electricsheepeurope/europe-ilo-une-tune-sex-edu-cct-nb-unemployment-by-sex-education-and-citizenship-thou

--- license: cc-by-4.0 language: - en task_categories: - tabular-classification - tabular-regression - time-series-forecasting multilinguality: monolingual size_categories: - 10K<n<100K tags: - tabular - europe - ilostat - international-migrant-stock - ilo - labour - employment pretty_name: "Unemployment by sex, education and citizenship (thousands) | Europe (ILOSTAT)" --- # Unemployment by sex, education and citizenship (thousands) | Europe (ILOSTAT) 🇪🇺 **34,938 observations** · **38 Europe countries** · **1991–2025** · *Repackaged by [Electric Sheep Europe](https://huggingface.co/electricsheepeurope)*      ## TL;DR This dataset contains **34,938 observations** of `International migrant stock` data across **38 Europe countries**, spanning **1991–2025**, covering **1 distinct indicators**. ## About the source **ILOSTAT** is the ILO's central statistics database, the leading global source for labour statistics. It compiles indicators across employment, unemployment, wages, working time, child labour, informal economy, social protection, occupational injuries, and SDG decent work targets — drawing on national labour force surveys, household income surveys, establishment surveys, and administrative records. Coverage spans 200+ economies, with the ILO's Department of Statistics responsible for harmonisation. - **Source:** [ILOSTAT](https://www.ilo.org/shinyapps/bulkexplorer/?id=UNE_TUNE_SEX_EDU_CCT_NB) - **Publisher:** International Labour Organization (ILO) - **License:** [cc-by-4.0](https://creativecommons.org/licenses/by/4.0/) - **Topic:** International migrant stock ## Methodology Data pulled directly from the ILOSTAT REST API at `https://rplumber.ilo.org/data/indicator?id=UNE_TUNE_SEX_EDU_CCT_NB` and filtered to Europe ISO3 country codes. ILOSTAT harmonises raw survey microdata using ICLS (International Conference of Labour Statisticians) definitions; sources are flagged in the `source.label` column for traceability. ## Geographic coverage 38 Europe countries · top rows shown below, sorted by row count: | Country | Rows | First year | Last year | |---------|-----:|-----------:|----------:| | `GRC` | 1,617 | 1992 | 2025 | | `SWE` | 1,509 | 1995 | 2024 | | `GBR` | 1,484 | 1995 | 2025 | | `NLD` | 1,450 | 1996 | 2024 | | `FRA` | 1,426 | 1995 | 2024 | | `CHE` | 1,418 | 1991 | 2025 | | `BEL` | 1,383 | 1995 | 2024 | | `ESP` | 1,328 | 1995 | 2025 | | `DEU` | 1,312 | 1995 | 2024 | | `NOR` | 1,260 | 1996 | 2024 | | `PRT` | 1,254 | 1995 | 2025 | | `IRL` | 1,241 | 1999 | 2024 | | `DNK` | 1,238 | 1995 | 2024 | | `AUT` | 1,139 | 1995 | 2025 | | `LUX` | 1,118 | 1995 | 2024 | | ... | _23 more countries_ | | | ## Indicators (sample) - `UNE_TUNE_SEX_EDU_CCT_NB` — Unemployment by sex, education and citizenship (thousands) ## Schema | Column | Type | Description | Example | |--------|------|-------------|---------| | `ref_area` | `string` | ISO 3166-1 alpha-3 country code | `ALB` | | `ref_area.label` | `string` | Country name in English | `Albania` | | `source` | `string` | ILOSTAT