Last data update: 17 sept. 2026, 07:09
Last compile: 17 sept. 2026, 07:35
Figure 1 : quartiers regroupés en 14 zones Olap
Code
fig1 |>
arrange(zone_olap, quartier_num) |>
group_by(zone_olap) |>
summarise(quartiers = paste(quartier_libelle, collapse = ", "), .groups = "drop") |>
rename(`Zone Olap` = zone_olap, `Quartiers` = quartiers) |>
gt() |>
tab_header(title = "Regroupement des quartiers parisiens en 14 zones définies par l'Olap") |>
cols_width(`Zone Olap` ~ px(90), `Quartiers` ~ px(700))| Regroupement des quartiers parisiens en 14 zones définies par l'Olap | |
| Zone Olap | Quartiers |
|---|---|
| 1 | Notre-Dame-des-Champs, Saint-Thomas-d’Aquin, Invalides, École militaire, Gros Caillou |
| 2 | Saint-Germain-l’Auxerrois, Palais Royal, Place Vendôme, Gaillon, Saint-Merri, Arsenal, Notre-Dame, Monnaie, Odéon, Saint-Germain-des-Prés, Champs-Élysées, Faubourg du Roule, Madeleine, Chaussée d’Antin |
| 3 | Europe, Muette, Porte Dauphine, Chaillot |
| 4 | Vivienne, Mail, Bonne Nouvelle, Arts et métiers, Enfants rouges, Archives, Sainte-Avoie, Saint-Gervais, Saint-Victor, Val de Grace, Sorbonne |
| 5 | Halles, Saint-Georges, Faubourg Montmartre, Rochechouart, Saint-Vincent-de-Paul, Porte Saint-Denis, Croulebarbe, Montparnasse |
| 6 | Necker, Ternes, Plaine de Monceaux |
| 7 | Grenelle, Javel, Auteuil |
| 8 | Saint-Lambert |
| 9 | Picpus, Grandes carrières, Clignancourt |
| 10 | Jardin des Plantes, Saint-Ambroise, Sainte-Marguerite, Salpêtrière, Petit-Montrouge, Batignolles |
| 11 | Porte Saint-Martin, Hôpital Saint-Louis, Folie Méricourt, Roquette, Quinze-Vingts, Parc de Montsouris, Epinettes, Goutte d’Or, Belleville |
| 12 | Maison-Blanche, Plaisance |
| 13 | Gare, La Chapelle, Villette, Pont de Flandres, Amérique, Saint-Fargeau, Charonne |
| 14 | Bel-Air, Bercy, Combat, Père Lachaise |
Figure 2 : loyer moyen par zone
Code
fig2 |>
mutate(zone = factor(zone, levels = zones_levels),
zone_paris = if_else(zone == "Paris", "Paris", "Zone")) |>
ggplot(aes(x = zone, y = loyer_moyen, fill = zone_paris)) +
geom_col() +
geom_text(aes(label = round(loyer_moyen)), vjust = -0.4, size = 3.5) +
scale_fill_manual(values = c("Zone" = "#1B3F8B", "Paris" = "#B8860B"), guide = "none") +
theme_minimal(base_size = 13) +
labs(x = "Zone Olap", y = NULL,
title = "Loyer moyen des logements loués vides dans le parc privé parisien",
subtitle = "selon les zones définies par l'Olap, en 2022 (en euros)") +
theme(panel.grid.minor = element_blank(),
panel.grid.major.x = element_blank())
Figure 3 : répartition des ménages locataires selon le taux d’effort brut
Code
niveaux_taux_effort <- c("Inférieur à 21 %", "De 21 % à moins de 29 %",
"De 29 % à moins de 40 %", "De 40 % à moins de 67 %",
"Égal ou supérieur à 67 %")
fig3 |>
select(categorie_menage, all_of(niveaux_taux_effort)) |>
mutate(categorie_menage = factor(categorie_menage,
levels = rev(c("Homme seul", "Femme seule",
"Famille monoparentale",
"Couple sans enfant",
"Couple avec enfant(s)",
"Ménage complexe", "Ensemble")))) |>
pivot_longer(-categorie_menage, names_to = "taux_effort", values_to = "part") |>
mutate(taux_effort = factor(taux_effort, levels = niveaux_taux_effort)) |>
ggplot(aes(x = categorie_menage, y = part, fill = taux_effort)) +
