electricsheepasia/asia-ilo-emp-pifl-sex-how-nb-employment-outside-the-formal-sector-by-sex-and-we

该数据集包含亚洲26个国家从2000年至2025年的非正规经济就业数据，重点关注按性别和每周实际工作小时数划分的就业情况（以千计）。数据来源于国际劳工组织（ILO）的ILOSTAT统计数据库，包含4,252个观测值和1个核心指标（EMP_PIFL_SEX_HOW_NB）。数据集以表格形式组织，涵盖国家代码、年份、性别分类、观测值等列，适用于表格分类、回归和时间序列预测等任务。数据经过ILO的标准化处理，并包含来源和质量标注，便于研究和机器学习应用。This dataset contains informal economy employment data for 26 Asian countries from 2000 to 2025, focusing on employment outside the formal sector by sex and weekly hours actually worked (in thousands). Sourced from the International Labour Organization (ILO) ILOSTAT database, it includes 4,252 observations and one core indicator (EMP_PIFL_SEX_HOW_NB). Organized in tabular format, the dataset covers columns such as country codes, years, sex disaggregation, and observed values, suitable for tasks like tabular classification, regression, and time-series forecasting. The data is harmonized by ILO and includes source and quality flags, facilitating research and machine learning applications.

搜集汇总

数据集介绍

构建方式

该数据集以国际劳工组织（ILO）的ILOSTAT中央统计数据库为数据源，通过REST API接口直接提取指标EMP_PIFL_SEX_HOW_NB的原始记录，并依据ISO3国家代码筛选出亚洲地区。ILOSTAT对各国劳动力调查等微观数据进行统一协调，遵循国际劳工统计学家会议（ICLS）的定义标准，确保非正规经济部门就业统计的跨国可比性。数据集由Electric Sheep Asia进行标准化重打包，以Parquet格式发布，保留来源标签与注释字段，便于追溯数据出处与质量。

使用方法

使用者可通过HuggingFace datasets库以一行代码加载数据集，并转换为Pandas数据框进行后续分析。典型应用包括按国家代码筛选特定经济体的记录、提取单一指标的时间序列以观察趋势变化，或通过透视表将数据重塑为国家与年份的二维矩阵。数据集支持表格分类、回归及时间序列预测等任务，适合开展非正规就业的跨国比较与性别维度研究。

背景与挑战

背景概述

在全球南方劳动力市场结构中，非正规部门就业长期占据主导地位，其规模与分布直接关乎生计质量、社会保障覆盖及体面劳动议程的推进。国际劳工组织（ILO）自二十世纪末以来持续构建ILOSTAT统计数据库，致力于以国际劳工统计学家会议（ICLS）标准协调各国劳动力调查数据。本数据集由Electric Sheep Asia于2025年重新封装发布，源自ILOSTAT的EMP_PIFL_SEX_HOW_NB指标，系统记录了2000至2025年间26个亚洲国家按性别与周实际工作小时分组的非正规部门外就业规模，共计4252条观测值。该数据集为亚洲非正规经济研究、性别劳动差异分析以及工作时间—就业形态关联建模提供了标准化的跨国面板数据基础，对监测可持续发展目标第八项（体面劳动）具有重要支撑意义。

当前挑战

该数据集所回应的是非正规就业统计中长期存在的可比性与精细化测量难题。亚洲各国劳动力调查在抽样设计、非正规部门界定、工作时长记录方式等方面差异显著，ILOSTAT虽以ICLS标准进行事后调和，仍难以完全消除国家间概念口径的不一致。具体挑战包括：非正规就业本身的高度异质性与季节性波动，导致观测值易受调查时点影响；周工作时长分组的国别标准不一，削弱了跨时跨区比较的稳健性；部分国家数据存在序列中断或方法修订，观测状态标志（如provisional、unreliable）提示质量参差；性别维度下女性非正规就业的系统性低估问题亦不容忽视。上述因素共同构成该数据集在预测建模与因果推断中的核心约束。

常用场景

经典使用场景

在非正规经济就业研究的学术脉络中，该数据集最为经典的运用场景在于刻画亚洲地区非正规部门就业的性别结构与工时分布特征。研究者借助其涵盖26个亚洲国家、跨越2000至2025年的4252条观测记录，得以系统考察不同性别群体在非正规就业中的参与率差异及其随时间演变的轨迹。通过将周实际工作时间划分为若干区间并与性别维度交叉，该数据集支撑起关于非正规就业“性别—工时”双重分层机制的量化分析，为理解发展中国家劳动力市场分割提供了关键的经验素材。

解决学术问题

该数据集有效回应了非正规就业研究中长期存在的测量难题与跨国可比性困境。既有文献常因各国非正规部门定义殊异、调查口径不一而难以开展可靠的跨国比较，国际劳工组织依托国际劳工统计学家会议标准对原始微观调查数据进行统一协调，使该数据集成为少数具备跨区域可比性的非正规就业指标来源。据此，研究者得以检验非正规就业与性别不平等、工作时长不足或过度等理论命题，亦可评估经济周期与制度变迁对非正规部门规模的影响，从而深化对劳动力市场非正规化机制的理解。

实际应用

在政策实践层面，该数据集为国际组织与各国劳工部门监测非正规就业态势提供了可直接调用的数据基础设施。社会保障扩面、劳动监察资源分配以及非正规劳动者权益保护等政策议题，均需以分性别、分工时的非正规就业规模估计为起点。研究者与政策分析人员可通过Python环境快速加载数据，按国别或年份筛选，生成时间序列或国别—年份矩阵，进而识别非正规就业高发群体与重点干预区域，为体面劳动议程的推进提供循证依据。

数据集最近研究

最新研究方向

在全球非正规经济持续扩张的背景下，该数据集凭借其覆盖26个亚洲国家、跨越2000至2025年的四千余条观测，正成为劳动经济学与发展研究的前沿数据基础设施。近期研究聚焦于非正规就业的性别异质性与工时结构分化，借助机器学习分类与时间序列预测方法，揭示亚洲各国非正规部门中女性劳动供给的脆弱性及其与宏观经济波动的联动机制。与此同时，国际劳工组织推动的非正规经济统计标准化进程，以及后疫情时代非正规就业的复苏差异，赋予该数据集新的政策评估价值，为全民社会保障与体面劳动目标的区域监测提供实证支撑。