electricsheepeurope/europe-ilo-eap-3eap-sex-age-stu-nb-youth-labour-force-by-sex-age-and-school-attendanc

该数据集包含来自国际劳工组织（ILO）ILOSTAT数据库的欧洲青年劳动力统计数据，具体指标为“按性别、年龄和学校出勤状态分类的青年劳动力（千人）”。数据集涵盖39个欧洲国家，时间跨度为1983年至2025年，共包含39,159个观测值。数据通过ILOSTAT REST API获取，并经过过滤以仅包含欧洲国家。数据集提供详细的分类维度，包括性别（总计、男性、女性）、年龄组和教育出勤状态，并包含数据来源、观测状态和注释等信息，适用于表格分类、回归和时间序列预测等任务。许可证：cc-by-4.0 语言： - 英语（en） 任务类别： - 表格分类（tabular-classification） - 表格回归（tabular-regression） - 时间序列预测（time-series-forecasting） 多语言属性：单语 样本量范围：10K<n<100K 标签： - 表格数据（tabular） - 欧洲（europe） - ILOSTAT - 劳动力（labour-force） - 国际劳工组织（ILO） - 劳动力（labour） - 就业（employment） 友好名称："按性别、年龄和就学状况划分的青年劳动力（千人）| 欧洲（ILOSTAT）" # 按性别、年龄和就学状况划分的青年劳动力（千人）| 欧洲（ILOSTAT） 🇪🇺 **39,159 条观测** · **39个欧洲国家** · **1983–2025年** · *由[Electric Sheep Europe](https://huggingface.co/electricsheepeurope)重新整理*      ## 快速概览 本数据集包含**39,159条观测**，涵盖**39个欧洲国家**的`劳动力`数据，时间跨度为**1983–2025年**，仅包含**1个核心指标**。 ## 数据源说明 **国际劳工组织统计数据库（ILOSTAT）** 是国际劳工组织（ILO）的官方核心统计数据库，也是全球领先的劳动力统计权威来源。该库收录了就业、失业、薪资、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体面工作目标等多类指标，数据来源于全国劳动力调查、家庭收入调查、机构调查以及行政记录，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整合。 - **数据源**：[ILOSTAT](https://www.ilo.org/shinyapps/bulkexplorer/?id=EAP_3EAP_SEX_AGE_STU_NB) - **发布方**：国际劳工组织（International Labour Organization, ILO） - **许可证**：[cc-by-4.0](https://creativecommons.org/licenses/by/4.0/) - **主题**：劳动力统计 ## 数据处理方法 本数据集直接从ILOSTAT的REST API接口`https://rplumber.ilo.org/data/indicator?id=EAP_3EAP_SEX_AGE_STU_NB`拉取原始数据，并筛选出欧洲地区的ISO3国家编码子集。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整合；数据来源信息将在`source.label`字段中标记，以保证可追溯性。 ## 地理覆盖范围 共覆盖39个欧洲国家，以下按数据行数排序展示部分样本： | 国家 | 数据行数 | 起始年份 | 结束年份 | |---------|-----:|-----------:|----------:| | `GBR` | 1,577 | 1983 | 2025 | | `FRA` | 1,559 | 1983 | 2024 | | `BEL` | 1,512 | 1983 | 2024 | | `ITA` | 1,512 | 1983 | 2024 | | `DNK` | 1,512 | 1983 | 2024 | | `LUX` | 1,509 | 1983 | 2024 | | `GRC` | 1,449 | 1987 | 2025 | | `PRT` | 1,440 | 1986 | 2025 | | `NLD` | 1,440 | 1983 | 2024 | | `ESP` | 1,439 | 1986 | 2025 | | `DEU` | 1,368 | 1983 | 2024 | | `IRL` | 1,368 | 1983 | 2024 | | `CHE` | 1,201 | 1991 | 2025 | | `AUT` | 1,044 | 1995 | 2025 | | `ISL` | 1,044 | 1995 | 2023 | | ... | _其余24个国家_ | | | ## 指标（样本） - `EAP_3EAP_SEX_AGE_STU_NB` — 按性别、年龄和就学状况划分的青年劳动力（千人） ## 数据结构（schema） | 字段名 | 数据类型 | 字段说明 | 示例值 | |--------|------|-------------|---------| | `ref_area` | `string` | ISO 3166-1 alpha-3 国家编码 | `ALB` | | `ref_area.label` | `string` | 国家英文名称 | `Albania` | | `source` | `string` | ILOSTAT 数据源编码（如劳动力调查） | `BA:480` | | `source.label` | `string` | 数据源英文名称 | `LFS - 劳动力调查` | | `indicator` | `string` | ILOSTAT 指标编码 | `EAP_3EAP_SEX_AGE_STU_NB` | | `indicator.label` | `string` | 