Cette partie a pour objectif de synthétiser les résultats obtenus lors des analyses menées sur chaque commune, structurée en 3 parties : État des lieux sur l’importance, la structure et la performance de l’offre Airbnb dans la commune en 2019, analyse temporelle 2015-2020, et analyse infra-communale. Les indicateurs utilisés permettent de quantifier l’activité d’Airbnb dans chaque commune, notamment en ce qui concerne la fréquentation ainsi que les revenus générés par les locations. Ils permettent aussi de différencier les communes selon le type de propriétaires qui y vivent et des logements mis en location. Notre hypothèse est celle d’une saturation du marché parisien, débordant vers les communes limitrophes. L’accent est ensuite mis sur la concentration du marché. Dans un second temps, la lumière est mise sur la période Covid, et la résilience des communes face à la chute du tourisme. Enfin, une analyse cartographique permet d’observer la distribution spatiale des logements Airbnb dans chaque commune, et de leur activité en terme de réservation.

Le code R qui a permis de générer les représentations graphiques et tableaux est affiché pour la première commune. Il est exactement identique pour les deux autres communes, à l’exception de l’import des données.

library(knitr) # Générer des rapports automatisés
library(rmdformats) # Format du document markdown
library(readr) # Import de fichiers csv
library(dplyr) # Manipulation de dataframes
library(tidyr) # pareil
library(ggplot2) # Production de graphiques
library(sf) # Opérations de géotraitement
library(leaflet) # Cartographie interactive
library(RColorBrewer) # Palettes de couleurs
library(cartography) # Cartographie thématique
library(kableExtra) # Faire des beau tableaux


1 Issy-Les-Moulineaux

# Seuls les paramètres de ce chunk sont à changer

mensuel_clean <- read_csv("data/consolidated/issy_mensuel.csv")
individuel_clean <- read_csv("data/consolidated/issy_individuel.csv")
iris <- st_read("data/consolidated/issy.gpkg", layer = "iris", quiet = TRUE)
grillecom <- st_read("data/consolidated/issy.gpkg", layer = "grillecom", quiet = TRUE)
individuel_clean_sf <- st_read("data/consolidated/issy.gpkg", layer = "issy_individuel_sf", quiet = TRUE)

commune <- "issy"
periode <- 2019
periode2 <- 2020
hotels <- read_csv("data/insee/hotels_issy.csv")
log <- read_csv("data/insee/log_issy.csv")
# On ne sélectionne que l'année choisie
mois <- mensuel_clean %>% filter(year == periode)
annee <- mois %>% select(-mois, -`Occupancy Rate`, -Active, -year, -month, -day, -activite,
                              -actif, -duree, -tauxfreq)
annee <- annee %>% group_by(id_logement) %>%
  summarise(type = type, rev_tot = sum(revenus_mois), rev_nuitee = mean(revenus_nuitee, na.rm = TRUE),
            nb_resa = sum(nb_resa), nb_nuitees = sum(nb_nuitees), nb_dispo = sum(nb_dispo),
            nb_bloques = sum(nb_bloques), Latitude = Latitude, Longitude = Longitude,
            id_hote = id_hote)
annee <- annee %>% unique()

# réestimation du taux de fréquentation et de la durée des séjours
annee$tauxfreq <- annee$nb_nuitees / (annee$nb_nuitees + annee$nb_dispo)
annee$tauxfreq <- annee$tauxfreq %>% round(digits = 2)

annee$duree <- annee$nb_nuitees / annee$nb_resa
annee$duree <- annee$duree %>% round(digits = 2)

# ajout de la colonne prix et prixpers via le tableau individuel_clean
annee <- merge(annee, individuel_clean, by = "id_logement", all.x = TRUE)# il ya des na
annee <- annee %>% select(id_logement, type.x, rev_tot, rev_nuitee, nb_resa, nb_nuitees.x,
                            nb_dispo.x, Latitude.x, Longitude.x, id_hote.x, tauxfreq.x, duree,
                            Freq, titre, debut, prix, prixpers, Amenities, licence, multi, duree_min)

annee <- annee %>% rename("type" = "type.x", "nb_nuitees" = "nb_nuitees.x",
                            "nb_dispo" = "nb_dispo.x", "latitude" = "Latitude.x",
                            "longitude" = "Longitude.x", "id_hote" = "id_hote.x",
                            "tauxfreq" = "tauxfreq.x")
annee <- annee %>% filter(!is.na(prix))

# on transforme en objet sf en joignant l'id carre
join <- individuel_clean_sf %>% select(id_logement, id_carre, id_iris)
annee_sf <- left_join(annee, join, by = "id_logement")
annee_sf <- annee_sf %>% select(-geom)
annee_sf <- st_as_sf(annee_sf, coords = c("longitude", "latitude"), crs = 4326)

# On effectue la même manip pour la période 2
mois2 <- mensuel_clean %>% filter(year == periode2)
annee2 <- mois2 %>% select(-mois, -`Occupancy Rate`, -Active, -year, -month, -day, -activite,
                              -actif, -duree, -tauxfreq)
annee2 <- annee2 %>% group_by(id_logement) %>%
  summarise(type = type, rev_tot = sum(revenus_mois), rev_nuitee = mean(revenus_nuitee, na.rm = TRUE),
            nb_resa = sum(nb_resa), nb_nuitees = sum(nb_nuitees), nb_dispo = sum(nb_dispo),
            nb_bloques = sum(nb_bloques), Latitude = Latitude, Longitude = Longitude,
            id_hote = id_hote)
annee2 <- annee2 %>% unique()

# réestimation du taux de fréquentation et de la durée des séjours
annee2$tauxfreq <- annee2$nb_nuitees / (annee2$nb_nuitees + annee2$nb_dispo)
annee2$tauxfreq <- annee2$tauxfreq %>% round(digits = 2)

annee2$duree <- annee2$nb_nuitees / annee2$nb_resa
annee2$duree <- annee2$duree %>% round(digits = 2)

