electricsheepasia/asia-ilo-ged-xlu2-sex-hht-chl-rt-prime-age-combined-rate-of-time-related-underemplo

该数据集包含来自国际劳工组织（ILO）ILOSTAT数据库的“其他劳动力未充分利用指标”数据，专门针对亚洲地区。核心指标为“Prime-age combined rate of time-related underemployment and unemployment (LU2) by sex, household type and presence of children (%)”，即按性别、家庭类型和儿童存在情况划分的黄金年龄时间相关就业不足和失业综合率（LU2）。数据集涵盖22个亚洲国家，时间跨度为2000年至2025年，共包含16,144个观测值。数据通过ILOSTAT REST API获取，并经过ILO根据国际劳工统计学家会议（ICLS）定义进行标准化处理。数据集提供了详细的列结构，包括国家代码、来源、指标、性别分类、家庭类型分类、儿童存在分类、年份、观测值及状态等维度，适用于表格分类、回归和时间序列预测等任务。--- license: cc-by-4.0 language: - en task_categories: - 表格分类 - 表格回归 - 时间序列预测 multilinguality: 单语言 size_categories: - 10000 < 样本数 < 100000 tags: - 表格数据 - 亚洲 - ILOSTAT - 劳动力未充分利用其他指标 - ILO - 劳动力 - 就业 pretty_name: "按性别、家庭类型及子女情况划分的劳动年龄人口时间型未充分就业与失业综合率（LU2） | 亚洲地区（ILOSTAT）" --- # 按性别、家庭类型及子女情况划分的劳动年龄人口时间型未充分就业与失业综合率（LU2） | 亚洲地区（ILOSTAT） 🌏 **16144条观测样本** · **22个亚洲国家** · **2000–2025年** · *由[Electric Sheep Asia](https://huggingface.co/electricsheepasia)重新整理发布*      ## TL;DR 本数据集包含**22个亚洲国家**2000–2025年间的**16144条“劳动力未充分利用其他指标”数据**，涵盖**1个核心指标**。 ## 关于数据源 **ILOSTAT（国际劳工组织统计数据库）**是国际劳工组织（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（SDG）体面工作目标等各类指标，数据来源于全国劳动力调查、住户收入调查、企业调查及行政记录。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标准化工作。 - **数据源**：[ILOSTAT](https://www.ilo.org/shinyapps/bulkexplorer/?id=GED_XLU2_SEX_HHT_CHL_RT) - **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指标 ## 数据处理方法 本数据集直接从ILOSTAT REST API（`https://rplumber.ilo.org/data/indicator?id=GED_XLU2_SEX_HHT_CHL_RT`）拉取数据，并筛选出亚洲地区的ISO 3166-1 alpha-3国家代码样本。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；数据来源信息将在`source.label`字段中标记，以确保可追溯性。 ## 地理覆盖范围 22个亚洲国家 · 以下为按样本量排序的前10个国家及剩余部分： | 国家代码 | 样本量 | 起始年份 | 结束年份 | |---------|-----:|-----------:|----------:| | `CYP` | 1,975 | 2000 | 2020 | | `IRN` | 1,967 | 2008 | 2024 | | `TUR` | 1,635 | 2004 | 2024 | | `KHM` | 1,605 | 2000 | 2023 | | `LKA` | 1,325 | 2010 | 2022 | | `PAK` | 1,308 | 2006 | 2025 | | `VNM` | 1,050 | 2007 | 2024 | | `PHL` | 837 | 2017 | 2023 | | `MNG` | 800 | 2010 | 2017 | | `THA` | 691 | 2016 | 2021 | | `ARM` | 438 | 2014 | 2017 | | `AFG` | 433 | 2014 | 2021 | | `BTN` | 330 | 2021 | 2024 | | `MMR` | 328 | 2018 | 2020 | | `LAO` | 321 | 2010 | 2022 | | ... | 另有7个国家 | | | ## 指标（示例） - `GED_XLU2_SEX_HHT_CHL_RT` — 按性别、家庭类型及子女情况划分的劳动年龄人口时间型未充分就业与失业综合率（LU2，单位：%） ## 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 | `劳动力调查（LFS）` | | `indicator` | `string` | ILOSTAT 指标代码 | `GED_XLU2_SEX_HHT_CHL_RT` | | `indicator.label` | `string` | 英文指标名称 | `Prime-age combined rate of