Contexte

France : deuxième marché Airbnb dans le monde (130M de nuitées réservées en 2022), Paris 1ère ville

Rapport Oxfam : une absence de régulation des acteurs privés, Airbnb comme niche fiscale

Effet de pression sur l’accès au logement

Trouillard E., 2021, Les locations saisonnières en Île-de-France, État des lieux d’avant crise, L’Institut Paris Région, p.52

InsideAirbnb

Une démarche militante qui a pour but de fournir des données sur l’impact d’Airbnb sur le parc de logement

Des données utiles à des fins de recherche (partenariats), mais pour l’instant limitées aux informations rendues disponibles par le site Airbnb

A quoi ressemblent les données

AirDNA

Données payantes et clause de contrat interdisant la rediffusion du produit brut

Problème pour les communes avec peu de locations Airbnb (secret statistique)

Protection des données personnelles sur certaines variables

Représenter des données ponctuelles

Indicateurs clés : onglets par thématique

• Annonces et réservations : nombre d’annonces / de nuitées réservées, taux d’occupation…

• Type de réservations : type de logements, part de logements entiers, saisonnalité, prix par personne…

• Pression sur marché du logement, professionnalisation : nombre de locations pour 1000 résidences principales, part de locations «permanentes» (>120 nuitées), part de locations détenues par multiloueurs, revenus générés…

Choix méthodologiques pour la visualisation

• Série temporelles (2016-2022)

• Choix cartographiques (discrétisation, seuils)

• Multi-visualisations : 3 espaces d’étude,
  3 niveaux d’observation

A la commune / IRIS

Représenter des données ponctuelles

Indicateurs clés : onglets par thématique

• Annonces et réservations : nombre d’annonces / de nuitées réservées, taux d’occupation…

• Type de réservations : type de logements, part de logements entiers, saisonnalité, prix par personne…

• Pression sur marché du logement, professionnalisation : nombre de locations pour 1000 résidences principales, part de locations «permanentes» (>120 nuitées), part de locations détenues par multiloueurs, revenus générés…

Choix méthodologiques pour la visualisation

• Série temporelles (2016-2022)

• Choix cartographiques (discrétisation, seuils)

• Multi-visualisations : 3 espaces d’étude,
  3 niveaux d’observation

A la grille (1000m / 200m)

Représenter des données ponctuelles

Indicateurs clés : onglets par thématique

• Annonces et réservations : nombre d’annonces / de nuitées réservées, taux d’occupation…

• Type de réservations : type de logements, part de logements entiers, saisonnalité, prix par personne…

• Pression sur marché du logement, professionnalisation : nombre de locations pour 1000 résidences principales, part de locations «permanentes» (>120 nuitées), part de locations détenues par multiloueurs, revenus générés…

Choix méthodologiques pour la visualisation

• Série temporelles (2016-2022)

• Choix cartographiques (discrétisation, seuils)

• Multi-visualisations : 3 espaces d’étude,
  3 niveaux d’observation

Carte lissée

Stockage, traitements, mise en ligne

Des possibilités de géovisualisation différentes selon les données

OJS dans Quarto : une certaine interactivité

viewof indic = Inputs.radio(inds, {label: "Indicateur :", value: "Part de locations Airbnb pour 1000 résidences principales"})
viewof maillaj = Inputs.radio(maillage, {label: "Maillage :", value: "Carte lissée"})
viewof years = Inputs.range([2016,2022], {label: "Année:", value: 2022, step: 1})

maps2 = transpose(maps)
img = maps2.filter(d => d.annee === years & d.ind === indic & d.maille == maillaj)
html`<img src="${img[0].chemin}" width="876"/>`

Pour représenter les 3000+ cartes et graphiques : 4 onglets thématiques commentés (chiffres clés),
2 zooms indicateurs / communes

Infos : Données et méthodes, choix de multireprésentation, références bibliographiques

Offres et réservation

• 110 000 annonces ouvertes à la réservation au moins un jour dans l’année (2022).

• 7,5 millions de nuitées réservées en 2022. Une forte progression jusqu’en 2019 (+60%), surtout visible en grande couronne. Vers un rattrapage des niveaux d’avant pandémie Covid-19 en 2022.

