electricsheepasia/asia-ilo-eip-wdis-sex-edu-mts-nb-discouraged-job-seekers-by-sex-education-and-marit

--- license: cc-by-4.0 language: - en task_categories: - tabular-classification - tabular-regression - time-series-forecasting multilinguality: monolingual size_categories: - 1K<n<10K tags: - tabular - asia - ilostat - other-measures-of-labour-underutilization - ilo - labour - employment pretty_name: "Discouraged job-seekers by sex, education and marital status (thousands) | Asia (ILOSTAT)" --- # Discouraged job-seekers by sex, education and marital status (thousands) | Asia (ILOSTAT) 🌏 **8,176 observations** · **28 Asia countries** · **1999–2025** · *Repackaged by [Electric Sheep Asia](https://huggingface.co/electricsheepasia)*      ## TL;DR This dataset contains **8,176 observations** of `Other measures of labour underutilization` data across **28 Asia countries**, spanning **1999–2025**, 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=EIP_WDIS_SEX_EDU_MTS_NB) - **Publisher:** International Labour Organization (ILO) - **License:** [cc-by-4.0](https://creativecommons.org/licenses/by/4.0/) - **Topic:** Other measures of labour underutilization ## Methodology Data pulled directly from the ILOSTAT REST API at `https://rplumber.ilo.org/data/indicator?id=EIP_WDIS_SEX_EDU_MTS_NB` and filtered to Asia 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 28 Asia countries · top rows shown below, sorted by row count: | Country | Rows | First year | Last year | |---------|-----:|-----------:|----------:| | `TUR` | 1,119 | 2000 | 2024 | | `IDN` | 1,091 | 2000 | 2023 | | `KOR` | 596 | 2003 | 2025 | | `VNM` | 570 | 2010 | 2024 | | `PSE` | 556 | 2012 | 2025 | | `ISR` | 534 | 2012 | 2024 | | `CYP` | 524 | 1999 | 2020 | | `MNG` | 441 | 2013 | 2024 | | `ARM` | 378 | 2008 | 2018 | | `JOR` | 360 | 2017 | 2024 | | `LKA` | 268 | 2016 | 2024 | | `PHL` | 220 | 2003 | 2023 | | `BGD` | 217 | 2010 | 2024 | | `AFG` | 196 | 2014 | 2021 | | `BRN` | 170 | 2014 | 2024 | | ... | _13 more countries_ | | | ## Indicators (sample) - `EIP_WDIS_SEX_EDU_MTS_NB` — Discouraged job-seekers by sex, education and marital status (thousands) ## Schema | Column | Type | Description | Example | |--------|------|-------------|---------| | `ref_area` | `string` | ISO 3166-1 alpha-3 country code | `AFG` | | `ref_area.label` | `string` | Country name in English | `Afghanistan` | | `source` | `string` | ILOSTAT source code (e.g. labour force survey) | `BA:15715` | | `source.label` | `string` | Source name in English | `LFS - Labour Force Survey` | | `indicator` | `string` | ILOSTAT indicator code | `EIP_WDIS_SEX_EDU_MTS_NB` | | `indicator.label` | `string` | Indicator name in English | `Discouraged job-seekers by sex, educa…` | | `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 | `MTS_AGGREGATE_TOTAL` | | `classif2.label` | `string` | — | `Marital status (Aggregate): Total` | | `time` | `int64` | Observation year | `2021` | | `obs_value` | `float64` | Observed indicator value (unit varies — see indicator definition) | `135.254` | | `obs_status` | `string` | Observation status flag (e.g. provisional, unreliable) | `U` | | `obs_status.label` | `string` | — | `Unreliable` | | `note_classif` | `string` | — | `C3:2620` | | `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_S3:8` | | `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("electricsheepasia/asia-ilo-eip-wdis-sex-edu-mts-nb-discouraged-job-seekers-by-sex-education-and-marit") df = ds["train"].to_pandas() print(df.head()) ``` ### Filter to one country ```python indonesia = df[df["ref_area"] == "IDN"] ``` ### Time-series for a single indicator ```python sample = (df[df["indicator"] == "EIP_WDIS_SEX_EDU_MTS_NB"] .sort_values("time")) sample.plot(x="time", y="obs_value", title="EIP_WDIS_SEX_EDU_MTS_NB") ``` ### Pivot to country × year matrix ```python matrix = (df[df["indicator"] == "EIP_WDIS_SEX_EDU_MTS_NB"] .pivot_table(index="time", columns="ref_area", values="obs_value")) print(matrix.tail()) ``` ## Citation ```bibtex @misc{asia_ilo_eip_wdis_sex_edu_mts_nb_discouraged_job_seekers_by_sex_education_and_marit_2025, title = {Discouraged job-seekers by sex, education and marital status (thousands) | Asia (ILOSTAT)}, author = {International Labour Organization (ILO)}, year = {2025}, url = {https://www.ilo.org/shinyapps/bulkexplorer/?id=EIP_WDIS_SEX_EDU_MTS_NB}, publisher = {HuggingFace Datasets, repackaged by Electric Sheep Asia}, howpublished = {\url{https://huggingface.co/datasets/electricsheepasia/asia-ilo-eip-wdis-sex-edu-mts-nb-discouraged-job-seekers-by-sex-education-and-marit}} } ``` ## 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 Asia repackaging. ## About Electric Sheep Electric Sheep Asia is part of the Electric Sheep mission: a unified, ML-ready data layer for Asia 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/electricsheepasia](https://huggingface.co/electricsheepasia) --- _Provenance: ingested 2026-05-27 via the Electric Sheep pipeline. Source URL: https://www.ilo.org/shinyapps/bulkexplorer/?id=EIP_WDIS_SEX_EDU_MTS_NB_--- license: CC-BY-4.0 language: - en task_categories: - 表格分类任务 - 表格回归任务 - 时间序列预测任务 multilinguality: 单语言 size_categories: - 1000 < 样本量 < 10000 tags: - 表格数据 - 亚洲 - ILOSTAT - 劳动力未充分利用其他衡量指标 - 国际劳工组织（ILO） - 劳动力 - 就业 pretty_name: "按性别、教育程度和婚姻状况划分的气馁求职者（千人）| 亚洲（ILOSTAT）" --- # 按性别、教育程度和婚姻状况划分的气馁求职者（千人）| 亚洲（ILOSTAT） 🌏 **8176条观测数据** · **28个亚洲国家** · **1999–2025年** · *由[Electric Sheep Asia](https://huggingface.co/electricsheepasia)重新整理发布*      ## 核心摘要 本数据集包含覆盖**28个亚洲国家**的**劳动力未充分利用其他衡量指标**数据，共**8176条观测数据**，时间跨度为**1999–2025年**，涵盖**1项专属指标**。 ## 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，是全球领先的劳动力统计权威来源。其收录的指标涵盖就业、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（SDG）体面工作目标等，数据来源于全国劳动力调查、家庭收入调查、机构调查以及行政记录，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。 - **数据源来源**：[ILOSTAT](https://www.ilo.org/shinyapps/bulkexplorer/?id=EIP_WDIS_SEX_EDU_MTS_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**：劳动力未充分利用其他衡量指标 ## 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=EIP_WDIS_SEX_EDU_MTS_NB`拉取数据，并筛选出亚洲地区的ISO 3166-1 alpha-3国家代码。ILOSTAT依据国际劳工统计会议（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，数据溯源信息将在`source.label`字段中标记。 ## 地理覆盖范围 28个亚洲国家 · 以下为按数据行数排序的前10个国家示例： | 国家 | 行数 | 起始年份 | 结束年份 | |---------|-----:|-----------:|----------:| | `TUR` | 1,119 | 2000 | 2024 | | `IDN` | 1,091 | 2000 | 2023 | | `KOR` | 596 | 2003 | 2025 | | `VNM` | 570 | 2010 | 2024 | | `PSE` | 556 | 2012 | 2025 | | `ISR` | 534 | 2012 | 2024 | | `CYP` | 524 | 1999 | 2020 | | `MNG` | 441 | 2013 | 2024 | | `ARM` | 378 | 2008 | 2018 | | `JOR` | 360 | 2017 | 2024 | | `LKA` | 268 | 2016 | 2024 | | `PHL` | 220 | 2003 | 2023 | | `BGD` | 217 | 2010 | 2024 | | `AFG` | 196 | 2014 | 2021 | | `BRN` | 170 | 2014 | 2024 | | ... | 其余13个国家 | | | ## 指标（示例） - `EIP_WDIS_SEX_EDU_MTS_NB` — 按性别、教育程度和婚姻状况划分的气馁求职者（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 | `阿富汗` | | `source` | `string` | ILOSTAT数据源代码（如劳动力调查） | `BA:15715` | | `source.label` | `string` | 英文数据源名称 | `LFS - 劳动力调查` | | `indicator` | `string` | ILOSTAT指标代码 | `EIP_WDIS_SEX_EDU_MTS_NB` | | `indicator.label` | `string` | 英文指标名称 | `Discouraged job-seekers by sex, educa…` | | `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（聚合级别）：总计` | | `classif2` | `string` | 可选第二分类变量 | `MTS_AGGREGATE_TOTAL` | | `classif2.label` | `string` | — | `婚姻状况（聚合级别）：总计` | | `time` | `int64` | 观测年份 | `2021` | | `obs_value` | `float64` | 观测指标值（单位依指标定义而定） | `135.254` | | `obs_status` | `string` | 观测状态标记（如临时、不可靠） | `U` | | `obs_status.label` | `string` | — | `不可靠` | | `note_classif` | `string` | — | `C3:2620` | | `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_S3:8` | | `note_source.label` | `string` | — | `数据源仓库：ILO统计数据库 - 微观数据…` | ## 细分维度 以下字段提供数据细分维度： - **`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，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数据源时，将采用国际劳工组织选定的“最优数据源”。 - 细分字段（`sex`、`classif1`、`classif2`）仅在指标支持对应细分维度时才会填充非空值。 ## 使用方法 python from datasets import load_dataset ds = load_dataset("electricsheepasia/asia-ilo-eip-wdis-sex-edu-mts-nb-discouraged-job-seekers-by-sex-education-and-marit") df = ds["train"].to_pandas() print(df.head()) ### 筛选单个国家 python indonesia = df[df["ref_area"] == "IDN"] ### 单个指标的时间序列数据 python sample = (df[df["indicator"] == "EIP_WDIS_SEX_EDU_MTS_NB"] .sort_values("time")) sample.plot(x="time", y="obs_value", title="EIP_WDIS_SEX_EDU_MTS_NB") ### 转换为国家×年份矩阵 python matrix = (df[df["indicator"] == "EIP_WDIS_SEX_EDU_MTS_NB"] .pivot_table(index="time", columns="ref_area", values="obs_value")) print(matrix.tail()) ## 引用格式 bibtex @misc{asia_ilo_eip_wdis_sex_edu_mts_nb_discouraged_job_seekers_by_sex_education_and_marit_2025, title = {Discouraged job-seekers by sex, education and marital status (thousands) | Asia (ILOSTAT)}, author = {International Labour Organization (ILO)}, year = {2025}, url = {https://www.ilo.org/shinyapps/bulkexplorer/?id=EIP_WDIS_SEX_EDU_MTS_NB}, publisher = {HuggingFace Datasets, repackaged by Electric Sheep Asia}, howpublished = {url{https://huggingface.co/datasets/electricsheepasia/asia-ilo-eip-wdis-sex-edu-mts-nb-discouraged-job-seekers-by-sex-education-and-marit}} } ## 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（ILO）所有。使用本数据集时，请同时引用上述原始数据源与Electric Sheep Asia的重新整理版本。 ## 关于Electric Sheep Electric Sheep Asia隶属于Electric Sheep使命：在HuggingFace平台上构建统一的、可供机器学习直接使用的亚洲地区数据层。我们从权威开放数据源获取数据，对数据schema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，使研究人员与开发者可以通过`load_dataset()`函数在数秒内启动数据使用工作。 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流水线摄取。源URL：https://www.ilo.org/shinyapps/bulkexplorer/?id=EIP_WDIS_SEX_EDU_MTS_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数据库，经由Electric Sheep Asia团队精心提取与重构。原始数据通过ILOSTAT的REST API接口获取，筛选出亚洲地区28个国家的指标，并依据国际劳动统计学家会议（ICLS）的定义进行标准化处理。数据集以Parquet格式打包，保留了来源、性别、教育水平、婚姻状况等多重分类维度，确保数据的可追溯性与可靠性。

