electricsheepafrica/africa-ilo-eip-wdis-sex-geo-mts-nb-discouraged-job-seekers-by-sex-rural-urban-area-an

该数据集是关于非洲的“沮丧求职者”（即因各种原因放弃寻找工作的人）的统计数据，按性别、城乡地区和婚姻状况分类（单位：千）。它包含4,293个观测值，覆盖39个非洲国家，时间跨度为1999年至2025年。数据来源于国际劳工组织（ILO）的ILOSTAT数据库，属于“其他劳动力利用不足指标”主题，具体指标代码为EIP_WDIS_SEX_GEO_MTS_NB。数据集提供了详细的分类维度，包括性别（总计、男性、女性）、地理区域类型（如国家层面）和婚姻状况（总计），并包含观测值、状态标志和注释信息，适用于表格分类、回归和时间序列预测等任务。license: CC BY 4.0 language: - en task_categories: - 表格分类 - 表格回归 - 时间序列预测 multilinguality: 单语言 size_categories: - 1000<n<10000 tags: - 表格数据 - 非洲 - ILOSTAT - 劳动力未充分利用其他衡量指标 - ILO - 劳动力 - 就业 pretty_name: "按性别、城乡区域及婚姻状况划分的灰心求职者（单位：千） | 非洲（ILOSTAT）" # 按性别、城乡区域及婚姻状况划分的灰心求职者（单位：千） | 非洲（ILOSTAT） 🌍 **4293条观测样本** · **39个非洲国家** · **1999–2025年** · *由[Electric Sheep Africa](https://huggingface.co/electricsheepafrica)重新整理发布*      ## 核心摘要 本数据集包含覆盖39个非洲国家、时间跨度为1999–2025年的**劳动力未充分利用其他衡量指标**数据，共计4293条观测样本，涉及1项独立指标。 ## 关于数据来源 **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，也是全球领先的劳动力统计权威来源。该数据库整合了就业、失业、薪酬、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）体面工作目标等领域的指标，数据来源涵盖全国劳动力调查、家庭收入调查、机构调查及行政记录。其覆盖范围超过200个经济体，数据标准化工作由国际劳工组织统计司负责完成。 - **数据来源**：[ILOSTAT](https://www.ilo.org/shinyapps/bulkexplorer/?id=EIP_WDIS_SEX_GEO_MTS_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**：劳动力未充分利用其他衡量指标 ## 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=EIP_WDIS_SEX_GEO_MTS_NB`拉取数据，并筛选出非洲国家的ISO 3166-1 alpha-3国家代码子集。ILOSTAT采用国际劳工统计学家会议（International Conference of Labour Statisticians, ICLS）制定的定义对原始调查微观数据进行标准化处理；数据来源信息已在`source.label`字段中标记，以确保可追溯性。 ## 地理覆盖范围 覆盖39个非洲国家，以下为按样本量排序的前15个国家： | 国家代码 | 样本量 | 起始年份 | 结束年份 | |---------|-----:|-----------:|----------:| | `ZAF` | 468 | 2008 | 2024 | | `EGY` | 342 | 2008 | 2024 | | `RWA` | 263 | 2014 | 2025 | | `MLI` | 244 | 2015 | 2024 | | `AGO` | 243 | 2004 | 2025 | | `ZMB` | 216 | 2017 | 2024 | | `GHA` | 207 | 2006 | 2024 | | `SEN` | 196 | 2015 | 2024 | | `ZWE` | 180 | 2014 | 2024 | | `NAM` | 138 | 2010 | 2018 | | `CIV` | 134 | 2012 | 2022 | | `GMB` | 117 | 2012 | 2025 | | `BFA` | 116 | 2014 | 2023 | | `KEN` | 108 | 2016 | 2022 | | `NGA` | 106 | 2019 | 2024 | | ... | 另有24个国家 | | | ## 指标示例 - `EIP_WDIS_SEX_GEO_MTS_NB` — 按性别、城乡区域及婚姻状况划分的灰心求职者（单位：千） ## 数据架构 | 字段名 | 数据类型 | 字段说明 | 示例 | |--------|------|-------------|---------| | `ref_area` | `string` | ISO 3166-1 alpha-3 国家代码 | `AGO` | | `ref_area.label` | `string` | 英文国家名称 | `Angola`（安哥拉） | | `source` | `string` | ILOSTAT 来源代码（如劳动力调查） | `BA:13951` | | `source.label` | `string` | 英文来源名称 | `LFS - Employment Survey`（劳动力调查-就业调查） | | `indicator` | `string` | ILOSTAT 指标代码 | `EIP_WDIS_SEX_GEO_MTS_NB` | | `indicator.label` | `string` | 英文指标名称 | `Discouraged job-seekers by sex, rural…` | | `sex` | `string` | 性别分组（SEX_T=总计，SEX_M=男性，SEX_F=女性） | `SEX_T` | | `sex.label` | `string` | 分组标签 | `Total`（总计） | | `classif1` | `string` | 第一分类变量（年龄、教育程度、身份等） | `GEO_COV_NAT` | | `classif1.label` | `string` | 分类标签 | `Area type: National`（区域类型：全国） | | `classif2` | `string` | 可选第二分类变量 | `MTS_AGGREGATE_TOTAL` | | `classif2.label` | `string` | 分类标签 | `Marital status (Aggregate): Total`（婚姻状况（汇总）：总计） | | `time` | `int64` | 观测年份 | `2025` | | `obs_value` | `float64` | 观测指标值（单位详见指标定义） | `1910.19` | | `obs_status` | `string` | 观测状态标记（如临时、不可靠） | `U` | | `obs_status.label` | `string` | 状态标签 | `Unreliable`（不可靠） | | `note_indicator` | `string` | 指标注释代码 | `I11:264` | | `note_indicator.label` | `string` | 指标注释详情 | `Break in series: Methodology revised`（序列中断：方法已修订） | | `note_source` | `string` | 来源注释代码 | `R1:3513` | | `note_source.label` | `string` | 来源注释详情 | `Repository: ILO-STATISTICS - Micro da…`（存储库：ILO统计司-微观数据……） | ## 数据分解维度 以下字段提供数据分解维度： - **`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。部分指标另有月度或季度序列，本数据集未包含此类数据。 - 若同一国家×年份的同一指标存在多个来源，将采用国际劳工组织选定的“最优来源”数据。 - 仅当指标支持对应分解维度时，分解字段（`sex`、`classif1`、`classif2`）才会有非空值。 ## 使用示例 python from datasets import load_dataset ds = load_dataset("electricsheepafrica/africa-ilo-eip-wdis-sex-geo-mts-nb-discouraged-job-seekers-by-sex-rural-urban-area-an") df = ds["train"].to_pandas() print(df.head()) ### 单国家数据筛选 python kenya = df[df["ref_area"] == "KEN"] ### 单指标时间序列绘图 python sample = (df[df["indicator"] == "EIP_WDIS_SEX_GEO_MTS_NB"] .sort_values("time")) sample.plot(x="time", y="obs_value", title="EIP_WDIS_SEX_GEO_MTS_NB") ### 转换为国家×年份矩阵 python matrix = (df[df["indicator"] == "EIP_WDIS_SEX_GEO_MTS_NB"] .pivot_table(index="time", columns="ref_area", values="obs_value")) print(matrix.tail()) ## 引用格式 bibtex @misc{africa_ilo_eip_wdis_sex_geo_mts_nb_discouraged_job_seekers_by_sex_rural_urban_area_an_2025, title = {Discouraged job-seekers by sex, rural / urban area and marital status (thousands) | Africa (ILOSTAT)}, author = {International Labour Organization (ILO)}, year = {2025}, url = {https://www.ilo.org/shinyapps/bulkexplorer/?id=EIP_WDIS_SEX_GEO_MTS_NB}, publisher = {HuggingFace Datasets, repackaged by Electric Sheep Africa}, howpublished = {url{https://huggingface.co/datasets/electricsheepafrica/africa-ilo-eip-wdis-sex-geo-mts-nb-discouraged-job-seekers-by-sex-rural-urban-area-an}} } ## 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来源及Electric Sheep Africa的重新整理版本。 ## 关于Electric Sheep Africa Electric Sheep Africa是Electric Sheep项目的组成部分，旨在为HuggingFace平台上的非洲地区数据构建统一且适配机器学习的标准化数据层。我们从权威开源渠道获取数据，对其进行Schema标准化处理，以Parquet格式封装，并发布格式统一的数据集卡片，使研究人员与开发者可通过`load_dataset()`函数在数秒内启动数据使用。 浏览完整数据集集合：[huggingface.co/electricsheepafrica](https://huggingface.co/electricsheepafrica) --- _数据溯源：2026年5月28日通过Electric Sheep数据管道摄入。原始数据链接：https://www.ilo.org/shinyapps/bulkexplorer/?id=EIP_WDIS_SEX_GEO_MTS_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，经由Electric Sheep Africa团队重新封装而成。数据通过ILOSTAT提供的REST API接口直接获取，原始指标代码为EIP_WDIS_SEX_GEO_MTS_NB，专注于非洲地区因失去信心而放弃求职的劳动者群体。在获取过程中，数据被严格限定于非洲ISO3国家代码范围，并保留了ILOSTAT依据国际劳工统计学家会议（ICLS）定义对原始调查微观数据进行统一化处理时产生的来源标记，以确保数据可追溯。最终，数据集以Parquet格式发布，便于机器学习流水线直接调用。

