electricsheepeurope/europe-ilo-emp-pifl-sex-age-ins-rt-share-of-employment-outside-the-formal-sector-by-s

该数据集包含欧洲4个国家（摩尔多瓦、波黑、北马其顿、塞尔维亚）在2003年至2025年期间关于非正规经济就业比例的6,570个观测值。核心指标为按性别、年龄和公共/私营部门划分的非正规部门就业比例（%）（ILOSTAT代码：EMP_PIFL_SEX_AGE_INS_RT）。数据来源于国际劳工组织（ILO）的ILOSTAT数据库，通过其REST API获取，并经过Electric Sheep Europe重新打包。数据集采用表格格式，包含国家代码、指标、性别分类、年龄分类、时间、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。数据以年度频率发布，并包含数据质量说明，如使用ILO选择的最佳来源和分类字段的非空条件。license: cc-by-4.0 language: - en task_categories: - tabular-classification - tabular-regression - time-series-forecasting multilinguality: monolingual size_categories: - 1K<n<10K tags: - tabular - europe - ilostat - informal-economy - ilo - labour - employment pretty_name: "按性别、年龄和公私部门划分的欧洲非正规部门就业占比（%）| 欧洲（ILOSTAT）" --- # 按性别、年龄和公私部门划分的欧洲非正规部门就业占比（%）| 欧洲（ILOSTAT） 🇪🇺 **6,570条观测数据** · **4个欧洲国家** · **2003–2025年** · *由[Electric Sheep Europe](https://huggingface.co/electricsheepeurope)重新封装*      ## 简短摘要（TL;DR） 本数据集包含**6,570条非正规经济**相关观测数据，覆盖**4个欧洲国家**，时间跨度为**2003–2025年**，涵盖**1个独立指标**。 ## 数据源简介 **ILOSTAT**是国际劳工组织（International Labour Organization, ILO）的中央统计数据库，是全球领先的劳工统计权威来源。其整合了就业、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体面工作目标等各类指标，数据来源于全国劳动力调查、家庭收入调查、机构调查和行政记录。该数据库覆盖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。 - **数据源**：[ILOSTAT](https://www.ilo.org/shinyapps/bulkexplorer/?id=EMP_PIFL_SEX_AGE_INS_RT) - **发布方**：国际劳工组织（ILO） - **授权协议**：[cc-by-4.0](https://creativecommons.org/licenses/by/4.0/) - **主题**：非正规经济 ## 处理方法 数据直接从ILOSTAT的REST API接口`https://rplumber.ilo.org/data/indicator?id=EMP_PIFL_SEX_AGE_INS_RT`拉取，并筛选出欧洲地区的ISO 3166-1 alpha-3国家代码对应的样本。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；数据来源会在`source.label`列中标记，以保证可追溯性。 ## 地理覆盖范围 4个欧洲国家，按数据行数排序的前若干行展示如下： | 国家代码 | 数据行数 | 起始年份 | 结束年份 | |---------|-----:|-----------:|----------:| | `MDA` | 2,070 | 2003 | 2025 | | `BIH` | 1,710 | 2006 | 2024 | | `MKD` | 1,530 | 2009 | 2025 | | `SRB` | 1,260 | 2007 | 2020 | ## 指标（示例） - `EMP_PIFL_SEX_AGE_INS_RT` — 按性别、年龄和公私部门划分的非正规部门就业占比（%） ## 数据结构 | 列名 | 数据类型 | 描述 | 示例 | |--------|------|-------------|---------| | `ref_area` | `string` | ISO 3166-1 alpha-3 国家代码 | `BIH` | | `ref_area.label` | `string` | 英文国名 | `Bosnia and Herzegovina` | | `source` | `string` | ILOSTAT 数据源代码（如劳动力调查） | `BA:493` | | `source.label` | `string` | 英文数据源名称 | `LFS - Labour Force Survey` | | `indicator` | `string` | ILOSTAT 指标代码 | `EMP_PIFL_SEX_AGE_INS_RT` | | `indicator.label` | `string` | 英文指标名称 | `Share of employment outside the