electricsheepasia/asia-ilo-ees-tees-sex-ins-nb-employees-by-sex-and-public-private-sector-thousan

该数据集包含亚洲39个国家按性别和公共/私营部门划分的雇员数据（单位：千人数），时间跨度为1997年至2025年，共计3,182个观测值。数据来源于国际劳工组织（ILO）的ILOSTAT统计数据库，通过ILOSTAT REST API获取，并经过亚洲国家代码过滤。核心指标为EES_TEES_SEX_INS_NB（按性别和公共/私营部门划分的雇员数），数据按年度频率提供，涵盖总雇员数以及按性别（男性、女性、总计）和机构部门分类的细分数据。数据集包含国家代码、国家名称、数据来源、指标代码、性别分类、观测年份、观测值、观测状态等列，适用于表格分类、回归和时间序列预测等任务。数据经过ILO基于国际劳工统计学家会议（ICLS）定义进行标准化处理，并标注了来源和质量标记。license: CC BY 4.0 language: - 英语 task_categories: - 表格分类（tabular-classification） - 表格回归（tabular-regression） - 时间序列预测（time-series-forecasting） multilinguality: 单语言 size_categories: - 1000 < 样本量 < 10000 tags: - 表格数据 - 亚洲 - 国际劳工组织统计数据库（ILOSTAT） - 雇员 - 国际劳工组织（ILO） - 劳工 - 就业 pretty_name: "按性别和公共/私营部门划分的雇员（千人）| 亚洲（ILOSTAT）" # 按性别和公共/私营部门划分的雇员（千人）| 亚洲（ILOSTAT） 🌏 **3,182 条观测** · **39 个亚洲国家** · **1997–2025** · *由 [Electric Sheep Asia](https://huggingface.co/electricsheepasia) 重新整理* 🔵 数据行数：3,182 🟢 覆盖国家：39个 🟠 时间跨度：1997–2025 🟣 指标数量：1个 ⚪ 许可证：CC BY 4.0 ## TL;DR 本数据集包含覆盖39个亚洲国家、时间跨度为1997至2025年的雇员数据，共计**3182条观测样本**，仅包含**1项专属指标**。 ## 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，也是全球领先的劳工统计权威来源。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（SDGs）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，由国际劳工组织统计司负责数据的标准化协调。 - **数据来源**：[ILOSTAT](https://www.ilo.org/shinyapps/bulkexplorer/?id=EES_TEES_SEX_INS_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**：雇员数据 ## 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=EES_TEES_SEX_INS_NB`获取数据，并筛选出亚洲地区的ISO 3166-1 alpha-3国家编码对应的样本。ILOSTAT依据国际劳工统计学家会议（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`字段中标注，以保证可追溯性。 ## 地理覆盖范围 覆盖39个亚洲国家，以下为按数据行数排序的Top样本国家： | 国家代码 | 数据行数 | 起始年份 | 结束年份 | |---------|-----:|-----------:|----------:| | `JPN` | 216 | 2000 | 2023 | | `PHL` | 198 | 2001 | 2023 | | `IRN` | 180 | 2005 | 2024 | | `MNG` | 171 | 2003 | 2024 | | `KHM` | 162 | 1997 | 2023 | | `THA` | 162 | 2000 | 2024 | | `ARM` | 156 | 2007 | 2023 | | `VNM` | 153 | 2007 | 2024 | | `PSE` | 144 | 2009 | 2025 | | `TUR` | 144 | 2009 | 2024 | | `GEO` | 144 | 2009 | 2024 | | `LKA` | 135 | 2010 | 2024 | | `PAK` | 127 | 2005 | 2025 | | `KGZ` | 108 | 2011 | 2023 | | `BRN` | 81 | 2014 | 2024 | | ... | _其余24个国家_ | | | ## 指标（示例） - `EES_TEES_SEX_INS_NB` — 按性别和公共/私营部门划分的雇员（千人） ## 数据结构 | 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 | `Afghanistan`（阿富汗） | | `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`（劳动力调查） | | `indicator` | `string` | ILOSTAT 指标代码 | `EES_TEES_SEX_INS_NB` | | `indicator.label` | `string` | 英文指标名称 | `Employees by sex and public/private s…`（按性别和公共/私营部门划分的雇员……） | | `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` | — | `Total`（总计） | | `classif1` | `string` | 