Data-Gouv-FR/trajets-realises-en-covoiturage-registre-de-preuve-de-covoiturage

该数据集是法国公开数据的一部分，名为“拼车行程记录 - 拼车证明注册表”，旨在通过开放数据促进行政透明度。数据集包含法国拼车（covoiturage）行程的月度记录，这些记录来自拼车证明注册表（Registre de Preuve de Covoiturage），并经过处理以确保符合隐私保护要求。处理步骤包括：匿名化（删除司机和乘客标识符）、应用时间段（出发和到达时间四舍五入到10分钟）、地理网格化（根据密度将经纬度截断到2或3位小数，精度分别为约700米和70米）以及删除孤立地理网格的行程（如果出发或到达的INSEE代码出现次数少于6次）。数据集每月更新，但频率不固定，每个文件对应一个月的短途拼车行程。每条记录代表一个拼车行程，包括司机和乘客的信息，但注意数据集不覆盖法国所有拼车活动，也不能用于市场份额计算。数据字段包括行程ID、时间戳、地理位置（经纬度、INSEE代码、城镇等）、距离、持续时间、激励信息等，共28个字段，以Parquet或CSV格式提供。数据集强调隐私保护，约1.5%的行程因处理被过滤，具体统计信息见各月度文件描述。This dataset is part of French open data, titled Trajets réalisés en covoiturage - Registre de Preuve de Covoiturage (Car-pooling trips - Car-pooling Proof Register), aimed at promoting administrative transparency through open data. It contains monthly records of car-pooling (covoiturage) trips in France from the Car-pooling Proof Register, processed to comply with privacy protection requirements. Processing steps include: anonymization (removal of driver and passenger identifiers), application of time slots (departure and arrival times rounded to 10 minutes), geographic gridding (latitude and longitude truncated to 2 or 3 decimal places depending on density, with accuracies of approximately 700m and 70m respectively), and removal of trips in isolated geographic grids (if INSEE codes for departure or arrival occur less than 6 times). The dataset is updated monthly, but the frequency is not fixed; each file corresponds to one month of short-distance car-pooling trips. Each record represents a car-pooling trip involving a driver and a passenger, but note that the dataset does not cover all car-pooling activities in France and cannot be used for market share calculations. Data fields include journey ID, timestamps, geographic locations (latitude, longitude, INSEE codes, towns, etc.), distance, duration, incentive information, etc., totaling 28 fields, provided in Parquet or CSV format. The dataset emphasizes privacy protection, with approximately 1.5% of trips filtered out due to processing; specific statistics are detailed in each monthly file description.

搜集汇总

数据集介绍

构建方式

该数据集源自法国拼车证明登记处（Registre de Preuve de Covoiturage），专注于收录短途拼车行程的开放数据。构建过程中，平台对从合作运营商收集的原始数据进行了一系列脱敏与聚合处理：首先通过移除司机与乘客的标识符实现匿名化，随后对出发与到达时间进行每10分钟的近似取整，并对地理坐标实施网格化处理——在起终点密度较低区域截断至两位小数（精度约700米），密度较高区域则保留三位小数（精度约70米）。此外，为确保统计稳健性，数据集中删除了出发或到达INSEE编码出现次数少于6次的行程记录。

使用方法

用户可通过Hugging Face页面获得数据集引用，并导航至法国开放数据平台data.gouv.fr的原生资源进行下载，数据以CSV格式按月提供。每行数据代表一个拼车行程，包含可操作的字段如起止日期时间（巴黎时区）、起止点经纬度与行政区划、拼车座位数与运营商等级等。值得注意的是，数据集当前为静态副本且更新频率未自动化，用户在使用“has_incentive”字段时需谨慎，因其数据尚不完整。建议结合具体分析目标筛选字段，并留意文件中移除的行程数量说明以评估数据完整性。

