La comparaison des loyers libres de marché avec les plafonds de loyers Hlm, opérée par la start-up Homiwoo, confirme un ressenti partagé par une grande partie de la profession : l’offre Hlm n’est pas avantageuse sur tout le territoire.
Comme l’illustre la carte ci-dessous, la compétitivité de l’offre Hlm en fonction des différents plafonds varie grandement sur le territoire national. Les loyers libres de marché sont parfois si bas que même les plafonds “très sociaux” sont chers. On y distingue d’ailleurs très clairement la “diagonale du vide”, cette large bande allant de la Meuse aux Landes, caractérisée par de faibles densités de population, où l’offre Hlm est très peu compétitive. A contrario, à l’Est de la ligne Le Havre-Marseille, où vivent 60% de la population française, l’offre Hlm est très majoritairement compétitive, notamment autour des grandes agglomérations.
Un écart qui se creuse depuis la crise sanitaire
Si la crise du Covid n’a pas changé les fondamentaux de la compétitivité de l’offre Hlm, Homiwoo constate qu’elle a globalement renforcé son intensité. Entre mars 2019 et aujourd’hui, le maillage territorial reste le même, mais l’écart avec les loyers libres de marché n’a fait que se creuser. Le logement social prouve donc en ces temps de crise toute la force de son modèle pour loger celles et ceux qui en ont besoin.
Cette analyse s’appuie sur les techniques de l’Intelligence artificielle (IA). Utilisée dans un cadre scientifique rigoureux, l’IA permet de fournir le loyer le plus probable, même en l’absence de données locatives sur une commune. C’est précisément le travail qui est effectué par la start-up.
Homiwoo utilise le plus de sources de données possibles pour créer ses prix et ses loyers. Il ne s’agit pas simplement d’agréger des données mais de créer des données grâce à des algorithmes. Parmi les sources utilisées, sans être exhaustif, figurent : la base des transactions DVF (Demandes de valeurs foncières), des données urbaines (biens en vente, biens en location, offre de transport, établissements scolaires, commerces, offre de santé...), des données socio-économiques (revenus, population...), ainsi que des bases de données privées. Cette approche permet de fournir des prix et des loyers plus précoces que les statistiques basées sur les transactions “réelles”.
