electricsheepeurope/europe-ilo-how-temp-sex-age-ocu-nb-mean-weekly-hours-actually-worked-per-employed-per

该数据集包含欧洲38个国家从1991年至2025年的476,266个观测值，涉及工作时间主题，具体指标为按性别、年龄和职业划分的每个就业人员实际平均每周工作时间。数据来源于国际劳工组织（ILO）的ILOSTAT数据库，通过REST API获取并过滤为欧洲国家。数据集包括国家代码、国家名称、数据来源、指标代码、指标名称、性别分类、年龄分类、职业分类、观测年份、观测值、观测状态等列，用于表格分类、回归和时间序列预测等任务。数据经过ILO harmonization处理，使用ICLS定义，并标注了来源以便追溯。license: 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: - 100K<n<1M tags: - 表格数据 - 欧洲 - ILOSTAT - 工作时长 - 国际劳工组织（ILO） - 劳工 - 就业 pretty_name: "按性别、年龄与职业划分的欧洲就业人员周均实际工作时长（ILOSTAT）" --- # 按性别、年龄与职业划分的欧洲就业人员周均实际工作时长（ILOSTAT） 🇪🇺 **476,266条观测值** · **38个欧洲国家** · **1991–2025年** · *由[Electric Sheep Europe](https://huggingface.co/electricsheepeurope)重新整理*      ## 核心摘要 本数据集包含**476,266条**覆盖**38个欧洲国家**的**工作时长**数据，时间跨度为**1991–2025年**，仅包含**1项独特指标**。 ## 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。其收录的指标涵盖就业、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）的体面工作目标等，数据来源于全国劳动力调查、家庭收入调查、机构调查以及行政记录。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协调。 - **数据源**：[ILOSTAT](https://www.ilo.org/shinyapps/bulkexplorer/?id=HOW_TEMP_SEX_AGE_OCU_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（`https://rplumber.ilo.org/data/indicator?id=HOW_TEMP_SEX_AGE_OCU_NB`）拉取数据，并筛选出欧洲地区的ISO 3166-1 alpha-3国家代码数据。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`字段中标注，以确保可追溯性。 ## 地理覆盖范围 38个欧洲国家 · 以下按数据行数排序展示部分国家： | 国家 | 数据行数 | 起始年份 | 结束年份 | |---------|-----:|-----------:|----------:| | `CHE` | 17,102 | 1991 | 2025 | | `DEU` | 16,587 | 1992 | 2024 | | `GBR` | 16,532 | 1992 | 2025 | | `NLD` | 16,348 | 1992 | 2024 | | `FRA` | 16,242 | 1992 | 2024 | | `PRT` | 16,024 | 1992 | 2025 | | `IRL` | 16,003 | 1992 | 2024 | | `ESP` | 15,782 | 1992 | 2025 | | `GRC` | 15,631 | 1993 | 2025 | | `ITA` | 15,590 | 1992 | 2024 | | `DNK` | 15,563 | 1992 | 2024 | | `BEL` | 14,824 | 1993 | 2024 | | `AUT` | 14,257 | 1995 | 2025 | | `LUX` | 13,841 | 1992 | 2024 | | `HUN` | 13,835 | 1996 | 2024 | | ... | 另外23个国家 | | | ## 指标（示例） - `HOW_TEMP_SEX_AGE_OCU_NB` — 按性别、年龄与职业划分的就业人员周均实际工作时长 ## 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 | `ALB` | | `ref_area.label` | `string` | 英文国家名称 | `Albania` | | `source` | `string` | ILOSTAT 数据源代码（如劳动力调查） | `BA:480` | | `source.label` | `string` | 英文数据源名称 | `LFS - 劳动力调查` | | `indicator` | `string` | ILOSTAT 指标代码 | `HOW_TEMP_SEX_AGE_OCU_NB` | | `indicator.label` | `string` | 英文指标名称 | `按性别、年龄与职业划分的就业人员周均实际工作时长…` | | `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` | 维度说明 | `总计` | | `classif1` | `string` | 第一分类变量（年龄、教育程度、身份等） | `AGE_YTHADULT_YGE15` | | `classif1.label` | `string` | 分类变量说明 | `年龄（青年、成人）：15岁及以上` | | `classif2` | `string` | 第二分类变量（若适用） | `OCU_SKILL_TOTAL` | | `classif2.label` | `string` | 分类变量说明 | `职业（技能水平）：总计` | | `time` | `int64` | 观测年份 | `2024` | | `obs_value` | `float64` | 观测指标值（单位详见指标定义） | `41.33` | | `obs_status` | `string` | 观测状态标记（如临时、不可靠） | `U` | | `obs_status.label` | `string` | 状态标记说明 | `不可靠` | | `note_classif` | `string` | 分类备注 | `—` | | `note_classif.label` | `string` | 分类备注说明 | `—` | | `note_indicator` | `string` | 指标备注 | `T11:142` | | `note_indicator.label` | `string` | 指标备注说明 | `工作覆盖范围：当前从事的主要工作` | | `note_source` | `string` | 数据源备注 | `R1:3513` | | `note_source.label` | `string` | 数据源备注说明 | `存储库：ILO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非空。 ## 使用方法 python from datasets import load_dataset ds = load_dataset("electricsheepeurope/europe-ilo-how-temp-sex-age-ocu-nb-mean-weekly-hours-actually-worked-per-employed-per") df = ds["train"].to_pandas() print(df.head()) ### 筛选单个国家 python germany = df[df["ref_area"] == "DEU"] ### 单个指标的时间序列数据 python sample = (df[df["indicator"] == "HOW_TEMP_SEX_AGE_OCU_NB"] .sort_values("time")) sample.plot(x="time", y="obs_value", title="HOW_TEMP_SEX_AGE_OCU_NB") ### 转换为国家×年份矩阵 python matrix = (df[df["indicator"] == "HOW_TEMP_SEX_AGE_OCU_NB"] .pivot_table(index="time", columns="ref_area", values="obs_value")) print(matrix.tail()) ## 引用格式 bibtex @misc{europe_ilo_how_temp_sex_age_ocu_nb_mean_weekly_hours_actually_worked_per_employed_per_2025, title = {按性别、年龄与职业划分的欧洲就业人员周均实际工作时长（ILOSTAT)}, author = {国际劳工组织（ILO)}, year = {2025}, url = {https://www.ilo.org/shinyapps/bulkexplorer/?id=HOW_TEMP_SEX_AGE_OCU_NB}, publisher = {HuggingFace数据集，由Electric Sheep Europe重新整理}, howpublished = {url{https://huggingface.co/datasets/electricsheepeurope/europe-ilo-how-temp-sex-age-ocu-nb-mean-weekly-hours-actually-worked-per-employed-per}} } ## 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 Europe的重新整理版本。 ## 关于Electric Sheep Electric Sheep Europe是Electric Sheep计划的一部分：该计划旨在为HuggingFace平台上的欧洲数据构建统一的、适用于机器学习的标准化数据层。我们从权威开源数据源拉取数据，对数据结构进行标准化，以Parquet格式打包，并发布格式统一的数据集卡片，以便研究人员与开发者仅需调用`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27日通过Electric Sheep流水线获取。源URL：https://www.ilo.org/shinyapps/bulkexplorer/?id=HOW_TEMP_SEX_AGE_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中央统计数据库，聚焦于欧洲地区就业人口每周实际工作时间的细致刻画。构建过程中，研究团队通过ILOSTAT的REST API接口直接调取原始指标数据，并依据ISO3国家代码精准筛选出涵盖38个欧洲国家的观测条目。为保障数据的国际可比性与统计严谨性，所有原始调查微观数据均依据国际劳工统计学家会议（ICLS）的定义框架进行标准化处理，并在数据集中通过`source.label`字段标注每一条观测的溯源信息，共计收录476,266条观测记录，时间跨度覆盖1991年至2025年。

