electricsheepafrica/africa-ilo-sdg-n881-sex-mig-rt-sdg-indicator-8-8-1-non-fatal-occupational-injurie

该数据集包含129个观测值，覆盖11个非洲国家（如毛里求斯、津巴布韦、埃及、南非等），时间跨度为2000年至2024年，聚焦于联合国可持续发展目标（SDG）指标8.8.1：按性别和移民身份划分的每10万名工人中的非致命职业伤害发生率。数据来源于国际劳工组织（ILO）的ILOSTAT数据库，由Electric Sheep Africa重新打包发布，以支持机器学习和研究用途。数据集为表格形式，包含国家代码、指标代码、性别分类（总计、男性、女性）、年份、观测值等列，并提供了数据来源、质量说明和分类维度。数据集适用于表格分类、回归和时间序列预测任务，旨在监测非洲地区的劳动安全和职业伤害趋势。license: 知识共享署名4.0国际许可协议(CC BY 4.0) language: - 英语 task_categories: - 表格分类 - 表格回归 - 时间序列预测 multilinguality: 单语言 size_categories: - 样本量<1000 tags: - 表格数据 - 非洲 - ILOSTAT (国际劳工组织统计数据库) - 职业伤害 - ILO (国际劳工组织) - 劳动 - 就业 pretty_name: "可持续发展目标(Sustainable Development Goals, SDG)指标8.8.1——按性别和移民身份划分的每10万名工人中非致命职业伤害数 | 非洲（ILOSTAT）" --- # SDG指标8.8.1——按性别和移民身份划分的每10万名工人中非致命职业伤害 | 非洲（ILOSTAT） 🌍 **129条观测值** · **11个非洲国家** · **2000–2024年** · *由[Electric Sheep Africa](https://huggingface.co/electricsheepafrica)重新整理*      ## 速览(TL;DR) 本数据集包含11个非洲国家2000至2024年间的**129条职业伤害数据观测值**，涵盖**1项独立指标**。 ## 数据来源说明 **ILOSTAT (国际劳工组织统计数据库)** 是国际劳工组织(International Labour Organization, ILO)的核心统计数据库，也是全球领先的劳动统计权威来源。其收录指标涵盖就业、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体面工作目标等领域，数据来源于全国劳动力调查、家庭收入调查、机构调查及行政记录，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协调。 - **数据来源**：[ILOSTAT](https://www.ilo.org/shinyapps/bulkexplorer/?id=SDG_N881_SEX_MIG_RT) - **发布方**：国际劳工组织(ILO) - **许可协议**：[CC BY 4.0](https://creativecommons.org/licenses/by/4.0/) - **主题**：职业伤害 ## 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=SDG_N881_SEX_MIG_RT`拉取原始数据，并筛选出非洲国家的ISO 3166-1 alpha-3国家代码对应的观测值。ILOSTAT依据国际劳工统计学家会议(International Conference of Labour Statisticians, ICLS)的定义对原始调查微观数据进行标准化协调；数据来源可通过`source.label`字段进行溯源追踪。 ## 地理覆盖范围 11个非洲国家，以下按观测值数量排序展示部分样本： | 国家代码 | 观测行数 | 起始年份 | 终止年份 | |---------|-----:|-----------:|----------:| | `MUS` | 36 | 2001 | 2024 | | `ZWE` | 25 | 2000 | 2022 | | `EGY` | 19 | 2000 | 2022 | | `ZAF` | 18 | 2023 | 2024 | | `BDI` | 12 | 2018 | 2021 | | `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_N881_SEX_MIG_RT` — 可持续发展目标指标8.8.1：按性别和移民身份划分的每10万名工人中非致命职业伤害数 ## 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 | `BDI` | | `ref_area.label` | `string` | 英文国家名称 | `布隆迪` | | `source` | `string` | ILOSTAT来源代码（如劳动力调查） | `FX:13591` | | `source.label` | `string` | 英文来源名称 | `ADM - 社会保障条例` | | `indicator` | `string` | ILOSTAT指标代码 | `SDG_N881_SEX_MIG_RT` | | `indicator.label` | `string` | 英文指标名称 | `SDG指标8.8.1 - 非致命职业伤害……` | | `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` | — | `总计` | | `classif1` | `string` | 第一分类变量（年龄、教育程度、身份等） | `MIG_STATUS_TOTAL` | | `classif1.label` | `string` | — | `移民身份：总计` | | `time` | `int64` | 观测年份 | `2021` | | `obs_value` | `float64` | 观测指标值（单位详见指标定义） | `707.0` | | `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` | — | `职业伤害覆盖范围：Re…` | | `note_source` | `string` | — | `S3:18_S8:1619_S9:66_S6:48` | | `note_source.label` | `string` | — | `数据参考周期：7月 | 经济……` | ## 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来源时，将采用国际劳工组织选定的“最佳来源”数据。 - 细分维度字段（`sex`、`classif1`、`classif2`）仅在指标支持该细分维度时才会非空。 ## 使用示例 python from datasets import load_dataset ds = load_dataset("electricsheepafrica/africa-ilo-sdg-n881-sex-mig-rt-sdg-indicator-8-8-1-non-fatal-occupational-injurie") 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可视化 python sample = (df[df["indicator"] == "SDG_N881_SEX_MIG_RT"] .sort_values("time")) sample.plot(x="time", y="obs_value", title="SDG_N881_SEX_MIG_RT") ### 转换为国家×年份矩阵 python matrix = (df[df["indicator"] == "SDG_N881_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_n881_sex_mig_rt_sdg_indicator_8_8_1_non_fatal_occupational_injurie_2024, title = "SDG指标8.8.1——按性别和移民身份划分的每10万名工人中非致命职业伤害数 | 非洲（ILOSTAT）", author = {国际劳工组织(ILO)}, year = {2024}, url = {https://www.ilo.org/shinyapps/bulkexplorer/?id=SDG_N881_SEX_MIG_RT}, publisher = {HuggingFace数据集平台，由Electric Sheep Africa重新整理}, howpublished = {url{https://huggingface.co/datasets/electricsheepafrica/africa-ilo-sdg-n881-sex-mig-rt-sdg-indicator-8-8-1-non-fatal-occupational-injurie}} } ## 许可协议 本数据集采用[CC BY 4.0](https://creativecommons.org/licenses/by/4.0/)许可协议发布。 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来源与Electric Sheep Africa的重新整理版本。 ## 关于Electric Sheep Africa Electric Sheep Africa是Electric Sheep使命的一部分：旨在HuggingFace平台上构建统一的、适用于机器学习的非洲数据层。我们从权威开放数据源获取数据，标准化数据结构，以Parquet格式封装，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：2026-05-26通过Electric Sheep数据管道摄入。源URL：https://www.ilo.org/shinyapps/bulkexplorer/?id=SDG_N881_SEX_MIG_RT_

