Estimation de la demande potentielle en logements à horizon 2035

Sur le graphe suivant, la fourchette de sensibilité aux hypothèses a été représentée pour chacune des 34 zones. Selon les territoires, on constate que cette sensibilité aux hypothèses est plus ou moins importante ; généralement, plus le territoire est urbain, plus la fourchette est grande.

data_DPL_scenarios_t = transpose (data_DPL_scenarios)

// mettre à jour librairie plot pour faire des round corners
Plot = import("https://cdn.jsdelivr.net/npm/@observablehq/plot/+esm")

// doc :
// https://observablehq.com/@observablehq/input-table
Inputs.table(data_DPL_scenarios_t,{
  header: {
    "valeur": "Nb de logements / an"
  },
  format: {
    "valeur": d => Math.round(d)
  }
})

logt_comm_periode = { 
  let result = [];
  for (let i = 0; i < 34; i++) {
  result.push(
    {
      "Libellé zonage": data_DPL_scenarios_t[i]["Libellé zonage"],
      periode: "lgts commencés 2015-2019",
      "Logts ordinaires commencés /an": data_DPL_scenarios_t[i]["Logts ordinaires commencés /an sur [2015-2019]"]
    },
    {
      "Libellé zonage": data_DPL_scenarios_t[i]["Libellé zonage"],
      periode: "lgts commencés 2020-2023 (Sitadel)",
      "Logts ordinaires commencés /an": data_DPL_scenarios_t[i]["Logts ordinaires commencés /an sur [2020-2023]"]
    }
  );
  }
return result;
}

Plot.plot({
  marginLeft: 50,
  marginRight: 100,
  marginTop: 50,
  marginBottom: 150,
  height: 600,
  width: 1100,
  style: {
    fontSize: 12,
  },
  y: {domain:[-200,2600], ticks: 14, tickFormat: d => d.toLocaleString('fr-FR'),grid: true, label: "Nb de logements / an"},
  x: {tickRotate: -30, label: "", inset: 10},
  color: {
    legend: true,
    domain: ["lgts commencés 2015-2019","lgts commencés 2020-2023 (Sitadel)"], // les catégories de fill
    range: ["orange", "#16fa53"] // les couleurs choisies
  },
  subtitle: "Estimation de la demande potentielle en logements à horizon 2035 (moyenne annuelle)",

  marks: [
    Plot.barY(data_DPL_scenarios_t, {
      x: "Libellé zonage", 
      y1: "Tendanciel BAS", 
      y2: "Tendanciel HAUT", 
      fill: "steelblue",
      r: 3
    }),
    
    Plot.dot(data_DPL_scenarios_t, {
      x: "Libellé zonage", 
      y: "Tendanciel BAS",
      fill: "steelblue",
      symbol: "diamond",
      r: 5,
      tip: {
        format: {          
          y: d => Math.round(d).toLocaleString('fr-FR'),              
                }
           }
    }),
    
    Plot.dot(data_DPL_scenarios_t, {
      x: "Libellé zonage", 
      y: "Tendanciel HAUT",
      fill: "steelblue",
      symbol: "diamond",
      r: 5,
      tip: {
        format: {          
          y: d => Math.round(d).toLocaleString('fr-FR'),              
                }
           }
    }),
    
    Plot.dot(data_DPL_scenarios_t, {
      x: "Libellé zonage", 
      y: "Tendanciel CENTRAL",
      fill: "black",
      symbol: "star",
      sort: {x: "y"},
      r: 4,
      tip: {
        format: {          
          y: d => Math.round(d).toLocaleString('fr-FR'),              
                }
           }
    }),
    
    Plot.ruleY([0]),
    
    Plot.text(data_DPL_scenarios_t, {
      x: "Libellé zonage", 
      y: "Tendanciel CENTRAL", 
      //dx: 5,
      dy: -10,
      text: d => Math.round(d["Tendanciel CENTRAL"]).toLocaleString('fr-FR'),
      fill:"black", 
      fontSize :10
    }),
    
   Plot.tickY(logt_comm_periode, {
      x: "Libellé zonage",
      y: "Logts ordinaires commencés /an",
      stroke: "periode",
      strokeWidth: 2,
      fill: "periode",
      tip: true
      })
  ]
})

Décomposition par effets

Si l’on s’intéresse au scénario central, on peut connaître de façon plus précise l’origine de cette demande. Le graphique suivant présente les résultats du scénario central pour le zonage d’étude (34 zones) et permet d’apprécier le « profil » de la demande pour chaque territoire. Certaines composantes peuvent diminuer le résultat, cela résulte soit d’un effet démographique négatif, soit d’une possible mobilisation du parc existant pour répondre aux besoins en résidences principales.