source code (e.g. labour force survey) | `BA:480` | | `source.label` | `string` | Source name in English | `LFS - Labour Force Survey` | | `indicator` | `string` | ILOSTAT indicator code | `UNE_TUNE_SEX_EDU_CCT_NB` | | `indicator.label` | `string` | Indicator name in English | `Unemployment by sex, education and ci…` | | `sex` | `string` | Disaggregation by sex (SEX_T = total, SEX_M = male, SEX_F = female) | `SEX_T` | | `sex.label` | `string` | — | `Total` | | `classif1` | `string` | First classification variable (age, education, status, etc.) | `EDU_AGGREGATE_TOTAL` | | `classif1.label` | `string` | — | `Education (Aggregate levels): Total` | | `classif2` | `string` | Second classification variable where applicable | `CCT_CIT_TOTAL` | | `classif2.label` | `string` | — | `Citizenship: Total` | | `time` | `int64` | Observation year | `2024` | | `obs_value` | `float64` | Observed indicator value (unit varies — see indicator definition) | `108.247` | | `obs_status` | `string` | Observation status flag (e.g. provisional, unreliable) | `U` | | `obs_status.label` | `string` | — | `Unreliable` | | `note_classif` | `string` | — | `C3:5578` | | `note_classif.label` | `string` | — | `Nonstandard education level: Includin…` | | `note_indicator` | `string` | — | `I11:264` | | `note_indicator.label` | `string` | — | `Break in series: Methodology revised` | | `note_source` | `string` | — | `R1:3513` | | `note_source.label` | `string` | — | `Repository: ILO-STATISTICS - Micro da…` | ## Disaggregation dimensions The following columns provide disaggregation dimensions: - **`sex`** (3 unique values): `SEX_T`, `SEX_M`, `SEX_F` ## Data quality & caveats - Data is annual frequency. Some indicators also publish monthly or quarterly series — those are not included here. - When an indicator has multiple sources for the same country×year, the ILO-selected 'best source' is used. - Disaggregation columns (`sex`, `classif1`, `classif2`) are non-null only when the indicator publishes that breakdown. ## Usage ```python from datasets import load_dataset ds = load_dataset("electricsheepeurope/europe-ilo-une-tune-sex-edu-cct-nb-unemployment-by-sex-education-and-citizenship-thou") df = ds["train"].to_pandas() print(df.head()) ``` ### Filter to one country ```python germany = df[df["ref_area"] == "DEU"] ``` ### Time-series for a single indicator ```python sample = (df[df["indicator"] == "UNE_TUNE_SEX_EDU_CCT_NB"] .sort_values("time")) sample.plot(x="time", y="obs_value", title="UNE_TUNE_SEX_EDU_CCT_NB") ``` ### Pivot to country × year matrix ```python matrix = (df[df["indicator"] == "UNE_TUNE_SEX_EDU_CCT_NB"] .pivot_table(index="time", columns="ref_area", values="obs_value")) print(matrix.tail()) ``` ## Citation ```bibtex @misc{europe_ilo_une_tune_sex_edu_cct_nb_unemployment_by_sex_education_and_citizenship_thou_2025, title = {Unemployment by sex, education and citizenship (thousands) | Europe (ILOSTAT)}, author = {International Labour Organization (ILO)}, year = {2025}, url = {https://www.ilo.org/shinyapps/bulkexplorer/?id=UNE_TUNE_SEX_EDU_CCT_NB}, publisher = {HuggingFace