electricsheepafrica/africa-ilo-luu-xlu2-sex-age-edu-rt-combined-rate-of-time-related-underemployment-and

该数据集包含16,009个观测值，涉及其他劳动力利用不足指标数据，覆盖34个非洲国家，时间跨度为1991年至2025年，涵盖1个不同的指标。具体指标为按性别、年龄和教育划分的时间相关就业不足和失业综合率（LU2）。数据来源于国际劳工组织（ILO）的ILOSTAT数据库，通过API获取并过滤为非洲国家代码，经过标准化处理以符合国际劳工统计学家会议（ICLS）的定义。数据集包括国家代码、国家名称、数据来源、指标代码、性别分类、年龄和教育分类、观测年份、观测值、观测状态等列，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 - 非洲 - 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、年龄和教育水平划分的时间相关不充分就业与失业综合率（LU2）| 非洲（ILOSTAT）" --- # 按性别、年龄和教育水平划分的时间相关不充分就业与失业综合率（LU2）| 非洲（ILOSTAT） 🌍 **16,009条观测数据** · **34个非洲国家** · **1991–2025年** · *由[Electric Sheep Africa](https://huggingface.co/electricsheepafrica)重新整理发布*      ## 快速概览（TL;DR） 本数据集包含覆盖34个非洲国家、时间跨度为1991–2025年的**16,009条**「劳动力未充分利用其他衡量指标」数据，共涉及**1个核心指标**。 ## 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）的中央统计数据库，也是全球领先的劳动力统计权威来源。该库整合了就业、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（Sustainable Development Goals，SDG）体面工作目标等各类指标，数据来源于全国劳动力调查、家庭收入调查、机构调查及行政记录，覆盖全球200余个经济体，由国际劳工组织统计司负责数据标准化协调。 - **数据源**：[ILOSTAT](https://www.ilo.org/shinyapps/bulkexplorer/?id=LUU_XLU2_SEX_AGE_EDU_RT) - **发布方**：国际劳工组织（ILO） - **许可协议**：[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 数据直接从ILOSTAT REST API接口`https://rplumber.ilo.org/data/indicator?id=LUU_XLU2_SEX_AGE_EDU_RT`拉取，并筛选出非洲地区的ISO3国家代码。ILOSTAT采用国际劳工统计学家会议（International Conference of Labour Statisticians，ICLS）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，以确保可追溯性。 ## 地理覆盖范围 34个非洲国家，以下按行数降序展示部分国家示例： | 国家代码 | 行数 | 起始年份 | 结束年份 | |---------|-----:|-----------:|----------:| | `ZAF` | 2,203 | 2008 | 2024 | | `RWA` | 1,113 | 2014 | 2025 | | `GHA` | 947 | 1991 | 2024 | | `ZMB` | 895 | 2017 | 2024 | | `AGO` | 852 | 2019 | 2025 | | `UGA` | 810 | 2010 | 2021 | | `ZWE` | 763 | 2011 | 2024 | | `MUS` | 759 | 2012 | 2019 | | `BWA` | 739 | 2006 | 2024 | | `SEN` | 684 | 2011 | 2024 | | `EGY` | 518 | 2016 | 2024 | | `MLI` | 493 | 2018 | 2024 | | `NGA` | 485 | 2019 | 2024 | | `SYC` | 432 | 2015 | 2024 | | `ETH` | 416 | 2005 | 2021 | | ... | _另有19个国家_ | | | ## 指标示例 - `LUU_XLU2_SEX_AGE_EDU_RT` — 按性别、年龄和教育水平划分的时间相关不充分就业与失业综合率（LU2）（%） ## 数据结构 | 字段名 | 数据类型 | 字段说明 | 示例 | |--------|------|-------------|---------| | `ref_area` | `string` | ISO 3166-1 alpha-3国家代码 | `AGO` | | `ref_area.label` | `string` | 英文国家名称 | `安哥拉` | | `source` | `string` | ILOSTAT数据源代码（例如劳动力调查） | `BA:13951` | | `source.label` | `string` | 英文数据源名称 | `劳动力调查（LFS）` | | `indicator` | `string` | ILOSTAT指标代码 | `LUU_XLU2_SEX_AGE_EDU_RT` | | `indicator.label` | `string` | 