electricsheepasia/asia-ilo-eip-5eip-sex-age-nb-persons-outside-the-labour-force-by-sex-and-age-19

该数据集包含亚洲26个国家在2014年至2025年期间的1,723个观测值，专注于劳动力未充分利用的其他衡量指标。具体指标是“按性别和年龄划分的劳动力外人口——第19届国际劳工统计学家会议（千计）”，数据来源于国际劳工组织的ILOSTAT数据库，并经过Electric Sheep Asia重新打包，以表格格式提供，适用于机器学习任务如分类、回归和时间序列预测。数据集包括国家代码、性别分类、年龄组、观测年份和数值等列，旨在支持对亚洲劳动力市场趋势的分析。--- license: 知识共享署名4.0（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: - 1000 < 样本量 < 10000 tags: - 表格数据 - 亚洲 - 国际劳工组织统计数据库（ILOSTAT） - 劳动力非充分利用其他衡量指标 - 国际劳工组织（ILO） - 劳动力 - 就业 pretty_name: "按性别和年龄划分的非劳动力人口——第19届国际劳工统计学家会议（千人）| 亚洲（ILOSTAT）" --- # 按性别和年龄划分的非劳动力人口——第19届国际劳工统计学家会议（千人）| 亚洲（ILOSTAT） 🌏 **1723条观测数据** · **覆盖26个亚洲国家** · **时间跨度为2014年至2025年** · *由[电子绵羊亚洲（Electric Sheep Asia）](https://huggingface.co/electricsheepasia)重新整理发布*      ## 摘要要点 本数据集包含**覆盖26个亚洲国家、时间跨度为2014年至2025年**的**劳动力非充分利用其他衡量指标**数据，共**1723条观测数据**，涉及**1项独立指标**。 ## 数据来源 **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，也是全球领先的劳动力统计数据源。该库整合了就业、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领域的指标，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。其覆盖范围涵盖200余个经济体，数据标准化工作由国际劳工组织统计司负责完成。 - **数据来源**：[ILOSTAT](https://www.ilo.org/shinyapps/bulkexplorer/?id=EIP_5EIP_SEX_AGE_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**：劳动力非充分利用其他衡量指标 ## 处理方法 本数据集直接从ILOSTAT的REST API（`https://rplumber.ilo.org/data/indicator?id=EIP_5EIP_SEX_AGE_NB`）拉取数据，并筛选出亚洲地区的ISO 3166-1 alpha-3国家编码对应的样本。ILOSTAT采用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 26个亚洲国家 · 以下按数据行数排序展示部分国家： | 国家（ISO3编码） | 数据行数 | 起始年份 | 结束年份 | |---------|-----:|-----------:|----------:| | `JPN` | 144 | 2014 | 2025 | | `KOR` | 144 | 2014 | 2025 | | `SGP` | 144 | 2014 | 2025 | | `CYP` | 141 | 2014 | 2025 | | `ISR` | 132 | 2014 | 2024 | | `QAT` | 113 | 2014 | 2024 | | `ARE` | 108 | 2016 | 2024 | | `JOR` | 96 | 2017 | 2024 | | `TWN` | 84 | 2014 | 2020 | | `ARM` | 84 | 2018 | 2024 | | `MNG` | 72 | 2019 | 2024 | | `VNM` | 60 | 2020 | 2024 | | `GEO` | 60 | 2020 | 2024 | | `BRN` | 48 | 2014 | 2024 | | `MMR` | 48 | 2017 | 2020 | | ... | _另有11个国家_ | | | ## 指标示例 - `EIP_5EIP_SEX_AGE_NB` — 按性别和年龄划分的非劳动力人口——第19届国际劳工统计学家会议（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 国家编码 | `AFG` | | `ref_area.label` | `string` | 英文国家名称 | `Afghanistan` | | `source` | `string` | ILOSTAT 来源代码（例如劳动力调查） | `BA:15715` | | `source.label` | `string` | 英文来源名称 | `LFS - Labour Force Survey` | | `indicator` | `string` | ILOSTAT 指标代码 | `EIP_5EIP_SEX_AGE_NB` | | `indicator.label` | `string` | 