electricsheepeurope/europe-ilo-inj-nftl-sex-mig-rt-non-fatal-occupational-injuries-per-100-000-worker

该数据集包含欧洲35个国家从1970年至2024年的非致命职业伤害统计数据，具体指标为“每10万名工人中按性别和移民状态统计的非致命职业伤害发生率”（INJ_NFTL_SEX_MIG_RT）。数据集共2,043个观测值，来源于国际劳工组织（ILO）的ILOSTAT数据库，通过API获取并过滤为欧洲国家。数据模式包括国家代码、指标、性别分类、年份和观测值等列，并提供了数据来源和质量说明，例如数据为年度频率、使用ILO最佳来源。数据集适用于表格分类、回归和时间序列预测任务，旨在支持劳动市场和职业安全研究。

This dataset contains 2,043 observations of non-fatal occupational injuries per 100,000 workers by sex and migrant status across 35 European countries from 1970 to 2024. It is sourced from the International Labour Organization (ILO) ILOSTAT database, filtered for Europe via the ILOSTAT REST API. The data includes columns such as country code, indicator, sex disaggregation, year, and observed value, with annual frequency and best-source selection by ILO. It is suitable for tabular classification, regression, and time-series forecasting tasks, supporting labor market and occupational safety research.

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）旗下的ILOSTAT数据库，通过其REST API直接提取非致命性职业伤害指标（代码INJ_NFTL_SEX_MIG_RT），并依据欧洲ISO3国家代码进行地理范围筛选。ILOSTAT基于国际劳工统计学家会议（ICLS）的定义，对各国劳动力调查、行政记录等原始微观数据进行标准化处理，确保指标跨国家、跨年份的可比性。数据经由Electric Sheep Europe重新打包，统一为Parquet格式并上传至HuggingFace平台，便于机器学习场景下的高效加载与使用。

使用方法

用户可通过HuggingFace的`load_dataset()`函数一键加载该数据集，并转换为Pandas DataFrame进行后续分析。典型应用包括：按国家筛选特定子集（如`df[df['ref_area'] == 'DEU']`提取德国数据）、绘制单一指标的时间序列图（利用`obs_value`与`time`字段）、或通过数据透视表构建国家×年份的矩阵以进行面板数据分析。数据集同时兼容表格分类、回归及时间序列预测任务，适用于劳动经济学、职业流行病学等领域的建模实践。

背景与挑战

背景概述

非致命性职业伤害是衡量劳动者工作环境安全性的核心指标，也是国际劳工组织（ILO）推动体面劳动议程的关键监测对象。由ILO统计司创建的ILOSTAT数据库是全球劳动统计的权威来源，该数据集由Electric Sheep Europe于2024年从ILOSTAT API提取并重新封装，专注于欧洲35个国家1970至2024年间按性别与移民身份划分的非致命性职业伤害发生率（每10万劳动者）。数据集共计2043条观测，覆盖欧洲主要经济体与转型国家，旨在通过标准化的时间序列数据，支撑跨国比较研究、劳动政策效果评估及职业安全风险预测，为学术界与政策制定者提供了可贵的数据基础。

当前挑战

该数据集所应对的领域挑战在于，职业伤害数据长期存在国别统计口径不一、性别与移民群体细分不足的问题，制约了跨国体面劳动指标的精准衡量与弱势群体保护政策的制定。在构建过程中，主要挑战包括：从ILOSTAT多源异构数据中统一过滤并清洗欧洲国家的观测记录，处理因不同调查方式（如劳动力调查与行政记录）导致的指标值波动；对多种分类维度（如性别、移民身份）进行规范化映射，同时保留原始来源标签以增强可追溯性；以及应对1970至2024年长时间跨度内部分国家因统计体系演变产生的数据间断与覆盖变化，确保时间序列的连续性与分析可靠性。

常用场景

经典使用场景

该数据集收录了1970年至2024年间欧洲35个国家每十万劳动者中非致命职业伤害的发生率，并按性别与移民状态进行细致分层。研究者可借此构建回归模型，探究不同社会群体在职业安全风险上的异质性，亦可将其作为时间序列预测的核心输入，拟合各国职业伤害的长期演变趋势。数据以年度频率呈现，涵盖超过两千条观测记录，为跨国家、跨时期的比较分析提供了坚实的数据基础。

解决学术问题

该数据集有效回应了劳动经济学与职业健康领域长期面临的量化难题。此前，由于各国统计口径差异与数据碎片化，关于移民与本土劳动者职业伤害差异的跨国实证研究极为匮乏。本数据通过国际劳工组织的统一整合与性别、移民状态的规范分类，首次为大样本下的职业安全不平等度量提供了可靠素材。它支持研究者检验劳动力市场中歧视性政策与工作条件差异的相互作用机制，并推动了对非致命伤害这一长期被忽视议题的系统性关注。

实际应用

在公共政策层面，该数据集助力欧洲各国劳动监察机构与安全生产管理部门识别高危行业与脆弱群体，例如通过性别和移民状态的分层数据，精准定位职业伤害率异常偏高的劳动者类别，从而制定更具针对性的职业安全干预策略。在企业人力资源管理领域，该数据可作为行业基准，帮助跨国公司评估不同地区工厂的安全绩效，优化全球供应链中的劳动保护投入。保险精算行业亦可利用其历史趋势进行风险定价模型校准。

数据集最近研究

最新研究方向

该数据集聚焦于欧洲各国按性别与移民身份分类的非致命职业伤害发生率，为劳动经济学与职业健康领域的前沿研究提供了关键数据支撑。当前研究热点包括利用时间序列分析揭示1970至2024年间职业伤害的长期演变趋势，并通过跨国面板数据探讨性别差异与移民身份对工作场所安全的影响。结合ILOSTAT的标准化统计框架，该数据为评估欧洲劳动保护政策成效、推动包容性就业环境建设提供了实证基础，尤其在移民工人权益保障与性别平等议题上具有显著应用价值。其细粒度分类维度还助力机器学习模型预测高风险群体，为精准化职业健康干预措施的设计奠定数据基石。