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

该数据集包含来自国际劳工组织（ILO）的ILOSTAT数据库的8,985个观测值，覆盖41个非洲国家，时间跨度为1991年至2025年。数据集的核心指标是“按性别和教育程度划分的员工平均每周实际工作小时数”（指标代码：HOW_XEES_SEX_EDU_NB）。数据通过ILOSTAT REST API获取，并过滤为非洲国家代码，经过ILO的统计部门根据国际劳工统计学家会议（ICLS）定义进行标准化处理。数据集包含多个列，如国家代码、国家名称、数据来源、指标代码、性别分组（总计、男性、女性）、教育程度分类、观测年份、观测值、观测状态标志等，支持按性别和教育程度进行细分分析。数据质量方面，数据为年度频率，当同一国家×年份有多个来源时，使用ILO选择的“最佳来源”，且细分列仅在指标发布该细分时非空。数据集由Electric Sheep Africa重新打包，旨在为非洲提供统一的、适合机器学习的数据层，采用CC-BY-4.0许可证发布。This dataset contains 8,985 observations from the ILOSTAT database of the International Labour Organization (ILO), covering 41 African countries from 1991 to 2025. The core indicator is Mean weekly hours actually worked per employee by sex and education (indicator code: HOW_XEES_SEX_EDU_NB). Data is pulled directly from the ILOSTAT REST API and filtered to Africa ISO3 country codes, harmonized by the ILOs Department of Statistics using International Conference of Labour Statisticians (ICLS) definitions. The dataset includes columns such as country code, country name, data source, indicator code, sex disaggregation (total, male, female), education classification, observation year, observed value, observation status flags, etc., supporting detailed analysis by sex and education. Data quality notes: data is annual frequency; when multiple sources exist for the same country×year, the ILO-selected best source is used; disaggregation columns are non-null only when the indicator publishes that breakdown. Repackaged by Electric Sheep Africa as part of a unified, ML-ready data layer for Africa, released under the CC-BY-4.0 license.

搜集汇总

数据集介绍

构建方式

该数据集由Electric Sheep Africa团队通过ILOSTAT REST API直接拉取并重新打包而成。原始数据源自国际劳工组织（ILO）的中央统计数据库，该数据库整合了各国劳动力调查、家庭收入调查、企业调查及行政记录等多元来源。数据集聚焦于非洲地区，依据ISO 3166-1 alpha-3国家代码筛选出41个非洲国家的观测记录，并采用国际劳工统计学家会议（ICLS）定义对原始调查微观数据进行协调统一，通过source.label字段标注数据来源以确保可追溯性。最终构建成包含8,985条观测、涵盖1991年至2025年间每周实际工作小时数指标的结构化表格数据集。

使用方法

用户可通过HuggingFace Datasets库的load_dataset()函数轻松加载该数据集，导入后可直接转换为Pandas DataFrame进行后续操作。典型应用包括按国家筛选特定子集（如针对肯尼亚的数据）、按指标和年份绘制时间序列图以观察趋势，或利用pivot_table方法构建国家与年份交叉矩阵，便于进行面板数据分析或横截面比较。数据集设计遵循机器学习就绪（ML-ready）理念，标准化架构使得从加载到分析的流程极为简洁，特别适合劳动经济学、发展经济学中关于非洲就业质量、性别差异及教育回报等议题的实证研究。

背景与挑战

背景概述

该数据集由国际劳工组织（ILO）于2025年通过其ILOSTAT数据库整理发布，并由Electric Sheep Africa团队重新封装，聚焦非洲41个国家在1991至2025年间按性别与教育程度划分的雇员周均实际工作时长。作为全球劳动统计的权威来源，ILOSTAT整合了各国劳动力调查、家庭收入调查及行政记录数据，为评估非洲地区劳动力市场动态提供了关键指标。该数据集的核心研究问题在于揭示不同性别与教育背景群体在非洲就业市场中的工作时长分布差异，从而为政策制定者、经济学家与社会学者分析劳动力参与、生产力及工作中的不平等现象提供量化基础。其对相关领域的影响力体现在弥补了非洲大陆在精细化劳动统计方面的数据空白，推动了基于证据的劳动力政策研究与国际比较分析，尤其服务于联合国可持续发展目标（SDGs）中的体面工作指标监测。