背景与挑战

背景概述

该数据集名为“Trajets réalisés en covoiturage - Registre de Preuve de Covoiturage”，由法国政府数字事务部（beta.gouv.fr）与Etalab等机构联合创建，旨在推动共享出行领域的数据开放与透明度。数据集源自法国拼车证明登记系统（Registre de Preuve de Covoiturage），自2021年起逐步发布月度拼车短途行程数据，核心研究问题聚焦于通过匿名化与聚合处理，在保障个人隐私与商业机密的前提下，系统性地揭示法国拼车出行的时空分布特征与行为模式。作为法国开放数据战略的关键组成部分，该数据集为交通政策制定者、城市规划部门及可持续出行研究者提供了实证基础，对评估拼车激励政策效果、优化交通基础设施布局产生了深远影响。

当前挑战

所解决的领域问题在于填补共享出行微观数据空白的挑战，传统交通统计难以捕捉拼车行程的精确时空动态，而该数据集通过标准化字段（如出发地INSEE编码、行程距离、激励标志）提供了可复现的分析框架。构建过程中面临的核心挑战包括：隐私保护与数据实用性的平衡，采用地理坐标截断（低密度区域精度约700米，高密度区域约70米）、时间四舍五入至10分钟及剔除低频率地理网格（INSEE关联记录少于6条）等匿名化措施，虽有效降低重识别风险，但也可能引入空间聚合偏差；数据完整性的获取受限于非自动化处理流程，导致发布频率不稳定，且仅涵盖注册运营商报告的部分行程，无法代表法国拼车全貌；此外，激励信息字段的缺失与不完整性阻碍了政策效应的因果推断，限制了数据集在计量经济学模型中的直接应用。

常用场景

经典使用场景

在可持续交通与城市规划研究中，该数据集为分析短途拼车行为的时间与空间分布提供了翔实的数据基础。研究人员常利用其包含的出发地、目的地经纬度、INSEE代码以及起止时间等字段，描绘拼车流在法国境内的时空演化规律，进而揭示通勤高峰时段、城乡接合部等特定区域的拼车需求特征。通过聚合网格化的地理信息，还可对拼车密度进行空间自相关分析与热点探测，为理解出行行为的地域差异与结构性特征奠定基础。

解决学术问题

该数据集有效解决了公开拼车数据稀缺且隐私保护不足的学术难题。在匿名化处理前提下，它通过时间四舍五入至十分钟、空间坐标按密度分精度截断、剔除孤立网格等措施，在保障个体不可再识别的同时保留了区域级出行规律。学者得以据此评估拼车对交通拥堵、碳排放的减缓作用，研究出行匹配效率与运营激励机制，并构建城市交通系统的韧性评价指标，推动了出行行为建模与公共政策评估领域的前沿探索。

实际应用

在实际应用中，该数据集为法国各级交通管理部门与拼车运营商提供了决策支持工具。通过分析月度拼车轨迹数据，可识别高需求走廊与低密度区域，优化拼车优先车道设置、动态定价策略以及补贴投放方案。结合运营商激励标识字段，还能评估不同激励政策对拼车率的实际影响，辅助调整公共资金分配。此外，基于城市间与社区内部的通勤流向分析，有助于完善接驳公交线路规划，实现多模式交通体系的协同增效。

数据集最近研究

最新研究方向

随着共享出行与可持续交通议题的日益升温，法国‘拼车证明登记册’（Registre de Preuve de Covoiturage）数据集成为城市交通政策评估与治理创新的前沿焦点。该数据集通过匿名化、时空聚合等隐私保护手段，收录法国境内短途拼车行程的起讫地经纬度、INSEE编码、出行时间及激励策略等结构化信息，为研究者提供了实证拼车行为模式与运营效率的权威数据源。当前研究热点聚焦于利用该数据集揭示拼车集群的空间时空演变规律，量化拼车对降低私人汽车出行碳排放的实际贡献，并评估地方交通管理机构（AOM）实施的激励措施对拼车频率与行程分布的影响。尤其值得注意的是，结合通勤潮汐流与城市功能区划，该数据集赋能了基于离散选择模型与机器学习算法的拼车需求预测与出行链优化研究，为法国乃至欧洲的绿色出行政策制定与低排放区（ZFE）设计提供了坚实的量化支撑。