time-relat…` | | `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` | 维度说明 | `总计` | | `classif1` | `string` | 第一分类变量（年龄、教育程度、就业状态等） | `HHT_AGGREGATE_TOTAL` | | `classif1.label` | `string` | 分类变量说明 | `家庭类型：总计` | | `classif2` | `string` | 可选第二分类变量 | `CHL_AGET6_TOTAL` | | `classif2.label` | `string` | 分类变量说明 | `6岁以下子女情况：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） | `12.022` | | `obs_status` | `string` | 观测状态标记（如临时数据、不可靠数据） | `U` | | `obs_status.label` | `string` | 状态说明 | `不可靠` | | `note_indicator` | `string` | 指标相关备注 | `—` | | `note_indicator.label` | `string` | 备注说明 | `—` | | `note_source` | `string` | 数据源相关备注 | `R1:3513_S3:8` | | `note_source.label` | `string` | 备注说明 | `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3种唯一取值）：`SEX_T`、`SEX_M`、`SEX_F` ## 数据质量与注意事项 - 本数据集采用年度频率数据。部分指标同时发布月度或季度序列，本数据集未收录此类数据。 - 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非空。 ## 使用示例 python from datasets import load_dataset ds = load_dataset("electricsheepasia/asia-ilo-ged-xlu2-sex-hht-chl-rt-prime-age-combined-rate-of-time-related-underemplo") 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"] == "GED_XLU2_SEX_HHT_CHL_RT"] .sort_values("time")) sample.plot(x="time", y="obs_value", title="GED_XLU2_SEX_HHT_CHL_RT") ### 转换为国家×年份矩阵 python matrix = (df[df["indicator"] == "GED_XLU2_SEX_HHT_CHL_RT"] .pivot_table(index="time", columns="ref_area", values="obs_value")) print(matrix.tail()) ## 引用格式 bibtex @misc{asia_ilo_ged_xlu2_sex_hht_chl_rt_prime_age_combined_rate_of_time_related_underemplo_2025, title = "按性别、家庭类型及子女情况划分的劳动年龄人口时间型未充分就业与失业综合率（LU2） | 亚洲地区（ILOSTAT）", author = {国际劳工组织（ILO）}, year = {2025}, url = {https://www.ilo.org/shinyapps/bulkexplorer/?id=GED_XLU2_SEX_HHT_CHL_RT}, publisher = {HuggingFace数据集平台，由Electric Sheep Asia重新整理发布}, howpublished = {url{https://huggingface.co/datasets/electricsheepasia/asia-ilo-ged-xlu2-sex-hht-chl-rt-prime-age-combined-rate-of-time-related-underemplo}} } ## 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及Electric Sheep Asia的重新整理版本。 ## 关于Electric Sheep团队 Electric Sheep Asia是Electric Sheep使命的一部分：旨在HuggingFace平台上构建统一的、适用于机器学习的亚洲地区数据层。我们从权威开源数据源获取数据，对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：2026-05-26通过Electric Sheep管道摄入。源URL：https://www.ilo.org/shinyapps/bulkexplorer/?id=GED_XLU2_SEX_HHT_CHL_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统计数据库（ILOSTAT），通过其REST API接口直接提取指标GED_XLU2_SEX_HHT_CHL_RT的原始记录，并依据ISO3国家代码筛选出亚洲区域数据。ILOSTAT采用国际劳工统计学家会议（ICLS）定义对各国劳动力调查微观数据进行统一化处理，数据来源在source.label列中标注以保证可追溯性。Electric Sheep Asia对提取结果进行重新打包，生成适用于机器学习流程的Parquet格式，最终形成覆盖22个亚洲国家、时间跨度为2000至2025年的结构化数据集。