data_long_central_ojs = transpose (data_long_central)

// doc :
// https://observablehq.com/@observablehq/input-table
Inputs.table(data_long_central_ojs,{
  header: {
    "valeur": "Nb de logements / an"
  },
  format: {
    "valeur": d => Math.round(d)
  }
})

Décomposition de l’évolution annuelle du nombre de ménages en Normandie selon le type d’effet (scénario central)

colorPalette = { return {
  "Ménage par an – effet nouvelle population": "#83caff",  // Bleu
  "Ménage par an – effet déformation pyramide des âges": "#9999ff",  // Violet
  "Ménage par an – effet évolution des modes de cohabitation": "#198a8a",  // Cyan
  "Renouvellement par an": "#c5000b",  // Rouge
  "Vacance par an": "#ffd320",  // Jaune
  "Résidences Secondaires et Logts Occasion. par an": "#81d41a"  // Vert
}};

Plot.plot({
  marginLeft: 50,
  marginRight: 100,
  marginBottom: 150,
  height: 600,
  width: 1200,
  style: {
    fontSize: 12,
  },
  x: {tickRotate: -30, label: ""},
  y: {grid: true, 
      label: "Nb de logts / an",
      tickFormat: y => y.toLocaleString('fr-FR')
     },
  color: {legend: true, domain: Object.keys(colorPalette), range: Object.values(colorPalette)},

  marks: [
    Plot.barY(data_long_central_ojs.filter(d => d.effet != "Moyenne annuelle Demande Potentielle logements"), {
      x: "Libellé zonage", 
      y: "valeur", 
      fill: "effet", 
      tip: true,
    }),
    
    Plot.ruleY([0]),

    // Cercle pour le fond de texte
    Plot.dotY(data_long_central_ojs.filter(d => d.effet == "Moyenne annuelle Demande Potentielle logements"), {
      x: "Libellé zonage", 
      y: "valeur",
      fill: "white",
      stroke: "black",
      sort: {x: "y"},
      r:12
    }),
    
    Plot.text(data_long_central_ojs.filter(d => d.effet == "Moyenne annuelle Demande Potentielle logements"), {
      x: "Libellé zonage", 
      y: "valeur", 
      text: d => Math.round(d.valeur).toLocaleString('fr-FR'),
      fontSize :10, 
      textAnchor: "middle" 
    })

  ]
})

L’origine de la demande potentielle en logements diffère fortement d’une zone à l’autre.

À l’échelle de chaque zonage d’étude, la part de la demande potentielle en logements liée à l’évolution des ménages (= résidences principales) et celle liée à l’évolution du parc représentent respectivement :

data_DPL_part_parcs_t = transpose (data_DPL_part_parc)

Inputs.table(data_DPL_part_parcs_t.map(
  d => ({...d,
  "Part ménages": new Intl.NumberFormat("fr-FR", {
    minimumFractionDigits: 0,
    maximumFractionDigits: 0
  }).format(d["Part ménages"] * 100) + " %",
  "Part parc": new Intl.NumberFormat("fr-FR", {
    minimumFractionDigits: 0,
    maximumFractionDigits: 0
  }).format(d["Part parc"] * 100) + " %"
})))

Dynamique de la demande potentielle en logements (pour 1000 ménages)

Cartographie

bertin = require("bertin") // le ggplot de la carto en javascript

// on charge le géojson
zonage = FileAttachment("data/zonage.geojson").json()

// import {view} from "@neocartocnrs/geoverview"
// view(zonage)

// on récupère la donnée préparée avec R et on passe d'un format colonne à un format javascript
data_wide_ojs = transpose(data_wide)

data_wide_ojs_geojson = bertin.merge(zonage, "zones_dp_1", data_wide_ojs, "id", true)

bertin.draw({
  params: { projection:"Mercator", margin: 50, width: 800},
  layers: [
    {
      type: "bubble",
      geojson: data_wide_ojs_geojson,
      stroke:"black",
      values: "Moyenne annuelle Demande Potentielle logements",
      k: 25,
      tooltip: [
        "$Libellé zonage", 
        d=> Math.round(d.properties["Moyenne annuelle Demande Potentielle logements"])+        " logts/an"
        ],
        fill: {
        type: "split",
        values: "Moyenne annuelle Demande Potentielle logements",
        colors: ["#7df558", "#F25842"],
        split: 0
      },
      leg_round: -1,
      leg_title: `Moyenne annuelle DPL`,
      leg_x: 10,
      leg_y: 10,
      leg_stroke: "#d15406"
    },
    
