Data-Gouv-FR/cessions-immobilieres-de-letat-depuis-2013

该数据集展示了自2013年以来，作为所有者的国家按日历年度进行的不动产转让情况。This dataset presents the real estate transfers carried out by the State as owner since 2013, by calendar year.

搜集汇总

数据集介绍

构建方式

该数据集源自法国政府开放数据平台data.gouv.fr，旨在系统收录自2013年以来国家作为产权主体所完成的房地产转让交易记录，按自然年进行组织。在HuggingFace平台上，每个data.gouv.fr数据集对应一个独立的仓库，而每个原始表格资源则映射为一个子集（configuration），且每个子集仅包含一个名为“train”的分区。当前仓库仅包含一个子集，即“cessions-immobilieres-de-letat-copie”，其数据以Parquet格式存储于相应路径下，确保了高效存取与结构化查询。

特点

该数据集以法文发布，采用lov2许可证，体现了法国公共数据开放的精神。其核心特点在于聚焦国家不动产的出售行为，不仅涵盖了时间跨度长达十余年的交易信息，还通过统一的数据模型实现了跨年度的可比性。此外，数据集以单一子集、单一分区的简洁结构呈现，降低了使用门槛；Parquet格式的采用则赋予了数据良好的压缩性能与列式存储优势，尤其适合用于大规模分析与机器学习场景。

使用方法

用户可通过HuggingFace的datasets库便捷地加载该数据。在Python环境中，只需调用`load_dataset`函数并指定仓库名称与子集名称“cessions-immobilieres-de-letat-copie”即可获取数据集。加载后，可通过标准接口如`ds["train"]`访问训练分区中的数据，进而利用PyArrow、Pandas等工具进行解析、过滤与建模。该数据集特别适用于研究法国国家不动产处置规律、构建价格预测模型或进行公共资产管理分析等任务。

背景与挑战

背景概述

该数据集名为“Cessions immobilières de l’Etat depuis 2013”，由法国政府开放数据平台data.gouv.fr于2018年首次发布，主要记录自2013年以来法国国家作为产权所有者所完成的历年不动产出售交易。数据集的核心研究问题聚焦于政府资产的处置透明度与公共财政管理效率，旨在通过系统化的开放数据促进对国有资产流转的监督与分析。作为法国公共数据开放运动的重要组成部分，该数据集被广泛应用于行政审计、政策评估以及经济研究领域，其影响力体现在推动了政府资产管理的数字化与可视化进程，并为跨机构、跨年度的不动产交易比较提供了标准化基础。

当前挑战

该数据集所解决的领域问题在于，法国政府不动产出售信息长期分散于不同部门，缺乏统一、可机读的公开记录，导致公共资产处置的透明度不足与监督困难。构建过程中面临的挑战包括：需整合多个法定管理机构（如财政部、地方行政机构）的异构数据源，并确保从2013年起历年交易记录在格式、分类与时间跨度上的一致性；同时需遵循法国公共数据许可协议（LOV2），在敏感信息（如交易当事人身份）与公开披露之间取得平衡。此外，数据集的持续更新与历史数据补全也是一项艰巨任务，要求维护机构建立稳定的跨部门协作机制与质量控制流程。

常用场景

经典使用场景

在公共资产管理领域，cesions-immobilieres-de-letat-depuis-2013数据集作为法国政府自2013年以来房地产处置记录的权威来源，其经典用途在于支持政策制定者与学者对国有不动产流转行为的系统性分析。研究者可通过该数据集追踪每一笔交易的年份、地域分布及资产性质，从而揭示国家资产剥离的宏观趋势与微观特征。同时，该数据为评估国有资产管理效率、透明度及财政影响提供了量化基础，尤其适用于跨年度纵向比较研究，堪称理解法国公共财政与土地资源再配置的核心数据基石。

解决学术问题

该数据集精准回应了公共经济学与政治学中关于政府资产处置行为的多项长期悬而未决的学术命题。例如，它使研究者得以量化分析国家为何出售特定不动产——是为缓解财政赤字，还是源于空间规划调整？通过统计模型，学者可检验资产剥离与宏观经济指标、选举周期或政治意识形态之间的因果关联。更进一步，数据集帮助检验公共资产私有化是否真正提升了资源利用效率，抑或导致了社会公平性问题，从而为制度设计与问责机制提供实证支撑。

衍生相关工作

围绕该数据集已涌现一系列衍生性研究成果与工具。例如，多位公共管理学者基于此数据构建了法国国有不动产流转的地理信息系统（GIS）可视化平台，直观呈现资产剥离的地域集中度与时空演变规律。另有一些研究将其与地方财政税收数据、选举结果数据集进行关联分析，发表了关于政治激励如何影响行政机构售地决策的高影响力论文。此外，数据科学家基于该记录开发了预测国家未来售地概率的机器学习模型，助力前瞻性政策推演。