electricsheepafrica/africa-ilo-eip-wdis-sex-age-edu-nb-discouraged-job-seekers-by-sex-age-and-education-t

该数据集包含了来自国际劳工组织（ILO）ILOSTAT数据库的“按性别、年龄和教育程度划分的灰心求职者（千人）”数据，覆盖非洲43个国家，时间范围为1999年至2025年，总计18,862条观测记录。数据涵盖了劳动利用不足的其他指标，主要用于表格分类、表格回归和时间序列预测任务。数据集通过Electric Sheep Africa重新打包，以统一的ML就绪格式提供，便于研究人员和开发者使用。This dataset contains Discouraged job-seekers by sex, age and education (thousands) data from the ILOSTAT database of the International Labour Organization (ILO), covering 43 African countries from 1999 to 2025, with 18,862 observations. It focuses on other measures of labour underutilization and is designed for tabular classification, tabular regression, and time-series forecasting tasks. The dataset is repackaged by Electric Sheep Africa in a unified, ML-ready format for easy use by researchers and developers.

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）的官方统计数据库ILOSTAT，经由Electric Sheep Africa团队重新封装，旨在为非洲劳动力市场研究提供结构化数据支持。构建过程中，数据集通过ILOSTAT的REST API直接拉取标识为EIP_WDIS_SEX_AGE_EDU_NB的指标数据，并依据非洲ISO3国家代码进行地理过滤，最终整合为包含43个非洲国家、时间跨度1999年至2025年的18,862条观测记录。ILOSTAT依照国际劳工统计学家会议（ICLS）定义对原始调查微观数据进行统一协调，数据来源通过source.label字段标注，确保了数据源的可追溯性与一致性。

使用方法

研究人员可通过HuggingFace Datasets库便捷加载该数据集，使用load_dataset函数即可直接获取，并支持转换为pandas DataFrame进行后续分析。典型应用包括按国家代码过滤单一国家子集以进行纵向追踪，或按indicator字段筛选特定指标并按时序排序以观察趋势变化。此外，通过pivot_table可将数据重塑为国家×年份的矩阵形式，便于进行面板数据回归或跨国土比分析。数据集预置的标准化模式与Parquet格式封装，使得从加载到分析的整个流程可在秒级完成，特别适合机器学习建模与计量经济学研究的高效数据工程需求。

背景与挑战

背景概述

该数据集由国际劳工组织（ILO）下属的ILOSTAT数据库编纂，并经Electric Sheep Africa于2025年重新封装发布，聚焦于非洲地区因性别、年龄和教育程度划分的失意求职者数量（单位：千）。作为全球劳动统计的权威来源，ILOSTAT依托各国劳动力调查、家庭收支调查及行政记录，利用国际劳工统计学家会议（ICLS）定义进行数据协调。数据集涵盖1999年至2025年间43个非洲国家的18,862条观测值，为研究非洲劳动力市场中的隐性失业问题——尤其是“失意求职者”这一衡量劳动力利用不足的关键指标——提供了宝贵的时空连续数据。其通过对性别的三重分类（总计、男性、女性）及年龄和教育维度的交叉细分，使得分析人口结构对就业意愿的异质性影响成为可能，对深入理解非洲发展中国家的非正式就业形态具有显著的学术价值和政策指导意义。

当前挑战

该数据集所面临的挑战首先是解决领域问题的复杂性。失意求职者作为衡量劳动力市场疲软的隐性指标，其界定与数据收集高度依赖于各国劳动力调查的设计与实施标准，非洲国家间悬殊的经济结构与统计能力导致原始数据在定义一致性、调查频率和质量上存在显著差异，即便经过ILO的标准化协调，仍需谨慎处理跨国产出比较时的系统偏差。构建过程中同样挑战重重，包括来自43个国家的多源调查数据在年度频率上的稀疏性与缺失模式（如部分国家观测最早可至1999年，而另一些国家仅覆盖2010年后），以及因方法修订或来源变更产生的序列断点——数据已通过“note_indicator”字段标注此类“方法论修订”和“序列中断”信息。此外，部分观测值被标记为“不可靠”，要求使用者在进行时间序列分析和建模时具备鲁棒的数据清洗策略。

常用场景

经典使用场景

该数据集汇聚了国际劳工组织ILOSTAT数据库中关于非洲43个国家1999至2025年间‘沮丧求职者’人数的精细统计，涵盖按性别、年龄与教育层次划分的18,862条观测记录。它最经典的使用场景在于构建面板数据模型，系统分析非洲劳动力市场的结构性失衡问题，尤其聚焦于长期失业群体中那些因屡次求职未果而放弃寻找工作的个体。研究者可借助该数据考察教育水平与就业意愿之间的非线性关系，或对比不同性别与年龄段人群在劳动力市场边缘化过程中的差异性。同时，该数据也常被用于时间序列分析与情景预测，以揭示非洲各国就业形势的演变趋势。

解决学术问题

该数据集深刻回应了发展经济学与劳动经济学中一个经典难题：如何量化并理解‘隐性失业’或劳动力利用不足的真实规模。传统的失业率指标往往忽略那些因就业前景暗淡而彻底退出劳动力市场的群体，从而导致政策干预的盲区。通过提供按性别、年龄与教育程度交叉细分的沮丧求职者数据，学者能够精准评估人力资本积累与就业期望之间的脱节程度，检验劳动力市场制度性障碍对特定群体的挤出效应。该数据的引入推动了关于非洲就业质量、非正规经济吸纳能力以及社会保障体系效能等议题的实证研究，为改善劳动统计方法论和优化国际发展合作政策提供了坚实的数理基础。

实际应用

在实际应用层面，该数据集为非洲各国政府、国际发展机构及非政府组织提供了诊断劳动力市场健康度的关键工具。借助这些按性别、年龄和教育背景分层的数据，决策者能够识别出哪些社会群体最易陷入长期求职绝望状态，从而设计更具靶向性的职业培训计划、心理辅导支持和创业孵化项目。例如，当数据显示青年女性或低教育水平成年男性群体的沮丧求职者数量持续攀升时，政策制定者可据此调整职业技能培训内容，或推出针对特定行业的公共就业计划。此外，该数据还可用于评估宏观经济冲击或政策改革对劳动力流动性的影响，帮助国际金融机构优化其在非洲的就业援助与减贫资金配置。

数据集最近研究

最新研究方向

在非洲劳动力市场研究领域，该数据集聚焦于“丧失信心的求职者”这一关键劳动利用不足指标，通过性别、年龄和教育程度的多维分层，为剖析非洲大陆结构性失业与隐性失业问题提供了精细化的量化基础。前沿研究方向集中在结合ILOSTAT的标准化定义与纵向时间序列（1999-2025年），利用机器学习和因果推断模型，揭示经济增长、教育扩张与青年及女性劳动力边缘化之间的动态关联。特别是，该数据与撒哈拉以南非洲地区近年来青年失业率高企、非正规就业蔓延等热点事件紧密挂钩，使研究者能够量化教育回报率的变迁以及性别差异在劳动力退缩行为中的演化轨迹。其意义在于为国际劳工组织及各国政策制定者提供基于证据的预警信号，推动从改善教育适配性到强化社会保护体系等干预措施的精准设计，从而在非洲可持续发展议程中实现更包容的劳动力市场转型。