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

该数据集包含欧洲6个国家（奥地利、波斯尼亚和黑塞哥维那、捷克共和国、希腊、摩尔多瓦、塞尔维亚）从1992年至2025年的员工平均每周实际工作小时数观测数据，总计9,758条记录。数据按性别（总计、男性、女性）、企业规模和城乡区域进行细分，来源于国际劳工组织（ILO）的ILOSTAT数据库，通过ILOSTAT REST API获取，并经过欧洲ISO3国家代码过滤。数据集采用表格格式，包含国家代码、指标、分类变量、时间、观测值等列，适用于表格分类、回归和时间序列预测等任务。数据以CC-BY-4.0许可证发布，由Electric Sheep Europe重新打包，旨在为欧洲提供统一的、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 样本规模：1000<n<10000 标签： - 表格数据 - 欧洲 - ILOSTAT - 工作时长 - 国际劳工组织（ILO） - 劳工 - 就业 美观名称："按性别、企业规模及城乡划分的雇员实际周平均工作时长 | 欧洲（ILOSTAT）" # 按性别、企业规模及城乡划分的雇员实际周平均工作时长 | 欧洲（ILOSTAT） 🇪🇺 **9758条观测数据** · **6个欧洲国家** · **1992–2025年** · *由[Electric Sheep Europe](https://huggingface.co/electricsheepeurope)重新整理*      ## 简短摘要 本数据集包含**9758条工作时长数据观测**，覆盖**6个欧洲国家**，时间跨度为**1992年至2025年**，仅包含**1项独立指标**。 ## 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）的核心统计数据库，也是全球领先的劳工统计权威来源。其收录涵盖就业、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多项指标，数据源自全国劳动力调查、家庭收入调查、企业调查及行政记录。该数据库覆盖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。 - **原始数据源**：[ILOSTAT](https://www.ilo.org/shinyapps/bulkexplorer/?id=HOW_XEES_SEX_EST_GEO_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_EST_GEO_NB`拉取原始数据，并筛选出欧洲地区的ISO 3166-1 alpha-3国家编码对应的数据。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；数据来源会在`source.label`字段中标注，以保证可追溯性。 ## 地理覆盖范围 6个欧洲国家，以下为按样本量排序的前六组数据： | 国家 | 样本量 | 起始年份 | 结束年份 | |---------|-----:|-----------:|----------:| | `MDA` | 2685 | 2003 | 2025 | | `BIH` | 2267 | 2001 | 2024 | | `AUT` | 2178 | 2004 | 2025 | | `SRB` | 1890 | 2007 | 2025 | | `GRC` | 504 | 1992 | 2005 | | `CZE` | 234 | 2019 | 2020 | ## 指标（示例） - `HOW_XEES_SEX_EST_GEO_NB` — 按性别、企业规模及城乡地区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 国家编码 | `AUT` | | `ref_area.label` | `string` | 英语国家名称 | `奥地利` | | `source` | `string` | ILOSTAT 来源代码（如劳动力调查） | `BA:103` | | `source.label` | `string` | 英语来源名称 | `劳动力调查（LFS）` | | `indicator` | `string` | ILOSTAT 指标代码 | `HOW_XEES_SEX_EST_GEO_NB` | | `indicator.label` | `string` | 英语指标名称 | `按性别、企业规模及城乡划分的雇员实际周平均工作时长……` | | `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、就业状态等） | `EST_AGGREGATE_TOTAL` | | `classif1.label` | `string` | — | `企业规模（总计）：全部` | | `classif2` | `string` | 可选第二分类变量 | `GEO_COV_NAT` | | `classif2.label` | `string` | — | `区域类型：全国范围` | | `time` | `int64` | 观测年份 | `2025` | | `obs_value` | `float64` | 观测指标值（单位详见指标定义） | `32.62` | | `obs_status` | `string` | 观测状态标记（如临时、不可靠） | `B` | | `obs_status.label` | `string` | — | `序列中断` | | `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：国际劳工组织统计数据库 - 微观数据……` | ## 细分维度 以下字段提供数据细分维度： - **`sex`**（共3个唯一取值）：`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。 - 细分字段（`sex`、`classif1`、`classif2`）仅在指标支持对应细分时才会有非空值。 ## 使用方法 python from datasets import load_dataset ds = load_dataset("electricsheepeurope/europe-ilo-how-xees-sex-est-geo-nb-mean-weekly-hours-actually-worked-per-employee-by") df = ds["train"].to_pandas() print(df.head()) ### 按国家筛选 python germany = df[df["ref_area"] == "DEU"] ### 单个指标的时间序列数据 python sample = (df[df["indicator"] == "HOW_XEES_SEX_EST_GEO_NB"] .sort_values("time")) sample.plot(x="time", y="obs_value", title="HOW_XEES_SEX_EST_GEO_NB") ### 转换为国家×年份透视表 python matrix = (df[df["indicator"] == "HOW_XEES_SEX_EST_GEO_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_est_geo_nb_mean_weekly_hours_actually_worked_per_employee_by_2025, title = {按性别、企业规模及城乡划分的雇员实际周平均工作时长 | 欧洲（ILOSTAT）}, author = {国际劳工组织（ILO）}, year = {2025}, url = {https://www.ilo.org/shinyapps/bulkexplorer/?id=HOW_XEES_SEX_EST_GEO_NB}, publisher = {HuggingFace数据集，由Electric Sheep Europe重新整理}, howpublished = {url{https://huggingface.co/datasets/electricsheepeurope/europe-ilo-how-xees-sex-est-geo-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及Electric Sheep Europe的重新整理版本。 ## 关于Electric Sheep Electric Sheep Europe是Electric Sheep项目的一部分，该项目旨在HuggingFace平台上构建统一的、适用于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，对其schema进行标准化处理，打包为Parquet格式，并发布为统一格式的数据集卡片，以便研究人员和开发者仅需使用`load_dataset()`即可在数秒内开始工作。 浏览完整数据集集合：[huggingface.co/electricsheepeurope](https://huggingface.co/electricsheepeurope) --- _数据溯源：2026年5月28日通过Electric Sheep管道获取。源URL：https://www.ilo.org/shinyapps/bulkexplorer/?id=HOW_XEES_SEX_EST_GEO_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核心统计数据库，通过其REST API直接提取指标'HOW_XEES_SEX_EST_GEO_NB'的原始数据，并依据欧洲ISO3国家代码进行地域筛选。ILOSTAT基于国际劳工统计学家会议（ICLS）定义，对各国劳动力调查、家庭收入调查等微观数据进行统一协调与标准化处理，确保跨国家与跨年度的数据可比性。数据集随后由Electric Sheep Europe团队重新封装，以Parquet格式存储，并通过HuggingFace Datasets库提供便捷加载。

