electricsheepeurope/europe-ilo-emp-pifl-sex-age-eco-nb-employment-outside-the-formal-sector-by-sex-age-an

该数据集包含欧洲34个国家的非正规经济数据，共有319,873个观察值，时间跨度为2003年至2025年，涵盖1个独特指标。具体来说，数据集记录了按性别、年龄和经济活动划分的正式部门外就业人数（以千计）。数据来源于国际劳工组织（ILO）的ILOSTAT数据库，通过REST API获取，并经过欧洲ISO3国家代码过滤。数据集提供了详细的列结构，包括国家代码、国家名称、数据来源、指标代码、性别分类、年龄分类、经济活动分类、观察年份、观察值、观察状态和相关注释等字段。数据质量方面，数据为年度频率，ILO选择“最佳来源”处理同一国家×年份的多个数据来源，且细分列仅在指标发布该细分时非空。数据集适用于表格分类、表格回归和时间序列预测等任务，并遵循CC-BY-4.0许可证。--- 许可证: CC BY 4.0 语言: - 英语 任务类别: - 表格分类 - 表格回归 - 时间序列预测 多语言属性: 单语言 数据规模: - 100K < 样本数 < 1M 标签: - 表格型 - 欧洲 - ILOSTAT - 非正规经济 - ILO - 劳动力 - 就业 美观名称: "按性别、年龄和经济活动划分的正规部门外就业人数（单位：千人）| 欧洲（ILOSTAT）" --- # 按性别、年龄和经济活动划分的正规部门外就业人数（单位：千人）| 欧洲（ILOSTAT数据集） 🇪🇺 **共319,873条观测样本** · **覆盖34个欧洲国家** · **时间跨度为2003–2025年** · *由[Electric Sheep Europe](https://huggingface.co/electricsheepeurope)重新整理发布*      ## 快速摘要（TL;DR） 本数据集包含覆盖34个欧洲国家的**非正规经济**相关观测样本共319,873条，时间跨度为2003–2025年，仅包含**1项独立指标**。 ## 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)的核心统计数据库，也是全球领先的劳动力统计数据来源。其收录的指标涵盖就业、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（SDGs）体面工作相关指标，数据来源包括全国劳动力调查、家庭收入调查、机构调查以及行政记录。数据覆盖全球200余个经济体，由国际劳工组织统计部门负责数据标准化处理。 - **数据源**：[ILOSTAT](https://www.ilo.org/shinyapps/bulkexplorer/?id=EMP_PIFL_SEX_AGE_ECO_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/) - **主题**：非正规经济 ## 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=EMP_PIFL_SEX_AGE_ECO_NB`获取数据，并筛选出欧洲地区的ISO 3166-1 alpha-3国家编码数据。ILOSTAT采用**国际劳工统计学家会议(ICLS)**的定义对原始调查微观数据进行标准化处理；数据来源将在`source.label`字段中标记，以确保可追溯性。 ## 地理覆盖范围 覆盖34个欧洲国家，以下按观测条数排序展示部分国家的统计信息： | 国家编码 | 观测条数 | 起始年份 | 终止年份 | |---------|-----:|-----------:|----------:| | `RUS` | 16,633 | 2010 | 2025 | | `MDA` | 16,026 | 2003 | 2025 | | `BIH` | 13,160 | 2006 | 2024 | | `SRB` | 12,997 | 2007 | 2024 | | `POL` | 12,678 | 2007 | 2024 | | `MKD` | 12,145 | 2009 | 2025 | | `CZE` | 11,959 | 2007 | 2024 | | `NLD` | 11,758 | 2007 | 2024 | | `ITA` | 11,559 | 2007 | 2024 | | `SVN` | 11,540 | 2007 | 2024 | | `FIN` | 11,527 | 2007 | 2024 | | `PRT` | 11,509 | 2007 | 2024 | | `ESP` | 11,173 | 2007 | 2024 | | `SVK` | 10,411 | 2007 | 2024 | | `FRA` | 10,290 | 2007 | 2024 | | ... | _另有19个国家_ | | | ## 指标示例 - `EMP_PIFL_SEX_AGE_ECO_NB` — 按性别、年龄和经济活动划分的正规部门外就业人数（单位：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 | `AUT` | | `ref_area.label` | `string` | 英文国家名称 | `Austria` | | `source` | `string` | ILOSTAT 数据源编码（如劳动力调查） | `BB:275` | | `source.label` | `string` | 英文数据源名称 | `HIES - EU Statistics on Income and Li…` | | `indicator` | `string` | ILOSTAT 指标编码 | `EMP_PIFL_SEX_AGE_ECO_NB` | | `indicator.label` | `string` | 英文指标名称 | `Employment outside the formal sector …` | | `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` | — | `Total` | | `classif1` | `string` | 