Data-Gouv-FR/carte-des-loyers-indicateurs-de-loyers-dannonce-par-commune-en-2018

该数据集名为Carte des loyers - Indicateurs de loyers dannonce par commune en 2018（租金地图 - 2018年按市镇划分的广告租金指标），是一个法国公开数据集，专注于提供2018年法国各市镇的公寓和房屋的广告租金指标。数据集由法国国土规划、住房和自然总局（DGALN）与AgroSup Dijon、INRAE研究机构以及SeLoger、leboncoin、PAP等房地产平台合作创建，基于2015-2019年间收集的超过900万条租赁广告数据。通过统计方法估算，数据集提供每个市镇的每平方米租金（含费用）指标，针对公寓（参考特征：49平方米，每间平均22.1平方米）和房屋（参考特征：92平方米，每间平均22.5平方米），反映2018年第三季度的市场情况。数据覆盖法国本土（除马约特岛），使用2017年1月1日的市镇地理划分。数据集旨在补充当地租金观察站（OLL）的信息，为政府、地方当局、房地产专业人士和个人提供参考。但需注意：数据基于广告租金（非实际交易），可能存在测量偏差，特别是在租赁广告数量少（少于30条）、决定系数（R2）低于0.5或预测区间较宽的市镇，使用时需谨慎。数据使用要求注明来源为Estimations UMR 1041 CESAER (AgroSup Dijon-INRAE) à partir des données SeLoger, leboncoin, PAP。

搜集汇总

数据集介绍

构建方式

该数据集源自法国DGALN联合AgroSup Dijon、INRAE研究团队与SeLoger、leboncoin、PAP三大房地产平台合作构建的“租金地图”项目。研究团队通过对2015至2019年间超过900万条租赁广告进行去重与整合，构建了一个涵盖法国全境（不含马约特岛）的租金信息数据库。基于这些数据，采用计量经济学方法，在2017年行政市镇边界下，估算了2018年第三季度特定标准房产（公寓49平方米、均房22.1平方米；房屋92平方米、均房22.5平方米）每平方米含杂费的租金指标。数据在HuggingFace上以Parquet格式存储，分为“indicateurs-loyers-appartements”和“indicateurs-loyers-maisons”两个子集。

使用方法

用户可通过HuggingFace的datasets库便捷加载使用。加载时需指定子集配置名称，例如调用`load_dataset("Data-Gouv-ML/carte-des-loyers-indicateurs-de-loyers-dannonce-par-commune-en-2018", "indicateurs-loyers-appartements")`获取公寓租金指标，或选择“indicateurs-loyers-maisons”获取房屋数据。每个配置仅包含一个名为“train”的数据分割。数据以Parquet格式提供，适合高效的大规模数据分析和机器学习应用。对于低R²值、低观测数或宽预测区间的市镇，建议用户结合本地知识审慎解读结果。

背景与挑战

背景概述

在住房租赁市场中，精准掌握租金水平是优化市场调控与制定公共住房政策的关键。2018年，法国国土整治、住房与自然总局（DGALN）联合Agrosup Dijon与INRAE的研究团队，携手SeLoger、leboncoin和PAP三大地产平台，启动了“租金地图”项目。该数据集整合了超过900万条租赁广告，基于2015至2019年的历史数据，以2017年行政区划为准，构建了覆盖全法（除马约特）的市镇级租金指数。其核心研究问题在于：如何利用广告大数据生成可靠的单位面积租金（含杂费）估计值，为政府、地方政府、房产专业人士及普通租户提供开源决策支持。该数据集不仅补充了自2013年由地方租金观察站（OLL）发布的传统统计信息，更通过创新合作模式推动了住房租赁市场的透明化与数据民主化进程。

当前挑战

该数据集面临的核心挑战在于租赁市场数据的复杂性与方法论局限性。首先，租金指数仅基于广告挂牌数据，反映的是新租约（流动租金），而非存量租赁合同，导致无法捕捉长期租户的实际租金水平。其次，数据去重无法依赖图片或高度区分性特征，可能残留重复或错误信息，影响估计精度。此外，数据无法准确区分普通租赁与家具租赁、旅游短租，可能导致局部区域租金估算出现系统性偏差。对于广告覆盖不足的市镇，模型被迫依赖邻近相似市镇的估计值，引入了空间异质性与不确定性。在构建过程中，研究团队还需应对跨平台数据融合的挑战，包括字段标准不一、历史数据噪声等问题。尤为关键的是，当决定系数（R²）低于0.5、样本量不足30或预测区间过宽时，租金指标的可信度显著下降，用户被警示需审慎解读该类市镇的结果。

常用场景

经典使用场景

在法国住房政策研究与区域经济学领域，该数据集被广泛用于分析法国市镇层面公寓与房屋的租金水平分布。通过整合2015至2019年间SeLoger、leboncoin和PAP三大平台的超过900万条租赁广告数据，研究者能够精准估算2018年第三季度的每平方米租金指标，涵盖全法（马约特除外）各市镇。这一资源为理解法国租赁市场的空间异质性提供了坚实的数据基础，尤其适用于探究城市与郊区租金差异、住房负担能力评估以及租赁市场供需动态建模等经典研究场景。

解决学术问题

数据集通过提供统一方法论下的市镇级租金指标，有效解决了传统研究中因数据分散、来源不一而导致的租金估算偏差问题。其学术意义在于，它弥补了法国地方租金观察站（OLL）仅覆盖主要城市群的局限性，使全国范围内的租金比较成为可能。研究者得以深入探讨租金与住房特征（如面积、房间数）之间的关联，并量化地理位置对租金的影响。这一工具推动了住房经济学中空间计量模型的进步，促进了区域不平等、住房政策干预效果评估等前沿议题的实证检验，为法国乃至欧洲的住房政策制定提供了科学依据。

实际应用

在实际应用中，该数据集成为法国国家与地方政府、房地产专业人士及租赁市场参与者进行决策的重要参考。政府部门可基于租金指标设计针对性住房补贴政策或调控租金涨幅；房地产开发商与投资机构能够识别租金回报率较高的市镇，优化投资布局；普通租户和房东则可借助公开数据了解本地市场行情，提升议价能力。此外，数据集还支持城市规划者识别住房短缺区域，从而合理配置公共资源。其开放许可特性进一步鼓励了商业应用，如集成到房产估值模型或租赁平台推荐系统中，真正实现了从学术研究到社会实践的价值转化。

数据集最近研究

最新研究方向

该数据集作为法国公开租房市场的重要参考，当前前沿研究方向聚焦于利用多源广告数据结合计量经济模型，精准估算市镇级租金水平，并探讨其在住房政策、市场透明度及公平租赁中的应用。随着法国2025年新版数据集的发布，研究者正关注方法论的演进与历史数据不可比性带来的挑战，同时探索将此类指标与地方政府规划、租金管控及消费者保护行动相融合。此外，数据驱动的城市经济分析也利用该基准确立了衡量租赁市场运行效率的基准，推动了基于大数据的公共政策评估在房地产领域的实践。