electricsheepasia/asia-ilo-how-temp-sex-ocu-geo-nb-mean-weekly-hours-actually-worked-per-employed-per

该数据集包含亚洲27个国家从1994年至2025年的35,387个观测值，主要指标为“按性别、职业和城乡地区划分的就业人员平均每周实际工作小时数”。数据来源于国际劳工组织（ILO）的ILOSTAT数据库，通过其REST API获取并过滤为亚洲国家。数据集涵盖了就业统计中的工作时间维度，并提供了按性别（总计、男性、女性等）、职业分类和地区类型的细分数据。数据结构包括国家代码、年份、观测值、数据来源、指标代码及标签、分类变量等列。数据以年度频率发布，并包含数据质量说明，如使用ILO选择的“最佳来源”处理多源数据。数据集适用于表格分类、回归和时间序列预测等任务，可用于劳动力市场分析和经济研究。license: 知识共享署名4.0（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: - 10K<n<100K tags: - 表格数据 - 亚洲 - ILOSTAT（国际劳工组织统计数据库） - 工作时长 - ILO（国际劳工组织） - 劳工 - 就业 pretty_name: "按性别、职业及城乡划分的亚洲就业人员周实际平均工作时长（ILOSTAT）" --- # 按性别、职业及城乡划分的亚洲就业人员周实际平均工作时长（ILOSTAT） 🌏 **35387条观测数据** · **27个亚洲国家** · **1994–2025年** · *由[Electric Sheep Asia](https://huggingface.co/electricsheepasia)重新整理发布*      ## 速览 本数据集包含覆盖27个亚洲国家、时间跨度为1994至2025年的**工作时长**类观测数据共**35387条**，仅涉及**1项核心指标**。 ## 数据来源 **ILOSTAT（国际劳工组织统计数据库）**是国际劳工组织（ILO）的官方核心统计数据库，也是全球领先的劳工统计数据来源。该数据库整合了就业、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（Sustainable Development Goals, SDG）体面工作目标等领域的指标，数据源自各国劳动力调查、家庭收入调查、机构调查以及行政记录。其覆盖范围超过200个经济体，数据的标准化工作由国际劳工组织统计司负责完成。 - **数据来源**：[ILOSTAT](https://www.ilo.org/shinyapps/bulkexplorer/?id=HOW_TEMP_SEX_OCU_GEO_NB) - **发布方**：国际劳工组织（ILO） - **许可证**：[知识共享署名4.0（CC-BY-4.0）](https://creativecommons.org/licenses/by/4.0/) - **主题**：工作时长 ## 数据处理流程 本数据集直接从ILOSTAT的REST API接口`https://rplumber.ilo.org/data/indicator?id=HOW_TEMP_SEX_OCU_GEO_NB`拉取数据，并筛选出亚洲地区的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（International Conference of Labour Statisticians, ICLS）的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，以确保可追溯性。 ## 地理覆盖范围 覆盖27个亚洲国家，以下为按数据行数排序的前15个国家： | 国家编码 | 数据行数 | 起始年份 | 终止年份 | |---------|-----:|-----------:|----------:| | `CYP` | 3,707 | 1999 | 2024 | | `KHM` | 2,686 | 1997 | 2023 | | `PHL` | 2,475 | 2007 | 2023 | | `VNM` | 2,388 | 2007 | 2024 | | `KOR` | 2,304 | 2000 | 2025 | | `IDN` | 2,205 | 1994 | 2023 | | `LKA` | 2,077 | 2010 | 2024 | | `THA` | 1,902 | 2010 | 2024 | | `PAK` | 1,689 | 2006 | 2025 | | `TUR` | 1,620 | 2000 | 2013 | | `PSE` | 1,511 | 2015 | 2022 | | `BRN` | 1,266 | 2014 | 2024 | | `GEO` | 1,110 | 2017 | 2024 | | `IND` | 1,026 | 2018 | 2025 | | `JOR` | 985 | 2017 | 2024 | | ... | 其余12个国家 | | | ## 指标示例 - `HOW_TEMP_SEX_OCU_GEO_NB` — 按性别、职业及城乡区域划分的就业人员周实际平均工作时长 ## 字段说明 | 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 | `AFG`（阿富汗） | | `ref_area.label` | `string` | 英文国家名称 | `Afghanistan`（阿富汗） | | `source` | `string` | ILOSTAT 来源代码（如劳动力调查） | `BA:15715` | | `source.label` | `string` | 英文来源名称 | `LFS - Labour Force Survey`（劳动力调查） | | `indicator` | `string` | ILOSTAT 指标代码 | `HOW_TEMP_SEX_OCU_GEO_NB` | | `indicator.label` | `string` | 英文指标名称 | `Mean weekly hours actually worked per…`（就业人员周实际平均工作时长……） | | `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` | 无额外说明 | `Total`（总计） | | `classif1` | `string` | 第一分类变量（年龄、教育程度、就业状态等） | `OCU_SKILL_TOTAL` | | `classif1.label` | `string` | 无额外说明 | `Occupation (Skill