geom_col(position = position_stack(reverse = TRUE)) +
geom_text(aes(label = part), position = position_stack(vjust = 0.5, reverse = TRUE),
size = 3, color = "white") +
coord_flip() +
scale_fill_manual(values = c("#1B3F8B", "#3E6FBF", "#8FB0DE", "#E8737A", "#B8860B"),
name = "Taux d'effort brut") +
guides(fill = guide_legend(nrow = 2)) +
theme_minimal(base_size = 13) +
labs(x = NULL, y = NULL,
title = "Répartition des ménages locataires du parc privé parisien",
subtitle = "selon le taux d'effort brut en 2022 (en %)") +
theme(legend.position = "bottom",
panel.grid.minor = element_blank(),
panel.grid.major.y = element_blank())
Figure encadré : évolution des loyers et de l’ICC/IRL depuis 1987
Linéaire
Code
lois <- fig_encadre |>
filter(!is.na(lois)) |>
select(annee, lois)
fig_encadre |>
mutate(indice_reglementaire = coalesce(icc, irl)) |>
select(annee, `Loyers du parc privé parisien` = loyers_paris,
`Indice de référence (ICC puis IRL)` = indice_reglementaire) |>
pivot_longer(-annee, names_to = "serie", values_to = "indice") |>
ggplot(aes(x = annee, y = indice, color = serie)) +
geom_vline(data = lois, aes(xintercept = annee), linetype = "dashed", color = "grey70") +
geom_line(linewidth = 1.1) +
scale_color_manual(values = c("Loyers du parc privé parisien" = "#B8860B",
"Indice de référence (ICC puis IRL)" = "#1B3F8B")) +
theme_minimal(base_size = 13) +
labs(x = NULL, y = NULL, color = NULL,
title = "Évolution des loyers et de l'indice de référence",
subtitle = "ICC (1987-2005) puis IRL (2006-2023) ; indice base 100 en 1987") +
theme(legend.position = "bottom",
panel.grid.minor = element_blank())
Echelle log
Code
lois <- fig_encadre |>
filter(!is.na(lois)) |>
select(annee, lois)
fig_encadre |>
mutate(indice_reglementaire = coalesce(icc, irl)) |>
select(annee, `Loyers du parc privé parisien` = loyers_paris,
`Indice de référence (ICC puis IRL)` = indice_reglementaire) |>
pivot_longer(-annee, names_to = "serie", values_to = "indice") |>
ggplot(aes(x = annee, y = indice, color = serie)) +
geom_vline(data = lois, aes(xintercept = annee), linetype = "dashed", color = "grey70") +
geom_line(linewidth = 1.1) +
scale_color_manual(values = c("Loyers du parc privé parisien" = "#B8860B",
"Indice de référence (ICC puis IRL)" = "#1B3F8B")) +
theme_minimal(base_size = 13) +
scale_y_log10(breaks = scales::breaks_log(n = 8)) +
labs(x = NULL, y = NULL, color = NULL,
title = "Évolution des loyers et de l'indice de référence",
subtitle = "ICC (1987-2005) puis IRL (2006-2023) ; indice base 100 en 1987") +
theme(legend.position = "bottom",
panel.grid.minor = element_blank())
Figure complémentaire 1 : indicateurs clés selon le type de ménage
Code
fig_comp1 |>
rename(`Type de ménage` = type_menage,
`Répartition (%)` = repartition_menages,
`Revenu disponible médian (€)` = revenu_disponible_median,
`Loyer brut médian (€)` = loyer_brut_median,
`Loyer net médian (€)` = loyer_net_median,
`Taux d'effort brut médian (%)` = taux_effort_brut_median,
`Taux d'effort net médian (%)` = taux_effort_net_median,
`Bénéficiaires d'aides (%)` = part_beneficiaires_aides,
`Répartition des bénéficiaires (%)` = repartition_beneficiaires_aides) |>
gt() |>
tab_header(title = "Indicateurs clés selon le type de ménage")| Indicateurs clés selon le type de ménage | ||||||||
