electricsheepafrica/africa-ilo-inj-nftl-sex-inj-mig-nb-cases-of-non-fatal-occupational-injury-by-sex-type

该数据集包含非洲11个国家从1976年至2024年的非致命职业伤害案例数据，共539个观测值，覆盖1个核心指标（INJ_NFTL_SEX_INJ_MIG_NB）。数据按性别（总计、男性、女性）、伤残类型和移民状况进行细分，来源于国际劳工组织（ILO）的ILOSTAT数据库，通过API获取并过滤非洲国家代码。数据集结构包括国家代码、年份、指标值、数据来源、分类变量等列，适用于表格分类、回归和时间序列预测任务。数据以年度频率发布，并包含数据质量注释和使用示例。This dataset contains 539 observations of non-fatal occupational injury cases across 11 African countries from 1976 to 2024, covering 1 distinct indicator (INJ_NFTL_SEX_INJ_MIG_NB). Data is disaggregated by sex (total, male, female), type of incapacity, and migrant status, sourced from the International Labour Organization (ILO) ILOSTAT database via API and filtered to African country codes. The dataset schema includes columns for country code, year, indicator value, data source, classification variables, and is suitable for tabular classification, regression, and time-series forecasting tasks. Data is published at annual frequency and includes quality caveats and usage examples.

搜集汇总

数据集介绍

构建方式

本数据集由Electric Sheep Africa团队从国际劳工组织（ILO）的ILOSTAT核心统计数据库中精心抽取与重编而成。原始数据通过ILOSTAT REST API获取，指标编码为INJ_NFTL_SEX_INJ_MIG_NB，再经由ISO3国家代码筛选出非洲地区的数据记录。ILO依据国际劳工统计学家会议（ICLS）的定义标准，对各国劳动调查、行政记录等原始微观数据进行协调与统一，确保了跨国可比性。数据集最终以结构化表格形式封装，包含539条观测记录，覆盖11个非洲国家，时间跨度为1976年至2024年。

特点

该数据集的核心特色在于其精细的维度划分与高度情景化的劳动统计指标。观测变量为“按性别、伤残类型和移民身份划分的非致命职业伤害病例数”，数据记录中包含了性别（男、女、总计）、伤残类型及移民身份等多重分类变量，为深入剖析职业伤害的分布模式提供了丰富视角。此外，每一个数据条目均附有详细的元数据标注，如数据来源代码、观测状态标志及注释说明，充分体现了数据的可追溯性和质量透明性。数据集以年度频率发布，并采用ILO选取的“最佳来源”策略处理多源冲突，保证了核心指标的一致性。

使用方法

用户可通过Hugging Face的datasets库便捷地加载该数据集，只需一行Python代码：`load_dataset("electricsheepafrica/africa-ilo-inj-nftl-sex-inj-mig-nb-cases-of-non-fatal-occupational-injury-by-sex-type")`。加载后的数据可直接转换为Pandas DataFrame进行后续分析。典型应用包括按国家筛选子集、针对单一指标绘制时间序列曲线，或是构建国家-年份矩阵以揭示跨区域的纵向变化趋势。数据结构清晰，列名包含ref_area、time、obs_value等核心字段，便于聚合、可视化与建模任务，特别适用于劳动经济学、职业健康与安全领域的统计分析和机器学习的时序预测场景。

背景与挑战

背景概述

在职业安全与健康领域，非致命性职业伤害的统计与分析是评估劳动保护水平、制定干预政策的关键依据。由国际劳工组织（ILO）统计司（ILOSTAT）编撰的该数据集，由Electric Sheep Africa于2024年重新封装并发布，聚焦非洲11个国家在1976至2024年间按性别、伤残类型及移民身份划分的非致命性职业伤害案例。数据集旨在弥合非洲大陆职业伤害数据的分散性与可获取性鸿沟，为区域劳动力市场研究、国际劳工标准监测及可持续发展目标（SDG）中体面工作指标的评估提供标准化、机器可读的时序数据基础。其发布为机器学习驱动的职业安全预测、国家间对比分析以及非洲工伤预防政策的实证研究奠定了重要统计基石。

当前挑战

该领域面临的核心挑战在于非洲国家职业伤害数据的系统性问题：一方面，多数非洲国家缺乏长期、连续的行政记录或劳动力调查制度，导致数据稀疏且时间覆盖不均，如尼日尔仅有2条观测值，而毛里求斯则达140条，样本失衡严重；另一方面，数据来源差异显著，混合了行政记录、劳动力调查等多种统计口径，其定义与采集标准不完全一致，影响跨国家、跨时段的可比性。构建过程中，ILO虽通过ICLS定义进行调和并标注数据源以增强可追溯性，但伤残类型与移民身份等细分维度的缺失值频现，使得多变量联合分析受限；此外，低频的年度发布频率与部分国家仅数年数据点的事实，对时间序列模型的训练与泛化能力提出了严峻考验。

常用场景

经典使用场景

该数据集聚焦于非洲11个国家1976至2024年间非致命职业伤害的案例统计，按性别、伤残类型及移民身份进行细分。其经典使用场景在于构建时间序列模型，用于分析非洲地区职业伤害的长期演变趋势，并基于性別与移民状态等维度进行差异化建模，典型任务包括时序预测（time-series forecasting）与表格数据分类或回归分析。研究者可利用该数据集探索不同国家职业伤害发生率的变化规律，识别高风险群体并评估职业安全政策的历史成效。

衍生相关工作

该数据集衍生了一系列与职业伤害预测模型构建、区域安全绩效评估相关的经典工作。基于此可开发针对非洲特定国家或行业的非致命伤害率动态度量基准，并结合劳工调查数据（如劳动力调查）开展多层次回归分析，量化制度因素与环境变量对伤害风险的影响。此外，该数据与ILOSTAT数据库其他指标（如死亡率、就业率）的联动为构建综合性的非洲劳动安全评价指数提供了可能，也催生了利用机器学习方法进行伤害预警的前沿探索，推动了数据驱动型职业健康研究在非洲的实践。

数据集最近研究

最新研究方向

该数据集聚焦于非洲大陆非致命性职业伤害的性别、伤残类型与移民身份交叉分析，为劳动经济学与职业健康领域的前沿研究提供了稀缺的纵向数据支撑。伴随全球对体面劳动与可持续发展目标（SDG 8.8）的持续关注，尤其在后疫情时代职业安全风险再度凸显的背景下，该数据可助力学者探究非洲各国职业伤害的长期演变趋势、性别差异背后的结构性不平等，以及移民与非移民劳动者在职业健康脆弱性上的分化特征。其1976年至2024年的时间跨度与11个非洲国家的覆盖范围，使得跨国比较与时间序列建模成为可能，为制定针对性的职业安全监管政策与干预策略提供了关键实证基础。