指标英文名称 | `Youth labour force by sex, age and sc…` | | `sex` | `string` | 性别分组维度（SEX_T=总计，SEX_M=男性，SEX_F=女性） | `SEX_T` | | `sex.label` | `string` | 分组维度说明 | `总计` | | `classif1` | `string` | 第一分类变量（年龄、教育水平、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 | `STU_EDU_TOTAL` | | `classif2.label` | `string` | 第二分类变量说明 | `教育就学状况：总计` | | `time` | `int64` | 观测年份 | `2024` | | `obs_value` | `float64` | 观测指标值（单位详见指标定义） | `231.323` | | `obs_status` | `string` | 观测状态标记（如暂定、不可靠） | `U` | | `obs_status.label` | `string` | 状态标记说明 | `不可靠` | | `note_indicator` | `string` | 指标相关备注编码 | `I11:264` | | `note_indicator.label` | `string` | 备注说明 | `序列中断：方法学修订` | | `note_source` | `string` | 数据源相关备注编码 | `R1:3513` | | `note_source.label` | `string` | 数据源备注说明 | `存储库：ILO统计司 - 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 - 本数据集仅包含年度频率数据，部分指标的月度或季度序列未纳入其中。 - 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”。 - 细分字段（`sex`、`classif1`、`classif2`）仅在指标支持对应细分维度时非空。 ## 使用示例 python from datasets import load_dataset ds = load_dataset("electricsheepeurope/europe-ilo-eap-3eap-sex-age-stu-nb-youth-labour-force-by-sex-age-and-school-attendanc") df = ds["train"].to_pandas() print(df.head()) ### 筛选单个国家数据 python germany = df[df["ref_area"] == "DEU"] ### 单个指标的时间序列可视化 python sample = (df[df["indicator"] == "EAP_3EAP_SEX_AGE_STU_NB"] .sort_values("time")) sample.plot(x="time", y="obs_value", title="EAP_3EAP_SEX_AGE_STU_NB") ### 转换为国家×年份矩阵 python matrix = (df[df["indicator"] == "EAP_3EAP_SEX_AGE_STU_NB"] .pivot_table(index="time", columns="ref_area", values="obs_value")) print(matrix.tail()) ## 引用格式 bibtex @misc{europe_ilo_eap_3eap_sex_age_stu_nb_youth_labour_force_by_sex_age_and_school_attendanc_2025, title = {按性别、年龄和就学状况划分的青年劳动力（千人）| 欧洲（ILOSTAT)}, author = {国际劳工组织（International Labour Organization, ILO)}, year = {2025}, url = {https://www.ilo.org/shinyapps/bulkexplorer/?id=EAP_3EAP_SEX_AGE_STU_NB}, publisher = {HuggingFace数据集平台，由Electric Sheep Europe重新整理发布}, howpublished = {url{https://huggingface.co/datasets/electricsheepeurope/europe-ilo-eap-3eap-sex-age-stu-nb-youth-labour-force-by-sex-age-and-school-attendanc}} } ## 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与Electric Sheep Europe的重新整理版本。 ## 关于Electric Sheep Electric Sheep Europe是Electric Sheep项目的组成部分：该项目旨在为HuggingFace平台构建统一的、适配机器学习的欧洲地区数据层。我们从权威开源数据源获取数据，对数据schema进行标准化处理，封装为Parquet格式，并发布为统一格式的数据集卡片，以便研究人员与开发者仅需使用`load_dataset()`即可在数秒内开始使用数据。 浏览完整数据集集合：[huggingface.co/electricsheepeurope](https://huggingface.co/electricsheepeurope) --- _数据溯源：2026-05-27 通过Electric Sheep流水线摄入。源URL：https://www.ilo.org/shinyapps/bulkexplorer/?id=EAP_3EAP_SEX_AGE_STU_NB_