一级分类变量（年龄、教育程度、就业身份等） | `INS_SECTOR_TOTAL` | | `classif1.label` | `string` | — | `Institutional sector: Total`（机构部门：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） | `1709.649` | | `obs_status` | `string` | 观测状态标记（如临时数据、不可靠数据） | `B` | | `obs_status.label` | `string` | — | `Break in series`（序列中断） | | `note_indicator` | `string` | — | `I11:264` | | `note_indicator.label` | `string` | — | `Break in series: Methodology revised`（序列中断：方法学修订） | | `note_source` | `string` | — | `R1:3513_S3:8` | | `note_source.label` | `string` | — | `Repository: ILO-STATISTICS - Micro da…`（存储库：ILO统计司 - 微观数据……） | ## 细分维度 以下字段提供数据细分维度： - **`sex`**（共4个唯一取值）：`SEX_T`、`SEX_M`、`SEX_F`、`SEX_O` ## 数据质量与注意事项 - 本数据集采用年度频率数据，部分指标另有月度或季度序列，但未纳入本数据集。 - 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」。 - 仅当指标支持对应细分维度时，细分字段（`sex`、`classif1`、`classif2`）才会有非空值。 ## 使用方法 python from datasets import load_dataset ds = load_dataset("electricsheepasia/asia-ilo-ees-tees-sex-ins-nb-employees-by-sex-and-public-private-sector-thousan") df = ds["train"].to_pandas() print(df.head()) ### 筛选单国数据 python indonesia = df[df["ref_area"] == "IDN"] ### 单指标时间序列分析 python sample = (df[df["indicator"] == "EES_TEES_SEX_INS_NB"] .sort_values("time")) sample.plot(x="time", y="obs_value", title="EES_TEES_SEX_INS_NB") ### 构建国家-年份透视矩阵 python matrix = (df[df["indicator"] == "EES_TEES_SEX_INS_NB"] .pivot_table(index="time", columns="ref_area", values="obs_value")) print(matrix.tail()) ## 引用格式 bibtex @misc{asia_ilo_ees_tees_sex_ins_nb_employees_by_sex_and_public_private_sector_thousan_2025, title = {Employees by sex and public/private sector (thousands) | Asia (ILOSTAT)}, author = {International Labour Organization (ILO)}, year = {2025}, url = {https://www.ilo.org/shinyapps/bulkexplorer/?id=EES_TEES_SEX_INS_NB}, publisher = {HuggingFace Datasets, repackaged by Electric Sheep Asia}, howpublished = {url{https://huggingface.co/datasets/electricsheepasia/asia-ilo-ees-tees-sex-ins-nb-employees-by-sex-and-public-private-sector-thousan}} } ## 许可证 本数据集基于 [CC BY 4.0](https://creativecommons.org/licenses/by/4.0/) 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数据源及Electric Sheep Asia的重新整理版本。 ## 关于Electric Sheep Asia Electric Sheep Asia是Electric Sheep项目的组成部分，旨在为HuggingFace平台上的亚洲地区数据提供统一的、适配机器学习的标准化数据层。我们从权威开源数据源获取数据，对数据schema进行标准化处理，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年5月26日通过Electric Sheep数据管道获取。原始数据源URL：https://www.ilo.org/shinyapps/bulkexplorer/?id=EES_TEES_SEX_INS_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）的中央统计数据库ILOSTAT，原始数据经由ILOSTAT的REST API（端点标识EES_TEES_SEX_INS_NB）直接提取，并依据ISO 3166-1 alpha-3国家代码筛选出亚洲区域的经济体。ILOSTAT基于各国劳动力调查、家庭收入调查、企业调查及行政记录等微观数据，按照国际劳工统计学家会议（ICLS）的定义进行统一谐调，且对同一国家—年份的多源数据采用ILO甄选的最佳来源。在保留原始来源标签与指标注释的基础上，数据集由Electric Sheep Asia重新封装为Parquet格式，以供研究者和开发者便捷调用。

