electricsheepafrica/africa-ilo-eip-neet-sex-dsb-nb-youth-not-in-employment-education-or-training-neet

该数据集包含关于非洲青年未就业、未受教育或未培训（NEET）的统计数据，按性别和残疾状况分类。数据集共有1080个观测值，覆盖40个非洲国家，时间跨度为2005年至2025年，涉及1个核心指标（EIP_NEET_SEX_DSB_NB）。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，仅包含非洲国家的数据。数据集的结构包括国家代码、国家名称、数据来源、指标代码、指标名称、性别分类、年份、观测值等列，并提供了数据质量说明和使用示例。数据可用于表格分类、回归和时间序列预测等任务，适用于研究非洲劳动力市场和青年就业问题。数据集以CC BY 4.0许可证发布，由Electric Sheep Africa重新打包，便于机器学习使用。This dataset contains statistics on youth not in employment, education or training (NEET) in Africa, disaggregated by sex and disability status. It includes 1,080 observations across 40 African countries, spanning from 2005 to 2025, with one core indicator (EIP_NEET_SEX_DSB_NB). The data is sourced from the International Labour Organization (ILO) ILOSTAT database, retrieved via API and filtered to include only African countries. The dataset schema includes columns such as country code, country name, data source, indicator code, indicator name, sex classification, year, observed value, and more, along with data quality notes and usage examples. It is suitable for tabular classification, regression, and time-series forecasting tasks, and can be used for research on African labor markets and youth employment. The dataset is released under the CC BY 4.0 license and repackaged by Electric Sheep Africa for machine learning readiness.

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REST API直接获取指标代码为EIP_NEET_SEX_DSB_NB的原始数据，并依据非洲ISO3国家代码进行地理筛选。数据经过ILO基于国际劳工统计学家会议（ICLS）定义的标准化方法进行微数据整合与协调，确保跨国家、跨年份的可比性。构建过程中，对原始调查数据进行了性别与残疾状况的维度拆分，最终形成包含1,080条观测记录的整洁表格，涵盖40个非洲国家从2005年至2025年间的年度数据。

特点

该数据集聚焦于非洲青年未就业、未接受教育或培训（NEET）的特定指标，以千人为单位量化劳动力利用不足状况。其显著特点在于同时提供性别（总、男、女）和残疾状况的交叉分层，为分析弱势群体劳动力市场参与提供了细粒度视角。数据集不仅包含核心观测值，还附带了详细的数据质量标注，包括数据来源、观测状态（如不可靠、临时性）以及系列中断等技术注释，便于用户评估数据的可靠性与适用场景。

使用方法

用户可通过HuggingFace Datasets库一行代码加载数据集：load_dataset('electricsheepafrica/africa-ilo-eip-neet-sex-dsb-nb-youth-not-in-employment-education-or-training-neet')，并直接转换为Pandas DataFrame进行后续分析。典型应用包括按国家筛选（如df[df['ref_area']=='KEN']）进行国别研究，按时间序列绘制特定指标的趋势图，或通过数据透视表构建国家×年份的矩阵，以支持面板数据分析、劳动力市场比较研究及政策评估等场景。

背景与挑战

背景概述

该数据集由国际劳工组织（ILO）于2025年首次整理发布，并由Electric Sheep Africa团队在HuggingFace平台上重新封装，旨在系统性地呈现非洲40个国家2005年至2025年间青年未就业、未受教育或未接受培训（NEET）的性别与残疾状态分布情况。作为ILOSTAT全球劳动统计数据库的核心子集，该数据集聚焦于“劳动力利用不足的其他衡量指标”这一关键研究问题，为分析非洲青年劳动市场边缘化现象提供了标准化、可复现的跨时期面板数据。其影响力体现在两方面：一方面，NEET指标被联合国可持续发展目标（SDG）列为重要监测项，能够直接服务于政策评估与国际比较；另一方面，数据通过统一的ICLS定义对各国调查微观数据进行协调，克服了非洲地区因统计口径差异而难以进行区域整合的长期难题，为劳动经济学、发展研究与社会科学计算提供了高质量的基础资源。

当前挑战

该数据集所解决的核心领域挑战在于，非洲青年群体在从学校向职场过渡的过程中面临结构性障碍，包括教育体系与劳动市场需求脱节、残疾青年就业包容性不足以及性别差异导致的劳动参与率失衡，而传统失业率指标难以全面捕捉“潜在劳动力”与“灰心丧气工人”等隐性闲置状况。在数据构建层面，挑战主要体现为：第一，非洲多国基础调查数据存在年度覆盖不连续的缺失值与观测值可靠性标识（如临时性或不可靠数据），使得长时段跨国的联立分析需谨慎处理数据质量问题；第二，各国劳动力调查采用不同的来源类型（如人口普查、家庭调查）与分类变量，ILO虽进行最佳来源协调，但“方法学修订导致的序列断裂”注释仍存在于部分观测中，对时间序列建模的连续性构成威胁；第三，人口统计学维度的细粒度分层（如按性别与残疾状态交叉）导致了部分亚组样本量稀疏，限制了面板模型的自变量组合深度与统计推断的稳健性。

常用场景

经典使用场景

在劳动力市场分析与青年发展研究领域，该数据集最经典的用途在于对非洲青年群体中既未就业也未接受教育或培训（NEET）的规模与结构进行系统性量化。研究者可借助其按性别和残疾状态细分的观测值，精准刻画不同类别青年在劳动力市场中的脆弱性。时间跨度覆盖2005年至2025年，横跨40个非洲国家，为跨时、跨国的比较研究提供了坚实的数据基础。这一场景常用于描绘非洲青年失业的严峻图景，并揭示残疾青年与女性青年在NEET群体中不成比例的高占比现象。

实际应用

在实际应用层面，该数据集为国际发展机构、非洲各国劳动部门以及非政府组织提供了制定青年就业干预政策的循证依据。利用观测值的时间序列特性，政策制定者可实时监测NEET人群的变动趋势，并评估诸如职业技能培训、残疾人就业支持或性别平等法案等政策工具的实效。对于世界银行、联合国开发计划署等多边机构而言，它也是追踪可持续发展目标（SDGs）中有关体面工作和经济增长进展的核心参照。此外，社会企业可依据地区与群体差异，精准设计面向青年群体的教育或创业扶持项目。

衍生相关工作

该数据集衍生出的经典工作涵盖多个方向。在预测建模方面，研究者依托其时间序列结构开发针对非洲青年NEET率的预测模型，从而提前预警劳动力市场风险。在公平性分析领域，衍生工作聚焦于不同性别和残疾状态下NEET率的差距分解，探讨结构性歧视的影响路径。另有学者将其与ILO其他劳动力利用不足指标（如LU1-LU4）进行联合分析，构建更为全面的劳动力市场疲软度指数。这些工作不仅深化了对非洲青年就业问题的认识，也促进了跨学科数据融合方法的创新，特别是在处理稀疏面板数据时的填补技术方面取得了进展。