electricsheepasia/asia-ilo-emp-pifl-sex-eco-geo-rt-share-of-employment-outside-the-formal-sector-by-s

该数据集包含亚洲23个国家从2000年至2025年的非正规部门就业比例数据，共计19,425个观测值。核心指标为EMP_PIFL_SEX_ECO_GEO_RT，即按性别、经济活动和城乡划分的非正规部门就业比例（百分比）。数据来源于国际劳工组织（ILO）的ILOSTAT数据库，经过Electric Sheep Asia重新打包，以表格形式提供，包括国家代码、年份、性别分类、经济活动和城乡分类等维度。数据集适用于表格分类、回归和时间序列预测等任务，支持对亚洲非正规经济就业趋势的分析。This dataset contains 19,425 observations of informal economy employment share data across 23 Asia countries, spanning from 2000 to 2025. The primary indicator is EMP_PIFL_SEX_ECO_GEO_RT, which represents the share of employment outside the formal sector disaggregated by sex, economic activity, and rural/urban areas (%). The data is sourced from the International Labour Organization (ILO) ILOSTAT database, repackaged by Electric Sheep Asia, and provided in tabular format with dimensions such as country code, year, sex classification, economic activity, and area type. It is suitable for tasks like tabular classification, regression, and time-series forecasting, supporting analysis of informal employment trends in Asia.

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统计数据库ILOSTAT，通过其公开的REST API接口直接抽取指标EMP_PIFL_SEX_ECO_GEO_RT，并依据ISO3国家代码筛选出亚洲地区23个经济体的相关记录。原始数据来自各国劳动力调查、家庭收入调查及行政记录等，经国际劳工组织统计局按照国际劳工统计学家会议定义进行标准化调和，最终由Electric Sheep Asia重新打包为Parquet格式并发布，涵盖2000至2025年间约1.94万条观测值。

使用方法

研究者可通过HuggingFace datasets库以load_dataset函数便捷加载，返回的DataFrame支持pandas全部分析操作。典型用法包括按ref_area字段筛选特定国家，按indicator字段提取单一指标并依据time排序绘制时序图，或利用pivot_table将数据重塑为国家与年份的交叉矩阵。该数据集适用于非正规就业趋势分析、性别差距比较、城乡差异研究以及机器学习建模等场景，使用时应遵循CC-BY-4.0许可并同时引用国际劳工组织与Electric Sheep Asia。

背景与挑战

背景概述

非正规经济部门就业的测度长期构成劳动统计领域的核心议题，其规模与结构直接关乎社会保障覆盖、税收征管及体面劳动议程的推进。国际劳工组织依托国际劳工统计学家会议（ICLS）的定义框架，经由ILOSTAT平台系统整合各国劳动力调查与住户调查数据，构建了跨区域可比的非正规就业指标库。本数据集由Electric Sheep Asia于2025年从ILOSTAT REST API采集并规范化封装，涵盖2000至2025年间23个亚洲国家的19425条观测记录，以性别、经济活动和城乡维度刻画非正规部门就业占比，为亚洲非正规经济研究提供了统一且可复用的数据基础，对劳动经济学与区域发展政策的实证分析具有显著支撑价值。

当前挑战

该数据集所回应的领域问题，在于非正规就业的跨国可比测度——各国对非正规部门的界定标准、调查口径与抽样设计存在系统性差异，ILOSTAT虽经ICLS定义加以协调，仍难以完全消除统计噪声，加之非正规活动本身游离于行政记录之外，样本覆盖盲区与漏报现象难以避免。构建过程中，数据来源字段显示同一国家-年份常对应多套调查来源，须依循ILO筛选规则确定最优来源；序列断裂、方法学修订及不可靠观测标记散布于各年度，分类变量仅在实际发布细分时方有取值，年份覆盖亦因国而异，这些因素共同构成了数据清洗与跨国比较分析中的实质性障碍。

常用场景

经典使用场景

在劳动经济学与非正规经济研究领域，该数据集最为经典的使用场景在于刻画亚洲地区非正规部门就业的性别差异与城乡二元结构。研究者借助其涵盖二十三个亚洲国家、跨越二十五年（2000–2025年）的一万九千余条观测记录，可按性别、经济活动部门与城乡属性三个维度交叉分解非正规就业份额，进而绘制时序演变曲线或构建国家×年份面板矩阵，以揭示不同经济体在非正规化进程中的路径分化与收敛趋势。

解决学术问题

该数据集有效回应了非正规就业测量中长期存在的可比性难题。通过ILOSTAT依据国际劳工统计学家会议定义对各国劳动力调查原始微观数据进行协调化处理，并保留来源标签与观测状态标志，研究者得以在跨国比较中控制定义差异与数据质量波动，从而检验非正规部门规模与经济增长、结构转型及社会保护覆盖面之间的因果关联。其意义在于为发展经济学中“非正规性持久化”命题提供了可复现的实证基础，并推动了对亚洲劳动力市场二元结构的量化认知。

实际应用

在政策分析与国际发展实务中，该数据集为识别非正规就业脆弱群体提供了操作化的统计依据。国际组织与各国劳工部门可据此监测可持续发展目标中关于体面工作的进展，评估社会保障扩面政策对非正规部门劳动者的覆盖效果，并针对女性与农村地区从业者设计差异化的技能培训与就业正规化干预方案。其年度频率与标准化字段亦便于嵌入更广泛的劳动力市场监测仪表盘，支撑实时政策调适。

数据集最近研究

最新研究方向

随着非正规经济在全球南方劳动力市场中的持续扩张，基于ILOSTAT非正规就业统计的量化研究正成为劳动经济学与发展经济学的交叉前沿。该数据集覆盖23个亚洲国家2000至2025年的非正规部门就业占比，按性别、经济活动部门及城乡维度细分，为解析非正规性的结构性驱动因素提供了独特的面板基础。近期研究聚焦于利用此类时序数据检验非正规就业与性别不平等、城乡差距及经济周期之间的动态关联，并借助机器学习方法进行跨国别预测与政策情景模拟。该数据集亦回应了国际劳工组织关于向正规化转型的体面劳动议程，为评估社会保障扩展、产业结构变迁对非正规就业的影响提供了可复现的实证支撑。