Data-Gouv-FR/carte-des-loyers-indicateurs-de-loyers-dannonce-par-commune-en-2023

该数据集名为“租金地图”，包含2023年法国各市镇的广告租金指标。数据来源于法国公开数据平台data.gouv.fr，由法国国家住房信息局（ANIL）基于leboncoin和SeLoger集团2018年至2023年的租赁广告数据计算得出。数据集覆盖法国全境（除马约特岛），以2023年1月1日的市镇地理划分为准。租金指标按市镇级别提供，包括含杂费的每平方米租金，针对不同类型的房产：独立屋、所有类型公寓、1或2居室公寓、3居室及以上公寓。每种类型有参考特征，如公寓平均面积为52平方米，独立屋为92平方米。数据为实验性指标，旨在补充当地租金观察站（OLL）的信息，供政府、地方当局、房地产专业人士和个人使用。使用数据需注明来源：“ANIL估计，基于SeLoger集团和leboncoin数据”。注意事项包括：数据基于非家具租赁广告，经去重处理但可能受限于照片和特征信息；对于无广告的市镇，指标基于类似相邻市镇估算；用户应谨慎对待R2系数低于0.5、观察数少于30或预测区间较宽的市镇数据；且由于市镇划分变化，不同年份版本的数据不能直接比较租金演变。This dataset, named *Rent Map*, contains advertising rental price indicators for all communes in France in 2023. The data is sourced from the French open data platform data.gouv.fr, and was calculated by the French National Housing Information Agency (ANIL) using rental advertising data from leboncoin and SeLoger Group between 2018 and 2023. The dataset covers the entirety of France (excluding Mayotte), based on the commune geographic divisions as of January 1, 2023. Rental indicators are provided at the commune level, including per-square-meter rent inclusive of service charges for different property types: detached houses, all types of apartments, 1- or 2-bedroom apartments, and 3-bedroom or larger apartments. Each property type has reference characteristics: for example, the average area of apartments is 52 square meters, and that of detached houses is 92 square meters. This is an experimental indicator dataset designed to supplement the information from local rental observatories (OLL), and is intended for use by governments, local authorities, real estate professionals, and individual users. When using the dataset, the source must be cited as: 'ANIL estimates, based on data from SeLoger Group and leboncoin'. Notes on usage include: the data is based on unfurnished rental advertisements, and has been deduplicated but may be limited by photo and feature information; for communes with no rental advertisements, the indicators are estimated based on neighboring communes with similar characteristics; users should exercise caution when using data for communes where the R-squared coefficient is below 0.5, the number of observations is less than 30, or the prediction interval is relatively wide; moreover, due to changes in commune geographic divisions, data from different annual versions cannot be directly compared to track rental price trends.

搜集汇总

数据集介绍

构建方式

该数据集源自法国国家住房信息局（ANIL）与SeLoger及leboncoin两大房地产平台的深度合作。基于2018年至2023年间发布的800万条租赁广告，研究者开发了一套精细化的估算方法，以市镇为单位计算包含杂费的每平方米租金指标。数据集按房屋类型划分为四个子集：独栋住宅、公寓整体、一至两居室公寓以及三居室及以上公寓，每个子集均以Parquet格式存储，并通过Hugging Face的配置系统组织为独立的子集，便于按需调用。

使用方法

用户可通过Hugging Face的`datasets`库便捷加载数据，例如使用`load_dataset`函数并指定子集名称（如'indicateurs-de-loyer-maison'）即可获取独栋住宅租金指标。每个子集默认包含一个名为`train`的数据分割，支持直接以Pandas DataFrame形式操作。数据采用开放许可（lov2）发布，使用时需注明来源为“Estimations ANIL, à partir des données du Groupe SeLoger et de leboncoin”，适用于政策分析、学术研究与市场调研等场景。

