electricsheepeurope/europe-ilo-emp-2wap-sex-age-rt-employment-to-population-ratio-by-sex-and-age-ilo

该数据集包含欧洲39个国家从1991年至2027年的12,933个观测值，核心指标为按性别和年龄划分的就业人口比率（ILO模型估计，2025年11月更新，单位：百分比）。数据来源于国际劳工组织（ILO）的ILOSTAT数据库，通过REST API直接获取并过滤至欧洲国家代码，采用国际劳工统计学家会议（ICLS）定义进行标准化处理。数据集为表格形式，适用于表格分类、表格回归和时间序列预测任务，涵盖国家代码、国家名称、数据来源、指标代码、指标名称、性别分类、年龄分类、年份和观测值等列，并提供数据质量说明和使用示例。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 < 样本量 < 100000 标签： - 表格数据 - 欧洲 - 国际劳工组织统计数据库（ILOSTAT） - 就业 - 国际劳工组织（International Labour Organization, ILO） - 劳动力 数据集友好名称："按性别与年龄划分的就业人口比率——国际劳工组织（ILO）2025年11月建模估计值（%）| 欧洲（ILOSTAT）" # 按性别与年龄划分的就业人口比率——国际劳工组织2025年11月建模估计值（%）| 欧洲（ILOSTAT） 🇪🇺 **12,933条观测数据** · **39个欧洲国家** · **1991–2027年** · *由[Electric Sheep Europe](https://huggingface.co/electricsheepeurope)重新封装*      ## 核心摘要（TL;DR） 本数据集包含**12,933条就业相关观测数据**，覆盖**39个欧洲国家**，时间跨度为**1991年至2027年**，仅包含**1项核心指标**。 ## 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）的中央统计数据库，是全球领先的劳动力统计权威来源。其收录涵盖就业、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体面工作目标等多项指标，数据来源于全国劳动力调查、家庭收入调查、企业调查及行政记录。该数据库覆盖200余个经济体，由国际劳工组织统计部门负责数据统一协调。 - **数据来源**：[ILOSTAT](https://www.ilo.org/shinyapps/bulkexplorer/?id=EMP_2WAP_SEX_AGE_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**：就业 ## 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_2WAP_SEX_AGE_RT`拉取原始数据，并筛选出欧洲地区的ISO 3166-1 alpha-3国家代码对应的样本。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统一协调；数据来源信息将在`source.label`字段中标记，以确保可追溯性。 ## 地理覆盖范围 39个欧洲国家 · 以下按数据条数排序的前若干条示例： | 国家 | 数据条数 | 起始年份 | 结束年份 | |---------|-----:|-----------:|----------:| | `ALB` | 333 | 1991 | 2027 | | `AUT` | 333 | 1991 | 2027 | | `BEL` | 333 | 1991 | 2027 | | `BGR` | 333 | 1991 | 2027 | | `BIH` | 333 | 1991 | 2027 | | `BLR` | 333 | 1991 | 2027 | | `CHE` | 333 | 1991 | 2027 | | `CZE` | 333 | 1991 | 2027 | | `DEU` | 333 | 1991 | 2027 | | `DNK` | 333 | 1991 | 2027 | | `ESP` | 333 | 1991 | 2027 | | `EST` | 333 | 1991 | 2027 | | `FIN` | 333 | 1991 | 2027 | | `FRA` | 333 | 1991 | 2027 | | `GBR` | 333 | 1991 | 2027 | | ... | _其余24个国家_ | | | ## 指标示例 - `EMP_2WAP_SEX_AGE_RT` — 按性别与年龄划分的就业人口比率——国际劳工组织2025年11月建模估计值（%） ## 数据结构（Schema） | 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 | `ALB` | | `ref_area.label` | `string` | 