electricsheepafrica/africa-ilo-une-deap-sex-geo-dsb-rt-unemployment-rate-by-sex-rural-urban-areas-and-dis

该数据集包含来自国际劳工组织（ILO）核心统计数据库ILOSTAT的非洲失业率数据，具体指标为按性别、城乡地区和残疾状况划分的失业率（百分比）。数据集涵盖37个非洲国家，时间跨度为2006年至2025年，共包含2,277个观测值。数据通过ILOSTAT REST API提取，并过滤为非洲国家代码，使用国际劳工统计学家会议（ICLS）定义进行标准化。数据结构包括国家代码、国家名称、数据来源、指标代码、指标名称、性别分类（总计、男性、女性）、分类变量（如地区类型、残疾状况）、观测年份、观测值以及数据状态标志等列。数据按年度频率提供，并包含数据质量说明，如使用ILO选择的最佳来源。该数据集由Electric Sheep Africa重新打包，旨在为非洲提供统一的机器学习就绪数据层，可用于表格分类、回归和时间序列预测等任务。This dataset contains unemployment rate data for Africa from the International Labour Organizations (ILO) central statistics database, ILOSTAT, specifically the indicator Unemployment rate by sex, rural / urban areas and disability status (%). It covers 37 African countries from 2006 to 2025, with 2,277 observations. Data is extracted via the ILOSTAT REST API and filtered to African country codes, harmonized using International Conference of Labour Statisticians (ICLS) definitions. The schema includes columns such as country code, country name, data source, indicator code, indicator name, sex disaggregation (total, male, female), classification variables (e.g., area type, disability status), observation year, observed value, and data status flags. Data is provided at annual frequency, with quality caveats such as the use of ILO-selected best source. The dataset is repackaged by Electric Sheep Africa as part of a unified, ML-ready data layer for Africa, suitable for tasks like tabular classification, regression, and time-series forecasting.

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，由Electric Sheep Africa对原始失业率指标进行系统化整理与重包装。构建过程以非洲区域为地理边界，提取2006至2025年间37个非洲国家的观测记录，涵盖性别、城乡区域与残疾状况等多维分层变量，最终形成2,277条结构化数据。数据以Parquet格式存储，并通过标准化元数据标注来源、许可与字段含义，确保分析者能够在统一框架下追溯原始统计口径与数据谱系。

特点

数据集聚焦于非洲劳动力市场中的失业率差异，具备鲜明的多维交叉特征。其核心价值在于同时纳入性别、城乡分布与残疾状态三个分层维度，使得研究者能够剖析不同社会群体在就业市场中的结构性不平等。数据时间跨度近二十年，覆盖37个非洲国家，兼具时序纵深与地理广度。规模处于1K至10K区间，以表格与文本模态呈现，标签体系融合了劳动统计、失业、就业等经济学主题，为非洲区域劳动经济研究提供了可复用的公开数据基础。

使用方法

使用该数据集时，可借助Hugging Face的datasets库直接加载，通过load_dataset函数获取数据集对象并查看其结构与特征。对于表格分析，可将指定拆分转换为Pandas数据框，便于进行描述性统计、缺失值审查与分组剖面分析。建议在建模前先行检验各变量的定义、单位与缺失模式，避免仅凭标签推断政策含义。若需拓展分析，可依据国家、年份与指标字段与其他Electric Sheep Africa数据集进行联接，构建可复现的研究流程。

背景与挑战

背景概述

非洲大陆的劳动力市场长期面临结构性失衡与非正式就业泛滥的困境，失业率的精准测度成为发展经济学与政策评估的核心议题。国际劳工组织（ILO）依托ILOSTAT数据库持续编纂全球劳动统计，然而非洲区域按性别、城乡及残疾状况细分的失业数据长期零散且标准不一。Electric Sheep Africa于2026年将ILOSTAT中2,277条非洲观测记录系统化整理，覆盖37个国家、2006至2025年，构建了首个面向机器学习场景的多维失业率表格数据集。该数据集填补了非洲残疾与城乡维度劳动统计的空白，为弱势群体就业政策研究提供了可复现的基线数据。

当前挑战

数据集所回应的领域难题在于：非洲各国劳动统计能力参差不齐，失业定义与非正式部门边界模糊，导致跨国可比性脆弱。构建过程中，残疾状况与城乡分类在多数国家并非强制上报项，缺失值比例高且分布非随机，直接插补易引入偏差；非盟成员国行政区划与统计口径历经常年变动，时间序列的连续性难以保证；ILOSTAT元数据对指标定义、年龄门槛及参考周期的标注不统一，数据用户若未加辨析便建模，可能误读失业率的政策含义。此外，城乡二元划分在快速城市化国家日益失真，残疾状态的自报偏差亦削弱了估计的稳健性。

常用场景

经典使用场景

在劳动经济学与残障就业研究的交叉领域，该数据集凭借其按性别、城乡地域及残障状况三重维度细分的失业率指标，成为剖析非洲劳动力市场结构性分化的经典分析素材。研究者通常以2006至2025年间37个非洲国家的2277条观测记录为基准，借助表格分类与回归任务，考察性别鸿沟、城乡差异与残障身份叠加下失业风险的异质性分布，进而揭示多重边缘化群体在非洲就业结构中的脆弱处境。

解决学术问题

长期以来，非洲地区的残障劳动力市场统计存在显著的数据鸿沟，既有研究多囿于单一国家或局限于性别、城乡某一维度，难以系统评估残障身份与其他社会分层变量的交互效应。该数据集以标准化元数据整合国际劳工组织统计数据库的权威指标，为检验交叉性理论在非洲语境下的适用性提供了可复现的经验基础，推动了残障就业研究从描述性统计向因果推断与跨国比较的范式演进。

衍生相关工作

围绕该数据集，学术界与数据工程社区已衍生出若干经典工作。一方面，研究者将其与世界银行、联合国开发计划署的非洲发展指标进行多源融合，构建了残障与就业不平等综合指数；另一方面，Electric Sheep Africa以此为基础发布了系列非洲开放数据卡片，推动了非洲劳动统计数据的标准化与可发现性。这些工作共同拓展了非洲残障就业研究的数据基础设施。