英文指标名称 | `按性别、年龄和教育水平划分的时间相关不充分就业与失业综合率（LU2）` | | `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、教育水平、身份等） | `AGE_YTHADULT_YGE15` | | `classif1.label` | `string` | — | `年龄（青年、成人）：15岁及以上` | | `classif2` | `string` | 可选第二分类变量 | `EDU_AGGREGATE_TOTAL` | | `classif2.label` | `string` | — | `教育水平（综合级别）：总计` | | `time` | `int64` | 观测年份 | `2025` | | `obs_value` | `float64` | 观测指标值（单位详见指标定义） | `11.141` | | `obs_status` | `string` | 观测状态标记（例如临时数据、不可靠数据） | `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` | | `note_source.label` | `string` | — | `存储库：ILO统计数据库 - 微观数据…` | ## 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，本数据集未包含此类数据。 - 当同一国家×年份存在多个数据源时，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非空。 ## 使用方法 python from datasets import load_dataset ds = load_dataset("electricsheepafrica/africa-ilo-luu-xlu2-sex-age-edu-rt-combined-rate-of-time-related-underemployment-and") df = ds["train"].to_pandas() print(df.head()) ### 按单个国家筛选 python kenya = df[df["ref_area"] == "KEN"] ### 单指标时间序列分析 python sample = (df[df["indicator"] == "LUU_XLU2_SEX_AGE_EDU_RT"] .sort_values("time")) sample.plot(x="time", y="obs_value", title="LUU_XLU2_SEX_AGE_EDU_RT") ### 转换为国家-年份矩阵 python matrix = (df[df["indicator"] == "LUU_XLU2_SEX_AGE_EDU_RT"] .pivot_table(index="time", columns="ref_area", values="obs_value")) print(matrix.tail()) ## 引用格式 bibtex @misc{africa_ilo_luu_xlu2_sex_age_edu_rt_combined_rate_of_time_related_underemployment_and_2025, title = {Combined rate of time-related underemployment and unemployment (LU2) by sex, age and educa | Africa (ILOSTAT)}, author = {International Labour Organization (ILO)}, year = {2025}, url = {https://www.ilo.org/shinyapps/bulkexplorer/?id=LUU_XLU2_SEX_AGE_EDU_RT}, publisher = {HuggingFace Datasets, repackaged by Electric Sheep Africa}, howpublished = {url{https://huggingface.co/datasets/electricsheepafrica/africa-ilo-luu-xlu2-sex-age-edu-rt-combined-rate-of-time-related-underemployment-and}} } ## 许可协议 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（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 Africa的重新整理版本。 ## 关于Electric Sheep Africa Electric Sheep Africa是Electric Sheep项目的组成部分，旨在HuggingFace平台上构建统一的、适配机器学习的非洲数据层。我们从权威开放数据源获取数据，标准化数据结构，封装为Parquet格式，并发布格式统一的数据集卡片，以便研究人员和开发者仅需调用`load_dataset()`即可在数秒内启动工作。浏览完整数据集集合：[huggingface.co/electricsheepafrica](https://huggingface.co/electricsheepafrica) --- _数据溯源：2026年5月26日通过Electric Sheep流水线摄入。源URL：https://www.ilo.org/shinyapps/bulkexplorer/?id=LUU_XLU2_SEX_AGE_EDU_RT_

