electricsheepafrica/africa-ilo-une-3eap-sex-age-dsb-rt-youth-unemployment-rate-by-sex-age-and-disability

该数据集包含非洲42个国家从1998年到2025年的青年失业率数据，按性别、年龄和残疾状况分类，共有3626个观测值，涵盖一个核心指标：青年失业率（按性别、年龄和残疾状况分列，单位为百分比）。数据来源于国际劳工组织（ILO）的ILOSTAT数据库，通过API获取并经过处理，适用于表格分类、回归和时间序列预测等任务。数据集以结构化表格形式提供，包括国家代码、年份、观测值、数据来源和分类维度等列。This dataset contains 3,626 observations of youth unemployment rate data across 42 Africa countries, spanning from 1998 to 2025, with disaggregation by sex, age, and disability status. It covers one distinct indicator: Youth unemployment rate by sex, age and disability status (%). The data is sourced from the ILOSTAT database of the International Labour Organization (ILO), retrieved via API and filtered for African countries, and is suitable for tasks such as tabular classification, regression, and time-series forecasting. The dataset is provided in a structured tabular format with columns including country code, year, observed value, data source, and classification dimensions.

搜集汇总

数据集介绍

构建方式

本数据集源自国际劳工组织（ILO）的ILOSTAT核心统计数据库，通过其REST API接口直接抽取非洲地区青年失业率指标（UNE_3EAP_SEX_AGE_DSB_RT），并依据ISO 3166-1 alpha-3国家代码筛选出覆盖42个非洲国家的观测记录。原始数据基于各国劳动力调查、人口普查与行政记录，经ILO统计部门依据国际劳工统计学家会议（ICLS）定义进行标准化处理。构建过程中，保留了数据溯源列以标注来源，并优先采用ILO选定的“最佳来源”数据，最终整合为包含3,626条观测的长期面板数据集。

特点

该数据集的时间跨度从1998年至2025年，覆盖42个非洲国家，聚焦青年失业率按性别、年龄及残疾状况分类的单一核心指标。数据架构设计精细，包含国家代码、指标标签、性别分类（总/男/女）、年龄组别（如15-29岁青年段）、残疾状况、观测值、数据质量标记及来源注释等20余列字段。特别之处在于提供了多维细分维度，使研究者能够交叉分析性别、年龄与残疾状况对失业率的影响，同时收录了方法修订或不可靠数据的标注信息，保障了分析的可追溯性与严谨性。

使用方法

用户可通过HuggingFace Datasets库的load_dataset函数一键加载数据，并将其转换为Pandas DataFrame进行后续分析。典型使用场景包括：按国家代码过滤获取特定国家的时间序列数据，按指标排序后绘制青年失业率随年份变化的趋势图，或利用透视表功能将数据重塑为国家×年份的矩阵形式，以支持跨国的比较静态分析或面板数据计量模型。该数据集兼容分类、回归与时间序列预测等多种任务范式，为非洲劳动力市场研究提供了即插即用的结构化数据基础。

背景与挑战

背景概述

青年失业率作为衡量劳动力市场健康程度的关键指标，对非洲大陆的可持续发展具有深远影响。然而，由于数据收集能力参差、统计口径不一以及细分维度匮乏，针对非洲青年失业问题的精确量化分析长期面临障碍。在此背景下，国际劳工组织（ILO）通过其核心统计数据库ILOSTAT，整合了来自42个非洲国家的劳动力调查与行政记录数据，于2025年推出了“按性别、年龄和残疾状况划分的青年失业率（非洲）”数据集。该数据集由Electric Sheep Africa重新打包并发布于HuggingFace平台，收录了1998年至2025年间共3,626条观测记录，核心指标聚焦于青年失业率，并提供了性别与残疾状况的细分维度。这一资源极大地弥补了非洲青年劳动力研究中高分辨率、长时间序列数据的空白，为政策制定者、社会学者及机器学习研究者深入理解非洲青年就业困境提供了坚实的数据基底，对推动非洲区域劳动力市场的实证分析与模型构建具有里程碑意义。

当前挑战

该数据集所面临的挑战首要来源于领域问题的复杂性：青年失业本身是一个多维社会现象，其成因交织着教育水平、产业结构、地域冲突与制度环境，而非洲国家间统计体系的不一致性进一步加大了跨区域比较与因果推断的难度。其次，在数据构建过程中，ILOSTAT虽致力于数据调和，但原始调查数据来源各异（如人口普查与劳动力调查），导致同一国家不同年份间可能存在方法论变更（如字段`note_indicator.label`中'Break in series'的标识），从而引入时间序列的不连续性与测量误差。此外，性别与残疾状况的细分数据在部分国家或年度中缺失严重，观测状态标记为'不可靠（Unreliable）'的记录也占据了相当比例，这些数据质量问题对机器学习模型的鲁棒性训练及下游预测任务构成了严峻考验。

常用场景

经典使用场景

该数据集汇聚了非洲42个国家自1998年至2025年间青年失业率按性别、年龄及残疾状况分层的面板数据，共计3626条观测记录。其经典使用场景在于构建跨国家、跨时序的劳动力市场分析模型，研究者可借此剖析非洲青年就业机会的结构性差异，评估性别不平等与残疾包容性政策的实施成效。基于此数据，学术工作流常通过时间序列预测、回归分析或分类任务，揭示经济发展阶段、教育普及程度与青年失业率之间的动态关联。

衍生相关工作

基于该数据集，学术界已衍生出一系列经典工作，涵盖劳动力供给弹性估计、性别工资差距分解、残疾就业障碍的因果推断等前沿议题。研究者常将本数据与非洲家庭收支调查、教育统计数据库相融合，构建综合性人力资本模型，深入探究失业率与技能错配、城乡迁移之间的内生关联。此外，机器学习领域的学者已利用该面板数据开发了隐私保护的就业预测算法，为敏感群体提供脱敏化的就业概率估算，推动了负责任的AI在劳动经济学中的应用边界。

数据集最近研究

最新研究方向

在非洲劳动力市场研究的前沿领域中，该数据集聚焦于青年失业率在性别、年龄及残疾状态交叉维度下的精细刻画，为揭示结构性不平等与包容性增长之间的张力提供了关键数据支撑。结合ILOSTAT对国际劳工统计标准的统一校准，研究人员正借助这些跨42个非洲国家、覆盖1998至2025年的时间序列观测，探索劳动力市场脆弱性在多重身份叠加下的累积效应，尤其关注残疾青年群体在就业排斥中的边缘化轨迹。这一数据资产的开放与ML-ready封装，不仅推动了计量经济学模型与机器学习的融合应用，更呼应了SDG体面工作目标下对残障包容性政策的实证需求，为区域劳动制度改革与国际发展议程的在地化落地注入了量化洞察的活力。