背景与挑战

背景概述

在住房租赁市场日益复杂的当下，租金信息的透明度与可及性对于制定科学的住房政策、保障市场公平至关重要。2023年，法国国家住房信息局（ANIL）联合塞洛杰尔（SeLoger）与乐邦宽（leboncoin）两大在线平台，以及阿戈苏普第戎与法国国家农业食品与环境研究院（INRAE）的研究团队，发布了“租金地图——2023年市镇租金挂牌指标”数据集。这一数据集基于2018至2023年间超过800万条租赁房源信息，通过严谨的统计模型，首次实现了以市镇为单位的公寓与房屋每平方米租金（含杂费）指标的精确估算。该数据集不仅补充了法国地方租金观测站（OLL）自2013年以来的工作，更将租金分析从城镇尺度拓展至全国范围，为政府、地方政府、房产从业者及公众提供了宝贵的参考基准，显著推动了法国住房市场的数字化与数据驱动治理。

当前挑战

该数据集所应对的核心领域问题在于，传统租金信息获取渠道分散、口径不一，难以形成全国统一的参照体系，尤其在缺乏地方观测站覆盖的乡村与小城镇，租赁双方往往面临严重的信息不对称。构建过程中，研究团队面临多重挑战：首先，需对来自不同平台的数亿条广告进行去重与清洗，但受限于缺乏照片等高度分辨特征，去重精度难以保证；其次，为处理无广告覆盖的市镇，必须采用空间聚类与特征相似性推理的“网格化”方法，但该方法可能引入预测误差；此外，模型估计的可靠性依赖于样本量，对于月观测数少于30或判定系数（R²）低于0.5的市镇，指标的可信度显著降低，需明确警示使用者。这些挑战共同构成了数据集在准确性、代表性与实用性之间的权衡，也提示了未来改进的方向。

常用场景

经典使用场景

在该数据集的经典使用情境中，研究者常借助法国2023年度市镇尺度租金指标数据，系统性地分析租赁市场中公寓与住房的单位面积租金分布规律。通过对按户型分类（如T1-T2小户型公寓、T3及以上大户型公寓、独立住房）的租金信息进行建模，能够揭示不同区域间租金水平的差异及其与住房特征（如面积、户型结构）之间的内在关联。该数据集以法国全国（马约特除外）为覆盖范围，融合了SeLoger与leboncoin两大平台自2018年至2023年的海量招租广告信息，可用于构建广义线性模型或空间计量模型，以描绘租金的空间异质性并识别影响租金的关键非市场因素。

解决学术问题

该数据集的核心学术贡献在于解决了法国住房经济领域中长期存在的一个关键问题：即缺乏面向全国范围、具有统计可靠性的市镇层面租金基准指标。传统上，法国地方租金观察站虽能提供详细数据，但其覆盖范围有限，难以支撑宏观尺度的比较研究。该数据集通过创新性地整合两大房地产平台的广告数据，并采用严谨的计量经济方法（如利用每平方米租金估计值与R²系数评估模型拟合质量），有效弥补了官方统计在空间细节上的不足。它为研究者探讨租金的空间不平等、居住隔离效应以及地区发展政策对租赁市场的冲击提供了重要的实证基础，推动了相关领域从定性描述走向量化验证。

实际应用

在实际应用层面，该数据集为法国公共住房政策制定者、地方政府、房地产专业人士及公众提供了关键的决策支持工具。对于国家层面的住房管理部门（如DGALN）而言，数据集可用于监测全国租金动态，识别租金过高的热点区域，从而引导租金管制政策的科学实施。地方政府可借此评估本地租赁市场的健康度，辅助规划公共住房建设布局。对于房地产评估师与投资者，数据集提供了可靠的租金基准，便于进行投资回报分析或市场估值。此外，该数据集还向租客与房东提供了透明的市场参考信息，降低了信息不对称，促进了租赁交易中的公平议价。

数据集最近研究

最新研究方向

该数据集聚焦于2023年法国全国市镇层级租金指标的构建与发布，是法国住房政策数字化治理的前沿实践。基于SeLoger与leboncoin两大平台800万条租赁广告数据，结合Agrosup Dijon与INRAE研究团队的计量经济学模型，项目实现了从海量非结构化广告中提取标准化租金指标（含杂费）。当前研究方向正从单纯指标发布转向动态监测与政策联动——2025年版本已上线，但需注意因市镇边界调整导致的跨年不可比性。该数据集为地方住房政策评估、租金管控（如ELAN法案下的地方租金观测站OLL网络）及房地产投资决策提供了实证基础，尤其填补了非大城市区域的租金信息空白，成为法国开放数据运动在民生领域的标杆案例。