electricsheepasia/asia-ilo-pop-3ted-sex-ste-nb-youth-transited-by-sex-and-status-in-employment-th

该数据集包含亚洲17个国家从1999年至2025年的学校到工作过渡数据，重点关注青年按性别和就业状况分类的过渡情况（单位为千）。数据集共2,248个观测值，核心指标为POP_3TED_SEX_STE_NB，即青年按性别和就业状况分类的过渡人数（千）。数据来源于国际劳工组织（ILO）的ILOSTAT数据库，通过API获取并经过筛选和标准化处理，覆盖国家包括塞浦路斯、巴基斯坦、韩国等。数据集结构包括国家代码、性别分类、年份、观测值等列，并提供数据质量说明，如数据为年度频率、使用ILO最佳来源等。该数据集适用于表格分类、回归和时间序列预测等任务，旨在支持劳动市场研究和机器学习应用。license: 知识共享署名4.0（CC BY 4.0） language: - 英语 task_categories: - 表格分类 - 表格回归 - 时间序列预测 multilinguality: 单语言 size_categories: - 1000 < 样本量 < 10000 tags: - 表格数据 - 亚洲 - ILOSTAT - 从学校到工作过渡（School-to-work transition） - 国际劳工组织（ILO） - 劳动 - 就业 pretty_name: "按性别和就业身份划分的过渡青年（单位：千人）| 亚洲（ILOSTAT）" --- # 按性别和就业身份划分的过渡青年（单位：千人）| 亚洲（ILOSTAT） 🌏 **2248条观测值** · **17个亚洲国家** · **1999–2025年** · *由[Electric Sheep Asia](https://huggingface.co/electricsheepasia)重新整理*      ## 简短摘要（TL;DR） 本数据集包含覆盖17个亚洲国家、时间跨度为1999年至2025年的**从学校到工作过渡（School-to-work transition）**相关数据，共计**2248条观测值**，涉及**1项专属指标**。 ## 关于数据源 **国际劳工组织统计数据库（ILOSTAT）** 是国际劳工组织（ILO）的中央统计数据库，为全球领先的劳动统计权威来源。其整合了就业、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领域的指标——数据源自全国劳动力调查、家庭收入调查、机构调查以及行政记录。其覆盖范围涵盖200余个经济体，由国际劳工组织（ILO）统计部门负责数据标准化工作。 - **数据源**：[ILOSTAT](https://www.ilo.org/shinyapps/bulkexplorer/?id=POP_3TED_SEX_STE_NB) - **发布方**：国际劳工组织（ILO） - **许可协议**：[知识共享署名4.0（CC BY 4.0）](https://creativecommons.org/licenses/by/4.0/) - **主题**：从学校到工作过渡（School-to-work transition） ## 方法学说明 数据直接从ILOSTAT的REST API接口`https://rplumber.ilo.org/data/indicator?id=POP_3TED_SEX_STE_NB`拉取，并筛选出亚洲地区的ISO3国家代码。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；数据来源信息会在`source.label`列中标记，以确保可追溯性。 ## 地理覆盖范围 17个亚洲国家 · 以下按观测条数排序的前若干行数据： | 国家 | 观测条数 | 起始年份 | 终止年份 | |---------|-----:|-----------:|----------:| | `CYP` | 590 | 1999 | 2024 | | `PAK` | 296 | 2006 | 2021 | | `KOR` | 232 | 2015 | 2025 | | `JOR` | 172 | 2012 | 2024 | | `MNG` | 139 | 2019 | 2024 | | `VNM` | 135 | 2013 | 2020 | | `GEO` | 128 | 2019 | 2024 | | `MMR` | 96 | 2015 | 2020 | | `PSE` | 94 | 2013 | 2025 | | `TLS` | 77 | 2010 | 2021 | | `KHM` | 69 | 2012 | 2019 | | `LAO` | 54 | 2017 | 2022 | | `ARM` | 47 | 2012 | 2014 | | `NPL` | 45 | 2013 | 2017 | | `BGD` | 29 | 2013 | 2013 | | ... | _另有2个国家_ | | | ## 指标（示例） - `POP_3TED_SEX_STE_NB` — 按性别和就业身份划分的过渡青年（单位：千人） ## 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 | `ARM` | | `ref_area.label` | `string` | 英文国家名称 | `Armenia` | | `source` | `string` | ILOSTAT数据源代码（如劳动力调查） | `BX:6366` | | `source.label` | `string` | 英文数据源名称 | `HS - School to Work Transition Survey` | | `indicator` | `string` | ILOSTAT指标代码 | `POP_3TED_SEX_STE_NB` | | `indicator.label` | `string` | 英文指标名称 | `Youth transited by sex and status in …` | | `sex` | `string` | 