    {
      type: "layer",
      geojson: data_wide_ojs_geojson,
      fill: {
        type: "choro",
        values: "demande potentielle annuelle pour 1000 ménages",
        breaks : [-5, 0, 5, 10, 15],
        colors: ["#fce9e8", "#c9e2f5", "#7aaacf", "#033a91"],
        leg_round: -1,
        leg_title: "DPL annuelle pour 1000 ménages",
        leg_x: 300,
        leg_y: 40
            },
      tooltip: [
        "$Libellé zonage", 
        d=> Math.round(d.properties["demande potentielle annuelle pour 1000 ménages"])+        " logts/an pour 1000 ménages"
              ],
      stroke: "black",
      strokeWidth: 2.5
    },
    
        { 
      type: "layer",
      geojson: zonage, 
      fill: "white", 
      fillOpacity: 0.1, 
      stroke: "black",
      strokeWidth: 2.5
    },
  ]
})

Scatterplot

data_DPL_central_rythme_t = transpose (data_DPL_central_rythme)

Plot.plot({
  marginLeft: 100,
  marginRight: 100,
  marginTop: 50,
  //height: 1100,
  width: 900,
  style: {
    fontSize: 12,
  },
  y: {tickFormat: d => d.toLocaleString('fr-FR'),grid: true, label: "Nb de lgts / an pour 1000 ménages"},
  x: {tickFormat: d => d.toLocaleString('fr-FR'),label: "DPL par an"},
  subtitle: "Demande potentielle en logements à horizon 2035 (moyenne annuelle)",

  marks: [
    Plot.dot(data_DPL_central_rythme_t, {
      x: "Moyenne annuelle Demande Potentielle logements", 
      y: "demande potentielle annuelle pour 1000 ménages",
      channels: {Nom_zone: "Libellé zonage"},
      tip: {
        format: {          
          x: d => Math.round(d).toLocaleString('fr-FR'),
          y: d => (Math.round(d*10)/10).toLocaleString('fr-FR'),
                }
           }
    }),
    
    Plot.dot(data_DPL_central_rythme_t,
        Plot.pointer({
            x: "Moyenne annuelle Demande Potentielle logements",
            y: "demande potentielle annuelle pour 1000 ménages",
            fill: "red",
            r: 8
                    })
            ),
            
    Plot.text(data_DPL_central_rythme_t, {x: "Moyenne annuelle Demande Potentielle logements", y: "demande potentielle annuelle pour 1000 ménages", text: (d) => d["Libellé zonage"], dy: -6, lineAnchor: "bottom", fontSize:7}),
    
   Plot.ruleY([0]),
   Plot.ruleX([0]),
  ]
})

Histogramme

{
  const v1 = (d) => d["Moyenne annuelle Demande Potentielle logements"];
  const v2 = (d) => d["demande potentielle annuelle pour 1000 ménages"];
  const y2 = d3.scaleLinear(d3.extent(data_DPL_central_rythme_t, v2), [-2, d3.max(data_DPL_central_rythme_t, v1)]);
  
  return Plot.plot({
    marginLeft: 100,
    marginRight: 100,
    marginTop: 50,
    marginBottom: 150,
    width: 900,
    style: {fontSize: 12},
    x: {tickRotate: -30, tickFormat: d => d.toLocaleString('fr-FR'),label: ""},
    y: {axis: "left", tickFormat: d => d.toLocaleString('fr-FR'), grid: true, label: "DPL lgt/an"},
    subtitle: "Demande potentielle en logements à horizon 2035 (moyenne annuelle)",
    
    marks: [
      Plot.axisY(y2.ticks(), {color: "orange", anchor: "right", label: "DPL/an pour 1000 ménages", y: y2, tickFormat: y2.tickFormat()}),
      
      Plot.barY(data_DPL_central_rythme_t, {
      x: "Libellé zonage", 
      y: v1,
      fill: "steelblue",
      tip: {
        format: {y: d => (Math.round(d).toLocaleString('fr-FR'))}
           }
    }),
    
      Plot.ruleY([0]),

      Plot.dotY(data_DPL_central_rythme_t, Plot.mapY((D) => D.map(y2), {
          x: "Libellé zonage",
          y: v2,
          sort: {x:"-y"},
          fill: "orange",
          channels: {"DPL/an pour 1000 ménages": d => d["demande potentielle annuelle pour 1000 ménages"].toLocaleString('fr-FR'), zone: "Libellé zonage"},
          tip: { format: {
                x: false,
                y: false
                      }},
            }
          )
        )
    ]
  });
}