Datasets, repackaged by Electric Sheep Europe}, howpublished = {\url{https://huggingface.co/datasets/electricsheepeurope/europe-ilo-une-tune-sex-edu-cct-nb-unemployment-by-sex-education-and-citizenship-thou}} } ``` ## License Released under [cc-by-4.0](https://creativecommons.org/licenses/by/4.0/). Original data © International Labour Organization (ILO). When using this dataset, please cite both the original source above and the Electric Sheep Europe repackaging. ## About Electric Sheep Electric Sheep Europe is part of the Electric Sheep mission: a unified, ML-ready data layer for Europe on HuggingFace. We pull data from authoritative open sources, normalize the schemas, package as Parquet, and publish with consistent dataset cards so researchers and developers can use `load_dataset()` to start working in seconds. Browse the full collection: [huggingface.co/electricsheepeurope](https://huggingface.co/electricsheepeurope) --- _Provenance: ingested 2026-05-27 via the Electric Sheep pipeline. Source URL: https://www.ilo.org/shinyapps/bulkexplorer/?id=UNE_TUNE_SEX_EDU_CCT_NB_许可证: cc-by-4.0 语言: - 英语 任务类别: - 表格分类 - 表格回归 - 时间序列预测 多语言属性: 单语言 数据规模: - 10000 < 样本数 < 100000 标签: - 表格数据 - 欧洲 - ILOSTAT - 国际移民存量 - 国际劳工组织（ILO） - 劳工 - 就业 展示名称: "分性别、受教育程度与公民身份的失业人数（千人）| 欧洲（ILOSTAT）" # 分性别、受教育程度与公民身份的失业人数（千人）| 欧洲（ILOSTAT） 🇪🇺 **34,938条观测** · **38个欧洲国家** · **1991–2025年** · *由[Electric Sheep Europe](https://huggingface.co/electricsheepeurope)重新整理*      ## 核心摘要 本数据集涵盖38个欧洲国家1991年至2025年的`国际移民存量`相关数据，共计**34,938条观测样本**，包含**1个独立指标**。 ## 数据源说明 **国际劳工组织统计数据库（ILOSTAT）** 是国际劳工组织（ILO）的核心统计数据库，为全球领先的劳工统计权威来源。其收录指标覆盖就业、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领域，数据来源于全国劳动力调查、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，数据标准化整合工作由国际劳工组织统计司负责。 - **数据源地址：** [ILOSTAT](https://www.ilo.org/shinyapps/bulkexplorer/?id=UNE_TUNE_SEX_EDU_CCT_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/) - **数据主题：** 国际移民存量 ## 数据处理方法 数据直接从ILOSTAT的REST API接口`https://rplumber.ilo.org/data/indicator?id=UNE_TUNE_SEX_EDU_CCT_NB`拉取，并筛选出欧洲地区的ISO3国家代码数据集。ILOSTAT采用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整合；数据源信息将在`source.label`列中标记，以确保数据可追溯。 ## 地理覆盖范围 38个欧洲国家 · 以下按数据行数排序展示部分国家的信息： | 国家代码 | 数据行数 | 起始年份 | 结束年份 | |---------|-----:|-----------:|----------:| | `GRC` | 1,617 | 1992 | 2025 | | `SWE` | 1,509 | 1995 | 2024 | | `GBR` | 1,484 | 1995 | 2025 | | `NLD` | 1,450 | 1996 | 2024 | | `FRA` | 1,426 | 1995 | 2024 | | `CHE` | 1,418 | 1991 | 2025 | | `BEL` | 1,383 | 1995 | 2024 | | `ESP` | 1,328 | 1995 | 2025 | | `DEU` | 1,312 | 1995 | 2024 | | `NOR` | 1,260 | 1996 | 2024 | | `PRT` | 1,254 | 1995 | 2025 | | `IRL` | 1,241 | 1999 | 2024 | | `DNK` | 1,238 | 1995 | 2024 | | `AUT` | 1,139 | 1995 | 2025 | | `LUX` | 1,118 | 1995 | 2024 | | ... | 其余23个国家 | | | ## 指标示例 - `UNE_TUNE_SEX_EDU_CCT_NB` — 分性别、受教育程度与公民身份的失业人数（千人） ## 数据结构 | 列名 | 数据类型 | 字段描述 | 示例值 | |--------|------|-------------|---------| | `ref_area` | `string` | ISO 3166-1 alpha-3 国家代码 | `ALB` | | `ref_area.label` | `string` | 英语国家名称 | `Albania` | | `source` | `string` | ILOSTAT 数据源代码（例如劳动力调查） | `BA:480` | | `source.label` | `string` | 