electricsheepafrica/africa-ilo-eip-wdis-sex-edu-nb-discouraged-job-seekers-by-sex-and-education-thous

该数据集包含来自国际劳工组织（ILO）ILOSTAT数据库的其他劳动力未充分利用指标数据，具体指标为按性别和教育程度划分的沮丧求职者人数（以千计）。数据集覆盖43个非洲国家，时间跨度为1999年至2025年，共包含6,058条观测记录。数据通过ILOSTAT REST API获取，并经过标准化处理，以表格形式提供，包括国家代码、国家名称、数据来源、指标代码、性别分类、教育分类、观测年份、观测值等字段。数据集旨在支持劳动力市场分析、时间序列预测和机器学习应用，重点关注非洲地区的就业和劳动力未充分利用问题。This dataset contains Other measures of labour underutilization data from the International Labour Organization (ILO) ILOSTAT database, specifically the indicator Discouraged job-seekers by sex and education (thousands). It covers 43 African countries from 1999 to 2025, with 6,058 observations. Data is sourced via the ILOSTAT REST API and normalized into a tabular format, including fields such as country code, country name, data source, indicator code, sex disaggregation, education classification, observation year, and observed value. The dataset is designed for labor market analysis, time-series forecasting, and machine learning applications, with a focus on employment and labour underutilization in Africa.

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数据库，该数据库是全球劳动力统计领域的权威来源。数据集通过ILOSTAT REST API直接抽取指标代码为EIP_WDIS_SEX_EDU_NB的数据，并依据非洲ISO3国家代码进行地理范围过滤，最终整合了43个非洲国家在1999年至2025年间共6,058条观测记录。ILOSTAT内部采用国际劳工统计学家会议（ICLS）定义对各国原始调查微观数据进行统一协调，并在source.label列中标注了各条数据的源头，如劳动力调查或行政记录，确保了数据的可追溯性与标准化程度。Electric Sheep Africa团队在此基础上对原始数据进行了打包与再封装，使其更便于机器学习流程中的直接调用。

特点

该数据集的核心特点在于其聚焦于劳动力利用不足的‘其他衡量指标’，具体记录了按性别与教育程度分组的‘丧失信心的求职者’数量（单位：千）。数据涵盖了三个性别维度（总计、男性、女性）以及多种教育层次分类，为用户提供了精细的分组视角。时间跨度长达27年，覆盖从1999至2025年的年度观测值，且包含南非、埃及、安哥拉等高数据量国家，部分国家如安哥拉的数据序列延伸至2025年，展现了良好的时效性与地域广度。此外，数据集中还包含了观测状态标记（如‘不可靠’）、系列中断注释等元信息，为数据质量评估与科学研究中的审慎使用提供了重要依据。

使用方法

用户可通过HuggingFace Datasets库的load_dataset函数直接加载该数据集，返回的格式支持便捷地转换为Pandas DataFrame进行处理。使用示例中展示了多种典型操作：按国家（如肯尼亚）进行子集筛选，可聚焦单一国家的时间序列分析；按指标代码排序后，可利用obs_value字段绘制年代变化曲线，以观察特定劳动力指标的演进趋势。更高级的使用包括透视表格构建，可生成以时间为行、国家为列的年度观测矩阵，便于进行面板数据分析或跨区域比较。所有操作均基于标准化列名（如ref_area、time、obs_value），降低了数据预处理的门槛。

背景与挑战

背景概述

该数据集由国际劳工组织（ILO）通过其ILOSTAT数据库整理，并经Electric Sheep Africa于2025年重新打包发布，聚焦非洲43个国家1999至2025年间因性别与教育程度分层的沮丧求职者数量（单位：千人）。作为劳动力未充分利用指标的重要组成部分，沮丧求职者群体反映了劳动力市场中因长期求职失败而放弃积极寻找工作的隐性失业现象，这一指标对于揭示非洲大陆结构性就业矛盾、评估劳动力市场健康度及指导社会政策制定具有关键价值。数据集涵盖6,058条观测记录，依托ILO基于国际劳工统计学家会议（ICLS）标准的统计协调方法，整合了各国劳动力调查与行政记录，为研究非洲地区就业质量、性别不平等与教育回报率提供了标准化的跨时空比较基础。

当前挑战

该数据集面临的核心挑战在于准确衡量非洲地区复杂的劳动力未充分利用现象，沮丧求职者的统计依赖于对‘放弃求职’主观状态的定义与识别，不同国家的调查工具与文化背景可能导致测量偏差。构建过程中，跨国数据融合面临多重困难：各国劳动力调查的采样频率、指标解释权与数据质量参差不齐，ILO虽采用‘最佳来源’原则筛选数据，但数据标记中频繁出现的“不可靠”（Unreliable）状态及方法论修订注释（如Break in series）揭示了历史数据可比性受损的风险。此外，教育分类标准在非洲各国间存在显著差异（如note_classif所示非标准教育层级），且部分年份数据缺失严重，限制了完整时间序列分析与性别-教育交叉维度的深度建模。

常用场景

经典使用场景

该数据集聚焦于非洲地区因性别与教育水平分层的沮丧求职者数量（以千计），是劳动经济学与性别研究领域用于衡量劳动力市场疲软程度的核心资源。研究者可将其应用于面板数据回归分析，探究教育水平对劳动力参与意愿的异质性影响，或借助时间序列建模揭示失业惯性周期中不同性别群体的“沮丧工人效应”。数据的分层结构（性别×教育）为检验双重差分模型提供了天然对照组，尤其适用于评估国家技能培训政策或教育普及计划对劳动力市场信心的干预效果。

衍生相关工作

基于该数据集的典范工作包括构建非洲劳动力市场动态随机一般均衡（DSGE）模型，分析沮丧工人效应如何放大大宗商品价格冲击对就业的负面影响。另有经典研究利用性别-教育交互项的非线性关系，重新估计了明瑟方程中教育回报率的分布特征，并验证了Barro回归框架下人力资本存量与劳动力参与率之间的倒U型假说。数据衍生的机器学习分类任务促使学者开发了针对非洲小样本国家的时间序列预测集成方法，显著提升了对低资源情境下劳动参与率预测的精度。

数据集最近研究

最新研究方向

针对非洲劳动力市场中的隐性失业问题，该数据集聚焦于“沮丧求职者”（discouraged job-seekers）这一前沿研究方向，按性别与教育水平进行细分统计，揭示了非洲大陆在非正规就业与劳动力利用不足方面的结构性挑战。结合ILOSTAT的标准化方法论，研究者可利用这跨越43个国家、涵盖1999至2025年的6,058条观测数据，深入分析教育与性别如何影响劳动力的退出行为，尤其是在经济波动与疫情后复苏期。该数据集为评估非洲就业政策、性别平等及人力资本投资效果提供了关键定量支撑，推动了基于证据的劳动力市场治理与可持续发展目标（SDG）第八项体面工作的实证研究。