搜集汇总

数据集介绍

构建方式

该数据集源于国际劳工组织ILOSTAT中央统计数据库，作为联合国可持续发展目标指标8.8.1的非洲区域数据切片，由Electric Sheep Africa基于既有Hugging Face数据卡进行元数据标准化与重新封装。原始观测记录共129条，覆盖11个非洲国家，时间跨度为2000年至2024年，围绕非致命职业伤害每十万名工作者发生率这一单一指标，按性别与移民身份维度组织为表格化结构，并以parquet格式存储，形成面向非洲数据发现与复用的小规模结构化数据集。

特点

数据集以n<1K的轻量规模呈现，涵盖非洲11国24年间的职业安全健康观测，兼具表格与文本模态，属经济学与金融领域。其突出特点在于多维分组设计，同时按性别和移民身份交叉划分职业伤害发生率，为剖析劳动力市场中的脆弱群体差异提供结构化证据。数据以parquet列式格式存储，便于高效读取与类型推断，元数据标注了来源、许可及缺失字段提示，保持了与联合国SDG数据框架的语义对齐。

使用方法

使用者可通过datasets库以load_dataset函数加载该数据集，获取默认切分后查看特征结构与样本记录，并借助to_pandas方法转为数据框以便统计分析。鉴于数据集规模较小且存在元数据缺口，建议在建模前先行检查模式、缺失值分布与变量单位，结合国家、年份及指标字段与其他非洲数据集进行联接，构建可复现的分析流程，并在引用中同时标注原始联合国SDG来源与Electric Sheep Africa的封装工作。

背景与挑战

背景概述

在可持续发展目标（SDGs）框架下，职业安全与健康构成体面劳动的核心维度。联合国国际劳工组织（ILO）依托ILOSTAT数据库，系统采集并发布SDG指标8.8.1——每10万名工人中非致命职业伤害人数，按性别与移民身份分类。该数据集由Electric Sheep Africa于2026年基于联合国SDG数据源进行工程化封装，覆盖2000至2024年间11个非洲国家的129条观测记录，以CC BY 4.0协议开放。其核心研究问题在于揭示非洲地区职业伤害的性别差异与移民工人脆弱性，为劳动政策制定与工伤预防提供跨国可比证据，对推动非洲体面劳动议程具有基础性数据支撑价值。

当前挑战

该数据集所回应的领域问题在于非洲职业伤害统计长期存在的碎片化、性别与移民身份维度缺失，以及跨国可比性不足。构建过程中面临的挑战包括：原始ILOSTAT数据中部分国家与年份的观测值缺失，需在保留缺失机制的前提下谨慎处理；性别与移民身份交叉分类导致子样本稀疏，影响统计推断稳健性；各国职业伤害报告标准、覆盖范围与登记制度差异显著，直接比较需附加强假设；元数据中地理标识与上游发布者信息不完整，增加了来源追溯与变量对齐的难度。

常用场景

经典使用场景

在劳动经济学与职业安全健康领域，该数据集最经典的使用场景是围绕可持续发展目标指标8.8.1开展跨国比较分析。研究者借助其中按性别与移民身份分列的每十万名工人非致命职业伤害数据，构建面板回归模型，考察非洲十一国在2000至2024年间职业安全状况的时序演变与国别差异。此类分析通常以性别和移民身份作为分组变量，揭示不同劳动群体在职业伤害风险暴露上的结构性差异，为评估体面劳动目标的落实进度提供量化依据。

实际应用

在政策实践层面，该数据集为国际组织与非洲各国劳动监察部门提供了监测工具。相关部门可利用其识别职业伤害高发国家与脆弱群体，据此优化安全监管资源配置与工伤保险覆盖策略。企业社会责任评估机构亦可将其纳入供应链尽职调查框架，衡量运营所在地的职业安全绩效。此外，工会组织可援引数据倡导改善移民工人与女性工人的劳动保护条件，推动基于证据的政策对话。

衍生相关工作

围绕该数据集已衍生出一系列经典工作。Electric Sheep Africa以其为节点，构建了非洲开放数据目录，推动与就业、工资及社会保障等数据集的跨域链接。国际劳工组织基于同类指标发布全球职业安全与健康评估报告，形成政策导向的衍生分析。学术界则利用该数据检验移民身份与职业伤害之间关系的理论假说，并开发针对小样本面板的统计推断方法，进一步拓展了可持续发展目标监测的方法论边界。