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

该数据集包含34,472个观测值，涉及38个欧洲国家，时间跨度为1987年至2025年，涵盖1个核心指标：按性别和教育程度划分的雇员实际每周平均工作小时数（指标代码：HOW_XEES_SEX_EDU_NB）。数据来源于国际劳工组织（ILO）的ILOSTAT数据库，通过REST API获取，并过滤为欧洲国家。数据集提供了详细的分类维度，包括性别（总计、男性、女性）和教育程度（总计），以及国家代码、年份、观测值、数据来源、观测状态和相关注释。数据以年度频率发布，经过ILO的标准化处理，适用于表格分类、回归和时间序列预测等任务。数据集由Electric Sheep Europe重新打包，以Parquet格式提供，便于机器学习使用。--- 许可证：CC-BY-4.0 语言： - 英语 任务类别： - 表格分类 - 表格回归 - 时间序列预测 多语言属性：单语言 样本量范围： - 10000 < 观测数 < 100000 标签： - 表格数据 - 欧洲 - ILOSTAT - 工时 - 国际劳工组织（ILO） - 劳工 - 就业 友好名称："按性别和教育程度划分的雇员实际周平均工时 | 欧洲（ILOSTAT）" --- # 按性别和教育程度划分的雇员实际周平均工时 | 欧洲（ILOSTAT） 🇪🇺 **34,472 条观测值** · **38 个欧洲国家** · **1987–2025** · *由[Electric Sheep Europe](https://huggingface.co/electricsheepeurope)重新封装*      ## 摘要（TL;DR） 本数据集包含34,472条**工时**数据观测值，覆盖38个欧洲国家，时间跨度为1987至2025年，仅包含1项核心指标。 ## 数据源说明 **国际劳工组织统计数据库（ILOSTAT）** 是国际劳工组织（ILO）的核心统计库，也是全球领先的劳工统计权威来源。其收录的指标涵盖就业、失业、薪酬、工作时长、童工、非正规经济、社会保障、职业伤害以及可持续发展目标（SDG）的体面工作目标等，数据来源于全国劳动力调查、家庭收入调查、机构调查以及行政记录，覆盖全球200余个经济体，由国际劳工组织统计司负责数据的标准化整合。 - **数据源**：[ILOSTAT](https://www.ilo.org/shinyapps/bulkexplorer/?id=HOW_XEES_SEX_EDU_NB) - **发布方**：国际劳工组织（ILO） - **许可证**：[CC-BY-4.0](https://creativecommons.org/licenses/by/4.0/) - **主题**：工作时长 ## 数据处理方法 本数据集直接从ILOSTAT的REST API接口`https://rplumber.ilo.org/data/indicator?id=HOW_XEES_SEX_EDU_NB`拉取原始数据，并筛选出欧洲地区的ISO 3位国家代码子集。ILOSTAT采用国际劳工统计学家会议（ICLS）的定义对原始调查微观数据进行标准化整合，数据来源可通过`source.label`字段进行溯源。 ## 地理覆盖范围 38个欧洲国家，以下为按数据行数排序的前13个国家及剩余23个国家概况： | 国家代码 | 数据行数 | 起始年份 | 结束年份 | |---------|-----:|-----------:|----------:| | `GRC` | 1,726 | 1987 | 2025 | | `CHE` | 1,459 | 1991 | 2025 | | `GBR` | 1,188 | 1992 | 2025 | | `CZE` | 1,161 | 1998 | 2024 | | `FRA` | 1,099 | 1993 | 2024 | | `IRL` | 1,067 | 1992 | 2024 | | `NLD` | 1,047 | 1996 | 2024 | | `PRT` | 1,038 | 1992 | 2025 | | `LUX` | 1,019 | 1992 | 2024 | | `ITA` | 1,004 | 1992 | 2024 | | `BEL` | 999 | 1992 | 2024 | | `ESP` | 997 | 1992 | 2025 | | `DNK` | 970 | 1992 | 2024 | | `DEU` | 970 | 1992 | 2024 | | `NOR` | 949 | 1996 | 2024 | | ... | 其余23个国家 | | | ## 指标（示例） - `HOW_XEES_SEX_EDU_NB` — 按性别和教育程度划分的雇员实际周平均工时 ## 数据字段结构 | 字段名 | 数据类型 | 字段说明 | 示例值 | |--------|------|-------------|---------| | `ref_area` | `string` | ISO 3166-1 alpha-3 国家代码 | `ALB` | | `ref_area.label` | `string` | 英文国家名称 | `Albania` | | `source` | `string` | ILOSTAT 来源代码（如劳动力调查） | `BA:480` | | `source.label` | `string` | 英文来源名称 | `LFS - 劳动力调查` | | `indicator` | `string` | ILOSTAT 指标代码 | `HOW_XEES_SEX_EDU_NB` | | `indicator.label` | `string` | 英文指标名称 | `Mean weekly hours actually worked per…` | | `sex` | `string` | 性别细分维度（`SEX_T`=总计、`SEX_M`=男性、`SEX_F`=女性） | `SEX_T` | | `sex.label` | `string` | 