electricsheepafrica/africa-ilo-emp-pifl-sex-est-dsb-rt-share-of-employment-outside-the-formal-sector-by-s

该数据集包含关于非洲非正规部门就业占比的统计数据，具体指标为按性别、企业规模和残疾状况划分的非正规部门就业占比（%）。数据集涵盖25个非洲国家，时间范围为2007年至2025年，共2,151个观测值。数据来源于国际劳工组织（ILO）的ILOSTAT数据库，通过API获取并经过处理，确保数据一致性和可追溯性。数据集结构包括国家代码、年份、指标值、性别分类（总计、男性、女性）、企业规模分类、残疾状况分类以及数据质量标志（如可靠性状态）。该数据集适用于表格分类、回归和时间序列预测等机器学习任务，可用于分析非洲非正规经济就业趋势。This dataset contains statistical data on the share of employment outside the formal sector in Africa, specifically the indicator Share of employment outside the formal sector by sex, establishment size and disability status (%). It covers 25 African countries from 2007 to 2025, with 2,151 observations. The data is sourced from the International Labour Organization (ILO) ILOSTAT database, retrieved via API and processed for consistency and traceability. The dataset schema includes country codes, years, indicator values, sex disaggregation (total, male, female), establishment size classification, disability status classification, and data quality flags (e.g., reliability status). It is suitable for machine learning tasks such as tabular classification, regression, and time-series forecasting, enabling analysis of informal economy employment trends in Africa.

搜集汇总

数据集介绍

构建方式

本数据集根植于国际劳工组织（ILO）的ILOSTAT中央统计数据库，由Electric Sheep Africa团队对原始统计资料进行系统性整理与统一化处理而成。该团队遵循标准化元数据框架，将涵盖25个非洲国家、时间跨度为2007至2025年的2151条观测记录重新打包为Parquet格式，并明确标注数据来源、许可协议及地理覆盖范围。这一构建过程确保了数据在保留原始统计逻辑的同时，具备机器可读性与跨平台兼容性，为非洲非正规经济部门研究提供了结构化的证据基础。

特点

数据集以非正规部门就业份额为核心变量，按性别、机构规模与残疾状况进行多维分组，聚焦于非洲地区非正规经济的性别差异与结构性特征。其突出特点在于覆盖范围涵盖非洲多国且时间序列连续，支持面板数据分析与跨国比较研究；数据以表格形式呈现，附带标准化元数据标签，便于在机器学习工作流中直接加载。同时，数据保留了原始缺失值，为研究者提供了充分的数据清洗与插补灵活性。

使用方法

研究者可通过Hugging Face数据集库使用Python接口加载数据，执行标准的表格数据探索与建模流程。具体而言，利用datasets.load_dataset函数获取数据集对象，随后可访问其特征信息与样本数据，并转换为Pandas DataFrame以便进行统计分析。在使用过程中，建议先检视数据模式与缺失值分布，再依据国家、年份及亚组变量进行分组剖析。若需与其他非洲数据集整合，应确保使用明确的地理与时间字段进行连接，并在分析中记录数据来源与处理假设。

背景与挑战

背景概述

非正规经济就业的测度长期构成劳动经济学与发展经济学交汇处的核心议题，其数据供给却受制于各国统计能力与口径差异的显著不均衡。国际劳工组织（ILO）依托ILOSTAT平台持续汇集成员国劳动力调查数据，成为该领域最具权威性的跨国比较来源。Electric Sheep Africa于2026年对该指标实施工程化整理，将非洲25国2007至2025年间2151条观察值以标准化元数据与Parquet格式重新发布，覆盖按性别、机构规模与残疾状况分列的非正规部门外就业占比。此举在一定程度上缓解了非洲非正规经济研究长期面临的数据碎片化困境，为跨国比较与可复现分析提供了可获取的入口。

当前挑战

该数据集所回应的领域问题在于：非正规就业的界定在不同国家统计实践中缺乏统一标准，自雇、家庭帮工与微型企业雇工等范畴的边界因国而异，致使跨国比较面临系统性测量偏差。构建过程中的突出障碍源于元数据的不完整，数据卡明确标注国家与上游出版者字段存在缺口；残疾状况与机构规模等维度的跨年覆盖极不均衡，缺失机制复杂且难以简单插补。时间跨度虽达十九年，但多数国家的观测序列并不连续，面板分析的有效样本受到明显压缩。此外，非正规部门外就业占比这一指标本身对政策含义的解读高度依赖分母定义与调查方法，标签化使用极易导致误读。

常用场景

经典使用场景

在劳动经济学与非正规经济研究领域，该数据集构成了一类典型的截面—时序混合分析素材，用以刻画非洲各国非正规部门就业的性别差异与结构特征。研究者借助其涵盖2007至2025年间25个非洲国家的2151条观测记录，常以性别、企业规模及残疾状况为分组变量，构建非正规就业份额的描述性统计与趋势图谱。此类分析多见于跨国比较研究，旨在揭示不同人口学特征群体在正规与非正规部门之间的分布差异。

实际应用

在政策实践层面，该数据集为国际发展机构与非洲各国劳动部门提供了监测非正规就业规模及其人口学分布的基础依据。社会保障扩面、非正规就业正规化改革以及针对女性与残障群体的就业促进项目，均可以此数据作为基线参照，识别重点干预群体与区域。同时，该数据集亦服务于世界银行、国际劳工组织等机构的国别诊断报告与可持续发展目标进展评估，构成循证决策链条中的关键数据节点。

衍生相关工作

围绕该数据集及其所属的Electric Sheep Africa非洲公共数据集目录，已衍生出一系列聚焦非正规经济与劳动市场不平等的可复现研究。相关经典工作多将其与国际劳工组织其他指标数据集进行横向链接，构建非洲非正规就业的多维面板，或与家庭调查微观数据匹配以校验宏观统计口径。这些工作进一步催生了关于非正规部门性别分割、残障人士劳动参与以及微型企业规模分布的专题分析，拓展了非洲劳动统计数据的学术应用边界。