Airbnb dans 76 villes : analyse comparée des marchés de location de courte durée

Synthèse exécutive

En synthèse

Avec 533 millions de nuitées vendues en 2025 et près de 8 millions d’annonces actives — face à 17,5 millions de chambres d’hôtel — Airbnb rivalise désormais avec l’hôtellerie traditionnelle et progresse dix fois plus vite (location courte durée à 9 % par an contre 1 %). Cette étude s’appuie sur l’analyse de 941 148 annonces individuelles actives¹ réparties sur 76 villes de 31 pays (40 en Europe, 24 en Amérique du Nord). Elle interroge huit dimensions :

• Portrait — où se concentrent annonces et hôtes ?
• Prix, structure, activité — quels niveaux tarifaires, quelle offre, quel revenu hôte ?
• Professionnalisation — multi-loueurs, super-professionnels, concentration au sommet ?
• Pression résidentielle — densité d’annonces par habitant en zone dense ?
• Concurrence — Airbnb face à l’hôtellerie en prix, capacité, géographie ?
• Régulation — quels leviers effectifs, quels horizons à 2030 ?
• Qualité perçue — que disent les notes des voyageurs ?
• Typologie — quelles familles de marchés se dégagent ?

Ce que montre l’analyse. Le « partage entre particuliers » a vécu : 63 % de l’offre est gérée par des multi-loueurs² et 14 % des hôtes en captent la moitié. À Tokyo, Singapour ou Hong Kong, plus de 85 % des annonces sont aux mains de professionnels, contre moins de 20 % à Copenhague ou Oslo. Côté prix, la médiane du logement entier (165 €/nuit) rejoint désormais le tarif d’une chambre d’hôtel, effaçant l’avantage tarifaire historique d’Airbnb. La pression résidentielle frappe d’abord les villes touristiques moyennes — le Pays Basque, Venise et Florence approchent ou dépassent 40 annonces pour 1 000 habitants en zone dense — plutôt que les mégapoles. Face à cela, les villes activent des leviers distincts : enregistrement, plafond de nuitées, interdiction (Barcelone d’ici 2028), transparence imposée (Règlement UE 2024/1028). Cinq familles de marchés se dégagent de la typologie finale.

# Blueprint KPI v4 (260719) : titre court, sous-titre prix viré, +densité monde 10k hab (CSV pays),
# revenu = moyenne monde estimée, tooltips ville ET pays (bouton "détail"). formatC = pas de backslash.
cty <- tryCatch(read.csv(file.path(DATA_EXTERNAL, "bnb-inside-study-full-country.csv"),
                         encoding = "UTF-8", stringsAsFactors = FALSE), error = function(e) NULL)
world_10k <- if (!is.null(cty)) {
  cd <- cty[cty$listings_per_10k_hab > 0, ]; cd$pop <- cd$n_listings / cd$listings_per_10k_hab * 1e4
  round(sum(cd$n_listings) / sum(cd$pop) * 1e4, 1)
} else 13.7
v_priv <- round(median(kpi$px_private_med,   na.rm = TRUE))
v_pp   <- round(median(kpi$px_entire_pp_med, na.rm = TRUE))
v_rev  <- round(mean(kpi$act_revenu_med,     na.rm = TRUE))   # moyenne monde estimée
ev_multi <- round(weighted.mean(kpi$cr_offre_1plus, kpi$vol_n_ann, na.rm = TRUE) -
                  weighted.mean(kpi$cr_offre_1plus_25, kpi$vol_n_ann, na.rm = TRUE), 1)

# binders locaux (data-bound) vers le moteur générique kpi_tip_top_bottom() du canonical jcn-rpt-kpi.R.
# kpi_tiles_synth / kcat / kpi_evo sont désormais dans jcn-rpt-kpi.R (déjà sourcé).
tip <- function(col, u = "%", pal = "#6aa9d6", big = FALSE, dg = 1)
  kpi_tip_top_bottom(kpi, col, "city_fr", pal, u, big, dg, 8, "Top 8 villes", "Bottom 8 villes")
tip_cty <- function(col, u = "", pal = "#ca5800") {
  if (is.null(cty)) return("")
  kpi_tip_top_bottom(cd, col, "country", pal, u, FALSE, 1, 8, "Top 8 pays", "Bottom 8 pays")
}

kpi_row(
  kpi_tiles_synth(kcat("globe-americas", "Périmètre analyse · 06 2026"), list(
    list(value = aa$n_total_km, label = sprintf("<strong>annonces</strong> actives&nbsp;&nbsp;%s", kpi_evo(aa$v_ann_evol))),
    list(value = aa$n_hosts_km, label = sprintf("<strong>hôtes</strong> actifs&nbsp;&nbsp;%s", kpi_evo(aa$v_host_evol))),
    list(value = sprintf("%d", aa$n_villes), label = sprintf("villes · %d pays", aa$n_pays)),
    list(value = sprintf("%d&nbsp;%%", aa$v_couverture_pct), label = "de l'offre mondiale")
  )),
  kpi_tiles_synth(kcat("buildings", "Professionnalisation"), list(
    list(value = sprintf("%s&nbsp;%%", aa$v_hosts50), label = sprintf("des hôtes détiennent <strong>50 %%</strong> de l'offre&nbsp;&nbsp;%s", tip("cr_hosts_offre50_pct", "%", "#8c4a5a"))),
    list(value = sprintf("%d&nbsp;%%", aa$v_multi), label = sprintf("de l'offre en multi-loueurs&nbsp;&nbsp;%s&nbsp;%s", kpi_evo(ev_multi, "pt", ref = NULL), tip("cr_offre_1plus", "%", "#1696d2"))),
    list(value = sprintf("%d&nbsp;%%", aa$v_entire), label = sprintf("logements entiers&nbsp;&nbsp;%s&nbsp;%s", kpi_evo(aa$v_entire_evol, "pt", ref = NULL), tip("str_entire_pct", "%", "#55b748")))
  )),
  kpi_tiles_synth(kcat("currency-euro", "Prix médian / nuit et revenu"), list(
    list(value = sprintf("%s&nbsp;€", aa$v_prix_med), label = sprintf("logement entier <em style='color:#9a9a9a;font-size:.86em'>· %s €/pers</em>&nbsp;&nbsp;%s", v_pp, tip("px_entire_med", " €", "#8c6a3f", dg = 0))),
    list(value = sprintf("%s&nbsp;€", v_priv), label = sprintf("chambre privée&nbsp;&nbsp;%s", tip("px_private_med", " €", "#8c6a3f", dg = 0))),
    list(value = sprintf("%s&nbsp;€", .fn(v_rev)), label = sprintf("revenu estimé / an&nbsp;&nbsp;%s", tip("act_revenu_med", " €", "#8c6a3f", big = TRUE)))
  )),
  kpi_tiles_synth(kcat("house-door", "Pression résidentielle"), list(
    list(value = sprintf("%s", aa$v_pression_med),
         label = sprintf("annonces / 1 000 hab. zone dense&nbsp;&nbsp;%s", tip("prs_listings_1000hab_dense", "‰", "#ca5800"))),
    list(value = sprintf("%s", formatC(world_10k, format = "f", digits = 1, decimal.mark = ",")),
         label = sprintf("annonces / 10 000 hab. — monde 224 pays&nbsp;&nbsp;%s", tip_cty("listings_per_10k_hab")))
  ))
)

Périmètre analyse · 06 2026

941 K annonces actives  ▲ +2,9 % / juin 2025

456 K hôtes actifs  ▼ -0,3 % / juin 2025

76 villes · 31 pays

11 % de l'offre mondiale

Professionnalisation

14 % des hôtes détiennent 50 % de l'offre  

Top 8 villes

Copenhague45,3%

Oslo42,7%

Amsterdam41,9%

Biarr.-Anglet-Bayon.35,6%

Stockholm33,0%

Munich31,5%

Victoria28,2%

Bordeaux27,9%

Bottom 8 villes

Boston6,9%

Madrid6,6%

Bangkok6,3%

Zurich5,8%

Barcelone5,4%

Nashville5,1%

Singapour4,4%

Hong Kong2,8%

63 % de l'offre en multi-loueurs  ▲ +1,1 pt 

Top 8 villes

Tokyo91,8%

Taipei89,9%

Singapour85,8%

Bangkok85,6%

Hong Kong84,8%

Barcelone83,9%

Porto81,7%

Prague80,5%

Bottom 8 villes

Paris41,4%

Bordeaux40,4%

Munich37,7%

Stockholm32,3%

Biarr.-Anglet-Bayon.31,2%

Amsterdam20,3%

Oslo18,9%

Copenhague12,2%

78 % logements entiers  ▲ +0,4 pt 

Top 8 villes

Thessalonique97,1%

Athènes93,4%

Nashville92,7%

Copenhague92,6%

Riga92,1%

Budapest91,3%

Biarr.-Anglet-Bayon.91,2%

Asheville91,0%

Bottom 8 villes

Munich66,1%

San Francisco63,5%

Ottawa61,2%

Naples60,3%

Dublin57,9%

New York56,5%

Singapour40,8%

Hong Kong37,8%

Prix médian / nuit et revenu

165 € logement entier · 44 €/pers  

Top 8 villes

Amsterdam331 €

Édimbourg322 €

San Diego307 €

Boston287 €

Londres276 €

Seattle270 €

Dublin262 €

Nashville260 €

Bottom 8 villes

Ottawa100 €

Budapest94 €

Riga84 €

Rio de Janeiro82 €

Taipei78 €

Thessalonique75 €

Istanbul71 €

Bangkok46 €

77 € chambre privée  

Top 8 villes

Amsterdam172 €

Nashville156 €

La Nouvelle-Orléans154 €

Édimbourg142 €

San Francisco139 €

Paris137 €

Venise117 €

Victoria117 €

Bottom 8 villes

Mexico48 €

Istanbul48 €

Ottawa48 €

Riga43 €

Taipei39 €

Hong Kong38 €

Montréal37 €

Bangkok37 €

7 359 € revenu estimé / an  

Top 8 villes

Édimbourg22 848 €

Nashville21 149 €

San Diego20 212 €

Seattle15 806 €

Asheville14 374 €

Portland14 273 €

Chicago14 013 €

Denver13 926 €

Bottom 8 villes

Rio de Janeiro1 637 €

Naples1 200 €

Bangkok289 €

Los Angeles0 €

New York0 €

Istanbul0 €

Hong Kong0 €

Singapour0 €

Pression résidentielle

6,7 annonces / 1 000 hab. zone dense  

Top 8 villes

Biarr.-Anglet-Bayon.53,4‰

Venise45,7‰

Florence40,9‰

Paris26,0‰

Copenhague22,8‰

Athènes22,3‰

Milan21,3‰

Asheville20,3‰

Bottom 8 villes

Bangkok2,5‰

New York2,4‰

Chicago2,4‰

Fort Worth2,0‰

Istanbul1,8‰

Ottawa1,8‰

Hong Kong1,1‰

Singapour0,5‰

13,7 annonces / 10 000 hab. — monde 224 pays  

Top 8 pays

Saint Barthélemy1534,5

Saint Martin725,2

U.S. Virgin Islands616,5

Croatia376,6

Monaco361,3

Guadeloupe318,7

Aruba308,0

Turks and Caicos Islands285,2

Bottom 8 pays

Bangladesh0,1

Dem. Rep. Congo0,1

Iraq0,1

Angola0,1

Mali0,1

Somalia0,1

Libya0,1

Central African Republic0,1

Métriques clés par région

# Databar continentale sous les 4 KPI (helper rapport + évol 25->26 + réf monde pointillée).
# Palette = CD_COLS_SYNTH (_helpers-monde-srpt.R) — partagée avec les small multiples du rapport.
SYNTH_CD_COLS <- CD_COLS_SYNTH
plot_cd_bars_agg(
  c("vol_n_ann", "cr_offre_1plus", "str_entire_pct", "prs_listings_1000hab_dense"),
  ncol_wrap = 4,
  evol = c("vol_n_ann_vevol_2526", "cr_offre_1plus_vdifp_2526",
           "str_entire_pct_vdifp_2526", "prs_listings_1000hab_dense_vevol_2526"),
  palette = SYNTH_CD_COLS,
  world_ref = c(vol_n_ann = NA,
                cr_offre_1plus = as.numeric(kpi_world$cr_offre_1plus),
                str_entire_pct = as.numeric(kpi_world$str_entire_pct),
                prs_listings_1000hab_dense = as.numeric(kpi_world$prs_listings_1000hab_dense)),
  strip_labels = c("Annonces actives", "% multi-loueurs", "% logements entiers", "Annonces / 1 000 hab.
en zone dense"),
  evol_below = TRUE, bar_width = 0.72, grid_x = FALSE, alpha = 0.82,
  strip_size = 10.5, lab_size = 2.8, dec = c(1, 1, 0, 1))

Par continent (nos données) — évolution 2025→2026 : bordeaux = hausse, bleu = baisse · pointillé « monde » = moyenne mondiale. Source : Inside Airbnb, juin 2026.

Le panel — 941 K annonces actives dans 76 villes de 31 pays, soit 12,5 % du stock mondial recensé par Inside Airbnb — dessine un marché devenu européen, professionnalisé et concentré : l’Europe capte 53 % de l’offre du panel, l’Amérique du Nord 19 %. Huit messages en résument la lecture, du portrait des volumes à la typologie.

Un marché d’abord européen, concentré sur une poignée de métropoles

Londres approche 70 000 annonces et Paris 60 000, quand le bas du panel — Genève, Bergame — reste sous 2 000. L’Europe du Sud-Est (Florence, Lisbonne, Athènes, Barcelone) forme le plus gros volume cumulé, devant une Europe de l’Ouest portée par les deux capitales. Le panel a gagné 2,9 % d’annonces en un an, mais cette croissance vient d’ailleurs : l’Asie progresse de 20,5 % et l’Amérique latine de 14,1 %, tandis que les deux Europes reculent — 0,7 % au Sud-Est, 3,6 % à l’Ouest-Nord. Le centre de gravité du marché commence à quitter le continent qui l’a fait naître.

Le logement entier a supplanté le partage entre particuliers

78 % de l’offre mondiale est en logement entier, et la part progresse encore (0,4 point en un an). 10 villes dépassent 90 % — Thessalonique, Athènes et Budapest en tête, où le patrimoine bascule vers l’investissement touristique pur. Le parc reste dominé par les studios et petits appartements : 3 à 4 personnes, 1 à 2 chambres en médiane.

L’économie collaborative est devenue une industrie

63 % des annonces sont gérées par des multi-loueurs et 14 % des hôtes captent la moitié de l’offre — une concentration comparable aux pays les plus inégalitaires, et l’écart se creuse encore : la part multi-loueurs gagne 1,1 point en un an. 8 villes dépassent 80 % d’offre multi-loueurs — Porto, Prague, Barcelone et les métropoles asiatiques — quand 3 seulement, Copenhague, Oslo et Amsterdam, restent sous 30 %. Le revenu se joue moins sur le prix que sur l’occupation : Édimbourg dépasse 22 848 €/an grâce à un calendrier saturé.

La pression résidentielle frappe les villes moyennes touristiques

La densité médiane atteint 6,7 annonces pour 1 000 habitants en zone dense, mais 15 villes dépassent 15 ‰ — plus du double de la médiane — et 3 d’entre elles, le Pays Basque, Venise et Florence, franchissent 40 ‰, soit près d’une annonce pour 25 habitants. Les mégalopoles asiatiques (Tokyo, Bangkok, Singapour) restent sous 3 ‰ : leur densité de population dilue la pression rapportée aux habitants.

