electricsheepasia/asia-ilo-luu-2lu2-sex-age-rt-combined-rate-of-time-related-underemployment-and

该数据集包含亚洲49个国家从2005年至2027年的10,062个观察值，主题为“时间相关就业不足和失业综合率（LU2）按性别和年龄划分”。数据来源于国际劳工组织（ILO）的ILOSTAT统计数据库，通过REST API直接提取并过滤为亚洲国家代码。数据集涵盖1个独特指标（代码：LUU_2LU2_SEX_AGE_RT），该指标表示按性别和年龄划分的时间相关就业不足和失业综合率，单位为百分比。数据结构包括国家代码（ref_area）、国家名称（ref_area.label）、数据来源代码和标签（source、source.label）、指标代码和标签（indicator、indicator.label）、性别维度（sex、sex.label，包括总计、男性和女性）、年龄分类（classif1、classif1.label）、观察年份（time）、观测值（obs_value）以及观测状态（obs_status、obs_status.label）等列。数据经过ILO harmonisation处理，使用国际劳工统计学家会议（ICLS）定义，并标注来源以追溯。数据频率为年度，部分指标可能有多个月度或季度序列，但本数据集仅包含年度数据。当同一国家×年份有多个数据源时，使用ILO选择的“最佳来源”。数据由Electric Sheep Asia重新打包，旨在为亚洲提供统一的、机器学习就绪的数据层。This dataset contains 10,062 observations of the combined rate of time-related underemployment and unemployment (LU2) by sex and age across 49 Asia countries, spanning from 2005 to 2027. The data is sourced from the International Labour Organizations (ILO) ILOSTAT database, extracted directly via the REST API and filtered to Asia ISO3 country codes. It includes one distinct indicator (code: LUU_2LU2_SEX_AGE_RT), which represents the combined rate of time-related underemployment and unemployment by sex and age, measured as a percentage. The dataset schema comprises columns such as country code (ref_area), country name (ref_area.label), source code and label (source, source.label), indicator code and label (indicator, indicator.label), sex disaggregation (sex, sex.label, including total, male, and female), age classification (classif1, classif1.label), observation year (time), observed value (obs_value), and observation status (obs_status, obs_status.label). The data is harmonized by ILO using International Conference of Labour Statisticians (ICLS) definitions, with sources flagged for traceability. The frequency is annual, and only the ILO-selected best source is used when multiple sources exist for the same country×year. The dataset is repackaged by Electric Sheep Asia as part of a unified, ML-ready data layer for Asia on HuggingFace.

搜集汇总

数据集介绍

构建方式

本数据集源自国际劳工组织（ILO）的ILOSTAT统计数据库，聚焦于亚洲地区劳动力利用不足的综合衡量指标。数据通过ILOSTAT的REST API接口直接获取，原始指标为“时间相关就业不足与失业的综合比率（LU2）”，并依据性别与年龄维度进行细分。在获取原始数据后，数据集构建者依据亚洲地区的ISO3国家代码进行筛选，仅保留了49个亚洲国家的观测记录。同时，为了确保数据的可追溯性与透明度，数据集中包含了来源标识字段，清晰标记了每一条观测数据所对应的原始调查或估算来源。最终，这些数据被整理为结构化的表格形式，并按照统一的数据模式进行封装，便于后续的分析与应用。

特点

该数据集的核心特色在于其综合性、区域聚焦性与多维度的细分能力。它涵盖了2005年至2027年间长达23年的时间跨度，提供了超过一万条精细观测记录，覆盖了亚洲49个国家和地区。数据不仅提供了总体的综合失业与就业不足比率，更关键的是，它按照性别（男、女、总计）和年龄组（如青年与成人）进行了细致的分层统计，使得研究者能够深入剖析不同人群的劳动力市场状况。此外，数据集中还标注了每个观测值的状态（如实际值或临时值），为数据质量的评估提供了重要依据，确保了分析结论的稳健性。

