electricsheepafrica/africa-ilo-emp-pifl-sex-edu-dsb-rt-share-of-employment-outside-the-formal-sector-by-s

该数据集包含3,494个观测值，涉及非正规经济数据，覆盖30个非洲国家，时间跨度为2005年至2025年，涵盖1个独特指标：按性别、教育和残疾状况划分的正式部门外就业比例（%）。数据来源于国际劳工组织（ILO）的ILOSTAT统计数据库，通过API获取并过滤到非洲国家代码，经过标准化处理。数据集包括国家代码、国家名称、数据来源、指标代码、性别分类、教育分类、残疾状况分类、观测年份、观测值、数据状态标志等列，适用于表格分类、回归和时间序列预测等任务。This dataset contains 3,494 observations of informal economy data across 30 Africa countries, spanning 2005 to 2025, covering 1 distinct indicator: Share of employment outside the formal sector by sex, education and disability status (%). The data is sourced from the International Labour Organizations ILOSTAT database, pulled via API and filtered to Africa ISO3 country codes, with harmonized schemas. It includes columns such as country code, country name, source, indicator code, sex classification, education classification, disability status classification, observation year, observed value, and observation status flags, suitable for tabular classification, regression, and time-series forecasting tasks.

搜集汇总

数据集介绍

构建方式

该数据集系由Electric Sheep Africa基于国际劳工组织统计数据库（ILOSTAT）所发布的原始非正规就业指标数据，经过系统性整理与重新封装而成。构建过程遵循标准化元数据编目流程，将涵盖30个非洲国家、时间跨度为2005至2025年的3494条观测记录统一转换为Parquet格式，并配套提供溯源说明、加载指引与分析导向的上下文信息，从而形成可复现、可追溯的机器学习就绪型数据资产。

使用方法

研究者可借助Hugging Face数据集加载接口直接获取数据，通过datasets库载入后查阅特征结构并预览样本。当面向表格分析时可便捷转换为Pandas数据框以开展统计建模。使用过程中宜从仓储文件与数据查看器入手，结合显式国家列与年份字段进行地理与时间维度的剖析，在建模前系统检查模式与缺失情况，并与Electric Sheep Africa其他数据集按国家、年份及指标字段进行联结，以构建可复现的分析工作流。

背景与挑战

背景概述

非正规就业在全球劳动力市场中占据显著比重，尤其撒哈拉以南非洲地区，其规模与结构深刻影响着社会保障体系的可持续性与包容性增长。国际劳工组织（ILO）长期通过ILOSTAT数据库监测各国非正规经济部门就业状况，为政策制定提供跨国可比证据。在此背景下，Electric Sheep Africa于2026年对ILOSTAT原始数据进行标准化重封装，发布了涵盖30个非洲国家、2005至2025年间3494条观测记录的数据集，系统呈现按性别、教育程度与残疾状况划分的非正规部门外就业占比。该数据集以机器可读的Parquet格式与统一元数据标准，降低了非洲非正规经济研究的发现成本与复现门槛，为劳动经济学、发展经济学及社会政策分析提供了重要的经验基础。

当前挑战

该数据集所回应的领域问题在于非正规就业的精细化测度与跨国可比性困境。非正规经济概念本身存在操作化差异，各国统计口径、抽样方法与调查周期不尽一致，导致跨时跨国的指标可比性面临结构性约束。在数据构建层面，Electric Sheep Africa需处理ILOSTAT原始元数据中地理标识缺失、出版方归属模糊等质量缺陷，同时协调源标签与本地编码之间的语义张力，避免分析者在缺乏变量定义与单位说明时产生误读。数据中隐含的残疾状况与教育维度进一步增加了分组稀疏性与缺失值处理的复杂程度。如何在保留缺失信息的前提下构建可复现的建模流程，并明确标注地理假设与指标边界，是该数据集持续面临的方法论挑战。

常用场景

经典使用场景

在劳动经济学与非正规经济研究领域，该数据集最经典的使用场景在于刻画非洲各国非正规部门就业份额的性别、教育程度与残疾状况分布特征。研究者可依托覆盖三十个非洲国家、时间跨度自2005年至2025年的三千四百余条观测记录，构建跨国面板数据，比较不同人口子群体在非正规就业中的相对位置。此类分析常用于揭示劳动力市场的结构性分割，并为后续计量建模提供基础描述性证据。

解决学术问题

该数据集有效回应了非洲非正规经济研究中长期存在的数据碎片化与可比性不足问题。通过统一整理国际劳工组织统计数据库的指标口径，它为学术研究提供了跨国家、跨时间且按性别、教育与残疾状态分层的高质量证据，使得关于非正规就业决定因素、劳动力市场排斥以及教育回报异质性的实证检验成为可能。其意义在于推动非洲劳动市场研究从个案描述走向可复现的跨国比较分析。

实际应用

在政策实践层面，该数据集可服务于国际组织与各国劳工部门对非正规就业脆弱性的监测评估。使用者能够据此识别哪些性别、教育或残疾群体更集中于非正规部门，从而为社会保障扩面、职业技能培训以及包容性就业政策的设计提供量化依据。同时，该数据亦可用于非政府组织项目选址与效果评估，提升干预措施的精准性与可问责性。

数据集最近研究

最新研究方向

在非洲劳动力市场结构转型与非正规经济持续扩张的宏观背景下，该数据集以性别、教育程度与残疾状况为交叉维度，刻画了2005至2025年间30个非洲国家正规部门之外就业份额的演变轨迹，为解析非正规就业的多维不平等提供了稀缺的跨国面板证据。当前前沿研究正依托此类ILOSTAT标准化微观聚合数据，聚焦于教育禀赋与残疾状态如何交互塑造劳动者被排斥于正规部门之外的概率，并借助机器学习分类与回归方法识别非正规就业的结构性驱动因素。该数据集亦呼应了国际劳工组织关于体面劳动与非正规经济统计标准化的政策议程，为评估非洲结构性转型中弱势群体的就业脆弱性、设计包容性劳动力市场干预措施提供了可复现的量化基础，其开放元数据框架进一步推动了非洲经济金融领域的可发现性与比较研究。