Observatoire immobilier à Pau : ce que les données ouvertes permettent réellement de comprendre

Le marché immobilier palois produit beaucoup de chiffres, mais peu d’entre eux mesurent exactement la même chose. Les portails d’annonces affichent des prix demandés, les actes notariés alimentent les données DVF plusieurs mois après les ventes, l’INSEE décrit le parc de logements avec un millésime statistique et les diagnostics énergétiques apportent encore une autre lecture. Mis côte à côte sans méthode, ces chiffres peuvent sembler contradictoires.

Un observatoire immobilier cherche à rendre cette matière lisible. Il ne prédit pas le prix exact d’un appartement et ne remplace ni une visite ni une expertise. Il aide plutôt à comprendre les volumes de transactions, les différences entre territoires, la composition du parc, les évolutions dans le temps et les limites de chaque indicateur.

À Pau, les données ouvertes sont suffisamment riches pour construire cette lecture. Leur valeur dépend toutefois du nettoyage, de la géolocalisation, du découpage retenu et de la manière dont l’interface distingue une transaction enregistrée d’un prix actuellement affiché. Le produit n’est donc pas une simple carte DVF : c’est une méthode d’observation rendue accessible.

Pourquoi les données immobilières locales sont difficiles à lire

La première difficulté vient du délai. Une vente est négociée, signée puis enregistrée avant d’apparaître dans les données publiques. La base Demandes de valeurs foncières est mise à jour en avril et en octobre et couvre les cinq dernières années. Elle offre une lecture solide des mutations passées, pas une photographie instantanée du marché aujourd’hui.

Les annonces fonctionnent à l’inverse. Elles apparaissent rapidement, évoluent pendant la commercialisation et disparaissent sans toujours indiquer le montant réellement signé. Un prix affiché peut être volontairement ambitieux, déjà négocié ou associé à un bien qui ne trouvera pas preneur. Cette source renseigne l’offre visible et les attentes des vendeurs, mais pas directement la valeur finale.

La géographie ajoute une autre complexité. La commune de Pau forme un marché trop large pour certaines analyses, tandis qu’un découpage très fin produit rapidement des secteurs avec peu de ventes. Les quartiers administratifs, les IRIS de l’INSEE, les sections cadastrales et les usages locaux ne se superposent pas toujours. Un même bien peut donc être rattaché à des zones différentes selon l’objectif de l’étude.

Les logements eux-mêmes sont hétérogènes. Un appartement ancien sans ascenseur, une résidence récente avec stationnement et une maison à rénover ne doivent pas être agrégés sans précaution. La surface, le nombre de pièces, le terrain, l’époque de construction, l’état énergétique et les dépendances influencent la comparaison, mais toutes ces informations ne figurent pas de manière complète dans chaque source.

Enfin, les chiffres publiés en ligne cachent souvent la méthode. Un « prix moyen à Pau » peut venir d’annonces, de ventes, d’une estimation algorithmique ou d’un mélange de communes proches. Sans période, type de bien, nombre d’observations et règle de calcul, le résultat reste difficile à interpréter.

L’intérêt d’un observatoire local consiste précisément à remettre ces éléments autour du chiffre. Il doit montrer d’où vient la donnée, ce qu’elle couvre et ce qu’elle ne permet pas d’affirmer.

Quelles sources permettent d’observer le marché palois ?

La source principale pour les ventes est DVF, produite par la DGFiP à partir des actes notariés et des informations cadastrales. Elle contient notamment la date de mutation, la valeur foncière, la nature de la transaction, la commune, les références cadastrales, le type de local et certaines surfaces. Les fichiers sont volumineux et organisés autour des mutations plutôt que d’une fiche immédiatement lisible par bien.

La version DVF géolocalisée ajoute des coordonnées obtenues par rapprochement avec les parcelles cadastrales. Cette ressource simplifie la cartographie, mais sa documentation signale que certaines lignes ne peuvent pas être géocodées, notamment lorsque la parcelle a été remaniée ou absente du millésime cadastral utilisé. Une carte ne doit donc pas confondre point manquant et absence de transaction.