forma…` | | `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` | 适用时的第二分类变量 | `INS_SECTOR_TOTAL` | | `classif2.label` | `string` | — | `Institutional sector: Total` | | `time` | `int64` | 观测年份 | `2024` | | `obs_value` | `float64` | 观测到的指标数值（单位参见指标定义） | `13.81` | | `obs_status` | `string` | 观测状态标记（如临时、不可靠） | `B` | | `obs_status.label` | `string` | — | `Break in series` | | `note_classif` | `string` | — | `—` | | `note_classif.label` | `string` | — | `—` | | `note_indicator` | `string` | — | `I11:264` | | `note_indicator.label` | `string` | — | `Break in series: Methodology revised` | | `note_source` | `string` | — | `R1:3513` | | `note_source.label` | `string` | — | `Repository: ILO-STATISTICS - Micro da…` | ## 细分维度 以下列提供数据细分维度： - **`sex`**（共3个唯一值）：`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，但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”。 - 细分列（`sex`、`classif1`、`classif2`）仅在指标支持对应细分维度时才非空。 ## 使用示例 python from datasets import load_dataset ds = load_dataset("electricsheepeurope/europe-ilo-emp-pifl-sex-age-ins-rt-share-of-employment-outside-the-formal-sector-by-s") df = ds["train"].to_pandas() print(df.head()) ### 筛选单个国家 python germany = df[df["ref_area"] == "DEU"] ### 单个指标的时间序列 python sample = (df[df["indicator"] == "EMP_PIFL_SEX_AGE_INS_RT"] .sort_values("time")) sample.plot(x="time", y="obs_value", title="EMP_PIFL_SEX_AGE_INS_RT") ### 转换为国家×年份矩阵 python matrix = (df[df["indicator"] == "EMP_PIFL_SEX_AGE_INS_RT"] .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_ins_rt_share_of_employment_outside_the_formal_sector_by_s_2025, title = {Share of employment outside the formal sector by sex, age and public/private sector (%) | Europe (ILOSTAT)}, author = {International Labour Organization (ILO)}, year = {2025}, url = {https://www.ilo.org/shinyapps/bulkexplorer/?id=EMP_PIFL_SEX_AGE_INS_RT}, publisher = {HuggingFace Datasets, repackaged by Electric Sheep Europe}, howpublished = {url{https://huggingface.co/datasets/electricsheepeurope/europe-ilo-emp-pifl-sex-age-ins-rt-share-of-employment-outside-the-formal-sector-by-s}} } ## 授权协议 本数据集采用[cc-by-4.0](https://creativecommons.org/licenses/by/4.0/)协议发布。原始数据©国际劳工组织（ILO）。使用本数据集时，请同时引用上述原始来源以及Electric Sheep Europe的重新封装版本。 ## 关于Electric Sheep Electric Sheep Europe是Electric Sheep使命的一部分：即构建HuggingFace上面向欧洲的统一、可供机器学习使用的数据层。我们从权威开源数据源获取数据，对数据结构（schema）进行标准化，封装为Parquet格式，并发布格式统一的数据集卡片，以便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管道摄入。源URL：https://www.ilo.org/shinyapps/bulkexplorer/?id=EMP_PIFL_SEX_AGE_INS_RT_