搜集汇总

数据集介绍

构建方式

该数据集系由Electric Sheep Africa对国际劳工组织统计数据库（ILOSTAT）中非洲地区劳动力未充分利用指标进行系统化整理与再封装而成。原始数据涵盖34个非洲国家，时间跨度为1991年至2025年，共包含16,009条观测记录，聚焦于与时间相关的就业不足与失业的合并比率（LU2）。构建过程遵循标准化元数据规范，将原始表格数据转换为Parquet格式，并附加来源注释与使用指引，以确保数据在非洲经济金融领域的可发现性与可复现性。

特点

数据集以表格与文本混合模态呈现，规模介于一万至十万条记录之间，采用单语英语标注，并遵循CC BY 4.0开放许可。其核心特征在于按性别、年龄与教育程度对非洲各国劳动力未充分利用状况进行细分度量，为比较分析与趋势追踪提供结构化证据。数据集附带标准化元数据标签，涵盖就业、失业、劳动参与等主题，便于在非洲数据发现框架下进行跨域检索与整合。

使用方法

使用者可通过Hugging Face的datasets库直接加载该数据集，并利用数据集查看器浏览结构。在建模或分析前，建议先检视数据文件的模式、变量定义与缺失值分布，避免对标签做出超出原始定义的推断。对于表格数据，可转换为Pandas数据框进行地理、时间与子群维度的剖析，并可借助显式的国家、年份与指标字段与其他Electric Sheep Africa数据集进行联接，以构建可复现的分析工作流。

背景与挑战

背景概述

在国际劳工统计体系持续完善的背景下，ILOSTAT作为国际劳工组织的核心统计数据库，长期为全球劳动力市场监测提供权威数据支撑。Electric Sheep Africa于2026年发布的该数据集，系统整合了非洲34个国家1991至2025年间16,009条观察记录，聚焦于按性别、年龄与教育程度分组的时限相关不充分就业与失业综合比率（LU2）。该数据集回应了非洲劳动力市场统计信息碎片化、可比性不足的核心问题，为区域就业政策评估与学术研究提供了标准化、可复现的数据基础。

当前挑战

该数据集所应对的领域问题在于非洲劳动力市场统计长期面临覆盖不均、指标口径不一与跨国可比性薄弱的困境，LU2作为综合衡量劳动未充分利用程度的关键指标，其跨国时序数据的稀缺制约了区域就业形势的精准研判。构建过程中，数据整合者需处理来源元数据中country与upstream_publisher字段缺失的问题，并克服各国统计口径与报告周期差异所带来的协调难题，同时须在保留缺失值的前提下为下游分析提供一致的变量定义与可追溯的出处说明。

常用场景

经典使用场景

在劳动经济学与非洲发展研究的交叉领域，该数据集最经典的使用场景是围绕劳动力利用不足的多维测度展开跨国比较分析。研究者常以性别、年龄与教育程度为分组维度，运用面板数据模型或分层回归方法，刻画1991至2025年间34个非洲国家在时间相关就业不足与失业综合比率上的演化轨迹。此类分析往往结合固定效应与随机效应策略，以识别不同人口群体在劳动市场边缘化过程中的异质性，进而为区域就业政策评估提供量化依据。

解决学术问题

该数据集着力回应了非洲劳动市场研究中长期存在的测度局限与可比性难题。传统失业率指标难以捕捉非充分就业与零散就业所引致的隐性劳动利用不足，而本数据集通过整合时间相关就业不足与失业的综合比率，为学界提供了超越单一失业口径的补充性测度。其价值在于支撑关于劳动市场脆弱性、教育回报差异以及性别就业鸿沟等议题的实证检验，推动非洲就业结构转型研究从描述性统计向因果推断与政策模拟方向演进。

衍生相关工作

围绕该数据集，Electric Sheep Africa元数据目录已衍生出一系列面向非洲数据发现与可复现分析的工程性工作。相关实践包括标准化Parquet格式存储、统一元数据描述规范以及跨数据集的国别—年份—指标连接框架。这些工作促使研究者在此基础上开展劳动利用不足与宏观经济波动的关联研究，并催生了非洲就业统计口径比较、跨国面板数据整合方法以及开放数据可复现工作流等方向的方法论探索。