Airbnb a rejoint l’hôtellerie, en volume comme en prix

Le prix médian d’un logement entier s’établit à 165 €/nuit, désormais proche du tarif d’une chambre d’hôtel : l’avantage tarifaire historique s’est effacé (prix moyen Airbnb 166 USD contre 159 USD pour l’hôtellerie américaine en 2024). L’offre de location courte durée croît dix fois plus vite que le parc hôtelier, et des opérateurs hybrides — Blueground, Sonder — brouillent la frontière entre les deux modèles.

La régulation 2024-2025 rebat les cartes

New York a effacé 90 % de ses annonces, Amsterdam a réduit son parc de 54 %, Barcelone vise l’interdiction totale en 2028 et le Règlement européen 2024/1028 impose la transparence dès 2026. Mais l’offre se déplace plus qu’elle ne disparaît : bascule vers les séjours longs à New York, expansion continue dans les marchés émergents peu encadrés (Buenos Aires, Riyad).

La note des voyageurs ne départage plus les marchés — sauf là où l’offre s’est concentrée

64 des 76 villes dépassent 4,8 sur 5, et seulement 0,24 point sépare la mieux notée de la moins bien notée. Cette compression vers le haut prive la note de tout pouvoir discriminant pour le voyageur. Un signal résiste pourtant : les villes où les gros opérateurs captent l’essentiel de l’offre notent systématiquement plus bas, tandis que la satisfaction sur le rapport qualité-prix suit la présence de superhôtes. La professionnalisation gagne en volume ce qu’elle concède en jugement.

Cinq familles de marchés se dégagent de la typologie

La classification (6 variables actives, 5 clusters, silhouette 0,38) répartit les 76 villes en cinq familles de poids très inégaux. Les deux premières concentrent les deux tiers du panel : les marchés à superhôtes très actifs (26 villes — Tokyo, Athènes, Florence) et le tourisme patrimonial court-terme (25 — Londres, Paris, Rio de Janeiro). Viennent ensuite les grandes métropoles régulées (14 — Mexico, Bangkok, Istanbul), les amateurs Europe Ouest-Nord (8 — Copenhague, Oslo) et, à part, 3 mégalopoles à offre contrainte — New York, Hong Kong, Singapour, où la régulation et le bâti étranglent l’offre. La fracture majeure n’est ni nord-sud ni est-ouest : elle oppose les marchés pilotés par des professionnels très actifs aux marchés restés entre les mains d’amateurs encadrés.

Cadrage et méthode

Contexte : un marché en recomposition ?

Le marché mondial d’Airbnb a connu une croissance quasi ininterrompue depuis sa création : passant de 140 millions de nuitées en 2016 à 533 millions en 2025 (Airbnb SEC filings), soit un quasi-quadruplement en neuf ans.

ctx <- read.csv(file.path(DATA_EXTERNAL, "kpi-serie-context-airbnb-260308.csv"))
ctx_ab <- ctx[!is.na(ctx$airbnb_nights_world_M), ]
ctx_ab$highlight <- ifelse(ctx_ab$year == max(ctx_ab$year), "last", "other")

ggplot(ctx_ab, aes(x = factor(year), y = airbnb_nights_world_M, fill = highlight)) +
  geom_col(width = 0.7, show.legend = FALSE) +
  geom_text(aes(label = round(airbnb_nights_world_M, 0)),
            vjust = -0.5, size = 2.6, color = "#555") +
  scale_fill_manual(values = c("last" = col_cyan, "other" = col_spacegray)) +
  scale_y_continuous(expand = expansion(mult = c(0, 0.15))) +
  labs(title = "Nuit\u00e9es Airbnb monde (millions)",
       subtitle = "Airbnb SEC filings \u00b7 2016-2025",
       x = NULL, y = NULL) +
  theme(axis.text.y = element_blank(), axis.ticks.y = element_blank(),
        panel.grid = element_blank(),   # aucune ligne derrière les barres (260820)
        plot.title = element_text(size = 10),
        plot.subtitle = element_text(size = 8),
        axis.text.x = element_text(size = 8))

Le creux de 2020 (193 millions de nuitées, recul de 41 %) a été effacé dès 2022 (394 millions), et la croissance se poursuit à un rythme soutenu (hausse de 8,6 % en 2025, à 533 millions de nuitées). Cette pression touristique n’est pas un phénomène statique mais un processus en accélération, qui redistribue les cartes entre villes régulées et villes permissives. La professionnalisation l’accompagne : 59 % des annonces gérées par des multi-loueurs selon Adamiak (2022) à l’échelle de 167 pays — un ratio que notre panel de 76 villes confirme largement (médiane 63 %).

La location courte durée bascule structurellement face à l’hôtellerie. En 2024, l’inventaire LCD mondial croît à 9 % par an contre 1 % pour le parc hôtelier ; Lighthouse mesure une hausse de 88 % à Buenos Aires et 69 % à Riyad (Vision 2030 saoudienne). À l’échelle européenne, Eurostat recense 854 millions de nuitées LCD dans l’UE en 2024 — soit 28 % des nuitées touristiques européennes, contre 16 % en 2019. Le différentiel tarifaire historique qui avait permis la pénétration d’Airbnb a disparu pour les voyageurs individuels : l’ADR Airbnb mondial atteint 166 USD en 2024, quasi à parité avec l’ADR hôtelier américain (159 USD selon CoStar/STR). L’avantage Airbnb ne subsiste plus que pour les groupes et les longs séjours.

Sources : Airbnb 10-K FY2024 ; Eurostat tour_ce_omr ; Lighthouse 2025 ; CoStar/STR.

Méthodologie, données et axes d’analyse

Le rapport s’appuie sur le snapshot Inside Airbnb de juin 2026 — 941 K annonces actives retenues après nettoyage sur 76 villes de 31 pays, soit près de 90 % des annonces brutes du périmètre. Les prix sont convertis en euros au taux mi-2026 pour les 21 devises du panel, et les médianes prix portent exclusivement sur les logements entiers pour garantir la comparabilité entre marchés.

L’enjeu central du rapport — rendre les villes comparables malgré des périmètres administratifs hétérogènes (commune pour Paris, comté pour Los Angeles, province pour Istanbul) — est résolu par le calcul des ratios sur la zone dense intra-périmètre Inside Airbnb : polygones de densité supérieure ou égale à 1 500 habitants/km² (référentiel GHS-POP 2025). Numérateur et dénominateur portent ainsi sur le même polygone urbain, neutralisant le biais de découpage.

Rapporté aux 8,3 M d’annonces recensées dans 224 territoires par Inside Airbnb, le panel en observe environ 12,5 % — soit 1 040 052 annonces avant nettoyage, la seule base comparable puisque le décompte mondial porte lui aussi sur le stock brut. Surtout, sa composition n’est pas neutre : centré sur les grandes métropoles occidentales sous pression touristique, il sur-représente l’Europe du Sud-Est (6,8 points au-dessus de son poids mondial) et sous-représente l’Amérique latine (6,8 points en dessous), l’Asie et l’Afrique, réduites à quelques villes (couverture de 8,1 % et 7,5 %). L’Amérique du Nord et l’Europe de l’Ouest sont, elles, quasi calibrées sur le marché réel.

L’échantillon sur-représente l’Europe du Sud-Est, sous-représente l’Amérique latine
Volumes bruts (avant nettoyage) du panel comparés au stock mondial Inside Airbnb
Sous-continent	Panel d'étude			Marché mondial — Inside Airbnb			Écart (pts)	Couverture %
	Villes	Annonces	Part %	Territoires	Annonces	Part %
Europe Sud-Est	20	267 571	25,7	30	1 579 968	18,9	6,8	16,9
Europe Ouest-Nord	19	298 104	28,7	14	2 014 970	24,1	4,5	14,8
Océanie	3	52 648	5,1	20	221 207	2,6	2,4	23,8
Amérique du Nord	24	202 593	19,5	2	1 698 090	20,3	−0,9	11,9
Afrique	1	27 381	2,6	57	367 026	4,4	−1,8	7,5
Asie	5	81 911	7,9	51	1 016 535	12,2	−4,3	8,1
Amérique latine	3	109 844	10,6	49	1 450 171	17,4	−6,8	7,6
Ensemble	75	1 040 052	100,0	224	8 347 967	100,0	—	12,5
Sources : Inside Airbnb, The Threat of Short-Term Rentals to Housing (Q4 2025, 224 territoires) · snapshots Inside Airbnb juin 2026 · calculs auteur

Les deux colonnes « Annonces » comptent des stocks bruts, avant tout nettoyage : le décompte mondial d’Inside Airbnb ne filtre ni les annonces sans prix, ni les indisponibles, une comparaison à notre panel filtré fausserait la couverture. Un écart positif (orange) signale une sur-représentation du sous-continent dans l’échantillon, négatif (bleu) une sous-représentation. « Couverture » = nos annonces rapportées au stock mondial du sous-continent. Le panel retient 941 148 annonces après nettoyage, soit près de 90 % de son volume brut.

L’analyse est guidée par des hypothèses structurantes (méthodologie complète ci-dessous) et organisée en huit parties analytiques, chacune répondant à une famille de questions évaluatives :

• Portrait mondial — où se concentrent les annonces et les hôtes ? Comment l’activité se distribue-t-elle entre Europe, Amériques, Asie-Pacifique et Afrique ?
• Prix, structure et activité — quels niveaux tarifaires et quelle dispersion entre villes ? Quelle nature d’offre (logements entiers, chambres, durée minimum de séjour, capacité) ? Quel revenu hôte et quelle activité commerciale réelle ?
• Professionnalisation — quel ratio annonces par hôte, quelle part de multi-loueurs et de super-professionnels (≥ 10 annonces) ? Quelle concentration au sommet du marché (CR10, top 10 % des hôtes) ?
• Pression résidentielle — quelle densité d’annonces par habitant en zone dense (GHS-POP ≥ 1 500 hab/km²) ? Où la tension entre usage touristique et logement long terme est-elle maximale ?
• Concurrence Airbnb et hôtellerie — comment Airbnb se positionne face à l’offre hôtelière traditionnelle en prix, capacité et géographie ?
• Régulation et trajectoires — quelles villes ont mis en place des contraintes effectives ? Quels signaux dans les durées minimum de séjour, et quels horizons à 2030 (Règlement UE 2024/1028, Local Law 18, interdictions ciblées) ?
• Qualité perçue — que disent les notes des voyageurs ? La professionnalisation se paie-t-elle en satisfaction ?
• Typologie — quelles familles de marchés émergent du croisement de ces dimensions (analyse en composantes principales et classification) ?

FOCUS · 3 indicateurs phares et glossaire complémentaire

Trois ratios structurent la lecture comparative tout au long du rapport :

• Part de logements entiers (str_entire_pct) — transformation de l’usage résidentiel. Plus elle est élevée, plus le patrimoine est retiré du marché de long terme.
• Part de longue durée (str_minnuits30_pct, ≥ 30 nuits) — proxy de régulation locale en l’absence de données juridiques harmonisées.
• Pression résidentielle en zone dense (prs_listings_1000hab_dense) — indicateur clé du projet pour comparaisons inter-villes mondiales (zone GHS-POP ≥ 1 500 hab/km²).

Ces trois ratios sont mobilisés conjointement avec le prix médian, le revenu estimé et la concentration des hôtes.

AstuceVoir les 8 indicateurs complémentaires + définitions

Indicateurs structurants additionnels — dictionnaire complet (82 indicateurs, sept familles) dans le glossaire dédié.

• % Hosts multi-host (≥ 2 ann.) (% multi-host) — Part des hôtes gérant au moins 2 annonces. Sens : taux global de professionnalisation. À l’échelle mondiale, ≈ 26 % des hôtes sont multi-host mais détiennent ≈ 63 % des annonces.
• % Hosts pro et superpro (≥ 5 ann.) (% host pro & sup) — Part des hôtes gérant au moins 5 annonces. Sens : professionnalisation effective. À l’échelle mondiale, ≈ 6,5 % des hôtes contrôlent ≈ 40 % des annonces.
• % Hosts superpro (≥ 10 ann.) (% host superpro) — Opérateurs commerciaux purs (conciergeries, gestionnaires multi-biens). 2,4 % des hôtes mondiaux concentrent ≈ 29 % de l’offre. Indicateur fort de la pression réglementaire.
• CR10 — Part des 10 premiers hôtes par ville (cr_offre_top10host_pct) — Concentration extrême au sommet. Médiane mondiale ≈ 7 % ; Singapour, Hong Kong dépassent 35 %.
• Prix médian logement entier (px_entire_med) — Niveau tarifaire de référence (€/nuit). Mesure exclusivement sur les logements entiers pour garantir la comparabilité.
• Revenu annuel estimé médian (act_revenu_med) — Estimation Inside Airbnb (modèle San Francisco, cappé à 70 %). Sous-estime systématiquement les revenus réels — valeur en comparaison relative entre villes.
• Disponibilité (act_cal_ouvert_med) — Jours ouverts à la réservation sur le calendrier public. Donnée observée mais imparfaite : on ne distingue pas blocage volontaire et nuits déjà réservées.
• Capacité moyenne par annonce (str_cap_pers_med) — Nombre de personnes accueillables par logement. Signal familial / groupe (4-6 pers, US, vacation rental) vs backpacker / couple (2 pers, métropoles européennes).

NoteMéthodologie et données — sources, nettoyage, périmètres

Source — Inside Airbnb (insideairbnb.com), projet indépendant de collecte des annonces publiques. Airbnb uniquement, hors Booking, Vrbo et plateformes locales. Snapshot juin 2026, complété d’une évolution sur un an (juin 2025 → juin 2026) pour les volumes, la structure et la concentration ; l’évolution des prix et des revenus n’est pas exploitable en raison d’un changement d’affichage tarifaire d’Inside Airbnb en 2025 (bascule prix de base → prix total).

Périmètre — 76 villes dans 31 pays sur quatre continents : Europe 40 villes (53 % de l’offre), Amériques 27, Asie-Pacifique 8, Afrique = Le Cap uniquement.

Nettoyage — prix strictement positif, disponibilité > 0, exclusion des hôtels, fourchette de prix retenue entre 10 et 2 000 €/nuit (rétention environ 67 % des annonces brutes). Les annonces longue durée (min_nights ≥ 30) sont conservées et signalées comme proxy de contrainte réglementaire.

Prix — convertis en euros au taux de mi-2026 pour 21 devises. Les prix médians communiqués portent exclusivement sur les logements entiers, pour garantir la comparabilité entre marchés (mélanger chambres privées à 30 € et appartements à 800 € fausserait l’analyse).

Pression territoriale — l’indicateur annonces / 1 000 habitants est calculé sur la zone dense intra-périmètre Inside Airbnb : polygones avec densité supérieure ou égale à 1 500 habitants/km² (référentiel GHS-POP 2025). Numérateur et dénominateur portent sur le même polygone urbain, ce qui élimine le biais de découpage administratif (commune stricte pour Paris vs province pour Istanbul).

Activité commerciale — l’occupation et les revenus sont des estimations Inside Airbnb (modèle « San Francisco » : reviews × 2 × durée séjour, plafonné à 70 %). Ces estimations sous-estiment systématiquement les revenus réels et ne sont pas comparables aux données fiscales ou hôtelières — leur valeur réside dans la comparaison relative entre villes, le biais étant homogène.

Multi-hôtes et super-professionnels — les multi-hôtes désignent les hôtes gérant au moins 2 annonces ; les super-professionnels au moins 10 (seuil cohérent avec Adamiak 2022).