第一分类变量（年龄、教育程度、就业状态等） | `AGE_YTHADULT_YGE15` | | `classif1.label` | `string` | — | `Age (Youth, adults): 15+` | | `classif2` | `string` | 可选第二分类变量 | `ECO_SECTOR_TOTAL` | | `classif2.label` | `string` | — | `Economic activity (Broad sector): Total` | | `time` | `int64` | 观测年份 | `2024` | | `obs_value` | `float64` | 观测指标值（单位详见指标定义） | `157.365` | | `obs_status` | `string` | 观测状态标记（如临时数据、不可靠数据） | `U` | | `obs_status.label` | `string` | — | `Unreliable` | | `note_classif` | `string` | — | `C6:1058` | | `note_classif.label` | `string` | — | `Nonstandard age group: Excluding age 15` | | `note_indicator` | `string` | — | `I11:264` | | `note_indicator.label` | `string` | — | `Break in series: Methodology revised` | | `note_source` | `string` | — | `R1:3513_T2:85` | | `note_source.label` | `string` | — | `Repository: ILO-STATISTICS - Micro da…` | ## 细分维度 以下字段提供数据细分维度： - **`sex`**（共3个唯一取值）：`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，细分字段（`sex`、`classif1`、`classif2`）才不会为空。 ## 使用方法 python from datasets import load_dataset ds = load_dataset("electricsheepeurope/europe-ilo-emp-pifl-sex-age-eco-nb-employment-outside-the-formal-sector-by-sex-age-an") df = ds["train"].to_pandas() print(df.head()) ### 筛选单个国家 python germany = df[df["ref_area"] == "DEU"] ### 单指标时间序列可视化 python sample = (df[df["indicator"] == "EMP_PIFL_SEX_AGE_ECO_NB"] .sort_values("time")) sample.plot(x="time", y="obs_value", title="EMP_PIFL_SEX_AGE_ECO_NB") ### 转换为国家×年份矩阵 python matrix = (df[df["indicator"] == "EMP_PIFL_SEX_AGE_ECO_NB"] .pivot_table(index="time", columns="ref_area", values="obs_value")) print(matrix.tail()) ## 引用格式 bibtex @misc{europe_ilo_emp_pifl_sex_age_eco_nb_employment_outside_the_formal_sector_by_sex_age_an_2025, title = {Employment outside the formal sector by sex, age and economic activity (thousands) | Europe (ILOSTAT)}, author = {International Labour Organization (ILO)}, year = {2025}, url = {https://www.ilo.org/shinyapps/bulkexplorer/?id=EMP_PIFL_SEX_AGE_ECO_NB}, publisher = {HuggingFace Datasets, repackaged by Electric Sheep Europe}, howpublished = {url{https://huggingface.co/datasets/electricsheepeurope/europe-ilo-emp-pifl-sex-age-eco-nb-employment-outside-the-formal-sector-by-sex-age-an}} } ## 许可证 本数据集基于[CC BY 4.0](https://creativecommons.org/licenses/by/4.0/)协议发布。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以及Electric Sheep Europe的重新整理版本。 ## 关于Electric Sheep Electric Sheep Europe是Electric Sheep项目的一部分，该项目旨在为HuggingFace平台上的欧洲地区数据构建统一的、适配机器学习的数据集层。我们从权威开源数据源获取数据，对数据结构进行标准化处理，以Parquet格式打包，并发布格式统一的数据集卡片，使研究人员和开发者可以通过`load_dataset()`函数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：2026-05-26通过Electric Sheep数据管道获取。源URL：https://www.ilo.org/shinyapps/bulkexplorer/?id=EMP_PIFL_SEX_AGE_ECO_NB_

