Résultat. Hausse 2026 estimée à 2,0 % (fourchette 0,2 % à 4,0 %) selon la définition hausse effective à unité constante : variation annualisée de sRentEffective entre chaque bail débutant en 2026 et le bail précédent du même appartement (clé sPropCode + sUnitCode), moyennée sur les six immeubles. En lecture contractuelle (sRent, ce qui est écrit sur les baux) : 4,0 %. Le détail de la définition, de la méthode et des hypothèses est dans le notebook, section par section.
| Fichier | Rôle |
|---|---|
equinoxe_hausse_2026.ipynb |
Notebook principal, exécuté (sorties et graphiques inclus). Contient estimate_2026() et backtest(). |
prevision_2026.json |
Sortie de la prévision (scénarios, segments, poids, backtest, paramètres externes). Aucune donnée CRM. |
README.md |
Ce fichier. |
requirements.txt |
Versions des librairies. |
Aucun fichier CSV du CRM n'est inclus, conformément aux consignes. Aucun modèle entraîné n'est livré : la méthode n'utilise pas d'apprentissage automatique (le choix est justifié dans le notebook, section 12).
- Placer les quatre fichiers CSV fournis par le défi (
equinoxe_listings.csv,equinoxe_lease_history.csv,equinoxe_concessions.csv,equinoxe_asking_history.csv) dans le même dossier que le notebook. Ils ne sont jamais modifiés. pip install -r requirements.txtjupyter notebook equinoxe_hausse_2026.ipynbpuis « Exécuter tout », ou en ligne de commande :jupyter nbconvert --to notebook --execute equinoxe_hausse_2026.ipynb --output equinoxe_hausse_2026_executed.ipynb
L'exécution complète prend moins d'une minute et ne requiert aucun accès réseau : les données publiques sont transcrites dans le dictionnaire EXTERNAL (section 10) avec leurs sources.
Versions utilisées : Python 3.13.16, pandas 3.0.5, NumPy 2.5.3, matplotlib 3.11.2 (nbformat 5.11.1, nbconvert 7.17.1 pour l'exécution). Le code n'utilise que pandas, NumPy et matplotlib; toute version récente de pandas (≥ 2.0) devrait convenir.
- Définition nommée et défendue (section 1) : hausse effective à unité constante comme métrique principale, hausse contractuelle comme métrique secondaire, chacune décomposée en renouvellements / relocations et Québec / Ontario.
- Audit des colonnes (section 3) : chaque affirmation sur les données est vérifiée par le code (
sTermSeq= rang chronologique,sConcession= indicateur,sRentEffective ≤ sRent, etc.). - Clé d'unité
sPropCode+sUnitCode(section 4), avec démonstration des 248 collisions desSite+sUnitCode. - Effet de composition (section 5) : le +10,8 % de 2023 de la médiane naïve devient +0,8 % à immeubles constants et +2,1 % à unité constante.
- Appariement à unité constante (section 6) : 3 241 paires, annualisation, décomptes à chaque filtre.
- Concessions (section 7) :
PromoPayest un rabais forfaitaire unique, pas un frais mensuel;sRentEffectiveest reconstruit à partir de la table des concessions (exact pour 86 % des baux) et utilisé tel quel. Les concessions absorbent ~50 % de la hausse contractuelle en 2024-2025. - Renouvellements vs relocations (section 8) et Québec vs Ontario (section 9) : The Met (premier bail 2023) est exempté de la ligne directrice ontarienne (logements occupés après le 15 novembre 2018); ses hausses observées (6,4 % en 2025) le confirment. Aucun plafond d'une province n'est appliqué à l'autre.
- Données externes (section 10) : TAL (3,1 % en 2026, nouvelle méthode), ligne directrice de l'Ontario (2,1 %), SCHL octobre 2025 (Montréal, Ottawa), IPC loyers de Statistique Canada, loyers demandés trimestriels. Réconciliées avec la tendance interne : depuis 2023 les renouvellements québécois suivent le barème du TAL à un point près.
- Prévision et backtest (sections 12-13) : modèle en composantes (segments pondérés par l'exposition 2026, renouvellements québécois ancrés sur le TAL, relocations par la moyenne récente, écart de concessions explicite), sélection des méthodes par backtest sur 2023, 2024 et 2025 sans fuite d'information, scénarios bas / central / haut sur l'hypothèse de concessions, prévision par immeuble et par nombre de chambres.
- Tribunal administratif du logement, Le calcul de l'ajustement des loyers en 2026 (19 janvier 2026) : https://www.tal.gouv.qc.ca/fr/actualites/detail?code=le-calcul-de-l-ajustement-des-loyers-en-2026 ; Modifications réglementaires (en vigueur le 1er janvier 2026) : https://www.tal.gouv.qc.ca/sites/all/themes/rdl/assets/img/Modifications-reglementaires.pdf ; taux 2021-2025 relayés par Noovo Info (21 janvier 2025) https://www.noovo.info/nouvelle/hausse-des-loyers-au-quebec-en-2025-le-calcul-du-tribunal-du-logement.html et Narcity (19 janvier 2026) https://www.narcity.com/fr/tal-hausse-loyers-2026-quebec
- Gouvernement de l'Ontario, Rent increase guideline : https://www.ontario.ca/page/rent-increase-guideline
- SCHL, Rapport sur le marché locatif 2025 (11 décembre 2025) : https://www.cmhc-schl.gc.ca/professionals/housing-markets-data-and-research/market-reports/rental-market-reports-major-centres ; 2026 Mid-Year Rental Market Update (9 juin 2026) : https://www.cmhc-schl.gc.ca/observer/2026/2026-mid-year-rental-market-update
- Statistique Canada, IPC (tableau 18-10-0004-01) : Le Quotidien du 21 octobre 2025 https://www150.statcan.gc.ca/n1/daily-quotidien/251021/dq251021a-eng.htm et revue annuelle 2025 (19 janvier 2026) https://www150.statcan.gc.ca/n1/daily-quotidien/260119/dq260119b-fra.htm ; Statistiques trimestrielles sur les loyers, T2 et T3 2025 (2 décembre 2025) https://www150.statcan.gc.ca/n1/daily-quotidien/251202/dq251202b-fra.htm
- Desjardins, Études économiques, IPC du Québec, septembre 2025 : https://www.desjardins.com/fr/epargne-placements/etudes-economiques/quebec-ipc-21-octobre-2025.html
Toutes les valeurs ont été transcrites le 4 octobre 2026. La série IPC loyers pour l'Ontario n'a pas pu être extraite (site de Statistique Canada indisponible au moment de la rédaction); l'Ontario est couvert par la SCHL (Ottawa) et la ligne directrice provinciale.
Claude (Anthropic) a servi à la recherche des sources publiques, à l'écriture du code pandas/matplotlib et à la mise en forme du notebook. Les choix de modélisation (définition, clé d'appariement, traitement des concessions, structure du modèle, scénarios) ont été vérifiés sur les données et sont expliqués dans les cellules Markdown. Aucune donnée du CRM n'a été transmise à un service externe : les fichiers CSV ont été traités localement.