使用方法

使用者可通过HuggingFace Datasets库的load_dataset函数一键加载该数据集，并利用to_pandas()方法将其转换为Pandas DataFrame进行后续分析。针对特定的研究需求，开发者可以按国家代码（如ref_area == 'KEN'）筛选特定国家的数据，或按指标代码（如indicator == 'EIP_WDIS_SEX_GEO_MTS_NB'）提取单一变量并依据时间排序，构建时间序列进行趋势可视化。此外，通过pivot_table方法能够便捷地将数据重塑为国家×年份矩阵，便于进行跨国的横向比较研究，为非洲劳动力市场分析提供了高效、标准化的数据基础。

背景与挑战

背景概述

非洲大陆长期面临严峻的劳动力市场失衡问题，其中“沮丧求职者”（discouraged job-seekers）作为隐性失业的重要表征，揭示着劳动力资源未被充分利用的结构性困境。该数据集由国际劳工组织（ILO）基于其核心统计数据库ILOSTAT构建，并由Electric Sheep Africa于2025年重新封装发布，聚焦1999至2025年间39个非洲国家、涵盖性别、城乡区域及婚姻状况等多维度的沮丧求职者数据，共计4,293条观测。其核心研究问题在于量化非洲劳动力市场中的隐性失业规模与分布，为改善就业政策、实现体面劳动目标（SDG第八项）提供实证基石，已成为非洲劳动经济学与政策评估领域不可替代的数据资源。

当前挑战

该数据集所应对的领域挑战在于，非洲众多国家缺乏系统性的隐性失业测量机制，沮丧求职者常被排除在传统失业统计之外，导致真实劳动剩余规模长期被低估。在构建过程中，数据来源高度依赖各国劳动力调查与行政记录，面临来源异构、分类标准不一（如ICLS定义执行差异）、年度序列不连续等难题。此外，部分国家（如安哥拉、卢旺达）的早期数据存在可靠性标注（如“不可靠”标志），且因方法论修订导致序列断点，模型训练时必须处理这些异质性干扰与缺失值，方能从稀疏的时空面板中提取稳健的时域趋势与区域分化特征。

常用场景

经典使用场景

该数据集记录了1999至2025年间39个非洲国家因丧失信心而放弃求职的劳动者数量，按性别、城乡区域及婚姻状况进行分层统计，总计4,293条观测值。其经典使用场景在于通过时间序列分析与面板数据建模，揭示非洲大陆劳动力市场中的隐性失业模式。研究者可借助该数据追踪经济周期中悲观劳动者退出劳动力市场的动态趋势，例如比较不同性别或城乡群体在面对就业压力时的反应差异。此外，该数据常被用于构建劳动力利用不足的预测模型，结合宏观经济指标（如GDP增长率、通货膨胀率）评估政策干预效果，为国际劳动组织（ILO）及各国劳动部门提供实证基础。

解决学术问题

数据集核心解决的学术问题聚焦于劳动力市场中的隐蔽性失业测度，尤其针对传统失业率指标无法捕捉的‘沮丧劳动者’现象。通过该数据，学者能够量化非洲国家中因长期求职失败而放弃搜寻的群体规模，并分析其社会经济特征（如性别失衡、城乡分化）。这填补了区域劳动经济学中关于非标准就业不足实证研究的空白，推动了劳动力利用不足理论在发展中国家背景下的验证与修正。其意义在于为ILO制定的‘其他劳动力利用不足指标’提供非洲层面的经验证据，促进全球劳动统计标准的本土化应用，同时为联合国可持续发展目标（SDG 8.3）中体面工作与经济增长的监测提供关键数据支撑。

实际应用

在实际应用中，该数据集为国际发展机构（如世界银行、非洲开发银行）设计针对性就业促进政策提供了量化依据。例如，通过分析城乡女性及已婚群体中沮丧求职者的分布，非政府组织可优化职业培训项目的投放地域与目标人群。劳动经济学家结合该数据与人口普查资料，能够评估劳动力市场干预措施（如最低工资调整、公共就业计划）对弱势群体的边际影响。此外，数据治理平台（如Electric Sheep Africa）将其标准化为机器学习就绪格式，使政府统计部门能快速生成劳动力市场仪表盘，实现对区域失业动态的实时监测与预警。

数据集最近研究

最新研究方向

当前，该数据集的前沿研究方向聚焦于非洲劳动力市场的隐性失业结构，尤其是“丧失信心的求职者”这一群体在性别、城乡和婚姻状况交叉维度下的分布规律与演变趋势。结合ILO近年对体面劳动与可持续发展目标（SDG 8）的持续关注，该数据为分析非洲青年就业焦虑、女性劳动参与受阻以及城镇化进程中非正规就业扩张等热点议题提供了关键量化证据。研究者正利用其近26年的面板观测，构建时序模型以预测结构性失业风险的动态变化，或通过分类回归树识别导致求职信心崩溃的阈值条件，从而为政策制定者设计精准的就业干预和社会保护机制提供数据驱动的决策支撑。