electricsheepafrica/africa-ilo-inj-days-eco-nb-days-lost-due-to-cases-of-occupational-injury-with

该数据集包含非洲23个国家在1975年至2024年期间，因职业伤害导致暂时性工作能力丧失而损失的工作日数据。数据集共有2,153个观测值，覆盖一个核心指标：INJ_DAYS_ECO_NB（按经济活动分类的职业伤害损失工作日）。数据来源于国际劳工组织（ILO）的ILOSTAT数据库，经过Electric Sheep Africa重新打包，以表格形式提供，适用于表格分类、回归和时间序列预测等机器学习任务。数据集包含国家代码、国家名称、数据来源、指标代码、分类变量、观测年份、观测值等列，并附有数据质量说明和使用示例。This dataset contains 2,153 observations of occupational injuries data across 23 Africa countries, spanning 1975–2024, covering 1 distinct indicator: INJ_DAYS_ECO_NB (Days lost due to cases of occupational injury with temporary incapacity for work by economic activity). The data is sourced from the International Labour Organization (ILO) ILOSTAT database, repackaged by Electric Sheep Africa, and provided in tabular format suitable for tabular classification, regression, and time-series forecasting tasks. It includes columns such as country code, country name, data source, indicator code, classification variables, observation year, observed value, and comes with data quality caveats and usage examples.

搜集汇总

数据集介绍

构建方式

该数据集来源于国际劳工组织（ILO）的ILOSTAT数据库，通过调用其REST API接口，筛选出非洲区域与职业伤害相关的特定指标——因临时丧失工作能力的职业伤害案例而损失的天数（按经济活动分类）。数据经过ILOSTAT的统一协调处理，基于国际劳工统计学家会议的定义对原始调查微观数据进行标准化，并在数据表中标注数据来源以保障可追溯性。由Electric Sheep Africa团队进行二次封装，共收录了来自23个非洲国家的2,153条观测记录，时间跨度从1975年至2024年，覆盖了单一指标，并以Parquet格式发布，旨在为研究人员和开发者提供可直接使用的机器学习就绪数据集。

使用方法

用户可通过Hugging Face的`datasets`库直接加载该数据集，只需执行`load_dataset("electricsheepafrica/africa-ilo-inj-days-eco-nb-days-lost-due-to-cases-of-occupational-injury-with")`即可获取训练集并转换为Pandas DataFrame进行后续操作。数据集支持按国家代码（如`ref_area == "KEN"`）进行过滤以分析特定国家的时间序列，也支持按指标（如`INJ_DAYS_ECO_NB`）排序后绘制趋势图。此外，用户还可利用数据透视功能，将数据重塑为国家乘年份的矩阵形式，便于开展跨国的比较分析或应用于时间序列预测模型，体现了其在经济学与劳动安全研究中的实用价值。

背景与挑战

背景概述

该数据集由国际劳工组织（ILO）统计司于2024年创建，并经Electric Sheep Africa团队重新打包发布，聚焦于非洲23个国家因职业伤害导致暂时性工作能力丧失所损失的工作天数。核心指标INJ_DAYS_ECO_NB源自ILOSTAT数据库，覆盖1975至2024年间2153条观测记录，是区域劳动安全与健康研究的重要量化基础。数据集系统性地汇总了不同经济活动中职业伤害的工时损失情况，为评估非洲各国职业安全治理效能、跨国比较以及时间序列分析提供了标准化数据支撑。作为ILO推动体面劳动目标的关键统计产品，该数据对全球劳工权益保护和可持续发展目标监测具有显著影响力。

当前挑战

数据集面临的核心挑战包括：其一，领域问题层面，非洲地区职业伤害统计长期缺乏统一标准与可靠来源，不同国家采用迥异的调查方法（如劳动力调查、行政记录），导致跨国产出可比性存疑；其二，构建过程中，ILOSTAT虽整合多源数据并标识最佳来源，但各国上报频率不一、历史数据断点多（如1975至2000年间部分国家记录稀疏），且分类变量（如经济活动细分）的缺失率较高，限制了深层分析。此外，观测状态标记（如临时性或不可靠值）的模糊性、以及多源冲突时的选择规则透明度不足，均给下游建模任务带来了数据质量与可复现性的额外考验。

常用场景

经典使用场景

该数据集汇集了1975年至2024年间23个非洲国家因职业伤害导致暂时性工作能力丧失而损失的工作天数，共计2153条观测记录。在职业健康与安全领域，研究者常将其用于构建时间序列预测模型，以揭示非洲大陆不同经济活动中职业伤害的演变趋势。通过分析历史损失天数的波动规律，学者能够评估各国职业安全政策的长期效果，并识别高风险行业与时段。此外，该数据集也广泛应用于面板数据分析，用以比较不同国家在职业伤害治理上的差异，为区域性的劳动保护策略提供量化依据。

解决学术问题

该数据集的核心价值在于填补了非洲地区职业伤害经济损失量化研究的空白。长期以来，由于非洲国家统计体系薄弱，学者难以系统评估职业伤害对劳动力市场的冲击。该数据通过ILOSTAT的标准化方法，解决了跨国数据不可比、时间跨度短等关键障碍，使研究者能够首次对非洲大陆因职业伤害导致的生产力损失进行纵向与横向的实证分析。这不仅为劳动经济学中‘健康人力资本’理论提供了非洲证据，也为国际劳工组织推动的‘体面劳动’议程提供了数据支撑，推动了非洲职业安全研究从定性描述向定量建模的范式转换。

实际应用

在实际应用中，该数据集可助力非洲各国劳动部门与跨国企业构建职业伤害预警系统。通过分析历史损失天数的季节性模式与行业分布，企业能够优化安全培训资源的配置，例如在制造业或采矿业的高危月份提前部署防护措施。对于社会保险机构而言，这些数据可用于精算职业伤害保险的费率模型，使保费设定更贴合实际风险水平。同时，世界银行等发展组织可借助该数据评估援助项目在改善非洲工作条件方面的成效，为投资于职业健康基础设施提供成本效益分析，从而将抽象的政策承诺转化为可量化的地区发展行动。

数据集最近研究

最新研究方向

该数据集聚焦于非洲23国因职业伤害导致暂时性失能而损失的工作天数，涵盖1975至2024年间2153个观测值，依托ILOSTAT权威统计框架，为职业安全与劳动经济学的前沿交叉研究提供了关键数据支撑。当前研究热点集中于利用时间序列分析与面板数据模型，揭示非洲国家职业伤害损失天数的长波动态、经济结构异质性及政策干预效果，尤其是在工业化加速与体面劳动目标并行的背景下，该数据对评估《2030可持续发展议程》中目标8（促进包容和可持续经济增长、充分就业和人人获得体面工作）的进展具有突破性意义。其经Electric Sheep Africa重包装为机器学习友好格式，显著降低了数据获取与预处理门槛，有望推动非洲职业伤害预警系统的构建及国际比较研究的深化。