electricsheepasia/asia-ilo-eip-2eet-sex-rt-share-of-youth-not-in-employment-education-or-trai

该数据集包含3354条观测数据，涉及49个亚洲国家，时间跨度为2005年至2027年，涵盖1个特定指标：按性别划分的未就业、未受教育或未培训青年（NEET）比例——国际劳工组织模型估计值。数据来源于国际劳工组织（ILO）的ILOSTAT数据库，属于其他劳动力未充分利用指标主题。数据集提供了按性别（总计、男性、女性）分列的年度数据，包括国家代码、年份、观测值、数据来源和质量标志等信息。数据经过ILO的标准化处理，适用于表格分类、回归和时间序列预测等任务。许可证: CC BY 4.0（知识共享署名4.0许可协议） 语言: - 英语 任务类别: - 表格分类（tabular-classification） - 表格回归（tabular-regression） - 时间序列预测（time-series-forecasting） 多语言属性: 单语 样本规模类别: - 1000 < 样本量 < 10000 标签: - 表格数据（tabular） - 亚洲（asia） - ILOSTAT（国际劳工组织统计数据库） - 劳动力利用不足其他衡量指标（other-measures-of-labour-underutilization） - ILO（国际劳工组织） - 劳动力（labour） - 就业（employment） 数据集展示名称: "按性别划分的未就业、未接受教育或未参与培训青年（Not in Employment, Education or Training，简称NEET）占比——国际劳工组织模型估算 | 亚洲（ILOSTAT）" # 按性别划分的未就业、未接受教育或未参与培训青年（NEET）占比——国际劳工组织模型估算 | 亚洲（ILOSTAT） 🌏 **3354条观测数据** · **49个亚洲国家** · **2005–2027年** · *由[Electric Sheep Asia](https://huggingface.co/electricsheepasia)重新打包整理*      ## TL;DR 本数据集包含**3354条观测数据**，覆盖**49个亚洲国家**的`劳动力利用不足其他衡量指标`相关数据，时间跨度为**2005–2027年**，涵盖**1项独立指标**。 ## 数据源说明 **ILOSTAT（国际劳工组织统计数据库）** 是国际劳工组织（International Labour Organization，简称ILO）的核心统计数据库，也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（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。该数据库覆盖全球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。 - **数据来源**：[ILOSTAT](https://www.ilo.org/shinyapps/bulkexplorer/?id=EIP_2EET_SEX_RT) - **发布方**：国际劳工组织（International Labour Organization，简称ILO） - **许可证**：[CC BY 4.0](https://creativecommons.org/licenses/by/4.0/) - **主题**：劳动力利用不足其他衡量指标 ## 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_2EET_SEX_RT`拉取数据，并筛选出亚洲地区的ISO3国家代码。ILOSTAT依据国际劳工统计学家会议（International Conference of Labour Statisticians，简称ICLS）的定义对原始调查微观数据进行标准化协调；数据来源信息会在`source.label`字段中标记，以保证可追溯性。 ## 地理覆盖范围 49个亚洲国家 · 以下按行数排序展示部分数据： | 国家代码 | 行数 | 起始年份 | 结束年份 | |---------|-----:|-----------:|----------:| | `AFG` | 69 | 2005 | 2027 | | `ARE` | 69 | 2005 | 2027 | | `ARM` | 69 | 2005 | 2027 | | `AZE` | 69 | 2005 | 2027 | | `BGD` | 69 | 2005 | 2027 | | `BHR` | 69 | 2005 | 2027 | | `BRN` | 69 | 2005 | 2027 | | `BTN` | 69 | 2005 | 2027 | | `CHN` | 69 | 2005 | 2027 | | `CYP` | 69 | 2005 | 2027 | | `GEO` | 69 | 2005 | 2027 | | `IDN` | 69 | 2005 | 2027 | | `IND` | 69 | 2005 | 2027 | | `IRN` | 69 | 2005 | 2027 | | `IRQ` | 69 | 2005 | 2027 | | ... | _另有34个国家_ | | | ## 指标（示例） - `EIP_2EET_SEX_RT` — 按性别划分的未就业、未接受教育或未参与培训青年（NEET）占比——国际劳工组织2025年11月模型估算值（%） ## 