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

该数据集包含来自国际劳工组织（ILO）ILOSTAT数据库的126,709条观测记录，涵盖38个欧洲国家1992年至2025年的数据。核心指标为HOW_XEES_SEX_OCU_GEO_NB，即按性别、职业和城乡地区划分的雇员实际平均每周工作小时数。数据以表格形式组织，包含国家代码、数据来源、指标代码、性别分类（总计、男性、女性）、职业分类、地区类型、观测年份、观测值及数据状态等字段。数据集适用于表格分类、回归分析和时间序列预测等机器学习任务，旨在为欧洲劳动力市场研究提供标准化、可直接用于模型训练的结构化数据。license: cc-by-4.0 language: - en task_categories: - tabular-classification - tabular-regression - time-series-forecasting multilinguality: monolingual size_categories: - 100K<n<1M tags: - tabular - europe - ilostat - hours-of-work - ilo - labour - employment pretty_name: "按性别、职业及城乡区域划分的雇员实际周平均工时 | 欧洲（ILOSTAT）" # 按性别、职业及城乡区域划分的雇员实际周平均工时 | 欧洲（ILOSTAT） 🇪🇺 **126,709条观测数据** · **38个欧洲国家** · **1992–2025年** · *由[Electric Sheep Europe](https://huggingface.co/electricsheepeurope)重新整理发布*      ## TL;DR 本数据集包含覆盖38个欧洲国家、时间跨度为1992至2025年的**工作时长**类观测数据共**126,709条**，仅涉及**1项明确指标**。 ## 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数据源。该库整合了就业、失业、薪资、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）体面工作目标等领域的指标，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。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。 - **数据来源**：[ILOSTAT](https://www.ilo.org/shinyapps/bulkexplorer/?id=HOW_XEES_SEX_OCU_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_OCU_GEO_NB`拉取数据，并筛选出欧洲地区的ISO3国家代码子集。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；数据来源会在`source.label`字段中标记，以保证可追溯性。 ## 地理覆盖范围 38个欧洲国家，以下按数据条数排序展示部分国家： | 国家 | 数据条数 | 起始年份 | 结束年份 | |---------|-----:|-----------:|----------:| | `DEU` | 5,006 | 1992 | 2024 | | `NLD` | 4,975 | 1992 | 2024 | | `FRA` | 4,943 | 1992 | 2024 | | `DNK` | 4,876 | 1992 | 2024 | | `GRC` | 4,862 | 1992 | 2025 | | `IRL` | 4,739 | 1993 | 2024 | | `PRT` | 4,738 | 1992 | 2024 | | `ITA` | 4,697 | 1992 | 2024 | | `ESP` | 4,670 | 1992 | 2024 | | `BEL` | 4,572 | 1993 | 2024 | | `GBR` | 4,489 | 1992 | 2019 | | `AUT` | 4,308 | 1995 | 2025 | | `FIN` | 4,282 | 1997 | 2024 | | `SWE` | 4,218 | 1997 | 2024 | | `LUX` | 3,940 | 1997 | 2024 | | …… | 其余23个国家 | | | ## 指标（示例） - `HOW_XEES_SEX_OCU_GEO_NB` — 按性别、职业及城乡区域划分的雇员实际周平均工时 ## 数据结构 | 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 | `ALB` | | `ref_area.label` | `string` | 国家英文名称 | `Albania` | | `source` | `string` | ILOSTAT来源代码（如劳动力调查） | `BB:7401` | | `source.label` | `string` | 来源英文名称 | `HIES - Living Standards Survey` | | `indicator` | `string` | ILOSTAT指标代码 | `HOW_XEES_SEX_OCU_GEO_NB` | | `indicator.label` | `string` | 指标英文名称 | `Mean weekly hours actually worked per…` | | `sex` | `string` | 按性别分组（SEX_T = 总计，SEX_M = 男性，SEX_F = 女性） | `SEX_T` | | `sex.label` | `string` | 