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中央统计数据库，采用其REST API接口直接拉取指标EMP_PIFL_SEX_AGE_INS_RT的原始数据，并依据欧洲ISO3国家代码进行筛选。ILOSTAT依据国际劳工统计学家会议（ICLS）的定义对各国劳动力调查等微观数据进行标准化调和，确保跨国可比性。Electric Sheep Europe在此基础上对字段进行规范化命名与Parquet格式封装，形成覆盖摩尔多瓦、波黑、北马其顿与塞尔维亚四国、2003至2025年间共6570条观测的即用型数据集。

特点

数据集聚焦于非正规部门就业份额这一非正规经济核心指标，按性别、年龄及公共/私营部门进行多维 disaggregation，提供SEX_T、SEX_M、SEX_F三类性别分类。时间跨度逾二十年，包含年度频率的观测值及源标签、观测状态等元数据，便于追踪方法学修订与序列断裂。数据以表格形式组织，涵盖分类变量、时间变量与数值变量，兼具时间序列预测与表格分类/回归任务的适用性，且以CC-BY-4.0许可开放共享。

使用方法

研究者可通过HuggingFace datasets库以load_dataset函数加载数据集，并转换为pandas数据框进行后续分析。典型操作包括按ref_area列筛选特定国家、按indicator列与time列排序以绘制单指标时序图，或利用pivot_table将数据重塑为国家×年份矩阵以开展横向比较。数据可服务于非正规就业趋势分析、性别与年龄差异研究以及公共/私营部门就业结构比较等劳动经济学议题，亦适合作为机器学习任务中的表格型特征输入。

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议题，其数据质量直接关系到体面劳动议程的监测与评估。国际劳工组织（ILO）依托国际劳工统计学家会议（ICLS）确立的界定标准，通过整合各国劳动力调查等微观数据，构建了ILOSTAT这一全球性劳动统计数据库。本数据集由Electric Sheep Europe于2026年从ILOSTAT REST API中提取并重新封装，覆盖摩尔多瓦、波黑、北马其顿与塞尔维亚四国2003至2025年间共计6570条观测记录，以性别、年龄及公共/私营部门为分类维度，刻画了正规部门以外就业份额的演变轨迹。该数据为转型经济体非正规就业的跨国比较研究提供了可机读的标准化素材，亦构成非正规经济领域实证分析的重要基础设施。

当前挑战

该数据集所应对的领域问题在于非正规就业的跨国可比测度与动态追踪，其核心难点源于非正规部门定义在不同国家统计实践中的异质性以及抽样调查本身的覆盖偏差。在构建层面，数据源自各国劳动力调查的异构微观记录，ILOSTAT虽经统一协调，但原始调查在问题措辞、参考期界定与部门编码上仍存在系统性差异，导致序列断裂与方法论修订频现，观测状态标志中标注的断点即为此类问题的直接体现。此外，四个国家的时间跨度参差不齐，部分年份数据缺失或仅具临时性，分类维度亦非全部指标均予发布，研究者须审慎处理缺失机制与样本选择偏差，以免跨国比较结论受到结构性干扰。

常用场景

经典使用场景

在非正规经济与劳动力市场结构变迁的研究脉络中，该数据集最经典的运用场景在于刻画欧洲转型经济体非正规就业比重的时序演变轨迹。研究者依托MDA、BIH、MKD、SRB四国2003至2025年的6570条观测记录，按性别、年龄组与公私部门属性对非正规就业份额进行多维分解，进而绘制跨国别、跨群体的动态面板图谱。借助时间序列建模与面板回归技术，可系统揭示非正规就业的周期性波动与结构性趋势，为比较劳动制度变迁提供基准数据支撑。

衍生相关工作

围绕该数据集已衍生出一系列有关非正规经济规模估算与劳动市场二元结构的经典研究。学者们将其与ILO其他指标如社会保障覆盖率、工资分布等相互链接，构建非正规就业的多维测度框架；亦有工作将其与各国劳动力调查微观数据匹配，检验非正规就业的工资惩罚效应与流动性禁锢假说。这些衍生研究拓展了非正规性理论在转型经济体情境中的解释边界，并为后续跨国面板分析奠定了数据基准。

数据集最近研究

最新研究方向

在全球非正规经济持续引发政策关切的背景下，该数据集为探究欧洲转型经济体中非正规就业的结构性差异提供了关键支撑。当前研究前沿聚焦于利用性别、年龄与公共/私营部门的多维交叉分类，识别脆弱群体在非正规部门中的过度代表现象及其时序演变。结合国际劳工组织对非正规就业定义的持续修订，近期热点事件如西巴尔干国家劳动力市场改革与欧盟一体化进程，推动了对此类数据的精细化需求。研究的核心意义在于揭示制度转型与非正规就业动态之间的关联，为制定包容性劳动政策、监测可持续发展目标中的体面劳动指标提供实证基础，并促进跨国比较分析的方法论创新。