| Type de ménage | Répartition (%) | Revenu disponible médian (€) | Loyer brut médian (€) | Loyer net médian (€) | Taux d'effort brut médian (%) | Taux d'effort net médian (%) | Bénéficiaires d'aides (%) | Répartition des bénéficiaires (%) |
|---|---|---|---|---|---|---|---|---|
| Homme seul | 26.8 | 2290 | 850 | 840 | 38.4 | 36.5 | 16.3 | 25.7 |
| Femme seule | 31.6 | 2130 | 860 | 830 | 41.6 | 39.3 | 20.5 | 38.0 |
| Famille monoparentale | 6.3 | 3080 | 1260 | 1220 | 39.1 | 36.6 | 21.1 | 7.8 |
| Couple sans enfant | 19.6 | 4510 | 1140 | 1130 | 25.7 | 25.1 | 14.1 | 16.2 |
| Couple avec enfant(s) | 11.8 | 6360 | 1570 | 1550 | 24.4 | 23.9 | 10.2 | 7.1 |
| Ménage complexe | 3.9 | 4020 | 1110 | 1070 | 26.7 | 25.3 | 22.2 | 5.2 |
| Ensemble | 100.0 | 2750 | 980 | 960 | 33.9 | 32.6 | 17.0 | 100.0 |
Figure complémentaire 2 : indicateurs clés selon la zone Olap
Code
fig_comp2 |>
mutate(zone = factor(zone, levels = zones_levels)) |>
arrange(zone) |>
rename(`Zone Olap` = zone,
`Revenu disponible médian (€)` = revenu_disponible_median,
`Loyer brut médian (€)` = loyer_brut_median,
`Loyer net médian (€)` = loyer_net_median,
`Taux d'effort brut médian (%)` = taux_effort_brut_median,
`Taux d'effort net médian (%)` = taux_effort_net_median) |>
gt() |>
tab_header(title = "Indicateurs clés selon la zone Olap")| Indicateurs clés selon la zone Olap | |||||
| Zone Olap | Revenu disponible médian (€) | Loyer brut médian (€) | Loyer net médian (€) | Taux d'effort brut médian (%) | Taux d'effort net médian (%) |
|---|---|---|---|---|---|
| 1 | 3970 | 1350 | 1350 | 32.7 | 31.8 |
| 2 | 3810 | 1300 | 1280 | 33.8 | 33.1 |
| 3 | 4340 | 1450 | 1440 | 31.3 | 30.7 |
| 4 | 3300 | 1120 | 1110 | 32.6 | 31.9 |
| 5 | 3090 | 1010 | 990 | 31.0 | 30.3 |
| 6 | 3750 | 1200 | 1190 | 31.3 | 30.5 |
| 7 | 3290 | 1100 | 1090 | 31.5 | 30.4 |
| 8 | 2970 | 670 | 950 | 31.1 | 30.3 |
| 9 | 2780 | 900 | 880 | 31.2 | 30.3 |
| 10 | 3030 | 990 | 970 | 30.7 | 29.8 |
| 11 | 2820 | 900 | 880 | 31.2 | 30.1 |
| 12 | 2890 | 960 | 940 | 32.3 | 31.3 |
| 13 | 2650 | 780 | 760 | 28.8 | 27.2 |
| 14 | 3030 | 900 | 890 | 29.0 | 28.0 |
| Paris | 3030 | 970 | 960 | 31.0 | 30.0 |
Figure complémentaire 3 : encadrement des loyers par zone
Code
fig_comp3 |>
filter(zone != "Paris") |>
mutate(zone = factor(zone, levels = zones_levels)) |>
select(zone, `Loyer inférieur au loyer minoré` = part_inf_minore,
`Loyer dans la fourchette` = part_fourchette,
`Loyer supérieur au loyer majoré` = part_sup_majore) |>
pivot_longer(-zone, names_to = "categorie", values_to = "part") |>
mutate(categorie = factor(categorie, levels = c("Loyer inférieur au loyer minoré",
"Loyer dans la fourchette",
"Loyer supérieur au loyer majoré"))) |>
ggplot(aes(x = zone, y = part, fill = categorie)) +
geom_col(position = position_stack(reverse = TRUE)) +
scale_fill_manual(values = c("#1B3F8B", "#8FB0DE", "#E8737A"), name = NULL) +
theme_minimal(base_size = 13) +
labs(x = "Zone Olap", y = NULL,
title = "Part des locataires dépensant en 2022 un loyer inférieur au loyer minoré,",
subtitle = "supérieur au loyer majoré ou compris dans la fourchette, par zone Olap (en %)") +
theme(legend.position = "bottom",
panel.grid.minor = element_blank(),
panel.grid.major.x = element_blank())