electricsheepafrica/africa-ilo-ees-stem-sex-jbc-nb-employees-in-stem-occupations-by-sex-and-type-of-j

该数据集名为“按性别和合同类型划分的STEM职业员工（千）| 非洲（ILOSTAT）”，是一个关于非洲地区STEM（科学、技术、工程和数学）职业就业情况的表格数据集。它包含1,053个观测值，覆盖34个非洲国家（如埃及、卢旺达、赞比亚等），时间跨度为2009年至2025年，每年提供数据。数据集核心指标为“EES_STEM_SEX_JBC_NB”，表示按性别和合同类型划分的STEM职业员工数量（以千为单位）。数据来源于国际劳工组织（ILO）的ILOSTAT数据库，通过REST API直接获取，并过滤到非洲国家代码。ILOSTAT使用国际劳工统计学家会议（ICLS）定义对原始调查微观数据进行标准化处理。数据集包含多列，如国家代码（ref_area）、国家名称（ref_area.label）、数据源（source）、指标代码（indicator）、性别分类（sex，包括总计、男性和女性）、合同类型分类（classif1）、年份（time）、观测值（obs_value）以及数据质量标志（如观测状态obs_status）。数据按年度频率发布，当同一国家×年份有多个数据源时，采用ILO选择的“最佳来源”。该数据集适用于机器学习任务，如表格分类、回归和时间序列预测，可用于分析非洲STEM劳动力市场的性别和合同结构趋势。数据集由Electric Sheep Africa重新打包，以Parquet格式发布，便于通过Hugging Face的datasets库加载使用。This dataset is titled Employees in STEM occupations by sex and type of job contract (thousands) | Africa (ILOSTAT) and is a tabular dataset focusing on STEM (Science, Technology, Engineering, and Mathematics) occupational employment in Africa. It contains 1,053 observations across 34 African countries (e.g., Egypt, Rwanda, Zambia) spanning the years 2009 to 2025, with annual data. The core indicator is EES_STEM_SEX_JBC_NB, which represents the number of employees in STEM occupations disaggregated by sex and type of job contract (in thousands). Data is sourced from the International Labour Organization (ILO) ILOSTAT database, pulled directly via the REST API and filtered to African ISO3 country codes. ILOSTAT harmonizes raw survey microdata using International Conference of Labour Statisticians (ICLS) definitions. The dataset includes columns such as country code (ref_area), country name (ref_area.label), data source (source), indicator code (indicator), sex disaggregation (sex, including total, male, and female), contract type classification (classif1), year (time), observed value (obs_value), and data quality flags (e.g., observation status obs_status). Data is published at annual frequency, and when multiple sources exist for the same country×year, the ILO-selected best source is used. It is suitable for machine learning tasks like tabular classification, regression, and time-series forecasting, enabling analysis of trends in STEM labor markets across Africa by gender and contract type. The dataset is repackaged by Electric Sheep Africa in Parquet format for easy loading via the Hugging Face datasets library.

搜集汇总

数据集介绍

构建方式

该数据集源于国际劳工组织（ILO）的ILOSTAT统计数据库，聚焦非洲地区STEM（科学、技术、工程与数学）职业从业者情况。Electric Sheep Africa团队通过ILOSTAT REST API直接抓取指标代码为“EES_STEM_SEX_JBC_NB”的原始数据，并依据ISO 3166-1 alpha-3标准筛选出34个非洲国家的观测值。数据经ILO依据国际劳工统计学家会议定义进行统一化处理，来源字段中标注了原始调查类型，确保了数据来源的可追溯性与跨国家可比性。

使用方法

用户可借助HuggingFace Datasets库通过一行代码（load_dataset）快速加载数据集，并将其转换为Pandas DataFrame进行后续分析。支持按国家代码筛选特定国家数据、按指标进行时间序列可视化，以及通过数据透视表构建国家×年份的矩阵。该方法论降低了非洲劳动力数据的获取门槛，便于从事区域经济、劳动力市场及性别平等研究的学者高效开展实证分析。

背景与挑战

背景概述

该数据集由国际劳工组织（ILO）统计部门（ILOSTAT）创建，经 Electric Sheep Africa 于2025年重新整理并发布在 HuggingFace 平台，聚焦非洲34个国家2009至2025年间STEM（科学、技术、工程、数学）领域从业人员数量，按性别与合同类型进行分层统计。共包含1053条观测值，来源于各国劳动力调查、家庭收入调查及行政记录等官方数据，经ILO依据国际劳工统计学家会议（ICLS）定义进行统一标准化处理。该数据集为研究非洲大陆STEM劳动力结构与性别不平等、评估科技人才资本及其对可持续发展的贡献提供了珍贵的时间序列素材，是区域劳动经济学与性别研究领域重要的开源数据资源。