分组说明 | `Total` | | `classif1` | `string` | 第一个分类变量（年龄、教育程度、就业状态等） | `OCU_SKILL_TOTAL` | | `classif1.label` | `string` | 分类变量说明 | `Occupation (Skill level): Total` | | `classif2` | `string` | 可选的第二个分类变量 | `GEO_COV_NAT` | | `classif2.label` | `string` | 分类变量说明 | `Area type: National` | | `time` | `int64` | 观测年份 | `2012` | | `obs_value` | `float64` | 观测指标值（单位请参见指标定义） | `43.56` | | `obs_status` | `string` | 观测状态标记（如临时、不可靠） | `U` | | `obs_status.label` | `string` | 状态说明 | `Unreliable` | | `note_indicator` | `string` | 指标相关注释 | `I11:264` | | `note_indicator.label` | `string` | 注释说明 | `Break in series: Methodology revised` | | `note_source` | `string` | 来源相关注释 | `R1:3513` | | `note_source.label` | `string` | 注释说明 | `Repository: ILO-STATISTICS - Micro da…` | ## 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。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。 - 若同一国家×年份的同一指标存在多个数据源，将采用国际劳工组织选定的「最优数据源」。 - 仅当指标支持对应细分维度时，细分字段（`sex`、`classif1`、`classif2`）才不会为空。 ## 使用方法 python from datasets import load_dataset ds = load_dataset("electricsheepeurope/europe-ilo-how-xees-sex-ocu-geo-nb-mean-weekly-hours-actually-worked-per-employee-by") df = ds["train"].to_pandas() print(df.head()) ### 筛选单个国家 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_OCU_GEO_NB"] .sort_values("time")) sample.plot(x="time", y="obs_value", title="HOW_XEES_SEX_OCU_GEO_NB") ### 转换为国家×年份矩阵 python matrix = (df[df["indicator"] == "HOW_XEES_SEX_OCU_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_ocu_geo_nb_mean_weekly_hours_actually_worked_per_employee_by_2025, title = {Mean weekly hours actually worked per employee by sex, occupation and rural / urban areas | Europe (ILOSTAT)}, author = {International Labour Organization (ILO)}, year = {2025}, url = {https://www.ilo.org/shinyapps/bulkexplorer/?id=HOW_XEES_SEX_OCU_GEO_NB}, publisher = {HuggingFace Datasets, repackaged by Electric Sheep Europe}, howpublished = {url{https://huggingface.co/datasets/electricsheepeurope/europe-ilo-how-xees-sex-ocu-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项目的组成部分：该项目旨在打造HuggingFace平台上面向欧洲的统一、机器学习就绪型数据层。我们从权威开源数据源拉取数据，标准化字段格式，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/electricsheepeurope](https://huggingface.co/electricsheepeurope) --- _数据溯源：2026年5月28日通过Electric Sheep数据管道摄取。源URL：https://www.ilo.org/shinyapps/bulkexplorer/?id=HOW_XEES_SEX_OCU_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数据库，通过REST API接口直接提取原始指标数据，并依据欧洲ISO3国家代码进行地理过滤。数据经过ILO统计部门的统一协调处理，采用国际劳工统计学家会议（ICLS）定义对各国劳动力调查的微观数据进行标准化整合，最终以Parquet格式打包发布，确保数据的一致性与可追溯性。