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` | 英语国家名称 | `阿富汗` | | `source` | `string` | ILOSTAT来源代码（如劳动力调查） | `XA:2198` | | `source.label` | `string` | 英语来源名称 | `ILO - 模型估算值` | | `indicator` | `string` | ILOSTAT指标代码 | `EIP_2EET_SEX_RT` | | `indicator.label` | `string` | 英语指标名称 | `按性别划分的未就业、未接受教育或未参与培训青年占比` | | `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` | | `time` | `int64` | 观测年份 | `2027` | | `obs_value` | `float64` | 观测指标值（单位依指标定义而定） | `55.481` | | `obs_status` | `string` | 观测状态标记（如暂定、不可靠） | `R` | | `obs_status.label` | `string` | — | `实际值` | ## 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，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`）仅在指标支持该细分维度时才会非空。 ## 使用方法 python from datasets import load_dataset ds = load_dataset("electricsheepasia/asia-ilo-eip-2eet-sex-rt-share-of-youth-not-in-employment-education-or-trai") df = ds["train"].to_pandas() print(df.head()) ### 筛选单个国家数据 python indonesia = df[df["ref_area"] == "IDN"] ### 单个指标的时间序列数据 python sample = (df[df["indicator"] == "EIP_2EET_SEX_RT"] .sort_values("time")) sample.plot(x="time", y="obs_value", title="EIP_2EET_SEX_RT") ### 转换为国家×年份矩阵 python matrix = (df[df["indicator"] == "EIP_2EET_SEX_RT"] .pivot_table(index="time", columns="ref_area", values="obs_value")) print(matrix.tail()) ## 引用格式 bibtex @misc{asia_ilo_eip_2eet_sex_rt_share_of_youth_not_in_employment_education_or_trai_2027, title = {按性别划分的未就业、未接受教育或未参与培训青年（NEET）占比——国际劳工组织模型估算 | 亚洲（ILOSTAT）}, author = {国际劳工组织（International Labour Organization，简称ILO)}, year = {2027}, url = {https://www.ilo.org/shinyapps/bulkexplorer/?id=EIP_2EET_SEX_RT}, publisher = {HuggingFace数据集平台，由Electric Sheep Asia重新打包}, howpublished = {url{https://huggingface.co/datasets/electricsheepasia/asia-ilo-eip-2eet-sex-rt-share-of-youth-not-in-employment-education-or-trai}} } ## 许可证 本数据集采用[CC BY 4.0](https://creativecommons.org/licenses/by/4.0/)许可协议发布。 原始数据版权归国际劳工组织（International Labour Organization，简称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的重新打包版本。 ## 关于Electric Sheep Electric Sheep是Electric Sheep项目的组成部分，旨在打造HuggingFace平台上统一的、适用于机器学习的亚洲地区数据层。我们从权威开放数据源拉取数据，对其schema进行标准化，以Parquet格式打包发布，并采用统一的数据集卡片规范，使研究人员与开发者仅需通过`load_dataset()`即可在数秒内开始使用数据。 浏览完整数据集集合：[huggingface.co/electricsheepasia](https://huggingface.co/electricsheepasia) --- _数据溯源：2026-05-28通过Electric Sheep流水线摄入。源URL: https://www.ilo.org/shinyapps/bulkexplorer/?id=EIP_2EET_SEX_RT_

