electricsheepafrica/africa-ilo-lac-xees-eco-nb-average-hourly-labour-cost-per-employee-by-economi

该数据集包含来自国际劳工组织（ILO）ILOSTAT数据库的劳动力成本统计数据，专门针对非洲地区。数据集涵盖6个非洲国家（包括布隆迪、几内亚、赤道几内亚、毛里求斯、南非和津巴布韦），时间跨度为2009年至2024年，共510个观测值。核心指标为LAC_XEES_ECO_NB，即按经济活动划分的每名员工平均每小时劳动力成本（已停用，本地货币），用于衡量不同经济活动中雇员的每小时劳动力成本。数据以表格形式组织，包含国家代码、国家名称、数据来源、指标代码、分类变量、观测年份、观测值及其状态标志等列。数据集经过ILOSTAT的标准化处理，基于国际劳工统计学家会议（ICLS）定义，确保数据可比性。它适用于表格分类、回归和时间序列预测等机器学习任务，为研究非洲劳动力市场、经济分析和政策制定提供结构化数据支持。数据集由Electric Sheep Africa重新打包发布，采用CC-BY-4.0许可证。This dataset contains labor cost statistics sourced from the International Labour Organization (ILO) ILOSTAT database, specifically focused on the African region. It covers 6 African countries: Burundi, Guinea, Equatorial Guinea, Mauritius, South Africa, and Zimbabwe, with a time range from 2009 to 2024, totaling 510 observations. The core indicator is LAC_XEES_ECO_NB, which represents the average hourly labor cost per employee classified by economic activity (discontinued, denominated in local currency), used to quantify the hourly labor cost of employees across various economic sectors. The dataset is structured in tabular form, containing columns such as country code, country name, data source, indicator code, categorical variables, observation year, observed value, and its status flag. It has been standardized by ILOSTAT based on the definitions established by the International Conference of Labour Statisticians (ICLS), ensuring cross-country data comparability. This dataset is suitable for machine learning tasks including tabular classification, regression, and time series forecasting, providing structured data support for research on African labor markets, economic analysis, and policy-making. It was republished by Electric Sheep Africa under the CC-BY-4.0 license.

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）旗下的ILOSTAT统计数据库，聚焦于非洲地区雇员平均每小时劳动成本这一核心指标。数据通过ILOSTAT提供的REST API接口直接获取，并依据非洲国家ISO3编码进行筛选与整合。原始数据来源于各国劳动力调查、住户收入调查、企业调查及行政记录，经ILO统计部门依据国际劳工统计学家会议（ICLS）定义进行统一协调与标准化处理。最终形成包含510条观测记录、覆盖6个非洲国家、时间跨度从2009年至2024年的精简数据集，由Electric Sheep Africa团队重新打包并发布。

使用方法

数据集可通过HuggingFace Datasets库便捷加载，仅需一行代码`load_dataset()`即可将数据转换为Pandas DataFrame格式，适合后续分析。用户可根据国家代码（如'ref_area'）进行单国数据筛选，或利用'indicator'字段定位特定指标进行时间序列可视化。数据集还支持通过透视表操作，构建以年份为行、国家为列的数据矩阵，便于跨经济体的横向比较。此外，由于采用标准化的元数据格式，研究者可将其与ILOSTAT其他指标无缝衔接，开展多维度的劳动市场实证分析。

背景与挑战

背景概述

该数据集由国际劳工组织（ILO）于2024年创建，经Electric Sheep Africa重新打包发布，聚焦非洲六国（毛里求斯、南非、津巴布韦、赤道几内亚、几内亚、布隆迪）2009至2024年间按经济活动分类的每小时平均劳动力成本（已终止序列）。数据集源自ILOSTAT数据库，该数据库是国际劳工统计领域的权威来源，整合了各国劳动力调查、行政记录等多源数据，并依据国际劳工统计学家会议（ICLS）定义进行统一梳理。核心研究问题在于揭示非洲地区劳动力成本的行业分布与时间演变规律，为劳动经济学、区域发展及国际比较研究提供标准化数据基础。该数据集填补了非洲劳动力成本微观统计的空白，对评估区域就业质量、产业竞争力及可持续发展目标中体面工作相关指标具有重要支撑作用。