Analyse comparée

1. Portrait mondial de l’activité

Le panel rassemble 941 K annonces dans 76 villes réparties sur 4 continents — soit environ 11 % de l’offre mondiale Airbnb. Cet échantillon, centré sur les grandes métropoles occidentales, sur-représente l’Europe et l’Océanie et couvre plus marginalement l’Amérique latine, l’Asie et l’Afrique — un biais assumé, détaillé en méthodologie. Cette première partie pose le cadre géographique : où se concentrent les volumes, qui pilote l’offre, comment se distribue l’activité entre Europe, Amériques, Asie-Pacifique et Afrique. Les niveaux de prix, la nature de l’offre et l’activité commerciale sont traités dans la partie suivante.

kpi_map <- kpi |> dplyr::filter(!is.na(lat) & !is.na(lon))
kpi_map$cd <- CD_RECODE[kpi_map$continent_detail]

# Carte monde : 3 plus grosses villes de chaque sous-continent HORS Europe (Europe lisible sur le zoom)
EUR_CD <- c("Eur. Ouest-Nord", "Eur. Sud-Est")
world_labels <- kpi_map |>
  dplyr::filter(!cd %in% EUR_CD) |>
  dplyr::group_by(cd) |>
  dplyr::slice_max(vol_n_ann, n = 3, with_ties = FALSE) |>
  dplyr::pull(city_fr)
# Carte Europe : toutes les villes du continent européen
euro_labels <- kpi_map |>
  dplyr::filter(continent == "Europe") |>
  dplyr::pull(city_fr)

EUR_BOX <- c(-12, 35, 32, 62)   # = bbox de build_europe_map -> encadre sur la carte monde
p_world <- build_world_map(kpi_map,
  title = "Volumes Airbnb dans le monde",
  subtitle = sprintf("%d villes · couleur = sous-continent, taille = annonces actives", nrow(kpi_map)),
  label_cities = world_labels, zoom_box = EUR_BOX, legend_nrow = 2)
p_euro <- build_europe_map(kpi_map,
  title = "Zoom Europe",
  subtitle = sprintf("%d villes — toutes labellisées", length(euro_labels)),
  label_cities = euro_labels, legend_nrow = 2)   # MÊME spec que p_world, sinon patchwork
                                                 # (guides="collect") affiche DEUX légendes

p_combined <- patchwork::wrap_plots(p_world, p_euro,
  widths = c(1.4, 1), guides = "collect") &
  ggplot2::theme(legend.position = "bottom")
log_map_auto("srpt01_map_world_volumes", "vol_n_ann", kpi_map, "city_fr")
# render_girafe (et non girafe brut) : CSS tooltip Inter + prune des polices (conv projet).
render_girafe(p_combined, width_svg = 9.5, height_svg = 4.6)

Source : Inside Airbnb, juin 2026 · Coordonnées city-reference-airbnb-260222 · Projection Robinson (monde) / Plate-Carrée (Europe) · Labels carte monde : 3 plus grandes villes de chaque sous-continent hors Europe · Carte Europe : toutes les villes

Le panel Inside Airbnb de juin 2026 retient 941 K annonces actives sur 76 villes mondiales — 40 en Europe (53 % de l’offre du panel), le reste sur les Amériques, l’Asie-Pacifique et Le Cap. Les volumes se concentrent sur quelques métropoles : Londres approche 70 000 annonces et Paris près de 60 000, quand le bas du panel — Genève et Bergame — reste sous 2 000 annonces. La carte rend lisible cette double densité : un arc atlantique et méditerranéen saturé en Europe, des côtes nord-américaines bien pourvues, une présence asiatique plus diffuse où la régulation a tôt restreint l’informel.

La répartition continentale reflète à la fois les choix de couverture Inside Airbnb et la profondeur des marchés locaux. L’Europe Sud-Est (Florence, Lisbonne, Athènes, Barcelone, Naples) totalise 255 K annonces — le plus gros volume cumulé du panel. L’Europe Ouest-Nord suit avec 245 K annonces, portée par Londres et Paris. L’Amérique du Nord rassemble 183 K annonces (New York, Los Angeles, Toronto, métropoles US secondaires), tandis que l’Asie ne pèse que 79,2 K annonces malgré ses mégalopoles — héritage d’une régulation précoce sur l’informel touristique.

Graphique par continent

# plot_cd_bars_agg : TOTAL continental (somme annonces, somme hôtes), ratio = somme/somme.
# Format aligné sur la databar de la synthèse (260820) : palette CD_COLS_SYNTH, alpha, pas de
# grille verticale, évolution 25→26 sous chaque valeur, réf « monde » pointillée sur le ratio
# (les 2 totaux n'ont pas de moyenne mondiale qui ait un sens).
plot_cd_bars_agg(c("vol_n_ann", "vol_n_hotes", "str_ratio_ann_hote"),
                 ncol_wrap = 3,
                 palette = CD_COLS_SYNTH,
                 evol = c("vol_n_ann_vevol_2526", "vol_n_hotes_vevol_2526",
                          "str_ratio_ann_hote_vevol_2526"),
                 world_ref = c(vol_n_ann = NA, vol_n_hotes = NA,
                               str_ratio_ann_hote = as.numeric(kpi_world$str_ratio_ann_hote)),
                 strip_labels = c("Annonces actives", "Hôtes uniques", "Annonces par hôte"),
                 evol_below = TRUE, bar_width = 0.55, grid_x = FALSE, alpha = 0.82,
                 strip_size = 10.5, lab_size = 2.8, dec = c(0, 0, 1))

Source : Inside Airbnb, juin 2026 · Total par groupe continental (annonces, hôtes) · Ratio = annonces / hôtes · Évolution 2025→2026 : bordeaux = hausse, bleu = baisse · Afrique exclue (n < 2 villes)

Tableau par continent

# P1 conserve les lignes contexte (Nb villes / Nb pays) — composition du panel posée une fois.
# Les autres parties (P2+) utilisent make_cd_panel_agg (sans contexte) pour éviter le doublon.
srpt01_panel <- make_cd_panel_with_ctx(c("vol_n_ann", "vol_n_hotes", "str_ratio_ann_hote"))
gt_cd_panel_zscore(srpt01_panel,
                    title = "Volumes par groupe continental",
                    skip_rows = 1:2)

Volumes par groupe continental
Theme	Indicateur	U.	Monde	Eur. SE	Eur. ON	Am. N	Am. L	Asie	Océanie
	Nb villes	n	76	20	20	24	3	5	3
	Nb pays	n	31	8	11	2	3	5	1
Volume	Annonces actives	n	941 148	255 389	244 891	183 419	106 367	79 205	46 125
	Hôtes uniques	n	452 404	102 908	151 551	91 826	54 527	17 755	21 584
Concentration	Ratio annonces par host	ratio	2,1	2,5	1,6	2,0	1,9	4,5	2,1

log_table_auto("srpt01_gt_cd_lignezsc", srpt01_panel)

Source : Inside Airbnb, juin 2026 · Afrique masquée (n < 2 villes) · Lignes Nb villes / Nb pays exclues de la coloration z-score.

Tableau détaillé par ville

rt_table(
  srpt01_d,
  cols = list(
    lib                = rt_col_lib(srpt01_d, "lib", label = "Ville",
                                     indent = FALSE, mw = 150),
    continent          = rt_col_tag("Cont.", w = 80),
    country_code       = rt_col_tag("Pays", w = 50),
    vol_n_ann          = rt_col_level(srpt01_d, "vol_n_ann",
                                       label = "Annonces actives", unit = "",
                                       bw = "fill", bh = 16, mw = 160,
                                       light = TRUE),
    vol_n_hotes        = rt_col_level(srpt01_d, "vol_n_hotes",
                                       label = "Hôtes uniques", unit = "",
                                       bw = "fill", bh = 16, mw = 160,
                                       light = TRUE),
    str_ratio_ann_hote = rt_col_level(srpt01_d, "str_ratio_ann_hote",
                                       label = "Ann. / hôte", unit = "",
                                       bw = "fill", bh = 16, mw = 160)
  ),
  sticky_cols = 1,
  searchable = FALSE,
  height = 400,
  full_width = TRUE,
  footnote = "Inside Airbnb, juin 2026 · 76 villes · barres élastiques bw='fill' · volumes en gris (light), ratio coloré"
)

⇅ triable

Inside Airbnb, juin 2026 · 76 villes · barres élastiques bw='fill' · volumes en gris (light), ratio coloré

srpt01_topbot <- kpi |> dplyr::select(city_fr, cd, country_code,
  vol_n_ann, vol_n_ann_vevol_2526, vol_n_hotes, vol_n_hotes_vevol_2526)
rt_topbot_ville(
  srpt01_topbot,
  vars = c("vol_n_ann", "vol_n_ann_vevol_2526", "vol_n_hotes", "vol_n_hotes_vevol_2526"),
  sort_col = "vol_n_ann",
  title = "Volumes et dynamique par ville — les 8 plus gros et 8 plus petits marchés du panel",
  digits = c(0, 1, 0, 1),
  group_pairs = TRUE, footer2 = TRUE, agg_row = kpi_world,
  footnote = "Pastille = sous-continent · volumes en gris, évolution 2025→2026 en bordeaux (hausse) / bleu (baisse) · footer : médiane des villes puis Monde total (agrégat pondéré)."
)

Volumes et dynamique par ville — les 8 plus gros et 8 plus petits marchés du panel

⇅ triable

Pastille = sous-continent · volumes en gris, évolution 2025→2026 en bordeaux (hausse) / bleu (baisse) · footer : médiane des villes puis Monde total (agrégat pondéré).

Les 8 premières villes par volume — Londres, Paris, Rio de Janeiro, Rome, Tokyo en tête — concentrent une part majeure des annonces du panel. À l’autre extrême, Genève et Bergame ferment le classement sous 2 000 annonces — des marchés où Airbnb existe sans peser.

Le ratio annonces par hôte hiérarchise différemment : il atteint son maximum dans les marchés à forte concentration (Hong Kong, Singapour, Lisbonne) et reste près de 1 dans les marchés de particuliers (Copenhague, Oslo). Ce ratio préfigure la dimension de professionnalisation traitée en Partie 3.

2. Marché, structure et activité

Le panel révèle deux géographies superposées et largement indépendantes : un palmarès du prix médian dominé par les métropoles anglo-saxonnes (Amsterdam, Édimbourg, Boston), et une géographie de la structure de l’offre où la Méditerranée affiche des taux de logements entiers proches de 100 % — marché d’investissement touristique pur. Le revenu hôte dépend autant du prix que de l’occupation : Amsterdam plafonne sous 10 000 €/an malgré ses 331 €/nuit, tandis que Édimbourg culmine à 22,8 K €/an grâce à un calendrier saturé.

top3_share <- round(sum(sort(kpi$vol_n_ann, decreasing = TRUE)[1:3]) /
                    sum(kpi$vol_n_ann) * 100, 0)

kpi_e2("Panel d'étude · juin 2026", list(
  list(value = aa$n_total_km,
       label = sprintf("annonces actives sur <strong>%d villes</strong>, %d pays", aa$n_villes, aa$n_pays)),
  list(value = sprintf("%d&nbsp;%%", aa$v_couverture_pct),
       label = "de l'offre mondiale Airbnb (~8 M annonces)"),
  list(value = sprintf("%d&nbsp;%%", aa$v_eur_pct),
       label = "des annonces en Europe"),
  list(value = sprintf("%d&nbsp;%%", aa$v_nam_pct),
       label = "en Amérique du Nord"),
  list(value = sprintf("%d&nbsp;%%", top3_share),
       label = sprintf("concentrés sur <strong>%s</strong>", aa$t_top3_villes)),
  list(value = aa$n_hosts_km,
       label = "hôtes uniques recensés")
))

Panel d'étude · juin 2026

941 K annonces actives sur 76 villes, 31 pays

11 % de l'offre mondiale Airbnb (~8 M annonces)

53 % des annonces en Europe

19 % en Amérique du Nord

19 % concentrés sur Londres, Paris, Rio de Janeiro

456 K hôtes uniques recensés

Cette partie examine trois dimensions imbriquées du marché, une fois le cadre des volumes posé en Partie 1 : les niveaux tarifaires (prix du logement entier comparé à la chambre privée, dispersion, prime Europe Ouest contre Europe Sud), la structure de l’offre (part de logements entiers, capacité d’accueil, contrainte de durée minimale) et l’activité commerciale des hôtes (calendrier ouvert, taux d’occupation estimé, revenu annuel).

Trois clivages structurent les écarts entre continents : un facteur prix moyen de 1,5 entre l’Europe du Sud-Est (~130 €/nuit) et l’Amérique du Nord (~200 €), une part de logements entiers autour de 80 % en Europe du Sud contre moins de 70 % en Asie, et un revenu annuel estimé qui suit le prix mais s’amplifie via l’occupation — l’Amérique du Nord dépasse 11 000 €/an quand l’Asie reste sous 2 000 €.

Tableau par continent

# make_cd_panel_agg (sans lignes contexte Nb villes/pays — posées en P1)
# Vars groupées par thème : Prix · Structure · Activité (col "Theme")
srpt02_panel <- make_cd_panel_agg(c(
  "px_entire_med", "px_private_med",
  "str_entire_pct", "str_cap_pers_med", "str_cap_chbr_med", "str_minnuits30_pct",
  "act_cal_ouvert_med", "act_reserv_taux", "act_revenu_med"))
gt_cd_panel_zscore(srpt02_panel,
                    title = "Prix, structure et activité par groupe continental",
                    sort_geo_by = "px_entire_med")

Prix, structure et activité par groupe continental
Theme	Indicateur	U.	Monde	Eur. SE	Eur. ON	Am. N	Am. L	Asie	Océanie
Prix	Prix méd. logement entier	€/nuit	157	138	212	200	92	85	187
	Prix méd. chambre privée	€/nuit	76	82	96	79	50	46	68
Structure	% Logements entiers	%	78,5	80,0	79,4	76,6	79,8	71,9	77,2
	Capacité d'accueil médiane	pers	3,0	4,0	3,0	4,0	3,0	3,0	4,0
	Nombre de chambres médian	n	1	1	1	2	1	1	2
	% Longue durée (≥ 30 nuits)	%	13,9	11,1	7,4	37,0	1,5	15,1	6,2
Performance	Calendrier ouvert médian (j/an)	j/an	238,0	251,0	178,0	257,0	256,0	264,0	191,0
	Taux occupation estimé (max 70%)	%	9,9	11,5	8,2	16,4	8,2	8,2	9,9
	Revenu estimé médian (€/an)	€/an est.	4 807	5 346	5 835	7 889	2 257	2 039	6 342

log_table_auto("srpt02_gt_cd_lignezsc", srpt02_panel)

Source : Inside Airbnb, juin 2026 · Afrique masquée (n < 2 villes) · Coloration z-score par ligne (rose = au-dessus de la moyenne mondiale, bleu = en-dessous).