# ajout de la colonne prix et prixpers via le tableau individuel_clean
annee2 <- merge(annee2, individuel_clean, by = "id_logement", all.x = TRUE)# il ya des na
annee2 <- annee2 %>% select(id_logement, type.x, rev_tot, rev_nuitee, nb_resa, nb_nuitees.x,
                            nb_dispo.x, Latitude.x, Longitude.x, id_hote.x, tauxfreq.x, duree,
                            Freq, titre, debut, prix, prixpers, Amenities, licence, multi, duree_min)

annee2 <- annee2 %>% rename("type" = "type.x", "nb_nuitees" = "nb_nuitees.x",
                            "nb_dispo" = "nb_dispo.x", "latitude" = "Latitude.x",
                            "longitude" = "Longitude.x", "id_hote" = "id_hote.x",
                            "tauxfreq" = "tauxfreq.x")
annee2 <- annee2 %>% filter(!is.na(prix))

# on transforme en objet sf en joignant l'id carre
join <- individuel_clean_sf %>% select(id_logement, id_carre, id_iris)
annee2_sf <- left_join(annee2, join, by = "id_logement")
annee2_sf <- annee2_sf %>% select(-geom)
annee2_sf <- st_as_sf(annee2_sf, coords = c("longitude", "latitude"), crs = 4326)
annee_actifs <- annee %>% filter(nb_dispo > 0 | nb_nuitees > 0)
annee_reserves <- annee %>% filter(nb_nuitees > 0)
annee2_actifs <- annee2 %>% filter(nb_dispo > 0 | nb_nuitees > 0)
annee2_reserves <- annee2 %>% filter(nb_nuitees > 0)

entire <- annee_reserves %>% filter(type == "Entire home/apt")
private <- annee_reserves %>% filter(type == "Private room")
entire2 <- annee2_reserves %>% filter(type == "Entire home/apt")
private2 <- annee2_reserves %>% filter(type == "Private room")


1.1 Etat des lieux sur l’importance, la structure et la performance de l’offre Airbnb à issy (2019)

En 2019, on compte 1153 logements inscrits sur la plateforme Airbnb à issy, ce qui représente environ 3.2% de la totalité du marché du logement dans la commune1. A titre de comparaison, on compte 848 chambres d’hôtel dans la commune2. 779 des logements Airbnb ont été proposés à la location au moins une fois sur l’année, et 598 ont enregistré au moins une réservation. Un hôte qui rend son logement disponible a donc 77% de chance d’engendrer une réservation. Les indicateurs calculés sur le tableau suivant prennent comme stock de référence ces 598 logements réservés, dont 485 sont des logements entiers, et 104 des chambres privées.

indicateur <- data.frame(matrix(ncol = 4, nrow = 11))
colnames(indicateur) <- c(paste("Indicateur (", periode ,")"), "Tous les logements", "Logements entiers", "Chambres privées")
indicateur[ ,1] <- c("Taux d'activité (%)", "Prix par personne moyen (\\$)", "Taux de fréquentation moyen (%)", "Nombre moyen de nuitées disponibles", "Nombre moyen de nuitées réservées", "Part de logements loués fréquemment (>= 120 nuitées)", "Part de logements loués occasionnellement (<= 7 nuitées)", "Part des séjours de moins de 7 jours", "Part des séjours de 15 jours ou plus", "Part de logements détenus par des multiloueurs", "Revenu médian engendré par logement (\\$)")

indicateur[1,2] <- nrow(annee_reserves) * 100 / nrow(annee_actifs)
indicateur[1,3] <- nrow(entire) * 100 / nrow(annee_actifs %>% filter(type == "Entire home/apt"))
indicateur[1,4] <- nrow(private) * 100 / nrow(annee_actifs %>% filter(type == "Private room"))

indicateur[2,2] <- mean(annee_reserves$prixpers)
indicateur[2,3] <- mean(entire$prixpers)
indicateur[2,4] <- mean(private$prixpers)

indicateur[3,2] <- sum(annee_reserves$nb_nuitees) * 100 / (sum(annee_reserves$nb_nuitees) + sum(annee_reserves$nb_dispo))
indicateur[3,3] <- sum(entire$nb_nuitees) * 100 / (sum(entire$nb_nuitees) + sum(entire$nb_dispo))
indicateur[3,4] <- sum(private$nb_nuitees) * 100 / (sum(private$nb_nuitees) + sum(private$nb_dispo))

indicateur[4,2] <- mean(annee_reserves$nb_dispo + annee_reserves$nb_nuitees)
indicateur[4,3] <- mean(entire$nb_dispo + entire$nb_nuitees)
indicateur[4,4] <- mean(private$nb_dispo + private$nb_nuitees)

indicateur[5,2] <- mean(annee_reserves$nb_nuitees)
indicateur[5,3] <- mean(entire$nb_nuitees)
indicateur[5,4] <- mean(private$nb_nuitees)

indicateur[6,2] <- nrow(annee_reserves %>% filter(nb_nuitees >= 120)) * 100 / nrow(annee_reserves)
indicateur[6,3] <- nrow(entire %>% filter(nb_nuitees >= 120)) * 100 / nrow(entire)
indicateur[6,4] <- nrow(private %>% filter(nb_nuitees >= 120)) * 100 / nrow(private)

indicateur[7,2] <- nrow(annee_reserves %>% filter(nb_nuitees <= 7)) * 100 / nrow(annee_reserves)
indicateur[7,3] <- nrow(entire %>% filter(nb_nuitees <= 7)) * 100 / nrow(entire)
indicateur[7,4] <- nrow(private %>% filter(nb_nuitees <= 7)) * 100 / nrow(private)

