Malgré des initiatives gouvernementales telles que le Pradhan Mantri Awas Yojana et le programme de subvention lié au crédit (CLSS), les acheteurs de maisons à faible et moyen à revenu en Inde avec des sources de revenu informelles continuent de faire face à des obstacles majeurs dans l'obtention de prêts domestiques traditionnels. Ces obstacles persistent en grande partie en raison de la dépendance des prêteurs à la documentation formelle sur le revenu, qui n'est souvent pas disponible pour les personnes travaillant dans des secteurs tels que l'agriculture ou l'emploi informel, où les gains peuvent être irréguliers et difficiles à documenter.
Sumit Sharma, fondateur de Radian Finserv, a déclaré à Business Today: « Les acheteurs à revenu moyen constituent une grande partie de propriétaires en herbe, mais ils ont du mal parce que les prêteurs nécessitent généralement des documents de revenu formels pour évaluer l'admissibilité au prêt. » Cette situation est encore compliquée par l'imprévisibilité des revenus dans ces secteurs, comme Sharma a expliqué: « Beaucoup de ces personnes travaillent dans l'agriculture ou dans le secteur informel, où les gains sont saisonniers, irréguliers et difficiles à documenter.
La documentation de la propriété pose également un défi important. « Des titres terrestres peu clairs ou des documents incomplets pour les propriétés dans les zones semi-urbaines et rurales déraillent souvent les demandes de prêt avant même de commencer », a noté Sharma. Ces problèmes de documentation peuvent être une pierre d'achoppement majeure dans le traitement des prêts, en particulier dans les domaines où les dossiers de propriété formels sont incomplets ou inexistants.
Cependant, le paysage évolue progressivement avec l'introduction d'innovations axées sur les technologies financières et les évaluations de crédit alternatives. Selon Sharma, « au lieu de ne s'appuyer que sur les glissements de paie ou les déclarations de revenus, les prêteurs peuvent examiner les évaluations basées sur les flux de trésorerie ». Ce changement consiste à utiliser des documents tels que les enregistrements d'entreprise et les relevés bancaires pour établir la crédibilité financière, en fournissant une image financière plus claire en l'absence de preuves traditionnelles sur le revenu.
Les sociétés fintech et les sociétés financières non bancaires (NBFC), souvent soutenues par la National Housing Bank, adoptent de plus en plus des modèles de notation de crédit. « Ces modèles exploitent une variété de données – des empreintes numériques et des modèles de comportement à la géotagging et aux données démographiques – pour évaluer la capacité, la stabilité et la volonté d'un emprunteur de remboursement », a expliqué Sharma. Cette approche permet d'atténuer les risques associés aux prêts aux personnes ayant des revenus informels.
Malgré ces progrès, les risques restent une préoccupation. « Il est difficile d'évaluer avec précision l'effet de levier et la véritable capacité de remboursement », a averti Sharma. Néanmoins, l'utilisation des co-applicants, des options de remboursement flexibles et des modèles comportementaux axés sur l'IA sont des stratégies utilisées pour relever ces défis, ouvrant la voie à une amélioration de l'accessibilité aux prêts immobiliers pour les segments de revenu informels.