electricsheepasia/asia-ilo-luu-xlu2-sex-edu-rt-combined-rate-of-time-related-underemployment-and

该数据集包含亚洲31个国家从1996年至2025年的9,744个观测值，专注于其他劳动力利用不足指标，具体指标为按性别和教育程度划分的时间相关就业不足和失业综合率（LU2）。数据来源于国际劳工组织（ILO）的ILOSTAT数据库，通过REST API获取，并经过过滤以仅包括亚洲国家。数据集提供了按性别（总计、男性、女性）和教育程度分类的详细数据，适用于表格分类、回归和时间序列预测等任务。数据以年度频率发布，并包含数据来源、观测状态和注释等元数据，以确保可追溯性和质量评估。This dataset contains 9,744 observations of Other measures of labour underutilization data across 31 Asia countries, spanning 1996–2025, covering the indicator Combined rate of time-related underemployment and unemployment (LU2) by sex and education. The data is sourced from the ILOSTAT database of the International Labour Organization (ILO), retrieved via REST API and filtered for Asia ISO3 country codes. It includes disaggregation by sex (total, male, female) and education, and is suitable for tabular classification, regression, and time-series forecasting tasks. The data is annual, with metadata on sources, observation status, and notes for traceability and quality assurance.

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中央统计数据库，原始数据通过ILOSTAT的REST API接口直接获取，经筛选限定为亚洲ISO3国家代码后，由Electric Sheep Asia进行标准化重封装。ILOSTAT依据国际劳工统计学家会议（ICLS）定义对各国劳动力调查等原始微观数据进行统一协调，并以'最佳来源'原则处理同一国家×年份的多源记录，确保跨国可比性。重封装过程保留来源标签与注释字段，最终以Parquet格式发布，形成覆盖31个亚洲国家、1996至2025年共9,744条观测的机器学习就绪数据集。

使用方法

研究者可通过HuggingFace的datasets库以一行代码加载数据，转化为Pandas数据框后即可开展分析。典型用法包括：按国家代码筛选单国时间序列，针对特定指标绘制时序趋势图，或利用透视表构建国家×年份矩阵以进行跨国比较。数据亦适用于表格分类、回归及时间序列预测任务，使用时可结合性别与教育分类变量构建分组模型。引用时需同时标注国际劳工组织原始来源与Electric Sheep Asia的重封装工作，并遵循CC-BY-4.0许可协议。

背景与挑战

背景概述

国际劳工组织（ILO）长期致力于全球劳动力市场统计的标准化与可比性建设，其核心数据库ILOSTAT为监测体面劳动和可持续发展目标提供了权威数据基础。在此背景下，Electric Sheep Asia于2025年对ILOSTAT中亚洲区域劳动力未充分利用指标进行系统整理，发布了涵盖1996至2025年间31个亚洲国家、共计9744条观测记录的数据集，聚焦于按性别与教育程度分解的工时相关就业不足与失业综合比率（LU2）。该数据集为探究亚洲劳动力市场结构性失衡、教育错配及性别差异提供了长期时序与跨国比较的实证基础，对劳动经济学与区域发展研究具有重要参考价值。

当前挑战

该数据集所应对的核心领域问题在于劳动力未充分利用的精准测度与跨国可比性，尤其是工时相关就业不足与失业的复合指标在不同统计体系下的标准化挑战。构建过程中，数据源自各国劳动力调查，受限于统计能力差异、调查频率不一及定义口径分歧，部分观测存在序列中断、方法修订或可靠性不足等质量问题；同时，性别与教育维度的分解并非所有国家均完整发布，导致时空覆盖不均衡。此外，原始数据经API抽取与亚洲区域筛选，虽保留来源标识，但高维分类变量的稀疏性与备注信息的非结构化特征，增加了后续建模与因果推断的复杂度。

常用场景

经典使用场景

在国际劳工统计学的分析框架中，该数据集最为经典的使用场景在于以国别面板数据为基础，刻画亚洲地区时间相关就业不足与失业复合比率（LU2）的时序演进轨迹。研究者可依据性别与教育程度两个维度对31个亚洲国家自1996年至2025年的观测值进行分层比较，从而揭示不同受教育群体在劳动力市场中的脆弱性差异。借助时间序列建模与面板回归方法，该数据集常被用于检验性别鸿沟与教育溢价在就业不足现象中的调节效应，并为跨国比较研究提供标准化的指标基准。

解决学术问题

该数据集有效回应了劳动经济学中关于劳动力未充分利用测度口径不统一、跨国可比性不足的学术难题。通过ILO基于国际劳工统计学家会议定义所进行的标准化调和，数据集将时间相关就业不足与失业合并为LU2指标，弥补了传统失业率无法反映非自愿兼职与工时不足的局限。其按性别与教育程度的细分结构，为探究结构性不平等、人力资本回报递减以及经济周期中边缘群体就业质量恶化等议题提供了可检验的实证基础，对推动包容性增长与体面劳动研究具有显著的方法论意义。

实际应用

在政策制定与劳动力市场监测的实践领域，该数据集可服务于亚洲各国就业促进政策的精准评估与动态调整。政府部门与智库能够利用其国别时序数据识别就业不足高发的人群与时段，进而优化职业技能培训、性别平等就业与教育资源配置等干预措施。国际组织亦可借助该数据集开展区域劳动力市场韧性评估，监测经济波动对工时不足与失业的传导效应。此外，该数据集还可嵌入早期预警系统，为社会保障与积极就业政策的协同设计提供量化依据。

数据集最近研究

最新研究方向

在全球劳动力市场结构性变革与教育溢价波动的背景下，亚洲地区时间相关就业不足与失业复合率（LU2）的性别与教育维度差异日益成为劳动经济学的前沿议题。该数据集覆盖31个亚洲国家近三十年观测值，为探究教育层级如何调节性别间的劳动利用不足风险提供了独特的纵向比较视角。近期研究借助面板协整与机器学习方法，揭示高等教育扩张并未同步消解性别鸿沟，反而在部分经济体中因职业隔离而加剧了女性时间相关就业不足的隐性化。与此同时，后疫情时代非标准就业形态的蔓延，使LU2指标成为监测体面劳动目标进展的关键工具。该数据集亦支撑了关于技能错配与劳动力闲置交互效应的跨国实证，为亚洲各国优化教育投资结构与弹性就业政策提供了量化依据。