使用方法

用户可利用HuggingFace Datasets库通过一行代码加载数据，将其转换为Pandas DataFrame后即可进行灵活分析。支持按国家筛选、按指标绘制时间序列图，或通过透视表构建国家×年份的矩阵以进行跨区域对比。数据集的结构化列设计使得基于性别、职业等维度的分组聚合与统计建模易于实现。

背景与挑战

背景概述

在全球劳动经济学与公共政策研究领域，工时数据是评估劳动力市场效率、性别平等以及区域发展差异的核心指标。该数据集由国际劳工组织（ILO）通过其ILOSTAT数据库整理，并由Electric Sheep Europe于2025年重新打包发布，汇集了1992年至2025年间38个欧洲国家约12.7万条观测记录。数据集聚焦于“按性别、职业和城乡划分的雇员每周实际工作平均小时数”，旨在为跨国家、长时序的劳动经济分析提供标准化、机器可读的基准资源。作为ILO劳动统计体系的延伸，该数据集填补了欧洲区域在精细化工时结构数据上的空白，为政策制定者与研究者探讨工作强度、职业分化及地域不平等提供了坚实的数据基础，对推动欧洲劳动力市场一体化研究具有重要影响力。

当前挑战

该数据集面临的核心领域挑战在于，工时数据受多重社会经济因素交互影响，包括职业技能差异、性别角色分工及城乡经济结构断层，使得从混杂变量中剥离因果效应成为难点。同时，不同国家调查方法（如劳动力调查与住户收入调查）的异质性导致数据可比性受损，ILO虽尝试通过ICLS定义进行协调，但各来源间的系统性偏差仍难以完全消除。在数据构建过程中，挑战集中于多源数据的整合与清洗：同一国家-年份组合可能对应多个数据来源，需依赖ILO的“最佳来源”选择机制，但这会引入主观判断的不确定性；此外，数据质量标注（如“不可靠”标记）的存在虽提升了透明度，却增加了下游建模时对异常值处理的复杂程度，亟需研究者建立稳健的插补与验证框架。

常用场景

经典使用场景

该数据集汇聚了1992年至2025年间38个欧洲国家雇员的周均实际工作小时数，数据按性别、职业与城乡地域进行了精细分层。经典的应用场景聚焦于跨国劳动力市场的比较研究，通过时间序列分析揭示不同国家间工作时间的长期变迁规律。研究者常借助该数据集构建面板数据模型，探究欧洲一体化进程中劳动力供给模式的演变，或评估经济周期对工作时长的异质性冲击。其结构化字段设计支持多维度筛选与聚合，尤其适合进行性别差异、职业分层与城乡二元结构下的工作强度对比研究，为劳动经济学中关于工作时间决定因素的实证分析提供了高质量基础。

解决学术问题

该数据集有效回应了劳动经济学中若干重要学术问题。它解决了长期以来欧洲范围内工作时间数据因各国统计标准不一而难以直接比较的困境，通过ILOSTAT统一编纂标准，实现了跨国面板数据的无缝对接。研究者在探索性别薪资差距、职业隔离与城乡劳动供给差异时，常受困于微观调查数据的碎片化，而该数据集以年度序列填补了高频劳动力市场指标的空白。它助力学者量化技术变革、政策干预（如劳动法修订）与人口结构变动对周均工作时间的因果效应，推动了关于工作不稳定性加剧、零工经济兴起等当代议题的科学讨论。

实际应用

在实际应用层面，该数据集为国际组织、政府智库与社会政策制定者提供了关键决策支持。国际劳工组织（ILO）可利用其监测成员国落实体面劳动议程的进展，尤其关注发展中国家向高收入经济体过渡时工作时长的合规性。欧盟统计局可将其与劳动力调查数据结合，评估成员国工作与生活平衡政策的实际成效。劳动经济学家借助该数据构建预警模型，预测经济衰退期的减岗风险或自动化升级导致的工时极化现象。此外，跨国企业的人力资源部门可基于国别工时基准优化排班策略，而社会保障机构则能更准确地推算养老金缴费基数与工伤发生的风险权重。

数据集最近研究

最新研究方向

在全球劳动力市场结构性变迁与后疫情时代工作模式重构的背景下，该数据集为欧洲多国实际工作时长的精细化分析提供了关键支撑。其核心研究前沿聚焦于两方面：一是利用性别、职业与城乡维度的交叉分层，揭示不同社会群体间工作时长的异质性分布，尤其是疫情后远程办公与灵活就业形态对女性及低技能劳动者工时的影响；二是结合时间序列跨度（1992-2025年）的长周期数据，探究欧洲经济一体化、人口老龄化及数字转型对劳动供给模式的深层冲击。该数据集源自ILOSTAT权威统计体系，经标准化处理后成为机器学习与计量经济学建模的优质资源，在推动欧洲劳动力市场弹性政策设计、国际劳工权益比较研究以及可持续发展目标（SDG）中的体面工作指标监测方面具有显著学术与决策应用价值。