• Paris : 81% des nuitées réservées en IDF en 2016; 54% en 2022.

Offres et réservation

• 110 000 annonces ouvertes à la réservation au moins un jour dans l’année (2022).

• 7,5 millions de nuitées réservées en 2022. Une forte progression jusqu’en 2019 (+60%), surtout visible en grande couronne. Vers un rattrapage des niveaux d’avant pandémie Covid-19 en 2022.

• Paris : 81% des nuitées réservées en IDF en 2016; 54% en 2022.

Offres et réservation

Saisonnalité - un pas de temps plus fin pour détecter des comportements périodiques

Offres et réservation

Saisonnalité - un pas de temps plus fin pour détecter des comportements périodiques

• A Paris et en petite couronne, une alternance haute saison / basse saison plus marquée

• Moins d’annonces actives, mais un taux d’annonces réservées plus élevé

• Derniers chiffres en date : quantités d’annonces plus élevées en décembre 2022 en Seine-et-Marne (5228) que dans le Val-de-Marne (4523)

Types de locations

En 2022, 21% des annonces sont louées plus de 4 mois dans l’année.

Une tendance qui s’accentue. Des spécificités locales sont à noter (Disneyland, Fontainebleau) et près des pôles aéroportuaires.

viewof years2 = Inputs.range([2015,2022], {label: "Année:", value: 2022, step: 1})

perm2 = transpose(perm)
img2 = perm2.filter(d => d.annee === years2)
html`<img src="${img2[0].chemin}" width="876"/>`

Types de locations

En combinant type d’hébergement, nombre de nuitées réservées et appartenance à des multiloueurs, 3 catégories d’annonces se distinguent : occasionnelles, semi-commerciales et commerciales

• Les annonces occasionnelles étaient dominantes en 2016 (40%), seulement 25% en 2022.

• Les annonces commerciales ont suivi une trajectoire inverse : 24% en 2016, 42% en 2022.

Types de locations

En combinant type d’hébergement, nombre de nuitées réservées et appartenance à des multiloueurs, 3 catégories d’annonces se distinguent : occasionnelles, semi-commerciales et commerciales

• Les annonces occasionnelles étaient dominantes en 2016 (40%), seulement 25% en 2022.

• Les annonces commerciales ont suivi une trajectoire inverse : 24% en 2016, 42% en 2022.

2016

Types de locations

En combinant type d’hébergement, nombre de nuitées réservées et appartenance à des multiloueurs, 3 catégories d’annonces se distinguent : occasionnelles, semi-commerciales et commerciales

• Les annonces occasionnelles étaient dominantes en 2016 (40%), seulement 25% en 2022.

• Les annonces commerciales ont suivi une trajectoire inverse : 24% en 2016, 42% en 2022.

2019

Types de locations

En combinant type d’hébergement, nombre de nuitées réservées et appartenance à des multiloueurs, 3 catégories d’annonces se distinguent : occasionnelles, semi-commerciales et commerciales

• Les annonces occasionnelles étaient dominantes en 2016 (40%), seulement 25% en 2022.

• Les annonces commerciales ont suivi une trajectoire inverse : 24% en 2016, 42% en 2022.

2022

Types de locations

Profils communaux en 2022

• Typologie établie à l’aide d’une classification statistique : cinq profils distincts

• Des spécialisations communales : un gradient plus fin à Paris

Prix et revenus

Prix et revenus

• Les annonces parisiennes en 2016 concentraient 88% de l’ensemble des revenus et 70% en 2022. 1,2 milliard de $ de revenus générés en 2022.