维度对应说明 | `总计` | | `classif1` | `string` | 第一分类变量（年龄、教育程度、就业状态等） | `EDU_AGGREGATE_TOTAL` | | `classif1.label` | `string` | 分类变量说明 | `教育程度（聚合级别）：总计` | | `time` | `int64` | 观测年份 | `2024` | | `obs_value` | `float64` | 观测指标值（单位详见指标定义） | `43.6` | | `obs_status` | `string` | 观测状态标记（如临时数据、不可靠数据） | `U` | | `obs_status.label` | `string` | 状态标记对应说明 | `不可靠` | | `note_classif` | `string` | 分类变量注释代码 | `C3:5578` | | `note_classif.label` | `string` | 注释说明 | `非标准教育水平：包含……` | | `note_indicator` | `string` | 指标注释代码 | `I11:264` | | `note_indicator.label` | `string` | 注释说明 | `序列中断：方法学修订` | | `note_source` | `string` | 来源注释代码 | `R1:3513` | | `note_source.label` | `string` | 注释说明 | `存储库：ILO统计司 - 微观数据……` | ## 细分维度 以下字段提供数据细分维度： - **`sex`**（共3个唯一值）：`SEX_T`、`SEX_M`、`SEX_F` ## 数据质量与注意事项 - 本数据集采用年度频率数据，部分指标另有月度或季度序列，未纳入本数据集。 - 当同一国家×年份的同一指标存在多个数据源时，将采用国际劳工组织选定的“最优数据源”。 - 细分维度字段（`sex`、`classif1`、`classif2`）仅在指标支持对应细分时才会非空。 ## 使用示例 python from datasets import load_dataset ds = load_dataset("electricsheepeurope/europe-ilo-how-xees-sex-edu-nb-mean-weekly-hours-actually-worked-per-employee-by") df = ds["train"].to_pandas() print(df.head()) ### 单一国家数据筛选 python germany = df[df["ref_area"] == "DEU"] ### 单指标时间序列可视化 python sample = (df[df["indicator"] == "HOW_XEES_SEX_EDU_NB"] .sort_values("time")) sample.plot(x="time", y="obs_value", title="HOW_XEES_SEX_EDU_NB") ### 转换为国家×年份矩阵 python matrix = (df[df["indicator"] == "HOW_XEES_SEX_EDU_NB"] .pivot_table(index="time", columns="ref_area", values="obs_value")) print(matrix.tail()) ## 引用格式 bibtex @misc{europe_ilo_how_xees_sex_edu_nb_mean_weekly_hours_actually_worked_per_employee_by_2025, title = {按性别和教育程度划分的雇员实际周平均工时 | 欧洲（ILOSTAT)}, author = {国际劳工组织（ILO)}, year = {2025}, url = {https://www.ilo.org/shinyapps/bulkexplorer/?id=HOW_XEES_SEX_EDU_NB}, publisher = {HuggingFace数据集，由Electric Sheep Europe重新封装}, howpublished = {\url{https://huggingface.co/datasets/electricsheepeurope/europe-ilo-how-xees-sex-edu-nb-mean-weekly-hours-actually-worked-per-employee-by}} } ## 许可证 本数据集采用[CC-BY-4.0](https://creativecommons.org/licenses/by/4.0/)许可证发布。 原始数据版权归国际劳工组织（ILO）所有。使用本数据集时，请同时引用上述原始数据源以及Electric Sheep Europe的重新封装版本。 ## 关于Electric Sheep Electric Sheep Europe是Electric Sheep项目的欧洲分支，该项目旨在构建HuggingFace平台上统一的、适配机器学习的欧洲地区数据层。我们从权威开源数据源拉取数据，标准化字段结构，封装为Parquet格式，并发布为统一格式的数据集卡片，使研究人员和开发者仅需通过`load_dataset()`即可在数秒内开始使用数据。 浏览完整数据集集合：[huggingface.co/electricsheepeurope](https://huggingface.co/electricsheepeurope) --- _数据溯源：2026年5月27日通过Electric Sheep流水线 ingested。源URL：https://www.ilo.org/shinyapps/bulkexplorer/?id=HOW_XEES_SEX_EDU_NB_