indicateur[8,2] <- nrow(annee_reserves %>% filter(duree < 7)) * 100 / nrow(annee_reserves)
indicateur[8,3] <- nrow(entire %>% filter(duree < 7)) * 100 / nrow(entire)
indicateur[8,4] <- nrow(private %>% filter(duree < 7)) * 100 / nrow(private)

indicateur[9,2] <- nrow(annee_reserves %>% filter(duree >= 15)) * 100 / nrow(annee_reserves)
indicateur[9,3] <- nrow(entire %>% filter(duree >= 15)) * 100 / nrow(entire)
indicateur[9,4] <- nrow(private %>% filter(duree >= 15)) * 100 / nrow(private)

indicateur[10,2] <- nrow(annee_reserves %>% filter(multi == TRUE)) * 100 / nrow(annee_reserves)
indicateur[10,3] <- nrow(entire %>% filter(multi == TRUE)) * 100 / nrow(entire)
indicateur[10,4] <- nrow(private %>% filter(multi == TRUE)) * 100 / nrow(private)

indicateur[11,2] <- median(annee_reserves$rev_tot)
indicateur[11,3] <- median(entire$rev_tot)
indicateur[11,4] <- median(private$rev_tot)

indicateur[1,1] <- paste0(indicateur[1,1], footnote_marker_alphabet(1))

kable(indicateur, align = "c", escape = F, digits = 0) %>%
  kable_paper(full_width = F) %>%
  footnote(alphabet = "Le taux d'activité désigne le nombre de logements réservés par rapport au nombre de logements actifs") %>%
  column_spec(1, bold = TRUE)
Indicateur ( 2019 ) Tous les logements Logements entiers Chambres privées
Taux d’activité (%)a 77 78 72
Prix par personne moyen ($) 35 34 36
Taux de fréquentation moyen (%) 55 58 44
Nombre moyen de nuitées disponibles 141 139 157
Nombre moyen de nuitées réservées 78 80 69
Part de logements loués fréquemment (>= 120 nuitées) 24 25 24
Part de logements loués occasionnellement (<= 7 nuitées) 11 10 18
Part des séjours de moins de 7 jours 76 76 79
Part des séjours de 15 jours ou plus 7 7 9
Part de logements détenus par des multiloueurs 26 21 50
Revenu médian engendré par logement ($) 4092 5221 2222
a Le taux d’activité désigne le nombre de logements réservés par rapport au nombre de logements actifs


1.1.1 Un marché concentré ?

breaks <- seq(0, max(annee_reserves$nb_nuitees), by = 1)

test <- annee_reserves
test$nb_log <- 1
test$intervalle <- findInterval(test$nb_nuitees, vec = breaks)
test$intervalle <- breaks[test$intervalle]
dist <- aggregate(test$nb_nuitees, by = list(test$intervalle), sum)

dist$freq <- cumsum(dist$x)
dist$nb_log <- dist$x / dist$Group.1

dist$cumul <- dist$freq/dist[nrow(dist), 3]* 100
dist$cumul <- dist$cumul %>% round(digits = 2)

dist$cumul_log <- cumsum(dist$nb_log)
dist$cumul_log <- dist$cumul_log / max(dist$cumul_log)
dist$cumul_log <- dist$cumul_log * 100
dist$cumul_log <- dist$cumul_log %>% round(digits = 2)

colnames(dist) <- c("nb_nuitees", "nb_nuitees_tot", "cumul", "nb_log", "cumulpct", "cumul_log")

dist$cumulpct <- 100 -dist$cumulpct
dist$cumul_log <- 100 -dist$cumul_log

ref_x <- dist %>% filter(abs(cumul_log-20) == min(abs(cumul_log-20)))
ref_x <- ref_x[1,6]
val_y <- dist %>% filter(cumul_log == ref_x)
val_y <- val_y[1,5]

plot1 <- ggplot(data = dist, aes(x = cumul_log, y = cumulpct))+
  geom_line() +
  labs(title = "Nuitées engendrées par les hôtes",
       x = "Effectif cumulé des logements Airbnb (%)",
       y = "Nombre total de nuitées réservées (%)",
       caption = paste("source : airdna.co,", periode)) +
  scale_x_continuous(breaks = seq(0,100,10)) +
  scale_y_continuous(breaks = seq(0,100,10)) + 
  geom_segment(aes(x = ref_x, 
    y = 0, xend = ref_x, yend = val_y), linetype = "dashed", colour = "black") + 
    geom_segment(aes(x = 0, y = val_y, xend = ref_x, yend = val_y), linetype = "dashed", colour = "black") + geom_point(aes(x = ref_x, y = val_y), shape = 21, fill = "white", colour = "black", size = 4, stroke = 2) + 
ggplot2::annotate("text", x = ref_x + 5, y = val_y, label = paste0(round((ref_x)), " % des logements concentrent \n ", (val_y), "% des nuitées Airbnb"), 
    vjust = 1, hjust = 0, colour = "black")
breaks4 <- seq(0, max(annee_reserves$rev_tot), by = 1)

test4 <- annee_actifs
test4$nb_log <- 1
test4$intervalle <- findInterval(test4$rev_tot, vec = breaks4)
test4$intervalle <- breaks4[test4$intervalle]
dist4 <- aggregate(test4$rev_tot, by = list(test4$intervalle), sum)

dist4$freq <- cumsum(dist4$x)
dist4$nb_log <- dist4$x / dist4$Group.1
dist4$nb_log[1] <- nrow(annee_reserves %>% filter(rev_tot == 0))

dist4$cumul <- dist4$freq/dist4[nrow(dist4), 3]* 100
dist4$cumul <- dist4$cumul %>% round(digits = 2)

dist4$cumul_log <- cumsum(dist4$nb_log)
dist4$cumul_log <- dist4$cumul_log / max(dist4$cumul_log)
dist4$cumul_log <- dist4$cumul_log * 100
dist4$cumul_log <- dist4$cumul_log %>% round(digits = 2)

