electricsheepasia/asia-ilo-luu-5lu4-sex-age-rt-composite-rate-of-labour-underutilization-lu4-by-s

该数据集包含702个观测值，涉及其他劳动力未充分利用措施数据，覆盖20个亚洲国家，时间跨度为2014年至2025年，涵盖1个不同的指标。数据来源于国际劳工组织（ILO）的ILOSTAT数据库，通过API获取并过滤为亚洲国家代码，使用国际劳工统计学家会议（ICLS）定义进行标准化。数据集包括按性别和年龄分组的复合劳动力未充分利用率（LU4），并提供了详细的模式，如国家代码、指标、性别、时间、观测值等。This dataset contains 702 observations of Other measures of labour underutilization data across 20 Asia countries, spanning 2014–2025, covering 1 distinct indicators. It is sourced from the ILOSTAT database of the International Labour Organization (ILO), retrieved via API and filtered to Asia ISO3 country codes, harmonized using International Conference of Labour Statisticians (ICLS) definitions. The dataset includes the composite rate of labour underutilization (LU4) disaggregated by sex and age, with a detailed schema covering country codes, indicators, sex, time, observed values, and more.

搜集汇总

数据集介绍

构建方式

本数据集源自国际劳工组织（ILO）的ILOSTAT统计数据库，经由Electric Sheep Asia团队进行重新封装与整理。构建流程始于通过ILOSTAT REST API直接抽取原始指标数据，API端点指定为特定指标代码，随后依据亚洲ISO3国家代码进行地理范围过滤。ILOSTAT自身采用国际劳工统计学家会议（ICLS）的统一定义对各国调查微观数据进行协调处理，并在数据集中保留来源列（source.label）以供溯源。最终数据集以HuggingFace Datasets格式发布，涵盖702条观测记录，覆盖涉及20个亚洲国家、跨越2014年至2025年的年度时间序列数据。

使用方法

使用者可通过HuggingFace的datasets库以load_dataset函数一键加载数据集，即时转换为Pandas DataFrame进行后续操作。典型工作流包括：按国家代码过滤以聚焦特定经济体，例如提取印度尼西亚（IDN）的全部记录；针对单一指标进行时间序列排序与可视化；利用透视表功能将数据重塑为国家×年份的矩阵格式，便于开展面板数据分析或构建预测模型。数据集兼容分类、回归及时间序列预测等多种建模任务，为劳动经济学研究者提供了高效、低门槛的数据接入途径。

背景与挑战

背景概述

在劳动力统计领域，传统的失业率指标因未能捕捉到边缘劳动力群体、时间相关不充分就业及潜在劳动力等隐性劳动资源浪费而广受诟病。为应对此局限，国际劳工组织（ILO）基于第19届国际劳动统计学家会议（ICLS）框架，提出了包含LU4在内的复合劳动力利用不足率指标体系。该数据集由ILO统计部于2025年整理发布，经Electric Sheep Asia重新封装，聚焦亚洲20国2014至2025年的纵向观测数据，共计702条记录。数据集以性别和年龄为分解维度，系统呈现了亚洲地区劳动力资源错配的时空格局，为跨国比较分析、劳动力政策制定以及可持续发展目标（SDG）中体面工作指标的监测提供了权威基准，显著推动了劳动力经济学与劳动统计学的实证研究。

当前挑战

该数据集所面临的挑战是多维度的。在领域问题层面，LU4指标尽管较传统失业率更具包容性，但其复合结构导致统计口径复杂，各国在边缘劳动力界定、时间相关不充分就业阈值设定及潜在劳动力识别上存在定义差异，容易引发跨国可比性争议。同时，亚洲国家间的劳动力调查频率、问卷设计及经费资源参差不齐，数据采集的标准化程度长期受限。在构建过程中，ILO虽采用统一ICLS框架进行协调，但面对多国异构的原始调查微观数据，仍需通过复杂算法进行数据清洗、鲁棒性检验及异常值处理，尤其是对“最佳来源”的筛选决策、断点标识的修正以及内隐缺失值的插补，显著增加了数据管线的维护成本与误差传播风险。

常用场景

经典使用场景

该数据集以国际劳工组织ILOSTAT数据库为根基，精心整理了2014至2025年间20个亚洲国家的劳动力利用不足综合率（LU4）数据，按性别与年龄维度进行分层，共计702条观测。其最经典的应用场景莫过于构建时间序列预测模型，用以预判亚洲各国劳动力市场的动态演变。研究者可借助该数据集评估某一地区劳动力闲置程度的长期趋势，并结合宏观经济政策变量，挖掘影响劳动力吸纳能力的深层因素。

解决学术问题

在学术研究中，该数据集有效填补了亚洲区域劳动力利用不足精细度与跨年度覆盖的缺口。它为检验劳动力市场分割理论、性别不平等在就业质量上的体现提供了数据基础。通过分解不同性别和年龄组的LU4指标，学者们能够揭示劳动力中被忽视的低度就业与潜在劳动力群体，从而修正传统失业率对劳动市场压力的低估，推动了更全面的劳动力利用测算方法体系的完善。

实际应用

面向实际应用，该数据集是国际组织与国家级政府制定就业促进策略的可靠依据。政策制定者可对比各国LU4指标，识别劳动力闲置程度严重的国家或人群，有针对性地优化职业培训与社会保障方案。此外，国际援助机构可依据此数据对亚洲区域内劳动力市场健康度进行跨国比较与排序，合理分配资源以应对非充分就业带来的社会经济风险。

数据集最近研究

最新研究方向

该数据集聚焦于亚洲地区劳动力利用不足的复合率（LU4），依据第19届国际劳工统计学家会议（ICLS）标准，按性别和年龄维度进行精细拆解。在劳动力市场研究前沿，这一指标超越了传统的失业率范畴，综合反映了隐性失业、工时不足与劳动力闲置等多元结构性问题，为解析后疫情时代亚洲经济体就业质量波动、非正规就业转型及青年与女性劳动力边缘化等热点提供了量化基石。其时间跨度涵盖2014至2025年，覆盖20个亚洲国家，尤其适用于追踪新冠疫情对劳动力市场的非对称冲击、性别就业鸿沟的演变以及老龄化社会背景下年龄异质性劳动力的再配置规律。作为ILOSTAT官方数据的高质量复包，该数据集通过标准化架构降低了多国面板数据的获取门槛，推动了亚洲劳动经济学比较研究、机器学习驱动的不充分就业预测模型以及联合国可持续发展目标（SDG）指标监测等方向的发展，其开放许可（CC-BY-4.0）更促进了学术透明性与国际协作的深化。