使用方法

用户可通过HuggingFace的datasets库便捷加载数据，只需一行代码即可将数据集转换为Pandas DataFrame进行深入分析。支持按国家或指标进行筛选，例如过滤出印度尼西亚的观测值，或针对特定指标绘制时间序列图。此外，用户可利用pivot_table功能构建国家与年份的交叉矩阵，便于进行跨区域对比与趋势研究。

背景与挑战

背景概述

该数据集由国际劳工组织（ILO）下属的ILOSTAT数据库整理，由Electric Sheep Asia于2025年重新打包发布，聚焦亚洲地区因就业前景黯淡而放弃求职的群体（Discouraged job-seekers），涵盖28个亚洲国家1999至2025年的8,176条观测记录。作为劳动力市场边缘群体的重要表征，这一指标揭示了在传统失业统计之外，隐性劳动力闲置的结构性困境。数据集按照性别、受教育程度与婚姻状况进行多维度分层，为分析亚洲地区劳动力参与不足的异质性提供了宝贵的时间序列资料，尤其有助于审视经济发展转型中脆弱群体的就业心理与行为。该数据的发布填补了亚洲区域在非标准劳动力利用指标上的系统性空白，推动了劳动经济学与社会政策研究的精细化进展。

当前挑战

该数据集面临的核心挑战首先在于其聚焦的‘放弃求职者’概念本身：这一群体处于劳动力市场统计的灰色地带，既非就业也非传统失业，其定义与测量在不同国家间高度依赖调查设计与文化语境，导致跨国可比性受限。构建过程中的挑战叠加于指标本身：ILO虽通过ICLS标准进行数据协调，但各国原始调查的抽样框架、问卷措辞、回应率差异显著，标注为‘不可靠’的观测值大量存在；时间序列中的方法论修订与断裂使得长期趋势推断必须谨慎对待。此外，数据集现仅提供年度频次，缺乏更高分辨率的月度或季度数据，难以精准捕捉经济冲击下的瞬时劳动力退出行为。性别与教育分组在部分国家样本量稀疏，亦制约了细粒度分析的统计效力。

常用场景

经典使用场景

该数据集整合了国际劳工组织（ILO）关于亚洲地区丧失信心的求职者（Discouraged job-seekers）的统计信息，涵盖28个国家1999至2025年的年度观测数据，总计8176条记录。其经典使用场景聚焦于劳动经济学与人口统计学交叉领域的分类与回归任务，研究者可利用性别、教育程度、婚姻状况等维度对求职者进行分层建模，分析不同人口特征群体在劳动力市场边缘化状态中的分布规律。同时，该数据亦适用于时间序列预测，通过历年观测值捕捉区域内隐性失业的动态演变趋势，为理解非充分就业的长期波动提供量化基础。

解决学术问题

该数据集的核心学术价值在于填补了亚洲地区劳动力利用不足（labour underutilization）研究中高精度、跨国的标准化数据缺口。传统失业率指标往往忽略因长期求职失败而放弃寻找工作的隐性失业群体，而本数据专门针对‘丧失信心的求职者’这一边缘人群，使学者能够准确量化劳动力市场中的次优利用状态。它解决了两个关键问题：一是性别、教育与婚姻状况如何交互影响求职者的退出行为；二是不同国家在相同发展阶段下，其社会保护体系与劳动力政策的差异性如何塑造隐性失业的规模。研究成果为人本导向的劳动经济学理论提供了实证支撑，推动政策制定者重新审视失业统计的边界与包容性。

实际应用

在实际政策制定与商业决策中，该数据集可服务于多类应用场景。政府劳工部门可利用其追踪特定教育层次或性别群体在劳动力市场中的受挫程度，进而设计定向职业培训与再就业激励项目。国际发展机构则能通过跨年代的时间序列比较，评估亚洲各国经济发展周期与福利制度对就业信心的缓冲效果。对于劳动密集型行业的人力资源规划，该数据揭示了人口结构变化引发的潜在劳动力供给缩减风险，辅助企业前瞻性地调整招聘策略。此外，非政府组织可以此作为基准，监测社会不平等指标的演化，推动更公平的劳动力市场转型。

数据集最近研究

最新研究方向

该数据集聚焦于亚洲地区因性别、教育程度及婚姻状况而分化的沮丧求职者群体，为劳动经济学中的隐性失业与劳动力闲置研究提供了宝贵的高频面板数据。当前前沿方向集中于利用该数据集的跨年度跨国家特征，结合差分模型或机器学习方法，探究教育回报率下降、婚姻稳定性变化以及性别歧视如何共同导致部分群体主动退出劳动力市场。尤其在后疫情时代，该数据有助于量化分析经济复苏过程中弱势群体的就业韧性，以及社会保障体系对沮丧求职者规模的缓冲效应。