当前挑战

该数据集所解决的领域挑战在于应对非洲劳动力市场中长期存在的性别与教育维度上的工作时长数据缺失与异质性问题。由于各国统计能力差异、调查方法不统一以及数据更新频率不齐，构建统一可比的时间序列数据集面临多重障碍：首先，41个国家在1991至2025年间的数据覆盖不连续，部分国家存在大量缺失年份，导致跨时空比较的统计推断受限；其次，原始数据来源多样（如劳动力调查与行政记录），其方法论变更（如break in series）在备注列中被标记，但整合过程中需谨慎处理来源偏差与结构断裂；再者，数据集中部分观测值被标记为“不可靠”（unreliable），反映了调查样本量有限或质量波动的问题，这要求使用者对异常值处理与不确定性量化保持审慎态度。此外，仅保留年度频率而忽略更细化的月度和季度序列，可能掩盖季节性与短期波动特征，进一步考验建模过程中对时序结构的把控能力。

常用场景

经典使用场景

在劳动经济学与非洲发展研究的交叉领域，该数据集因其精细的性别与教育维度划分，成为分析非洲劳动力市场结构性特征的基石资源。研究者常利用其面板数据结构，追踪41个非洲国家自1991年至2025年间雇员实际周均工作时间的演变规律，尤其聚焦于不同性别群体及教育层次之间的劳动供给差异。通过时间序列分析与面板回归模型，学者得以揭示非洲大陆工作时间的长期趋势、周期性波动以及国家间异质性，为理解非洲工业化进程中劳动力配置效率提供量化支撑。

解决学术问题

该数据集有力回应了非洲劳动经济学中长期悬而未决的若干核心议题。其一，它解决了数据稀缺背景下难以量化性别工资差距中工作时长维度的问题，通过性别分解的观测值，学者可精准测算女性与男性在劳动时间上的不对等投入，进而评估性别平等政策效果。其二，教育回报率的经典研究常忽略工作时长这一中介变量，该数据集通过教育层次与工作时间的交叉分类，使得研究者能够分解受教育程度对劳动供给的纯粹影响，填补了人力资本理论在非洲语境下的实证空白。此外，基于ILO标准化统计框架，该数据有助于检验非正规就业比例对统计工作时间的偏误影响，推动发展中国家劳动统计方法论的完善。

实际应用

在实际应用层面，该数据集为国际劳工组织、非洲各国劳动部门及发展机构提供了可靠的决策依据。政策制定者可利用性别与教育细分的时间数据，识别工作时间过长的脆弱群体（如低学历女性），从而设计针对性的劳动保护法规与工时缩减干预措施。在跨国比较研究中，该数据支撑了非洲联盟《2063年议程》中体面劳动目标的监测与评估，帮助各国对标区域基准。私营部门也可借助该数据优化用工策略，例如，跨国企业在非洲布局时，可依据不同国家、性别与教育背景雇员的平均工时，合理规划生产线排班与薪酬结构，提升运营效率。

数据集最近研究

最新研究方向

该数据集聚焦于非洲地区按性别与教育程度划分的员工周均实际工作小时数，为劳动经济学与可持续发展研究提供了关键面板数据。当前前沿研究方向包括利用时间序列模型分析非洲大陆劳动力市场的结构性变迁，特别是在非正规经济扩张与教育回报率波动背景下的工时异质性。结合ILOSTAT的权威统计，研究者可深入探讨性别间劳动参与差异、教育水平对工时分配的动态影响，并与联合国2030年议程中的体面工作目标（SDG 8）相对照。该数据集的发布显著降低了非洲劳动统计数据的获取门槛，为政策仿真、区域比较及机器学习驱动的劳动力预测等热点议题奠定了坚实基础。