electricsheepafrica/africa-ilo-sdg-f881-sex-mig-rt-sdg-indicator-8-8-1-fatal-occupational-injuries-pe

该数据集包含非洲地区11个国家从2000年至2024年的105个观测值，聚焦于联合国可持续发展目标（SDG）指标8.8.1，即按性别和移民状态划分的每10万名工人中致命职业伤害的统计数据。数据来源于国际劳工组织（ILO）的ILOSTAT数据库，通过REST API直接提取并过滤至非洲国家代码。数据集以表格形式组织，涵盖列如国家代码、国家名称、数据来源、指标代码、性别分类、移民状态分类、年份、观测值等，支持表格分类、回归和时间序列预测等任务。数据经过ILO的标准化处理，使用国际劳工统计学家会议（ICLS）定义进行协调，并包含数据质量说明，例如年度频率、最佳来源选择以及分类列的非空条件。数据集由Electric Sheep Africa重新打包，旨在为非洲提供统一的、机器学习就绪的数据层。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：n<1000 标签： - 表格数据 - 非洲 - ILOSTAT - 职业伤害 - ILO - 劳工 - 就业 数据集名称："SDG指标8.8.1 - 按性别和移民身份划分的每10万名工人致命职业伤害数 | 非洲（ILOSTAT）" # SDG指标8.8.1 - 按性别和移民身份划分的每10万名工人致命职业伤害数 | 非洲（ILOSTAT） 🌍 **105条观测值** · **11个非洲国家** · **2000–2024年** · *由[Electric Sheep Africa](https://huggingface.co/electricsheepafrica)重新封装*      ## 简短摘要 本数据集包含**105条职业伤害相关观测值**，覆盖**11个非洲国家**，时间跨度为**2000–2024年**，仅包含**1项独立指标**。 ## 关于数据源 **国际劳工组织统计数据库（ILOSTAT）** 是国际劳工组织（ILO）的核心统计数据库，也是全球领先的劳工统计权威来源。该数据库整合了就业、失业、工资、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）体面劳动目标等各类指标，数据来源涵盖全国劳动力调查、家庭收入调查、机构调查以及行政记录。其覆盖范围超过200个经济体，由国际劳工组织统计司负责数据的标准化协调。 - **数据源**：[ILOSTAT](https://www.ilo.org/shinyapps/bulkexplorer/?id=SDG_F881_SEX_MIG_RT) - **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**：职业伤害 ## 方法学 本数据集直接从ILOSTAT的REST API接口 `https://rplumber.ilo.org/data/indicator?id=SDG_F881_SEX_MIG_RT` 拉取数据，并筛选出非洲地区的ISO 3166-1 alpha-3国家代码对应的数据集。ILOSTAT依据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协调；数据来源信息将在`source.label`字段中标记，以保证可追溯性。 ## 地理覆盖范围 11个非洲国家，以下为按行数排序的前若干条数据： | 国家代码 | 行数 | 首观测年份 | 末观测年份 | |---------|-----:|-----------:|----------:| | `MUS` | 30 | 2001 | 2024 | | `ZWE` | 20 | 2000 | 2022 | | `EGY` | 18 | 2000 | 2022 | | `BDI` | 12 | 2018 | 2021 | | `ZAF` | 6 | 2024 | 2024 | | `TUN` | 5 | 2000 | 2004 | | `DZA` | 5 | 2000 | 2004 | | `TGO` | 5 | 2000 | 2004 | | `NAM` | 2 | 2000 | 2001 | | `BFA` | 1 | 2000 | 2000 | | `SYC` | 1 | 2018 | 2018 | ## 指标（示例） - `SDG_F881_SEX_MIG_RT` — 可持续发展目标（SDG）指标8.8.1：按性别和移民身份划分的每10万名工人致命职业伤害数 ## 数据架构 | 字段名 | 数据类型 | 字段说明 | 示例 | |--------|------|-------------|---------| | `ref_area` | `string` | ISO 3166-1 alpha-3 国家代码 | `BDI` | | `ref_area.label` | `string` | 英语国家名称 | `Burundi` | | `source` | `string` | ILOSTAT 来源代码（如劳动力调查） | `FX:13591` | | `source.label` | `string` | 英语来源名称 | `ADM - Social Security Regulations` | | `indicator` | `string` | ILOSTAT 指标代码 | `SDG_F881_SEX_MIG_RT` | | `indicator.label` | `string` | 英语指标名称 | `SDG indicator 8.8.1 - Fatal occupatio…` | | `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` | — | `Total` | | `classif1` | `string` | 