electricsheepafrica/africa-ilo-eip-3eip-sex-age-geo-nb-youth-outside-the-labour-force-by-sex-age-and-rura

该数据集包含关于其他劳动力未充分利用指标的9,532个观测值，覆盖45个非洲国家，时间跨度为1994年至2025年，涉及1个独特指标。具体指标为按性别、年龄和城乡区域划分的未进入劳动力市场的青年人数（千人）。数据来源于国际劳工组织（ILO）的ILOSTAT数据库，该数据库是全球劳动力统计的主要来源，整合了就业、失业、工资、工作时间、童工、非正规经济、社会保护、职业伤害和可持续发展目标体面工作目标等多个领域的指标。数据通过ILOSTAT REST API直接提取，并过滤为非洲国家代码。数据集包含多个维度，如国家、年份、性别、年龄组和城乡区域类型，并包含观测值、状态标志和注释等信息。license: CC BY 4.0 language: - 英语 task_categories: - 表格分类 - 表格回归 - 时间序列预测 multilinguality: 单语言 size_categories: - 1000 < 样本数 < 10000 tags: - 表格数据 - 非洲 - ILOSTAT - 其他劳动力闲置衡量指标 - 国际劳工组织（ILO） - 劳动力 - 就业 pretty_name: "按性别、年龄及城乡划分的非劳动力青年（单位：千人）| 非洲（ILOSTAT）" # 按性别、年龄及城乡划分的非劳动力青年（单位：千人）| 非洲（ILOSTAT） 🌍 **9532条观测值** · **45个非洲国家** · **1994–2025年** · *由[Electric Sheep Africa](https://huggingface.co/electricsheepafrica)重新封装*      ## 快速概览 本数据集包含覆盖45个非洲国家、时间跨度为1994至2025年的**其他劳动力闲置衡量指标**数据，共计**9532条观测值**，仅包含**1项独立指标**。 ## 关于数据源 **国际劳工组织统计数据库（ILOSTAT）**是国际劳工组织（ILO）的核心统计数据库，是全球领先的劳动力统计权威来源。其收录涵盖就业、失业、工资、工作时长、童工、非正规经济、社会保障、职业伤害以及可持续发展目标（SDG）体面工作目标等多项指标，数据源自全国劳动力调查、家庭收入调查、机构调查及行政记录，覆盖全球200余个经济体，由国际劳工组织统计司负责数据的标准化协调。 - **数据来源**：[ILOSTAT](https://www.ilo.org/shinyapps/bulkexplorer/?id=EIP_3EIP_SEX_AGE_GEO_NB) - **发布方**：国际劳工组织（ILO） - **许可证**：[CC BY 4.0](https://creativecommons.org/licenses/by/4.0/) - **研究主题**：其他劳动力闲置衡量指标 ## 数据处理方法 数据直接从ILOSTAT的REST API接口`https://rplumber.ilo.org/data/indicator?id=EIP_3EIP_SEX_AGE_GEO_NB`拉取，并筛选出非洲地区的ISO 3166-1 alpha-3国家代码。ILOSTAT采用**国际劳工统计学家会议（International Conference of Labour Statisticians, ICLS）**的定义对原始调查微观数据进行标准化协调；数据来源信息将在`source.label`字段中标记，以确保可追溯性。 ## 地理覆盖范围 45个非洲国家，以下按数据行数排序的前10个国家示例： | 国家代码 | 数据行数 | 起始年份 | 结束年份 | |---------|-----:|-----------:|----------:| | `EGY` | 648 | 2006 | 2024 | | `ZAF` | 624 | 2008 | 2024 | | `TUN` | 576 | 2006 | 2023 | | `ZMB` | 444 | 2008 | 2024 | | `AGO` | 402 | 2004 | 2025 | | `MLI` | 396 | 2013 | 2024 | | `RWA` | 360 | 2014 | 2025 | | `GHA` | 360 | 2000 | 2024 | | `UGA` | 359 | 2005 | 2021 | | `TGO` | 324 | 2006 | 2022 | | `TZA` | 324 | 2001 | 2020 | | `SEN` | 288 | 2011 | 2024 | | `NAM` | 252 | 1994 | 2018 | | `NGA` | 252 | 2011 | 2024 | | `ZWE` | 252 | 2011 | 2024 | | ... | _其余30个国家_ | | | ## 示例指标 - `EIP_3EIP_SEX_AGE_GEO_NB` — 按性别、年龄及城乡划分的非劳动力青年（单位：千人） ## 数据Schema | 字段名 | 数据类型 | 字段说明 | 示例值 | |--------|------|-------------|---------| | `ref_area` | `string` | ISO 3166-1 alpha-3 国家代码 | `AGO` | | `ref_area.label` | `string` | 英语国家名称 | `安哥拉` | | `source` | `string` | ILOSTAT 来源代码（如劳动力调查） | `BA:13951` | | `source.label` | `string` | 英语来源名称 | `劳动力调查（LFS）` | | `indicator` | `string` | ILOSTAT 指标代码 | `EIP_3EIP_SEX_AGE_GEO_NB` | | `indicator.label` | `string` | 英语指标名称 | `按性别、年龄划分的非劳动力青年……` | | `sex` | `string` | 性别细分维度（SEX_T=总计，SEX_M=男性，SEX_F=女性） | `SEX_T` | | `sex.label` | `string` | 