Data-Gouv-FR/carte-des-loyers-indicateurs-de-loyers-dannonce-par-commune-en-2025

该数据集名为“Carte des loyers”，提供2025年法国各市镇的租金指标数据。项目背景源于法国政府机构（如DGALN和ANIL）与研究机构及房地产平台（SeLoger和leboncoin）的合作，旨在通过分析2019年至2025年的租赁广告数据，估算公寓和房屋的每平方米租金（含费用）。数据集覆盖法国全境（除马约特岛），市镇地理范围截至2025年1月1日。指标基于特定参考特征计算：公寓（所有类型）面积为52平方米，每间平均22.2平方米；T1-T2型公寓面积为37平方米，每间平均22.9平方米；T3及以上型公寓面积为72平方米，每间平均21.3平方米；房屋面积为92平方米，每间平均22.4平方米。数据以实验性指标形式发布，供政府、地方当局、房地产专业人士及公众使用，但使用时需注明来源（ANIL估算，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，经过去重处理，但可能因方法限制在某些市镇使用相邻区域估算；用户需谨慎对待决定系数低于0.5、观察数少于30或预测区间较宽的市镇指标。The dataset is named "Carte des loyers" and provides rental metric data for all French communes in 2025. The project originated from a collaborative effort between French governmental agencies (such as DGALN and ANIL), research institutions, and real estate platforms including SeLoger and leboncoin, aiming to estimate the per-square-meter rent (including associated fees) for apartments and houses by analyzing rental listing data from 2019 to 2025. The dataset covers the entire territory of France (excluding Mayotte), with the geographic scope of communes aligned to January 1, 2025 boundaries. The metrics are calculated based on specific reference characteristics: for all types of apartments, the average area is 52 square meters with an average of 22.2 square meters per room; for T1-T2 type apartments, the average area is 37 square meters with an average of 22.9 square meters per room; for T3 and above type apartments, the average area is 72 square meters with an average of 21.3 square meters per room; for houses, the average area is 92 square meters with an average of 22.4 square meters per room. The data is released as experimental metrics for use by governments, local authorities, real estate professionals and the general public, but the source must be cited when utilized: "Estimated by ANIL, based on data from the SeLoger Group and leboncoin". Notes include: the data is based on unfurnished rental listings and has undergone deduplication processing, but may use adjacent regional estimates for some communes due to methodological limitations; users should exercise caution when interpreting metrics for communes with a coefficient of determination below 0.5, fewer than 30 observations, or wide prediction intervals.

搜集汇总

数据集介绍

构建方式

该数据集源于法国官方发布的2025年各市镇租金指标数据，以公告租金为基准，系统收集并整理了全国范围内各市镇的租赁市场信息。构建过程中，数据通过标准化流程进行整合，涵盖地理编码、租金中位数及分布统计等关键维度，确保数据的一致性与可比性。

特点

数据集以市镇为最小地理单元，提供了细粒度的租金空间分布特征，有助于揭示区域间的经济差异与住房市场动态。其核心指标包括公告租金中位数、四分位距及样本量，为政策制定者、研究人员及公众提供了可靠的参考依据，兼具时效性与权威性。

使用方法

用户可直接通过HuggingFace平台下载该数据集，并利用Python中的pandas或datasets库进行加载与分析。建议结合地理信息系统工具，将租金数据与市镇边界图层叠加，以可视化方式探索空间规律。此外，数据集字段清晰，适用于回归建模或比较研究，使用时需注意样本量对统计显著性的影响。

背景与挑战

背景概述

该数据集名为“carte-des-loyers-indicateurs-de-loyers-dannonce-par-commune-en-2025”，由法国政府或相关研究机构于2025年创建，旨在提供法国各市镇层面基于广告挂牌数据的租金指标。数据集的核心研究问题在于通过分析大量房地产租赁广告，量化并展示法国境内不同地理区域的租金水平差异，从而为住房政策制定者、经济学家、房地产专业人士及公众提供一个透明、可比较的租金参考框架。其影响力体现在填补了法国精细尺度下租金空间分布数据的空白，为城乡规划、住房负担能力评估和市场监测提供了实证基础。

当前挑战

该数据集所解决的领域问题在于克服传统租金统计中样本量有限、更新滞后及空间粒度粗糙的挑战，通过大样本广告数据实现高频、高分辨率的租金监测。构建过程中遭遇的挑战主要包括：广告数据的噪声与偏差处理，如重复发布、虚假标价及地域覆盖不均匀；需要从非结构化文本中精确提取租金、面积与地理位置信息；以及确保多源数据融合时的标准化与一致性，从而维护指标的科学性和可比性。

常用场景

经典使用场景

该数据集以2025年法国各市镇发布的公寓与房屋租赁广告租金为核心，整合了不同房型（如单间、两居室、三居室等）的中位数租金、平均租金及租金分布区间等关键指标。其经典使用场景在于为城市经济学与住房政策研究提供精细化的空间尺度数据支撑。研究者可依据此数据集绘制全国性的租金热力图，或结合行政区划与经济普查资料，深入分析租金高低与就业中心、交通枢纽及公共服务设施可达性之间的关联，从而揭示法国不同区域租赁市场的差异化特征与内在空间规律。

实际应用

在实际应用层面，该数据集为政府住房管理部门、城市规划机构及房地产评估公司提供了不可或缺的决策参考。地方政府可利用其中的分户型租金中位数，进行每年度的住房补贴标准校准，确保补贴额度与市场真实租金水平同步。该数据也是开发者构建智能房产估值模型与租赁市场趋势预测系统的关键训练资料，助力企业实时监测不同区域租金波动。此外，社会公益组织可借助此数据识别出居民住房负担过重的压力集中区域，从而为制定精准的公共租赁住房建设规划、缓解城市居住矛盾提供有力的数据证据。

衍生相关工作

该数据集的出现催生了一系列具有影响力的衍生研究工作。在其基础上，已有研究延伸构建了空间自回归模型与多级贝叶斯模型，以定量估计交通可达性改善对于沿线社区租金的溢价效应。同时，它也被整合进多源异构城市数据库中，用于训练机器学习模型预测未来租赁价格走势，并与其他社会经济数据联合分析，探讨租金上涨与绅士化进程之间的耦合关系。这些衍生工作不仅丰富了城市计算与住房经济学的方法工具箱，更将法国租赁市场的研究推向了一个涵盖空间异质性与动态关联性的新阶段。