当前挑战

该数据集面临的核心挑战包括：其一，非洲多国STEM职业统计口径不一，不同国家在岗位分类、性别细分及合同类型认定上存在显著差异，导致跨区域可比性受限；其二，部分国家数据来源多样且质量参差，例如观测值中标记为“不可靠”（obs_status=U）的记录提示原始调查可能存在抽样偏差或统计噪声；其三，数据覆盖在时间与地理上不均衡，埃及与卢旺达等国的记录数量远超利比里亚、布基纳法索等地，这种稀疏性限制了子区域深度分析与模型泛化能力；其四，数据构建过程中需协调多国冗长的行政许可与数据共享协议，而年度频率特征难以捕捉高流动性STEM岗位的短期波动趋势。

常用场景

经典使用场景

该数据集的核心应用场景在于追踪与分析非洲地区STEM（科学、技术、工程、数学）领域从业人员的规模与结构性特征。凭借跨越2009至2025年、覆盖34个非洲国家的1053条观测记录，研究者可以基于性别与雇佣合同类型这两个关键维度，精准描绘非洲大陆STEM劳动力市场的时空演化轨迹。数据集的纵向时间序列属性使其特别适合用于构建面板数据模型，以探究各国在STEM人力资本积累上的差异化进程，或评估特定政策干预对女性STEM参与率的影响。此外，依托ILOSTAT统一的数据采集与标准化方法论，该数据集为开展跨国比较研究提供了坚实的微观数据基础。

解决学术问题

该数据集有力地回应了非洲发展经济学与劳动经济学中长期存在的数据匮乏困境，尤其是关于STEM领域人力资本的高质量面板数据的稀缺性。学术研究中，它被广泛用于量化非洲国家在性别平等维度上的进展，揭示女性在STEM职业中系统性的代表性不足问题，并检验教育扩张、产业结构转型与劳动力市场性别隔离之间的复杂关联。通过对不同合同类型（如临时合同与永久合同）的拆分，研究者得以超越简单的就业人数统计，深入探讨就业质量与工作稳定性在STEM领域内的分布不均现象。这些分析对于理解非洲大陆在第四次工业革命背景下如何构建包容性创新体系具有重要的理论贡献。

实际应用

在实际应用层面，该数据集为国际发展机构（如国际劳工组织、联合国教科文组织）、非洲各国劳动与教育部门以及非政府组织的政策制定提供了关键的数据支撑。利用数据中按性别与合同类型拆分的就业指标，政策制定者能够精准识别出STEM劳动力市场中存在的结构性短板，例如女性参与率偏低的特定行业或合同不稳定问题突出的国家。这些洞察可直接转化为有针对性的干预措施，比如设计面向女性的STEM奖学金计划、优化职业培训课程，或修订劳动法规以提升工作保障。对于从事非洲市场研究的商业实体而言，该数据有助于评估各国STEM人才供给的潜力与质量，引导科技企业的投资与招聘决策。

数据集最近研究

最新研究方向

该数据集聚焦于非洲地区STEM（科学、技术、工程与数学）领域雇员在性别与劳动合同类型维度上的就业分布，为全球劳动力市场中的性别平等与技能结构研究提供了关键数据支撑。当前，围绕非洲STEM就业的前沿方向主要包括：基于ILOSTAT标准化数据源，探索女性在STEM岗位中的代表性变化及其与正规、非正规合同类型之间的关联；结合联合国可持续发展目标（SDGs）中的体面工作与性别平等指标，分析不同国家在政策干预下的就业弹性与趋势异质性。此外，该数据集的时间跨度（2009—2025年）恰好覆盖了非洲多国推进工业化与数字化转型的关键期，研究者可借此评估新冠疫情后劳动力市场的复苏路径、技能错配现象，以及新兴技术岗位对女性参与的包容性。作为首个面向非洲大陆、且经统一清洗与Schema标准化的STEM就业时序数据集，它不仅弥补了区域级劳动力研究的数据空白，也推动了机器学习模型在跨国就业预测与政策模拟中的应用，具有重要的实证与决策价值。