colnames(dist4) <- c("rev_tot", "rev_tot_tot", "cumul", "nb_log", "cumulpct", "cumul_log")

dist4$cumulpct <- 100 -dist4$cumulpct
dist4$cumul_log <- 100 -dist4$cumul_log

ref_x2 <- dist4 %>% filter(abs(cumul_log-20) == min(abs(cumul_log-20)))
ref_x2 <- ref_x2[1,6]
val_y2 <- dist4 %>% filter(cumul_log == ref_x2)
val_y2 <- val_y2[1,5]

plot2 <- ggplot(data = dist4, aes(x = cumul_log, y = cumulpct))+
  geom_line() +
  labs(title = "Revenus totaux engendrés par les hôtes",
       x = "Effectif cumulé des logements Airbnb (%)",
       y = "Revenus totaux (%)",
       caption = paste("source : airdna.co,", periode)) +
  xlim(0,100) +
  scale_x_continuous(breaks = seq(0,100,10)) +
  scale_y_continuous(breaks = seq(0,100,10)) + 
  geom_segment(aes(x = ref_x2, 
    y = 0, xend = ref_x2, yend = val_y2), linetype = "dashed", colour = "black") + 
    geom_segment(aes(x = 0, y = val_y2, xend = ref_x2, yend = val_y2), linetype = "dashed", colour = "black") + geom_point(aes(x = ref_x2, y = val_y2), shape = 21, fill = "white", colour = "black", size = 4, stroke = 2) + 
ggplot2::annotate("text", x = ref_x2 + 5, y = val_y2, label = paste0(round((ref_x2)), " % des logements concentrent \n ", (val_y2), "% des revenus"), 
    vjust = 1, hjust = 0, colour = "black")

Les nuitées sont assez concentrées dans un petit nombre de logements : en effet, 20% des logements concentrent 52% des nuitées réservées de la commune. Lorsque l’on s’intéresse aux revenus engrangés, on observe que 20% des logements concentrent près des 61% de la totalité des revenus générés par Airbnb en 2019 à issy.

library(gridExtra) # pour mettre 2 graphiques côte à côte
grid.arrange(plot1, plot2, ncol = 2)



knitr::kable(head(hotes_riches, 5), caption = paste("<center><strong>Top hôtes</strong></center>", periode))
Top hôtes
2019
Rang Revenus en 2019 ($) Nombre de logements
1 284987 5
2 95129 3
3 88103 1
4 74772 1
5 61765 1



En regardant les hôtes qui engrangent le plus de revenus, on trouve un multiloueur qui a lui seul près de 285000$, soit 5.84% de la totalité des revenus engendrés par le marché Airbnb à issy en 2019. Sur les 5 hôtes engrangeant le plus de revenus, 3 sont monoloueurs.



1.2 Analyse temporelle 2015-2020

annee <- mutate(annee,
                activite = case_when(
                  annee$nb_dispo == 0 & annee$nb_nuitees == 0 ~ "Jamais proposé",
                  annee$nb_dispo > 0 & annee$nb_nuitees == 0 ~ "Proposé, jamais réservé",
                  annee$nb_nuitees > 0 ~ "Réservé au moins une fois"
                  ))

annee2 <- mutate(annee2,
                activite = case_when(
                  annee2$nb_dispo == 0 & annee2$nb_nuitees == 0 ~ "Jamais proposé",
                  annee2$nb_dispo > 0 & annee2$nb_nuitees == 0 ~ "Proposé, jamais réservé",
                  annee2$nb_nuitees > 0 ~ "Réservé au moins une fois"
                  ))


test <- merge(annee, annee2, by = "id_logement")
test$negatif <- test$nb_nuitees.x - test$nb_nuitees.y
test$tauxfreq_n0 <- test$nb_nuitees.x * 100 / (test$nb_dispo.x + test$nb_nuitees.x)
test$tauxfreq_n1 <- test$nb_nuitees.y * 100 / (test$nb_dispo.y + test$nb_nuitees.y)
test$baisse <- ((test$tauxfreq_n1 - test$tauxfreq_n0) / test$tauxfreq_n0) * 100
test <- test %>% filter(!is.na(baisse))
test <- test %>% filter(baisse < 999999)

tauxfreq_entire_n1 <- sum(entire$nb_nuitees) * 100 / (sum(entire$nb_dispo) + sum(entire$nb_nuitees))
tauxfreq_entire_n2 <- sum(entire2$nb_nuitees) * 100 / (sum(entire2$nb_dispo) + sum(entire2$nb_nuitees))
evol_entire <- ((tauxfreq_entire_n2 - tauxfreq_entire_n1) / tauxfreq_entire_n1 * 100) %>% round(digits = 2)

tauxfreq_private_n1 <- sum(private$nb_nuitees) * 100 / (sum(private$nb_dispo) + sum(private$nb_nuitees))
tauxfreq_private_n2 <- sum(private2$nb_nuitees) * 100 / (sum(private2$nb_dispo) + sum(private2$nb_nuitees))
evol_private <- ((tauxfreq_private_n2 - tauxfreq_private_n1) / tauxfreq_private_n1 * 100) %>% round(digits = 2)


L’arrêt de l’activité du marché Airbnb à issy s’observe tout d’abord au niveau du nombre de locations réservées : entre 2019 et 2020, elles ont subi une chute de 27%, passant de 598 à 438 unités. Les courbes ci-dessus montrent un déclin du nombre de nuitées réservées à partir de mars 2020, lors de la période de restriction des déplacements. En effet, on observe une chute moyenne de 47% du taux de fréquentation par logement de 2019 à 2020 Seul 18.6% des logements ont connu une hausse du nombre de leur visites entre 2019 et 2020 Enfin, l’arrêt du tourisme se ressent au niveau des revenus : ils sont passés de près de 4900000$ en 2019 à 1800000$ en 2020.


