electricsheepasia/asia-ilo-emp-nifl-sex-est-rt-informal-employment-rate-by-sex-and-establishment

该数据集包含来自国际劳工组织（ILO）ILOSTAT数据库的亚洲国家非正规就业率统计数据，具体指标为按性别和机构规模划分的非正规就业率（%）。数据集涵盖25个亚洲国家，时间跨度为2000年至2025年，共包含3,468个观测值。数据通过ILOSTAT REST API直接获取，并经过协调处理，以确保符合国际劳工统计学家会议（ICLS）的定义。数据集提供详细的字段，如国家代码、数据来源、性别分类、观测年份和数值等，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: - 英语 task_categories: - 表格分类任务（tabular-classification） - 表格回归任务（tabular-regression） - 时间序列预测任务（time-series-forecasting） multilinguality: 单语 size_categories: - 1000条至10000条之间 tags: - 表格（tabular） - 亚洲（asia） - ILOSTAT - 非正规经济（informal-economy） - 国际劳工组织（ILO） - 劳工（labour） - 就业（employment） pretty_name: "按性别与企业规模划分的非正规就业率（%）| 亚洲（ILOSTAT）" --- # 按性别与企业规模划分的非正规就业率（%）| 亚洲（ILOSTAT） 🌏 **3468条观测样本** · **覆盖25个亚洲国家** · **时间跨度为2000年至2025年** · *由[Electric Sheep Asia](https://huggingface.co/electricsheepasia)重新封装*  行数据：3468条  覆盖国家：25个  时间范围：2000–2025  指标数量：1项  许可证：CC-BY-4.0 ## 核心摘要 本数据集包含**3468条非正规经济相关观测样本**，覆盖**25个亚洲国家**，时间跨度为**2000年至2025年**，仅包含**1项专属指标**。 ## 数据源说明 **国际劳工组织统计数据库（ILOSTAT）** 是国际劳工组织（International Labour Organization, 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、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指标等多个领域，数据源自全国劳动力调查、家庭收入调查、企业调查与行政记录。该数据库覆盖全球200余个经济体，由国际劳工组织统计司负责数据的统一规范处理。 - **数据源**：[ILOSTAT](https://www.ilo.org/shinyapps/bulkexplorer/?id=EMP_NIFL_SEX_EST_RT) - **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**：非正规经济（informal-economy） ## 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_SEX_EST_RT` 拉取原始数据，并筛选出亚洲地区的ISO 3166-1 alpha-3国家代码对应的样本。ILOSTAT依据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统一规范处理；数据来源信息已在`source.label`字段中标记，便于溯源。 ## 地理覆盖范围 本数据集覆盖25个亚洲国家，以下按样本行数排序展示前15个国家： | 国家（ISO3代码） | 样本行数 | 起始年份 | 终止年份 | |---------|-----:|-----------:|----------:| | `MNG` | 660 | 2006 | 2024 | | `PAK` | 414 | 2006 | 2025 | | `PSE` | 408 | 2010 | 2025 | | `TUR` | 315 | 2000 | 2024 | | `JOR` | 312 | 2017 | 2024 | | `LKA` | 210 | 2010 | 2024 | | `GEO` | 195 | 2020 | 2024 | | `KGZ` | 147 | 2012 | 2023 | | `THA` | 135 | 2014 | 2024 | | `VNM` | 78 | 2019 | 2020 | | `IDN` | 77 | 2019 | 2023 | | `KHM` | 72 | 2012 | 2019 | | `BGD` | 66 | 2010 | 2022 | | `NPL` | 45 | 2008 | 2017 | | `MMR` | 39 | 2015 | 2015 | | ... | 另有10个国家 | | | ## 指标（示例） - `EMP_NIFL_SEX_EST_RT` — 按性别与企业规模划分的非正规就业率（%） ## 数据字段结构 | 字段名 | 数据类型 | 字段说明 | 示例值 | |--------|------|-------------|---------| | `ref_area` | `string` | ISO 3166-1 alpha-3 国家代码 | `AFG` | | `ref_area.label` | `string` | 英文国家名称 | `阿富汗` | | `source` | `string` | ILOSTAT 数据源代码（如劳动力调查） | `BA:15715` | | `source.label` | `string` | 英文数据源名称 | `劳动力调查（Labour Force