electricsheepafrica/africa-ilo-cld-xchl-sex-age-nb-children-in-child-labour-by-sex-and-age-thousands

该数据集包含1,072个观测值，覆盖44个非洲国家，时间跨度为2001年至2025年，核心指标为CLD_XCHL_SEX_AGE_NB（按性别和年龄划分的童工儿童数量，以千计）。数据来源于国际劳工组织（ILO）的ILOSTAT数据库，通过API获取并过滤为非洲国家数据。数据集包含国家代码、国家名称、数据来源、指标代码、性别分类、年龄分类、观测年份、观测值等列，适用于表格分类、回归和时间序列预测任务。This dataset contains 1,072 observations of child labour data across 44 Africa countries, spanning 2001–2025, covering 1 distinct indicator CLD_XCHL_SEX_AGE_NB (Children in child labour by sex and age in thousands). The data is sourced from the ILOs ILOSTAT database, retrieved via API and filtered to Africa ISO3 country codes. It includes columns such as country code, country name, data source, indicator code, sex classification, age classification, observation year, observed value, etc., and is suitable for tabular classification, regression, and time-series forecasting tasks.

搜集汇总

数据集介绍

构建方式

该数据集由Electric Sheep Africa团队从ILOSTAT官方REST API直接抽取，原始数据源自国际劳工组织（ILO）通过劳动力调查、家庭收入调查及行政记录等渠道采集的微观数据，并依据国际劳工统计学家会议（ICLS）定义进行了标准化处理。数据筛选聚焦于非洲44个国家，时间跨度覆盖2001年至2025年，包含1,072条观测记录。构建过程中，ILO对同一国家同年份的多源数据采用了“最佳来源”选择策略，并保留了来源标签以供追溯，确保了数据的一致性与可溯源性。

使用方法

用户可通过HuggingFace Datasets库便捷加载该数据集，核心调用命令为`load_dataset("electricsheepafrica/africa-ilo-cld-xchl-sex-age-nb-children-in-child-labour-by-sex-and-age-thousands")`，加载后可直接转换为Pandas DataFrame进行探索。针对特定国别分析，可通过`ref_area`字段筛选；若需生成特定指标的时间序列，则可对`indicator`列过滤并按`time`排序后绘图。为完成跨国家的时间断面比较，推荐利用`pivot_table`方法构建以年份为行、国家代码为列的面板数据矩阵，从而高效支持后续的计量建模与可视化工作。

背景与挑战

背景概述

童工问题作为全球劳动治理的核心议题之一，长期以来受到国际社会的广泛关注。由国际劳工组织（ILO）统计部门创建的ILOSTAT数据库，是世界上最权威的劳工统计来源之一，该数据集基于其指标CLD_XCHL_SEX_AGE_NB，由Electric Sheep Africa于2025年重新整合并发布，聚焦非洲44个国家在2001至2025年间的童工现象。该数据集共包含1,072条观测记录，覆盖了按性别和年龄分层的童工人数（单位：千人），为深入剖析非洲区域童工问题的规模、趋势与结构提供了标准化、机器可读的高质量数据基础，对推动非洲发展研究、劳动经济学分析以及联合国可持续发展目标（SDG）中消除童工相关目标的监测具有重要影响力。

当前挑战

该数据集所面对的挑战是多维度的。首先，从领域问题来看，童工数据在非洲国家普遍存在统计口径不统一、调查周期不一致以及数据质量参差不齐的问题，不同国家采用不同的劳动力调查框架（如LFS与家庭收入调查），导致跨时代与跨区域的可比性面临严峻障碍，这使得构建一个连贯、可靠的区域童工时间序列成为核心挑战。其次，在数据构建过程中，从ILOSTAT的REST API中提取原始数据后，需要处理不同来源的‘最优来源’选择逻辑、序列中断（Break in series）等元数据标记，以及分类维度（如性别与年龄段）的粒度不一问题，确保数据清洗与标准化后依然能够保留信息的完整性与追溯性，是一项高度复杂的工程。

常用场景

经典使用场景

该数据集收录了国际劳工组织（ILO）ILOSTAT数据库中关于非洲44个国家童工状况的官方统计资料，涵盖2001至2025年间的1,072条观测记录，并按性别与年龄分组呈现（单位为千人）。其经典使用场景集中在时间序列分析与面板数据建模，研究者可通过该数据追踪各国童工人数的年际演变趋势，并结合性别变量（男性、女性、总计）开展交叉分析。借助HuggingFace数据集工具，用户能够便捷地加载数据并生成国家-年份矩阵，为后续的回归分析与统计推断奠定了坚实的数据基础。

解决学术问题

该数据集有效回应了非洲童工研究中长期存在的两大核心难题：数据碎片化与可比较性缺失。通过ILO统一采用国际劳工统计学家会议（ICLS）定义进行数据协调，研究者得以获取跨国家、跨年度的标准化童工指标，从而进行跨国比较与区域集聚模式的实证分析。这为探究童工现象与贫困、教育普及率、劳动力市场结构等社会经济变量之间的因果关联提供了可靠依据，推动了非洲发展经济学与劳动经济学领域从描述性统计向因果推断的范式转型。

实际应用

在实际应用层面，该数据集可直接服务于非洲各国政府、国际发展机构及非政府组织的政策评估与干预设计。基于该数据，利益相关方能够精准识别童工问题的高发国家与年龄段，评估现有劳动监察政策与社会保护项目的干预效果，并依性别维度制定差异化的预防与复健措施。此外，数据集的时间序列属性支持构建早期预警模型，帮助决策者在数据更新滞后的情况下预估童工规模的波动方向，从而提升资源配置的前瞻性与精准度。

数据集最近研究

最新研究方向

该数据集聚焦于非洲44国2001至2025年间童工现象的性别与年龄维度分解，为劳动经济学、发展社会学与国际政策评估提供了高颗粒度的时序面板数据。结合国际劳工组织（ILO）近年来加速推进的“2025年消除童工”全球行动议程，该数据集的价值尤为凸显——它使研究者能够精准追踪不同性别与年龄段儿童在非正规经济、家户劳动与危险行业中的暴露程度，并为量化评估各国在可持续发展目标（SDG）第8.7项指标上的进展提供了坚实可信的基线。随着非洲大陆自贸区（AfCFTA）深化与后疫情时代劳动力市场重组，此类细分数据对揭示结构性贫困的代际传递、指导社会保护计划制定以及验证干预措施（如现金转移与强制入学政策）的因果效应具有开创性学术意义。