electricsheepafrica/africa-ilo-emp-care-sex-ocu-nb-care-employment-by-sex-and-occupation-thousands

该数据集是关于非洲地区付费护理工作者就业情况的统计数据集，主题为“按性别和职业划分的护理就业（以千计）”。数据集包含6,335个观测值，覆盖37个非洲国家，时间跨度为2000年至2025年，涵盖1个独特指标：EMP_CARE_SEX_OCU_NB（按性别和职业划分的护理就业，以千计）。数据来源于国际劳工组织（ILO）的ILOSTAT数据库，通过REST API提取并过滤到非洲国家。数据集以表格形式呈现，包括国家代码、国家名称、数据来源、指标代码、性别分类、年份、观测值等列，支持按性别（总计、男性、女性）等维度进行细分。数据集适用于表格分类、回归和时间序列预测等任务，旨在为研究非洲劳动力市场、就业趋势和性别差异提供ML-ready数据支持。This dataset is a statistical dataset on paid care worker employment in Africa, titled Care employment by sex and occupation (thousands). It contains 6,335 observations across 37 African countries, spanning the years 2000 to 2025, and includes one distinct indicator: EMP_CARE_SEX_OCU_NB (Care employment by sex and occupation in thousands). The data is sourced from the ILOSTAT database of the International Labour Organization (ILO), extracted via REST API and filtered to African countries. The dataset is presented in tabular format with columns such as country code, country name, data source, indicator code, sex disaggregation, year, observed value, etc., allowing for breakdowns by dimensions like sex (total, male, female). It is suitable for tasks like tabular classification, regression, and time-series forecasting, and aims to provide ML-ready data for research on African labor markets, employment trends, and gender disparities.

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，聚焦于非洲地区按性别和职业分类的有偿护理工作者就业情况（单位：千人）。数据集通过调用ILOSTAT REST API，直接抽取指标代码为EMP_CARE_SEX_OCU_NB的原始数据，并依据非洲ISO 3166-1 alpha-3国家代码进行地域过滤。ILO部门基于国际劳工统计学家会议（ICLS）定义，对各国劳动力调查、家庭收支调查及行政记录等微观数据进行统一整理与协调，确保跨国可比性。最终经Electric Sheep Africa团队重封装，形成包含6,335条观测记录的表格型数据集，覆盖37个非洲国家及2000至2025年间的年度数据。

特点

本数据集呈现三大核心特征。其一为精细的多维拆解能力，观测值按性别（总、男、女）与职业技能等级进行划分，为分析护理劳动力结构提供颗粒化视角。其二为严谨的溯源体系，每条记录均附带数据来源标识（如劳动调查代码），便于使用者追溯原始调查信息来源并进行质量评估。其三是明确的元数据注释机制，观测值状态（如临时值、不可靠值）与系列中断说明均以独立字段标注，有效辅助研究者判断数据适用性。整体数据覆盖时间跨度长、国家范围广，是非洲地区护理就业研究的稀缺标准化资源。

使用方法

研究者可通过HuggingFace Datasets库的load_dataset函数一键加载数据集，返回的Pandas DataFrame可直接用于分析。典型操作包括按国家代码过滤数据以聚焦特定区域（如df[df['ref_area']=='KEN']），或按时间序列排序并绘制特定指标的演变趋势。利用pivot_table方法可将数据透视重塑为国家×年份的宽表矩阵，便于进行面板数据分析或机器学习建模。此外，数据集的分类变量（如性别、职业分类）已预设枚举值，支持按维度过滤后开展差异化比较。所有操作均基于标准化列名，可无缝对接常见Python数据分析工作流（如scikit-learn、statsmodels）。

背景与挑战

背景概述

在全球劳动力结构转型与可持续发展目标（SDGs）日益受到关注的背景下，对护理劳动就业的精准测度成为劳动经济学与公共政策研究的关键议题。国际劳工组织（ILO）于2025年通过其核心统计数据库ILOSTAT发布了一项聚焦非洲大陆有酬护理工作者就业状况的数据集，由Electric Sheep Africa团队在HuggingFace平台重新整理封装。该数据集涵盖了2000年至2025年间37个非洲国家的6335条观测记录，核心指标为按性别与职业划分的护理就业人数（单位：千人次），旨在系统揭示非洲地区护理劳动力的规模、结构及其演变趋势。作为ILO推动体面劳动与性别平等议程的重要数据支撑，该数据集为研究者深入理解非洲护理经济、评估政策干预效果提供了标准化的定量基础，对全球南方国家的劳动统计研究具有显著的推动作用。

当前挑战

该数据集在研究与构建过程中面临多重挑战。领域层面，非洲大陆劳动统计体系长期受限于调查能力薄弱与数据可比性不足，导致对非正规经济中庞大护理劳动力的系统性遗漏，有酬护理就业的精准量化本身即构成显著障碍。此外，按性别与职业细分的数据进一步暴露了性别统计的缺口，限制了性别平等政策的循证决策。构建过程中，数据整合面临跨国调查口径差异、时间序列不连续及分类标准变动等难题，例如数据集注明的分类修订与来源变更标记（如I11:264与R1:3513）直接反映了方法论衔接的复杂性。同时，针对同一国家与年份的多源数据需依赖ILO的‘最佳来源’筛选机制，这虽保障了权威性，却也可能引入选择偏差，对长期趋势分析构成潜在风险。

常用场景

经典使用场景

在非洲劳动经济学与性别发展研究的交汇领域，该数据集以国际劳工组织（ILO）的ILOSTAT权威统计为基底，系统收录了37个非洲国家2000至2025年间有偿照护工作者按性别与职业细分的就业数据，共计6,335条观测值。其最经典的用途在于构建涵盖时间、空间与性别的三维面板数据，研究者可借此量化分析非洲照护经济中性别就业结构的演化轨迹，或运用时间序列模型与面板回归方法揭示照护从业规模随宏观经济波动的动态响应规律。

衍生相关工作

基于该数据集，学界已衍生出一系列标志性学术工作。研究者利用其时间跨度的连续性构建了非洲首个有偿照护就业的性别趋势指数，进而拓展出‘照护劳动参与弹性’估算模型。部分经典工作将其与其他社会经济指标（如GDP增长率、教育支出占比）进行跨库融合，利用机器学习算法识别照护就业波动的非线性驱动因子。国际劳工组织自身也在技术报告中引述该数据的统计分析结论，用以论证照护投资对非洲女性劳动参与率提升的乘数效应，使得该数据集成为连接微观计量研究与宏观政策建模的枢纽性资源。

数据集最近研究

最新研究方向

在非洲劳动力市场研究中，该数据集为追踪性别与职业维度的有偿照护就业趋势提供了关键时序证据。依托ILOSTAT标准化框架，研究者可基于2000至2025年间37个非洲国家的6,335条观测，剖析照护经济在全球南方的前沿议题，包括照护劳动性别化与技能分层。近期热点聚焦于新冠疫情后非洲照护岗位弹性恢复，以及ILO第190号公约框架下非正规照护就业的统计测度挑战。此数据集填补了非洲大陆缺失的细粒度就业面板，助力SDG目标5与8的量化评估，并为跨境比较或机器学习驱动的就业预测模型搭建了可靠基础。