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）的ILOSTAT数据库，通过REST API接口直接抽取原始指标数据，并依据国际劳工统计学家会议（ICLS）定义对调查微观数据进行协调处理。数据随后按欧洲ISO3国家代码进行过滤，最终整合为包含34,472条观测记录的表格形式，涵盖了38个欧洲国家自1987年至2025年的年度劳动工时统计信息。

特点

数据集以单一核心指标“按性别和教育程度划分的雇员实际周平均工时”为中心，通过细致的维度拆解呈现数据结构。其特色在于提供性别（总、男、女）与教育分类的交叉分析，并附带数据来源标签、观测状态标志及系列断裂等注释信息，有助于研究者评估数据质量与可比性。时间跨度近四十年，为纵向比较提供了丰富的序列基础。

使用方法

研究者可通过HuggingFace的`datasets`库便捷加载数据，调用`load_dataset`命令即可获得Pandas DataFrame格式的完整数据表。后续分析可基于国家代码筛选特定国家的工时序列，或利用指标字段进行时间序列可视化与趋势探索。数据表支持重塑为以时间为行、国家为列的矩阵形态，便于开展面板数据分析或跨国产出比较研究。

背景与挑战

背景概述

在全球劳动力市场日益复杂多变的背景下，精确衡量不同群体的劳动投入成为劳动经济学与社会政策研究的核心议题。该数据集由国际劳工组织（ILO）统计司于2025年整理发布，并经Electric Sheep Europe重新打包至HuggingFace平台，聚焦于欧洲38个国家、1987至2025年间员工按性别与教育程度划分的实际每周平均工作时长。数据集源自ILOSTAT这一全球劳动统计权威数据库，通过整合各国劳动力调查、家庭收支调查等微观数据，并依据国际劳工统计学家会议（ICLS）标准进行跨国家、跨时间维度的规范化处理，旨在为研究人员提供高质量、可比较的时空序列数据。作为欧洲区域劳动强度研究的基石资源，该数据集在分析性别教育差异、劳动政策效果评估、以及跨国劳动力市场差异方面具有重要价值，直接回应了可持续发展目标中体面劳动与经济增长的测量需求。

当前挑战

该数据集所应对的核心领域挑战在于：不同性别与教育背景群体的劳动时间差异长期被宏观平均数据所掩盖，导致政策制定者难以精准识别劳动不平等与人力资本错配问题。例如，女性因家庭责任导致的非全职劳动占比，或低教育群体在非正规经济中的隐性工作，均需细颗粒度的分维度数据才能揭示。在数据构建层面，挑战同样棘手：首先，各国劳动力调查的问卷设计、抽样框架与数据采集频次存在显著异质性，ILO需通过复杂的调整算法实现跨年份与国别的可比性；其次，部分国家早期数据缺失或教育分类标准变动（如欧洲资格框架修订），导致序列中出现方法论断裂与不可靠观测值；此外，原始数据中大量存在的数据质量标记（如临时性或不可靠状态）以及多源数据的选择偏好（如ILO优选最佳来源），要求使用者具备专业的数据清洗与领域知识，才能在建模中有效处理这些噪声与偏差。

常用场景

经典使用场景

在劳动经济学的经验研究中，欧洲各国劳动者实际工作时间的差异与演变始终是核心议题。该数据集囊括了38个欧洲国家自1987年至2025年间按性别与教育程度划分的周均实际工时观测值，为研究者提供了横跨近四十年、覆盖完整教育分层与性别维度的面板数据。经典使用场景包括构建跨国比较的宏观工时趋势分析，或作为固定效应模型的被解释变量，用于识别教育回报、性别工资差距以及劳动法规制度差异对工作时长的结构性影响。这些精细的分组维度使得研究者能够剥离出不同人群在劳动力市场中的动态行为模式，从而回答诸如“高等教育是否显著降低女性工时”或“北欧国家性别工时差异的收敛路径”等具体学术追问。

解决学术问题

该数据集首要解决的是跨时期、跨国别且具备细粒度人口特征刻画的工时实证研究数据匮乏问题。传统劳动统计常受限于国家间定义不一或时间序列断裂，而ILOSTAT经协调后的数据为验证人力资本理论、性别分工假说及劳动供给的弹性估计提供了可靠基石。借助该数据，学者能够系统检验教育扩张对劳动供给的挤出效应，量化性别平等政策在缩短工作时长差距上的实际成效，并通过间断点回归或合成控制法评估特定劳动法改革（如每周工时上限）的因果效应。其学术意义在于弥合了宏观劳动统计与微观个体行为之间的分析鸿沟，推动了对欧洲劳动力市场结构性变迁的计量识别。

衍生相关工作

该数据集衍生出的经典工作多聚焦于欧洲劳动力市场的结构分解与政策反事实模拟。研究者基于其面板特征，开发了针对不同教育群体的工时-工资联合方程，揭示范式转换中技能溢价与劳动供给的交互机制。部分前沿工作利用该数据训练时间序列预测模型，通过LSTM或Prophet框架估计未来欧盟各国的劳动投入趋势，为人口老龄化背景下的社会保障可持续性评估提供输入变量。更有学者将其与欧洲家庭收入调查（EU-SILC）或欧盟统计局国民账户数据匹配，构造出包含教育异质性生命周期劳动供给的标准微观仿真模块，这些成果目前已成为欧洲中央银行及世界银行的政策评估工具箱组成部分。