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

该数据集包含非洲31个国家在2005年至2025年期间，关于非正规经济就业份额的5,668个观测值。具体指标为按性别、年龄和残疾状态分组的非正规部门外就业比例（%），数据来源于国际劳工组织（ILO）的ILOSTAT数据库，通过API获取并过滤为非洲国家代码。数据集提供了详细的列结构，包括国家代码、国家名称、数据来源、指标代码、性别分类（总计、男性、女性）、年龄分类、残疾状态分类、观测年份、观测值及其状态标志等，用于分析和研究非洲非正规经济的就业情况。This dataset contains 5,668 observations of informal economy employment share across 31 African countries from 2005 to 2025. The indicator is Share of employment outside the formal sector by sex, age and disability status (%), sourced from the International Labour Organization (ILO) ILOSTAT database via API and filtered to African country codes. It provides detailed columns including country code, country name, data source, indicator code, sex disaggregation (total, male, female), age classification, disability status classification, observation year, observed value, and status flags, for analyzing informal economy employment in Africa.

搜集汇总

数据集介绍

构建方式

在非洲非正规经济研究领域，劳动力市场数据的系统化与标准化始终是学术探索的重要基石。该数据集依托国际劳工组织（ILO）旗下的ILOSTAT核心统计数据库，通过其REST API接口直接抽取指标代码为EMP_PIFL_SEX_AGE_DSB_RT的原始数据，并精准筛选至31个非洲国家的ISO3代码范围。ILOSTAT依据国际劳工统计学家会议（ICLS）定义对各国劳动力调查、家庭收支调查等微观数据进行统一协调与加工，数据集内以'source.label'字段标注数据来源，确保每一条观测值的可追溯性与方法论透明度，最终形成了涵盖5,668条观测的规整结构化集合。

使用方法

研究者可通过HuggingFace Datasets库以一行代码轻松加载该数据集：load_dataset函数直接获取训练集并转换为Pandas DataFrame格式。在此基础上，既可以根据'ref_area'字段筛选特定国家的子集进行国别聚焦分析，也可以针对单一指标按时间排序后绘制就业份额的变化趋势图。数据透视功能支持将结构重塑为国家×年份的矩阵式面板数据，满足经典计量经济学与时间序列预测模型的输入需求。数据集中保留了来源编码与观测状态标记，便于在建模前进行数据清洗与核验，极大降低了非洲劳动力实证研究的入门门槛。

背景与挑战

背景概述

该数据集由国际劳工组织（ILO）基于ILOSTAT数据库整理，经Electric Sheep Africa于2025年重新打包发布，聚焦非洲非正规经济的就业比例问题。其核心研究问题在于揭示非洲31个国家2005至2025年间，按性别、年龄和残疾状况划分的正式部门外就业份额，为劳动经济学与发展研究提供关键量化依据。数据集覆盖5668条观测记录，涵盖劳动力调查等多源数据，经ILO统计部门依据国际劳动统计学家会议定义进行协调，具有权威性与跨可比性。该数据集的发布填补了非洲非正规就业领域结构化、标准化时间序列数据的空白，特别适用于面板数据分析与性别、残疾等交叉维度研究，有效支撑了可持续发展目标中体面工作的监测与评估。

当前挑战

该数据集面临的首要挑战是领域层面的非正规经济量化难题：非正规就业的定义与测度因国而异，ILO虽努力协调但仍难以完全消除国别统计口径差异，导致跨国可比性受限。此外，原始调查数据（如劳动力调查、家计调查）的采集频率、样本设计与质量参差不齐，部分观测值被标记为‘不可靠’，直接影响模型训练的鲁棒性与预测精度。在数据构建过程中，挑战体现在多源异构数据的融合与清洗：需处理不同调查的代码系统、时间跨度缺失及分类维度不一致问题，例如年龄分组与残疾状态分类标准各异，需通过人工协调后统一归集。同时，API数据拉取后需筛选非洲国家子集，并妥善处理缺失值与分类标签的标准化，过程中对领域知识要求极高，增加了维护与更新成本。

常用场景

经典使用场景

非洲非正规就业数据集（africa-ilo-emp-pifl-sex-age-dsb-rt）整合了31个非洲国家2005至2025年间超过5600条观测记录，聚焦于按性别、年龄及残疾状况划分的正式部门外就业占比。该数据集在社会科学与劳动经济学领域被广泛用于跨国家、跨时间维度的非正规经济规模比较研究，尤其适合开展面板数据分析，以揭示非洲大陆非正规就业的结构性特征与演变趋势。研究者可通过加载数据集，快速构建国家×年份矩阵，实现对非正规就业率的时序建模与区域性差异的直观呈现。

解决学术问题

该数据集有效填补了非洲区域非正规就业微观统计数据的碎片化鸿沟，解决了以往研究因数据口径不一、时间跨度短而导致跨国比较困难的学术难题。它支撑了关于非正规部门对劳动力市场韧性贡献的理论验证，使学者能够量化性别差异、年龄分层及残疾状况对非正规就业参与率的异质性影响。数据集的系统化架构还促进了劳动力市场分割理论、制度经济学及可持续发展目标（SDG 8体面工作）相关实证研究的深化，为检验政策干预效果提供了可靠的时间序列基础。

实际应用

在实际层面，该数据集为国际劳工组织、非洲各国劳动部门及发展机构提供了监测非正规经济动态的量化工具，支持制定差异化的就业促进政策。例如，通过分析不同性别与年龄群体的非正规就业比例变化，政策制定者可精准识别弱势群体并设计针对性技能培训计划。数据集还可融入经济预测模型，辅助评估非正规部门对国内生产总值、税收体系及社会保障覆盖范围的潜在影响。此外，其机器可读的格式简化了数据集成流程，便于与人口普查、家庭调查等行政数据联动，构建更全面的非洲劳动力市场监测系统。

数据集最近研究

最新研究方向

该数据集聚焦于非洲31国2005至2025年间非正规部门就业比例的性别、年龄与残疾状态多维细分，为劳动力市场非正规化研究提供了高分辨率时序数据。前沿方向集中于利用该指标追踪非洲大陆在可持续发展目标（SDG）体面工作议程下的进展，特别是在新冠疫情后非正规就业反弹与数字平台经济催生新型非正规形态的背景下。研究者正借助ILOSTAT的标准化定义与来源标记，构建跨国面板模型以量化性别鸿沟与残疾排斥效应，并探索非正规就业与贫困脆弱性、社会保障缺失之间的因果链条。该数据推动了从宏观描述向微观机制解释的范式跃迁，为政策制定者识别被边缘群体及设计包容性干预措施提供了实证基石。