特点

数据集聚焦于黄金年龄组（prime-age）与时间相关就业不足和失业的复合比率（LU2），并按性别、家庭类型及是否存在幼童进行多维分解。其核心特征包括：16144条观测记录，涵盖22个亚洲国家，时间序列横跨二十余年；模式设计包含ref_area、source、indicator、sex、classif1、classif2等分类维度，以及obs_value数值列和obs_status质量标志列；数据以年度频率发布，部分指标可能包含月度或季度序列，但未纳入本数据集；当同一国家—年份存在多源数据时，采用ILO筛选的最优来源。

使用方法

使用者可通过HuggingFace datasets库以load_dataset函数加载数据集，并利用to_pandas方法转换为数据框进行后续分析。典型操作包括：按ref_area列筛选特定国家（如印度尼西亚）；按indicator列提取单一指标并按time排序以绘制时间序列图；利用pivot_table将数据重塑为国家×年份矩阵以便横向比较。数据集适用于表格分类、表格回归及时间序列预测等任务，使用时需注意obs_status列中的质量标志（如临时性或不可靠数据），并遵循cc-by-4.0许可协议，同时引用ILO原始来源与Electric Sheep Asia的再包装工作。

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的标准化与可比性建设，ILOSTAT作为其核心统计数据库，为监测就业不足与失业提供了权威数据基础。该数据集由Electric Sheep Asia于2025年整合发布，源自ILOSTAT REST API，覆盖22个亚洲国家2000至2025年间16,144条观测记录，聚焦黄金年龄组（prime-age）时间相关就业不足与失业的复合比率（LU2），并按性别、家庭类型及子女存在情况细分。其核心研究问题在于刻画亚洲地区劳动力未充分利用的多维特征，为劳动经济学与政策评估提供精细化的面板数据支撑。该数据集对推动亚洲劳动力市场比较研究、SDG体面工作目标监测具有重要影响力。

当前挑战

该数据集所应对的领域问题在于如何准确量化并跨国比较时间相关就业不足与失业的复合水平，这要求对各国差异化的劳动力调查定义进行严格协调。构建过程中的主要挑战包括：ILOSTAT原始数据来自各国劳动力调查与行政记录，统计口径与质量参差不齐，部分观测值被标记为不可靠或临时性；黄金年龄组与家庭类型、子女存在等维度的交叉分类导致部分国家年份数据稀疏，面板不平衡问题突出；此外，非正式经济普遍存在使得就业不足现象难以被常规调查充分捕捉，数据时效性亦受各国发布周期制约，这些因素共同构成了该数据集在分析与建模中的核心挑战。

常用场景

经典使用场景

在劳动经济学与就业政策研究领域，该数据集最经典的使用场景在于刻画亚洲二十二国壮年劳动力群体中与时间相关的就业不足与失业复合比率（LU2）的时序演变轨迹。研究者可借助其涵盖2000至2025年、逾一万六千条观测的面板结构，按性别、家庭类型及六岁以下子女存在状况等维度进行分层比较，从而揭示不同人口群体在劳动力利用效率上的异质性。借助时间序列分析与跨国对比，可系统评估各经济体在实现充分就业目标方面的进展与波动。

实际应用

在政策制定与实务监测层面，该数据集为亚洲各国劳动主管部门、国际发展机构及智库提供了可操作的证据基础。借助性别与家庭结构的分项数据，决策者能够识别哪些群体在劳动力市场中面临更严峻的工时不足风险，据此设计有针对性的就业促进计划、育儿支持政策与职业技能培训方案。同时，时间序列信息可用于评估既有政策干预的成效，并为实现联合国可持续发展目标中关于体面工作的具体指标提供量化监测工具。

衍生相关工作

作为Electric Sheep Asia统一亚洲数据层的重要组成部分，该数据集已催生若干衍生性研究工作。研究者基于其规范化的Parquet格式与HuggingFace接口，开发了跨国劳动力市场脆弱性预测模型，并与其他ILO指标数据集进行横向整合，构建多维就业质量评估框架。此外，该数据集的复用也促进了时间序列预测方法在劳动统计领域的应用探索，为后续关于就业不足与宏观经济增长关联的计量分析奠定了数据基础。