electricsheepafrica/africa-ilo-how-xees-eco-ocu-nb-mean-weekly-hours-actually-worked-per-employee-by

该数据集包含非洲37个国家从1991年到2025年的76,523条观测数据，重点关注“按经济活动和职业划分的每位员工平均每周实际工作时间”这一指标。数据来源于国际劳工组织（ILO）的ILOSTAT数据库，涵盖了就业、工作时间、经济活动分类和职业分类等信息。数据集经过重新打包，以Parquet格式提供，便于机器学习应用，并包括详细的数据模式、数据质量说明和使用示例。许可证：cc-by-4.0 语言： - 英语 任务类别： - 表格分类（tabular-classification） - 表格回归（tabular-regression） - 时间序列预测（time-series-forecasting） 多语言类型：单语言（monolingual） 样本量范围： - 10K<n<100K 标签： - 表格数据（tabular） - 非洲（africa） - ILOSTAT（国际劳工组织统计数据库，ilostat） - 工作时长（hours-of-work） - ILO（国际劳工组织，ilo） - 劳动（labour） - 就业（employment） 美观名称："按经济活动与职业划分的非洲雇员实际周平均工作时长 | 非洲（ILOSTAT）" --- # 按经济活动与职业划分的非洲雇员实际周平均工作时长 | 非洲（ILOSTAT） 🌍 **76523条观测数据** · **37个非洲国家** · **1991–2025年** · *由[Electric Sheep Africa](https://huggingface.co/electricsheepafrica)重新整理发布*      ## 核心摘要 本数据集包含覆盖37个非洲国家、时间跨度为1991至2025年的**工作时长（Hours of work）**相关数据，共计**76523条观测数据**，涵盖**1项核心指标**。 ## 数据源说明 **ILOSTAT（国际劳工组织统计数据库）**是**ILO（国际劳工组织，International Labour Organization）**的核心统计数据库，也是全球领先的劳动统计权威来源。其收录涵盖就业、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，Sustainable Development Goals）体面劳动相关指标，数据来源于全国劳动力调查、家庭收入调查、机构调查与行政记录。该数据库覆盖全球200余个经济体，由国际劳工组织统计司负责数据标准化工作。 - **数据源**：[ILOSTAT](https://www.ilo.org/shinyapps/bulkexplorer/?id=HOW_XEES_ECO_OCU_NB) - **发布方**：国际劳工组织（ILO，International Labour Organization） - **许可证**：[cc-by-4.0](https://creativecommons.org/licenses/by/4.0/) - **主题**：工作时长（Hours of work） ## 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_ECO_OCU_NB`拉取数据，并筛选出非洲地区的ISO 3166-1 alpha-3国家代码子集。ILOSTAT采用**ICLS（国际劳工统计学家会议，International Conference of Labour Statisticians）**定义对原始调查微观数据进行标准化处理；数据来源会在`source.label`字段中标记，以保证可追溯性。 ## 地理覆盖范围 覆盖37个非洲国家，以下按数据行数排序展示部分国家示例： | 国家代码 | 数据行数 | 起始年份 | 终止年份 | |---------|-----:|-----------:|----------:| | `ZAF` | 10826 | 2000 | 2024 | | `MUS` | 8830 | 2001 | 2024 | | `EGY` | 7064 | 2009 | 2024 | | `RWA` | 3838 | 2014 | 2025 | | `SYC` | 3697 | 2014 | 2024 | | `ZMB` | 3038 | 2017 | 2024 | | `MLI` | 3004 | 2013 | 2024 | | `AGO` | 2832 | 2019 | 2025 | | `GHA` | 2828 | 1991 | 2024 | | `BWA` | 2809 | 1996 | 2024 | | `NAM` | 2782 | 2010 | 2018 | | `ZWE` | 2730 | 2014 | 2024 | | `SEN` | 2412 | 2015 | 2024 | | `TZA` | 2282 | 2001 | 2024 | | `UGA` | 1954 | 2010 | 2021 | | ... | _其余22个国家_ | | | ## 指标（示例） - `HOW_XEES_ECO_OCU_NB` — 按经济活动与职业划分的雇员实际周平均工作时长 ## 数据结构 | 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 | `AGO` | | `ref_area.label` | `string` | 英文国家名称 | `安哥拉` | | `source` | `string` | ILOSTAT 数据源代码（如劳动力调查） | `BA:13951` | | `source.label` | `string` | 英文数据源名称 | `LFS - 就业调查` | | `indicator` | `string` | ILOSTAT 指标代码 | `HOW_XEES_ECO_OCU_NB` | | `indicator.label` | `string` | 英文指标名称 | `按雇员划分的实际周平均工作时长……` | | `classif1` | `string` | 