• À Paris en 2022, 10% des hôtes Airbnb concentrent 57% des nuitées et 72% des revenus générés. Ces parts s’élevaient à 45% (nuitées) et 56% (revenus) en 2016.

cum_dep = transpose(cumul_dep)

viewof conc1_dep = Inputs.radio(["annonces", "loueurs"], {value: "loueurs", label : "Combien les"})

viewof conc2_dep = Inputs.radio(["nuitées", "revenus"], {value: "nuitées", label : "concentrent de"})

viewof dep_ = Inputs.select(["Paris (75)", "Seine-et-Marne (77)", "Yvelines (78)", "Essonne (91)", "Hauts-de-Seine (92)",
"Seine-Saint-Denis (93)", "Val-de-Marne (94)", "Val d'Oise (95)"],
{value: "Paris (75)", label: "dans le département"})

viewof annee_dep = Inputs.select(["2016", "2017", "2018", "2019", "2020", "2021", "2022"],
{value: "2022", label: "en"})

newtab_dep_ = cum_dep.filter(d => d.DEP == dep_ && d.annee == annee_dep && d.conc1 == conc1_dep && d.conc2 == conc2_dep)
viewof k_dep = Inputs.range([0, newtab_dep_.length -1], {step: 1, format: (x) => newtab_dep_[x].Concentreur, value: 10, label: "Curseur"})

k2_dep = newtab_dep_.filter(d => d.Concentreur === newtab_dep_[k_dep].Concentreur)

md` ${k2_dep[0].Concentreur}% des ${k2_dep[0].conc1} concentrent ${k2_dep[0].Concentré}% des ${k2_dep[0].conc2}.`

addTooltips(
  Plot.plot({
    width: 470,
    y: {label: k2_dep[0].conc2},
    x: {label: k2_dep[0].conc1},
    marks: [
      Plot.line(newtab_dep_, {
        x: "Concentreur",
        y: "Concentré",
        stroke: "lightgrey",
        title: (d) =>
          `${d.Concentreur} % des ${d.conc1} concentrent ${d.Concentré} % des ${d.conc2}.`
      }),
      Plot.dot(k2_dep, {x: "Concentreur", y: "Concentré",
      title: (d) =>
          `${d.Concentreur} % des ${d.conc1} concentrent ${d.Concentré} % des ${d.conc2}.`})
    ]
  }),
  {
    stroke: "steelblue"
  }
)

import { addTooltips } from "@mkfreeman/plot-tooltip"

Focus commune

Focus commune

Indicateurs-clés

A l’échelle départementale, une sélection d’indicateurs

viewof dep = Inputs.select(DEP, {label: "Département :", value: "Paris (75)"})

tablodep = transpose(tabdep)
newtab_dep = tablodep.filter(d => d.DEP === dep)

Inputs.table(newtab_dep, {
columns: [
"Indicateurs", "2015", "2016", "2017", "2018", "2019", "2020", "2021", "2022"
],
rows: 22
})

Indicateurs-clés

Comparaison entre départements

viewof ind_dep = Inputs.select(indics, {value: "Nombre d'annonces actives" ,label: "Indicateur :"})
viewof deps = Inputs.checkbox(DEP, {label: "Département(s) :", multiple: true, value: ["Paris (75)",
"Hauts-de-Seine (92)"]})

t_tmp = transpose(tmp)
newtab_depp = t_tmp.filter(d => deps.includes(d.DEP)  & d.Indicateur === ind_dep)
tmp2 = tablodep.filter(d => deps.includes(d.DEP)  & d.Indicateurs === ind_dep)

Inputs.table(tmp2, {
columns: [
"DEP", "2015", "2016", "2017", "2018", "2019", "2020", "2021", "2022"
],
rows: 22
})

colors = ["#66c2a5", "#fc8d62", "#8da0cb", "#e78ac3", "#a6d854", "#ffd92f", "#e5c494", "#b3b3b3"]
colorbydep = new Map(DEP.map((d, i) => [d, colors[i]]))

Plot.plot({
y: {
grid: true,
label : ind_dep
},
marginRight: 100,
marginLeft: 100,
marks: [
Plot.axisX({ticks: ["2015", "2016", "2017", "2018", "2019", "2020", "2021", "2022"], tickFormat: ""}),
Plot.line(newtab_depp, {x: "Année", y: "tot", z: "DEP", stroke: d => colorbydep.get(d.DEP)}),
Plot.text(newtab_depp, Plot.selectLast({x: "Année", y: "tot", z: "DEP", text: "DEP",
textAnchor: "start", dx : 3}))
]
})

Suite du projet