electricsheepeurope/europe-ilo-str-days-eco-nb-days-not-worked-due-to-strikes-and-lockouts-by-eco

该数据集包含来自31个欧洲国家、时间跨度为1969年至2024年的11,181条关于劳资关系的观测数据，涵盖1个具体指标：因罢工和停工而未工作的天数（按经济活动分类）。数据来源于国际劳工组织（ILO）的ILOSTAT统计数据库，涉及劳资关系主题，包括各国每年因罢工和停工导致未工作天数的统计记录。This dataset contains 11,181 observations of Industrial relations data across 31 Europe countries, spanning 1969–2024, covering 1 distinct indicators: Days not worked due to strikes and lockouts by economic activity. The data is sourced from the ILOSTAT database of the International Labour Organization (ILO), focusing on industrial relations, with records of days not worked due to strikes and lockouts by economic activity for each country and year.

搜集汇总

数据集介绍

构建方式

该数据集源自ILOSTAT官方REST API，通过提取指标代码"STR_DAYS_ECO_NB"对应的原始数据，并依据欧洲ISO3国家代码进行地理过滤，最终由Electric Sheep Europe团队重新整合打包。研究者从ILO的中央统计数据库中直接获取经过国际劳动统计学家会议（ICLS）定义标准化处理的调查微观数据，涵盖了1969年至2024年期间31个欧洲国家共计11,181条观测记录。数据的来源标识被清晰保留在"source.label"字段中，确保了每一笔数据的可追溯性与原始权威性。

特点

该数据集以年度频率记录了因罢工与停工而损失的劳动天数，并按经济活动类别进行细致分类，形成单一但聚焦的核心指标。其特色在于提供了丰富的元数据注解，包括观测状态标志、数据来源说明以及非标准经济活动范围提示等，便于用户识别数据的质量与适用场景。数据集合了西班牙、法国、比利时等多个欧洲国家的长时间序列，覆盖范围广，时间跨度长达近六十年，为工业关系领域的纵向比较研究奠定了坚实基础。

使用方法

使用者可通过Hugging Face Datasets库中的"load_dataset"函数以一行代码直接加载该数据集，并将其转换为Pandas DataFrame进行灵活操作。例如，可依据国家代码字段"ref_area"快速筛选单个国家的数据，或针对特定指标按时间序列进行排序与可视化分析，直观呈现劳动纠纷事件的历史演变趋势。此外，利用数据透视表功能，能够轻松构建以年份为行、国家为列的矩阵式面板数据，便于开展跨国的对比回归或时间序列预测建模任务。

背景与挑战

背景概述

该数据集由国际劳工组织（ILO）统计司基于其核心数据库ILOSTAT构建，由Electric Sheep Europe于2024年重新打包并发布于HuggingFace平台，聚焦欧洲31个国家1969至2024年间因罢工和停工导致的未工作天数，涵盖1项核心指标与11,181条观测记录。作为劳动统计学领域的权威数据源，ILOSTAT依据国际劳工统计学家会议（ICLS）定义对各国劳动力调查、行政记录等原始数据进行标准化整合，为研究欧洲工业关系演变、劳资冲突经济影响及劳动力市场韧性提供了横跨半个多世纪的量化基础。该数据集填补了欧洲跨国长时间序列劳动纠纷指标的系统性空白，尤其助力于分析经济周期与罢工活动之间的关联模式，已广泛应用于劳动关系、劳动经济学及社会政策等领域的实证研究。

当前挑战

该数据集面临的核心领域挑战在于：劳动纠纷数据（如罢工天数）易受国家间报告标准差异、统计口径变迁及数据缺失影响，导致跨国可比性受限；历史数据中部分国家存在观察值缺失或来源覆盖不连续的问题（如意大利数据止于2008年），而欧洲各国劳动统计制度差异（如行政记录与调查数据的混合使用）进一步增加了指标一致性维护的复杂度。构建过程中遇到的挑战包括：从ILOSTAT REST API批量提取数据时需处理多源异构标注（如source.label字段中既有劳动力调查又有工会行政记录），并需依据ILO的“最佳来源”选择策略对同一国家年份的多源数据进行筛选；同时需应对经济行业分类（如ECO_SECTOR_TOTAL与其他细分条目）的跨版本对齐问题，以及注解字段（如note_indicator）中隐含的覆盖范围限制条件（如“仅含部分经济领域”）对分析结果的有效性影响。

常用场景

经典使用场景

在欧洲工业关系与劳动经济学研究中，该数据集最经典的使用场景是构建面板数据模型，分析因罢工和闭锁造成的未工作天数与宏观经济变量之间的动态关联。研究者常将其与工资增长率、消费者价格指数、失业率等经济指标结合，利用固定效应或随机效应模型，探究工业行动对经济产出的短期冲击与长期效应。此外，时间序列预测方法也被广泛应用于此，通过ARIMA或结构时间序列模型，对特定国家或行业的罢工强度进行趋势分解与未来预测，为理解欧洲劳动力市场的冲突演化规律提供数据支撑。

衍生相关工作

围绕该数据集，学术界已衍生出多项具有影响力的经典工作。在计量方法层面，学者们利用其面板结构发展了事件研究法与合成控制法，量化了重大劳资立法改革对罢工频率的实际影响。在理论建构方面，研究者结合该数据与ILO其他劳动统计指标，构建了欧洲工业冲突的多维指数体系，提出了“制度张力-行动表现”的理论模型，解释了北欧与南欧国家罢工模式的制度性差异。此外，基于深度学习的时间序列预测架构，如结合注意力机制的LSTM模型，已被成功应用于该数据，实现了对数十年罢工趋势的精准推演，推动了劳动经济学与计算社会科学的交叉融合。

数据集最近研究

最新研究方向

围绕欧洲区域因罢工与闭锁造成的工时损失，该数据集为劳动经济学、产业关系与劳动力市场动态的前沿研究提供了稀有的长时序面板数据。近年来的研究热点集中于结合宏观政治经济事件（如欧洲债务危机、新冠疫情后劳资冲突激增）与结构性变迁（如零工经济崛起、工会密度下降）来分析罢工行为的波动模式。数据涵盖1969年至2024年31国，其跨经济活动的细分维度（如按行业分类）使学者能运用时间序列因果推断或机器学习方法，精准识别不同产业中罢工风险的驱动因素。作为国际劳工组织官方统计的标准化再包装成果，该数据集在比较性量化劳资冲突的社会成本、评估劳工政策干预效果以及构建预警模型等方向上具有标杆意义，为理解欧洲劳动关系的韧性演变贡献了不可替代的实证基础。