Le Plan cadastral informatisé décrit les parcelles, sections et emprises bâties. Il aide à situer les ventes et à travailler à une échelle plus précise. Il ne fournit pas les noms des propriétaires et ne constitue pas une base complète sur l’état, l’usage ou l’intérieur des bâtiments.

L’INSEE apporte le contexte du parc. Son comparateur publié le 9 juillet 2026 dénombre 54 633 logements à Pau en 2023, dont 83 % de résidences principales, 13,7 % de logements vacants et 37,5 % de ménages propriétaires de leur résidence principale. Ces données ne décrivent pas les prix, mais elles aident à comprendre la structure locale dans laquelle les transactions ont lieu.

D’autres sources enrichissent certains angles. L’API des DPE de logements existants de l’ADEME couvre les diagnostics établis depuis juillet 2021 et permet d’étudier la performance énergétique des logements diagnostiqués. La carte nationale des loyers publie des indicateurs de loyers d’annonce pour des biens types, construits à partir de données de plateformes et d’un modèle statistique.

La vacance peut aussi être observée par plusieurs méthodes. Le recensement de l’INSEE fournit une mesure statistique du parc vacant, tandis que LOVAC croise des données fiscales, foncières et d’adresses pour aider les collectivités à agir sur la vacance structurelle. Les données détaillées de LOVAC ne sont pas ouvertes à tout public : l’accès dépend du rôle de la collectivité ou de son prestataire.

Aucune de ces sources ne suffit seule. L’observatoire doit les conserver séparément, puis les rapprocher uniquement lorsque leurs dates, périmètres et définitions le permettent.

Ce qu’un observatoire peut réellement montrer

Un observatoire devient utile lorsqu’il répond à des questions plus précises que « combien vaut l’immobilier à Pau ? ». Il peut montrer où les ventes se concentrent, comment les typologies se répartissent, quels secteurs disposent d’un volume suffisant pour produire un indicateur et comment une tendance évolue sur plusieurs millésimes.

Il doit aussi savoir ne rien conclure. Une commune périphérique avec huit ventes de maisons dans l’année ne permet pas la même lecture qu’un secteur comptant plusieurs centaines de transactions. L’absence d’un chiffre peut être plus honnête qu’une médiane affichée avec deux décimales.

Volumes et répartition géographique

Le premier niveau d’analyse concerne le nombre de mutations. Une carte des transactions permet de repérer les zones les plus actives, les secteurs où les ventes sont rares et la répartition entre appartements, maisons, terrains ou locaux. Cette lecture renseigne la profondeur du marché avant même de parler de prix.

Les volumes doivent être comptés à partir des mutations, pas seulement des lignes du fichier. Une seule vente peut contenir plusieurs parcelles ou locaux et apparaître sur plusieurs enregistrements. Sans regroupement correct par mutation, l’observatoire risque de compter plusieurs fois la même opération.

La cartographie aide également à distinguer Pau de son agglomération. Lescar, Lons, Billère, Bizanos, Idron ou Jurançon possèdent des compositions de parc et des dynamiques différentes. Les comparer exige un filtre communal explicite, puis éventuellement un niveau plus fin lorsque le volume le permet.

La densité de points ne doit pas être prise pour une intensité de prix. Elle montre d’abord où des ventes ont été enregistrées. Les quartiers composés majoritairement de logements sociaux, de grands ensembles locatifs ou de maisons conservées longtemps peuvent produire moins de mutations sans que cela révèle directement une faible attractivité.

Prix et typologie des biens

Le prix au mètre carré facilite les comparaisons, mais son calcul demande plusieurs précautions. La valeur foncière peut concerner une mutation comprenant plusieurs locaux, dépendances ou parcelles. Attribuer mécaniquement l’intégralité du montant à une seule surface produit des valeurs aberrantes.

L’observatoire doit donc définir quelles mutations sont comparables, comment les lots sont regroupés et quels cas sont exclus. Les ventes complexes, échanges, adjudications, terrains ou opérations mélangeant plusieurs usages peuvent être conservés pour l’analyse des volumes tout en étant retirés d’un indicateur résidentiel au mètre carré.