搜集汇总

数据集介绍

构建方式

该数据集的构建依托国际劳工组织（ILO）的中央统计数据库ILOSTAT，通过其REST API端点直接提取指标EMP_PIFL_SEX_AGE_ECO_NB的原始记录，并依据ISO3国家代码筛选出欧洲区域数据。ILOSTAT采用国际劳工统计学家会议（ICLS）定义对各国劳动力调查、住户收入调查等微观数据进行统一协调，原始来源在source.label列中予以标注以确保可追溯性。Electric Sheep Europe在此基础上对字段进行规范化命名与Parquet格式封装，形成了覆盖2003至2025年、包含319,873条观测的结构化数据集。

使用方法

研究者可通过HuggingFace的datasets库以load_dataset()函数直接加载该数据集，并利用to_pandas()转换为数据框进行后续分析。典型用法包括按ref_area字段筛选单一国家（如DEU）以开展国别研究，或依据indicator与time列排序后绘制时间序列图以观察非正规就业的演变轨迹。此外，借助pivot_table方法可将数据重塑为国家×年份矩阵，便于进行面板数据分析或跨国比较，所有操作均可在Python环境中高效完成。

背景与挑战

背景概述

非正规经济就业的测度长期以来构成劳动统计领域的核心难题，其规模与结构直接关乎社会保障覆盖、税收基线与体面劳动监测。国际劳工组织依托国际劳工统计学家会议（ICLS）决议框架，自本世纪初系统推进非正规就业统计标准化。本数据集由国际劳工组织统计部门（ILOSTAT）采集，经Electric Sheep Europe于2025年重新封装发布，涵盖34个欧洲国家、2003至2025年间逾31万条观测记录，以性别、年龄及经济活动部门多维解构正规部门以外就业规模，为跨国劳动市场比较、非正规经济周期分析与SDG目标8的进展评估提供了权威的微观基础。

当前挑战

该数据集所回应的是非正规就业跨国量化比较中概念界定歧异与数据完整性不足的双重困境。就领域问题而言，各国对非正规部门的操作化定义、调查工具与抽样框差异显著，致使跨国可比性长期受限；就业形态日趋多元亦对传统分类框架构成持续压力。就构建过程而言，原始调查微观数据的标准化调和需在ICLS定义与各国统计实践间寻求妥协，部分单元格因样本量不足或方法论修订而标注为不可靠或序列断裂，年龄分组非标准、来源更迭等注释进一步增加了时序分析的复杂性，如何在不损及信息完整性的前提下实现协调一致，构成该数据集持续面对的方法论挑战。

常用场景

经典使用场景

在非正规经济与劳动力市场核算领域，该数据集最经典的应用在于刻画欧洲各国非正规部门就业规模的时序演变与结构性差异。研究者通常以ref_area与time为索引，将obs_value按性别、年龄组及经济活动部门进行交叉分层，从而绘制跨国非正规就业比重的趋势曲线，或构建面板数据以比较不同经济体的非正规化程度。其三十余万条观测与跨越二十余年的年度序列，为劳动经济学中的非正规就业计量提供了标准化的高频面板素材。

解决学术问题

该数据集有效回应了非正规就业测度中长期存在的跨国可比性难题。在ILO统一协调下，各国劳动调查的原始数据被转换为基于国际劳工统计学家会议定义的口径，从而缓解了因调查方法、年龄分组与部门分类差异所导致的估计偏误。研究者借此得以检验非正规就业与经济增长、性别差距及产业结构转型之间的因果关联，并推动关于非正规部门异质性与劳动力市场二元结构的理论争鸣，对发展经济学与劳动计量学具有显著的实证支撑意义。

实际应用

在政策实践层面，该数据集为欧洲各国劳工部门与国际组织评估非正规就业风险提供了量化依据。社会保障机构可依据分性别与年龄的非正规就业规模，识别覆盖缺口较大的脆弱群体；就业服务机构可结合经济活动分类，定位非正规化程度较高的行业并设计有针对性的正规化激励措施。同时，该数据亦可用于校准宏观经济模型中的非正规部门参数，辅助预测劳动力市场政策改革的潜在就业效应。

数据集最近研究

最新研究方向

在全球非正规经济研究版图中，欧洲非正规就业的性别与年龄分层机制正成为劳动经济学与经济社会学的交汇热点。该数据集以ILOSTAT权威框架为基石，覆盖34国、逾三十万条观测，为刻画非正规部门就业的时空异质性提供了高分辨率面板。前沿研究聚焦于利用其性别与年龄交叉分类维度，检验后危机时代非正规就业的性别收敛假说，并借助时间序列预测方法识别经济周期与制度变迁对非正规就业的差异化冲击。在欧盟推动可持续就业与社会保护的背景下，该数据资源对评估非正规经济规模、制定包容性劳动政策具有重要的实证支撑意义，亦为比较政治经济学中的非正规部门治理研究开辟了新的量化路径。