特点

本数据集的显著特点在于其多维度的精细分层结构，能够支持从性别、年龄到职业类别的交叉分析。具体而言，`sex`字段提供总和、男性与女性三种分类，`classif1`与`classif2`字段则分别承载年龄组别与技能层级等职业细分信息，使得研究者可以深入探究不同社会群体间工作时间的差异模式。此外，数据集还引入了`obs_status`字段标识数据的可靠性状态（如临时或不可靠数据），并提供了`note_indicator`与`note_source`等补充注释列，为数据质量评估与筛选提供了透明的决策依据，充分体现了官方统计数据的高标准与严谨性。

使用方法

使用者可借助HuggingFace的`datasets`库以一行代码`load_dataset()`便捷加载该数据集，并直接转换为Pandas DataFrame进行后续分析。针对特定国家的研究，可通过`ref_area`字段进行快速过滤；当需要考察时间序列趋势时，可按照`time`字段排序并利用`obs_value`列绘制变化曲线。为构建面板数据结构，推荐使用透视表操作，以`time`为行索引、`ref_area`为列索引、`obs_value`为填充值，从而生成国家-年份矩阵，便于开展跨国家或跨时期的比较分析。所有操作均基于标准化列名设计，确保代码的可复用性与分析流程的清晰可追溯。