La médiane résiste mieux aux extrêmes que la moyenne, mais elle ne règle pas l’hétérogénéité. Il faut séparer au minimum appartements et maisons, puis examiner la surface, le nombre de pièces ou le secteur lorsque les effectifs le permettent. Une médiane regroupant un studio du centre et une grande maison périphérique ne décrit aucun des deux marchés.

Le prix signé ne renseigne pas non plus l’état du bien. Deux appartements de même surface dans la même rue peuvent différer par l’étage, l’ascenseur, les travaux, l’exposition, le stationnement et la performance énergétique. Les données ouvertes permettent d’observer un environnement de marché, pas de reconstituer entièrement chaque logement.

Évolution dans le temps

La série temporelle permet de comparer les années, mais elle demande de distinguer évolution du prix et changement de composition des ventes. Si une année comporte davantage de petites surfaces centrales et l’année suivante davantage de maisons, la médiane globale peut évoluer même si les prix de chaque typologie restent stables.

Les volumes apportent donc un contexte indispensable. Une hausse de prix accompagnée d’une chute du nombre de transactions ne raconte pas la même situation qu’une hausse observée sur un marché très actif. L’interface doit permettre de lire les deux indicateurs ensemble.

Les mises à jour DVF peuvent aussi enrichir rétroactivement les millésimes précédents. La DGFiP précise que de nouvelles transactions sont susceptibles d’être ajoutées à chaque publication selon leur date de mutation. Un observatoire sérieux doit versionner les imports et accepter qu’un chiffre historique soit légèrement révisé.

La comparaison avec les annonces actives apporte une lecture plus immédiate. Les annonces montrent les prix demandés, le stock visible, les baisses affichées et la durée de présence lorsqu’elle peut être suivie. Elles ne doivent jamais être fusionnées silencieusement avec les ventes DVF : leur écart constitue justement une information.

Pourquoi une interface interactive change la lecture des données

Un fichier national de plusieurs centaines de mégaoctets n’est pas conçu pour un particulier ou un professionnel qui souhaite comprendre un secteur palois. L’interface interactive réduit ce volume à une question locale : une commune, une période, une typologie, une tranche de surface ou un quartier.

La carte apporte une lecture spatiale immédiate. Elle permet de voir les transactions autour d’une rue, les différences entre centre et périphérie ou la proximité avec certains équipements. Elle doit cependant regrouper les points selon le niveau de zoom et éviter d’envoyer l’ensemble des données au navigateur à chaque ouverture.

Les filtres transforment aussi la qualité de l’indicateur. Un utilisateur peut isoler les appartements, exclure les années incomplètes ou comparer deux communes. L’application recalcule alors le volume, la médiane et la distribution sur un périmètre compréhensible au lieu d’afficher un chiffre général figé.

Les graphiques aident à lire l’évolution, mais ne doivent pas masquer les faibles effectifs. Une courbe peut être interrompue lorsqu’une période ne contient pas assez d’observations. Un intervalle, un avertissement ou le nombre de ventes rendent l’incertitude plus visible qu’une ligne continue.

La réalisation Pau Data Immo a été conçue autour de cette distinction entre ventes enregistrées et marché actuellement proposé. Elle combine collecte multi-source, normalisation, cartographie et indicateurs locaux sans présenter chaque point comme une estimation certaine. Le périmètre palois permet d’adapter les communes, quartiers et filtres à la manière dont le territoire est réellement consulté.

L’interface facilite enfin le contrôle. Une transaction manifestement atypique peut être ouverte, replacée sur la carte et comparée aux autres ventes. Cette possibilité aide à détecter un regroupement de lots, une géolocalisation imprécise ou une valeur qui ne doit pas entrer dans l’indicateur.

Les limites et biais à expliquer aux utilisateurs

La première limite concerne la couverture. DVF exclut l’Alsace, la Moselle et Mayotte, ce qui ne touche pas Pau mais rappelle qu’une source nationale possède toujours un périmètre précis. À l’intérieur même de la base, certaines ventes manquent temporairement ou sont ajoutées lors d’une mise à jour ultérieure.

