electricsheepafrica/africa-ilo-eip-2eet-sex-rt-share-of-youth-not-in-employment-education-or-trai

该数据集包含非洲53个国家2005年至2027年期间青年未就业、未受教育或未培训（NEET）比例的年度数据，按性别细分（总计、男性、女性）。数据来源于国际劳工组织（ILO）的ILOSTAT数据库，基于模型估计，涵盖3630个观测值，核心指标为EIP_2EET_SEX_RT（青年未就业、未受教育或未培训比例，按性别分类）。数据集提供了国家代码、国家名称、数据来源、指标、性别、年份、观测值等字段，适用于表格分类、回归和时间序列预测等任务，旨在分析非洲劳动力利用不足问题。This dataset contains annual data on the proportion of youth who are Not in Employment, Education or Training (NEET) across 53 African countries between 2005 and 2027, disaggregated by sex (total, male, and female). The data is sourced from the ILOSTAT database of the International Labour Organization (ILO), based on model-based estimates, and includes a total of 3,630 observations. The core indicator is EIP_2EET_SEX_RT, which refers to the proportion of youth NEET disaggregated by sex. The dataset provides fields such as country code, country name, data source, indicator, sex, year, and observation value, and is applicable to tasks including tabular classification, regression, and time series forecasting, with the goal of analyzing the issue of underutilized labor in Africa.

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，通过其REST API直接提取指标`EIP_2EET_SEX_RT`，并依据非洲ISO3国家代码进行区域筛选。ILOSTAT依据国际劳工统计学家会议（ICLS）定义对原始调查微观数据进行标准化处理，以确保跨国可比性。Electric Sheep Africa团队对原始数据进行了重新封装与整合，形成了适用于机器学习的整洁表格格式，共计3630条观测记录，覆盖53个非洲国家，时间跨度为2005年至2027年。

特点

该数据集聚焦于非洲青年未就业、未受教育或未接受培训的比例（NEET），按性别进行细化分层，包含总计、男性和女性三个维度。数据为年度频率，采用ILO建模估计值，并标注了数据来源与观测状态标识，便于用户评估数据质量。其核心优势在于提供了长时序、广覆盖的标准化劳动力利用不足指标，为研究非洲青年就业脆弱性及性别差异提供了坚实的数据基础。

使用方法

用户可通过HuggingFace的`datasets`库直接加载该数据集，执行`load_dataset()`命令后即可转换为Pandas DataFrame进行后续分析。示例操作包括按国家代码过滤单一国家数据、针对特定指标进行时间序列可视化，以及利用透视表构建国家×年份的矩阵。这种便捷的接口设计使得研究者能够快速聚焦于非洲不同国家的NEET率变化趋势，开展深入的比较与建模工作。

背景与挑战

背景概述

该数据集由国际劳工组织（ILO）于2025年11月创建，并由Electric Sheep Africa于2026年重新打包发布，聚焦非洲53个国家2005至2027年间青年未就业、未接受教育或培训（NEET）比例这一关键劳动力利用不足指标。核心研究问题在于系统评估非洲青年在劳动市场中的边缘化程度，为可持续发展目标（SDG）中的体面工作目标提供量化支撑。作为ILOSTAT数据库的衍生资源，该数据集整合了ILO基于国际劳工统计学家会议（ICLS）定义统一化的建模估计值，其涵盖的性别细分维度（总、男、女）使其在分析青年就业性别鸿沟方面具有独特价值，对非洲劳动力政策研究与区域比较分析产生了重要影响。

当前挑战

该数据集面临的核心挑战在于非洲劳动力统计数据的碎片化与不一致性。地区层面，许多非洲国家缺乏定期且可靠的劳动力调查，导致原始数据稀疏，ILO不得不依赖建模估计填补空缺，由此引入的不确定性在数据状态列（如预测值、临时值）中有所体现。构建过程中，需跨来源整合来自不同调查机构、不同时期的多源数据，并处理因调查标准差异导致的指标可比性问题，这要求复杂的标准化流程。此外，年度频次限制了捕捉季节性就业波动的能力，而数据中存在的估算值可能与未来修订版本存在偏差，需用户在使用时谨慎考量其时效性与信度。

常用场景

经典使用场景

在非洲青年与劳动力研究领域，该数据集作为国际劳工组织ILO发布的NEET率官方模型估计值，是评估青年群体脱离就业、教育与培训状态的核心指标来源。研究者常将其用于构建面板数据模型，以分析53个非洲国家在2005至2027年间青年劳动力市场脆弱性的时空演变。数据集支持按性别维度进行亚组分析，为探究性别差异对青年就业困境的影响提供了量化基础。经典做法是利用时间序列折线图或地理热力图，直观呈现NEET率的年度波动与区域异质性，尤其在政策评估研究中被广泛用作效果检验的基准变量。

实际应用

实际应用中，该数据集对国际发展机构与非洲各国劳工部门具有直接决策参考价值。世界银行、联合国开发计划署等组织可将数据用于监测联合国可持续发展目标8.6（到2020年降低NEET率）的区域进展，并对未达标国家进行政策预警。各国政府能据此评估职业培训计划的成效，例如通过比较干预前后NEET率变化来校准技能开发策略。在私营部门领域，该数据服务于人力资本投资决策，跨国公司可依据不同国家的青年劳动力闲置程度调整人才招聘与本地化培训计划，以降低用工风险并优化企业社会责任项目设计。

衍生相关工作

该数据集的标准化发布方式为多项衍生研究提供了便利。其中最具代表性的工作是基于机器学习模型的NEET率预测研究，研究者利用该数据结合GDP增长率、教育支出等宏观变量，训练随机森林与长短期记忆网络以预测未来三年各非洲国家的青年劳动力闲置趋势。另一类经典衍生工作集中于性别经济学视角，学者通过该数据中的性别拆分字段，构建双重差分模型评估推动女童教育项目对降低女性NEET率的因果效应。此外，该数据集被用于流行病经济学交叉研究，分析新冠疫情前后非洲各国NEET率的非对称影响模式，并催生了多篇探讨危机时期劳动保护缺口的高引论文。