Survey, LFS）` | | `indicator` | `string` | ILOSTAT 指标代码 | `EMP_NIFL_SEX_EST_RT` | | `indicator.label` | `string` | 英文指标名称 | `按性别与企业规模划分的非正规就业率（节选）` | | `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` | 无额外说明 | `总计` | | `classif1` | `string` | 第一分类变量（年龄、教育程度、就业身份等） | `EST_AGGREGATE_TOTAL` | | `classif1.label` | `string` | 无额外说明 | `企业规模（总计）` | | `time` | `int64` | 观测年份 | `2021` | | `obs_value` | `float64` | 观测指标值（单位详见指标定义） | `86.135` | | `obs_status` | `string` | 观测状态标记（如临时数据、不可靠数据） | `U` | | `obs_status.label` | `string` | 无额外说明 | `不可靠` | | `note_indicator` | `string` | 无额外说明 | `I11:264` | | `note_indicator.label` | `string` | 无额外说明 | `序列中断：方法学修订` | | `note_source` | `string` | 无额外说明 | `R1:3513_S3:8` | | `note_source.label` | `string` | 无额外说明 | `存储库：ILO统计司-微观数据（节选）` | ## 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 - 本数据集为年度频率数据，部分指标另有月度或季度序列，未纳入本数据集。 - 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时才非空。 ## 使用方法 python from datasets import load_dataset ds = load_dataset("electricsheepasia/asia-ilo-emp-nifl-sex-est-rt-informal-employment-rate-by-sex-and-establishment") df = ds["train"].to_pandas() print(df.head()) ### 按单一国家筛选 python indonesia = df[df["ref_area"] == "IDN"] ### 单一指标的时间序列可视化 python sample = (df[df["indicator"] == "EMP_NIFL_SEX_EST_RT"] .sort_values("time")) sample.plot(x="time", y="obs_value", title="EMP_NIFL_SEX_EST_RT") ### 转换为国家×年份矩阵 python matrix = (df[df["indicator"] == "EMP_NIFL_SEX_EST_RT"] .pivot_table(index="time", columns="ref_area", values="obs_value")) print(matrix.tail()) ## 引用格式 bibtex @misc{asia_ilo_emp_nifl_sex_est_rt_informal_employment_rate_by_sex_and_establishment_2025, title = {按性别与企业规模划分的非正规就业率（%）| 亚洲（ILOSTAT)}, author = {国际劳工组织（International Labour Organization, ILO)}, year = {2025}, url = {https://www.ilo.org/shinyapps/bulkexplorer/?id=EMP_NIFL_SEX_EST_RT}, publisher = {HuggingFace 数据集平台，由Electric Sheep Asia重新封装}, howpublished = {url{https://huggingface.co/datasets/electricsheepasia/asia-ilo-emp-nifl-sex-est-rt-informal-employment-rate-by-sex-and-establishment}} } ## 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（International Labour Organization, 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 Asia的重新封装版本。 ## 关于Electric Sheep Electric Sheep 是Electric Sheep使命的一部分：旨在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拉取数据，规范数据结构，封装为Parquet格式，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()`函数在数秒内启动研究与开发工作。 浏览完整数据集集合：[huggingface.co/electricsheepasia](https://huggingface.co/electricsheepasia) --- _数据溯源：2026年5月26日通过Electric Sheep数据流水线 ingest 所得，源URL：https://www.ilo.org/shinyapps/bulkexplorer/?id=EMP_NIFL_SEX_EST_RT_