Graphique par continent

plot_cd_bars_ordered(c("px_entire_med", "px_private_med", "str_entire_pct",
                       "str_cap_pers_med", "act_reserv_taux", "act_revenu_med"),
                     ncol_wrap = 3)

Source : Inside Airbnb, juin 2026 · Médiane par groupe continental

Tableau détaillé par ville

p2_ville_df <- kpi |>
  dplyr::select(city_fr, continent, country_code,
                px_entire_med, px_private_med, str_entire_pct,
                str_cap_pers_med, str_cap_chbr_med, str_minnuits30_pct,
                act_cal_ouvert_med, act_reserv_taux, act_revenu_med) |>
  dplyr::arrange(dplyr::desc(px_entire_med))

rt_table(p2_ville_df, cols = list(
  city_fr            = rt_col_lib(p2_ville_df, "city_fr", "Ville", indent = FALSE),
  continent          = rt_col_tag("Cont.", w = 65),
  country_code       = rt_col_tag("Pays", w = 45),
  px_entire_med      = rt_col_level(p2_ville_df, "px_entire_med", "Prix entier", unit = "€",
                                     bw = "fill", bh = 16, mw = 120),
  px_private_med     = rt_col_level(p2_ville_df, "px_private_med", "Prix ch. privée", unit = "€",
                                     bw = "fill", bh = 16, mw = 120),
  str_entire_pct     = rt_col_level(p2_ville_df, "str_entire_pct", "% Entiers", unit = "%",
                                     bw = "fill", bh = 16, mw = 110),
  str_cap_pers_med   = rt_col_level(p2_ville_df, "str_cap_pers_med", "Capacité", unit = "pers",
                                     bw = "fill", bh = 16, mw = 110),
  str_cap_chbr_med   = rt_col_level(p2_ville_df, "str_cap_chbr_med", "Chambres", unit = "n",
                                     bw = "fill", bh = 16, mw = 100),
  str_minnuits30_pct = rt_col_level(p2_ville_df, "str_minnuits30_pct", "% Long séj.", unit = "%",
                                     bw = "fill", bh = 16, mw = 110),
  act_cal_ouvert_med = rt_col_level(p2_ville_df, "act_cal_ouvert_med", "Calendrier", unit = "j",
                                     bw = "fill", bh = 16, mw = 110),
  act_reserv_taux    = rt_col_level(p2_ville_df, "act_reserv_taux", "Tx occup.", unit = "%",
                                     bw = "fill", bh = 16, mw = 110),
  act_revenu_med     = rt_col_level(p2_ville_df, "act_revenu_med", "Revenu/an", unit = "€",
                                     bw = "fill", bh = 16, mw = 130)
), sticky_cols = 1, height = 420, full_width = TRUE, searchable = FALSE,
   footnote = "Inside Airbnb, juin 2026 · Tri par prix médian décroissant")

⇅ triable

Inside Airbnb, juin 2026 · Tri par prix médian décroissant

log_table_auto("rt_p2_villes_detail", p2_ville_df)

2.1 Prix : une carte étrangère à celle des volumes

srpt02_prix <- kpi |> dplyr::select(city_fr, cd, country_code, px_entire_med, px_private_med)
rt_topbot_ville(
  srpt02_prix,
  vars = c("px_entire_med", "px_private_med"),
  sort_col = "px_entire_med",
  title = "Prix par ville — les 8 plus chers et 8 plus accessibles",
  labels = c("Prix logement entier", "Prix chambre privée"),
  units = c("€/nuit", "€/nuit"),
  digits = c(0, 0),
  footnote = "Pastille = sous-continent · barre Prix logement entier = écart à la moyenne du pool (rose ▲ / bleu ▼) · footer = médiane Monde."
)

Prix par ville — les 8 plus chers et 8 plus accessibles

⇅ triable

Pastille = sous-continent · barre Prix logement entier = écart à la moyenne du pool (rose ▲ / bleu ▼) · footer = médiane Monde.

Le prix médian du logement entier oppose deux blocs continentaux : l’Europe du Sud-Est se situe autour de 130 €/nuit quand l’Amérique du Nord dépasse 200 €. L’arc premium Amsterdam-Édimbourg-San Diego franchit 300 € la nuit, tandis que les marchés accessibles — Bangkok, Istanbul, Thessalonique — restent sous 80 €. Paris (212 €) se positionne au-dessus de la médiane européenne (150 €), sans atteindre les sommets anglo-saxons.

La chambre privée suit la même hiérarchie un cran plus bas : partout elle se loue entre 40 et 60 % du prix d’un logement entier. Surtout, prix et volume dessinent deux géographies indépendantes — une mégalopole peut être bon marché, une ville moyenne peut être chère. Le classement par ville le donne à voir (ci-contre) : les huit marchés les plus chers ne sont pas les plus gros.

2.2 Structure : le logement entier a effacé le partage

srpt02_struct <- kpi |> dplyr::select(city_fr, cd, country_code, str_entire_pct, str_entire_pct_vdifp_2526, str_cap_pers_med)
rt_topbot_ville(
  srpt02_struct,
  vars = c("str_entire_pct", "str_entire_pct_vdifp_2526", "str_cap_pers_med"),
  sort_col = "str_entire_pct",
  title = "Structure par ville — part de logements entiers et capacité",
  digits = c(1, 1, 1),
  group_pairs = TRUE, footer2 = TRUE, agg_row = kpi_world,
  footnote = "Pastille = sous-continent · évolution 2025→2026 de la part de logements entiers · footer : médiane des villes puis Monde."
)

Structure par ville — part de logements entiers et capacité

⇅ triable

Pastille = sous-continent · évolution 2025→2026 de la part de logements entiers · footer : médiane des villes puis Monde.

Le logement entier domine massivement : près de 8 annonces sur 10 dans le monde, contre 1 à 2 chambres chez l’habitant. Le partage résiste surtout à Hong Kong, où les chambres représentent encore 60 % de l’offre, et à Londres autour de 33 %. À l’inverse, la Méditerranée — Thessalonique, Biarritz, Naples — frôle les 100 % de logements entiers : le marché de l’investissement locatif touristique y a éteint le partage entre particuliers.

La capacité d’accueil prolonge ce constat. La médiane mondiale tourne autour de 3 à 4 personnes et 1 à 2 chambres par annonce, signe d’un parc dominé par studios et petits appartements plutôt que par de grandes maisons familiales. Les villes nord-américaines (San Diego, Austin) se distinguent par des logements plus grands, quand les métropoles européennes denses restent sur des formats compacts.

2.3 Revenu : l’occupation, pas le prix, fait la recette

srpt02_rev <- kpi |> dplyr::select(city_fr, cd, country_code, act_revenu_med, act_reserv_taux, act_reserv_taux_vdifp_2526)
rt_topbot_ville(
  srpt02_rev,
  vars = c("act_revenu_med", "act_reserv_taux", "act_reserv_taux_vdifp_2526"),
  sort_col = "act_revenu_med",
  title = "Revenu et activité par ville — le revenu suit l'occupation",
  digits = c(0, 1, 1),
  group_pairs = TRUE, footer2 = TRUE, agg_row = kpi_world,
  footnote = "Pastille = sous-continent · revenu sans évolution (caveat prix Inside Airbnb) · évolution 2025→2026 du taux d'occupation · footer : médiane des villes puis Monde."
)

Revenu et activité par ville — le revenu suit l'occupation

⇅ triable

Pastille = sous-continent · revenu sans évolution (caveat prix Inside Airbnb) · évolution 2025→2026 du taux d'occupation · footer : médiane des villes puis Monde.

Le revenu d’un hôte ne suit pas le prix de la nuit mais l’occupation. Édimbourg génère 22 848 €/an grâce à un calendrier saturé, quand Amsterdam — pourtant à 331 €/nuit — plafonne sous 10 000 €/an. La différence se joue sur la disponibilité réelle du logement et le taux d’occupation effectif.

La disponibilité médiane atteint 229 jours par an à l’échelle mondiale, mais cache deux mondes : marchés professionnels quasi permanents (autour de 300 jours, taux d’occupation estimé plafonné à 70 %) contre marchés de particuliers réduits à quelques semaines, souvent sous licence d’usage. La note des annonces, elle, n’éclaire rien : toutes les villes oscillent entre 4,5 et 4,8 sur 5.

Trois géographies superposées et indépendantes. L’arc anglo-saxon des prix premium (Amsterdam, Édimbourg, Boston) ne coïncide ni avec les marchés à plus fort revenu hôte (Nashville, Austin), ni avec ceux à plus forte part de logements entiers (Thessalonique, Biarritz). Le prix d’une nuit ne dit rien du revenu réel ni de la nature de l’offre. Reste une question : qui pilote cette offre ? La Partie 3 remonte la pyramide des hôtes, du loueur amateur à l’industrie hôtelière déguisée.

3. Professionnalisation : la pyramide des hôtes

Adamiak (2018, 2022) a documenté le premier une transformation profonde du modèle Airbnb originel. À l’échelle de 167 pays étudiés en 2022, 63 % des annonces sont gérées par des hôtes multi-actifs (≥ 2 annonces), et plus d’un tiers de l’offre revient à des opérateurs professionnels gérant 10 annonces et plus. Cette professionnalisation redéfinit l’économie collaborative en industrie hôtelière déguisée — un sujet politique central depuis 2018.

Dans notre panel de 76 villes, en médiane 63 % de l’offre est détenue par des hôtes gérant plus d’une annonce. Mais l’écart est extrême : Tokyo affiche 92 %, Copenhague seulement 12 %.

kpi_row(
  kpi_band("Multi-hôtes (≥2 ann.)",
    value = aa$v_multi, unit = "%",
    subtitle = "médiane offre panel",
    top = sprintf("%s · %s %% ▲", aa$t_top_multi, aa$v_top_multi),
    bottom = sprintf("%s · %s %% ▼", aa$t_bot_multi, aa$v_bot_multi)),
  kpi_band("Super-pro (≥10 ann.)",
    value = aa$v_offre10_med, unit = "%",
    subtitle = "médiane offre panel",
    top = "Hong Kong / Singapour · > 50 % ▲",
    bottom = "Copenhague / Oslo · < 5 % ▼"),
  kpi_pareto_h("Concentration extrême",
    left_value  = round(median(kpi$cr_hosts_offre50_pct, na.rm=TRUE), 0), left_unit = "%",
    left_label  = "des hôtes<br>contrôlent",
    right_value = "50", right_unit = "%",
    right_label = "de l'offre<br>(médiane panel)")
)

Multi-hôtes (≥2 ann.) médiane offre panel 63 %

Tokyo · 92 % ▲ Copenhague · 12 % ▼

Super-pro (≥10 ann.) médiane offre panel 29 %

Hong Kong / Singapour · > 50 % ▲ Copenhague / Oslo · < 5 % ▼

Concentration extrême

12 %

des hôtes
contrôlent

→

50 %

de l'offre
(médiane panel)

Cette partie examine trois dimensions de la professionnalisation : le ratio annonces par hôte (proxy de gestion multi-biens), la part des super-professionnels (≥ 10 annonces, opérateurs commerciaux purs) et la concentration au sommet (CR10, part des 10 premiers hôtes par ville).

La professionnalisation s’entend ici au sens structurel — qui détient l’offre — et non au sens de la qualité de gestion. Le label superhôte, qu’on associe spontanément au professionnalisme, mesure tout autre chose : il récompense la tenue du logement et la fiabilité de l’accueil. Les deux sont statistiquement indépendants dans le panel (corrélation de 0,13, non significative) : Hong Kong et Singapour confient plus de 70 % de leur offre à des opérateurs professionnels pour seulement 14 % de superhôtes, quand Tokyo cumule les deux. Le label superhôte est donc traité avec la qualité perçue, en Partie 7.

La fin de l’économie collaborative — taxonomie Adamiak (2022). L’étude de référence sur 167 pays établit en 2019 une répartition en 4 profils croisant type de logement (chambre / logement entier) et statut (mono- / multi-hôtes) : multi-homes 41,5 % (logements entiers gérés par multi-hôtes), single-homes 33,2 %, multi-rooms 17,5 %, single-rooms 7,9 % — le concept originel d’Airbnb réduit à moins d’une annonce sur 12. Dynamique 2018-2019 : hausse de 22,6 % des annonces mondiales, portée à 30,5 % pour les multi-homes — l’accélération est continue.

La professionnalisation s’est amplifiée en Europe depuis 2019. Schegg-Stangl-Demlehner (2025) mesurent 70 % de multi-hôtes à Lisbonne, Colomb (2025, Parlement européen) 74 % à Prague. Kirchner & Pohl (2024) confirment sur un panel longitudinal de 45 villes que 40 à 60 % de la valeur de marché est captée par les opérateurs professionnels. Paris suit la même trajectoire malgré une régulation engagée dès 2014 : multi-loueurs passent de 21 % (2020) à 31 % (août 2024), les très gros loueurs (≥10 annonces) doublent leur part (8 % → 16 %).

Concentration des revenus comparable aux pays les plus inégalitaires. Törnberg (2022, échantillon 834 K annonces / 97 marchés) mesure un coefficient de Gini 0,68 sur les revenus entre hôtes — inégalité comparable à l’Afrique du Sud (0,63 sur les ménages). Quattrone et al. (2022) établissent un Gini médian de 0,79 au niveau hôte sur les mêmes 97 villes, stable 2013-2019 — structure d’inégalité constitutive du modèle, pas conjoncturelle.

Sources : Adamiak 2022 (Current Issues in Tourism) ; Schegg-Stangl-Demlehner 2025 ; Colomb 2025 (PE) ; Kirchner & Pohl 2024 ; Törnberg 2022 (PLoS ONE) ; Quattrone et al. 2022 (EPJ Data Science) ; APUR 2025.

Tableau par continent

srpt03_panel <- make_cd_panel_agg(c("cr_offre_1plus", "cr_offre_5plus",
                                     "cr_offre_10plus", "cr_hosts_offre50_pct",
                                     "cr_offre_top10host_pct"))
gt_cd_panel_zscore(srpt03_panel,
                    title = "Concentration et professionnalisation par groupe continental",
                    sort_geo_by = "cr_offre_1plus")

Concentration et professionnalisation par groupe continental
Theme	Indicateur	U.	Monde	Eur. SE	Eur. ON	Am. N	Am. L	Asie	Océanie
Concentration	% Annonces gérées par multi-host	%	63,5	72,4	47,6	62,1	61,9	88,6	64,0
	% Annonces gérées par pro et superpro	%	42,1	49,3	29,8	38,6	36,8	71,4	44,3
	% Annonces gérées par superpro	%	30,3	34,7	21,5	28,0	24,9	55,0	34,2
	% Hôtes pour 50 % de l'offre (Lorenz)	%	11,0	9,5	19,2	12,2	14,1	6,7	9,5
	% Offre détenue par top 10 hôtes (absolu)	%	0,9	1,8	1,5	3,1	1,6	3,7	4,1

log_table_auto("srpt03_gt_cd_lignezsc", srpt03_panel)

Source : Inside Airbnb, juin 2026 · Afrique masquée (n < 2 villes) · Coloration z-score par ligne (rose = au-dessus de la moyenne mondiale, bleu = en-dessous).