英文指标名称 | `Persons outside the labour force by s…` | | `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` | — | `Total` | | `classif1` | `string` | 第一分类变量（年龄、教育程度、身份等） | `AGE_YTHADULT_YGE15` | | `classif1.label` | `string` | — | `Age (Youth, adults): 15+` | | `time` | `int64` | 观测年份 | `2021` | | `obs_value` | `float64` | 观测指标值（单位请参见指标定义） | `10563.16` | | `obs_status` | `string` | 观测状态标记（例如临时数据、不可靠数据） | `B` | | `obs_status.label` | `string` | — | `Break in series` | | `note_classif` | `string` | — | `—` | | `note_classif.label` | `string` | — | `—` | | `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…` | ## 细分维度 以下字段提供数据细分维度： - **`sex`**（共4个唯一取值）：`SEX_T`、`SEX_M`、`SEX_F`、`SEX_O` ## 数据质量与注意事项 1. 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数据，此类数据未包含在本数据集中。 2. 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”。 3. 仅当指标支持对应细分维度时，细分字段（`sex`、`classif1`、`classif2`）才会有非空值。 ## 使用方法 python from datasets import load_dataset ds = load_dataset("electricsheepasia/asia-ilo-eip-5eip-sex-age-nb-persons-outside-the-labour-force-by-sex-and-age-19") 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 python sample = (df[df["indicator"] == "EIP_5EIP_SEX_AGE_NB"] .sort_values("time")) sample.plot(x="time", y="obs_value", title="EIP_5EIP_SEX_AGE_NB") ### 透视为国家×年份矩阵 python matrix = (df[df["indicator"] == "EIP_5EIP_SEX_AGE_NB"] .pivot_table(index="time", columns="ref_area", values="obs_value")) print(matrix.tail()) ## 引用 bibtex @misc{asia_ilo_eip_5eip_sex_age_nb_persons_outside_the_labour_force_by_sex_and_age_19_2025, title = {Persons outside the labour force by sex and age -- 19th ICLS (thousands) | Asia (ILOSTAT)}, author = {International Labour Organization (ILO)}, year = {2025}, url = {https://www.ilo.org/shinyapps/bulkexplorer/?id=EIP_5EIP_SEX_AGE_NB}, publisher = {HuggingFace Datasets, repackaged by Electric Sheep Asia}, howpublished = {url{https://huggingface.co/datasets/electricsheepasia/asia-ilo-eip-5eip-sex-age-nb-persons-outside-the-labour-force-by-sex-and-age-19}} } ## 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电子绵羊亚洲（Electric Sheep Asia）的重新整理版本。 ## 关于电子绵羊亚洲（Electric Sheep Asia） 电子绵羊亚洲（Electric Sheep Asia）是电子绵羊（Electric Sheep）项目的一部分，该项目旨在HuggingFace平台上构建统一的、可供机器学习使用的亚洲地区数据层。我们从权威开源渠道获取数据，对数据 schema 进行标准化处理，以Parquet格式封装，并发布格式统一的数据集卡片，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年5月28日通过电子绵羊亚洲流水线摄入。源URL：https://www.ilo.org/shinyapps/bulkexplorer/?id=EIP_5EIP_SEX_AGE_NB_