当前挑战

领域层面，数据集致力于解决非洲劳动力成本统计长期面临的碎片化与数据缺失问题，特别是在经济发展不均、调查体系薄弱的国家，如何从异质性的国家统计源中提取可比较的劳动力成本指标构成关键挑战。构建过程中，数据获取面临多个瓶颈：一是ILOSTAT原始API接口的数据覆盖面有限，仅六个非洲国家拥有完整时间序列；二是劳动成本概念界定不一，部分国家采用国民账户体系（SNA）数据，另一些则基于劳动力调查，导致统计口径差异；三是历史数据存在非标准经济活动分类与异常值标记（如观测状态含临时或不可靠标识），需系统性清洗与校验。此外，重新打包过程需统一频次（仅保留年度数据）、处理多源冲突（采用ILO优选来源）并维持追踪原始标注，确保数据质量的透明性与可复现性。

常用场景

经典使用场景

该数据集的核心应用场景在于对非洲国家平均小时劳动力成本进行多维度剖析，涵盖分类、回归与时间序列预测三大任务。研究者可基于经济活动的行业分类（如ISIC-Rev.4标准）与时间跨年数据，构建劳动力成本动态演变的回归模型，以捕捉不同经济部门间成本的差异与趋势。同时，时间序列预测任务能利用2009至2024年的年度观测值，对未来劳动力成本走向进行推断，为经济学与劳动统计学领域提供基础数据支撑。数据集的表格结构也支持分类任务，用于识别不同国家或行业在劳动力成本上的模式归属。

解决学术问题

该数据集解决了非洲地区劳动力成本系统化数据的稀缺难题，弥补了区域劳动统计中长时间序列、跨国可比性不足的学术空白。它使研究者能够量化不同非洲经济体（如毛里求斯、南非、津巴布韦等）在特定经济活动中的劳动力成本差异，进而探讨全球价值链背景下的要素成本竞争格局。通过ILOSTAT标准化的方法论保障，数据跨时空的一致性得以实现，为研究劳动力市场效率、产业转移与经济发展阶段之间的关系提供了可靠的实证基础。其意义在于促进非洲劳动经济学的量化研究从定性描述向统计推断跃迁。

实际应用

在实际应用中，该数据集为跨国企业的人力资源规划与投资选址决策提供了底层数据引擎。企业可据此比较不同非洲国家特定行业的劳动力成本水平，优化海外工厂或分支机构的布局策略，进而降低运营成本。国际组织如ILO可依托此数据集评估各国劳动政策对薪酬体系的影响，监测体面劳动目标的进度。此外，发展机构与政策制定者能利用该数据开展区域经济对标分析，识别劳动力成本优势与劣势，引导产业结构调整。对于数据科学社区而言，该数据集作为通过Hugging Face `load_dataset()`直接加载的标准化资源，降低了劳动经济学分析的技术门槛。

数据集最近研究

最新研究方向

该数据集聚焦于非洲劳动经济学的精细化研究，为分析非洲大陆小时劳动成本的时空演变提供了标准化数据基础。近期前沿方向包括利用该面板数据（涵盖毛里求斯、南非等6国2009-2024年观测值）开展劳动成本与产业结构转型的关联分析，以及通过时间序列模型预测非正式经济向正规化过渡中的工资刚性特征。结合ILOSTAT的SDG体面工作指标，该数据正被用于验证非洲工业化进程中劳动成本优势的可持续性，并与全球价值链重塑、非洲大陆自由贸易区（AfCFTA）政策效应等热点议题深度绑定。其断点续传特性（Discontinued）更催生了关于数据缺口填补方法的研究，推动机器学习和因果推断技术在不完整劳动统计中的应用边界，为后疫情时代非洲就业市场的动态监测提供关键实证支撑。