electricsheepeurope/europe-ilo-emp-pifl-sex-nb-employment-outside-the-formal-sector-by-sex-thousa

该数据集包含关于欧洲非正规部门就业的统计数据，具体指标为按性别划分的非正规部门就业人数（千）。数据来源于国际劳工组织（ILO）的ILOSTAT数据库，覆盖34个欧洲国家，时间跨度为2003年至2025年，共包含1,668个观测值。数据集按性别（总计、男性、女性）和年份进行细分，提供了国家代码、国家名称、数据来源、指标代码、指标名称、观测值等详细列信息。数据以年度频率发布，用于分析和研究欧洲非正规经济领域的就业趋势。--- 许可协议：CC BY 4.0 语言： - 英语 任务类别： - 表格分类（tabular-classification） - 表格回归（tabular-regression） - 时间序列预测（time-series-forecasting） 多语言属性：单语言 样本规模： - 1000 < n < 10000 标签： - 表格数据（tabular） - 欧洲 - ILOSTAT - 非正规经济（informal-economy） - 国际劳工组织（ILO） - 劳工 - 就业 美观名称："按性别划分的非正规部门就业人数（千人）| 欧洲（ILOSTAT）" --- # 按性别划分的非正规部门就业人数（千人）| 欧洲（ILOSTAT） 🇪🇺 **1,668 条观测值** · **34 个欧洲国家** · **2003–2025** · *由 [Electric Sheep Europe](https://huggingface.co/electricsheepeurope) 重新整理发布*      ## 简短摘要 本数据集包含**1,668 条观测值**，涵盖**34 个欧洲国家**2003年至2025年期间的**非正规经济**数据，涉及**1 项独特指标**。 ## 数据来源说明 **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，也是全球领先的劳工统计权威来源。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体面工作目标等，数据源自全国劳动力调查、家庭收入调查、机构调查与行政记录。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标准化协调。 - **原始来源**：[ILOSTAT](https://www.ilo.org/shinyapps/bulkexplorer/?id=EMP_PIFL_SEX_NB) - **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_PIFL_SEX_NB`拉取数据，并筛选出欧洲地区的ISO3国家代码。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标准化协调；数据来源信息将在`source.label`列中标记，以确保可追溯性。 ## 地理覆盖范围 34个欧洲国家，以下为按行数据量排序的前若干行示例： | 国家 | 行数据量 | 起始年份 | 结束年份 | |---------|-----:|-----------:|----------:| | `MDA` | 69 | 2003 | 2025 | | `BIH` | 57 | 2006 | 2024 | | `BEL` | 54 | 2007 | 2024 | | `AUT` | 54 | 2007 | 2024 | | `CHE` | 54 | 2007 | 2024 | | `BGR` | 54 | 2007 | 2024 | | `EST` | 54 | 2007 | 2024 | | `ESP` | 54 | 2007 | 2024 | | `FRA` | 54 | 2007 | 2024 | | `CZE` | 54 | 2007 | 2024 | | `GRC` | 54 | 2007 | 2024 | | `IRL` | 54 | 2007 | 2024 | | `NLD` | 54 | 2007 | 2024 | | `NOR` | 54 | 2007 | 2024 | | `LUX` | 54 | 2007 | 2024 | | ... | _另有19个国家_ | | | ## 指标（示例） - `EMP_PIFL_SEX_NB` — 按性别划分的非正规部门就业人数（千人） ## 数据架构 | 列名 | 数据类型 | 说明 | 示例 | |--------|------|-------------|---------| | `ref_area` | `string` | ISO 3166-1 alpha-3 国家代码 | `AUT` | | `ref_area.label` | `string` | 英语国家名称 | `奥地利` | | `source` | `string` | ILOSTAT 来源代码（例如劳动力调查） | `BB:275` | | `source.label` | `string` | 英语来源名称 | `HIES - 欧盟收入与负债统计…` | | `indicator` | `string` | ILOSTAT 指标代码 | `EMP_PIFL_SEX_NB` | | `indicator.label` | `string` | 英语指标名称 | `按性别划分的非正规部门就业人数…` | | `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` | — | `总计` | | `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（例如临时、不可靠） | `B` | | `obs_status.label` | `string` | — | `序列中断` | | `note_indicator` | `string` | — | `I11:264` | | `note_indicator.label` | `string` | — | `序列中断：方法学已修订` | | `note_source` | `string` | — | `R1:3513_T2:85` | | `note_source.label` | `string` | — | `存储库：ILO-统计 - 微观数据…` | ## 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，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来源时，将采用国际劳工组织选定的“最优来源”数据。 - 细分维度列（`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("electricsheepeurope/europe-ilo-emp-pifl-sex-nb-employment-outside-the-formal-sector-by-sex-thousa") df = ds["train"].to_pandas() print(df.head()) ### 筛选单个国家数据 python germany = df[df["ref_area"] == "DEU"] ### 单个指标的时间序列数据 python sample = (df[df["indicator"] == "EMP_PIFL_SEX_NB"] .sort_values("time")) sample.plot(x="time", y="obs_value", title="EMP_PIFL_SEX_NB") ### 转换为国家×年份矩阵 python matrix = (df[df["indicator"] == "EMP_PIFL_SEX_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_nb_employment_outside_the_formal_sector_by_sex_thousa_2025, title = "按性别划分的非正规部门就业人数（千人）| 欧洲（ILOSTAT）", author = {国际劳工组织（ILO）}, year = {2025}, url = {https://www.ilo.org/shinyapps/bulkexplorer/?id=EMP_PIFL_SEX_NB}, publisher = {HuggingFace 数据集，由 Electric Sheep Europe 重新整理发布}, howpublished = {url{https://huggingface.co/datasets/electricsheepeurope/europe-ilo-emp-pifl-sex-nb-employment-outside-the-formal-sector-by-sex-thousa}} } ## 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 © 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与 Electric Sheep Europe 的重新整理版本。 ## 关于 Electric Sheep Electric Sheep Europe 是 Electric Sheep 项目的组成部分：该项目旨在为HuggingFace平台上的欧洲数据构建统一的、适配机器学习的标准化数据层。我们从权威开源数据源拉取数据，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形式发布，以便研究人员与开发者仅需通过`load_dataset()`即可在数秒内启动数据分析工作。 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。原始数据源URL：https://www.ilo.org/shinyapps/bulkexplorer/?id=EMP_PIFL_SEX_NB_