使用方法

使用者可通过HuggingFace Datasets库便捷地加载该数据集，只需一行代码即可将数据转化为Pandas DataFrame格式进行后续操作。例如，用户可以通过筛选`ref_area`字段轻松提取特定国家（如印度尼西亚）的时间序列数据，或通过`indicator`字段聚焦于单一指标进行分析。数据表格的列结构清晰，包含国家代码、指标名称、性别、年龄分类、观测年份及数值等关键字段，支持灵活的数据聚合与透视操作。研究者可以方便地通过年份与国家构建透视矩阵，用于面板数据分析或时间序列建模，从而高效地开展亚洲劳动力市场比较研究或趋势预测。

背景与挑战

背景概述

在劳动经济学与可持续发展目标（SDGs）监测领域，劳动力利用不足的测度一直是核心议题。传统的失业率往往未能全面捕捉劳动市场的真实困境，尤其是时间相关未充分就业与失业并存的复杂现象。在此背景下，国际劳工组织（ILO）基于其全球统计数据库ILOSTAT，于2025年11月发布了一套覆盖亚洲49个国家、时间跨度从2005年至2027年的综合数据集，名为“Combined rate of time-related underemployment and unemployment (LU2) by sex and age — ILO | Asia (ILOSTAT)”。该数据集由Electric Sheep Asia团队于2026年5月重新整理并托管于HuggingFace平台，旨在为亚洲区域的劳动市场研究提供标准化的表格与时间序列数据。其核心研究问题在于如何通过统一的LU2指标，揭示不同性别与年龄组别在劳动力利用不足方面的差异，从而为政策制定者与研究人员提供更精准的劳动力市场健康状况评估工具。该数据集因其地域广泛性、时间纵深度及细致的人口统计分层，正逐步成为亚太劳动市场分析与SDG目标8（体面工作和经济增长）监测的重要基准。

当前挑战

该数据集所解决的领域问题挑战在于，传统的失业率指标无法反映因工作时间不足而被迫处于未充分就业状态的劳动力群体，导致对劳动市场闲置程度的低估。LU2指标通过综合时间相关未充分就业与失业，提供了更全面的劳动力利用不足测度，尤其适用于非正规就业普遍、隐性失业突出的亚洲发展中国家。在构建过程中，数据集面临多重挑战：首先，亚洲各国劳动调查的数据来源、问卷设计及统计口径差异显著，ILO需通过ICLS国际劳工统计学家会议标准对原始微观数据进行协调统一，并在“source.label”列中标记来源以保证可追溯性；其次，部分国家早期年份的数据缺失或质量参差不齐，ILO采用模型估计方法填补空缺，但所得数值需通过“obs_status”字段标注为暂定或不可靠值；此外，数据仅涵盖年度频率，未能纳入更细粒度的时间变化，且多源数据在同一国家-年份组合中的择优选取过程可能引入选择性偏差。

常用场景

经典使用场景

在劳动经济学与宏观政策评估领域，该数据集最经典的使用场景是量化亚洲地区劳动力闲置的复合程度。通过整合时间相关就业不足与失业的联合指标（LU2）并按性别和年龄进行分层，研究者能够构建精细化的面板数据模型，追踪49个亚洲国家在2005至2027年间劳动力市场弹性的演变轨迹。这一设计使其成为衡量发展中国家非正规就业与隐性失业风险的关键工具，尤其适用于评估全球化冲击、产业结构转型对特定人口群体的差异化影响。

实际应用

在实际应用中，该数据集对国际组织、国家统计部门及发展机构具有直接的政策导向价值。例如，通过追踪各国LU2的时序变化，政策制定者可识别出就业支持计划（如东南亚国家的“以工代赈”项目）的覆盖盲区，并依据性别与年龄分组优化资源分配。在私营领域，跨国企业可用其评估投资目的地的人力资本冗余风险，而金融机构则能将其整合入主权信用模型，补充对宏观劳动力韧性的预测维度。

衍生相关工作

该数据集衍生了多项标志性研究工作，包括但不限于：基于ILOSTAT统一口径的亚洲国家LU2异质性聚类分析，揭示了南亚与东亚在就业质量上的结构性鸿沟；结合性别平等指数的多变量回归模型，量化了女性在时间相关就业不足中的超额负担；以及利用2019年新冠疫情前后数据构建的干预效果评估框架，检验了短期劳动政策对弱势群体的保护效力。这些工作共同强化了LU2作为劳动力市场健康度综合指标的学术地位。