细分维度说明 | `总计` | | `classif1` | `string` | 第一分类变量（年龄、教育程度、就业状态等） | `AGE_YTHBANDS_Y15-29` | | `classif1.label` | `string` | 分类变量说明 | `年龄（青年组）：15-29岁` | | `classif2` | `string` | 可选第二分类变量 | `GEO_COV_NAT` | | `classif2.label` | `string` | 分类变量说明 | `区域类型：全国范围` | | `time` | `int64` | 观测年份 | `2025` | | `obs_value` | `float64` | 指标观测值（单位详见指标定义） | `3944.82` | | `obs_status` | `string` | 观测状态标记（如临时数据、不可靠数据） | `U` | | `obs_status.label` | `string` | 状态标记说明 | `数据不可靠` | | `note_indicator` | `string` | 指标相关备注 | `I11:264` | | `note_indicator.label` | `string` | 备注说明 | `序列中断：方法学已修订` | | `note_source` | `string` | 来源相关备注 | `R1:3513` | | `note_source.label` | `string` | 备注说明 | `存储库：国际劳工组织统计数据库-微观数据……` | ## 细分维度 以下字段提供数据细分维度： - **`sex`**（共3种唯一取值）：`SEX_T`、`SEX_M`、`SEX_F` ## 数据质量与注意事项 - 数据为年度频率。部分指标同时发布月度或季度序列，本数据集未包含此类数据。 - 当同一国家×年份的同一指标存在多个数据源时，将采用国际劳工组织选定的“最优数据源”。 - 仅当指标支持对应细分维度时，`sex`、`classif1`、`classif2`等细分字段才会非空。 ## 使用示例 python from datasets import load_dataset ds = load_dataset("electricsheepafrica/africa-ilo-eip-3eip-sex-age-geo-nb-youth-outside-the-labour-force-by-sex-age-and-rura") df = ds["train"].to_pandas() print(df.head()) ### 筛选单个国家 python kenya = df[df["ref_area"] == "KEN"] ### 单个指标的时间序列数据 python sample = (df[df["indicator"] == "EIP_3EIP_SEX_AGE_GEO_NB"] .sort_values("time")) sample.plot(x="time", y="obs_value", title="EIP_3EIP_SEX_AGE_GEO_NB") ### 转换为国家×年份矩阵 python matrix = (df[df["indicator"] == "EIP_3EIP_SEX_AGE_GEO_NB"] .pivot_table(index="time", columns="ref_area", values="obs_value")) print(matrix.tail()) ## 引用格式 bibtex @misc{africa_ilo_eip_3eip_sex_age_geo_nb_youth_outside_the_labour_force_by_sex_age_and_rura_2025, title = {Youth outside the labour force by sex, age and rural / urban areas (thousands) | Africa (ILOSTAT)}, author = {International Labour Organization (ILO)}, year = {2025}, url = {https://www.ilo.org/shinyapps/bulkexplorer/?id=EIP_3EIP_SEX_AGE_GEO_NB}, publisher = {HuggingFace Datasets, repackaged by Electric Sheep Africa}, howpublished = {url{https://huggingface.co/datasets/electricsheepafrica/africa-ilo-eip-3eip-sex-age-geo-nb-youth-outside-the-labour-force-by-sex-age-and-rura}} } ## 许可证 本数据集采用[CC BY 4.0](https://creativecommons.org/licenses/by/4.0/)许可证发布。 原始数据版权归国际劳工组织（ILO）所有。使用本数据集时，请同时引用上述原始数据源及Electric Sheep Africa的重新封装版本。 ## 关于Electric Sheep Electric Sheep Africa是Electric Sheep使命的一部分：旨在为HuggingFace平台上的非洲地区构建统一的、可直接用于机器学习的数据层。我们从权威开源数据源获取数据，对Schema进行标准化处理，封装为Parquet格式，并发布格式统一的数据集卡片，使研究人员与开发者仅需调用`load_dataset()`即可在数秒内启动研究工作。 浏览完整数据集集合：[huggingface.co/electricsheepafrica](https://huggingface.co/electricsheepafrica) _数据溯源：2026年5月27日通过Electric Sheep数据流水线导入。源URL：https://www.ilo.org/shinyapps/bulkexplorer/?id=EIP_3EIP_SEX_AGE_GEO_NB_

