electricsheepafrica/africa-ilo-eip-teip-sex-edu-geo-nb-persons-outside-the-labour-force-by-sex-education

该数据集包含28,237个观测值，涉及非洲45个国家的其他劳动力未充分利用指标数据，时间跨度为1994年至2025年，覆盖1个独立指标。具体指标为按性别、教育水平和城乡区域划分的非劳动力人口（千）。数据来源于国际劳工组织（ILO）的ILOSTAT数据库，经过Electric Sheep Africa重新打包，用于表格分类、回归和时间序列预测等任务。数据集包括国家代码、性别、教育分类、城乡区域、年份和观测值等字段，支持对非洲劳动力市场的分析。This dataset contains 28,237 observations of Other measures of labour underutilization data across 45 Africa countries, spanning 1994 to 2025, covering 1 distinct indicator. The indicator is Persons outside the labour force by sex, education and rural / urban areas (thousands). Data is sourced from the International Labour Organization (ILO) ILOSTAT database and repackaged by Electric Sheep Africa, intended for tabular classification, regression, and time-series forecasting tasks. It includes fields such as country codes, sex, education classifications, rural/urban areas, year, and observed values, facilitating analysis of Africas labour market.

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（ILO）的ILOSTAT统计数据库，通过其REST API接口直接获取指标代码为EIP_TEIP_SEX_EDU_GEO_NB的原始数据，并过滤出非洲ISO3国家代码对应的观测记录。ILOSTAT采用国际劳工统计学家会议（ICLS）定义对各国劳动力调查微观数据进行标准化处理，数据集中的`source.label`字段标注了各项数据的具体来源，确保了数据溯源的可追溯性。最终由Electric Sheep Africa进行重新封装，形成包含28,237条观测的标准化表格数据集。

特点

数据集覆盖45个非洲国家，时间跨度从1994年至2025年，包含一个核心指标——按性别、教育程度和城乡地区划分的劳动力以外人口数量（以千计）。数据呈现多维分解结构，通过`sex`、`classif1`和`classif2`字段分别提供性别、教育层次和地理范围的细粒度分类，同时附带来源编码、观测状态标志及系列断裂等注释信息，有助于用户准确评估数据质量。所有记录均为年度频率，并由ILO选定各国各年份的‘最佳来源’作为数据基准。

使用方法

用户可通过HuggingFace的`datasets`库直接加载数据集，调用`load_dataset("electricsheepafrica/africa-ilo-eip-teip-sex-edu-geo-nb-persons-outside-the-labour-force-by-sex-education")`后转换为Pandas DataFrame进行分析。典型应用包括筛选特定国家的子集（如肯尼亚）、按时间维度绘制单个指标的时间序列曲线，或利用透视表构建国家×年份的数值矩阵，以支持劳动力市场结构比较和劳动参与率预测等研究任务。

背景与挑战

背景概述

在全球劳动统计领域，国际劳工组织（ILO）通过ILOSTAT数据库长期致力于提供权威且统一的劳动市场数据。由Electric Sheep Africa于2025年重新打包并发布在HuggingFace平台上的数据集“africa-ilo-eip-teip-sex-edu-geo-nb-persons-outside-the-labour-force-by-sex-education”，聚焦于非洲45个国家1994至2025年间因性别、教育水平及城乡区域划分的劳动力市场外部人口（即非劳动力人口）的观测数据，共计28,237条记录。该数据集的核心研究问题在于揭示非洲地区劳动力资源未充分利用的结构性特征，为经济学家、政策制定者及发展机构提供基础性的量化依据。其影响力体现在填补了非洲劳动统计在高分辨率非劳动力人口细分维度的数据空白，支持可持续性发展目标（SDG）中体面工作相关指标的追踪与评估。

当前挑战

该数据集所应对的领域挑战在于劳动市场边缘人口的统计识别，尤其是非劳动力人口（如未就业亦未积极求职者）常因定义差异、数据收集不全或地域覆盖不均而被忽视，导致对非洲劳动供需失衡的评估失真。构建过程中面临的核心挑战包括：多国劳工调查数据在时间跨度上的方法论不连续性（如调查基准修订或分类标准变更），以元数据中的“Break in series”误差为典型；整合45个来源国在性别、教育及城乡分类上的异质性，需依赖ILO统计部门对原始微观数据的标准化调和；以及部分数据存在质量标注（如“Unreliable”状态），要求使用者审慎处理并理解其背后的抽样或估算局限。

常用场景

经典使用场景

在劳动经济学与人口统计学交叉研究领域，该数据集为分析非洲地区劳动力市场边缘群体提供了珍贵的时间序列面板数据。研究人员可依据性别、教育程度及城乡地域三个维度，细致刻画非洲45国1994至2025年间未参与劳动市场人群的规模与结构变迁。其典型应用包括构建固定效应模型以识别教育扩张对女性劳动参与率的影响，或利用差分法评估城镇化进程中农村非劳动力人口向城市转移的动态规律。数据集中按性别和教育水平交叉分类的观察值，使得学者能够精准检验人力资本理论中关于教育提升促进弱势群体就业的假说，尤其是在撒哈拉以南非洲这一长期面临就业结构转型挑战的区域。

实际应用

在实际应用层面，该数据集直接服务于非洲各国劳动部门与国际发展机构（如ILO、世界银行）的政策监测与评估工作。政策制定者可借助按性别与教育水平分层的数据，识别特定弱势群体（如农村低学历女性）在失业之外被劳动市场排斥的严峻程度，从而设计更具靶向性的技能培训计划与社会保障方案。例如，当数据揭示某国受过中等教育的女性在城镇区域的非劳动人口比例异常升高时，可针对性增设弹性工作制度或儿童托管设施。此外，数据集的时间序列特性使其能够作为预测模型的基础输入，用于短期劳动力冗余预警或长期人力资源规划，助力非洲大陆实现体面工作与经济增长的可持续发展目标。

衍生相关工作

基于此数据集，已衍生出多项具有影响力的学术与政策研究工作。在计量方法层面，研究者构建了针对非洲地区劳动力利用不足指标的空间面板模型，量化了邻国间劳动市场溢出效应。在具体议题上，有学者将该数据与非洲教育统计数据库（如UNESCO UIS）整合，发现基础教育普及与青年女性劳动参与率之间存在U型关系的跨国证据。ILOSTAT官方亦利用此类细颗粒度数据持续更新其《世界就业与社会展望》区域报告中的非洲专章，其中关于城乡性别差异的章节直接引用了本数据集的分析结果。此外，开源社区基于此数据开发了可视化仪表盘，使非专业用户能够交互式探索非洲各国非劳动人口在性别与教育维度上的演化轨迹。