Graphique par continent

plot_cd_bars_ordered(c("cr_offre_1plus", "cr_offre_10plus",
                       "cr_hosts_offre50_pct", "cr_offre_top10host_pct"),
                     ncol_wrap = 2)

Source : Inside Airbnb, juin 2026 · Médiane par groupe continental

Tableau détaillé par ville

srpt03_d <- kpi |>
  dplyr::transmute(
    lib                     = city_fr,
    continent               = continent,
    country_code            = country_code,
    cr_offre_1plus          = round(cr_offre_1plus, 1),
    cr_offre_10plus         = round(cr_offre_10plus, 1),
    cr_hosts_offre50_pct    = round(cr_hosts_offre50_pct, 1),
    cr_offre_top10host_pct  = round(cr_offre_top10host_pct, 1))

rt_table(
  srpt03_d,
  cols = list(
    lib                    = rt_col_lib(srpt03_d, "lib", "Ville", indent = FALSE, mw = 150),
    continent              = rt_col_tag("Cont.", w = 75),
    country_code           = rt_col_tag("Pays", w = 50),
    cr_offre_1plus         = rt_col_level(srpt03_d, "cr_offre_1plus", "Offre multi-hôtes ≥2", unit = "%",
                                           bw = "fill", bh = 16, mw = 140),
    cr_offre_10plus        = rt_col_level(srpt03_d, "cr_offre_10plus", "Offre super-pro ≥10", unit = "%",
                                           bw = "fill", bh = 16, mw = 140),
    cr_hosts_offre50_pct   = rt_col_level(srpt03_d, "cr_hosts_offre50_pct", "% hôtes = 50% offre", unit = "%",
                                           bw = "fill", bh = 16, mw = 140),
    cr_offre_top10host_pct = rt_col_level(srpt03_d, "cr_offre_top10host_pct", "CR10", unit = "%",
                                           bw = "fill", bh = 16, mw = 130)
  ),
  sticky_cols = 1,
  searchable = FALSE,
  height = 400,
  full_width = TRUE,
  footnote = "Inside Airbnb, juin 2026 · CR10 = part des 10 premiers hôtes par ville"
)

⇅ triable

Inside Airbnb, juin 2026 · CR10 = part des 10 premiers hôtes par ville

srpt03_topbot <- kpi |> dplyr::select(city_fr, cd, country_code, cr_offre_1plus,
                                       cr_host_pro_pct, cr_host_pro_pct_vdifp_2526)
rt_topbot_ville(
  srpt03_topbot,
  vars = c("cr_offre_1plus", "cr_host_pro_pct", "cr_host_pro_pct_vdifp_2526"),
  sort_col = "cr_offre_1plus",
  title = "Concentration par ville — du marché de particuliers à l'industrie hôtelière",
  digits = c(1, 1, 1),
  group_pairs = TRUE, footer2 = TRUE, agg_row = kpi_world,
  footnote = "Pastille = sous-continent · valeur rouge = au-dessus de la médiane, bleu = en-dessous · évolution 2025→2026 des hôtes professionnels · footer : médiane des villes puis Monde (agrégat)."
)

Concentration par ville — du marché de particuliers à l'industrie hôtelière

⇅ triable

Pastille = sous-continent · valeur rouge = au-dessus de la médiane, bleu = en-dessous · évolution 2025→2026 des hôtes professionnels · footer : médiane des villes puis Monde (agrégat).

Multi-loueurs et super-professionnels avancent ensemble. La corrélation entre la part de multi-hôtes (≥ 2 annonces) et celle de super-professionnels (≥ 10 annonces) atteint r = 0,87 (R² = 0,748, p < 10⁻²²) — l’une des relations les plus fortes du panel. Pour chaque hausse de 10 points de multi-hôtes, on observe une progression d’environ 7 points de super-professionnels. La gradation des particuliers vers l’industrie hôtelière déguisée n’est pas un seuil mais un continuum.

Trois zones se dessinent à partir des quadrants du scatter. Le modèle corporate domine en Asie-Pacifique (27 villes en haut à droite) : Tokyo, Taipei, Singapour, Hong Kong dépassent 80 % de multi-loueurs et 50 % de super-professionnels — Airbnb fonctionne comme un canal hôtelier alternatif. Le modèle de particuliers subsiste dans 29 villes (bas à gauche) : Copenhague, Oslo, Amsterdam sous 30 % de multi-hôtes et 10 % de super-pro. Le reste du panel (18 villes) relève d’un modèle hybride où coexistent professionnels et particuliers.

Hong Kong, Naples et Bergame sortent du modèle — ce sont les principaux résidus du scatter. Hong Kong cumule des taux records sur les deux axes (corporate pur), tandis que Naples et Bergame dépassent la prédiction sur la super-professionnalisation rapportée à leur part de multi-hôtes : signe d’une concentration accélérée par quelques opérateurs locaux dominants.

La concentration extrême se lit dans le CR10 — la part de marché des 10 premiers hôtes par ville. À Singapour, ce chiffre atteint 35 % ; à Hong Kong, un seul opérateur capte près du quart de l’offre. Cette concentration pèse-t-elle sur le tissu résidentiel ? La Partie 4 examine la pression résidentielle qui en résulte.

4. Pression territoriale : densité et tension résidentielle

Comparer la pression d’Airbnb entre des villes à morphologies très différentes exige un périmètre comparable. Le rapport utilise la zone dense GHS-POP — l’aire urbaine dont la densité dépasse 1 500 hab/km² — comme polygone de référence pour tous les indicateurs de pression. À l’échelle mondiale, le parc hôtelier compte environ 1,5 million d’établissements traditionnels — moins que les 8 millions d’annonces Airbnb. Dans plusieurs villes touristiques européennes, le ratio Airbnb / hôtels excède 1,0, signalant une bascule structurelle.

La pression par habitant ne se mesure pas en volumes bruts. En médiane, la pression atteint 6,7 annonces pour 1 000 habitants dans la zone dense. La distribution est très déséquilibrée : 15 villes dépassent 15 ‰ et 3 franchissent 40 ‰, Biarr.-Anglet-Bayon. culminant à 53,4 ‰ — soit une annonce pour 19 habitants. À l’autre extrémité, Singapour reste à 0,5 ‰ : rapporter l’offre aux habitants n’a plus grand sens dans les mégalopoles verticales, où la densité de population dilue mécaniquement le ratio.

kpi_row(
  kpi_band("Densité annonces / 1 000 hab",
    value = aa$v_pression_med, unit = "‰",
    subtitle = "médiane zone dense GHS-POP",
    top = sprintf("%s · %s ‰ ▲", aa$t_top_pression, aa$v_top_pression),
    bottom = sprintf("%s · %s ‰ ▼", aa$t_bot_pression, aa$v_bot_pression)),
  kpi_band("Villes > 15 ‰",
    value = aa$n_prs_above15 %||% sum(kpi$prs_listings_1000hab_dense > 15, na.rm = TRUE),
    unit = "villes",
    subtitle = sprintf("sur %d du panel", aa$n_villes),
    top = "Tension extrême",
    bottom = "Surreprésentation Europe Sud"),
  kpi_block(
    value = "854 M",
    phrase = "<strong>nuitées LCD UE 2024</strong><br><small>vs 512 M en 2019 — ▲ 67 % en 5 ans</small>",
    label = "Eurostat tour_ce_omr")
)

Densité annonces / 1 000 hab médiane zone dense GHS-POP 6,7 ‰

Biarr.-Anglet-Bayon. · 53,4 ‰ ▲ Singapour · 0,5 ‰ ▼

Villes > 15 ‰ sur 76 du panel 15 villes

Tension extrême Surreprésentation Europe Sud

Eurostat tour_ce_omr

854 M

nuitées LCD UE 2024
vs 512 M en 2019 — ▲ 67 % en 5 ans

Cette partie examine la densité d’annonces par habitant en zone dense intra-périmètre (GHS-POP ≥ 1 500 hab/km²), repère les villes en première ligne, et croise avec les régulations effectives traitées en Partie 6.

La densité GHS-POP, étalon comparatif rigoureux. Le choix du référentiel de population conditionne entièrement la comparabilité internationale. Sans normalisation par la zone dense, Bordeaux présente un biais ×3,2 selon qu’on raisonne à l’échelle commune ou métropole fonctionnelle ; Lisbonne ×5,3 ; Porto ×7,5 ; Bergame ×9,2. La densité médiane d’annonces actives s’établit à 5,8 ‰ habitants dans les zones denses du panel, mais la queue de distribution est très allongée : Venise, Florence, Lisbonne, le Pays Basque et certaines parties de Paris dépassent 40 ‰ — concentrations correspondant à des fractions doubles ou triples du parc de résidences principales transférées vers la commercialisation touristique.

Trois cas emblématiques européens. Lisbonne : environ 21 000 annonces actives pour 545 000 habitants → densité brute de 38 ‰, professionnalisation à 70 % de multi-hôtes (Schegg-Stangl-Demlehner 2025), gel partiel des nouvelles licences depuis 2023. Barcelone : interdiction totale des LCD d’ici 2028 via le décret-loi 9/2024 de Catalogne — la régulation la plus drastique d’Europe, motivée par une hausse de 68 % des loyers longue durée (2015-2023) dans les quartiers à forte densité Airbnb. Paris : 98 046 annonces en juillet 2024 (pic JO), 90 % de logements entiers (record mondial parmi les grandes villes), trajectoire +240 % sur la décennie malgré un cadre réglementaire ancien (120 nuits dès 2014, enregistrement obligatoire 2019, loi Le Meur 2024 abaissant à 90 nuits).

L’enjeu de fond : substitution ou superposition ? La DGE Thémas n°11 quantifie +1,65 % de loyers à Lyon et +1,29 % à Marseille par point de densité Airbnb professionnelle — effet réel mais modéré. Les estimations pour Barcelone et Lisbonne montent à 3-7 % selon les études. La limite méthodologique principale reste qu’il n’existe pas de mesure directe de la substitution résidence principale → logement touristique.

Sources : Eurostat tour_ce_omr ; APUR 2025 ; Barcelone décret 9/2024 ; loi Le Meur (FR, nov. 2024) ; DGE Thémas n°11 (juin 2023) ; GHS-POP référentiel.

Tableau par continent

srpt04_panel <- make_cd_panel_agg(c("prs_listings_1000hab_dense",
                                     "prs_density_l_km2_dense",
                                     "prs_pct_listings_dense"))
gt_cd_panel_zscore(srpt04_panel,
                    title = "Pression résidentielle par groupe continental — zones denses GHS-POP",
                    sort_geo_by = "prs_listings_1000hab_dense")

Pression résidentielle par groupe continental — zones denses GHS-POP
Theme	Indicateur	U.	Monde	Eur. SE	Eur. ON	Am. N	Am. L	Asie	Océanie
Pression	Annonces / 1 000 hab. zone dense	‰ hab	5,7	7,8	8,4	5,0	5,8	2,2	5,4
	Densité annonces en zone dense	n/km²	53,8	101,9	67,3	30,3	77,2	32,6	22,1
	% annonces en zone dense	%	81,7	89,0	93,9	56,1	85,6	95,7	68,7

log_table_auto("srpt04_gt_cd_lignezsc", srpt04_panel)

Source : Inside Airbnb + GHS-POP, juin 2026 · Afrique masquée · Coloration z-score par ligne (rose = au-dessus de la moyenne mondiale, bleu = en-dessous).

Graphique par continent

plot_cd_bars_ordered(c("prs_listings_1000hab_dense",
                       "prs_density_l_km2_dense",
                       "prs_pct_listings_dense"),
                     ncol_wrap = 3)

Source : Inside Airbnb + GHS-POP, juin 2026 · Médiane par groupe continental

Tableau détaillé par ville

srpt04_d <- kpi |>
  dplyr::transmute(
    lib                         = city_fr,
    continent                   = continent,
    country_code                = country_code,
    prs_listings_1000hab_dense  = round(prs_listings_1000hab_dense, 1),
    prs_density_l_km2_dense     = round(prs_density_l_km2_dense, 1),
    prs_pct_listings_dense      = round(prs_pct_listings_dense, 1))

rt_table(
  srpt04_d,
  cols = list(
    lib                        = rt_col_lib(srpt04_d, "lib", "Ville", indent = FALSE, mw = 150),
    continent                  = rt_col_tag("Cont.", w = 75),
    country_code               = rt_col_tag("Pays", w = 50),
    prs_listings_1000hab_dense = rt_col_level(srpt04_d, "prs_listings_1000hab_dense",
                                               "Ann./1 000 hab. zone dense", unit = "‰",
                                               bw = "fill", bh = 16, mw = 150),
    prs_density_l_km2_dense    = rt_col_level(srpt04_d, "prs_density_l_km2_dense",
                                               "Densité ann./km²", unit = "",
                                               bw = "fill", bh = 16, mw = 140),
    prs_pct_listings_dense     = rt_col_level(srpt04_d, "prs_pct_listings_dense",
                                               "% ann. en zone dense", unit = "%",
                                               bw = "fill", bh = 16, mw = 140)
  ),
  sticky_cols = 1,
  searchable = FALSE,
  height = 400,
  full_width = TRUE,
  footnote = "Inside Airbnb + GHS-POP 2025 · Zone dense = polygones ≥ 1 500 hab/km²"
)

⇅ triable

Inside Airbnb + GHS-POP 2025 · Zone dense = polygones ≥ 1 500 hab/km²

srpt04_topbot <- kpi |> dplyr::select(city_fr, cd, country_code, prs_listings_1000hab_dense,
                                       prs_density_l_km2_dense, prs_pct_listings_dense)
rt_topbot_ville(
  srpt04_topbot,
  vars = c("prs_listings_1000hab_dense", "prs_density_l_km2_dense", "prs_pct_listings_dense"),
  sort_col = "prs_listings_1000hab_dense",
  title = "Pression résidentielle par ville — les territoires les plus et moins tendus",
  labels = c("Ann./1 000 hab.", "Densité/km²", "% en zone dense"),
  units = c("‰", "", "%"),
  digits = c(1, 1, 1),
  footnote = "Pastille = sous-continent · barre Ann./1 000 hab. = écart à la moyenne du pool (rose ▲ / bleu ▼) · footer = médiane Monde."
)

Pression résidentielle par ville — les territoires les plus et moins tendus

⇅ triable

Pastille = sous-continent · barre Ann./1 000 hab. = écart à la moyenne du pool (rose ▲ / bleu ▼) · footer = médiane Monde.

La pression résidentielle et le prix médian sont indépendants. Le scatter densité × prix donne une corrélation quasi nulle (r = 0,11, R² = 0,01, p = 0,35) sur les villes du panel — résultat contre-intuitif qui dément l’idée naïve d’une équivalence entre tension touristique et niveau tarifaire. Une ville peut être très tendue résidentiellement avec des prix médians modérés (Lisbonne, Bergame, le Pays Basque), une autre afficher des nuits chères sans pression densité particulière (Amsterdam, Édimbourg, Boston). Les deux dimensions captent des phénomènes différents : la pression rapporte le volume Airbnb au parc résidentiel local, le prix reflète la solvabilité touristique du marché.

La densité spatiale complète le tableau. Les villes touristiques moyennes — le Pays Basque, Venise et Florence — concentrent les pressions extrêmes, supérieures à 35 ‰, soit un facteur 5 à 8 par rapport à la médiane mondiale de 6,7 ‰. À l’inverse, les mégalopoles asiatiques (Tokyo, Bangkok, Singapour) restent sous 3 ‰ malgré leurs volumes absolus significatifs : la population dense atténue mécaniquement la pression rapportée.

15 villes du panel dépassent 15 annonces pour 1 000 habitants en zone dense — toutes en Europe ou en Amérique latine. Quatre villes se distinguent comme outliers du scatter pression × prix : Amsterdam, Édimbourg, Boston combinent prix élevés et pression modérée (régulation efficace, marché institutionnel), Buenos Aires affiche une pression forte avec des prix bas (offre émergente non régulée), tandis que San Diego mêle pression modérée et prix élevés sous l’effet du climat et de la demande californienne. Cette concentration est-elle soutenable face à l’hôtellerie traditionnelle ? La Partie 5 examine la concurrence directe.

