electricsheepasia/asia-ilo-emp-nifl-eco-ocu-rt-informal-employment-rate-by-economic-activity-and

该数据集包含71,131个观测值，覆盖27个亚洲国家，时间跨度为2000年至2025年，专注于一个指标：按经济活动和职业划分的非正规就业率（%）。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，涵盖了就业、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指标等多个领域。数据集通过ILOSTAT REST API获取，并过滤为亚洲国家代码。ILOSTAT使用国际劳工统计学家会议（ICLS）定义对原始调查微观数据进行协调，数据来源在`source.label`列中标记以便追溯。数据集包括国家代码、国家名称、来源代码、来源标签、指标代码、指标标签、分类变量、观测年份、观测值、观测状态标志等列。数据为年度频率，当同一国家×年份有多个来源时，使用ILO选择的最佳来源。分类列仅在指标发布该细分时非空。数据集可用于表格分类、回归和时间序列预测等任务，适用于研究亚洲非正规就业趋势。许可协议: cc-by-4.0 语言: - en（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 样本规模类别: - 10K<n<100K 标签: - 表格数据 - 亚洲 - ILOSTAT - 非正规经济 - ILO - 劳工 - 就业 数据集名称: "按经济活动与职业划分的非正规就业率（%）| 亚洲（ILOSTAT）" --- # 按经济活动与职业划分的非正规就业率（%）| 亚洲（ILOSTAT） 🌏 **71,131 条观测值** · **27 个亚洲国家** · **2000–2025年** · *由[Electric Sheep Asia](https://huggingface.co/electricsheepasia)重新打包*      ## 简短摘要（TL;DR） 本数据集包含覆盖27个亚洲国家、时间跨度为2000–2025年的**71,131条非正规经济相关观测值**，涵盖**1项独立指标**。 ## 关于数据来源 **ILOSTAT（国际劳工组织统计数据库）**是国际劳工组织（ILO）的核心统计数据库，为全球领先的劳工统计权威来源。其收录指标涵盖就业、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（Sustainable Development Goals, SDG）体面工作目标等，数据来源于全国劳动力调查、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部门负责数据标准化处理。 - **数据来源**：[ILOSTAT](https://www.ilo.org/shinyapps/bulkexplorer/?id=EMP_NIFL_ECO_OCU_RT) - **发布方**：国际劳工组织（ILO） - **许可协议**：[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_NIFL_ECO_OCU_RT`拉取原始数据，并筛选出亚洲地区的ISO 3166-1 alpha-3国家编码对应的样本。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处理；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 27个亚洲国家，以下按行数排序展示前10个国家的示例： | 国家 | 行数 | 起始年份 | 终止年份 | |---------|-----:|-----------:|----------:| | `TUR` | 8,576 | 2000 | 2024 | | `VNM` | 6,309 | 2007 | 2024 | | `LKA` | 5,720 | 2010 | 2024 | | `PSE` | 5,483 | 2010 | 2025 | | `MNG` | 5,392 | 2006 | 2024 | | `THA` | 4,447 | 2014 | 2024 | | `KGZ` | 4,443 | 2012 | 2023 | | `IND` | 3,948 | 2010 | 2025 | | `PAK` | 3,682 | 2009 | 2025 | | `CYP` | 2,894 | 2007 | 2024 | | `JOR` | 2,810 | 2017 | 2024 | | `BRN` | 2,662 | 2014 | 2024 | | `BGD` | 2,614 | 2010 | 2024 | | `MMR` | 1,933 | 2015 | 2020 | | `GEO` | 1,908 | 2019 | 2024 | | ... | _另有12个国家_ | | | ## 指标（示例） - `EMP_NIFL_ECO_OCU_RT` — 按经济活动与职业划分的非正规就业率（%） ## 数据架构 | 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 | `AFG` | | `ref_area.label` | `string` | 英文国家名称 | `Afghanistan` | | `source` | `string` | ILOSTAT来源代码（如劳动力调查） | `BA:15715` | | `source.label` | `string` | 英文来源名称 | `LFS - Labour Force Survey` | | `indicator` | `string` | ILOSTAT指标代码 | `EMP_NIFL_ECO_OCU_RT` | | `indicator.label` | `string` | 英文指标名称 | `Informal employment rate by economic …` | | `classif1` | `string` | 