La géolocalisation n’est pas parfaite. Les coordonnées de la version géolocalisée viennent d’une jointure avec les parcelles cadastrales. Une parcelle remaniée ou absente du millésime peut rester sans point. Un observatoire doit conserver ces transactions dans les statistiques lorsqu’elles sont exploitables, même si elles ne peuvent pas être affichées précisément sur la carte.

Le calcul des prix est sensible aux ventes complexes. Plusieurs locaux, dépendances et parcelles peuvent appartenir à une seule mutation. Les règles de nettoyage doivent être documentées afin que l’utilisateur comprenne pourquoi le nombre de ventes retenues pour le prix au mètre carré est inférieur au nombre total de mutations.

Les données énergétiques apportent une information importante, mais elles ne couvrent pas uniformément tous les logements. Un DPE apparaît lorsqu’un diagnostic a été réalisé et transmis. Comparer la répartition des étiquettes d’un secteur sans tenir compte de ce biais peut donner une image déformée du parc complet.

Les statistiques INSEE suivent un autre calendrier. Les chiffres publiés en 2026 sur Pau décrivent principalement l’année 2023 pour le logement. Ils constituent un contexte structurel fiable, mais ne doivent pas être présentés comme l’état instantané de juillet 2026.

Les annonces immobilières soulèvent enfin des questions de disponibilité, de droits et de qualité. Leur collecte doit respecter les conditions des sources utilisées. Les doublons, republications, changements d’agence et biens retirés doivent être traités avant de produire un stock ou une durée de commercialisation.

La protection des données reste également présente. La DGFiP rappelle que la réutilisation de DVF ne doit pas permettre la réidentification indirecte des personnes ni l’indexation des données personnelles par les moteurs externes. Une carte publique doit donc éviter d’ajouter des rapprochements qui transformeraient une transaction en profil nominatif.

De l’open data à un produit numérique utile

Le développement commence par une méthode, pas par la carte. Il faut définir le territoire, les questions posées, les sources retenues, les règles d’exclusion et le niveau minimal d’observations pour publier un indicateur. Ces choix constituent le socle éditorial et statistique du produit.

L’ingestion conserve ensuite les fichiers bruts, leur date et leur version. Les mutations sont normalisées, les communes rattachées à des identifiants stables et les coordonnées contrôlées. Les calculs doivent pouvoir être rejoués lorsque la DGFiP publie une nouvelle version ou lorsqu’une règle de nettoyage évolue.

La structure de données doit distinguer sources, mutations, locaux, parcelles, territoires, indicateurs et versions d’import. Les principes décrits dans l’article sur la base de données d’une application web pour PME s’appliquent directement : un modèle clair facilite les corrections, les historiques et les nouvelles sources.

Une première version n’a pas besoin de prédire le prix de chaque logement. Elle peut déjà permettre de filtrer les ventes, comparer les médianes, visualiser les volumes et comprendre la composition d’un secteur. Les usages réels indiquent ensuite s’il faut ajouter les loyers, les DPE, les annonces ou des exports professionnels.

Le projet doit également prévoir sa maintenance. Les données DVF arrivent deux fois par an, les géographies évoluent, les APIs changent et les anomalies doivent être surveillées. Un observatoire dont la dernière mise à jour n’est pas visible perd rapidement sa crédibilité.

D’autres applications locales peuvent être construites autour de la mobilité, des équipements et de l’activité économique. L’immobilier constitue toutefois un cas particulièrement exigeant, car les utilisateurs attribuent facilement à un chiffre local une précision qu’il ne possède pas.

Un observatoire réussi ne cherche donc pas à produire le plus grand nombre d’indicateurs. Il permet de comprendre ce qui a réellement été vendu, sur quelle période, dans quel volume et avec quelles limites. C’est cette capacité à relier données, méthode et interface qui transforme des fichiers publics en application web et produit data utile.