Crise de logements à Genève: comment optimiser les logements présents ?
Bibliographic record
Abstract
Genève est en crise de logements, depuis des années notamment par l’accroissement de la population inattendue. Il a été estimé par le tribunal fédéral qu’un taux de vacance équivalent à 2% signifie que le marché de logements est considéré comme sain. Cependant, Genève n’a jamais, du moins depuis ces trente dernières années, connu un taux équivalent à 2%. Après avoir connu une grosse chute du taux aux alentours de l’an 2000, Genève connaît une légère hausse entre 2006 et 2017 passant ainsi de 0.15% à 0.51%. Suite à cette pénurie de logements, les prix des loyers ont augmenté. Il est estimé une différence de prix de 1.7 pour un loyer de 3 – 4 pièces entre un locataire de plus de 20 ans et un nouveau locataire de 3 ans. De ce fait, les locataires ont peu tendance à libérer leur logement devenu trop grand en partie suite au départ des enfants. L’objectif de ce travail est de proposer des solutions avec une optique durable grâce à l’optimisation des logements pour permettre de réduire la difficulté de trouver un logement à Genève. Concernant le marché immobilier, plusieurs plans de constructions sont en cours notamment le PDCn établit par le canton. Depuis 2015, environ 2'000 logements par année sont construits contre près de 1’500 logements construits en moyenne par année entre 2000 et 2015. Cependant, il faut s’attendre à un changement démographique suite au fait que les baby-boomers seront bientôt en âge de la retraite et souvent leurs logements sont sous-occupés. Pour avoir des avis de professionnels, j’ai interrogé divers acteurs comme Monsieur Michel Perizzolo, directeur de la FIDP et sa collègue Madame Astrid Rico-Martin, responsable du service Gérance et Juridique, Monsieur Pablo Cruchon, vice-président de l’ASLOCA, Monsieur Philippe Angelozzi, secrétaire général de l’USPI Genève et Monsieur Francesco Perrella, directeur à l’OCLPF. Suite aux recherches et à une analyse PESTEL sur le marché de logements, il en est ressorti cinq solutions qui favoriseraient l’optimisation des logements ; pousser les locataires à dénoncer les loyers abusifs, promouvoir les IEPA, encourager le déménagement, promouvoir la sous-location et la collocation et créer une plateforme d’échange.
Fetched live from OpenAlex and de-inverted. Abstracts are not stored in this database: the inverted indexes are 8.6 GB of the frame’s 9.3 GB of text, and the host has 13 GB free.
How this classification was reachedexpand
Full frame machine prediction
Teacher imitationNot calibrated prevalence, not ground truth. Human validation pending. The Gemma side is a direct model label for every work in the frame, read from the title-only record. The Codex side is a classifier learned from the 10,348 direct Codex labels and calibrated to design-weighted sample rates; fields without enough sample support carry no Codex call. Candidate is the union of the two sides; consensus is their intersection. These outputs are machine_predicted_unvalidated and are not human labels.
Distilled classifier scores by category (both heads)
| Category | Codex | Gemma |
|---|---|---|
| Metaresearch | 0.002 | 0.008 |
| Meta-epidemiology (narrow) | 0.001 | 0.001 |
| Meta-epidemiology (broad) | 0.001 | 0.001 |
| Bibliometrics | 0.001 | 0.001 |
| Science and technology studies | 0.001 | 0.001 |
| Scholarly communication | 0.004 | 0.004 |
| Open science | 0.002 | 0.001 |
| Research integrity | 0.002 | 0.002 |
| Insufficient payload (model declined to judge) | 0.013 | 0.003 |
Machine scores (provisional)
The two teacher heads of the student model, read on this work. A score orders the frame for review; it never asserts a category, and the validation status ships verbatim with every row.
Baseline scores from an immature model (maturity gate not passed, 7 training rounds). Scores rank; they never assert a category.
score_only:v0-immature-baseline · verbatim from the scoring run: score_only means the number may rank works, and no category label ships from itClassification
machine, unvalidatedMachine predicted; a candidate call from one source (direct Gemma or distilled Codex), not a consensus.
How this classification was reached, model by model and score by score, is at the end of the page under "How this classification was reached".