1.2.1 activité

# Les logements entiers engendraient `r (sum(entire$rev_tot) * 100 /sum(annee_reserves$rev_tot)) %>% round(digits = 0)`% des revenus totaux de la commune en `r periode`, contre `r (sum(entire2$rev_tot) * 100 /sum(annee2_reserves$rev_tot)) %>% round(digits = 0)`% en `r periode2`. On observe un léger fléchissement de la tendance, malgré une baisse similaire de l'effectif de ces logements (respectivement `r ((nrow(entire2) - nrow(entire))* 100 / nrow(entire)) %>% round(digits = 2)` et `r ((nrow(private2) - nrow(private))* 100 / nrow(private)) %>% round(digits = 2)`%) . De plus, la baisse de fréquentation entre `r periode` et `r periode2` est moins marquée chez les chambres privées (`r evol_private`%) que parmi les logements entiers (`r evol_entire`%). Les chambres privées sont-elles les grandes gagnantes d'un marché déstructuré ?

reserves_n0 <- annee_reserves %>% select(id_logement, nb_nuitees, nb_dispo)
reserves_n0 <- reserves_n0 %>% rename("nb_nuitees_n0" = "nb_nuitees", "nb_dispo_n0" = "nb_dispo")
reserves_n1 <- annee2_reserves %>% select(id_logement, nb_nuitees, nb_dispo)
reserves_n1 <- reserves_n1 %>% rename("nb_nuitees_n1" = "nb_nuitees", "nb_dispo_n1" = "nb_dispo")

fracas <- left_join(reserves_n0, reserves_n1, by = "id_logement", all.x = TRUE)
join <- individuel_clean_sf %>% select(id_logement, id_carre)
fracas <- left_join(join, fracas, by = "id_logement")
fracas <- na.omit(fracas) # 293 logements sont réservés à la fois en 2019 et en 2020

tab <- as.data.frame(table(fracas$id_carre))
tab <- tab %>% rename("id_carre" = "Var1", "nb_log" = "Freq")

fracas <- fracas %>% group_by(id_carre) %>%
  summarise(nb_nuitees_n0 = sum(nb_nuitees_n0), nb_dispo_n0 = sum(nb_dispo_n0), nb_nuitees_n1 = sum(nb_nuitees_n1), nb_dispo_n1 = sum(nb_dispo_n1)) %>%
  mutate(tauxfreq_n0 = (nb_nuitees_n0 * 100 / (nb_nuitees_n0 + nb_dispo_n0)), tauxfreq_n1 = (nb_nuitees_n1 * 100 / (nb_nuitees_n1 + nb_dispo_n1))) %>%
  select(id_carre, tauxfreq_n0, tauxfreq_n1) %>%
  mutate(evol = (((tauxfreq_n1 - tauxfreq_n0) / tauxfreq_n0) * 100)) %>%
  select(id_carre, evol) %>%
  filter(evol < 999999) # pour enlever les Inf

fracas <- merge(fracas, tab, by = "id_carre")
# On crée la colonne jours_tot correspondant au nb de jours totaux durant lesquels le logement est en capacité d'être réservé
mois_actifs <- mensuel_clean %>% filter(nb_dispo > 0 | nb_nuitees > 0)
mois_actifs$jours_tot <- mois_actifs$nb_dispo + mois_actifs$nb_nuitees

# puis on group_by les mois réservés en additionnant les jours réservés et le nombre de jours totaux
months <- mois_actifs %>%
  group_by(mois) %>%
  summarise(nb_dispo = sum(jours_tot), nb_resa = sum(nb_nuitees))

months <- months %>% mutate("Nombre de nuitées disponibles" = nb_dispo - nb_resa)
months <- months %>% rename("Nombre de nuitées réservées" = nb_resa)
empil <- months %>% 
  gather("Nombre de nuitées disponibles", "Nombre de nuitées réservées", key = etat, value = count) %>% 
  mutate(month = format(mois, format = "%Y-%m")) %>%
  select(-mois, nb_dispo)

p <- ggplot(data = empil, aes(x = month, y = count)) +
  geom_col(stat = 'identity', aes(fill = etat, width = 0.7)) +
  labs(title = "Réservations vs disponibilité",
       x = "Date",
       y = "Nombre de nutiées par mois",
       fill = "",
       caption = paste0("source : airdna.co, ", commune, ", novembre 2020")) +
  scale_colour_manual(name = "Légende", labels = c("Nombre de nuitées disponibles", "Nombre de nuitées réservées"), values = c("nb_dispo", "count")) +
  theme(legend.position = c(0.8,0.95),
        legend.background = element_rect(fill = NA)) +
  scale_x_discrete(breaks = c("2015-08", "2016-08", "2017-08", "2018-08", "2019-08", "2020-08"))
p



mois_reserves <- mensuel_clean %>% filter(nb_nuitees > 0)
  
bilan2015 <- mois_reserves %>%
  filter(year == 2015) %>%
  group_by(month) %>%
  summarise(resa = sum(nb_nuitees),
            dispo = sum(nb_dispo) + sum(nb_nuitees)) %>%
  group_by(month) %>%
  summarise(resa = sum(resa),
            dispo = sum(dispo)) %>%
  mutate(tauxfreq2015 = resa / (resa + dispo)*100) %>%
  select(month, tauxfreq2015)
  
bilan2016 <- mois_reserves %>%
  filter(year == 2016) %>%
  group_by(month) %>%
  summarise(resa = sum(nb_nuitees),
            dispo = sum(nb_dispo) + sum(nb_nuitees)) %>%
  group_by(month) %>%
  summarise(resa = sum(resa),
            dispo = sum(dispo)) %>%
  mutate(tauxfreq2016 = resa / (resa + dispo)*100) %>%
  select(month, tauxfreq2016)