第一分类变量（年龄、教育程度、就业身份等） | `ECO_SECTOR_TOTAL` | | `classif1.label` | `string` | — | `Economic activity (Broad sector): Total` | | `classif2` | `string` | 适用时的第二分类变量 | `OCU_SKILL_TOTAL` | | `classif2.label` | `string` | — | `Occupation (Skill level): Total` | | `time` | `int64` | 观测年份 | `2021` | | `obs_value` | `float64` | 观测指标值（单位因指标而异，请参阅指标定义） | `86.135` | | `obs_status` | `string` | 观测状态标记（如临时、不可靠） | `U` | | `obs_status.label` | `string` | — | `Unreliable` | | `note_classif` | `string` | 分类相关注释 | `C5:1023_C5:2959` | | `note_classif.label` | `string` | — | `Nonstandard economic activity: Includ…` | | `note_indicator` | `string` | 指标相关注释 | `I11:264` | | `note_indicator.label` | `string` | — | `Break in series: Methodology revised` | | `note_source` | `string` | 来源相关注释 | `R1:3513_S3:8` | | `note_source.label` | `string` | — | `Repository: ILO-STATISTICS - Micro da…` | ## 数据质量与注意事项 - 本数据集为年度频率数据。部分指标同时发布月度或季度序列，此类数据未包含在本数据集中。 - 当同一国家×年份的同一指标存在多个来源时，将采用国际劳工组织选定的「最佳来源」数据。 - 分类拆分字段（`sex`、`classif1`、`classif2`）仅在指标支持该拆分维度时非空。 ## 使用示例 python from datasets import load_dataset ds = load_dataset("electricsheepasia/asia-ilo-emp-nifl-eco-ocu-rt-informal-employment-rate-by-economic-activity-and") df = ds["train"].to_pandas() print(df.head()) ### 筛选单个国家 python indonesia = df[df["ref_area"] == "IDN"] ### 单个指标的时间序列数据 python sample = (df[df["indicator"] == "EMP_NIFL_ECO_OCU_RT"] .sort_values("time")) sample.plot(x="time", y="obs_value", title="EMP_NIFL_ECO_OCU_RT") ### 转换为国家×年份矩阵 python matrix = (df[df["indicator"] == "EMP_NIFL_ECO_OCU_RT"] .pivot_table(index="time", columns="ref_area", values="obs_value")) print(matrix.tail()) ## 引用格式 bibtex @misc{asia_ilo_emp_nifl_eco_ocu_rt_informal_employment_rate_by_economic_activity_and_2025, title = {Informal employment rate by economic activity and occupation (%) | Asia (ILOSTAT)}, author = {International Labour Organization (ILO)}, year = {2025}, url = {https://www.ilo.org/shinyapps/bulkexplorer/?id=EMP_NIFL_ECO_OCU_RT}, publisher = {HuggingFace Datasets, repackaged by Electric Sheep Asia}, howpublished = {url{https://huggingface.co/datasets/electricsheepasia/asia-ilo-emp-nifl-eco-ocu-rt-informal-employment-rate-by-economic-activity-and}} } ## 许可协议 本数据集采用[cc-by-4.0](https://creativecommons.org/licenses/by/4.0/)许可协议发布。 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来源及Electric Sheep Asia的重新打包版本。 ## 关于Electric Sheep Electric Sheep Asia是Electric Sheep使命的一部分：我们致力于在HuggingFace平台上构建统一的、适配机器学习的亚洲地区数据层。我们从权威开放数据源获取数据，对数据架构进行标准化处理，打包为Parquet格式，并以统一的数据集卡片发布，使研究人员与开发者可通过`load_dataset()`函数在数秒内启动数据分析工作。 浏览完整数据集集合：[huggingface.co/electricsheepasia](https://huggingface.co/electricsheepasia) --- _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_NIFL_ECO_OCU_RT_