title	output
Données canadiennes de prix des logements, par subdivision de recensement, régions urbaines	html_document keep_md yes

Visiblement, notre premier ministre n'est pas très au courant du marché locatif québécois. Voici donc les données les plus à jour (octobre 2019) sur le marché canadien du logement, tirées du site de la SCHL et nettoyées pour les rendre utilisables et visualisables !

Outils utilisés

Nous allons utiliser le langage R et les librairies tidyverse, sf et mapsf.

library(tidyverse)

## ── Attaching packages ─────────────────────────────────────── tidyverse 1.3.0 ──

## ✓ ggplot2 3.3.3     ✓ purrr   0.3.4
## ✓ tibble  3.1.0     ✓ dplyr   1.0.5
## ✓ tidyr   1.1.3     ✓ stringr 1.4.0
## ✓ readr   1.4.0     ✓ forcats 0.5.1

## ── Conflicts ────────────────────────────────────────── tidyverse_conflicts() ──
## x dplyr::filter() masks stats::filter()
## x dplyr::lag()    masks stats::lag()

library(sf)

## Linking to GEOS 3.8.1, GDAL 3.0.4, PROJ 6.3.2

library(mapsf)

Données de la SCHL

Lecture des données

Les données sont dans un fichier Excel XLSX, et comme tout bon fichier provenant d'une agence du gouvernement, contient des métadonnées, des cellules fusionnées, des titres avec des caractères invalides, des sous-totaux mal identifiés ...

Le tableau commence à la ligne 4, nous allons donc éliminer les trois premières lignes.

urban_rental <-
  readxl::read_xlsx("urban-rental-market-survey-data-average-rents-urban-centres-2019.xlsx",
                    skip = 3)

## New names:
## * `` -> ...6
## * `` -> ...8
## * `` -> ...10
## * `` -> ...12
## * `` -> ...14

On renomme les colonnes pour les rendre utilisables avec R

colnames(urban_rental) <- c(
  "province",
  "centre",
  "subdiv_recens",
  "type_logement",
  "bachelor",
  "",
  "chambre_1",
  "",
  "chambre_2",
  "",
  "chambre_3",
  "",
  "total",
  ""
)

On traite ici d'un seul coup avec une séquence d'opérateurs l'ensemble des anomalies dans les données. Je vais commenter cette section directement dans le code.

urban_rental_pivot <- urban_rental %>%
  # Sélectionner les variables utiles
  select(
    province,
    centre,
    subdiv_recens,
    type_logement,
    bachelor,
    chambre_1,
    chambre_2,
    chambre_3
    # Pivoter les données de montants pour avoir à faire les traitements une seule
    # fois
  ) %>% pivot_longer(
    c(bachelor,
      chambre_1,
      chambre_2,
      chambre_3),
    names_to = "nombre_pieces",
    values_to = "loyer_moyen"
  ) %>%
  # Extraire le montant numérique du montant indiqué avec un signe de $ devant
  # le nombre
  mutate(loyer_moyen_num = loyer_moyen %>%
           str_extract_all("\\d+") %>%
           as.numeric()) %>%
  select(-loyer_moyen) %>%
  # Supprimer les lignes avec des montants manquants
  filter(!is.na(loyer_moyen_num)) %>%
  # Supprimer les sous-totaux par division de recensement
  filter(subdiv_recens != "Total") %>%
  # Conserver seulement le total des types de logements (essentiellement, rangée
  # ou bloc, peu important pour nos analyses)
  filter(type_logement == "Total") %>%
  # Formater les subdivisions de recensement comme Statistiques Canada et
  # extraire le genre qui est entre parenthèses dans une autre variable
  mutate(
    subdiv_genre = subdiv_recens %>%
      str_match(pattern = "(.*)\\s+\\((.*)\\)") %>%
      `[`(, 3),
    subdiv_recens = subdiv_recens %>%
      str_match(pattern = "(.*)\\s+\\((.*)\\)") %>%
      `[`(, 2)
  ) %>%
  # Ramener au format large puisque notre clé sera la région géographique pour
  # fusionner avec les données spatiales
  pivot_wider(names_from = "nombre_pieces", values_from = "loyer_moyen_num") %>%
  select(
    province,
    centre,
    subdiv_genre,
    subdiv_recens,
    type_logement,
    bachelor,
    chambre_1,
    chambre_2,
    chambre_3
  )

Subdivisions de recensement

Nous importons maintenant les données de subdivisions de recensement

lsdr000b16a_f <- sf::read_sf("lsdr000b16a_f/lsdr000b16a_f.shp")
lsdr000b16a_f[lsdr000b16a_f$SDRIDU == "4810039",]$SDRNOM <-
  "Lloydminster (Alta Part)"
lsdr000b16a_f[lsdr000b16a_f$SDRIDU == "4717029",]$SDRNOM <-
  "Lloydminster (Sask Part)"

Comme la ville de Lloydminster qui chevauche l'Alberta et la Saskatchewan est identifiée différemments dans les données de la SCHL que dans celles de Statistiques Canada, on fait la correction ici pour permettre la fusion, qui se fait sur le nom de la subdivision au lieu d'utiliser l'identifiant unique SDRIDU, car la SCHL ne l'a pas fourni dans ses données (ce qui serait une bonne pratique).