level): Total`（职业（技能水平）：总计） | | `classif2` | `string` | 适用场景下的第二分类变量 | `GEO_COV_NAT` | | `classif2.label` | `string` | 无额外说明 | `Area type: National`（区域类型：全国范围） | | `time` | `int64` | 观测年份 | `2021` | | `obs_value` | `float64` | 观测指标值（单位随指标变化，请参见指标定义） | `39.6` | | `obs_status` | `string` | 观测状态标记（如临时数据、不可靠数据） | `U` | | `obs_status.label` | `string` | 无额外说明 | `Unreliable`（不可靠） | | `note_indicator` | `string` | 无额外说明 | `T11:142` | | `note_indicator.label` | `string` | 无额外说明 | `Job coverage: Main job currently held`（工作覆盖范围：当前从事的主要工作） | | `note_source` | `string` | 无额外说明 | `R1:3513_S3:8` | | `note_source.label` | `string` | 无额外说明 | `Repository: ILO-STATISTICS - Micro da…`（存储库：ILO统计司-微观数据……） | ## 细分维度 以下字段提供数据细分维度： - **`sex`**（共4个唯一取值）：`SEX_T`、`SEX_M`、`SEX_F`、`SEX_O` ## 数据质量与使用须知 - 数据为年度频率。部分指标同时发布月度或季度序列数据，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”。 - 仅当指标支持对应细分维度时，`sex`、`classif1`、`classif2`等细分字段才会有非空值。 ## 使用方法 python from datasets import load_dataset ds = load_dataset("electricsheepasia/asia-ilo-how-temp-sex-ocu-geo-nb-mean-weekly-hours-actually-worked-per-employed-per") df = ds["train"].to_pandas() print(df.head()) ### 筛选单个国家数据 python indonesia = df[df["ref_area"] == "IDN"] ### 单指标时间序列可视化 python sample = (df[df["indicator"] == "HOW_TEMP_SEX_OCU_GEO_NB"] .sort_values("time")) sample.plot(x="time", y="obs_value", title="HOW_TEMP_SEX_OCU_GEO_NB") ### 转换为国家×年份矩阵 python matrix = (df[df["indicator"] == "HOW_TEMP_SEX_OCU_GEO_NB"] .pivot_table(index="time", columns="ref_area", values="obs_value")) print(matrix.tail()) ## 引用格式 bibtex @misc{asia_ilo_how_temp_sex_ocu_geo_nb_mean_weekly_hours_actually_worked_per_employed_per_2025, title = {Mean weekly hours actually worked per employed person by sex, occupation and rural / urban | Asia (ILOSTAT)}, author = {International Labour Organization (ILO)}, year = {2025}, url = {https://www.ilo.org/shinyapps/bulkexplorer/?id=HOW_TEMP_SEX_OCU_GEO_NB}, publisher = {HuggingFace Datasets, repackaged by Electric Sheep Asia}, howpublished = {url{https://huggingface.co/datasets/electricsheepasia/asia-ilo-how-temp-sex-ocu-geo-nb-mean-weekly-hours-actually-worked-per-employed-per}} } ## 许可证 本数据集采用[知识共享署名4.0（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 Asia的重新整理版本。 ## 关于Electric Sheep Electric Sheep Asia 是Electric Sheep项目的组成部分，该项目旨在为HuggingFace平台上的亚洲地区数据构建统一的、适配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schema进行标准化处理，以Parquet格式打包，并发布格式统一的数据集卡片，使研究人员和开发者可以通过`load_dataset()`函数在数秒内启动数据使用工作。 浏览完整数据集集合：[huggingface.co/electricsheepasia](https://huggingface.co/electricsheepasia) --- _数据溯源：2026年5月27日通过Electric Sheep数据管道摄入。源数据URL：https://www.ilo.org/shinyapps/bulkexplorer/?id=HOW_TEMP_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）核心统计数据库ILOSTAT，通过REST API接口获取原始指标数据，并筛选出亚洲ISO3国家代码对应的观测值。ILOSTAT依据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、跨时期数据的可比性。Electric Sheep Asia团队对数据进行重新打包，以Parquet格式存储，并附以一致的元数据卡片，便于研究者通过HuggingFace的`load_dataset()`接口直接加载使用。