搜集汇总

数据集介绍

构建方式

本数据集源自国际劳工组织（ILO）的ILOSTAT数据库，聚焦于“青年未就业、未受教育或未接受培训的比例（NEET）”，按性别分列。数据通过ILOSTAT REST API直接抓取，并依据亚洲ISO3国家代码进行地理筛选，涵盖49个亚洲国家。ILOSTAT采用国际劳动统计学家会议（ICLS）定义对原始调查微观数据进行协调处理，所有数据来源均在‘source.label’列中标注，确保可追溯性。该数据集由Electric Sheep Asia重新打包，以Parquet格式存储，并通过HuggingFace Datasets库提供统一接口。

特点

该数据集包含3,354条观测记录，时间跨度从2005年至2027年，覆盖49个亚洲国家的单一指标（EIP_2EET_SEX_RT）。数据结构清晰，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、观测值及状态标志等12个字段。性别维度提供总值、男性和女性三种分类，支持细粒度分析。数据质量注重可靠性，采用ILO选定的‘最佳来源’处理多源冲突，观测状态标志（如‘R’表示实际值）有助于用户评估数据可信度。

使用方法

通过HuggingFace Datasets库可快速加载数据集：使用`load_dataset()`命令即可获得包含所有观测的训练集，并可直接转换为pandas DataFrame进行后续分析。用户可根据国家代码（如‘IDN’）筛选特定国家数据，也可按指标进行时间序列可视化，或通过数据透视表构建国家×年份矩阵。数据集适用于表格分类、回归及时间序列预测等任务，结合ILOSTAT丰富的劳动力统计背景，为研究亚洲青年劳动力市场动态提供了便利的机器学习就绪数据源。

背景与挑战

背景概述

在全球劳动力市场研究中，青年群体因面临结构性失业、教育与就业脱节等多重困境而备受关注。由国际劳工组织（ILO）于2025年发布的“asia-ilo-eip-2eet-sex-rt-share-of-youth-not-in-employment-education-or-trai”数据集，汇聚了来自亚洲49个国家、横跨2005年至2027年的3354条观测记录，核心聚焦于“未就业、未接受教育或培训的青年比例（NEET）”。该数据集依托ILOSTAT这一权威劳动统计数据库，经由Electric Sheep Asia重新整合为机器学习就绪格式，为区域劳动力市场分析提供了标准化的时间序列数据支撑。其在可持续发展目标（SDG）监测、青年就业政策评估以及国际比较研究中具有重要参考价值，尤其推动了对亚洲新兴经济体中青年劳动力闲置问题的量化探讨。

当前挑战

该数据集所应对的核心领域挑战在于，青年NEET率作为衡量劳动力闲置与社会排斥的复合指标，其跨国可比性受制于各国调查设计、定义口径及抽样方法的差异，ILO虽通过模型估算与ICLS标准进行了统一，但数据仍面临来源标识的异质性与年度频率的局限性。构建过程中，需从ILOSTAT的REST API中提取原始数据，过滤出亚洲国家代码并处理多维度分解（如性别），同时保证缺失值、观测状态标记（如临时值与实际值）及不同来源间优先级选择的合理性。此外，将非标准化的微观调查元数据重塑为一致的表格结构，并维持时间序列的连续性，也是数据整合中的主要技术挑战。

常用场景

经典使用场景

该数据集汇聚了国际劳工组织（ILO）对亚洲49个国家和地区青年（15-24岁）不在就业、教育或培训状态（NEET）比例的估算数据，时间跨度从2005年至2027年，涵盖性别细分维度。在社会科学与劳动经济学研究中，研究者常借助这一面板数据，运用固定效应模型或差分法，系统分析亚洲各国青年劳动力市场参与度与教育衔接的演变趋势。通过观测NEET比率的时间序列变化，学者能够评估经济发展周期、产业结构转型以及社会政策干预对青年群体职业融入的宏观影响，为跨国比较与区域异质性研究提供了坚实的数据基石。

解决学术问题

该数据集有效回应了发展中国家青年劳动参与率偏低与技能错配等经典学术问题。传统的失业率指标往往遗漏那些既未工作也未接受教育的边缘化群体，而NEET指标则精准捕捉了这一“沉默”的脆弱人群。借助ILO模型估算的统一口径，数据克服了各国统计体系差异带来的可比性障碍，使研究者能够深入探讨性别不平等在青年就业中的结构性困境、教育回报率下降的社会成因，以及劳动力市场制度对青年职业启动的调节效应。这一数据集的出现，极大推动了关于青年人力资本积累与经济包容性增长之间关系的跨国实证研究。

衍生相关工作

该数据集催生了多个具有影响力的衍生研究方向与经典工作。基于ILOSTAT NEET面板数据，学者发展出预测青年失业与教育脱节风险的机器学习模型，如运用梯度提升树或长短期记忆网络（LSTM）对时间序列进行建模，提前识别劳动力市场预警信号。另有工作将NEET指标与性别不平等指数、教育投资回报率等变量结合，构建亚洲青年人力资本的综合评价框架。部分研究进一步将数据与地理信息融合，绘制亚洲青年失学失业热力图，揭示内陆与沿海地区、城乡之间的深层结构差异。这些成果不仅丰富了劳动经济学的方法工具箱，也为跨学科合作提供了可复用的数据基础设施。