bilan2017 <- mois_reserves %>%
  filter(year == 2017) %>%
  group_by(month) %>%
  summarise(resa = sum(nb_nuitees),
            dispo = sum(nb_dispo) + sum(nb_nuitees)) %>%
  group_by(month) %>%
  summarise(resa = sum(resa),
            dispo = sum(dispo)) %>%
  mutate(tauxfreq2017 = resa / (resa + dispo)*100) %>%
  select(month, tauxfreq2017)

bilan2018 <- mois_reserves %>%
  filter(year == 2018) %>%
  group_by(month) %>%
  summarise(resa = sum(nb_nuitees),
            dispo = sum(nb_dispo) + sum(nb_nuitees)) %>%
  group_by(month) %>%
  summarise(resa = sum(resa),
            dispo = sum(dispo)) %>%
  mutate(tauxfreq2018 = resa / (resa + dispo)*100) %>%
  select(month, tauxfreq2018)

bilan2019 <- mois_reserves %>%
  filter(year == 2019) %>%
  group_by(month) %>%
  summarise(resa = sum(nb_nuitees),
            dispo = sum(nb_dispo) + sum(nb_nuitees)) %>%
  group_by(month) %>%
  summarise(resa = sum(resa),
            dispo = sum(dispo)) %>%
  mutate(tauxfreq2019 = resa / (resa + dispo)*100) %>%
  select(month, tauxfreq2019)

bilan2020 <- mois_reserves %>%
  filter(year == 2020) %>%
  group_by(month) %>%
  summarise(resa = sum(nb_nuitees),
            dispo = sum(nb_dispo) + sum(nb_nuitees)) %>%
  group_by(month) %>%
  summarise(resa = sum(resa),
            dispo = sum(dispo)) %>%
  mutate(tauxfreq2020 = resa / (resa + dispo)*100) %>%
  select(month, tauxfreq2020)

# merge en 1 seul tableau pour préparer le graphique
plotfreq <- merge(bilan2015, bilan2016, by = "month", all = TRUE)
plotfreq <- merge(plotfreq, bilan2017, by = "month", all = TRUE)
plotfreq <- merge(plotfreq, bilan2018, by = "month", all = TRUE)
plotfreq <- merge(plotfreq, bilan2019, by = "month", all = TRUE)
plotfreq <- merge(plotfreq, bilan2020, by = "month", all = TRUE)


saison <- ggplot(data = plotfreq,
                 aes(x = month, group = 1)) +
  geom_line(stat = "identity", aes(y = tauxfreq2015, colour = "tauxfreq2015")) +
  geom_line(stat = "identity", aes(y = tauxfreq2016, colour = "tauxfreq2016")) +
  geom_line(stat = "identity", aes(y = tauxfreq2017, colour = "tauxfreq2017")) +
  geom_line(stat = "identity", aes(y = tauxfreq2018, colour = "tauxfreq2018")) +
  geom_line(stat = "identity", aes(y = tauxfreq2019, colour = "tauxfreq2019")) +
  geom_line(stat = "identity", aes(y = tauxfreq2020, colour = "tauxfreq2020")) +
  # scale_fill_brewer(palette = "PuBu") +
  scale_colour_manual(name = "Année", labels = c("2015", "2016", "2017", "2018", "2019", "2020"), values = c("tauxfreq2015" = "grey69", "tauxfreq2016" = "dodgerblue1", "tauxfreq2017" = "dodgerblue2", "tauxfreq2018" = "dodgerblue3", "tauxfreq2019" = "dodgerblue4", "tauxfreq2020" = "red2")) +
  xlab("Mois") +
  scale_y_continuous("Taux de fréquentation (%)") +
  labs(title = "Saisonnalité des logements Airbnb",
       subtitle = "Parmi les logements réservés",
       caption = "source : airdna.co, novembre 2020")+
  theme_bw()
# méthode : pour chaque mois calculer le taux de fréquentation en divisant la somme des nuitées
# réservées par la somme des nuitées disponibles pour les logements actifs
saison



Les mois de juin et de septembre correspondent aux taux de fréquentation les plus élevés, tandis qu’août et novembre correspondent à des saisons creuses en raison du plus fort nombre de nuitées disponibles à ces périodes-là. Le comportement de l’année 2020 est complètement différent des autres années.




1.3 Analyse infra-communale

# fonction pour compter le nombre de points par carré
CountPt <- function(x, pt){
  # Intersection avec l'objet sf de référence
  inter <- st_intersects(x, pt)
  # Nombre de points par objet géographique
  v <- sapply(X = inter, FUN = length)
  return(v)
}

annee_reserves_sf <- annee_sf %>% filter(nb_nuitees > 0)
grillecom$count <- CountPt(grillecom, annee_reserves_sf)
# pour compter la moyenne du prix par carré
prixmedcarre <- annee_reserves_sf %>%
  group_by(id_carre) %>%
  summarise(prixmed = median(prixpers), nb_logement = n())

# préparer la jointure
# grillecom <- tibble::rownames_to_column(grillecom, "id_carre") # enlever/ajouter un # si ça ne marche pas
grillecom$id_carre <- as.numeric(grillecom$id_carre)

# jointure
test <- st_join(grillecom, prixmedcarre)
test$prixmed <- test$prixmed %>% round(digits = 2)
test <- test %>% filter(surface > 0.3) # car valeurs trop élevées si 1 logement sur une petite partie d'un carreau

bins <- getBreaks(v = test$prixmed, nclass = 6, method = "fisher-jenks")
pal <- colorBin("YlOrRd", domain = test$prixmed, bins = bins)
labels <- sprintf(
  "<strong>%s logements réservés</strong><br/> Prix médian : %g $ / personne",
  test$nb_logement, test$prixmed
) %>% lapply(htmltools::HTML)

bins2 <- getBreaks(v = test$densite, nclass = 6, method = "fisher-jenks")
pal2 <- colorBin("Blues", domain = test$densite, bin = bins2)
labels2 <- sprintf(
  "Densité : %s logement / hectare",
  test$densite
) %>% lapply(htmltools::HTML)