按性别分解（SEX_T=总计，SEX_M=男性，SEX_F=女性） | `SEX_T` | | `sex.label` | `string` | — | `Total` | | `classif1` | `string` | 第一个分类变量（年龄、教育程度、身份等） | `STE_AGGREGATE_TOTAL` | | `classif1.label` | `string` | — | `Status in employment (Aggregate): Total` | | `time` | `int64` | 观测年份 | `2014` | | `obs_value` | `float64` | 观测指标值（单位见指标定义） | `155.784` | | `obs_status` | `string` | 观测状态标记（如临时数据、不可靠数据） | `U` | | `obs_status.label` | `string` | — | `Unreliable` | | `note_classif` | `string` | — | `C2:3246` | | `note_classif.label` | `string` | — | `Nonstandard status in employment grou…` | | `note_indicator` | `string` | — | `I11:264` | | `note_indicator.label` | `string` | — | `Break in series: Methodology revised` | | `note_source` | `string` | — | `R1:3513_T3:2481` | | `note_source.label` | `string` | — | `Repository: ILO-STATISTICS - Micro da…` | ## 分解维度 以下字段提供数据分解维度： - **`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×年份的指标存在多个数据源时，将采用国际劳工组织（ILO）选定的“最优数据源”。 - 分解维度字段（`sex`、`classif1`、`classif2`）仅在指标支持对应分解时才会非空。 ## 使用方法 python from datasets import load_dataset ds = load_dataset("electricsheepasia/asia-ilo-pop-3ted-sex-ste-nb-youth-transited-by-sex-and-status-in-employment-th") 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 python sample = (df[df["indicator"] == "POP_3TED_SEX_STE_NB"] .sort_values("time")) sample.plot(x="time", y="obs_value", title="POP_3TED_SEX_STE_NB") ### 透视为国家×年份矩阵 python matrix = (df[df["indicator"] == "POP_3TED_SEX_STE_NB"] .pivot_table(index="time", columns="ref_area", values="obs_value")) print(matrix.tail()) ## 引用格式 bibtex @misc{asia_ilo_pop_3ted_sex_ste_nb_youth_transited_by_sex_and_status_in_employment_th_2025, title = {Youth transited by sex and status in employment (thousands) | Asia (ILOSTAT)}, author = {International Labour Organization (ILO)}, year = {2025}, url = {https://www.ilo.org/shinyapps/bulkexplorer/?id=POP_3TED_SEX_STE_NB}, publisher = {HuggingFace Datasets, repackaged by Electric Sheep Asia}, howpublished = {url{https://huggingface.co/datasets/electricsheepasia/asia-ilo-pop-3ted-sex-ste-nb-youth-transited-by-sex-and-status-in-employment-th}} } ## 许可协议 本数据集采用[知识共享署名4.0（CC BY 4.0）](https://creativecommons.org/licenses/by/4.0/)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数据源及Electric Sheep Asia的重新整理版本。 ## 关于Electric Sheep Electric Sheep Asia是Electric Sheep使命的一部分：打造HuggingFace上统一的、适配机器学习的亚洲地区数据层。我们从权威开源来源获取数据，标准化数据架构，打包为Parquet格式，并发布为格式统一的数据集卡片，以便研究人员和开发者仅需使用`load_dataset()`即可在数秒内开始工作。浏览完整数据集集合：[huggingface.co/electricsheepasia](https://huggingface.co/electricsheepasia) --- _数据溯源：2026年5月27日通过Electric Sheep流水线摄入。源URL：https://www.ilo.org/shinyapps/bulkexplorer/?id=POP_3TED_SEX_STE_NB_