英语国家名称 | `Albania` | | `source` | `string` | ILOSTAT 来源代码（如劳动力调查） | `XA:2137` | | `source.label` | `string` | 英语来源名称 | `ILO - 建模估计值` | | `indicator` | `string` | ILOSTAT 指标代码 | `EMP_2WAP_SEX_AGE_RT` | | `indicator.label` | `string` | 英语指标名称 | `按性别与年龄划分的就业人口比率……` | | `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、就业状态等） | `AGE_YTHADULT_YGE15` | | `classif1.label` | `string` | — | `年龄（青年、成人）：15岁及以上` | | `time` | `int64` | 观测年份 | `2027` | | `obs_value` | `float64` | 观测指标值（单位详见指标定义） | `57.277` | ## 数据细分维度 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 - 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。 - 细分字段（`sex`、`classif1`、`classif2`）仅在指标支持对应细分时非空。 ## 使用方法 python from datasets import load_dataset ds = load_dataset("electricsheepeurope/europe-ilo-emp-2wap-sex-age-rt-employment-to-population-ratio-by-sex-and-age-ilo") df = ds["train"].to_pandas() print(df.head()) ### 筛选单一国家 python germany = df[df["ref_area"] == "DEU"] ### 单一指标的时间序列数据 python sample = (df[df["indicator"] == "EMP_2WAP_SEX_AGE_RT"] .sort_values("time")) sample.plot(x="time", y="obs_value", title="EMP_2WAP_SEX_AGE_RT") ### 转换为国家×年份矩阵 python matrix = (df[df["indicator"] == "EMP_2WAP_SEX_AGE_RT"] .pivot_table(index="time", columns="ref_area", values="obs_value")) print(matrix.tail()) ## 引用格式 bibtex @misc{europe_ilo_emp_2wap_sex_age_rt_employment_to_population_ratio_by_sex_and_age_ilo_2027, title = {按性别与年龄划分的就业人口比率——国际劳工组织2025年11月建模估计值（%）| 欧洲（ILOSTAT)}, author = {国际劳工组织（International Labour Organization, ILO)}, year = {2027}, url = {https://www.ilo.org/shinyapps/bulkexplorer/?id=EMP_2WAP_SEX_AGE_RT}, publisher = {HuggingFace数据集平台，由Electric Sheep Europe重新封装}, howpublished = {url{https://huggingface.co/datasets/electricsheepeurope/europe-ilo-emp-2wap-sex-age-rt-employment-to-population-ratio-by-sex-and-age-ilo}} } ## 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来源及Electric Sheep Europe的重新封装版本。 ## 关于Electric Sheep Electric Sheep Europe是Electric Sheep计划的组成部分：该计划旨在打造HuggingFace平台上统一的、可供机器学习直接使用的欧洲地区数据层。我们从权威开源数据源拉取数据，对数据schema进行标准化处理，封装为Parquet格式，并以统一的数据集卡片形式发布，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28日通过Electric Sheep流水线摄取。源URL：https://www.ilo.org/shinyapps/bulkexplorer/?id=EMP_2WAP_SEX_AGE_RT_