leaflet() %>%
  addTiles() %>%
  addPolygons(data = test,
              group = "Densité (logements/ha)", 
              fillColor = ~pal2(densite),
              weight = 2,
              opacity = 1,
              color = "white",
              dashArray = "3",
              fillOpacity = 0.7,
              highlight = highlightOptions(
                weight = 5,
                color = "666",
                dashArray = "",
                fillOpacity = 0.7,
                bringToFront = TRUE),
              label = labels2,
              labelOptions = labelOptions(
                style = list("font-weight" = "normal", padding = "3px 8px"),
                textsize = "15px",
                direction = "auto"))  %>% 
  addLegend(pal = pal2, group = "Densité (logements/ha)", values = test$densite, opacity = 0.7, title = "Nombre de logements \npar hectare", position = "bottomright") %>%
  addPolygons(data = test,
              group = "Prix médian ($)", 
              fillColor = ~pal(prixmed),
              weight = 2,
              opacity = 1,
              color = "white",
              dashArray = "3",
              fillOpacity = 0.7,
              highlight = highlightOptions(
                weight = 5,
                color = "666",
                dashArray = "",
                fillOpacity = 0.7,
                bringToFront = TRUE),
              label = labels,
              labelOptions = labelOptions(
                style = list("font-weight" = "normal", padding = "3px 8px"),
                textsize = "15px",
                direction = "auto")) %>%
  addLegend(pal = pal, group = "Prix médian ($)", values = test$prixmed, opacity = 0.7, title = "Prix médian \nau carroyage", position = "bottomright") %>%
  addLayersControl(
    #baseGroups = c("Densité (logements/ha)", "Prix médian ($)"),
    overlayGroups = c("Densité (logements/ha)", "Prix médian ($)"),
    options = layersControlOptions(collapsed = FALSE)
  )


# taux de fréquentation moyen par iris
avgfreqiris <- annee_reserves_sf %>%
  group_by(id_iris) %>%
  summarise(nb_nuitees_tot = sum(nb_nuitees), nb_logement = n(), nb_dispo_tot = sum(nb_dispo) + sum(nb_nuitees))

avgfreqiris$tauxfreq <- avgfreqiris$nb_nuitees_tot * 100 / (avgfreqiris$nb_nuitees_tot + avgfreqiris$nb_dispo_tot)

# jointure
iris <- tibble::rownames_to_column(iris, "id_iris") # pour joindre via cette colonne
iris$id_iris <- as.numeric(iris$id_iris)

test <- st_join(iris, avgfreqiris)

iris <- st_transform(iris, crs = 2154)
test <- st_transform(test, crs = 2154)

# carte choropolèthe
plot(
  st_geometry(iris),
  col = "white",
  border = "black",
  bg = "white"
)
propSymbolsChoroLayer(
  x = test,
  var = "nb_nuitees_tot",
  border = "grey50",
  lwd = 1,
  legend.var.pos = "topleft",
  legend.var.title.txt = "Nombre total de nuitées réservées",
  var2 = "tauxfreq",
  method = "fisher-jenks",
  nclass = 5,
  col = carto.pal(pal1 = "orange.pal", n1 = 5),
  legend.var2.values.rnd = 2,
  legend.var2.pos = "bottomright",
  legend.var2.title.txt = "Taux de \nfréquentation (%)"
)
layoutLayer(
  title = paste0("Taux de fréquentation moyen des logements Airbnb à ", commune, ", ", periode), 
  sources = "source : Airdna, décembre 2020", 
  author = "Laurian, 2021"
)



2 Pantin


2.1 Etat des lieux sur l’importance, la structure et la performance de l’offre Airbnb à Pantin (2019)

En 2019, on compte 1238 logements inscrits sur la plateforme Airbnb à Pantin, ce qui représente environ 4.7% de la totalité du marché du logement dans la commune3. A titre de comparaison, on compte 609 chambres d’hôtel dans la commune4. 898 des logements Airbnb ont été proposés à la location au moins une fois sur l’année, et 697 ont enregistré au moins une réservation. Un hôte qui rend son logement disponible a donc 78% de chance d’engendrer une réservation. Les indicateurs calculés sur le tableau suivant prennent comme stock de référence ces 697 logements réservés, dont 532 sont des logements entiers, et 155 des chambres privées.

Indicateur ( 2019 ) Tous les logements Logements entiers Chambres privées
Taux d’activité (%)a 78 79 76
Prix par personne moyen ($) 25 24 25
Taux de fréquentation moyen (%) 57 61 50
Nombre moyen de nuitées disponibles 138 125 174
Nombre moyen de nuitées réservées 78 76 87
Part de logements loués fréquemment (>= 120 nuitées) 23 22 25
Part de logements loués occasionnellement (<= 7 nuitées) 10 11 10
Part des séjours de moins de 7 jours 70 68 74
Part des séjours de 15 jours ou plus 10 12 6
Part de logements détenus par des multiloueurs 30 24 46
Revenu médian engendré par logement ($) 3189 3610 2771
a Le taux d’activité désigne le nombre de logements réservés par rapport au nombre de logements actifs


2.1.1 Un marché concentré ?

Les nuitées sont assez concentrées dans un petit nombre de logements : en effet, 20% des logements concentrent 54% des nuitées réservées de la commune. Lorsque l’on s’intéresse aux revenus engrangés, on observe que 20% des logements concentrent près des 58% de la totalité des revenus générés par Airbnb en 2019 à Pantin.



Top hôtes
2019
Rang Revenus en 2019 ($) Nombre de logements
1 176584 11
2 67829 5
3 53118 1
4 37056 1
5 35407 2



En regardant les hôtes qui engrangent le plus de revenus, on trouve un multiloueur qui a lui seul près de 177000$, soit 4.69% de la totalité des revenus engendrés par le marché Airbnb à Pantin en 2019. Sur les 5 hôtes engrangeant le plus de revenus, 2 sont monoloueurs.