背景与挑战

背景概述

劳动工时数据是评估劳动力市场效率、工作生活质量及宏观经济政策效果的核心指标之一。国际劳工组织（ILO）统计司（ILOSTAT）作为全球劳动统计的权威数据库，长期致力于提供涵盖就业、失业、薪酬、工时等多维度的标准化数据。该数据集由Electric Sheep Europe于2025年重新整理发布，聚焦欧洲地区，收录了1991年至2025年间38个欧洲国家共计476,266条观测记录，核心指标为按性别、年龄和职业划分的就业者实际周均工时（HOW_TEMP_SEX_AGE_OCU_NB）。数据源自ILO通过各国劳动力调查、家庭收入调查等渠道采集的微观数据，并依据国际劳动统计学家会议（ICLS）定义进行统一协调。这一数据集的问世，为劳动经济学、社会政策评估及跨国比较研究提供了高质量、细粒度的实证基础，尤其填补了欧洲层面长时序、多维度工时数据的标准化缺口，对于分析劳动供给弹性、性别差异及职业结构演变等议题具有里程碑意义。

当前挑战

该数据集所应对的领域问题核心在于：劳动工时数据常因各国统计口径、调查方法和分类标准差异而难以直接比较，传统研究多依赖零散的国家统计数据，缺乏统一的、可跨时空对比的标准化资源。ILOSTAT虽通过ICLS定义实现了初步协调，但数据整合仍面临多重挑战。其一，构建过程中需处理来自不同国家、不同调查类型（如劳动力调查与建立调查）的原始数据，其采样频率（年度、季度、月度）和指标定义存在固有差异，ILO虽筛选了“最佳来源”以减少噪音，但数据标注中仍存在“不可靠”等质量标签，提示部分观测值需审慎使用。其二，为覆盖38个国家长达35年的时间跨度，需克服历史数据缺失、分类变量（如年龄分组、职业技能等级）在不同时期和国家的演变问题，实证中部分维度的空值直接反映了协调难度。此外，数据集的细粒度分类（性别、年龄、职业）虽增强了分析潜力，但也导致观测数量庞大，对存储效率和查询性能提出更高要求，亟需通过高效的数据架构和标准化Schema（如本数据集采用的Parquet格式）来支撑机器学习与时间序列预测等下游任务。

常用场景

经典使用场景

在劳动经济学与统计分析的交叉领域中，‘欧洲就业者实际周均工时（按性别、年龄与职业细分）’数据集凭借其覆盖38个欧洲国家、跨越1991至2025年的476,266条观测记录，成为研究劳动供给行为与工时演变的经典基石。研究者常借助该数据集进行时间序列建模，揭示各国就业者工作强度的长期趋势与周期性波动；亦可利用其精细的分层维度——性别、年龄组与职业分类——开展分组对比分析，例如考察女性与男性在不同职业层级的工时差距，或探讨青年与成年劳动力的工作投入差异。这些应用不仅为宏观劳动政策评估提供了可靠的实证支撑，还推动了劳动市场分化与个体工作行为理论的发展。

衍生相关工作

围绕这一数据资产，学术界与工业界已衍生出诸多经典工作。在算法层面，有研究以该数据为输入，开发了面向高维时序分类的鲁棒预测框架，实现了对各国工时突变点的早期识别。也有工作聚焦于多任务学习方法，整合工时与失业率、工资等关联指标，构建劳动市场综合态势感知系统。在理论层面，部分学者借助该数据集验证了‘性别工时悖论’在欧洲的跨文化存在性，并提出了修正的职业内部隔离假说。数据本身也催生了开源分析工具包，例如以HuggingFace Datasets为基础构建的交互式可视化面板，使得零代码背景的从业者也能便捷地探索欧洲就业者的工时分布时序，极大地降低了劳动统计分析的知识门槛。

数据集最近研究

最新研究方向

在后疫情时代的欧洲劳动市场重构进程中，基于ILOSTAT规范框架的工时数据正成为剖析就业质量与劳动力弹性配置的前沿倚仗。该数据集聚焦于性别、年龄与职业三维交叉维度下实际周均工作时数的长期演变，为学界追踪远程办公渗透率、劳动力市场性别不平等消长以及职业结构变迁对工作时长的影响提供了高颗粒度的时序依据。近期研究热点集中于利用这一数据验证欧洲各国《欧洲就业指南》中关于‘优质工作时间’的政策效果，并揭示因年龄差异引发的工时极化现象及其对社会保障可持续性的连锁效应。