electricsheepafrica/africa-ilo-eip-neet-sex-cbr-rt-share-of-youth-not-in-employment-education-or-trai

该数据集包含非洲34个国家1991年至2025年间关于青年未就业、未受教育或未培训（NEET）比例的统计数据，共1050个观测值。核心指标为EIP_NEET_SEX_CBR_RT，即按性别和出生地分组的青年NEET百分比。数据来源于国际劳工组织（ILO）的ILOSTAT数据库，经过Electric Sheep Africa重新打包处理，以表格形式提供，包含国家代码、年份、性别分类（总计、男性、女性）、出生地分类（如总计）、观测值、数据状态标志等字段。数据集适用于表格分类、回归和时间序列预测等任务，重点关注非洲劳动力市场和教育状况。This dataset contains 1,050 observations of youth not in employment, education or training (NEET) share statistics across 34 African countries from 1991 to 2025. The core indicator is EIP_NEET_SEX_CBR_RT, representing the percentage of youth NEET disaggregated by sex and place of birth. Sourced from the International Labour Organizations (ILO) ILOSTAT database and repackaged by Electric Sheep Africa, it is provided in tabular format with fields including country codes, year, sex classification (total, male, female), place of birth classification (e.g., total), observed values, and data status flags. The dataset is suitable for tabular classification, regression, and time-series forecasting tasks, focusing on African labor market and education conditions.

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数据库，聚焦于非洲地区青年未就业、未受教育或未接受培训的比例（NEET），并按性别与出生地进行分类。数据通过ILOSTAT的REST API直接获取，筛选出34个非洲国家的ISO3国家代码，涵盖1991至2025年的年度观测值，共计1050条记录。ILO依据国际劳工统计学家会议（ICLS）的定义对原始调查微观数据进行统一协调，确保指标口径一致，并在source.label列中标注数据来源以供追溯。Electric Sheep Africa团队负责重新封装，将原始数据转换为标准化格式，以Parquet格式存储于HuggingFace平台，便于机器学习场景的快速加载与使用。

使用方法

该数据集可通过HuggingFace的datasets库直接加载，使用load_dataset()函数即可将数据读取为Pandas DataFrame，便于后续分析与建模。用户可通过ref_area字段筛选特定国家，如肯尼亚的数据；也可利用indicator字段进行单一指标的时间序列分析，例如绘制NEET比例随时间变化的曲线图。对于面板数据研究，可借助pivot_table功能将数据重塑为国家×年份矩阵，实现多国对比。数据集中的obs_value字段为数值型目标变量，适用于回归任务；而sex与classif1等分类字段则可作为特征进行多分类或时间序列预测建模。数据集的表结构清晰，包含丰富的时间与空间维度信息，是研究非洲青年劳动力市场动态的理想资源。

背景与挑战

背景概述

青年未就业、未接受教育或培训（NEET）比率是衡量劳动力市场边缘化与人力资本闲置的关键社会指标，尤其对于非洲大陆，其持续高企的NEET比率常被视为结构转型迟滞与社会不稳定的征兆。基于此，国际劳工组织（ILO）依托其核心统计数据库ILOSTAT，构建了涵盖34个非洲国家、横跨1991年至2025年、共计1,050条观测的NEET比率数据集。该数据集由Electric Sheep Africa在2025年重新整理并发布在HuggingFace平台，聚焦于按性别与出生地划分的NEET比率，旨在为政策制定者与社会科学家提供标准化的纵向数据支撑。作为ILO推动体面劳动议程与联合国可持续发展目标（SDG）监测的重要基础资源，该数据集为非洲青年就业困境的跨时空比较研究奠定了坚实的量化基础。

当前挑战

该数据集面临的挑战体现在多个层面。在领域问题方面，NEET比率虽能刻画青年脱离教育就业主流的规模，却难以揭示其背后的异质性成因，例如辍学动机、非正规就业的隐性参与或地域间劳动力流动的影响，这使得单纯依赖该指标进行政策诊断时可能遗漏关键结构性因素。在构建过程中，数据面临显著的跨源协调困难：ILOSTAT整合了来自各国劳动力调查与行政记录的数据，但不同国家的调查设计、问卷框架及统计口径存在差异，导致‘最佳来源’选择标准与时间序列的衔接性易受质疑。此外，数据标注中诸如‘不可靠’等观测状态标记频现，加之部分国家如利比里亚的数据仅覆盖至2017年，使得时间序列碎片化，为精准建模与稳健推断带来了不可忽视的噪声与偏差风险。

常用场景

经典使用场景

该数据集汇集了国际劳工组织ILOSTAT数据库中关于非洲34个国家1991至2025年间青年未就业、未受教育或未接受培训（NEET）比率的年度观测值，共计1050条记录。其核心应用场景在于构建基于性别的NEET率面板数据，用于比较不同非洲国家在青年劳动力市场参与度方面的长期趋势。研究者可借助该数据开展分类任务，预测特定国家或年份的NEET水平，或运用回归模型探究经济发展、性别平等政策与青年就业质量之间的关联。此外，该数据集的时间序列特征使其天然适用于时序预测领域，为建模青年人力资本积累的动态演变提供可靠的数据基础。

解决学术问题

该数据集直面非洲青年群体面临的就业与教育双重困境，为解决以下学术问题提供了关键支撑：其一，量化评估性别差异对NEET率的影响，揭示女性青年在劳动力市场中遭遇的结构性障碍；其二，分析不同出生地（国内或国外出生）对青年NEET状态的作用机制，探讨移民身份如何调节教育与就业之间的过渡路径；其三，通过跨国家、跨年代的比较分析，检验国际发展政策（如可持续发展目标中的体面工作目标）在非洲各国落地的实际成效。该数据集的学术意义在于填补了非洲区域性青年劳动力市场微观数据的空白，使研究者能够基于统一指标框架进行严谨的因果推断，从而为劳动经济学、发展经济学和教育经济学领域的理论演进提供实证依据。

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制定青年就业干预政策提供了不可替代的量化工具。例如，政策制定者可通过分析特定国家的NEET率性别分项数据，识别出女性青年群体的就业短板，进而设计针对性的职业培训计划或创业扶持项目。同时，该数据可作为监测联合国可持续发展目标（SDGs）中关于青年就业进展的核心指标，帮助国际组织如世界银行和非洲联盟评估区域发展执行情况。此外，开发者和数据科学家可以利用其结构化表格特性，构建机器学习模型对高风险地区进行早期预警，从而优化有限资源在教育与职业培训领域的配置效率。

数据集最近研究

最新研究方向

该数据集聚焦于非洲青年群体中既不在学、不在岗、也不接受培训的NEET比例，按性别与出生地交叉细分，为研究非洲劳动力市场的结构性脆弱性提供了珍贵的时间序列证据。近年来，随着非洲大陆青年人口激增与数字化转型加速，NEET指标被广泛应用于评估技能错配、教育体系效能及社会排斥风险。本数据集整合了国际劳工组织ILOSTAT中34个非洲国家1991至2025年的年度观测数据，尤其在追踪新冠疫情期间青年就业恢复脆弱性、以及撒哈拉以南非洲性别差距固化等热点议题中展现出关键价值。其与迁移者存量数据的结合，更揭示了迁移身份对青年劳动参与机会的深远影响，为设计包容性的青年就业政策与落实SDG目标8.6提供了实证基础。