搜集汇总

数据集介绍

构建方式

该数据集由Electric Sheep Europe团队依据国际劳工组织（ILO）的ILOSTAT统计数据库重新封装而成。数据获取途径为直接调用ILOSTAT的REST API接口，针对指标编号EMP_PIFL_SEX_NB提取原始观测记录，并按照ISO3国家代码筛选出欧洲地区34个国家的数据。ILOSTAT对各国劳动力调查、家庭收入调查等微观数据进行统一协调，遵循国际劳工统计学家会议（ICLS）的定义标准，源数据来源在source.label列中予以标注，以便追溯。封装过程将原始数据转换为Parquet格式，并生成标准化的数据集卡片，便于机器学习工作流直接调用。

使用方法

使用者可通过Hugging Face的datasets库加载该数据集，调用load_dataset函数并指定数据集名称即可获取训练集，随后转换为Pandas DataFrame进行后续分析。典型操作包括按国家代码筛选特定国家的记录，例如提取德国的数据；选取单一指标进行时间序列可视化，观察非正规就业的演变趋势；或利用透视表功能将数据重塑为国家与年份的矩阵形式，便于跨国比较。数据集结构清晰，字段含义明确，可直接用于统计建模、机器学习任务或政策分析，无需额外的数据清洗步骤。

背景与挑战

背景概述

非正规经济就业的测度长期构成劳动统计领域的核心议题，其规模与结构直接关乎社会保障覆盖、税收基础及体面劳动评估。国际劳工组织（ILO）依托国际劳工统计学家会议（ICLS）确立的定义框架，通过ILOSTAT数据库系统汇集各国劳动力调查与家庭收入调查等微观数据，构建了跨200余经济体的可比指标。本数据集由Electric Sheep Europe于2025年从ILOSTAT REST API抽取并重新打包，聚焦欧洲34国2003至2025年间正规部门以外就业的性别分列数据，计1,668条观测。该汇编为区域非正规就业的性别差异与时间演化研究提供了标准化、可直接加载的数据基础。

当前挑战

非正规就业的界定与测度本身即面临概念边界模糊、各国调查口径差异及跨国可比性不足等固有困难，非正规部门与非正规就业的区分在不同统计体系中亦常存歧义。数据集构建过程中的挑战同样显著：原始数据源于多套调查与行政记录，ILO虽以统一标准协调，仍存在序列中断、来源切换及观测状态标注不完整等问题；部分国家起始年份较晚且时间覆盖不均，2025年数据尚属初步；性别分列仅含总计、男性与女性三类，缺少部门与职业等细粒度维度，限制了交叉分析深度。此外，非正规就业对经济波动与政策变动高度敏感，其估计值的不确定性需要在建模与解释时予以审慎考量。

常用场景

经典使用场景

在非正规经济就业监测领域，该数据集构成了刻画欧洲非正规部门就业规模与性别差异的经典面板数据源。研究者常将其用于按国家与性别维度绘制2003至2025年非正规就业的时间序列轨迹，并借助面板回归、双重差分或聚类分析等计量手段，探讨非正规就业在转型经济体与发达经济体之间的收敛或分化态势。其年度频率与跨国可比性亦使其成为劳动经济学比较研究的基准素材。

解决学术问题

该数据集为长期困扰劳动经济学与性别研究的若干议题提供了实证基础，包括非正规就业规模的测度口径不统一、性别差距在非正规部门中的演变机制、以及经济周期与制度变迁对非正规就业的差异化冲击。通过提供经国际劳工组织协调的标准化指标与来源标注，该数据集缓解了跨国比较中的定义异质性问题，为检验非正规就业与贫困、社会保障覆盖及劳动力市场分割之间的理论假说提供了可复现的数据支撑。

实际应用

在政策制定与社会治理层面，该数据集被用于评估欧洲各国非正规就业的规模与结构，辅助国际组织与政府部门识别脆弱就业群体并设计针对性干预措施。其性别分层信息有助于监测女性在非正规部门中的参与程度，为性别平等政策和社会保障扩面提供量化依据。同时，该数据集亦可服务于劳动力市场风险评估、非正规经济与正规经济联动分析等实务场景。

数据集最近研究

最新研究方向

在全球非正规经济监测与体面劳动议程深化的背景下，该数据集所承载的欧洲非正规部门就业性别 disaggregation 时序数据正成为劳动经济学与计量社会学交叉领域的前沿研究基石。当前研究热点集中于利用该面板数据探究后疫情时代非正规就业的性别弹性差异，以及中东欧与南欧国家在欧盟一体化进程中非正规经济规模的收敛性。学者们借助贝叶斯层次模型与因果森林方法，识别劳动力市场制度、社会保障覆盖与性别规范对非正规就业的异质性影响。本数据集以其跨国可比性与性别维度，为评估ILO第204号建议书实施效果、追踪可持续发展目标8.3进展提供了关键实证支撑，对理解欧洲劳动力市场二元结构与政策干预的性别分配效应具有重要学术价值与政策意涵。