electricsheepafrica/africa-ilo-how-temp-sex-est-dsb-nb-mean-weekly-hours-actually-worked-per-employed-per

该数据集包含来自国际劳工组织（ILO）ILOSTAT数据库的统计信息，主题为“工作时间”。具体来说，它记录了非洲23个国家（2008年至2025年）的2211个观测值，核心指标为“平均每周实际工作时间 per 就业人口”，并按照性别、企业规模和残疾状况进行细分。数据通过ILOSTAT REST API获取，经过标准化处理，涵盖国家代码、来源、指标代码、分类变量、年份、观测值及状态等字段。数据集适用于表格分类、回归和时间序列预测等任务，旨在为研究人员和开发者提供机器学习就绪的非洲劳动力市场数据。This dataset contains statistical data sourced from the ILOSTAT database of the International Labour Organization (ILO), focusing on the theme of working hours. Specifically, it documents 2211 observations across 23 African countries spanning the period from 2008 to 2025, with the core indicator being average actual weekly working hours per employed population, and is disaggregated by gender, firm size, and disability status. The data was acquired via the ILOSTAT REST API, standardized, and covers fields including country code, data source, indicator code, categorical variables, year, observed values, and status. This dataset is suitable for tasks such as tabular classification, regression, and time series forecasting, and aims to provide researchers and developers with machine learning-ready African labor market data.

搜集汇总

数据集介绍

构建方式

该数据集由Electric Sheep Africa团队基于国际劳工组织ILOSTAT数据库中的原始指标精心提炼而成，聚焦于非洲23个国家2008至2025年间平均每周实际工作小时数。其构建方式通过调用ILOSTAT REST API直接获取结构化数据，并严格依据非洲ISO3国家代码进行地域过滤。原始微观数据经由国际劳工统计学家会议标准统一整合，确保跨国的可比性与一致性。每条观测记录均附有来源标签，以保障数据可追溯性。最终汇集成包含2,211条观测的规范化表格，便于机器学习与统计分析直接调用。

特点

本数据集最显著的特点在于其多维度的细粒度分解架构。除了按性别区分（总、男、女）外，还涵盖了企业规模与残疾状况等分类维度，这为研究劳动力市场中特定群体的工时差异提供了丰富视角。数据覆盖23个非洲国家时间跨度达17年，空间与时间双重维度使其成为分析非洲劳动力市场长周期趋势的宝贵资源。此外，每条记录包含观测状态标志与注释信息，有助于研究者精准评估数据质量与异常波动。

使用方法

该数据集以HuggingFace Datasets标准格式发布，使用者可通过简单的`load_dataset`函数一键加载并转换为Pandas DataFrame进行探索。推荐使用过滤操作针对具体国家或指标提取子集，以进行聚焦分析。若需进行时间序列分析，可依据观测年份排序并可视化趋势变化。借助透视表功能，还能轻松构建国家×年份的观测值矩阵，便于进行跨国的横向比较与面板数据建模，科研与政策分析皆宜。

背景与挑战

背景概述

该数据集由国际劳工组织（ILO）统计部门基于ILOSTAT数据库整理，于2025年经Electric Sheep Africa团队重新打包发布至HuggingFace平台。其核心研究问题聚焦于非洲地区就业人口每周实际工作小时数的分布特征与演变趋势，特别关注性别、企业规模及残疾状况等维度的差异性。数据集涵盖了2008至2025年间23个非洲国家的2,211条观测记录，为劳动经济学、发展经济学及公共政策研究提供了不可或缺的时空数据基础。通过标准化处理和多源调查数据的整合，该数据集显著提升了非洲区域劳动力市场比较分析的可及性与可靠性，成为相关领域研究人员探索工作模式、评估劳工权益及制定就业政策的重要实证依据。

当前挑战

该数据集所解决的领域问题核心在于非洲劳动力市场中工作时间的系统性与可比性数据缺失，尤其是在性别、企业规模及残疾状况等细分维度上的信息匮乏。传统上，非洲各国劳动力调查数据的采集标准、分类体系与发布周期参差不齐，阻碍了跨国比较与趋势分析。在数据集构建过程中，主要挑战包括：一是从ILOSTAT API中提取并整合多源异构调查数据时，需应对不同国家在调查设计、时间跨度与样本代表性上的差异；二是处理缺失值、异常值及观测状态标记（如“不可靠”），确保数据质量；三是协调分类变量（如性别、企业规模、残疾状态）的定义一致性，将原始微观数据统一至ICLS国际统计标准框架下，以实现跨时空的有效归并与解析。

常用场景

经典使用场景

该数据集聚焦于非洲23个国家2008至2025年间按性别、企业规模和残疾状况划分的从业人员周平均实际工作小时数，是劳动经济学与区域发展研究领域不可或缺的时空面板数据。其核心应用价值在于为时间序列预测任务提供标准化的基础观测，研究者可借助经典的时间序列模型如ARIMA、Prophet或LSTM，对各国劳动力工时变化趋势进行短期与中期预测。此外，该数据因涵盖多维分类变量（性别、企业规模、残疾状态），亦广泛适用于表格数据的分类与回归分析，例如构建模型探究不同人口特征群体在工时分配上的结构性差异，为理解非洲劳动力市场的内在异质性提供数据支撑。

衍生相关工作

围绕该数据集，学术界已涌现出一系列具有启发性的衍生工作。基于其主干数据架构，研究者构建了融合宏观经济指标（如GDP增长率、通胀率）的多变量预测框架，揭示了工时波动与经济周期的深层联动关系。另有学者将其作为基准数据集，对比不同机器学习算法（从随机森林到图神经网络）在稀疏面板数据上的预测表现，推动了小样本时间序列建模方法的发展。此外，该数据集的性别与残疾状况分组特征，还催生了一系列关注劳动力市场公平性的政策模拟研究，为劳动经济学领域的数据驱动型治理提供了创新范式。

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、企业规模和残疾状况划分的就业人员实际周平均工时，为劳动经济学与包容性发展研究提供了精细化的时间序列数据支撑。当前前沿研究方向包括利用此数据结合机器学习模型预测非洲国家劳动力市场的结构性变化，探索工时差异与性别平等、残疾包容政策之间的关联，以及通过面板数据分析评估后疫情时代非洲非正规就业形态的演变趋势。此外，该数据集与ILOSTAT的整合为跨国比较研究奠定了坚实基础，有助于识别不同发展水平国家在体面劳动目标上的进展与瓶颈，对推动联合国可持续发展目标8（体面工作和经济增长）在非洲的区域实施具有重要政策参考价值。