electricsheepasia/asia-ilo-ees-tees-sex-ifl-ins-nb-employees-by-sex-informal-formal-job-and-public-pr

该数据集包含亚洲地区26个国家的非正规经济劳动力数据，具体指标为“按性别、非正规/正规工作以及公共/私营部门划分的雇员数量（以千计）”，覆盖时间范围为2006年至2025年，共有4,607个观测值。数据来源于国际劳工组织（ILO）的ILOSTAT数据库，经过Electric Sheep Asia重新打包，适用于表格分类、回归和时间序列预测等机器学习任务。数据集包括国家代码、性别分类、工作性质、机构部门、年份和观测值等列，支持对劳动力市场的多维度分析。This dataset contains 4,607 observations of informal economy labor data across 26 Asia countries, spanning the years 2006 to 2025, with the indicator Employees by sex, informal/formal job and public/private sector (thousands). It is sourced from the ILOSTAT database of the International Labour Organization (ILO), repackaged by Electric Sheep Asia for machine learning applications such as tabular classification, regression, and time-series forecasting. The data includes columns for country codes, sex disaggregation, job nature, institutional sector, year, and observed values, enabling multidimensional analysis of labor markets.

搜集汇总

数据集介绍

构建方式

该数据集源于国际劳工组织（ILO）的中央统计数据库ILOSTAT，由Electric Sheep Asia通过ILOSTAT的REST API接口直接采集指标EES_TEES_SEX_IFL_INS_NB的原始数据，并依据亚洲ISO3国家代码进行筛选，最终整理为涵盖26个亚洲国家、时间跨度为2006至2025年的面板数据。ILOSTAT采用国际劳工统计学家会议（ICLS）的定义对各国劳动力调查等微观数据进行统一协调，确保跨国可比性，每条记录均标注来源以便追溯。

特点

数据集包含4,607条观测记录，覆盖26个亚洲国家，时间跨度为2006至2025年，核心指标为按性别、非正规/正规就业及公共/私营部门分类的雇员人数（千人）。数据以年度频率发布，提供性别（总计、男性、女性、其他）以及工作性质和机构部门等多维度分解，并附有观测状态标志和来源注释，便于评估数据质量与可靠性。

使用方法

研究者可通过HuggingFace的datasets库加载数据集，并转换为Pandas数据框进行灵活分析。典型用法包括筛选特定国家（如印度尼西亚）的子集，提取单一指标的时间序列以观察趋势，或将数据透视为国家×年份矩阵以进行横向比较。此外，数据集支持表格分类、回归及时间序列预测等机器学习任务，并遵循CC-BY-4.0许可，使用时需同时引用ILO原始来源和Electric Sheep Asia的再包装工作。

背景与挑战

背景概述

国际劳工组织（ILO）自1919年成立以来，始终致力于推动全球劳动统计的标准化与可比性，其ILOSTAT数据库已成为劳动经济学领域最具权威性的跨国数据基础设施。该数据集由Electric Sheep Asia于2025年从ILOSTAT REST API中提取并重新封装，覆盖26个亚洲国家、时间跨度达2006至2025年，共4,607条观测记录。其核心研究问题聚焦于非正规经济中性别、就业形态与公私部门之间的交互关系，为探究亚洲劳动力市场结构转型提供了关键数据支撑。作为ILO官方统计的衍生资源，该数据集对发展经济学、性别研究和劳动政策评估具有显著影响力。

当前挑战

在领域问题层面，该数据集直面非正规就业测度这一长期困扰劳动统计学的难题，不同国家对非正规部门的界定差异以及抽样调查体系的异质性，使跨国比较面临内在效度威胁。在构建过程中，数据源经ILO统一协调与选优处理，但各国数据收集年份不齐、指标覆盖参差，加之部分观测存在序列断裂或可靠性标注，导致面板数据结构高度不平衡，时间序列建模与因果推断须妥善处理缺失机制与样本选择偏误。此外，性别维度下非正规与正规就业的交叉分类进一步加剧了单元格稀疏性，对统计效力构成实质性约束。

常用场景

经典使用场景

在劳动经济学与非正规经济研究领域，该数据集最经典的用途在于刻画亚洲各国非正规就业的性别结构与部门分布特征。研究者可依据性别、非正规/正规就业性质以及公共/私营部门的三维交叉分类，构建跨国面板数据，系统比较不同国家在非正规就业规模与性别差距上的异质性。借助时间序列维度，还可追踪各国非正规就业比重的演变轨迹，识别经济周期、制度变迁与结构性转型对就业正规化进程的差异化影响，从而为跨国比较研究提供坚实的微观统计基础。

实际应用

在政策实践层面，该数据集为国际组织与各国劳动行政部门评估非正规就业规模、监测体面劳动目标进展提供了量化支撑。社会保障机构可据此识别非正规就业集中的人群与部门，优化缴费型社会保险的扩面策略。就业促进部门能够针对女性非正规就业者设计差异化的技能培训与创业扶持方案。学术与咨询机构亦可将其作为基准数据，开展劳动力市场风险评估与政策模拟分析。

衍生相关工作

围绕该数据集及其所属的ILOSTAT指标体系，已衍生出诸多经典研究脉络。比较劳动制度与就业正规化关系的跨国计量分析、女性劳动参与与非正规就业交互效应的性别经济学研究，以及公共部门就业规模与私营部门发展关联性的公共经济学探讨，均在不同程度上依赖此类标准化跨国统计数据。这些工作持续拓展了非正规就业统计在可持续发展目标评估与全球劳动治理中的应用边界。