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，通过其REST API直接提取'EMP_2WAP_SEX_AGE_RT'指标原始数据，并依据欧洲ISO3国家代码进行地理过滤。数据汇聚了来自劳动力调查、家庭收入调查及行政记录等多源信息，经ILO统计部门依据国际劳工统计学家会议（ICLS）定义进行统一协调与模型估算，最终形成涵盖39个欧洲国家、1991年至2027年间共计12,933条观测的结构化时间序列表格。数据以Parquet格式打包，经由Electric Sheep Europe再加工并发布于HuggingFace平台。

特点

数据集的核心特质在于其纵向深度与横向细分维度的有机结合：时间跨度长达37年，覆盖欧洲39个主要经济体，且观测频率为年度层级。指标聚焦于就业人口比率（Employment-to-population ratio），并按照性别（总人口、男性、女性）及年龄组进行细致分类，提供了丰富的分组分析可能性。每条记录均附有来源标签，确保数据溯源与质量透明。数据质量经过ILO内部机制控制，在多源并存时采用'最佳来源'原则，较大程度保障了序列的一致性与可靠性。

使用方法

使用者可通过HuggingFace datasets库执行`load_dataset()`一键加载，返回的数据集可便捷转换为Pandas DataFrame进行后续操作。典型应用包括按国家代码筛选特定国家的时间序列、针对单一指标按时间排序进行可视化分析，或利用透视表功能构建国家×年份的宽表矩阵以展开跨区域比较。该数据集天然适配于时间序列预测、面板数据回归及分类任务，其表格结构与清晰的列定义降低了数据处理门槛，适合劳动经济学、社会政策研究及欧洲区域分析等领域的学者与从业者使用。

背景与挑战

背景概述

该数据集由国际劳工组织（ILO）统计部门于2025年发布，经Electric Sheep Europe团队重新打包后公开于HuggingFace平台。核心研究问题聚焦于欧洲地区就业人口比率的长期演变趋势，涵盖1991至2027年间39个欧洲国家的12,933条观测数据。数据集以性别和年龄为关键分类维度，提供经ILO建模估算的标准化就业比率指标，是研究欧洲劳动力市场结构变迁、评估区域就业政策效果及预测未来就业态势的重要基础数据资源。其发布为劳动经济学、人口统计学及公共政策分析等领域提供了高覆盖度、长时序且来源权威的量化支撑。

当前挑战

该数据集所解决的领域问题在于，传统统计调查常因各国数据采集标准不一、时间维度不完整或性别年龄细分不足，难以支撑跨国跨时期的劳动力就业结构比较分析。数据集构建过程中面临的挑战包括：需整合来自各国劳动力调查、行政记录等多源异构数据，依据国际劳工统计学家会议（ICLS）定义进行标准化处理；在数据稀疏或缺失的年份与国家，需采用建模估计方法填补时序缺口；同时还需处理不同来源间的不一致性，并保证性别与年龄组分解的完整性与连贯性，以维护跨时空可比性。

常用场景

经典使用场景

该数据集以国际劳工组织（ILO）的权威统计数据为基础，收录了1991年至2027年间39个欧洲国家的就业人口比率，并按性别与年龄维度进行细致划分。在劳动经济学与社会政策研究中，这一数据集最经典的应用场景是构建面板数据模型，以揭示欧洲各国就业结构的长期演变趋势。研究者可借助时间序列分析与回归方法，深入探讨性别差异、代际更替与区域异质性对就业市场动态的影响，从而为宏观劳动政策的制定提供坚实的实证基础。

衍生相关工作

基于该数据集，衍生出一系列具有影响力的学术工作。研究者利用其结构化特点，开发了适用于劳动统计的跨国家贝叶斯预测模型与混合效应回归框架，以提升对未观测年份的估计精度。此外，该数据还催生了探讨欧盟东扩前后就业变迁的比较研究、关注COVID-19疫情对不同性别就业冲击的纵向分析，以及与教育、技能匹配相关的交叉学科探索。这些工作共同丰富了劳动市场实证分析的范式，也为后续数据驱动的社会政策模拟奠定了基础。

数据集最近研究

最新研究方向

在劳动力市场动态监测与宏观经济预测的前沿领域，该数据集依托国际劳工组织ILOSTAT的标准化统计框架，为欧洲劳动参与率的时间序列建模提供了坚实的数据基石。最新研究趋势聚焦于利用2025年ILO最新修订的就业-人口比率为核心指标，结合性别与年龄的精细分层，深入探讨老龄化社会冲击下欧洲各国的劳动供给弹性、代际就业差异以及后疫情时代的劳动力恢复路径。该数据集的时序跨度覆盖1991年至2027年，其前瞻性预测版本尤为珍贵，使得研究者得以构建因果推断模型或机器学习算法来模拟政策干预（如弹性工作制、退休年龄改革）对就业结构的潜在影响，进而为欧盟《欧洲就业战略》及各国劳动力市场改革提供量化评估依据。其跨领域的可重用性正在催生一系列围绕自动化风险、区域经济韧性及社会包容性增长的跨学科创新研究。