electricsheepafrica/africa-ilo-emp-temp-sex-ifl-edu-nb-employment-by-sex-informal-formal-job-and-educatio

该数据集包含非洲45个国家从2000年至2025年的非正规经济相关数据，共有24,178个观测值，涵盖1个核心指标：按性别、非正规/正规工作和教育划分的就业人数（千）。数据来源于国际劳工组织（ILO）的ILOSTAT数据库，经过标准化处理，包含国家代码、年份、性别分类（总计、男性、女性）、工作性质分类、教育水平分类以及观测值等字段。数据集适用于表格分类、回归分析和时间序列预测等机器学习任务，旨在为研究人员和开发者提供非洲劳动力市场的结构化数据支持。This dataset contains informal economy data for 45 African countries spanning from 2000 to 2025, with 24,178 observations covering 1 distinct indicator: Employment by sex, informal/formal job and education (thousands). Sourced from the International Labour Organization (ILO)s ILOSTAT database, the data is harmonized and includes fields such as country codes, year, sex disaggregation (total, male, female), job nature classification, education level classification, and observed values. It is suitable for machine learning tasks like tabular classification, regression, and time-series forecasting, providing structured data on African labor markets for researchers and developers.

搜集汇总

数据集介绍

构建方式

在非洲劳动经济研究领域，非正规就业的量化测度长期受制于数据碎片化与跨国可比性不足。该数据集由Electric Sheep Africa对国际劳工组织统计数据库（ILOSTAT）中的原始记录进行系统性再包装而成，覆盖24,178条观测，横跨45个非洲国家、2000至2025年，围绕非正规与正规就业按性别及教育程度分类的指标进行结构化整理，以Parquet格式发布，并配置标准化元数据、加载指引与来源溯源说明，形成面向分析者可直接调用的表格化资源。

特点

该数据集立足非洲非正规经济体的实证研究需求，呈现出鲜明的多维性与长时序特征。其核心变量涵盖性别、非正规或正规就业身份以及教育程度，观测粒度以千人计，兼具经济学与金融学领域属性。数据结构以表格与文本模态并存，体量处于万级至十万级区间，采用单语英语标注，遵循CC BY 4.0开放许可。凭借标准化元数据与国别、年份、指标字段的明确呈现，该数据集为跨域比较与可复现研究提供了稳健的底层支撑。

使用方法

研究者可依托Hugging Face的datasets库，通过load_dataset接口加载该仓库，并借助数据集查看器快速检索可用分划。获取首个分划后，可打印特征结构并预览前若干行以核验字段含义，在表格型数据场景下可直接转换为Pandas数据框以便后续处理。分析过程中应优先检视仓库文件与变量定义，明确国家列与单位信息，在建模之前审视缺失值分布，保留缺失直至确立合理的插补规则，并可依据国别、年份与指标字段与其他Electric Sheep Africa数据集进行连接。

背景与挑战

背景概述

在全球化劳动治理与非洲结构性转型的交叉语境下，非正规经济始终是理解发展中国家就业质量与人力资本配置的核心议题。该数据集由Electric Sheep Africa团队于2026年基于国际劳工组织ILOSTAT数据库整理发布，覆盖45个非洲国家、2000至2025年间逾两万条观测记录，系统呈现按性别、非正规/正规就业及教育程度划分的就业人数。作为非洲数据发现体系的重要组成部分，其标准化元数据与可复现结构为比较劳动经济学研究提供了可操作的实证基础，对监测非正规部门规模演变及教育—就业匹配关系具有显著的方法论价值。

当前挑战

该数据集所回应的领域问题在于：如何在全球可比框架下刻画非洲非正规就业的性别差异与教育分层，并克服跨国劳动统计中长期存在的口径异质性与覆盖不均。构建过程中的核心挑战体现为三方面：其一，ILOSTAT原始指标在不同国家的调查年份与抽样方法参差不齐，导致时序连续性受限；其二，非正规就业的定义随国际标准修订而演变，跨期与跨国的概念对齐需依赖审慎的元数据标注；其三，数据存在国别标签缺失与上游出版者信息不完整等元数据间隙，要求分析者在建模前须回归原始来源核实变量单位与定义，方能避免误读政策含义。

常用场景

经典使用场景

在劳动经济学与非正规经济研究的交汇处，该数据集以性别、就业形态（正规/非正规）与教育程度三重维度构建了非洲45国2000至2025年的就业人数面板，成为剖析非洲劳动力市场结构性差异的基准资源。研究者借助其分层计数数据，可系统开展非正规就业占比的时序演变分析、性别就业鸿沟的教育梯度分解，以及不同教育层级劳动力在正规与非正规部门间的分布比较，从而为理解发展中国家劳动力市场二元结构提供可复现的量化基础。

衍生相关工作

以该数据集为基石，衍生工作主要沿三个方向展开：其一，与Electric Sheep Africa目录中其他ILOSTAT或世界银行指标数据集横向联结，构建涵盖工资、工时与社会保护的综合性非洲劳动力数据库；其二，运用机器学习方法对非正规就业进行预测建模与缺失值插补，推动劳动统计估算方法的前沿探索；其三，在实证层面催生了一系列关于非洲教育扩张与非正规部门吸纳能力的比较案例研究，为后续面板因果推断与政策评估奠定了数据与文献基础。

数据集最近研究

最新研究方向

在非洲劳动力市场结构转型与不平等问题日益受到关注的背景下，基于国际劳工组织（ILOSTAT）非正规/正规就业与教育程度分性别数据的研究正朝多维交叉分析方向演进。前沿工作聚焦于运用该数据集构建非正规就业率与教育回报的性别差异模型，揭示撒哈拉以南非洲各国在正规化进程中的异质性路径。结合非洲大陆自由贸易区（AfCFTA）推动的劳动力流动政策热点，研究者利用面板数据检验教育扩张对非正规经济收缩的滞后效应，并借助机器学习方法识别性别与教育层级交互作用下就业正规化的关键阈值。此类分析为制定包容性就业政策、缩小性别收入差距提供了可复现的实证基准，对实现非盟《2063年议程》中关于体面劳动的目标具有重要监测意义。