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，通过其REST API直接提取劳动力指标数据。原始数据基于各国劳动力调查、家庭收入调查等官方来源，并依据国际劳工统计学家会议（ICLS）定义进行统一协调。数据集聚焦欧洲39个国家，筛选ISO3国家代码，涵盖1983年至2025年间青年劳动力按性别、年龄及在校状态的细分观测值，总计39,159条记录。数据以Parquet格式重新打包，确保机器学习就绪，并通过HuggingFace平台发布，便于研究者直接调用。

使用方法

使用上，研究者可通过HuggingFace的`load_dataset()`函数直接加载数据集，并转换为Pandas DataFrame进行后续处理。支持按国家代码（如`DEU`代表德国）筛选特定区域数据，或通过`indicator`列聚焦青年劳动力指标。推荐对`obs_value`列按时间排序绘制趋势图，或者构建以时间为行、国家为列的透视矩阵，便于跨国家比较。需注意数据为年度频率，缺失的月度或季度序列不在本集中，且多来源冲突时采用ILO认定的最佳来源值。

背景与挑战

背景概述

该数据集由国际劳工组织（ILO）下的ILOSTAT数据库整理并经由Electric Sheep Europe重新打包发布，收录了1983年至2025年间39个欧洲国家的青年劳动力数据，按性别、年龄及在校状态细分，总计约39,159条观测记录。作为全球劳动统计的权威来源，ILOSTAT依据国际劳动统计学家会议（ICLS）定义对各国劳动力调查微观数据进行统一协调，确保了跨国可比性。该数据集的核心研究问题聚焦于青年群体在劳动力市场的参与模式及其与教育路径的交互关系，为政策制定者与研究者提供了理解欧洲青年就业动态的宝贵时间序列资源，在劳动经济学、教育经济学及社会政策评估等领域具有显著影响力。

当前挑战

该数据集所应对的领域挑战在于准确刻画青年劳动力参与的多维异质性，即如何同时整合性别、年龄分层与在校状态三个维度的交叉效应，以揭示教育选择与劳动市场进入之间的复杂动态关系。构建过程中面临的主要困难包括：不同国家劳动力调查在抽样设计、问卷内容及统计口径上的差异，需要ILO通过统一的ICLS定义进行复杂的数据协调；时间跨度内多国出现的定义修订与方法论变更，如‘系列中断’标记所反映的；以及数据来源的多样性与可靠性标记（如‘不可靠’状态标志）的处理，确保使用者能够合理评估各观测值的置信水平。

常用场景

经典使用场景

在欧洲劳动经济学与社会政策研究领域，该数据集的核心应用在于分析青年劳动力参与模式与教育衔接的动态关系。凭借覆盖39个欧洲国家长达四十余年的观测记录，研究者可借助时间序列建模或面板数据分析方法，探究年龄、性别与在校状态对青年劳动供给的交互影响。数据按性别、年龄段及是否在校等维度精细划分，为构建多因素劳动力参与模型、刻画青年从学校向职场过渡的宏观轨迹提供了坚实的数据底座。

解决学术问题

该数据集精准回应了劳动经济学中关于青年就业决定因素与结构性差异的经典难题。学术研究长期聚焦于教育扩展如何影响青年劳动参与率、性别差异在劳动力市场中的演变趋势，以及经济周期对不同年龄段青年就业机会的异质性冲击。凭借ILO官方标准化的数据体系与跨时长的纵向覆盖，研究者得以量化分析政策干预、技术变革与人口结构转型对青年劳动力供给的深层影响，为理解教育与就业之间的动态张力提供了严谨的经验证据。

实际应用

在实际应用层面，本数据集为国际组织、国家统计部门及政策智库开展劳动力市场监测与效果评估提供了可操作的定量工具。通过追踪不同性别与年龄层青年的劳动参与状况，决策者能够精准识别就业脆弱群体，评估职业教育改革、青年就业保障计划及性别平等政策在实际推行中的成效。同时，该数据还可支撑欧洲层面的跨国比较研究，为欧盟就业战略的制定与调整提供实证依据，助力推动包容性增长与社会公平。

数据集最近研究

最新研究方向

该数据集聚焦于欧洲青年劳动力市场的性别、年龄与就学状态交叉分析，为劳动经济学与教育政策研究提供了高颗粒度的时序数据支撑。当前前沿方向涵盖青年失业的结构性成因、教育参与对劳动力供给的动态影响，以及跨欧洲国家在就业政策上的异质性表现。结合ILOSTAT权威来源与ICLS国际定义，该数据可驱动机器学习模型预测青年就业趋势、识别政策干预的关键窗口，并支撑联合国可持续发展目标中体面工作的量化评估，对理解欧洲后疫情时代劳动力复苏路径具有重要实证意义。