英语数据源名称 | `LFS - 劳动力调查` | | `indicator` | `string` | ILOSTAT 指标代码 | `UNE_TUNE_SEX_EDU_CCT_NB` | | `indicator.label` | `string` | 英语指标名称 | `Unemployment by sex, education and ci…` | | `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` | | `classif1` | `string` | 第一分类变量（年龄、教育程度、身份等） | `EDU_AGGREGATE_TOTAL` | | `classif1.label` | `string` | — | `教育程度（汇总级别）：总计` | | `classif2` | `string` | 可选第二分类变量 | `CCT_CIT_TOTAL` | | `classif2.label` | `string` | — | `公民身份：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） | `108.247` | | `obs_status` | `string` | 观测状态标记（例如临时、不可靠） | `U` | | `obs_status.label` | `string` | — | `不可靠` | | `note_classif` | `string` | — | `C3:5578` | | `note_classif.label` | `string` | — | `非标准教育水平：包含…` | | `note_indicator` | `string` | — | `I11:264` | | `note_indicator.label` | `string` | — | `序列中断：方法学修订` | | `note_source` | `string` | — | `R1:3513` | | `note_source.label` | `string` | — | `存储库：ILO统计司 - 微观数据…` | ## 数据细分维度 以下列提供数据的细分维度： - **`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数据源时，将采用国际劳工组织选定的“最优数据源”。 - 细分列（`sex`、`classif1`、`classif2`）仅在指标支持对应细分维度时才非空。 ## 使用示例 python from datasets import load_dataset ds = load_dataset("electricsheepeurope/europe-ilo-une-tune-sex-edu-cct-nb-unemployment-by-sex-education-and-citizenship-thou") df = ds["train"].to_pandas() print(df.head()) ### 筛选单个国家 python germany = df[df["ref_area"] == "DEU"] ### 单个指标的时间序列 python sample = (df[df["indicator"] == "UNE_TUNE_SEX_EDU_CCT_NB"] .sort_values("time")) sample.plot(x="time", y="obs_value", title="UNE_TUNE_SEX_EDU_CCT_NB") ### 转换为国家×年份矩阵 python matrix = (df[df["indicator"] == "UNE_TUNE_SEX_EDU_CCT_NB"] .pivot_table(index="time", columns="ref_area", values="obs_value")) print(matrix.tail()) ## 引用格式 bibtex @misc{europe_ilo_une_tune_sex_edu_cct_nb_unemployment_by_sex_education_and_citizenship_thou_2025, title = {分性别、受教育程度与公民身份的失业人数（千人）| 欧洲（ILOSTAT)}, author = {国际劳工组织（ILO)}, year = {2025}, url = {https://www.ilo.org/shinyapps/bulkexplorer/?id=UNE_TUNE_SEX_EDU_CCT_NB}, publisher = {HuggingFace Datasets，由Electric Sheep Europe重新整理发布}, howpublished = {url{https://huggingface.co/datasets/electricsheepeurope/europe-ilo-une-tune-sex-edu-cct-nb-unemployment-by-sex-education-and-citizenship-thou}} } ## 许可证 本数据集采用[CC BY 4.0](https://creativecommons.org/licenses/by/4.0/)许可发布。 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数据源与Electric Sheep Europe的重新整理版本。 ## 关于Electric Sheep Electric Sheep Europe是Electric Sheep项目的欧洲分支，旨在构建统一的、适用于机器学习的欧洲数据层，托管于HuggingFace平台。我们从权威开源数据源获取数据，对其schema进行标准化处理，打包为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()`函数在数秒内启动工作。 浏览完整数据集集合：[huggingface.co/electricsheepeurope](https://huggingface.co/electricsheepeurope) _数据溯源：2026年5月27日通过Electric Sheep流水线摄取。源URL：https://www.ilo.org/shinyapps/bulkexplorer/?id=UNE_TUNE_SEX_EDU_CCT_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中央统计数据库，通过调用其REST API接口直接拉取原始指标数据，并利用欧洲ISO3国家代码进行地理范围过滤。数据经过ILO基于国际劳工统计学家会议（ICLS）定义的标准进行统一化处理，涵盖从1991年至2025年间38个欧洲国家的34,938条观测记录。Electric Sheep Europe团队对原始数据进行了重新打包与规范化，以Parquet格式存储，确保数据集具备机器学习就绪（ML-ready）的特性，研究者可通过HuggingFace Datasets库便捷调用。