5. Concurrence : Airbnb face à l’hôtellerie

En quinze ans, Airbnb est passé du complément économique au concurrent direct de l’hôtellerie traditionnelle. Sur la période 2019-2024, le secteur de la location courte durée (LCD) a connu une croissance de 9 % par an, contre 1 % pour l’hôtellerie mondiale post-COVID — un facteur 9 d’écart de rythme. Le prix moyen Airbnb (médiane mondiale 165 €/nuit pour le logement entier) reste inférieur au prix hôtelier équivalent, mais l’écart se réduit rapidement.

kpi_row(
  kpi_band("Capacité médiane",
    value = aa$v_cap_med, unit = "pers",
    subtitle = "logement entier médian panel",
    top = "Vacation rental US · ≥ 6 pers ▲",
    bottom = "Métropoles EU · 2-3 pers ▼"),
  kpi_band("Ratio annonces/hôte",
    value = aa$v_ratio_ann_hote_med, unit = "",
    subtitle = "médiane panel",
    top = sprintf("%s · %s ▲", aa$t_top_ratio, aa$v_top_ratio),
    bottom = "Marchés particuliers · ~1,0 ▼"),
  kpi_block(
    value = "9 vs 1",
    phrase = "<strong>Croissance LCD / hôtel</strong><br><small>%/an monde 2024 — Lighthouse + CBRE</small>",
    label = "Rapport de forces"),
  kpi_block(
    value = "166 USD",
    phrase = "<strong>ADR Airbnb monde 2024</strong><br><small>vs 159 USD ADR hôtelier US (CoStar/STR)</small>",
    label = "Convergence prix")
)

Capacité médiane logement entier médian panel 3 pers

Vacation rental US · ≥ 6 pers ▲ Métropoles EU · 2-3 pers ▼

Ratio annonces/hôte médiane panel 2.1

Tokyo · 5.1 ▲ Marchés particuliers · ~1,0 ▼

Rapport de forces

9 vs 1

Croissance LCD / hôtel
%/an monde 2024 — Lighthouse + CBRE

Convergence prix

166 USD

ADR Airbnb monde 2024
vs 159 USD ADR hôtelier US (CoStar/STR)

Cette partie compare Airbnb et hôtellerie sur trois dimensions : capacité (logements entiers à grande capacité vs chambres d’hôtel standard), prix (ADR comparé), et dynamique de croissance (gain de part de marché).

Différentiel de dynamique : ratio 9 pour 1. L’offre mondiale LCD a progressé de 9 % en 2024 selon Lighthouse, contre environ 1 % pour l’offre hôtelière (CBRE Hotels) — un facteur 9 d’écart qui se traduit mécaniquement par un gain de part de marché continu. Le ratio annonces Airbnb / chambres d’hôtel mondiales est désormais d’environ 1 pour 2,2 (8 M annonces vs 17,5 M chambres d’hôtel CBRE).

Bascules locales : Lisbonne, Florence, Barcelone. À l’échelle ville, le rapport annonces Airbnb / chambres d’hôtel dépasse 1,0 à Lisbonne, Florence et Barcelone d’après les recoupements panel + CBRE — la LCD est devenue le mode d’hébergement dominant à l’échelle d’une nuitée disponible. Lighthouse identifie les premières croissances 2024 : Buenos Aires (+88 %), Riyad (+69 %), Marrakech (+27 %), Dubaï (+26 %), Rome (+23 %), Athènes (+22 %) — marchés émergents non régulés ou en stratégie d’expansion (Vision 2030 saoudienne).

Convergence des prix : la fin d’une époque. L’ADR Airbnb mondial atteint 166 USD en 2024 (Airbnb 10-K), quasi à parité avec l’ADR hôtelier US 159 USD (CoStar/STR). Le différentiel historique qui avait permis la pénétration d’Airbnb dans les années 2010 a disparu pour les voyageurs individuels. L’avantage Airbnb ne subsiste plus que pour les groupes et longs séjours, où le logement entier 4-6 personnes reste structurellement compétitif vs 2-3 chambres d’hôtel équivalentes. Point de contradiction : l’ADR LCD pour une 1-bedroom est estimé à 114 USD (Skift/CoStar mars 2024), inférieur à l’ADR hôtelier de 140 USD — la comparaison rigoureuse doit distinguer par segment de produit.

Opérateurs hybrides : Sonder, Mint House, Blueground. La frontière LCD / hôtellerie s’efface avec des acteurs exploitant des immeubles entiers en mode hôtelier sous étiquette LCD. Blueground est le premier loueur parisien avec 781 annonces (APUR 2025), opérant essentiellement sur le segment corporate des séjours longs. Cette hybridation brouille les catégories réglementaires et pose des questions de fiscalité non résolues dans la plupart des pays européens.

Sources : Lighthouse 2025 (Global STR Outlook) ; CBRE Hotels 2024 ; CoStar/STR 2024 ; Skift mars 2024 ; Airbnb 10-K FY2024 ; APUR 2025.

Tableau par continent

srpt05_panel <- make_cd_panel_agg(c("str_cap_pers_med", "str_ratio_ann_hote", "px_entire_med"))
gt_cd_panel_zscore(srpt05_panel,
                    title = "Capacité, ratio annonces/hôte et prix par groupe continental",
                    sort_geo_by = "px_entire_med")

Capacité, ratio annonces/hôte et prix par groupe continental
Theme	Indicateur	U.	Monde	Eur. SE	Eur. ON	Am. N	Am. L	Asie	Océanie
Structure	Capacité d'accueil médiane	pers	3,0	4,0	3,0	4,0	3,0	3,0	4,0
Concentration	Ratio annonces par host	ratio	2,1	2,5	1,6	2,0	1,9	4,5	2,1
Prix	Prix méd. logement entier	€/nuit	157	138	212	200	92	85	187

log_table_auto("srpt05_gt_cd_lignezsc", srpt05_panel)

Source : Inside Airbnb, juin 2026 · Afrique masquée · Coloration z-score par ligne (rose = au-dessus de la moyenne mondiale, bleu = en-dessous).

Graphique par continent

plot_cd_bars_ordered(c("str_cap_pers_med", "str_ratio_ann_hote", "px_entire_med"),
                     ncol_wrap = 3)

Source : Inside Airbnb, juin 2026 · Médiane par groupe continental

Tableau détaillé par ville

srpt05_d <- kpi |>
  dplyr::transmute(
    lib                = city_fr,
    continent          = continent,
    country_code       = country_code,
    str_cap_pers_med   = round(str_cap_pers_med, 1),
    str_ratio_ann_hote = round(str_ratio_ann_hote, 1),
    px_entire_med      = round(px_entire_med, 0))

rt_table(
  srpt05_d,
  cols = list(
    lib                = rt_col_lib(srpt05_d, "lib", "Ville", indent = FALSE, mw = 150),
    continent          = rt_col_tag("Cont.", w = 75),
    country_code       = rt_col_tag("Pays", w = 50),
    str_cap_pers_med   = rt_col_level(srpt05_d, "str_cap_pers_med", "Capacité méd.", unit = "pers",
                                       bw = "fill", bh = 16, mw = 140),
    str_ratio_ann_hote = rt_col_level(srpt05_d, "str_ratio_ann_hote", "Ann./hôte", unit = "",
                                       bw = "fill", bh = 16, mw = 140),
    px_entire_med      = rt_col_level(srpt05_d, "px_entire_med", "Prix entier", unit = "€",
                                       bw = "fill", bh = 16, mw = 140)
  ),
  sticky_cols = 1,
  searchable = FALSE,
  height = 400,
  full_width = TRUE,
  footnote = "Inside Airbnb, juin 2026 · Capacité = personnes par logement médian"
)

⇅ triable

Inside Airbnb, juin 2026 · Capacité = personnes par logement médian

srpt05_topbot <- kpi |> dplyr::select(city_fr, cd, country_code, px_entire_med,
                                       str_ratio_ann_hote, str_ratio_ann_hote_vevol_2526)
rt_topbot_ville(
  srpt05_topbot,
  vars = c("px_entire_med", "str_ratio_ann_hote", "str_ratio_ann_hote_vevol_2526"),
  sort_col = "px_entire_med",
  title = "Prix, capacité et ratio annonces/hôte par ville",
  digits = c(0, 1, 1),
  group_pairs = TRUE, footer2 = TRUE, agg_row = kpi_world,
  footnote = "Pastille = sous-continent · prix sans évolution (caveat Inside Airbnb base→devis) · évolution 2025→2026 du ratio annonces/hôte · footer : médiane des villes puis Monde."
)

Prix, capacité et ratio annonces/hôte par ville

⇅ triable

Pastille = sous-continent · prix sans évolution (caveat Inside Airbnb base→devis) · évolution 2025→2026 du ratio annonces/hôte · footer : médiane des villes puis Monde.

Le ratio annonces par hôte (2.1 en médiane mondiale) culmine à 5.1 à Tokyo. La capacité moyenne par logement (3 personnes) distingue clairement les marchés US familiaux des métropoles européennes 2-pers — un signal structurel sur le segment client desservi. Comment les régulateurs ont-ils réagi à cette bascule structurelle ? La Partie 6 examine les cadres en place et leurs effets.

6. Régulation et trajectoires : signaux et horizons

2024-2025 marque un tournant régulatoire majeur. Le Règlement européen 2024/1028 harmonise les obligations d’enregistrement des hôtes pour les 27 États membres (entrée en vigueur 2026). Aux États-Unis, la Local Law 18 de New York (sept. 2023) a réduit les annonces courtes de −90 %. Barcelone interdira la location courte durée à partir de juillet 2028. Cette vague s’inscrit dans un mouvement plus large : Adamiak 2022 notait déjà que le profil « multi-home » — pro avec plusieurs logements entiers — concentre l’attention des régulateurs car directement responsable du retrait de logements du parc résidentiel.

La longue durée (médiane 14 % à l’échelle mondiale) fonctionne comme un signal de la contrainte réglementaire : New York affiche 80 % sous l’effet de la Local Law 18. Les Amériques (médiane 26,2 %) se distinguent nettement de l’Europe (3,5 %).

kpi_row(
  kpi_band("% Longue durée (≥ 30 j)",
    value = aa$v_longterm, unit = "%",
    subtitle = "médiane panel — proxy régulation",
    top = sprintf("%s · %s %% ▲", aa$t_top_lt, aa$v_top_lt),
    bottom = sprintf("%s · %s %% ▼", aa$t_bot_lt, aa$v_bot_lt)),
  kpi_band("Villes > 30 % long séj.",
    value = aa$n_longterm_30plus %||% sum(kpi$str_minnuits30_pct > 30, na.rm = TRUE),
    unit = "villes",
    subtitle = "sous contrainte réglementaire effective",
    top = "Métropoles US LL18-like ▲",
    bottom = "Europe Sud Méditerranée ▼"),
  kpi_block(
    value = "2026",
    phrase = "<strong>Règlement UE 2024/1028</strong><br><small>enregistrement harmonisé 27 États · sanctions 4 % CA mondial</small>",
    label = "Cadre européen")
)

% Longue durée (≥ 30 j) médiane panel — proxy régulation 14 %

New York · 80 % ▲ Athènes · 0,2 % ▼

Villes > 30 % long séj. sous contrainte réglementaire effective 13 villes

Métropoles US LL18-like ▲ Europe Sud Méditerranée ▼

Cadre européen

2026

Règlement UE 2024/1028
enregistrement harmonisé 27 États · sanctions 4 % CA mondial

Cette partie examine les régulations en place (cas emblématiques), utilise la part min_nights ≥ 30 comme proxy de contrainte régulatoire, et anticipe les horizons 2030.

Trois cas internationaux : efficacité réelle, contournements documentés. New York (LL18, sept. 2023) — inventaire LCD réduit d’environ 90 % par enregistrement obligatoire + présence hôte + 30 nuits max sans hôte. Chute spectaculaire mais effet de substitution : les annonces se déplacent vers les séjours ≥ 30 jours (non couverts par la loi) — NY affiche désormais 74 à 82 % d’annonces en location longue durée dans le panel Inside Airbnb 2024-2025. Amsterdam (cap 30 nuits, 2018) — inventaire contracté de 54 %, part de multi-loueurs tombée à 18 % — la plus faible parmi les grandes villes européennes. Modèle de référence pour contrôler sans interdire. Barcelone (décret 9/2024) — suppression progressive d’ici 2028, gel des nouvelles licences, non-renouvellement des existantes. Mesure la plus radicale d’Europe occidentale.

Cadre européen 2024/1028 — la rupture de la transparence. Le Règlement (UE) 2024/1028 du 11 avril 2024, applicable en mai 2026, instaure le premier cadre continental pour la LCD. Il oblige les plateformes (Airbnb, Booking, Vrbo) à transmettre mensuellement aux autorités nationales les données au niveau de l’annonce (identité hôte, adresse, nuitées, revenus, numéro d’enregistrement) pour les 27 États membres. Sanctions : jusqu’à 4 % du chiffre d’affaires mondial. Le règlement créera dès 2026 une base multi-plateformes sans précédent pour chercheurs et régulateurs.

France : loi Le Meur (nov. 2024). Plafond résidence principale abaissé de 120 à 90 nuits/an, renforcement des obligations d’enregistrement local. Applicable dès janvier 2025 pour les communes qui délibèrent. Paradoxe : la France est le premier marché LCD européen en volume (192 M nuitées) et dispose d’une réglementation ancienne — mais Paris reste en hausse de 240 % sur la décennie. Le portail PANDA lancé par Airbnb (nov. 2024) ouvre des données agrégées gratuites pour 29 000 communes — geste de transparence partielle, limité à Airbnb sans Booking ni Abritel.

Trois trajectoires 2030. (i) Consolidation hôtelière déguisée dans les marchés mûrs (Europe occidentale, Amérique du Nord), basculement vers opérateurs hybrides régulés (Blueground, Sonder) opérant en mode hôtelier sous étiquette LCD. (ii) Expansion accélérée dans les marchés émergents peu régulés (Amérique latine, Moyen-Orient, Asie du Sud-Est), tirée par plateformes locales (OYO, Mercado Libre) en plus d’Airbnb. (iii) Durcissement réglementaire continu dans les « villes-musées » européennes (Barcelone, Florence, Venise, Amsterdam, Lisbonne, Paris) — convergence vers « interdiction sauf résidence principale » et contrôles renforcés via le règlement UE 2024/1028.

Sources : NY Local Law 18 (sept. 2023) ; Amsterdam cap 30 nuits ; Décret 9/2024 Catalogne ; Règlement UE 2024/1028 ; loi Le Meur (FR, 19 nov. 2024) ; APUR 2025.

Tableau par continent

srpt06_panel <- make_cd_panel_agg(c("str_minnuits30_pct", "str_minnuits90_pct",
                                     "cr_offre_1plus", "prs_listings_1000hab_dense"))
gt_cd_panel_zscore(srpt06_panel,
                    title = "Régulation effective par groupe continental — proxy min_nights et concentration",
                    sort_geo_by = "str_minnuits30_pct")

Régulation effective par groupe continental — proxy min_nights et concentration
Theme	Indicateur	U.	Monde	Eur. SE	Eur. ON	Am. N	Am. L	Asie	Océanie
Structure	% Longue durée (≥ 30 nuits)	%	13,9	11,1	7,4	37,0	1,5	15,1	6,2
	% Longue durée (≥ 90 nuits)	%	2,9	4,3	2,5	2,4	0,4	2,9	5,5
Concentration	% Annonces gérées par multi-host	%	63,5	72,4	47,6	62,1	61,9	88,6	64,0
Pression	Annonces / 1 000 hab. zone dense	‰ hab	5,7	7,8	8,4	5,0	5,8	2,2	5,4

log_table_auto("srpt06_gt_cd_lignezsc", srpt06_panel)

Source : Inside Airbnb, juin 2026 · Afrique masquée · Coloration z-score par ligne (rose = au-dessus de la moyenne mondiale, bleu = en-dessous).