第一分类变量（年龄、教育程度、就业状态等） | `ECO_SECTOR_TOTAL` | | `classif1.label` | `string` | — | `经济活动（大类行业）：总计` | | `classif2` | `string` | 可选第二分类变量 | `OCU_SKILL_TOTAL` | | `classif2.label` | `string` | — | `职业（技能层级）：总计` | | `time` | `int64` | 观测年份 | `2025` | | `obs_value` | `float64` | 观测指标值（单位因指标而异，详见指标定义） | `49.3` | | `obs_status` | `string` | 观测状态标记（如临时、不可靠） | `U` | | `obs_status.label` | `string` | — | `不可靠` | | `note_classif` | `string` | — | `C5:1869` | | `note_classif.label` | `string` | — | `非标准经济活动：包含……` | | `note_indicator` | `string` | — | `I11:264` | | `note_indicator.label` | `string` | — | `序列中断：方法学修订` | | `note_source` | `string` | — | `R1:3513` | | `note_source.label` | `string` | — | `存储库：ILO统计司 - 微观数据……` | ## 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，但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ILO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维度时才非空。 ## 使用方法 python from datasets import load_dataset ds = load_dataset("electricsheepafrica/africa-ilo-how-xees-eco-ocu-nb-mean-weekly-hours-actually-worked-per-employee-by") df = ds["train"].to_pandas() print(df.head()) ### 按单一国家筛选 python kenya = df[df["ref_area"] == "KEN"] ### 单一指标的时间序列可视化 python sample = (df[df["indicator"] == "HOW_XEES_ECO_OCU_NB"] .sort_values("time")) sample.plot(x="time", y="obs_value", title="HOW_XEES_ECO_OCU_NB") ### 转换为国家×年份矩阵 python matrix = (df[df["indicator"] == "HOW_XEES_ECO_OCU_NB"] .pivot_table(index="time", columns="ref_area", values="obs_value")) print(matrix.tail()) ## 引用格式 bibtex @misc{africa_ilo_how_xees_eco_ocu_nb_mean_weekly_hours_actually_worked_per_employee_by_2025, title = {Mean weekly hours actually worked per employee by economic activity and occupation | Africa (ILOSTAT)}, author = {International Labour Organization (ILO)}, year = {2025}, url = {https://www.ilo.org/shinyapps/bulkexplorer/?id=HOW_XEES_ECO_OCU_NB}, publisher = {HuggingFace Datasets, repackaged by Electric Sheep Africa}, howpublished = {url{https://huggingface.co/datasets/electricsheepafrica/africa-ilo-how-xees-eco-ocu-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与Electric Sheep Africa的重新整理版本。 ## 关于Electric Sheep Africa Electric Sheep Africa是Electric Sheep项目的组成部分：旨在为非洲地区在HuggingFace平台上构建统一的、可直接用于机器学习的数据层。我们从权威开源数据源拉取数据，进行格式标准化，封装为Parquet格式，并发布格式统一的数据集卡片，使研究人员与开发者可通过`load_dataset()`函数在数秒内启动工作。浏览完整数据集集合：[huggingface.co/electricsheepafrica](https://huggingface.co/electricsheepafrica) --- _数据溯源：2026年5月27日通过Electric Sheep数据管道摄入。源URL：https://www.ilo.org/shinyapps/bulkexplorer/?id=HOW_XEES_ECO_OCU_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直接拉取指标HOW_XEES_ECO_OCU_NB的数据，并依ISO 3166-1 alpha-3标准筛选出非洲国家的观测记录。ILOSTAT作为全球劳动力统计的核心来源，其数据经国际劳工统计学家会议（ICLS）定义进行统一整合，并标记了源数据出处以确保可追溯性。最终由Electric Sheep Africa进行二次打包，形成了涵盖76,523条观测的标准化表格数据集。

