electricsheepafrica/africa-ilo-how-xees-sex-ins-mts-nb-mean-weekly-hours-actually-worked-per-employee-by

该数据集包含来自国际劳工组织（ILO）ILOSTAT数据库的非洲41个国家从1991年至2025年的员工每周实际平均工作时间统计数据，共有16,724个观测值。数据集聚焦于一个具体指标：按性别、公共/私营部门和婚姻状况划分的员工每周实际平均工作小时数（指标代码：HOW_XEES_SEX_INS_MTS_NB）。数据涵盖了年度频率的观测，并提供了详细的分组维度，包括性别（总计、男性、女性）、机构部门（如总计）和婚姻状况（总计）。数据集以表格形式呈现，包含国家代码、国家名称、数据来源、指标代码、指标标签、性别分类、分类变量、观测年份、观测值、观测状态及相关注释等列。数据经过ILO的标准化处理，确保与国际劳工统计学家会议（ICLS）定义一致，并标注了来源以便追溯。数据集适用于表格分类、回归和时间序列预测等任务，旨在为研究非洲劳动力市场、工作时间和就业趋势提供机器学习就绪的数据支持。数据集由Electric Sheep Africa重新打包发布，遵循CC BY 4.0许可。This dataset contains 16,724 observations of mean weekly hours actually worked per employee from 41 African countries spanning 1991 to 2025, sourced from the International Labour Organizations (ILO) ILOSTAT database. It focuses on a single indicator: Mean weekly hours actually worked per employee by sex, public/private sector and marital status (indicator code: HOW_XEES_SEX_INS_MTS_NB). The data includes annual frequency observations with detailed disaggregation dimensions such as sex (total, male, female), institutional sector (e.g., total), and marital status (total). The dataset is presented in tabular format with columns including country code, country name, data source, indicator code, indicator label, sex classification, classification variables, observation year, observed value, observation status, and related notes. The data is harmonized by the ILO following International Conference of Labour Statisticians (ICLS) definitions and includes source flags for traceability. It is suitable for tasks like tabular classification, regression, and time-series forecasting, providing machine-learning-ready data for research on African labor markets, working hours, and employment trends. The dataset is repackaged by Electric Sheep Africa and released under the CC BY 4.0 license.

搜集汇总

数据集介绍

构建方式

该数据集源自国际劳工组织（ILO）的ILOSTAT统计数据库，通过其REST API接口直接抓取指标`HOW_XEES_SEX_INS_MTS_NB`的原始数据，并依据非洲ISO3国家代码进行地理过滤。ILO统计部门依据国际劳工统计学家会议（ICLS）定义对各国劳动力调查、住户收入调查等微观数据进行了标准化整合，确保跨国可比性。数据集中每条记录均保留了`source.label`字段以追溯数据来源，从而保证了数据生产链路的透明与可复现。Electric Sheep Africa团队进一步将结果封装为Parquet格式，并统一发布至HuggingFace平台，方便后续机器学习与统计分析。

特点

本数据集收录了1991年至2025年间非洲41个国家的16,724条观测记录，聚焦于“按性别、公共/私营部门及婚姻状况划分的雇员实际每周平均工作小时数”这一核心劳动指标。数据按年度频率组织，支持通过`sex`维度（总、男、女）进行分层分析，同时包含`classif1`与`classif2`分类变量（如机构部门与婚姻状况汇总）。每条观测附带`obs_status`标记以指示数据质量（如初步值或不准确值），并提供`note_indicator`与`note_source`注释字段，便于研究者评估数据可靠性。覆盖国家包括南非（2,035条）、毛里求斯（1,504条）等，空间与时间跨度广泛。