特点

此数据集囊括39个亚洲国家从1997年至2025年共计3,182条观测记录，聚焦于按性别及公共/私营部门划分的雇员人数（以千计）。数据以年度频率发布，按性别维度（总计、男性、女性及其他）进行分解，同时包含部门分类变量（classif1）及来源、指标状态等元数据字段，支持从性别差异和部门结构等角度进行纵向与横向比较。数据规模适中，表格结构规整，既涵盖日本、菲律宾等数据序列较长的国家，也纳入若干数据起步较晚的经济体，为亚太地区劳动就业研究提供了细粒度的基础素材。

使用方法

用户可借助Hugging Face的datasets库直接加载该数据集，通过load_dataset函数指定仓库路径即可获取训练集并转换为Pandas数据框，进而开展数据探索。若需聚焦单一国家，可按ref_area字段筛选特定ISO3代码；若要获取连续时间序列，可筛选指标字段并按时间排序后绘制趋势图；还可利用pivot_table将数据透视成国家×年份矩阵，便于进行面板数据分析或可视化。数据集同时适用于表格分类、回归及时间序列预测等机器学习任务，为劳动经济学实证研究提供可复用的数据接口。

背景与挑战

背景概述

国际劳工组织（ILO）长期致力于全球劳动力市场统计监测，其ILOSTAT数据库汇集了各国劳动力调查与行政记录，为就业结构研究提供权威基准。2025年，Electric Sheep Asia对ILOSTAT原始API数据进行了规范化重打包，覆盖1997至2025年间39个亚洲国家，形成包含3182条观测的雇员性别与公私部门分布数据集。该数据集回应了亚洲地区就业性别差异与部门结构转型的核心研究问题，为劳动经济学、社会政策评估及可持续发展目标中的体面工作监测提供了标准化、可直接加载的微数据支持，推动了区域劳动统计的可复现研究。

当前挑战

亚洲劳动力市场统计面临数据来源异质性、调查年份不连续及指标定义跨国协调困难等根本性挑战。该数据集需解决的核心问题在于：如何从多源异构调查中提炼可比的雇员部门分布指标，并确保性别分类与公私部门划分在不同国家间具有一致语义。构建过程中，ILOSTAT虽采用国际劳工统计学家会议定义进行调和，但原始调查的抽样设计差异、序列断裂标注以及部分年份仅能提供单一来源估计，均对观测值的时空可比性构成制约。此外，非标准化分类维度在缺失年份的插补与注释追踪，进一步增加了数据质量管理的复杂性。

常用场景

经典使用场景

在劳动经济学与就业结构研究中，该数据集最经典的用途在于刻画亚洲各国公共与私营部门雇员规模的性别分布及其时序演变。研究者可依据性别、机构部门与国别维度，构建面板数据以比较不同经济体内部男女雇员在公共部门与私营部门之间的配置差异，进而揭示亚洲劳动力市场性别隔离的结构性特征。时间跨度自1997年至2025年，为长时段趋势分析提供了充分的观测基础。

解决学术问题

该数据集有效回应了劳动经济学中关于公共部门就业性别构成、私营部门扩张对女性就业影响以及跨国产权差异等常见学术议题。通过提供统一口径的雇员数量指标，它缓解了跨国比较中指标不一致、来源分散的困境，使研究者得以在标准化框架下检验公共部门是否为女性提供更稳定就业、私营化进程是否加剧性别就业差距等假设，对比较劳动制度研究具有显著的方法论意义。

衍生相关工作

围绕该数据集及其源指标，已衍生出若干经典研究脉络，包括基于ILOSTAT多指标整合的亚洲劳动力市场比较分析、公共部门就业规模与性别工资差距的关联研究，以及利用长时段面板数据检验私营化对女性就业影响的实证工作。这些工作通常与ILO体面劳动议程及可持续发展目标中的性别平等议题相互呼应，拓展了该数据在比较政治经济学与劳动政策评估中的应用边界。