Graphique par continent

plot_cd_bars_ordered(c("str_minnuits30_pct", "str_minnuits90_pct",
                       "cr_offre_1plus", "prs_listings_1000hab_dense"),
                     ncol_wrap = 2)

Source : Inside Airbnb, juin 2026 · Médiane par groupe continental

Tableau détaillé par ville

srpt06_d <- kpi |>
  dplyr::transmute(
    lib                        = city_fr,
    continent                  = continent,
    country_code               = country_code,
    str_minnuits30_pct         = round(str_minnuits30_pct, 1),
    str_minnuits90_pct         = round(str_minnuits90_pct, 1),
    cr_offre_1plus             = round(cr_offre_1plus, 1),
    prs_listings_1000hab_dense = round(prs_listings_1000hab_dense, 1))

rt_table(
  srpt06_d,
  cols = list(
    lib                        = rt_col_lib(srpt06_d, "lib", "Ville", indent = FALSE, mw = 150),
    continent                  = rt_col_tag("Cont.", w = 75),
    country_code               = rt_col_tag("Pays", w = 50),
    str_minnuits30_pct         = rt_col_level(srpt06_d, "str_minnuits30_pct", "% ≥ 30 nuits", unit = "%",
                                               bw = "fill", bh = 16, mw = 130),
    str_minnuits90_pct         = rt_col_level(srpt06_d, "str_minnuits90_pct", "% ≥ 90 nuits", unit = "%",
                                               bw = "fill", bh = 16, mw = 130),
    cr_offre_1plus             = rt_col_level(srpt06_d, "cr_offre_1plus", "Multi-hôtes ≥ 2", unit = "%",
                                               bw = "fill", bh = 16, mw = 130),
    prs_listings_1000hab_dense = rt_col_level(srpt06_d, "prs_listings_1000hab_dense",
                                               "Ann./1 000 hab. zone dense", unit = "‰",
                                               bw = "fill", bh = 16, mw = 140)
  ),
  sticky_cols = 1,
  searchable = FALSE,
  height = 400,
  full_width = TRUE,
  footnote = "Inside Airbnb, juin 2026 · % long séj. = proxy contrainte réglementaire"
)

⇅ triable

Inside Airbnb, juin 2026 · % long séj. = proxy contrainte réglementaire

srpt06_topbot <- kpi |> dplyr::select(city_fr, cd, country_code, str_minnuits30_pct,
                                       str_minnuits30_pct_vdifp_2526, str_minnuits90_pct)
rt_topbot_ville(
  srpt06_topbot,
  vars = c("str_minnuits30_pct", "str_minnuits30_pct_vdifp_2526", "str_minnuits90_pct"),
  sort_col = "str_minnuits30_pct",
  title = "Proxy régulation par ville — la contrainte de durée minimale révèle l'encadrement",
  digits = c(1, 1, 1),
  group_pairs = TRUE, footer2 = TRUE, agg_row = kpi_world,
  footnote = "Pastille = sous-continent · évolution 2025→2026 de la part ≥ 30 nuits (proxy régulation) · footer : médiane des villes puis Monde."
)

Proxy régulation par ville — la contrainte de durée minimale révèle l'encadrement

⇅ triable

Pastille = sous-continent · évolution 2025→2026 de la part ≥ 30 nuits (proxy régulation) · footer : médiane des villes puis Monde.

Les villes en tête du classement long séjour — New York, Los Angeles, San Francisco — sont précisément celles soumises aux régulations les plus actives ; le proxy min_nights ≥ 30 capture efficacement l’effet de contournement vers le bail mobilité. À l’inverse, l’Europe du Sud (médiane 3,5 %) reste massivement orientée court séjour touristique, signe d’un encadrement réglementaire encore en construction — à l’exception de Barcelone, qui anticipe l’interdiction 2028. La synthèse continentale qui clôt le rapport propose une typologie reposant sur ces six dimensions et leurs croisements.

7. Qualité perçue : ce que notent les voyageurs

Les notes Airbnb sont frappées d’une inflation structurelle : sur les 76 villes du panel, la note globale médiane atteint 4,86 sur 5 et l’ensemble des marchés tient dans une fourchette de 0,24 point, de 4,71 à 4,95. Cette compression ne supprime pas le signal, elle le déplace : à l’échelle d’un marché entier, où chaque note agrège des dizaines de milliers d’avis, un dixième de point sépare deux modèles économiques.

kpi_row(
  kpi_band("Note globale",
    value = aa_note_med, unit = "/5",
    subtitle = "médiane du panel",
    top    = sprintf("%s · %s ▲", aa_note_t_top, aa_note_v_top),
    bottom = sprintf("%s · %s ▼", aa_note_t_bot, aa_note_v_bot)),
  kpi_band("Qualité-prix",
    value = aa_qp_med, unit = "/5",
    subtitle = "la dimension la plus dispersée",
    top    = sprintf("%s · %s ▲", aa_qp_t_top, aa_qp_v_top),
    bottom = sprintf("%s · %s ▼", aa_qp_t_bot, aa_qp_v_bot)),
  kpi_band("Superhôtes",
    value = aa_sh_med, unit = "%",
    subtitle = "part des hôtes labellisés",
    top    = sprintf("%s · %s %% ▲", aa_sh_t_top, aa_sh_v_top),
    bottom = sprintf("%s · %s %% ▼", aa_sh_t_bot, aa_sh_v_bot))
)

Note globale médiane du panel 4,86 /5

Asheville · 4,95 ▲ Hong Kong · 4,71 ▼

Qualité-prix la dimension la plus dispersée 4,77 /5

Asheville · 4,88 ▲ Barcelone · 4,56 ▼

Superhôtes part des hôtes labellisés 39 %

Asheville · 68 % ▲ Hong Kong · 14 % ▼

Cette partie confronte les sept dimensions notées par les voyageurs — note globale, propreté, qualité-prix, emplacement, exactitude de l’annonce, arrivée et communication — à la structure des marchés analysée jusqu’ici : concentration de l’offre, part d’hôtes labellisés superhôtes et niveau de prix.

Concentration : la professionnalisation dégrade-t-elle l’expérience ?

Deux chemins mènent à l’excellence — le marché de particuliers d’Oslo et la professionnalisation d’élite de Nashville

La note globale recule à mesure que l’offre se concentre : entre elle et la part de marché des dix pour cent d’hôtes les plus actifs, la corrélation est négative et atteint 0,61, l’une des relations les plus nettes du panel (figure ci-contre). Le mécanisme est celui de la conciergerie de masse — remise de clés automatisée, logements interchangeables, absence d’interlocuteur — et il place Hong Kong en dernière position avec le taux de concentration le plus élevé des 76 marchés.

La relation n’est pourtant pas mécanique, et c’est là que se joue l’analyse. Nashville confie 60 % de son offre à ses dix pour cent d’hôtes les plus actifs, un niveau presque identique à Barcelone (60 %), mais obtient 4,91 sur 5 quand Barcelone plafonne à 4,73. La différence tient au label superhôte : 66 % des hôtes de Nashville le détiennent, contre 28 % à Barcelone. La part de superhôtes joue en sens strictement inverse de la concentration, avec une corrélation positive de 0,45 — qui monte à 0,68 une fois la concentration neutralisée. L’écart brut sous-estime en effet l’effet : les marchés riches en superhôtes sont aussi un peu plus concentrés, et les deux forces se compensent partiellement. À concentration égale, l’écart de note entre les deux groupes atteint 0,042 point (droites parallèles sur la figure), et le modèle explique 66 % des écarts de note. Signe qu’il existe deux professionnalisations, celle qui industrialise et celle qui monte en gamme.

.med_sh <- median(kpi$act_superhost_pct, na.rm = TRUE)
d_note  <- kpi
d_note$sh_class <- ifelse(d_note$act_superhost_pct >= .med_sh,
                          "Superhôtes : part élevée", "Superhôtes : part faible")

p_note <- plot_scatter(d_note,
  x = "cr_offre_top10pct_pct", y = "actrv_note_glb",
  label_col = "city_fr", color_col = "sh_class", size_col = "vol_n_ann",
  palette = c("Superhôtes : part faible" = col_orange,
              "Superhôtes : part élevée" = col_cyan),
  xlab = "Offre captée par les 10 % d'hôtes les plus actifs (%)",
  ylab = "Note globale (/5)",
  title = "À concentration égale, les marchés riches en superhôtes gardent les meilleures notes",
  subtitle = paste("Concentration de l'offre × note globale —", aa$n_villes,
                   "villes · taille = nombre d'annonces · Inside Airbnb juin 2026"),
  ref_lines = "auto",
  ref_x = mean(kpi$cr_offre_top10pct_pct, na.rm = TRUE),
  ref_y = mean(kpi$actrv_note_glb, na.rm = TRUE),
  mean_lines = FALSE)

# Notes tassées sur 0,24 point : 1 décimale produit des graduations en doublon (4.8 / 4.8 / 4.8)
p_note <- p_note + ggplot2::scale_y_continuous(
  labels = function(v) formatC(v, format = "f", digits = 2, decimal.mark = ","),
  expand = ggplot2::expansion(mult = c(0.06, 0.06)))

# Droites de tendance par groupe — c'est ce qui DÉMONTRE le titre : l'effet superhôte est
# invisible en nuage brut (axe y tassé sur 0,24 pt), il devient lisible comme l'écart
# VERTICAL entre deux droites. Couleurs codées en dur : plot_scatter mappe les points sur
# `fill` (scale_fill_manual) et n'expose pas d'échelle `colour` — un aes(colour=) ici
# déclencherait la palette hue par défaut (rouge/turquoise) et jurerait avec la figure.
# Pentes testées non significativement différentes (F = 0,41 ; p = 0,52) → parallèles.
for (.g in c("Superhôtes : part faible" , "Superhôtes : part élevée")) {
  p_note <- p_note + ggplot2::geom_smooth(
    data = d_note[d_note$sh_class == .g, ],
    mapping = ggplot2::aes(x = .data[["cr_offre_top10pct_pct"]],
                           y = .data[["actrv_note_glb"]]),
    inherit.aes = FALSE, method = "lm", formula = y ~ x, se = FALSE,
    colour = if (.g == "Superhôtes : part élevée") col_cyan else col_orange,
    linewidth = 0.9, alpha = 0.9)
}

log_scatter_auto("srpt08_scatter_conc_note", kpi,
                 "cr_offre_top10pct_pct", "actrv_note_glb", "city_fr")
render_girafe(p_note, width_svg = 9, height_svg = 5.5)

Source : Inside Airbnb, juin 2026 · Couleur = part de superhôtes située au-dessus (bleu) ou en dessous (orange) de la médiane du panel · Droites = régressions linéaires par groupe · Lignes de référence = moyenne du panel

Lecture : l’amplitude des notes ne dépasse pas 0,24 point sur l’ensemble du panel (de 4,71 à 4,95 sur 5) — les écarts sont donc statistiquement nets mais faibles en valeur absolue, et l’axe vertical est fortement dilaté. C’est l’écart entre les deux droites, et non la position d’une ville isolée, qui porte le résultat. Précision méthodologique : le statut de superhôte intègre lui-même un seuil de note supérieure à 4,8 ; le lien entre part de superhôtes et note globale est donc en partie définitionnel. La relation entre concentration et note, elle, ne souffre pas de ce recouvrement.

Cette bifurcation dessine une géographie. Les 24 villes nord-américaines atteignent la meilleure note médiane du panel (4,90) malgré une concentration élevée (46 % de l’offre aux dix pour cent d’hôtes les plus actifs), portées par une densité de superhôtes de 47 %. Les 20 villes d’Europe du Sud et de l’Est ferment la marche (4,83) pour une concentration voisine (52 %) mais seulement 40 % de superhôtes. L’Europe de l’Ouest et du Nord emprunte la troisième voie : concentration faible (40 %), superhôtes rares (29 %) et note médiane malgré tout supérieure à la moyenne (4,86) — Oslo y culmine à 4,94 avec 22 % de concentration et 19 % de superhôtes seulement.

Dimensions : où les marchés se départagent-ils vraiment ?

Les sept dimensions ne discriminent pas également. La communication et l’arrivée sont saturées — 0,15 et 0,14 point d’amplitude sur l’ensemble du panel, pour un écart-type de 0,032 — parce que la messagerie automatisée et les boîtes à clés ont standardisé ces deux moments partout. La qualité-prix ouvre à l’inverse un écart de 0,32 point entre Asheville (4,88) et Barcelone (4,56), avec un écart-type de 0,065, soit le double de la communication. C’est la seule dimension qui départage vraiment les marchés (tableau ci-contre).

d_heat <- kpi |>
  dplyr::arrange(dplyr::desc(actrv_note_glb)) |>
  dplyr::transmute(city_fr, cd = as.character(cd), vol_n_ann,
                   dplyr::across(dplyr::all_of(names(NOTE_COLS))))
names(d_heat)[4:ncol(d_heat)] <- unname(NOTE_COLS)

.pivot <- median(kpi$actrv_note_glb, na.rm = TRUE)
log_table_auto("srpt08_heat_notes", d_heat)

rt_heatmap(d_heat, id_col = "city_fr", value_cols = unname(NOTE_COLS),
  mode = "diverging", center = .pivot, scale = "shared", cap = 0.14,
  neutral_band = 0.02, curve = 1,
  pal_pos = c(22, 150, 210),   # bleu Urban = au-dessus de la médiane mondiale
  pal_neg = c(202, 88, 0),     # orange     = en dessous
  decimals = 2, id_label = "Ville", id_width = 120, mw = 88, height = 460,
  lead_cols = list(
    cd        = rt_col_tag("Continent", w = 96),
    vol_n_ann = .rt_col_vol(d_heat, "vol_n_ann", "Annonces", mw = 88)),
  title = paste("La qualité-prix est la seule dimension qui départage les",
                aa$n_villes, "marchés"),
  subtitle = paste0("Notes voyageurs sur 7 dimensions, écart à la médiane mondiale (",
                    aa_note_med, "/5) · échelle commune aux 7 colonnes · villes triées par note globale"),
  footnote = paste0("Inside Airbnb, juin 2026 · Bleu = au-dessus de la médiane mondiale (",
                    aa_note_med, "/5), orange = en dessous · échelle saturée à 0,14 point d'écart ",
                    "(4,72 — 5,00) · Une colonne globalement orange signale une dimension ",
                    "structurellement plus faible que les autres."))

La qualité-prix est la seule dimension qui départage les 76 marchés

Notes voyageurs sur 7 dimensions, écart à la médiane mondiale (4,86/5) · échelle commune aux 7 colonnes · villes triées par note globale

⇅ triable

4,72 4,86 5,00

Inside Airbnb, juin 2026 · Bleu = au-dessus de la médiane mondiale (4,86/5), orange = en dessous · échelle saturée à 0,14 point d'écart (4,72 — 5,00) · Une colonne globalement orange signale une dimension structurellement plus faible que les autres.

Lu en colonnes plutôt qu’en lignes, le tableau ajoute un second niveau de lecture, et le contraste y est absolu. Dans les 76 villes du panel sans une seule exception, la qualité-prix est notée sous la note globale et la communication au-dessus : la première colonne vire à l’orange de haut en bas, la dernière reste bleue de haut en bas. La qualité-prix constitue même le point faible de la ville dans 71 marchés sur 76, quand la communication en est le point fort dans 55 et l’arrivée dans 17. Le voyageur récompense partout la relation avec l’hôte et sanctionne partout le sentiment de payer trop cher — la hiérarchie entre marchés ne tient qu’à l’intensité de cette seconde sanction.

Qualité-prix : le tarif explique-t-il la déception ?