使用方法

研究者可通过HuggingFace `datasets`库直接加载数据集：`load_dataset("electricsheepafrica/africa-ilo-how-xees-sex-ins-mts-nb-mean-weekly-hours-actually-worked-per-employee-by")`，返回的`train`分割可一键转换为Pandas DataFrame。支持按国家（如`ref_area == "KEN"`）或指标代码进行过滤，亦可基于时间与观测值绘制时间序列图。推荐使用`pivot_table`将数据重塑为国家×年份矩阵形式，以便进行跨国面板数据分析或时序预测建模。数据集采用CC-BY-4.0许可，使用时需标注原始数据来源及Electric Sheep Africa的重新封装版本。

背景与挑战

背景概述

该数据集由国际劳工组织（ILO）统计部门创建，经Electric Sheep Africa于2025年重新整理并发布在HuggingFace平台，聚焦非洲地区劳动力市场的核心指标——每周实际工作小时数。数据集整合了ILOSTAT数据库中41个非洲国家自1991年至2025年间的16,724条观测记录，涵盖按性别、公共/私营部门及婚姻状况细分的工作时长信息。作为研究非洲劳动力市场动态与国际比较的重要基础资源，该数据集为劳动经济学、性别平等评估及可持续发展目标中‘体面工作’指标的量化分析提供了高粒度、跨时空的标准化样本，有力推动了机器学习在劳动统计领域的应用，尤其为欠发达地区的劳动政策建模与预测研究奠定了基础。

当前挑战

该数据集所解决的领域问题聚焦于非洲劳动统计中数据稀疏性与可比性不足的挑战。由于非洲各国劳动力调查方法、数据采集频率及分类标准差异显著，传统统计框架难以支撑跨国产出的时序分析与机器学习建模。数据构建过程中面临的核心挑战包括：如何从ILOSTAT多源异构的调查数据中（如劳动力调查、行政记录）提取并统一指标定义，确保按性别、部门与婚姻状况的细分粒度；如何筛选并标记最佳数据源以处理同一国家同一年份的多源冲突；以及如何处理数据中的缺失值、断点序列及可靠性标记（如‘不可靠’观察值），在保留原始元数据前提下生成适合机器学习流水线的整洁时间序列格式。

常用场景

经典使用场景

作为国际劳工组织（ILO）核心劳动统计数据库ILOSTAT的非洲子集，该数据集汇聚了41个非洲国家1991年至2025年间雇员实际周工作均时的精细观测记录，共计逾1.6万条。其最经典的使用场景在于构建面板数据驱动的劳动力市场时序分析，研究者可借助不同性别、公共与私营部门以及婚姻状况等分类维度，横向比较各国劳动强度演变轨迹，纵向追踪非洲大陆工作时间的结构性变迁。该数据集为深入理解非洲劳动参与模式、评估国际劳工标准落实情况提供了标准化的数据基础，尤其适合开展跨区域劳动经济学的实证研究。

衍生相关工作

以此为数据基石，学术界已衍生出多项具有影响力的经典工作。一方面，研究者利用该数据集构建了非洲国家层面的劳动投入面板模型，系统评估了经济周期、产业结构变迁与宏观经济政策对平均工作时间的影响，并进一步探讨了非洲工时模式与发达国家“工作时间收敛”假说的异同。另一方面，该数据集还被整合进联合国可持续发展目标（SDG）的监测框架，用于衡量体面劳动目标（SDG 8）在非洲各国的达成进度，催生了一系列关于性别平等与工作条件的跨国比较研究报告，极大地丰富了全球劳动数据库的网络化应用生态。

数据集最近研究

最新研究方向

该数据集聚焦于非洲41个国家1991至2025年间劳动者按性别、公共/私营部门及婚姻状况划分的周均实际工时，为劳动经济学与可持续发展研究提供了极具价值的跨时空面板数据。在前沿方向上，研究者正借助该数据剖析非正规就业、性别薪酬差距与工作强度之间的复杂关联，尤其关注新冠疫情后非洲劳动力市场的恢复弹性及公共政策干预效果。与此同时，数据集中多维度分类标签支持利用机器学习方法构建工时预测模型与就业质量评估体系，为ILO体面劳动目标的量化监测与非洲国家精准就业政策制定奠定了坚实的数据基础。