electricsheepafrica/africa-ilo-luu-xlu3-sex-geo-mts-rt-combined-rate-of-unemployment-and-potential-labour

该数据集包含非洲39个国家的失业率与潜在劳动力综合率(LU3)数据，涵盖1994年至2025年，共4194个观测值。数据来源于国际劳工组织(ILO)的ILOSTAT数据库，指标为LUU_XLU3_SEX_GEO_MTS_RT，即按性别、城乡区域和婚姻状况划分的失业率与潜在劳动力综合率。数据集提供结构化表格，包括国家代码、指标、性别分类、时间、观测值等列，适用于表格分类、回归和时间序列预测等机器学习任务。数据经过重新打包和标准化，以Parquet格式发布，便于直接加载使用。许可证为CC-BY-4.0。This dataset contains data on the composite rate of unemployment and potential labor force (LU3) for 39 African countries, covering the period from 1994 to 2025, with a total of 4194 observations. The data is sourced from the ILOSTAT database of the International Labour Organization (ILO), with the indicator being LUU_XLU3_SEX_GEO_MTS_RT, which refers to the composite rate of unemployment and potential labor force categorized by sex, urban-rural area, and marital status. The dataset provides structured tables with columns including country code, indicator, sex category, time, observation value, etc., and is suitable for machine learning tasks such as table classification, regression, and time series forecasting. The data has been repackaged and standardized, and released in Parquet format for convenient direct loading and utilization. The license is CC-BY-4.0.

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核心统计数据库，通过REST API接口直接抽取指标代码为LUU_XLU3_SEX_GEO_MTS_RT的原始数据，并依据非洲ISO3国家代码进行地理过滤而构建。数据经过ILO统计部门基于国际劳工统计学家会议（ICLS）定义进行的统一标准化处理，确保了跨国家与跨年份数据的可比性。所有观测值的来源均在source.label列中明确标注，以保障数据的可追溯性。最终由Electric Sheep Africa团队重新打包为HuggingFace Dataset格式，共计包含来自39个非洲国家的4194条观测记录，时间跨度覆盖1994年至2025年。

特点

数据集聚焦于非洲地区失业与潜在劳动力综合比率（LU3）这一核心劳动利用不足指标，并按照性别（总、男、女）和城乡地域进行细致分层。每条观测均包含ISO 3166-1 alpha-3国家代码、标准化来源标签、观察年份及其对应数值，同时携带观察状态标志（如临时或不可靠）及序列断裂等注释信息。数据以年度频率呈现，并采用了国际劳工组织选定的最佳来源，有效避免了同一国家与年份的多源冲突。其结构化的表格格式与丰富的元数据列设计，使得多维度筛选与时间序列分析变得便捷而规范。

使用方法

使用者可通过HuggingFace Datasets库的load_dataset函数一键加载数据，并将其转换为Pandas DataFrame以进行后续操作。典型应用包括按国家代码筛选特定国家的子集、针对单一指标进行时间序列的可视化分析，或利用pivot_table函数创建以年份为行、国家为列的价值矩阵，便于进行跨国的横向比较与趋势研究。数据集兼容分类、回归与时间序列预测等多种机器学习任务，为非洲劳动力市场的计量经济学建模与政策评估提供了高质量、易于获取的基础数据源。

背景与挑战

背景概述

随着国际劳工组织（ILO）对劳动力市场监测的深化，传统失业率指标已难以全面刻画劳动资源错配的复杂图景，尤其是非洲大陆非正规经济盛行、就业脆弱性突出的现实，催生了更精细的劳动利用不足度量需求。在此背景下，Electric Sheep Africa于2025年基于ILOSTAT数据库重构了该数据集，整合了1994至2025年间39个非洲国家共4194条观测，聚焦于失业与潜在劳动力综合率（LU3），并按性别、城乡区域及婚姻状况进行分层。该数据集的发布填补了非洲地区劳动利用不足指标在时序跨度和地理覆盖上的双重空白，为区域劳动经济学研究、国际发展目标（SDG）跟踪以及跨国产能比较提供了高度标准化的基础数据资源，推动了非洲劳动力市场分析的机器学习和统计建模应用。

当前挑战

该数据集面临的首要挑战源于领域本身：传统失业率指标在非洲大量存在的非正规就业、就业不足及边缘劳动力群体中失去解释力，而LU3综合率虽尝试囊括失业与潜在劳动力，却仍受限于各国劳动力调查定义差异、数据采集周期不一以及城乡统计口径的异构性，导致跨区域比较的效度受损。构建过程中，数据整合遭遇的瓶颈尤为显著：ILOSTAT来自200多个经济体的多种调查类型（如劳动力调查、家庭收入调查）需经国际劳工统计学家会议（ICLS）定义统一化，但源数据中频繁出现的序列断裂、方法修订以及不可靠观测标志（obs_status字段标记为U）均需人工甄别和处理；此外，仅在非洲范围内便有24个国家的记录量低于100条，稀疏样本与长时序空白交织，给时序预测模型和面板数据分析带来严重的缺失值挑战。

常用场景

经典使用场景

在劳动经济学与非洲发展研究领域，该数据集作为国际劳工组织权威统计数据的精炼版本，常用于分析非洲各国失业与潜在劳动力综合率（LU3）的时空演变规律。研究者可借助其涵盖39国、跨越31年的高粒度面板数据，结合性别与城乡区域的分层维度，开展纵向趋势比较与横截面差异分析。典型应用包括构建多元回归模型以探究宏观经济政策对劳动力市场的异质性影响，或利用时间序列方法预测特定国家劳动力闲置状况的变动路径，为区域劳动经济学的实证研究提供坚实的数据基础。

衍生相关工作

该数据集已催生一系列融合机器学习与劳动经济学的创新工作。研究者基于其结构化面板特性，开发了针对非洲劳动力储备的时空预测模型，如利用长短期记忆网络（LSTM）结合国家固定效应预测LU3短期波动，或采用地理加权回归揭示失业率空间集聚模式。另一典型衍生方向是构建多指标联合分析框架，将该LU3数据集与ILOSTAT的其他劳动力闲置指标（如LU1、LU2）及夜间灯光卫星数据结合，探索非洲非正规经济规模与劳动力闲置的关联。这些工作显著拓展了劳动统计数据的分析维度，为数据驱动的非洲发展研究树立了新范式。

数据集最近研究

最新研究方向

该数据集聚焦于非洲地区劳动力利用不足的综合测量，通过国际劳工组织（ILO）的标准化指标LU3，将失业与潜在劳动力人口合并评估，为非洲劳动力市场研究提供了跨越31年、覆盖39国的时序数据基础。当前前沿研究方向集中于利用此类精细化分类数据（按性别、城乡区域、婚姻状况分层）开展劳动力市场韧性分析，特别是在后疫情时代非洲非正规经济转型与青年就业危机评估中，该数据集成为量化劳动力闲置率与结构性失业形态的关键工具。其与SDG体面工作目标监测、非洲大陆自由贸易区（AfCFTA）劳动力流动效应建模等热点议题深度关联，推动了机器学习模型在低收入国家劳动力预测中的可解释性研究，并为跨国比较分析中数据缺失问题的插补方法改进提供了高分辨率训练样本。