electricsheepafrica/africa-ilo-cld-xchl-sex-age-ste-nb-children-in-child-labour-by-sex-age-and-status-in

该数据集是关于非洲童工情况的统计数据集，由国际劳工组织（ILO）的ILOSTAT数据库提供，并由Electric Sheep Africa重新打包发布。数据集包含31个非洲国家从2001年至2025年的2,604个观测值，核心指标为“按性别、年龄和就业状况划分的童工儿童数量（千）”，指标代码为CLD_XCHL_SEX_AGE_STE_NB。数据以表格形式组织，包含多列分类变量，如国家代码（ref_area）、国家名称（ref_area.label）、数据来源（source和source.label）、指标代码和名称（indicator和indicator.label）、性别分类（sex和sex.label，包括总计、男性和女性）、年龄分类（classif1和classif1.label）、就业状况分类（classif2和classif2.label）、观测年份（time）、观测值（obs_value，单位千）以及数据状态标志（obs_status等）。数据集覆盖非洲多个国家，例如加纳（GHA）、赞比亚（ZMB）、埃塞俄比亚（ETH）等，数据来源于国家劳动力调查、家庭收入调查等，并经过ILO的标准化处理。数据集适用于表格分类、回归和时间序列预测等任务，可用于分析非洲童工的趋势、分布和影响因素。This dataset is a statistical dataset on child labour in Africa, provided by the ILOSTAT database of the International Labour Organization (ILO) and repackaged by Electric Sheep Africa. It contains 2,604 observations across 31 African countries from 2001 to 2025, with the core indicator being Children in child labour by sex, age and status in employment (thousands), coded as CLD_XCHL_SEX_AGE_STE_NB. The data is organized in tabular form with multiple classification columns, including country code (ref_area), country name (ref_area.label), data source (source and source.label), indicator code and name (indicator and indicator.label), sex disaggregation (sex and sex.label, covering total, male, and female), age classification (classif1 and classif1.label), employment status classification (classif2 and classif2.label), observation year (time), observed value (obs_value, in thousands), and data status flags (obs_status, etc.). The dataset covers various African countries such as Ghana (GHA), Zambia (ZMB), Ethiopia (ETH), and others, with data sourced from national labour force surveys, household income surveys, etc., and harmonized by the ILO. It is suitable for tasks like tabular classification, regression, and time-series forecasting, and can be used to analyze trends, distribution, and influencing factors of child labour in Africa.

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）的ILOSTAT统计数据库，经由Electric Sheep Africa团队重新打包处理。数据通过ILOSTAT REST API直接抽取，筛选出非洲31个国家的童工劳动数据，并依据ICLS（国际劳工统计学家会议）定义对原始调查微观数据进行协调统一，来源在source.label列中予以标注，确保数据可追溯。数据集包含2,604条观测记录，时间跨度覆盖2001年至2025年，涵盖1个核心指标。

使用方法

用户可通过HuggingFace datasets库轻松加载数据：使用load_dataset函数直接获取训练集，并转换为pandas DataFrame进行后续分析。支持按国家（如KEN）过滤、按时间序列排序并绘制指标变化趋势，以及通过数据透视表构建国家×年份的矩阵。数据集适用于表格分类、回归及时间序列预测任务，为非洲童工劳动研究提供了便捷的机器学习就绪数据层。

背景与挑战

背景概述

该数据集由国际劳工组织（ILO）统计部门于2025年构建，经Electric Sheep Africa团队重新整理后发布于HuggingFace平台，聚焦非洲31个国家2001至2025年间童工现象的性别、年龄及就业状况分布。作为ILOSTAT数据库的重要组成部分，数据集收录了2604条观测值，涵盖从加纳到赞比亚等国的长期面板数据，为研究非洲劳动力市场中儿童参与经济活动的规模与结构提供了标准化、可比较的统计基础。其核心价值在于填补了撒哈拉以南非洲地区高分辨率童工数据的空白，推动了国际发展议程（如可持续发展目标8.7）的量化监测与跨区域横向对比，在劳动经济学、发展研究与政策评估领域产生了深远影响。

当前挑战

领域层面，数据集所解决的挑战在于量化非洲地区隐蔽且多变的童工现象——家庭经济行为、非正规就业与教育缺位相互交织，使得传统估算方法难以捕捉性别、年龄与职业状态间的交叉影响。构建过程中，ILO需协调31国来源迥异的劳动力调查与行政记录，克服各国统计口径（如ICLS定义适用性）、调查周期不统一及数据时效滞后等问题；部分观测值被标注为“不可靠”或“方法论修订”，反映了原始数据质量参差与整合难度。此外，多维度分类变量（如性别、年龄组与就业身份）的编码标准化，以及跨年度缺失值的处理，构成了数据集维护中的持续挑战。

常用场景

经典使用场景

在非洲童工问题的学术研究中，该数据集最经典的使用场景是作为国际劳工组织（ILO）标准化统计数据的可靠来源，用于分析非洲各国童工规模在不同性别、年龄组和就业身份下的分布特征。研究者可借助其包含的31个非洲国家、2001至2025年间共2604条观测记录，构建时间序列模型以揭示童工现象的长期演变趋势。数据集中详细的分类维度——如性别（男性、女性、总计）、年龄区间（如15-17岁）及就业身份分类（ICSE-93标准）——使学者能够精确量化童工的结构性差异，从而为区域间比较研究奠定坚实基础。

解决学术问题

该数据集有效解决了非洲童工研究中长期存在的跨国家、跨时段数据碎片化与可比性不足的学术难题。ILOSTAT数据库通过统一采用国际劳工统计学家会议（ICLS）定义标准，对原始调查微观数据进行协调处理，消除了各国统计口径不一带来的偏差。研究者可以此为基础，探索童工现象与教育普及率、家庭经济脆弱性、国家劳动政策之间复杂的因果关联，检验联合国可持续发展目标（SDGs）中关于消除童工的目标在非洲的进展与挑战。数据集提供的'最佳来源'筛选机制和数据质量标注（如观测状态标记）进一步增强了实证分析的可靠性，推动了关于童工驱动因素及干预措施效果评估的严谨研究。

实际应用

在实际应用层面，该数据集为非洲各国政府、国际发展机构及非政府组织制定和评估童工消除政策提供了关键的数据支撑。政策制定者可以依据按性别和年龄分层的童工人数统计，精准识别高发行业与脆弱人群，从而合理配置教育资源、社会保障和劳动监察力量。例如，通过观察加纳（244条观测）和赞比亚（238条观测）等数据丰富的国家的时间序列，可追踪特定干预措施——如免费义务教育政策实施后——对童工比例的实际影响。此外，国际劳工组织及合作伙伴可利用这些标准化的年度数据，生成区域童工状况报告，指导项目资金的优先投放。

数据集最近研究

最新研究方向

该数据集聚焦于非洲31国2001至2025年间童工现象的多维度量化分析，基于国际劳工组织ILOSTAT官方统计框架，整合了性别、年龄与就业身份等关键细分变量，为评估非洲区域童工治理成效提供了高质量时序数据支撑。当前研究前沿正围绕可持续发展目标8.7（消除童工）的非洲实践展开，结合该数据集，研究者可深入剖析区域间童工分布的异质性、探究社会经济政策干预与童工率变化的动态关联，尤其适用于面板数据分析及机器学习驱动的预测建模，以识别高风险群体与脆弱时段。该数据集的发布显著弥补了非洲大陆在标准化、机器可读童工数据上的缺失，推动了数据驱动的劳动政策研究从宏观叙事向精细化、可复现的实证分析转型，对非洲减贫与体面劳动目标的监测具有深远意义。