特点

本数据集聚焦于按性别、教育程度和公民身份划分的欧洲失业人数（单位：千），包含'UNE_TUNE_SEX_EDU_CCT_NB'这一核心指标。其独特之处在于提供多维度的分类变量，包括性别（总、男、女）、教育水平（如聚合级别）及公民身份状态。数据源信息通过'source.label'列完整标注，保障了溯源的可信度。此外，数据集附带了观测状态标记（如'不可靠'）及方法论修订注释，有助于用户评估数据质量并审慎分析时序趋势。

使用方法

用户可通过HuggingFace Datasets库中的load_dataset函数一键加载数据，并利用to_pandas方法将其转化为DataFrame格式，便于后续分析。支持按国家代码（如'ref_area'）过滤特定地区的失业情况，或对单一指标进行时间序列绘图以观察长期演变。也可以使用pivot_table函数构建国家×年份的矩阵视图，用于面板数据分析或跨国家比较。数据集以cc-by-4.0许可发布，使用时需同时引用原始ILO数据源及Electric Sheep Europe的重新打包版本。

背景与挑战

背景概述

该数据集由国际劳工组织（ILO）统计部门创建，经Electric Sheep Europe于2025年重新整理并发布于HuggingFace平台，聚焦欧洲38个国家1991至2025年间按性别、教育程度和公民身份划分的失业人数（以千计），总计34,938条观测记录。数据源自ILO旗舰数据库ILOSTAT，该库整合了来自各国劳动力调查、家庭收支调查等多源微观数据，并依据国际劳工统计学家会议（ICLS）标准进行协调统一，是全球劳动统计领域最权威的数据来源之一。这一数据集为劳动经济学、人口迁移及教育政策研究提供了高粒度的时间序列证据，尤其适用于跨国比较分析，对理解欧洲劳动力市场中结构性失业、性别差异及移民融合问题具有重要学术价值。

当前挑战

该数据集所解决的领域问题核心在于，高失业率及其在性别、教育背景和公民身份维度上的异质性是欧洲社会长期面临的复杂挑战，传统聚合数据难以揭示群体内部的细微差异，而该数据集通过细粒度分类变量为精准识别弱势群体、评估教育回报及移民就业政策效果提供了量化基础。在构建过程中，主要挑战包括：多国统计口径差异导致的数据协调困难，ILO虽采用统一标准，但不同国家原始调查在抽样设计、问卷措辞及数据质量上仍存在偏差；时间序列中断问题，部分国家因调查方法修订或分类框架调整导致历史数据前后不一致，需通过注释字段标记断裂点；缺失值与数据可靠性标记的复杂性，如标注“不可靠”的观测值在建模中需谨慎处理，以避免引入系统性误差。

常用场景

经典使用场景

在劳动经济学与社会分层研究的交汇地带，该数据集被广泛用于探究欧洲国家失业率在性别、教育水平与公民身份三个维度上的异质性分布。研究者常将其与面板数据模型或时间序列分析方法结合，剖析1991年至2025年间38个欧洲国家劳动力市场的结构性变化。经典使用场景包括构建多层次回归模型以控制国家与年份固定效应，从而识别教育回报率在不同性别群体间的差异，或通过设立交互项来检验公民身份是否加剧了特定教育层次人群的就业脆弱性。这类分析为理解欧洲内部移民融合政策与劳动力市场弹性提供了量化锚点。

解决学术问题

该数据集直击劳动经济学中长期存在的两个核心难题：一是如何系统性地拆解失业率的微观决定因素，二是如何跨越国别框架捕捉跨国劳动市场的共性规律。传统研究常受限于单一国家或短期数据，难以分离教育、性别与公民身份的叠加效应。该数据集通过ILOSTAT权威统合，提供了涵盖近三十年的标准化分类变量，使学者能够开展稳健的跨国动态比较。它在实证上支持了人力资本理论关于教育降低失业风险的假说，同时挑战了‘公民身份平等化’的简单叙事，揭示了外来劳动者在特定教育与性别组合下的持久劣势。这些发现推动了移民社会学中‘积分理论’的修正，并为欧洲社会包容政策的制定提供了证据基础。

衍生相关工作

围绕该数据集衍生出的经典工作主要分为方法论创新与理论验证两大脉络。方法论层面，有研究利用其面板结构开发了张量回归模型，用以同时捕捉性别—教育—公民身份三维交叉分类下的失业模式，突破了传统回归中交互项数量爆炸的瓶颈。理论层面，以该数据为实证土壤的论文重新审视了‘双重劣势假说’，即外来女性是否因性别与身份的双重歧视而承受超出叠加的失业风险。此外，部分学者通过引入空间计量模型，揭示了欧洲邻国间失业水平的溢出效应，发现高失业率国家中特定教育组别的弱势人群会显著影响周边国家的劳动力供需平衡。这些工作不仅在劳动地理学与经济社会学中引起广泛讨论，也为后续构建更细粒度的跨国劳动力预测模型奠定了数据基石。