electricsheepafrica/africa-nigeria-sectorial-distribution-of-value-added-tax-82367ead

该数据集是一个关于非洲尼日利亚官方开放数据的增值税部门分布数据集，由Electric Sheep Africa重新打包为ML就绪的Parquet格式。它包含34行数据，覆盖1个非洲国家（尼日利亚），时间跨度为2025年。数据来源于尼日利亚国家统计局发布的“Q4 2025 Value Added Tax Report”ZIP资源，作为表格资源进行标准化处理。数据集包括多个列，如国家代码、年份、分类和多个增值税相关指标（例如value_added_tax、vat系列列），旨在提供尼日利亚2025年增值税的部门分布信息，适用于表格分类和回归任务。This dataset is a sectorial distribution of Value Added Tax (VAT) for Africa, specifically Nigeria official open data, repackaged by Electric Sheep Africa as ML-ready Parquet. It contains 34 rows, covering 1 African country (Nigeria) for the year 2025. The source is a ZIP resource from the National Bureau of Statistics, Nigeria, titled Q4 2025 Value Added Tax Report, processed as a normalized tabular resource. The dataset includes columns such as country codes, year, classifications, and multiple VAT-related indicators (e.g., value_added_tax, vat series columns), providing insights into VAT distribution across sectors in Nigeria for 2025, suitable for tabular classification and regression tasks.

搜集汇总

数据集介绍

构建方式

本数据集由Electric Sheep Africa团队整理并重新打包，源自尼日利亚国家统计局（National Bureau of Statistics, Nigeria）官方发布的Q4 2025增值税报告（Sectorial Distribution of Value Added Tax），原始数据以ZIP格式提供，经过标准化处理，转化为机器学习就绪的Parquet格式。数据集包含34行观测记录，覆盖2025年这一时间跨度，聚焦于尼日利亚一个非洲国家。所有可用的表格列均被保留并整合为一个规范化表格资源，每条记录还附带了来源元数据，如数据提供方、提取时间和许可证信息，确保数据的可追溯性与透明性。

特点

该数据集具有鲜明的官方统计特性，聚焦于尼日利亚增值税的行业分布情况，收录了34个观测样本。其结构设计精巧，不仅包含原始的税项数值字段（如value_added_tax、vat等）和分类字段（如classification），还引入了标准化的地理标识（country_iso3）与时间标识（year），支持跨行业比较与分析。尤为突出的是，数据集保留了丰富的溯源信息，包括来源URL、资源ID和检索时间戳，为科学研究者提供了完整的数据沿革档案，增强了数据的可信度与复用价值。

使用方法

研究者可借助Hugging Face的datasets库，通过简洁的`load_dataset()`函数直接加载该数据集。加载后，数据集被组织为`train`分割，可轻松转换为Pandas DataFrame进行后续分析。支持按国家代码（如NGA）筛选单一国家数据，或通过识别'indicator_id'等标准字段进行指标维度的分析。该数据集原生适配表格分类与回归任务，尤其适用于非洲经济与公共财政领域的计量分析、行业税负比较或政策影响评估，极大降低了研究者处理原始官方数据的门槛。

背景与挑战

背景概述

该数据集由尼日利亚国家统计局于2025年发布，经Electric Sheep Africa重新打包为机器学习就绪的Parquet格式，收录于HuggingFace平台。数据集聚焦尼日利亚各部门的增值税分布情况，包含34条记录，覆盖该国2025年第四季度的增值税报告。作为非洲官方开放数据的一部分，该数据集旨在弥合非洲官方统计与机器学习应用之间的鸿沟，为研究非洲经济结构、税收政策及部门间经济活动提供标准化、可复用的数据基础。其发布标志着非洲开放数据在机器学习领域的重要实践，推动了区域性经济数据的可访问性与可分析性。

当前挑战

该数据集面临的挑战包括：1) 所解决的领域问题在于，非洲增值税数据的碎片化和非标准化严重制约了跨境经济分析与政策评估，该数据集通过统一模式整合官方统计，为税收结构研究和部门经济贡献度分析提供了关键数据支撑；2) 构建过程中，原始数据以ZIP压缩包形式存储，缺乏统一模式与机器可读性，需要耗费大量精力进行数据提取、清洗、模式对齐与元数据丰富，同时确保与官方来源的可追溯性，以保证数据质量和可信度。

常用场景

经典使用场景

在非洲经济与公共财政研究领域，该数据集为分析尼日利亚增值税的行业分布格局提供了标准化、机器可读的基础素材。研究者可借助其清晰的表格结构，针对农业、制造业、服务业等不同经济部门的增值税贡献量进行横向对比与纵向追踪。围绕'classification'与'vat'系列字段，可构建多元回归或聚类模型，用以探究行业特征与税负水平之间的内在关联，亦可作为时序预测任务的训练基准，评估各行业增值税的季度波动趋势。

实际应用

在实际应用中，该数据集可赋能尼日利亚国家统计局及国际组织对增值税征管绩效的自动化监测。金融与咨询机构可基于其行业税负数据优化客户投资组合的风险评估模型，识别税负敏感型行业的潜在波动。非营利组织亦可利用该数据倡导更公平的税收改革方案，通过可视化仪表盘向公众披露各行业税负差异，提升财政透明度。同时，教育机构能将其作为案例数据，教授学生如何运用机器学习方法处理官方统计资料。

衍生相关工作

该数据集衍生了一系列开创性工作，例如Electric Sheep Africa团队将其整合进统一的非洲机器学习数据层，实现了跨国家、跨年度的标准化查询接口。数据发布后，有研究者据此开发了尼日利亚增值税预测的基准模型（如基于LightGBM的行业税负回归器），并在HuggingFace平台共享了预训练权重。另有一些工作围绕其元数据扩展了非洲税收数据的知识图谱，将'classification'字段与联合国国际标准行业分类（ISIC）进行对齐，从而打通与全球行业税负研究的比较分析通道。