Riga à 84 € la nuit et Oslo à 176 € obtiennent la même note de qualité-prix

Le niveau de prix n’explique rien : entre le tarif médian du logement entier et la note de qualité-prix, la corrélation est nulle (0,03). Riga, l’un des marchés les moins chers du panel, et Oslo, l’un des plus chers, obtiennent respectivement 4,86 et 4,87 sur 5. La pression touristique n’explique pas davantage la déception, avec une corrélation tout aussi négligeable (0,06) — l’hypothèse intuitive du tourisme de masse qui dégraderait l’expérience ne résiste pas aux données.

Le seul déterminant fort de la qualité-prix est la part de superhôtes, avec une corrélation positive de 0,61, la plus élevée du panel entre une note et une variable de structure de marché. Le voyageur ne juge pas le montant payé, il juge l’écart entre ce qu’il a payé et ce qu’il a reçu ; et cet écart se creuse quand l’hôte cesse d’être un hôte pour devenir un gestionnaire. Les cinq marchés qui ferment le classement — Barcelone (4,56), Singapour (4,60), Madrid (4,64), Lisbonne (4,66), Valence (4,66) — n’ont en commun ni le tarif ni la fréquentation : Singapour affiche la pression résidentielle la plus faible du panel, Lisbonne l’une des plus fortes. Ils partagent un modèle d’exploitation professionnalisé et une faible densité d’hôtes labellisés.

Si la qualité perçue dépend d’abord du modèle d’exploitation, ces écarts recoupent-ils les familles de marchés que l’analyse multivariée fait émerger ?

8. Typologie : 5 familles de marchés Airbnb

À retenir

Lecture des axes. L’axe 1 oppose, à droite, les marchés de location courte durée intensive — forte part de logements entiers (le premier facteur de l’axe), densité d’annonces élevée, activité soutenue (avis fréquents) — et, à gauche, les marchés tournés vers la longue durée, plus résidentiels ou régulés. L’axe 2 sépare, à intensité comparable, les marchés concentrés et professionnalisés — offre aux mains d’hôtes multi-annonces, forte présence de superhôtes — des marchés denses mais diffus, portés par des hôtes occasionnels.

Le choix d’écarter le prix. Le prix médian par nuit, converti en euros au taux de change fixe et sans correction de pouvoir d’achat, s’intégrait mal aux autres indicateurs (mesure d’adéquation individuelle sous le seuil de 0,50) : il mélangeait coût de la vie local et valeur touristique. Projeté en variable supplémentaire plutôt qu’active, il laisse l’intensité touristique et la professionnalisation structurer seules la typologie.

À retenir. La fracture majeure n’est ni nord-sud ni est-ouest : elle oppose un modèle amateur diffus — le particulier qui loue son logement, peu de superhôtes, peu d’avis, dominant en Europe de l’Ouest et du Nord (cluster amateurs Europe Ouest-Nord) — à un modèle de gestion intensive (cluster marchés à superhôtes très actifs), porté par les métropoles régionales nord-américaines et les villes européennes matures. Entre les deux, le tourisme patrimonial court-terme des grandes destinations (Paris, Londres, Rome) forme le cluster modal.

Une seconde ligne de partage, indépendante de la première, sépare les marchés où l’offre s’est concentrée entre les mains d’opérateurs et bascule vers la longue durée : les grandes métropoles régulées (Barcelone, Berlin, Los Angeles) et les mégalopoles à offre contrainte (New York, Hong Kong, Singapour), denses en population mais pauvres en logements entiers. Concentration de l’offre et qualité de gestion sont deux dimensions distinctes — on peut être un marché d’opérateurs professionnels sans être un marché de superhôtes.

• 76 individus, 6 variables actives, k = 5 clusters (C1=26, C2=25, C3=14, C4=8, C5=3)
• ACP — Variance 1-2 : 65.2 %, 1-3 : 79.7 %. 2 axes au-dessus du seuil Kaiser
  • Dim1 (39.6 %) oppose % logement entier, Ann./1Khab dns (log), Avis/mois à % durée min>30j, %ann. d’h.pro&s
  • Dim2 (25.6 %) oppose %ann. d’h.pro&s, % Superhost à Ann./1Khab dns (log), % logement entier
• HCPC — Silhouette 0.38 (forte), 2 mal classés (2.6 %)

C1 marchés à superhôtes très actifs · N26 · 34 %

Les marchés les plus actifs et les mieux tenus — superhôtes et volume d’avis au plus haut, logements entiers de grande capacité — mais dans des villes au PIB et à la densité de population plus modérés. La concentration de l’offre n’y est pas particulièrement forte : c’est la qualité de gestion, pas la structure de propriété, qui les distingue. Métropoles régionales nord-américaines et villes européennes matures (Seattle, Prague, Portland, Budapest, San Diego, Athènes, Florence).

• ▲ > à moy. : % Superhost (+30 %), Avis/mois (+33 %), Capacité méd.ᵖ (+18 %), % logement entier (+9 %), Ann./1Khab dns (log) (+14 %), Note glob.ᵖ (+0 %)
• ▼ < à moy. : PIB/hab (log)ᵖ (−1 %), UNESCO 50kmᵖ (−48 %)
• modalités : Continent dét.=North America (54 %)
• Parangons* : Washington DC, Austin, La Nouvelle-Orléans, Denver, Florence, Prague

C2 tourisme patrimonial court-terme · N25 · 33 %

Grandes destinations touristiques patrimoniales — proximité de sites classés, offre orientée courte durée, professionnalisation seulement moyenne. Le cœur des métropoles touristiques mondiales établies (Paris, Londres, Rome, Milan, Lisbonne, Vienne, Sydney).

• ▲ > à moy. : UNESCO 50kmᵖ (+61 %)
• ▼ < à moy. : % durée min>30j (−56 %), % Superhost (−11 %)
• modalités : Continent dét.=Europe West & North (44 %)
• Parangons* : Bristol, Melbourne, Bologne, Bordeaux, Vienne, Lyon

C3 grandes métropoles régulées · N14 · 18 %

Grandes métropoles à forte part de longue durée et offre concentrée sur des professionnels, mais faible densité Airbnb et peu de logements entiers — signature des marchés sous régulation (Barcelone, Berlin, San Francisco, Boston, Madrid, Istanbul, Los Angeles).

• ▲ > à moy. : % durée min>30j (+110 %), %ann. d’h.pro&s (+22 %)
• ▼ < à moy. : Ann./1Khab dns (log) (−34 %), % logement entier (−8 %), Capacité méd.ᵖ (−13 %)
• Parangons* : Berlin, Chicago, Taipei, Montréal, Boston, San Francisco

C4 amateurs Europe Ouest-Nord · N8 · 11 %

Marchés d’hôtes occasionnels — offre peu concentrée, peu de superhôtes, peu d’avis. Cœur amateur d’Europe de l’Ouest et du Nord (Amsterdam, Copenhague, Oslo, Stockholm, Munich, Genève).

• ▼ < à moy. : %ann. d’h.pro&s (−61 %), % Superhost (−42 %), Avis/mois (−47 %), % durée min>30j (−77 %)
• modalités : Continent dét.=Europe West & North (88 %)
• Parangons* : Stockholm, Oslo, Copenhague, Genève, Munich, Amsterdam

C5 mégalopoles à offre contrainte · N3 · 4 %

Mégalopoles verticales à offre contrainte — très denses en population et riches, mais très peu de logements entiers et faible densité Airbnb par habitant ; la chambre prime (New York, Hong Kong, Singapour).

• ▲ > à moy. : PIB/hab (log)ᵖ (+9 %), % durée min>30j (+231 %)
• ▼ < à moy. : % logement entier (−43 %), Ann./1Khab dns (log) (−95 %), Avis/mois (−70 %), % Superhost (−49 %), Note glob.ᵖ (−2 %), Capacité méd.ᵖ (−39 %)
• modalités : Continent dét.=Asia (67 %)
• Parangons* : Singapour, New York, Hong Kong

* Parangons : individus les plus typiques, au cœur du profil.

Comment interpréter les axes de la visualisation des clusters ?

Sur les biplots ci-dessous, Dim1 = axe horizontal (x) et Dim2 = axe vertical (y) (plan principal) ; le 2ᵉ panneau croise Dim1 × Dim3. Un point = un individu, coloré par cluster.

• Dim1 — intensité touristique court-terme : Portée d’abord par la part de logements entiers (contribution 29,7), puis par la densité et l’activité (avis) : oppose, à droite, les marchés de location courte durée intensive — entiers, denses, très commentés — aux marchés de longue durée à gauche, plus résidentiels ou régulés (la part d’annonces ≥ 30 nuits tire vers la gauche).
• Dim2 — concentration et professionnalisation : Portée d’abord par la concentration de l’offre (contribution 27,8), puis par les superhôtes : sépare les marchés professionnalisés et concentrés — où la longue durée va de pair avec des professionnels installés — des marchés denses mais diffus, aux mains d’hôtes occasionnels.
• Dim3 — concentration vs régulation : Axe secondaire (sous le seuil de Kaiser, non retenu) : oppose la concentration de l’offre sur des hôtes professionnels à la part de longue durée.

🔍 cliquer pour zoomer

La typologie se projette aussi sur la carte du monde : trois familles sont fortement ancrées dans une région, deux transcendent les continents.

# Cluster par ville depuis le SNAPSHOT (indiv_df, déjà réordonné) + lat/lon (kpi MAIN).
.clusters <- indiv_df[, c("individu", "cluster")]
names(.clusters) <- c("city_fr", "cluster")
.map_clust <- merge(
  kpi[, c("city_fr", "lat", "lon", "vol_n_ann", "continent_detail")],
  .clusters, by = "city_fr")
.map_clust <- .map_clust[!is.na(.map_clust$lat) & !is.na(.map_clust$lon), ]

# Labels + couleurs construits depuis cluster_names (snapshot) → pas de drift.
CLUSTER_LABS <- setNames(sprintf("C%s · %s", names(cluster_names), cluster_names),
                         names(cluster_names))
.pal5 <- c("#fdbf11", "#1696d2", "#55b748", "#ec008b", "#5c5859")
CLUSTER_COLS <- setNames(.pal5, unname(CLUSTER_LABS))

.lab <- c("Paris", "Rome", "Madrid", "Los Angeles", "Amsterdam", "Stockholm",
          "Seattle", "Dallas", "New York", "Singapour")

p_clust <- build_world_map(.map_clust,
  color_var = "cluster", color_recode = CLUSTER_LABS,
  color_levels = unname(CLUSTER_LABS), palette = CLUSTER_COLS,
  title = "Cinq familles de marchés Airbnb, trois ancrées géographiquement",
  subtitle = "76 villes · couleur = cluster ACP-HCPC, taille = annonces actives — Inside Airbnb juin 2026",
  label_cities = .lab, legend_nrow = 2)   # 2 rangs : libellés longs coupés sinon

# render_girafe (et non girafe brut) : pose le CSS tooltip Inter + prune les polices (conv projet).
render_girafe(p_clust, width_svg = 9, height_svg = 5.4)

Source : ACP+HCPC config B (76 villes, k=5) · coordonnées city-reference-airbnb · Inside Airbnb juin 2026

NoteLecture géographique : trois ancrages régionaux, deux clusters transversaux

Trois familles épousent une géographie nette. Le cluster amateurs Europe Ouest-Nord est le plus homogène — Amsterdam, Stockholm, Copenhague, Oslo, Zurich, Munich, Lyon, Bordeaux y dominent, soit près des trois quarts de villes ouest- et nord-européennes. Concentration des hôtes la plus basse du panel, peu de superhôtes : un marché où le particulier loue son propre logement, sans bascule vers la gestion professionnelle. Cadres réglementaires précoces (Amsterdam plafonne à 30 nuits depuis 2018) et culture de location occasionnelle se conjuguent.

Le premium pro Amérique du Nord est tout aussi marqué — sept villes nord-américaines sur dix : Seattle, Vancouver, Dallas, Denver, Portland, Nashville, San Diego. Taux d’occupation, part de superhôtes et volume d’avis au plus haut : la maturité du marché américain, où Airbnb est né en 2008, a fait émerger une classe d’opérateurs professionnels plus avancée qu’ailleurs.

Le tourisme dense Europe du Sud, cluster modal (21 villes), rassemble le cœur touristique du continent — Paris, Rome, Lisbonne, Florence, Venise, Porto, Athènes — mais déborde sur Rio, Melbourne ou Austin. Forte densité d’annonces, grande capacité, peu de longue durée : le profil Airbnb « classique » d’avant la vague réglementaire de 2024.

À l’inverse, les grandes métropoles à longue durée (Istanbul, Mexico, Madrid, Los Angeles, Berlin, San Francisco, Sydney) et les mégalopoles à chambres (New York, Hong Kong, Singapour) transcendent les continents : ce sont la densité urbaine et le poids de la longue durée ou de la chambre, non la localisation, qui les rassemblent.

Qualité de l’analyse — adéquation factorielle KMO 0,68 (bonne, après projection du prix en variable supplémentaire), variance du plan principal Dim1×Dim2 = 61,3 % et 76,4 % sur trois axes, deux axes au-dessus du seuil de Kaiser. Qualité de la typologie — silhouette 0,26 (raisonnable sur données territoriales aux gradients continus), cinq clusters de tailles 21 / 18 / 18 / 14 / 3, sans cluster hégémonique. Le nombre de clusters (k=5) a été fixé à la main : la sélection automatique tendait vers k=3, au prix d’un cluster unique absorbant la moitié du panel.

Sources : ACP+HCPC, configuration B retenue parmi cinq candidates, prix médian par nuit en variable supplémentaire, transformation log de la densité d’annonces. Notebook : rpt-pbnb-acpnbk-monde.qmd, dictionnaire piloté par ddict-validate-kpi_global_by_city_2506.csv.

Annexes

Glossaire des indicateurs

Le dictionnaire complet des 82 indicateurs (sept familles thématiques : volumes, structure, prix, concentration, pression, activité, contexte) est disponible dans le glossaire dédié. Les trois indicateurs phares — part de logements entiers, part de longue durée (proxy régulation), pression résidentielle en zone dense — sont détaillés dans le cadrage (encadré FOCUS).

Méthodologie détaillée

La note méthodologique complète — protocole de nettoyage, calcul de la zone dense GHS-POP, modèle d’estimation d’occupation, conversions monétaires — est présentée dans la note méthodologique. Les hypothèses structurantes (H1–H8) et les questions évaluatives par axe figurent dans le référentiel gdmeth-indic-airbnb-260109.md.

Sources et références

Données panel — Inside Airbnb (insideairbnb.com), snapshot juin 2026, 76 villes / 31 pays. Coordonnées géographiques : city-reference-airbnb-260222. Population et superficie zones denses : référentiel GHS-POP 2025.

Sources externes mobilisées (blocs contexte en bleu pâle) — Airbnb 10-K FY2024 (SEC EDGAR) ; Eurostat tour_ce_omr ; Adamiak (2022, Current Issues in Tourism) ; Schegg-Stangl-Demlehner (2025) ; Colomb (2025, Parlement européen) ; Törnberg (2022, PLoS ONE) ; Quattrone et al. (2022, EPJ Data Science) ; Lighthouse (2025, Global STR Outlook) ; CBRE Hotels (2024) ; CoStar/STR (2024) ; APUR (2025) ; NY Local Law 18 ; Règlement UE 2024/1028 ; loi Le Meur (2024).

Notes de bas de page

1. Données Inside Airbnb, snapshot juin 2026 — annonces actives après nettoyage (prix renseigné, disponibilité supérieure à 0, hors hôtels).

2. Multi-loueur = hôte gérant au moins deux annonces actives simultanément.