搜集汇总

数据集介绍

构建方式

该数据集由国际劳工组织（ILO）通过其核心统计数据库ILOSTAT进行构建。研究团队直接调用ILOSTAT REST API接口，获取以‘POP_3TED_SEX_STE_NB’为指标代码的原始数据，并按照ISO3国家代码筛选出覆盖17个亚洲国家的观测值。所有数据均基于国际劳工统计学家会议（ICLS）定义的标准对微观调查数据进行统一化处理，数据来源在‘source.label’列中予以标注，确保每一条记录具备可追溯性。最终经Electric Sheep Asia团队重新封装为Parquet格式，形成2,248条观测记录，包含17个字段，涵盖性别、就业身份等维度的细分信息。

特点

数据集时间跨度覆盖1999年至2025年，涵盖亚洲17个国家，聚焦于青年群体在按性别和就业状态划分下的‘学校向工作过渡’指标。其核心特点在于提供了高度精细化的分类维度，包括性别（总、男、女）和就业身份的总计分类，同时附带了数据质量控制标志如‘obs_status’以标识观测值的可靠性（如不可靠或临时性）。此外，每条记录均包含完整的元数据注释（如方法修订、非标准分组等），使研究者能够清晰了解数据来源、定义变更及潜在偏差，极大增强了数据使用的透明度与可信度。

使用方法

用户可直接通过HuggingFace的datasets库中的‘load_dataset’函数加载该数据集，并将其轻松转换为Pandas DataFrame进行后续分析。典型使用场景包括：按国家代码过滤获取单一国家的长期趋势数据；针对特定指标按时间排序进行时序分析，并利用可视化工具绘制变化曲线；或通过透视表操作将数据重塑为国家-年份矩阵，便于比较不同国家间的青年过渡进程。数据集的标准化结构使得研究人员能够快速开展跨国比较、性别差异分析以及就业状态演变等研究任务，显著降低了数据预处理的时间成本。

背景与挑战

背景概述

青年从学校向职场过渡（School-to-Work Transition, SWT）是劳动经济学与发展研究领域的核心议题，关乎人力资源配置、青年失业预防与包容性增长。国际劳工组织（ILO）作为全球劳动统计的权威机构，依托ILOSTAT数据库系统性整合各国劳动力调查与行政记录数据，以监测青年就业状态变迁。在此背景下，由Electric Sheep Asia于2025年重新整理并发布的asia-ilo-pop-3ted-sex-ste-nb-youth-transited-by-sex-and-status-in-employment-th数据集应运而生。该数据集聚焦“已过渡青年按性别与就业身份分类（千人）”指标，覆盖1999至2025年间17个亚洲国家的2,248条观测，旨在为区域青年就业转型研究提供结构化、跨国的定量基础。通过标准化ILO的ICLS定义与数据源溯源机制，该数据集为分析亚洲青年从教育到就业的转化效率、性别差异及就业身份演变提供了关键的数据支撑，对理解新兴经济体劳动力市场韧性具有重要推动作用。

当前挑战

该数据集应对的首要领域挑战在于亚洲青年就业转型问题的复杂多维性：不同国家经济发展阶段、教育与劳动力市场衔接模式迥异，传统跨国比较常受制于指标口径不一与数据稀疏性，难以精准刻画青年由学校向就业状态过渡的动态过程。构建过程中面临的核心挑战包括数据异质性与质量管控，ILOSTAT底层数据源于各国独立调查，来源涵盖劳动力调查、学校向工作过渡专项调查等，需通过ICLS定义进行跨国家、跨时期的协调统一，但部分观测仍标记为“不可靠”或存在“方法修订导致序列断裂”的注释。此外，年频数据未能涵盖更高时间颗粒度的月度或季度波动，而17国1999–2025年间的时间序列存在显著的不平衡与缺失，例如柬埔寨仅覆盖2012–2019年、孟加拉国仅2013年单年数据，为纵向建模与因果推断带来样本局限与偏差风险。

常用场景

经典使用场景

该数据集聚焦于亚太地区青年在就业身份与性别维度上的学校向工作过渡状况，涵盖17个国家、1999至2025年的观测数据。经典使用场景包括构建多国面板数据进行纵向趋势分析，揭示青年就业转型的演化规律；亦可通过性别与就业状态的分组交叉，评估不同社会群体的过渡差异。借助时间序列建模，研究者能够识别区域就业政策的长期效应，为比较劳动经济学与人口发展研究提供坚实的数据基础。

衍生相关工作

该数据集衍生了一系列经典学术工作的基础，包括但不限于：基于面板回归方法检验教育扩张对青年就业转型的调节效应；利用生存分析模型测算各国青年过渡期的中位时长差异；以及结合机器学习的分类算法，识别高脆弱性群体的关键特征。这些工作进一步推动了学校向工作过渡理论在亚洲语境下的本土化验证，并催生了与ILOSTAT其他劳动指标（如非正规就业率、青年失业时长）的跨数据库联合作业。

数据集最近研究

最新研究方向

该数据集聚焦于亚洲地区青年从学校向就业过渡的性别与就业身份差异研究，基于ILOSTAT权威劳动统计，覆盖17个国家1999至2025年的面板数据。当前前沿方向包括利用时间序列预测与分类模型，分析青年就业转型中的性别不平等、非正规就业及代际流动性，结合联合国可持续发展目标中的体面劳动指标，评估区域政策效应。该数据集为跨文化比较与劳动力市场动态建模提供了精细化粒度，尤其在揭示亚洲新兴经济体青年失业危机与技能错配热点问题上具有关键支撑价值，推动了劳动经济学与数据科学的交叉创新。