electricsheepafrica/africa-ilo-eip-neet-sex-age-rt-share-of-youth-not-in-employment-education-or-trai

该数据集包含非洲49个国家从1991年至2025年的2,484个观测值，聚焦于其他劳动力未充分利用指标主题，具体指标为按性别和年龄划分的未就业、未受教育或未培训青年（NEET）比例（%）。数据来源于国际劳工组织（ILO）的ILOSTAT统计数据库，涵盖国家代码、年份、性别分类（总计、男性、女性）、观测值及数据质量标志等字段，适用于表格分类、回归和时间序列预测任务，旨在支持非洲劳动力市场分析和政策研究。This dataset contains 2,484 observations across 49 African countries from 1991 to 2025, focusing on the topic of Other measures of labour underutilization with the specific indicator Share of youth not in employment, education or training (NEET) by sex and age (%). Sourced from the International Labour Organization (ILO) ILOSTAT database, it includes fields such as country codes, years, sex disaggregation (total, male, female), observed values, and data quality flags, designed for tabular classification, regression, and time-series forecasting tasks to support labour market analysis and policy research in Africa.

搜集汇总

数据集介绍

构建方式

该数据集由国际劳工组织（ILO）下属的ILOSTAT统计数据库提供，经由Electric Sheep Africa团队精心重新封装，使其适用于机器学习工作流。数据通过ILOSTAT的REST API接口直接拉取，具体指标为`EIP_NEET_SEX_AGE_RT`，代表未就业、未接受教育或培训的青年（NEET）比例。原始调查微观数据依据国际劳工统计学家会议（ICLS）定义进行统一协调，来源信息在`source.label`字段中加以标注，确保数据可追溯。数据集构建过程中，仅筛选出非洲地区的ISO3国家代码，最终汇聚了覆盖49个非洲国家的2,484条观测记录，时间跨度从1991年至2025年，呈现为结构清晰的表格形态。

特点

该数据集的一大特色在于其聚焦于非洲大陆的劳动人口结构性指标，专门衡量青年群体中既未就业又未接受教育或培训的比例，按性别和年龄进行精细分解。数据包含`sex`维度，细分出总计、男性、女性三类，为研究性别差异提供了宝贵视角。此外，数据集的注释字段如`obs_status`和`note_indicator`详细记录了观测值的状态（如系列中断、方法修订等），增强了数据的严谨性与可解释性。作为时间序列数据，它支持以国家为单位的纵向分析，且与ILOSTAT的其他指标兼容，便于构建多维度的劳动市场画像。

使用方法

使用者可通过HuggingFace的`datasets`库以一行代码`load_dataset`加载数据，随后转换为Pandas DataFrame进行后续操作。常见的分析流程包括按国家代码筛选特定国家数据，如肯尼亚；对单一指标按时间排序绘制时间序列图，观察NEET比例的变化趋势；或利用透视表将数据重塑为国家×年份的矩阵，便于进行跨国比对或面板数据分析。该数据集设计为年度频率，且已剔除月度或季度序列，使用者需注意这一时间粒度。由于数据以Parquet格式存储并经过标准化处理，研究者可以直接在深度学习或统计建模任务中使用，免去了繁杂的数据清洗步骤。

背景与挑战

背景概述

该数据集由国际劳工组织（ILO）发布，经Electric Sheep Africa重新打包后发布于HuggingFace平台，创建于2025年，聚焦非洲49个国家1991年至2025年间青年未就业、未接受教育或培训（NEET）的比例。核心研究问题在于量化非洲青年劳动力市场的闲置状况与性别、年龄维度的差异，为可持续发展目标（SDG）中的体面工作指标提供数据支撑。作为ILOSTAT数据库的区域子集，该数据填补了非洲大陆长期缺乏标准化、跨时间纵向青年就业指标的系统性空白，对于研究劳动力市场政策、教育投资回报及社会排斥问题具有重要影响力。

当前挑战

领域层面的挑战在于，非洲多国劳动力调查方法不一，数据采集频率、口径差异显著，导致跨国跨年度的NEET指标可比性受限。构建过程中，数据来源涵盖多种原始调查类型（如劳动力调查、行政记录），需通过ILO统一框架进行微数据协调，但部分国家存在数据缺失、序列断裂或标记为临时值（如‘B’标记）的问题，影响了时间序列的连贯性与模型训练可靠性。此外，数据仅包含年度频率，缺少高时间分辨率信息，限制了短期波动预测与政策即时评估的能力。

常用场景

经典使用场景

该数据集收录了1991年至2025年间非洲49个国家的青年未就业、未接受教育或培训（NEET）比例，涵盖2484条观测记录，按性别与年龄进行细致划分。在经典使用场景中，研究者常利用该面板数据进行跨国家、跨时段的纵向比较分析，通过统计建模揭示非洲青年劳动力市场参与度的演变轨迹。时间序列的丰富性使其成为评估区域发展政策、劳动力市场干预措施成效的宝贵资源，尤其在追踪青年就业脆弱性及性别差异方面具有不可替代的价值。

衍生相关工作

基于此数据集，学术界已经衍生出多项具有影响力的经典工作。研究者开发了基于机器学习的预测模型，利用历史NEET序列与宏观经济协变量，预测未来青年就业压力趋势，为提前配置教育资源与就业岗位提供依据。另有工作聚焦于性别与年龄维度的分解分析，构建了非洲青年就业脆弱性指数，深入探讨了不同社会群体面临的风险差异。这些衍生研究不仅丰富了劳动经济学的方法论工具箱，还推动了将NEET指标从单纯的描述性统计转向因果推断与政策模拟，其成果广泛发表于发展研究与国际劳动事务领域的权威期刊之中。

数据集最近研究

最新研究方向

该数据集聚焦于非洲青年未就业、未受教育或培训（NEET）比例的性别与年龄分异，为理解非洲劳动力市场中的结构性闲置问题提供了关键的时空序列数据。在可持续发展目标（SDGs）框架下，尤其是目标8.6倡导降低青年NEET比例的全球议程中，这一数据集成为评估非洲各国政策干预成效、追踪代际不平等及预测劳动力转型趋势的前沿工具。当前研究热点集中于利用该数据揭示新冠疫情后非洲青年就业恢复的性别鸿沟，以及探索城镇化、数字经济和冲突冲突背景下NEET比例的动态演变模式。作为ILOSTAT权威数据经Electric Sheep Africa系统清洗、重构的机器学习就绪版本，它极大降低了研究人员与政策制定者获取高质量、标准化非洲劳动统计信息的门槛，对于推动欠发达地区劳动力市场的实证分析和精准决策具有里程碑意义。