electricsheepafrica/africa-ilo-emp-cpif-sex-rt-share-of-care-employment-outside-the-formal-sector

该数据集包含416个观测值，涉及35个非洲国家从2000年至2025年的数据，涵盖1个核心指标：按性别划分的正式部门外护理就业份额（%）。数据来源于国际劳工组织（ILO）的ILOSTAT统计数据库，主题为有偿护理工作者，通过ILOSTAT REST API直接获取，并经过非洲国家代码过滤。数据集提供了国家代码、国家名称、数据来源、指标代码、性别分类、观测年份、观测值、数据状态标志等字段，支持按国家、年份、性别进行多维分析。数据以年度频率发布，经过ILO的标准化处理，适用于表格分类、回归和时间序列预测等机器学习任务。This dataset contains 416 observations of paid care workers data across 35 Africa countries, spanning 2000–2025, covering 1 distinct indicator: Share of care employment outside the formal sector by sex (%). The data is sourced from ILOSTAT, the ILOs central statistics database, and is filtered to Africa ISO3 country codes. It includes fields such as country code, country name, source, indicator code, sex disaggregation, observation year, observed value, and status flags, supporting multidimensional analysis by country, year, and sex. The data is annual frequency, harmonized by ILO, and suitable for tabular classification, regression, and time-series forecasting tasks.

搜集汇总

数据集介绍

构建方式

该数据集由Electric Sheep Africa团队基于国际劳工组织（ILO）的ILOSTAT数据库重新打包而成。数据通过ILOSTAT REST API直接获取指标EMP_CPIF_SEX_RT，并筛选出非洲国家ISO3代码对应的观测值。ILOSTAT作为全球劳动统计的权威来源，利用各国劳动力调查、家计调查及行政记录等原始微观数据，依据国际劳工统计学家会议（ICLS）定义进行标准化处理。最终数据集包含416条观测记录，覆盖35个非洲国家，时间跨度从2000年至2025年，聚焦于按性别划分的非正规部门护理就业占比单一指标。每一观测均附有来源标识（source.label）以保障可追溯性，体现了数据整合过程中对原始来源的尊重与严谨态度。

使用方法

该数据集可通过Hugging Face Datasets库便捷加载，使用load_dataset()函数一行命令即可获得Pandas DataFrame格式的表格数据。研究者可以基于ref_area列进行单国别过滤（如df[df['ref_area'] == 'KEN']）以开展特定国家分析，也可通过indicator列筛选指标后按时间排序绘制时间序列图，直观展示护理就业非正规化比例的演变趋势。对于跨国产出结构比较，支持利用pivot_table将数据重塑为国家×年份的矩阵形式，便于面板数据分析与建模。数据集兼容分类、回归与时间序列预测三种任务类型，为劳动经济学、性别研究和非洲发展议题提供了标准化的机器学习就绪数据基础。

背景与挑战

背景概述

在国际劳动组织（ILO）2025年发布的最新统计框架下，本数据集聚焦非洲大陆有偿护理工作者在正规部门之外的就业份额，按性别分列。由Electric Sheep Africa机构基于ILOSTAT官方API重新整合，覆盖35个非洲国家、2000年至2025年间的416条观测值。该数据的核心研究问题在于揭示非洲地区护理经济中非正规就业的性别分布特征，旨在填补全球劳动统计中非洲区域护理工作非正规化程度的数据缺口。作为ILOSTAT系统的重要衍生资源，它直接服务于联合国可持续发展目标中关于体面工作与性别平等的评估，为比较非洲各国护理劳动市场的结构性差异提供了标准化、可复现的数据基础。数据集以CC-BY-4.0许可开放，其跨年度、跨国别的纵览视角为发展经济学与劳动社会学研究提供了关键佐证。

当前挑战

该数据集所应对的核心领域问题在于：非洲护理行业非正规就业的隐性性别鸿沟长期缺乏量化工具。由于护理工作多集中于家庭、社区等统计簿记薄弱的非正规部门，传统就业调查难以捕捉其真实规模，而性别维度的缺失更使得政策制定者难以针对性干预。构建过程中遭遇的挑战包括：多国数据源的标准化困难——各国劳动力调查的时点、口径与质量参差不齐，ILO需通过ICLS定义进行调和；历史数据断层的处理——部分国家观测序列存在方法论变更导致的前后不可比问题，需依赖‘断点标记’字段进行标识；小国代表性不足——如布基纳法索等仅9条记录，限制了国别面板分析的统计效力。此外，年度数据频次掩盖了季节性波动，且对跨国兼职护理形态的分类粒度有限。

常用场景

经典使用场景

在非洲劳动经济学与社会性别研究的交叉领域中，该数据集为探究非正规护理就业的性别分化提供了稀缺的跨国面板数据。学者可借助其涵盖35个非洲国家、跨越四分之一世纪的观测记录，构建性别与就业形式之间的动态关联模型，或运用时间序列方法剖析护理劳动非正规化的演进轨迹。其核心价值在于将国际劳工组织标准化指标与非洲地域特征相融合，使研究者得以突破单一国家案例的局限，系统考察经济发展水平、社会政策环境等因素如何塑造不同性别群体在非正规护理部门中的参与模式。

解决学术问题

该数据集直面非洲大陆长期缺乏规范化、可比较的护理就业统计数据的困境，填补了非正规经济与性别平等交叉领域的实证空白。它使学术界能够量化评估性别化护理劳动在正式制度之外的分布特征，揭示那些被官方统计数据遮蔽的社会再生产劳动的真实规模。通过分解不同性别群体的就业份额，数据集中隐含的性别不平等结构得以显性化，为检验女性主义经济学中关于护理劳动价值低估的理论假设提供了可靠的统计基础，同时为国际发展目标中体面工作指标的监测贡献了方法论的支撑。

实际应用

在政策制定与国际发展实践层面，该数据集为非洲各国劳动部门及国际组织评估非正规就业治理成效提供了量化工具。基于其观测值，决策者可以识别出哪些国家在将护理就业纳入正规体系方面取得进展，哪些地区仍面临严峻的性别化非正规化困境。非政府组织亦可利用这些数据设计更具针对性的干预方案，例如在女性护理就业占比过高的非正规领域推动社会保障扩展计划。它还为跨国比较研究提供了标准化基准，使得不同发展阶段的非洲经济体能够相互借鉴政策经验。

数据集最近研究

最新研究方向

该数据集聚焦于非洲地区有偿照护工作者在非正规部门就业比例的性别差异研究，覆盖2000至2025年间35个非洲国家的416条观测数据，为分析照护经济中的性别不平等与劳动力市场分化提供了关键统计基础。当前研究前沿正借助ILOSTAT标准化指标，结合非正规就业与性别维度，深入探讨非洲照护劳动的去正规化趋势及其对可持续发展目标（SDG 5性别平等与SDG 8体面工作）的制约作用。数据集的高时间分辨率和跨国面板结构，使其成为探究非洲国家政策干预效果（如扩大社会保护覆盖）的实证利器，尤其有助于揭示女性在照护领域边缘化地位的结构性根源，呼应全球关于照护危机与包容性增长的紧迫议题。