第一分类变量（年龄、教育程度、身份等） | `MIG_STATUS_TOTAL` | | `classif1.label` | `string` | — | `Migrant status: Total` | | `time` | `int64` | 观测年份 | `2021` | | `obs_value` | `float64` | 观测指标值（单位详见指标定义） | `13.84` | | `obs_status` | `float64` | 观测状态标记（如临时、不可靠） | `—` | | `obs_status.label` | `float64` | — | `—` | | `note_indicator` | `string` | — | `T13:149_I4:219` | | `note_indicator.label` | `string` | — | `Coverage of occupational injuries: Re…` | | `note_source` | `string` | — | `S3:18_S8:1619_S9:66_S6:48` | | `note_source.label` | `string` | — | `Data reference period: July | Economi…` | ## 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 - 数据为年度频率。部分指标同时发布月度或季度序列，本数据集未包含此类数据。 - 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”。 - 细分字段（`sex`、`classif1`、`classif2`）仅在指标支持对应细分时才会非空。 ## 使用方法 python from datasets import load_dataset ds = load_dataset("electricsheepafrica/africa-ilo-sdg-f881-sex-mig-rt-sdg-indicator-8-8-1-fatal-occupational-injuries-pe") df = ds["train"].to_pandas() print(df.head()) ### 筛选单个国家 python kenya = df[df["ref_area"] == "KEN"] ### 单个指标的时间序列数据 python sample = (df[df["indicator"] == "SDG_F881_SEX_MIG_RT"] .sort_values("time")) sample.plot(x="time", y="obs_value", title="SDG_F881_SEX_MIG_RT") ### 转换为国家×年份矩阵 python matrix = (df[df["indicator"] == "SDG_F881_SEX_MIG_RT"] .pivot_table(index="time", columns="ref_area", values="obs_value")) print(matrix.tail()) ## 引用格式 bibtex @misc{africa_ilo_sdg_f881_sex_mig_rt_sdg_indicator_8_8_1_fatal_occupational_injuries_pe_2024, title = {SDG indicator 8.8.1 - Fatal occupational injuries per 100'000 workers by sex and migrant s | Africa (ILOSTAT)}, author = {International Labour Organization (ILO)}, year = {2024}, url = {https://www.ilo.org/shinyapps/bulkexplorer/?id=SDG_F881_SEX_MIG_RT}, publisher = {HuggingFace Datasets, repackaged by Electric Sheep Africa}, howpublished = {url{https://huggingface.co/datasets/electricsheepafrica/africa-ilo-sdg-f881-sex-mig-rt-sdg-indicator-8-8-1-fatal-occupational-injuries-pe}} } ## 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与Electric Sheep Africa的重新封装版本。 ## 关于Electric Sheep Electric Sheep Africa是Electric Sheep使命的一部分：在HuggingFace平台上为非洲地区打造统一的、可直接用于机器学习的标准化数据层。我们从权威开放数据源拉取数据，规范数据架构，封装为Parquet格式，并发布为格式统一的数据集卡片，以便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/electricsheepafrica](https://huggingface.co/electricsheepafrica) --- _数据溯源：2026-05-26通过Electric Sheep流水线获取。源URL：https://www.ilo.org/shinyapps/bulkexplorer/?id=SDG_F881_SEX_MIG_RT_