特点

该数据集涵盖1992年至2025年间6个欧洲国家的9,758条观测记录，聚焦于按性别、企业规模及城乡地域划分的雇员每周实际工作小时数。数据维度丰富，包含16列字段，如'sex'、'classif1'（企业规模聚合分类）、'classif2'（城乡地域类型）等分类变量，以及'obs_value'数值指标与'obs_status'状态标记。数据质量标注详尽，如'Break in series'等注释字段揭示了序列中断或方法修订等关键信息，增强了数据的可追溯性与分析稳健性。

使用方法

用户可通过HuggingFace Datasets库直接加载数据集，使用一行代码即可将其转化为Pandas DataFrame进行后续分析。推荐应用包括按国家筛选进行国别比较、针对单一指标构建时间序列以观察长期趋势、以及通过数据透视表生成国家×年份矩阵。此外，数据集中详细的分类变量可用于多维度分组分析，例如探究不同性别、企业规模或城乡背景下工作时间的差异模式。

背景与挑战

背景概述

在全球劳动力市场监测与政策制定的学术脉络中，工作时间数据是衡量劳动强度、生产效率与就业质量的基石指标。由国际劳工组织（ILO）统计部门构建的ILOSTAT数据库，作为全球劳动统计的权威枢纽，汇集了来自200多个经济体的劳动力调查与行政记录数据。在此背景下，Electric Sheep Europe团队于2025年基于ILOSTAT的REST API，重新封装了欧洲地区“按性别、企业规模及城乡划分的员工实际周平均工作时间”数据集。该数据集涵盖1992至2025年间6个欧洲国家（奥地利、波黑、捷克、希腊、摩尔多瓦、塞尔维亚）的9,758条观测记录，旨在为跨国家、跨时期的劳动经济学比较研究提供标准化、机器可读的数据基础，有力地推动了欧洲劳动力市场的时空分析与机器学习应用。

当前挑战

该数据集所应对的核心挑战在于劳动统计领域长期存在的多源异质性问题。一方面，各国劳动力调查在问卷设计、抽样方法、指标定义（如ICLS国际定义的本土化）上存在差异，导致跨国及跨时段的工作时间数据难以直接比较，数据质量与观测状态（如系列中断、方法修订）频繁波动，增加了时序分析与建模的复杂性。另一方面，数据构建过程中面临多重障碍：原始API返回的原始数据包含分散的标签列与分类维度（性别、企业规模、城乡），需要经过严格的解析、筛选（仅限欧洲）与模式规范化处理；同时，由于不同国家覆盖年份不均衡（如捷克仅2019-2020年数据），以及多来源冲突时的“最佳来源”选择逻辑，如何保障数据集的完整性与可追溯性成为关键技术挑战。

常用场景

经典使用场景

该数据集汇聚了欧洲六国1992至2025年间雇员按性别、企业规模及城乡区域划分的实际平均每周工时数据，共计9758条观测记录。其经典使用场景集中于劳动经济学领域的时间序列分析与面板数据建模，研究者可借此刻画不同国家间劳动供给模式的动态演变，并检验性别差异、企业异质性及地理区位如何协同塑造工时决策。数据以年度频率发布，支持跨国家、跨维度的比较研究，为理解欧洲劳动力市场的结构性特征提供了坚实的数据基础。

衍生相关工作

围绕该数据集衍生出一系列标志性工作。在方法论领域，学者构建了基于贝叶斯结构时间序列的跨国工时预测框架，通过引入企业规模与城乡分层变量，提升了短期劳动力指标预报的精度。实证研究中，有论文利用此数据揭示了2008年金融危机后欧洲男女性工时恢复的非对称轨迹，并将之归因于不同行业与规模企业的裁员缓冲能力差异。另有工作整合了ILOSTAT与欧盟统计局数据，开发了融合人口结构变迁的多层次回归模型，用以解释南欧与中欧国家工时长期下行的分化路径，这些成果均凸显了该数据在劳动经济学前沿探索中的核心工具价值。

数据集最近研究

最新研究方向

聚焦于利用国际劳工组织（ILO）的ILOSTAT数据库，该数据集为欧洲地区按性别、企业规模和城乡地域划分的雇员每周实际平均工作时间研究提供了关键支撑。当前，在后疫情时代全球劳动力市场格局重塑的背景下，工时数据的精细化解构成为政策制定与劳动经济学研究的前沿热点。该数据集凭借其长时间跨度（1992–2025）和标准化统计口径，不仅助力学者深入剖析欧洲各国劳动参与率、性别平等及非正规就业的结构性变迁，还可与欧盟就业战略等政策框架形成联动，为评估区域劳动力韧性、推动体面劳动目标（SDG 8）提供量化依据，具有开源数据促进实证研究与跨域比较的重要价值。