特点

数据集跨越1991年至2025年的长时程，覆盖37个非洲国家，记录了每位雇员按经济活动与职业分类的实际周平均工时单一指标。数据包含丰富的分类变量，如经济活动门类与职业技能等级，并附加了观测状态、数据说明及源注释等质量标记，便于用户评估数据的可靠性与连续性。其年度频率与多来源标识设计，为开展跨国别、跨行业的工时趋势分析与劳动力市场比较研究提供了详实基础。

使用方法

用户可通过HuggingFace Datasets库的load_dataset()函数一键加载数据，并转换成Pandas DataFrame进行后续分析。示例代码展示了按国家筛选、对单一指标进行时间序列可视化，以及通过数据透视表构建国家×年份矩阵的操作流程。该数据集尤适用于时间序列预测、面板数据回归及分类任务，其标准化接口显著降低了非洲劳动力统计数据的获取与预处理门槛。

背景与挑战

背景概述

在全球劳动统计领域，国际劳工组织（ILO）的ILOSTAT数据库长期扮演着权威数据源的角色，为劳动经济学、社会政策及可持续发展目标（SDGs）的监测提供关键指标。该数据集由Electric Sheep Africa于2025年重新打包发布，聚焦非洲大陆37个国家1991至2025年间雇员实际每周平均工作小时数，依据经济活动与职业分类进行统计。共包含76,523条观测记录，所有数据源自ILO统一的劳工统计学家国际会议（ICLS）定义框架。作为非洲区域首个面向机器学习场景的标准化劳动时间数据集，其直接服务于时间序列预测、分类与回归等任务，尤为适合研究非洲劳动力市场的结构变迁、就业质量及体面劳动进展。该数据集填补了非洲大陆高分辨率、跨国产出工作小时数据的空白，为发展经济学与机器学习交叉研究提供了关键基础设施。

当前挑战

该数据集面临的多重挑战体现在两个层面。在领域问题层面，非洲大陆劳动力统计长期受制于调查方法差异显著、各省数据采集频次不一，且多个国家存在严重的不完整记录与报告延迟，导致跨时间与跨国的可比性难以保障。此外，数据中包含大量因方法论调整（如分类编码变更）造成的序列断裂标记，以及观测状态为“不可靠”的标注，为时间序列建模与因果推断增添了噪声。在数据构建过程中，原始ILOSTAT数据需通过REST API批量获取，而API对不同国家与年份的分层异构结构（如分类变量sex、classif1、classif2仅在特定指标释放时非空）带来模式标准化与缺失值处理的复杂性。同时，Electric Sheep Africa团队需要根据最佳来源（ILO选择的'best source'）在多源观测中进行取舍，并确保最终Parquet格式下的元数据（如数据来源标签）具有可溯源性与一致性，这对自动化预处理管道可靠性提出了严苛要求。

常用场景

经典使用场景

该数据集的核心应用场景在于为非洲劳动力市场的时间利用研究提供标准化的跨年度面板数据。基于ILOSTAT统一调查方法论，它涵盖了37个非洲国家1991至2025年间按经济活动与职业分类的员工周实际工作时长均值。在劳动经济学领域，研究者可借助该数据探究非洲不同经济部门（如农业、制造业、服务业）的工作时间差异，分析职业类型与工作时长之间的关联，或构建时间序列模型以识别工作时长的长期趋势与周期波动。其结构化的分类变量（如经济活动与技能水平）为回归分析与对比研究奠定了坚实基础。

实际应用

在实际层面，该数据集为非洲各国的劳动政策制定与国际发展评估提供了宝贵的量化支撑。决策者可利用其中细致的工作时长指标，监测特定行业或职业是否存在过劳或就业不足现象，据此设计更为合理的工时法规与社会保障方案。同时，该数据集也服务于国际组织对标联合国可持续发展目标（SDGs）中体面劳动指标的进展评估，帮助识别哪些国家在缩减不合理工时方面取得了进展，哪些领域尚待改善，从而指导资源分配与政策干预的优先顺序。

衍生相关工作

围绕这一数据源，学术界与政策研究机构已衍生出多项重要工作。基于ILOSTAT同系列更广泛的劳动力指标，众多学者构建了非洲劳动力市场多层次数据库，用以实证分析全球化对非洲劳工条件的影响、贸易自由化与工作时长的关联，以及最低工资政策对就业时间的调节效应。此外，国际劳工组织自身每年发布的《全球工资报告》与《世界就业与社会展望》均大量援引此类数据，深化了对发展中国家非典型就业形态与工作时长不稳定的理解。这组工作不仅推动了理论模型的校准，也强化了数据驱动的劳动治理实践。