electricsheepafrica/africa-ilo-emp-publ-sex-edu-nb-public-sector-employment-by-sex-and-education-thou

该数据集包含非洲48个国家从1991年至2025年的公共部门就业数据，共有4,331个观测值，核心指标为EMP_PUBL_SEX_EDU_NB，表示按性别和教育程度划分的公共部门就业人数（以千计）。数据来源于国际劳工组织（ILO）的ILOSTAT数据库，通过API获取并过滤为非洲国家，涵盖了国家代码、年份、性别分类、观测值等列。数据集适用于表格分类、回归和时间序列预测任务，旨在为研究非洲劳动力市场提供机器学习就绪的数据。This dataset contains 4,331 observations of public sector employment data across 48 Africa countries, spanning 1991–2025, with the indicator EMP_PUBL_SEX_EDU_NB representing public sector employment by sex and education in thousands. Sourced from the International Labour Organization (ILO) ILOSTAT database via API and filtered to Africa, it includes columns such as country code, year, sex disaggregation, and observed values. It is designed for tabular classification, regression, and time-series forecasting tasks, providing a machine-learning-ready data layer for Africa labor market analysis.

搜集汇总

数据集介绍

构建方式

该数据集系由Electric Sheep Africa团队从国际劳工组织（ILO）的ILOSTAT旗舰数据库中精心抽取并重新封装而成。数据通过调用ILOSTAT REST API，针对其核心指标EMP_PUBL_SEX_EDU_NB进行获取，并依据非洲地区ISO3国家代码进行严格筛选。ILOSTAT平台本身对各国劳动力调查、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）的定义进行了一体化清洗与标准化处理，从而确保了数据源头的一致性与可追溯性。最终整理为一个包含4,331条观测记录的表格型数据集。

特点

本数据集聚焦于非洲大陆公共部门就业的宏观图景，横跨1991年至2025年这一长达三十余年的历史时期，覆盖了48个非洲国家。其核心特点在于提供了按性别（男、女、总计）与教育程度（聚合层次）双重维度进行细致拆分的公共部门就业人数（以千人为单位），使得研究者能够深入剖析性别平等与教育回报在公共就业领域的具体表现。此外，数据还附带详尽的来源标签、观察状态标识以及系列中断等说明性注释，为数据质量评估与合理使用提供了不可或缺的元数据支撑。

使用方法

该数据集已托管于HuggingFace Datasets平台，可无缝集成至现代数据科学生态系统。用户仅需通过`load_dataset()`函数即可一键加载，并将数据轻松转换为Pandas DataFrame格式进行后续分析。具体应用场景包括：针对特定国家（如肯尼亚）的公共就业时间序列可视化；利用透视表功能构建以年份为行、国家为列的观察值矩阵，便于横向对比与面板数据分析；亦可结合性别与教育维度进行分组聚合，探究不同子群体在公共部门中的分布动态与演变趋势。

背景与挑战

背景概述

该数据集由国际劳工组织（ILO）于2025年通过其核心统计数据库ILOSTAT发布，并由Electric Sheep Africa团队在HuggingFace平台上进行重新封装与标准化处理。ILOSTAT作为全球劳动统计的权威来源，汇集了来自200多个经济体的劳动力调查、行政记录等多源数据，并依据国际劳工统计学家会议（ICLS）定义进行统一协调。本数据集聚焦于非洲48个国家1991年至2025年间公共部门就业的性别与教育程度分布，包含4331条观测记录，旨在为研究者、政策制定者及国际组织提供精细化的劳动力结构数据，以支持非洲区域劳动力市场分析、性别平等评估及教育政策效果研究。其发布显著填补了非洲公共部门就业数据的细粒度空缺，推动了区域劳动经济学与可持续发展目标（SDG）相关研究的可复现性与可比性。

当前挑战

该数据集所解决的领域问题核心在于非洲公共部门就业数据长期存在的碎片化、标准缺失与可获得性低下的挑战。非洲各国统计能力参差不齐，劳动力调查的频次、定义及分类方法各异，导致跨国家、跨年代的比较分析极为困难。ILOSTAT虽通过统一标准进行数据协调，但数据集构建过程中仍面临多重挑战：其一，原始数据来源多样，包括劳动力调查、行政记录等，其方法学差异与质量参差需通过复杂的清洗与标记过程（如'obs_status'字段标注不可靠观测值）来应对；其二，部分国家数据缺失严重或时间序列不连续，需依赖ILO选定的'最佳来源'策略进行填充，但该策略可能引入选择偏差；其三，细分维度（如性别、教育层次）的可用性不均，某些年份或国家的分类记录缺失，限制了深度交叉分析的可能性。

常用场景

经典使用场景

该数据集收录了1991年至2025年间覆盖48个非洲国家的公共部门就业数据，按性别与教育水平进行细分，共计4331条观测记录。其核心应用场景在于构建面板数据模型，用以探究非洲地区公共部门劳动力市场的结构性特征。研究者可借此分析不同教育层次下男女就业比例的演变趋势，或考察时间序列上公共部门吸纳就业的波动规律。通过将性别与教育维度作为关键解释变量，该数据为区域劳动经济学中的差异化分析提供了扎实的量化基础。

实际应用

在非营利组织与国际机构的政策评估中，该数据集被用于监测各国公共部门在性别平等与教育包容性方面的进展。例如，发展机构可依据不同年份的细分数据，判断特定国家公共部门岗位是否向低教育水平女性群体敞开，进而调整援助战略。各国劳动部门亦可借助该数据对标邻国，优化公共人才招募的公平性。此外，数据整合了数据质量标记，帮助实践者识别不完整或方法论变更的记录，提升了决策支持系统的可信度。

衍生相关工作

基于该数据已衍生出一系列围绕非洲公共就业结构变革的再分析与指标扩展工作。典范工作包括构建公共部门就业的教育弹性模型，以及通过性别差异指数揭示非洲各地区就业分化的空间模式。此外，有学者将该数据集与ILO其他劳动指标拼接，形成涵盖正规与非正规部门的综合测度框架。在数据工程层面，Electric Sheep Africa团队提供了标准化的API预处理流程，催生了多个面向机器学习的时间序列预测基线项目，推动了对非洲劳动力未来演变轨迹的预测性建模。