet de répondre pleinement à la question. Néanmoins la prise en compte, dans une régression supplémentaire, des PCS et de statuts d’occupation renforce ce phénomène de décroissance plus marquée du nombre de pièces chez les générations nées après 1974 (Modèle i, Figure B.7).
Dans un deuxième temps afin de travailler en termes de confort relatif à une année donnée, nous introduisons les années du recensement dans notre analyse (Modèle j, Tableau B.1). Ce modèle complet incluant la date de recensement permet de tenir compte du fait que la taille des logements a augmenté au fil des années. Le parcours d’une génération est jugé alors à l’aune de cette augmentation, et donc au travers du confort moyen de son époque, et non par le confort absolu dont elle dispose69. Nous spécifions une interaction entre la taille des ménages (UCL) et
les années de recensement afin d’identifier le plus finement possible les conditions de confort surfacique moyennes à l’année considérée. Une fois l’année de recensement prise en compte, l’effet des générations est beaucoup plus marqué (Figure 2.20). Le pic intervient pour la génération du baby-boom, et depuis toutes les générations sont systématiquement moins bien logées que les précédentes.
Ces paramètres retranscrivent cependant le parcours général de chaque génération par rapport aux conditions moyennes de confort surfacique de leur époque. À cet égard, la génération 1979- 1983 aura par exemple connu 12 % de pièces en moins comparativement à la première génération du baby-boom (1944-1948).
69 Afin d’éviter le problème de non-identification du modèle, nous introduisons l’âge sous forme continue
à travers un polynôme d’ordre 4, qui correspond à la forme générale observée sur les régressions précédentes.
Figure 2.20 – Exponentielle des paramètres (𝑒𝛽) de générations du modèle (j)
Lecture : La modalité de référence est en rouge. Champ : ménages ordinaires, Île-de-France
Source : recensements de la population 1968-2012, Insee ; calculs et réalisation de l’auteur
5
Analyse de sensibilité et résultats supplémentaires
Dans cette section, nous précisons les résultats obtenus en vérifiant la robustesse de nos spécifications. Nous testons différentes variables définissant le confort surfacique (section 5.1), une mesure alternative des inégalités avec l’indice de Gini (section 5.2), et enfin testons la sensibilité de la modélisation à une source alternative de données (section 5.3).