electricsheepafrica/africa-ilo-eip-rcar-sex-edu-rt-share-of-persons-outside-the-labour-force-due-to-c

该数据集包含非洲32个国家在2008年至2024年间关于“因照顾责任而退出劳动力市场的人口比例按性别和教育程度划分”的1,423个观测值，涵盖1个具体指标（EIP_RCAR_SEX_EDU_RT）。数据来源于国际劳工组织（ILO）的ILOSTAT数据库，通过API提取并经过Electric Sheep Africa重新打包，以表格形式提供，包括国家代码、年份、性别、教育程度分类和观测值等字段。数据集主要用于表格分类、回归和时间序列预测等任务，支持对非洲劳动力市场因照顾责任导致的劳动力未充分利用情况的分析。This dataset contains 1,423 observations of Share of persons outside the labour force due to care responsibilities by sex and education across 32 African countries from 2008 to 2024, covering one distinct indicator (EIP_RCAR_SEX_EDU_RT). The data is sourced from the ILOSTAT database of the International Labour Organization (ILO), extracted via API and repackaged by Electric Sheep Africa. It is provided in tabular format with fields such as country code, year, sex, education classification, and observed values, and is intended for tasks like tabular classification, regression, and time-series forecasting to analyze labour underutilization due to care responsibilities in Africa.

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，聚焦于非洲地区因照护责任而退出劳动力市场的人口比例。数据通过ILOSTAT REST API接口直接抓取，基于指标代码EIP_RCAR_SEX_EDU_RT进行筛选，并限定至非洲ISO3国家代码范围内。ILOSTAT依据国际劳工统计学家会议（ICLS）的定义对原始调查微观数据进行统一协调，数据来源在source.label列中予以标注，以确保可追溯性与标准化，最终形成了涵盖32个非洲国家、跨越2008至2024年间的1,423条观测记录。

使用方法

用户可通过HuggingFace Datasets库便捷加载该数据集，使用load_dataset("electricsheepafrica/africa-ilo-eip-rcar-sex-edu-rt-share-of-persons-outside-the-labour-force-due-to-c")一步获取训练集，并转换为Pandas DataFrame进行后续分析。支持按国家代码过滤特定国家数据，针对单一指标进行时间序列分析，或通过透视表构建国家×年份的观测矩阵。数据集适用于表格分类、回归分析以及时间序列预测等多种任务场景，为劳动经济学领域的量化研究提供了高效的数据入口。

背景与挑战

背景概述

该数据集由国际劳工组织（ILO）统计司于2024年整理发布，经Electric Sheep Africa团队重新封装，聚焦于非洲地区因照护责任而脱离劳动力市场的人群比例，并按性别与教育水平进行细化。数据集涵盖2008至2024年间32个非洲国家的1423条观测记录，核心研究问题在于揭示照护责任对劳动力参与的非对称影响，尤其是女性因无偿照护劳动而退出劳动力市场的结构性特征。作为ILOSTAT数据库的子集，该数据为劳动力利用不足的测度提供了稀缺的细分维度，对理解非洲性别平等、教育回报与劳动力市场韧性之间的复杂关联具有重要价值，推动了发展经济学与劳动社会学领域对非正规照护经济的数据驱动研究。

当前挑战

所解决的领域问题在于，传统劳动力统计通常仅关注失业率或劳动参与率，难以捕捉因照护责任等隐性因素导致的劳动力退出，而该数据通过精细的性别与教育分类，为量化这一被忽视的劳动力利用不足现象提供了关键指标。构建过程中面临的挑战包括：多国数据源异构性——各国劳动力调查在抽样设计、时间频率与教育分类标准上不一致，需依靠ILO的ICLS定义进行协调归并；数据质量标注复杂——观测值伴随可靠性状态标记（如“不可靠”）与方法论中断注释，要求使用者在分析中谨慎处理；此外，部分国家观测稀疏、时间序列不连续，增加了跨国纵向比较的建模难度。

常用场景

经典使用场景

该数据集汇集了国际劳工组织ILOSTAT数据库中关于非洲32个国家因照料责任而脱离劳动力市场的人群比例，按性别和教育层次进行了精细划分。其经典使用场景在于开展劳动经济学与性别研究领域的跨国面板数据分析，研究者可借助1,423条观测记录，构建时间序列模型或固定效应回归，以揭示照料负担如何影响不同性别和教育水平群体的劳动参与决策，尤其适合探究非洲地区未充分就业的隐性维度。

解决学术问题

该数据集核心解决了劳动力市场分析中对隐性失业难以量化衡量的学术困境。传统失业率指标常忽略因家庭照料责任而被迫退出劳动力市场的群体，尤其在非洲性别不平等显著的背景下，这一遗漏导致政策评估失准。基于此数据，学者得以系统检验性别角色分工、教育回报率与劳动供给弹性的理论假设，并量化照料经济对宏观经济增长的潜在制约，为发展经济学和性别研究提供了宝贵的经验证据。

实际应用

在实际应用中，该数据集为非洲各国劳动部门及国际发展组织制定包容性就业政策提供了数据基石。例如，通过追踪不同国家、年份间因照料责任脱离劳动力人口的变动趋势，政策制定者可识别出需要重点干预的群体，并设计针对性措施，如扩大公共托育服务、推行灵活工作制或提供照料者津贴。对于非政府组织而言，该数据也支持对性别平等项目成效进行纵向评估，推动资源向最脆弱地区倾斜。

数据集最近研究

最新研究方向

该数据集聚焦于非洲大陆因照料责任而退出劳动力市场的人口比例，按性别与教育水平分层，为揭示全球南方非典型劳动力利用形态提供了关键实证。当前前沿研究正利用此类细粒度数据深入剖析照护经济对女性劳动参与率的隐性挤出效应，尤其关注新冠疫情后非洲国家女性失业与家庭照料负担加剧的关联。同时，数据集与联合国可持续发展目标（SDG）中体面工作与性别平等议题紧密对接，助力学者量化教育与性别政策在缓解劳动力市场结构性失衡中的实际效能。其时空覆盖范围（2008–2024年，32国）为构建非洲劳动力韧性与社会保护机制的时序模型奠定了基础，推动了从传统失业统计向劳动利用不足多维测度的范式转变。