搜集汇总

数据集介绍

构建方式

该数据集源自ILOSTAT数据库，由国际劳工组织（ILO）官方维护，是全球劳动统计领域的核心数据来源。Electric Sheep Africa团队通过ILOSTAT REST API（接口地址为`https://rplumber.ilo.org/data/indicator?id=EIP_3EIP_SEX_AGE_GEO_NB`）直接抓取原始数据，随后依据非洲ISO3国家代码进行地理范围筛选，仅保留非洲大陆45个国家的观测记录。数据在提取过程中保留了ILO基于国际劳动统计学家会议（ICLS）定义对原始调查微观数据的标准化处理结果，并通过`source.label`列标注每一观测值对应的具体数据源，确保了数据来源的可追溯性与整合的规范性。最终，这些数据以Parquet格式封装，形成统一、易用的数据集。

特点

此数据集聚焦于非洲地区青年劳动力市场的特殊维度，即以“青年不在劳动力人口”（Youth outside the labour force）为核心指标，单位为千人。其独到之处在于丰富的细化分类：按性别（男性、女性、总计）、年龄段（如15-29岁青年区间）以及城乡地域（国家整体或特定区域）进行多维度的交叉呈现，使用户能够深入剖析不同群体在劳动力市场边缘的分布状态。数据集时间跨度从1994年延伸至2025年，涵盖9,532条观测记录，支持年度频率的时间序列分析。同时，ILO提供的“最佳来源”选择机制与观测状态标记（如“不可靠”）为数据质量提供了明确指引。

使用方法

该数据集完美适配HuggingFace `datasets` 生态，用户仅需通过`load_dataset()`函数即可一键加载至本地环境，并利用`to_pandas()`方法将其转换为Pandas DataFrame进行后续操作。针对研究分析，数据集支持灵活的分组筛选，例如依据`ref_area`列可提取特定国家（如肯尼亚）的子集。针对单一指标的时间序列分析，可基于`indicator`进行过滤后按`time`排序绘制趋势图。对于跨国产出对比，用户能够简便地将数据透视转换为“年份×国家”矩阵，从而在不同维度间进行高效的统计建模与可视化探索。