特点

数据集包含35,387条观测记录，覆盖27个亚洲国家，时间跨度从1994年至2025年。核心指标为“按性别、职业和城乡划分的受雇人员实际每周平均工作小时数”，并提供详细的维度分类，包括性别（总、男、女、其他）、职业技能水平以及地理覆盖类型。每条观测均附有来源标签、数据状态标识及注释信息，便于用户评估数据质量。数据为年度频率，采用ILO选定的最佳来源，确保每一国家-年份组合的唯一性与可靠性。

使用方法

用户可通过HuggingFace Datasets库中的`load_dataset()`函数直接加载数据集，并转换为Pandas DataFrame进行后续分析。典型应用包括：按国家代码筛选特定国家的子集，例如筛选印度尼西亚的数据；对单个指标按时间排序以绘制时间序列图；使用数据透视表构建国家-年份矩阵，便于跨国家比较。数据集适用于表格分类、回归及时间序列预测等任务，其结构化的维度字段可支持多维分组与聚合分析。

背景与挑战

背景概述

该数据集由国际劳工组织（ILO）于2025年通过其ILOSTAT统计数据库发布，并由Electric Sheep Asia在HuggingFace上重新打包，涵盖1994至2025年间27个亚洲国家（如柬埔寨、菲律宾、韩国等）的35,387条观测记录。其核心研究问题聚焦于按性别、职业和城乡区域划分的受雇人员平均每周实际工作小时数，旨在填补亚洲地区劳动力市场精细粒度数据的缺失。作为ILO在劳动统计领域的标杆性产出，该数据集依托统一的ICLS定义对各国劳动力调查、住户收入调查等原始微观数据进行协调，为区域性的工作条件比较、性别差异分析以及城镇化对劳动强度的影响提供了可靠依据，对推动亚洲发展经济学的实证研究产生了重要影响。

当前挑战

领域层面，该数据旨在攻克劳动力市场研究中的一个关键障碍：如何同时捕捉性别、职业层级与城乡地理三重维度对工作时长的影响，从而超越传统单一维度的描述性统计。构建过程中，挑战主要来源于数据异构性与可追溯性：各国调查问卷的设计、抽样框架、职业分类体系（如技能水平分层）及城乡界定标准存在显著差异，需通过ILO的标准化流程进行协调；部分观测值因来源数据可靠性不足被标记为“不可靠”，且同一国家-年份组合可能出现多个来源，须依赖ILO的“最优来源”选择策略，这在自动化流程中易引入主观偏差；此外，27个国家的覆盖并不平衡，如塞浦路斯有3,707条记录，而部分国家数据稀疏，可能导致区域分析中的代表性不足问题。

常用场景

经典使用场景

该数据集记录了27个亚洲国家1994年至2025年间，按性别、职业以及城乡地域划分的就业人员每周平均实际工作小时数。经典使用场景聚焦于劳动经济学的时序分析与面板数据建模，研究者通过该数据集可以构建固定效应或随机效应模型，揭示亚洲各国劳动工时在性别维度上的差异与演变趋势，同时评估职业类别和地理分布（农村/城市）对工作时长的影响。数据的高时间分辨率与多维度分类特征，使其成为分析劳动力市场结构变迁、检验闲暇-消费替代理论假说的理想资源。

解决学术问题

在学术研究层面，该数据集有效回应了劳动经济学与发展经济学领域若干重要议题，包括性别工资与工时差距的跨国比较、城镇化进程中农村劳动力供给弹性的测度、以及职业技能分层对工作时长异质性的解释力。通过整合国际劳工组织统一规范的微观调查数据，它解决了以往研究因各国统计口径不一而产生的可比性难题，为评估国际劳工组织体面劳动议程在亚洲区域的实施进展提供了精准的量化依据。

衍生相关工作

围绕该数据集衍生了若干具有学术影响力的经典工作，包括基于长周期面板数据对亚洲国家倒U型工时-收入关系的再检验，以及利用机器学习方法对性别工时差距进行多因素归因分析。研究者还将其与ILOSTAT中其他指标（如失业率、非正规就业比例）关联，构建综合性劳动市场脆弱性指数。此外，该数据催生了聚焦东亚与东南亚地区工时收敛假说的跨国比较研究，推动了区域劳动经济学实证分析方法的深化。