2.2 Analyse temporelle 2016-2020


L’arrêt de l’activité du marché Airbnb à Pantin s’observe tout d’abord au niveau du nombre de locations réservées : entre 2019 et 2020, elles ont subi une chute de 24%, passant de 697 à 529 unités. Les courbes ci-dessus montrent un déclin du nombre de nuitées réservées à partir de mars 2020, lors de la période de restriction des déplacements. En effet, on observe une chute moyenne de 19% du taux de fréquentation par logement de 2019 à 2020 Seul 16.1% des logements ont connu une hausse du nombre de leur visites entre 2019 et 2020 Enfin, l’arrêt du tourisme se ressent au niveau des revenus : ils sont passés de près de 3800000$ en 2019 à 1500000$ en 2020.


2.2.1 activité





Les mois de juin et de septembre correspondent aux taux de fréquentation les plus élevés, tandis qu’août et novembre correspondent à des saisons creuses en raison du plus fort nombre de nuitées disponibles à ces périodes-là. Le comportement de l’année 2020 est complètement différent des autres années.




2.3 Analyse infra-communale




3 Bagneux


3.1 Etat des lieux sur l’importance, la structure et la performance de l’offre Airbnb à bagneux (2019)

En 2019, on compte 335 logements inscrits sur la plateforme Airbnb à bagneux, ce qui représente environ 1.9% de la totalité du marché du logement dans la commune5. A titre de comparaison, on compte 47 chambres d’hôtel dans la commune6. 232 des logements Airbnb ont été proposés à la location au moins une fois sur l’année, et 179 ont enregistré au moins une réservation. Un hôte qui rend son logement disponible a donc 77% de chance d’engendrer une réservation. Les indicateurs calculés sur le tableau suivant prennent comme stock de référence ces 179 logements réservés, dont 111 sont des logements entiers, et 66 des chambres privées.

Indicateur ( 2019 ) Tous les logements Logements entiers Chambres privées
Taux d’activité (%)a 77 79 74
Prix par personne moyen ($) 27 27 27
Taux de fréquentation moyen (%) 48 49 47
Nombre moyen de nuitées disponibles 150 134 180
Nombre moyen de nuitées réservées 72 66 85
Part de logements loués fréquemment (>= 120 nuitées) 21 16 30
Part de logements loués occasionnellement (<= 7 nuitées) 13 13 11
Part des séjours de moins de 7 jours 73 70 76
Part des séjours de 15 jours ou plus 12 12 12
Part de logements détenus par des multiloueurs 36 23 59
Revenu médian engendré par logement ($) 2724 2931 2665
a Le taux d’activité désigne le nombre de logements réservés par rapport au nombre de logements actifs


3.1.1 Un marché concentré ?

Les nuitées sont assez concentrées dans un petit nombre de logements : en effet, 20% des logements concentrent 56% des nuitées réservées de la commune. Lorsque l’on s’intéresse aux revenus engrangés, on observe que 20% des logements concentrent près des 59% de la totalité des revenus générés par Airbnb en 2019 à bagneux.



Top hôtes
2019
Rang Revenus en 2019 ($) Nombre de logements
1 59478 1
2 34347 1
3 30636 3
4 22632 1
5 22467 1



En regardant les hôtes qui engrangent le plus de revenus, on trouve un multiloueur qui a lui seul près de 59000$, soit 6.61% de la totalité des revenus engendrés par le marché Airbnb à bagneux en 2019. Sur les 5 hôtes engrangeant le plus de revenus, 4 sont monoloueurs.



3.2 Analyse temporelle 2016-2020


L’arrêt de l’activité du marché Airbnb à bagneux s’observe tout d’abord au niveau du nombre de locations réservées : entre 2019 et 2020, elles ont subi une chute de 28%, passant de 179 à 129 unités. Les courbes ci-dessus montrent un déclin du nombre de nuitées réservées à partir de mars 2020, lors de la période de restriction des déplacements. En effet, on observe une chute moyenne de 40% du taux de fréquentation par logement de 2019 à 2020 Seul 18.7% des logements ont connu une hausse du nombre de leur visites entre 2019 et 2020 Enfin, l’arrêt du tourisme se ressent au niveau des revenus : ils sont passés de près de 900000$ en 2019 à 400000$ en 2020.


3.2.1 activité





Les mois de juin et de septembre correspondent aux taux de fréquentation les plus élevés, tandis qu’août et novembre correspondent à des saisons creuses en raison du plus fort nombre de nuitées disponibles à ces périodes-là. Le comportement de l’année 2020 est complètement différent des autres années.




3.3 Analyse infra-communale


  1. Source : Nombre de Logements (totaux) des communes d’Île-de-France (Donnée INSEE), 2017. https://data-iau-idf.opendata.arcgis.com/datasets/nombre-de-logements-totaux-des-communes-dîle-de-france-donnée-insee/explore↩︎

  2. Source : capacité des communes en hébergements touristiques, INSEE base 2019 https://www.insee.fr/fr/statistiques/2021703↩︎

  3. Source : Nombre de Logements (totaux) des communes d’Île-de-France (Donnée INSEE), 2017. https://data-iau-idf.opendata.arcgis.com/datasets/nombre-de-logements-totaux-des-communes-dîle-de-france-donnée-insee/explore↩︎

  4. Source : capacité des communes en hébergements touristiques, INSEE base 2019 https://www.insee.fr/fr/statistiques/2021703↩︎

  5. Source : Nombre de Logements (totaux) des communes d’Île-de-France (Donnée INSEE), 2017. https://data-iau-idf.opendata.arcgis.com/datasets/nombre-de-logements-totaux-des-communes-dîle-de-france-donnée-insee/explore↩︎

  6. Source : capacité des communes en hébergements touristiques, INSEE base 2019 https://www.insee.fr/fr/statistiques/2021703↩︎