Data-Gouv-FR/tarifs-intercites

自2026年1月2日起生效的日间和夜间Intercités列车的全票价。每个始发地-目的地和票价类别显示一个价格范围（最低价格、最高价格）。所有票价的一般销售条件可在[此页面]访问。

Full price of day and night Intercités trains in effect from 02/01/2026. A price range (minimum price, maximum price) is displayed for each origin-destination and fare class. The general terms and conditions of sale for all fares are available at [this page].

搜集汇总

数据集介绍

构建方式

该数据集源自法国官方开放数据平台data.gouv.fr，具体对应编号为62a170689daec8519bf3ae28的数据集。在Hugging Face平台上，每个data.gouv.fr数据集被构建为一个独立的仓库，而每个原始表格资源则映射为Hugging Face的一个子集或配置。每个子集包含一个名为train的分割，其中tarifs-intercites子集对应data/tarifs-intercites.parquet文件。这种结构化的构建方式确保了数据的层级清晰与易于访问。

特点

数据集专注于法国Intercités列车的日间与夜间全价票务信息，自2026年1月2日起生效。其核心特点在于为每个出发地-目的地组合以及票价等级，提供了价格区间（最低价与最高价）的展示。这一设计能够有效反映不同时间、不同条件下的票价波动范围，为分析法国铁路定价策略提供重要依据。数据以Parquet格式存储，兼具高效性与可扩展性，便于处理大规模结构化数据。

使用方法

用户可通过Hugging Face的datasets库便捷加载该数据，只需调用load_dataset函数并指定数据集名称与子集名称（如'tarifs-intercites'）。加载后，通过索引['train']即可获取数据内容。数据以Parquet格式提供，支持高效的列式存储与读取，适用于Python环境下的数据分析、机器学习建模及可视化等场景。此外，详细的票务销售一般条款可通过SNCF官方页面获取，以辅助理解数据背景。

背景与挑战

背景概述

该数据集名为Tarifs Intercités，由法国开放数据平台data.gouv.fr于2022年发布，主要研究机构为法国国家铁路公司（SNCF）及其关联的数据开放部门。数据集聚焦于法国Intercités列车（包括日间和夜间服务）自2026年1月2日起生效的全价票价。其核心研究问题在于揭示铁路票价在不同线路、时间段及座位等级间的价格波动机制，为交通经济学、票价公平性分析及公共交通政策评估提供基础数据支撑。作为法国开放数据生态的重要组成部分，该数据集通过标准化结构（如Parquet格式）和Hugging Face平台的分发，显著降低了科研人员与公众获取高质量交通定价数据的门槛，推动了透明化票价研究的发展。

当前挑战

该数据集面临的主要挑战包括：首先，在领域问题层面，它致力于解决铁路票价体系复杂性与透明度不足之间的鸿沟。Intercités票价受季节、购票时间、座位分类等多重因素影响，数据集需精准捕捉价格上下限以反映真实波动，但原始数据仅展示静态价格区间，无法完整刻画面向不同用户群体的动态定价策略（如早鸟折扣、忠诚度优惠），可能遗漏隐蔽的价格歧视现象。其次，在构建过程中，数据整合自法国国家铁路公司的多个异构系统，面临格式不一致、历史版本更新缓慢以及元数据（如票价适用条款的追溯性）缺失等挑战。此外，许可证采用ODC-ODbL，虽推动开放共享，却对商用场景的合规使用提出了额外的法律与伦理约束。

常用场景

经典使用场景

在法国国家铁路公司（SNCF）的Intercités列车票务研究中，Tarifs Intercités数据集是分析城际及夜间列车票价结构的核心素材。该数据集详尽记录了自2026年1月2日起生效的票价信息，涵盖每条起讫线路的票价浮动区间及对应舱位等级。研究者可借此精准剖析不同线路、不同时段的价格波动规律，构建票价预测模型或评估价格弹性对乘客出行选择的影响，为交通运输经济学提供实证基础。

解决学术问题

该数据集有效解决了公共交通运输领域中票价透明度不足与定价机制难以量化评估的学术困境。通过提供标准化的票价上下限信息，它使得研究者能够系统探讨价格区间与市场需求、服务质量及区域经济差异之间的内在关联。这一资源极大地推动了关于铁路票价公平性、最优定价策略以及价格调节对客流量影响的理论建模与实证检验，为政策制定者优化公共交通定价体系提供了科学依据。

衍生相关工作

基于该数据集，衍生出多项经典研究工作，包括构建基于时空特征的票价预测模型，利用机器学习算法挖掘票价区间与购票时间、出行高峰期的非线性关系；以及开发可视化的票价地理分布图集，直观呈现不同区域间的交通成本差异。这些工作不仅深化了对铁路票价动态性的理解，还催生了面向旅客的个性化推荐系统，进一步拓展了开放交通数据在智慧城市中的创新应用边界。