Analyse de la prime verte immobilière en Île-de-France

Étude empirique de l'impact de la performance énergétique (DPE/GES) sur le prix au m² 1 839 annonces IAD France - Scraping · NLP · Modélisation OLS HC3

Auteur : Emmanuel KOURAOGO

---

Aperçu

---

Résultats clés

Hypothèse	Résultat	Détail
H1 - Prime verte uniforme	❌ Rejetée	DPE/GES non significatifs à l'échelle régionale (p > 0.46)
H2 - Effet localisé à Paris	✅ Validée	Décote GES à Paris : −739 €/m² par classe (p = 0.002)
H3 - Prix multifactoriel	✅ Validée	R² ajusté ≈ 0.59–0.60

Déterminants majeurs du prix

Variable	Effet	Significativité
Ascenseur	+1 175 €/m²	p < 0.001
Charges de copropriété	β = +0.56	p < 0.001
Mots-clés positifs (NLP)	+577 €/m²	p = 0.008
Mots-clés négatifs (NLP)	−397 €/m²	p = 0.006
GES × Paris	−739 €/m²/classe	p = 0.002

---

Structure du projet

Analyse-immobilier/
│
├── main.py                    # Pipeline complet
├── requirements.txt
│
├── CODE/
│   ├── scraping.py            # Selenium + BeautifulSoup (IAD France)
│   ├── Processing.py          # Nettoyage, winsorisation, feature engineering
│   └── Analysis.py            # OLS HC3, NLP, visualisations
│
├── DONNEES/
│   └── Processing_data.csv    # 1 839 annonces traitées
│
└── DEMO/
    ├── IMAGES/                # Visualisations (PNG + cartes HTML interactives)
    └── PROJET PDF/
        └── Rapport.pdf

---

Méthodologie

Collecte des données

• Web scraping : Selenium + BeautifulSoup sur IAD France
• 1 839 annonces de vente en Île-de-France
• 9 villes : Paris, Boulogne-Billancourt, Nanterre, Créteil, Saint-Denis, Villejuif, Palaiseau, Versailles, Melun

Traitement des données

• Winsorisation des prix au m² et surfaces (percentiles 1%–99%)
• Normalisation ordinale DPE/GES (1=Bon, 2=Moyen, 3=Mauvais)
• Segmentation géographique : Paris / banlieue proche / banlieue éloignée
• NLP : scores de mots-clés positifs (kw_pos) et négatifs (kw_neg) depuis les descriptions

Modélisation

• Régression OLS avec erreurs standards robustes HC3 (hétéroscédasticité)
• R² ajusté ≈ 0.59–0.60
• Termes d'interaction GES × localisation pour tester l'effet différencié Paris/banlieue
• Corrélations de Spearman pour le diagnostic multifactoriel

Visualisations

• Cartes interactives Folium : prix moyen et DPE moyen par zone
• Nuage de mots des annonces
• Matrice de corrélations Spearman
• Distributions prix par classe GES et localité

---

Installation & lancement

# Cloner le dépôt
git clone https://github.com/EKOURAOGO/Analyse-immobilier.git
cd Analyse-immobilier

# Créer un environnement virtuel
python -m venv .venv
source .venv/bin/activate  # Windows : .venv\Scripts\activate

# Installer les dépendances
pip install -r requirements.txt

# Lancer le pipeline complet
python main.py

---

Stack technique

---

Auteur

Nom	Profil
Emmanuel KOURAOGO	GitHub · Email