背景与挑战

背景概述

该数据集由国际劳工组织（ILO）统计部门创建，经Electric Sheep Africa于2025年重新整理并发布至HuggingFace平台，聚焦非洲地区青年劳动力市场边缘化群体的量化表征。核心研究问题在于揭示15至29岁青年因性别、年龄及城乡地域差异而游离于劳动力市场之外的规模与结构特征，涵盖45个非洲国家1994至2025年间共9,532条观测记录。作为ILOSTAT数据库的非洲子集，该数据为劳动力利用不足的测度提供了高颗粒度分类维度，对理解非洲青年就业困境、评估国际劳工标准执行效果、以及推动可持续发展目标中体面工作指标的实证分析具有基础性支撑作用，尤其为研究非正规经济与结构性失业问题提供了稀缺的时序面板数据。

当前挑战

该数据集所应对的领域挑战在于非洲青年劳动力利用不足的测度难题——传统劳动力统计常忽略未积极求职但潜在可用的青年群体，而此数据通过细分性别、年龄与城乡维度揭示了隐性劳动力闲置的分布规律。构建过程中遭遇多重挑战：一是数据来源的异构性，需从45国不同类型的劳动力调查（如LFS、家计调查）中提取并统一至ICLS定义框架；二是时间跨度长达31年间的序列断裂问题，需通过注释字段标记方法论修订导致的统计口径变化（如indicator.note中提示的断点）；三是样本量的不均衡性，埃及、南非等国观测值逾600条，而部分国家不足百条，导致跨国推断面临稀疏数据偏差。此外，数据质量标注中存在不可靠观测值（obs_status字段标记为U），对模型训练的鲁棒性构成潜在威胁。

常用场景

经典使用场景

该数据集收录了1994年至2025年间非洲45个国家的青年劳动力市场边缘化数据，聚焦于按性别、年龄及城乡区域划分的未参与劳动力群体规模。作为国际劳工组织ILOSTAT数据库的标准化子集，其核心价值在于提供基于ICLS定义的高质量面板数据，支持研究者追踪非洲青年在劳动力市场之外的动态分布。经典使用方式包括通过时间序列分析揭示特定国家或区域青年就业缺失的长期趋势，或利用性别与城乡细分维度构建多层次回归模型，探究社会经济因素对青年劳动参与决策的异质性影响。

衍生相关工作

基于该数据，研究者已发展出一系列经典衍生工作，包括构建预测非洲青年劳动参与率的多变量面板模型，以及整合性别平等指数、城市化率等辅助指标探究青年就业排斥的结构性成因。部分工作进一步将数据与卫星遥感影像或教育统计数据关联，以空间计量方法描绘非洲大陆青年经济不活跃度的地理分布格局。更重要的是，该数据集作为ILO标准指标体系的组成部分，已被纳入多项跨国比较研究，支撑着关于青年包容性增长路径的学术辩论与政策模拟示范。

数据集最近研究

最新研究方向

该数据集聚焦于非洲青年群体的劳动力市场边缘化状态，通过性别、年龄及城乡地域的多维交叉分类，揭示了尼日尔河流域、东非大裂谷地带及撒哈拉以南非洲地区青年在1994至2025年间脱离劳动力市场的结构性特征。在当前全球青年失业危机与非洲大陆自贸区建设加速的背景下，该数据为量化分析非正规就业、教育代际传递失效及城镇化进程中青年劳动力储备的动态变化提供了权威时序依据。其高频次年度观测与45国覆盖使得研究者能够追踪新冠疫情后青年就业意愿的韧性差异，并评估数字技术普及、气候冲击与冲突动荡对青年劳动参与率的异质性影响。ILOSTAT标准化方法论与公开可重复的API接口，使得该数据集成为建模劳动力市场早期预警系统、设计精准技能培训政策以及检验可持续发展目标中体面工作指标进展的核心实证基石。