搜集汇总

数据集介绍

构建方式

该数据集立足联合国可持续发展目标监测框架，聚焦撒哈拉以南非洲职业安全与健康议题，其构建依托国际劳工组织中央统计数据库及联合国SDG数据体系，由Electric Sheep Africa团队对原始统计资料进行系统化重封装。整合流程以标准化元数据为纲，将国际劳工组织按性别与移徙身份分列的致命职业伤害指标，转化为可直接分析的结构化表格，同时附载来源注释与加载指南，使跨境比较与历时追踪得以在统一口径下展开。

特点

数据集体量精简却信息密度可观，覆盖11个非洲国家、2000至2024年共105条观测记录，以表格与文本双模态呈现，采用parquet格式存储，便于高效读取与版本管理。内容围绕每十万名工人致命职业伤害率这一核心指标，按性别和移徙身份细分，揭示劳动力市场中脆弱群体的职业风险分布。其元数据经标准化处理，配有国别、年份与指标字段，支持与Electric Sheep Africa目录内其他数据集进行关联分析。

使用方法

研究者可借助Hugging Face datasets库直接加载数据，通过load_dataset函数获取数据集对象，继而检视特征结构并预览样本；若需开展统计分析，可将表格拆分转换为Pandas数据框，以便进行缺失值探查、分组画像及建模准备。使用中应以显式国别与年份字段为联接键，对缺失值保持审慎，避免在确认变量定义与单位前做出推断性解读，并在成果中标注原始数据来源与Electric Sheep Africa的再封装贡献。

背景与挑战

背景概述

在可持续发展目标（SDGs）框架下，体面劳动与经济增长始终是国际社会关注的核心议题。为监测目标8.8.1的进展，国际劳工组织（ILO）依托ILOSTAT数据库，系统收集了全球职业致命伤害的统计数据。Electric Sheep Africa于2026年将这些非洲区域数据重新整理并发布至Hugging Face平台，涵盖11个非洲国家、2000至2024年间共计105条观测记录，并按性别与移民身份分类呈现。该数据集为研究者提供了审视非洲劳动力市场中职业安全差异的量化基础，对于揭示性别与移民身份在职业风险中的结构性不平等具有重要参考价值。

当前挑战

该数据集所回应的领域问题在于职业安全领域长期存在的数据稀疏与可比性不足，尤其非洲区域在致命职业伤害统计上缺乏统一口径的跨国面板数据，难以支撑精准的因果推断与政策评估。构建过程中的挑战同样显著：原始数据来源于各国上报体系，统计能力参差不齐导致缺失值与口径差异；性别与移民身份交叉分类进一步稀释样本量，使得部分单元格数据稀疏；此外，元数据中未声明具体国家标识与上游发布者信息，增加了数据溯源与地理匹配的难度。这些因素共同制约了数据在建模与比较分析中的稳健性。

常用场景

经典使用场景

在劳动经济学与职业安全健康研究领域，该数据集作为联合国可持续发展目标8.8.1指标的非洲区域化呈现，经典用途在于支撑跨国别、跨性别的致命职业伤害发生率比较分析。研究者可藉由面板数据结构，刻画2000至2024年间11个非洲国家每十万名工人中致命职业伤害的演变轨迹，并检验性别与移民身份所引致的风险分层。此类分析通常与ILOSTAT原始数据库相互印证，构成职业安全计量研究的基础素材。

实际应用

在政策实践层面，该数据集可服务于国际组织与各国劳动监察部门的循证决策。借助分性别与移民身份的伤害率剖面，政策制定者能够识别高风险群体，优化职业安全法规的覆盖范围与执法资源配置。企业社会责任评估、工伤保险精算以及工会维权倡导亦可将该数据作为基准参照，用以监测工作场所安全干预措施在非洲不同辖区内的实际成效。

衍生相关工作

围绕该数据集，后续工作多沿两条脉络展开：其一为与Electric Sheep Africa目录内其他劳工与就业数据集的横向联结，构建非洲体面劳动综合指标体系；其二为方法层面的拓展，如缺失值多重插补、小样本面板的贝叶斯层次建模以及跨国测量不变性检验。这些衍生研究进一步将SDG 8.8.1指标从单一描述性统计推进至比较制度分析与预测建模的范畴。