On valide qu'on a bien tout suite à ces corrections:

is.na(setdiff(
  unique(urban_rental_pivot$subdiv_recens),
  unique(lsdr000b16a_f$SDRNOM)
))

## [1] FALSE  TRUE

On peut maintenant fusionner les données

urban_rental_sf <- lsdr000b16a_f %>%
  inner_join(urban_rental_pivot,
             by = c("SDRNOM" = "subdiv_recens",
                    "SDRGENRE" = "subdiv_genre")) %>%
  select(
    PRIDU,
    PRNOM,
    centre,
    SDRIDU,
    SDRGENRE,
    SDRNOM,
    bachelor,
    chambre_1,
    chambre_2,
    chambre_3,
    geometry
  ) %>%
  distinct()

On exporte ensuite les données au format GeoJSON pour consommation ultérieure.

urban_rental_sf %>% sf::write_sf("urban_rental_sf.geojson")
system("gzip urban_rental_sf.geojson")

Analyse

Voyons voir ce qu'il se passe à Montréal:

urban_rental_sf %>%
  filter(centre=="Montréal" & SDRNOM=="Montréal") %>%
  select(centre,SDRNOM,bachelor,chambre_1,chambre_2,chambre_3) %>% 
  st_drop_geometry()

## # A tibble: 1 x 6
##   centre   SDRNOM   bachelor chambre_1 chambre_2 chambre_3
## * <chr>    <chr>       <dbl>     <dbl>     <dbl>     <dbl>
## 1 Montréal Montréal      660       752       851      1118

Le prix moyen d'un appartement d'une chambre, communément appelé un 3 1/2, est de 752$ en octobre 2019. Soit 50% plus cher que l'estimation la plus basse du premier ministre.

Voyons maintenant où il est possible d'obtenir un logement 3 1/2 à moins de 500$ au Québec

srd_moins_500_ch1 <- urban_rental_sf %>%
  filter(chambre_1<=500 & PRNOM=="Quebec / Québec") %>%
  select(SDRNOM,chambre_1) %>% 
  arrange(desc(chambre_1)) 

srd_moins_500_ch1 %>% 
  st_drop_geometry()

## # A tibble: 23 x 2
##    SDRNOM          chambre_1
##  * <chr>               <dbl>
##  1 Montmagny             491
##  2 Victoriaville         487
##  3 Sorel-Tracy           486
##  4 Saguenay              486
##  5 Matane                482
##  6 Rawdon                478
##  7 Magog                 476
##  8 Sainte-Marie          472
##  9 Rivière-du-Loup       460
## 10 Mont-Laurier          457
## # … with 13 more rows

nb_subdivisions_qc <- urban_rental_sf %>% 
  st_drop_geometry() %>% 
  filter(PRNOM=="Quebec / Québec") %>% 
  select(SDRNOM) %>% 
  distinct() %>% 
  count()

Il y a 130 subdivisions de recensement urbaines au Québec, et 23 d'entre elles, soit 18 %, ont un coût moyen de moins de 500$ pour un appartement d'une chambre.

Visualisons le coût moyen des 3 1/2 pour toutes les subdivisions de recensement urbaines du Québec

urban_rental_sf %>%
  filter(PRNOM=="Quebec / Québec") %>%
  select(SDRIDU, chambre_1) %>% 
  mf_map(var = "chambre_1", type = "choro")

Allons maintenant voir le centre démographique de Montréal:

donnees_vis_ch1 <- urban_rental_sf %>%
  filter(centre=="Montréal") %>%
  select(SDRIDU, chambre_1) %>% 
  mf_map(var = "chambre_1", type = "choro")

Et celui de Québec:

donnees_vis_ch1 <- urban_rental_sf %>%
  filter(centre=="Québec") %>%
  select(SDRIDU, chambre_1) %>% 
  mf_map(var = "chambre_1", type = "choro")

Sources

• Enquête sur les logements locatifs, centres urbains : loyers moyens - Octobre 2019
• Subdivisions de recensement, Fichier des limites cartographiques - Recensement de 2016