搜集汇总

数据集介绍

构建方式

该数据集源于国际劳工组织（ILO）的ILOSTAT数据库，经由Electric Sheep Asia团队重新封装后发布。数据通过ILOSTAT REST API直接抽取，并依据亚洲国家ISO3代码进行筛选。原始数据基于各国劳动力调查、家庭收入调查等微观数据，依照国际劳动统计学家会议（ICLS）定义进行统一化处理，确保跨国家与跨年份的可比性。最终整合为包含1723条观测值、覆盖26个亚洲国家、时间跨度为2014至2025年的结构化表格数据。

特点

数据集的核心特点在于其精细的维度划分与高质量标注。除基础的地理区域与年份信息外，还包含性别（总、男、女、其他）与年龄组等分类变量，支持多层次的下钻分析。每个观测值均附带来源标识、数据状态标记及断点说明，便于用户评估数据质量。数据以年度频率呈现，并采用ILO选定的‘最佳来源’处理多源冲突，兼顾了统计一致性。

使用方法

用户可通过HuggingFace的datasets库直接加载该数据集，一条命令即可将数据转换为pandas DataFrame，适用于表格分类、回归及时序预测任务。示例代码展示了按国家筛选、按指标绘制时间序列、以及重塑为国家×年份矩阵等典型操作。数据以cc-by-4.0许可发布，使用时需同时标注ILO原始出处及Electric Sheep Asia的重封装信息。

背景与挑战

背景概述

该数据集由国际劳工组织（ILO）于2025年发布，经Electric Sheep Asia团队重新打包至HuggingFace平台。核心研究问题聚焦于亚洲地区劳动力市场中的‘劳动力外人口’（即未参与就业或失业的适龄人群），通过追踪2014至2025年间26个亚洲国家的17,23条观测数据，依据第19届国际劳工统计学家会议（ICLS）定义，按性别和年龄维度进行细分。作为ILOSTAT这一全球劳动统计权威数据库的子集，该数据集为理解亚洲劳动力利用不足的结构性特征提供了标准化、可复用的量化基础，尤其适用于评估性别差异、年龄分层对非经济活动人口规模的影响，对劳动经济学、社会发展及国际比较研究具有重要价值。

当前挑战

该数据集所解决的领域问题在于精准量化劳动力市场中的隐性闲置——即传统失业统计未能覆盖的‘劳动力外人口’，这一群体在发展中国家常因文化、制度或测量缺陷而被忽视。构建过程中的挑战包括：跨国数据源整合时需协调各国劳动力调查在问卷设计、抽样框架及统计口径上的差异；原始数据存在因方法论修订导致的序列断裂（如`obs_status`字段中的`Break in series`标记），需判断最佳来源（ILO-selected 'best source'）以维持时序连贯性；此外，性别和年龄分类的缺失值处理、年度频率限制对季节性动态的忽略，以及国家级汇总可能掩盖的亚区域异质性，均为数据分析与建模带来潜在偏差风险。

常用场景

经典使用场景

在全球劳动经济学与区域发展研究中，劳动力市场边缘群体的量化分析始终是学界关注的焦点。该数据集聚焦于2014至2025年间26个亚洲国家中未参与劳动力市场的人口规模，并按性别与年龄维度进行精细分层，提供了逾一千七百条标准化观测记录。研究者可借助这一时间序列数据，构建面板数据模型，系统考察亚洲各国劳动参与率的动态演变，尤其适用于探讨女性劳动退出率、青年就业惰性等结构性议题。其按第19届国际劳动统计学家会议标准定义的指标口径，确保了跨国比较的严谨性，是从事亚洲劳动力市场跨国实证研究的理想基础素材。

解决学术问题

长期以来，由于亚洲各国统计体系与调查标准不一，关于非劳动力人口的跨国比较研究常受困于数据的不完全性与口径差异。该数据集直接回应了上述学术挑战，通过统一采用ILOSTAT的标准化定义与整合框架，剔除了因调查方法迥异带来的测量噪声，使得对潜在劳动力储备、隐性失业等概念的量化成为可能。其性别与年龄的分组信息，有力地支撑了关于女性劳动依附性、人口老龄化对劳动供给冲击等经典劳动经济学假设的检验。这一数据产品有效弥合了宏观政策研究与微观调查数据之间的鸿沟，为劳动市场理论在亚洲情境下的验证提供了可靠的数据基石。

衍生相关工作

围绕该数据源已涌现出一系列具有影响力的学术与应用成果。基于ILOSTAT体系开发的劳动力市场数据仪表盘，如国际劳工组织自身的可视化分析平台，常以此类数据作为核心输入，用以监测可持续发展目标中体面劳动指标的进展。在学术界，大量针对亚洲劳动参与率下降之谜的实证研究，均依赖此类跨国面板数据构建计量模型，探究人口结构转型与劳动力市场韧性之间的关系。此外，围绕数据整合与清洗的自动化管道，如Electric Sheep Asia所构建的标准化数据层，亦催生了将多源劳动统计数据进行统一Schema封装的方法论工作，推动了劳动经济学领域数据可复现性标准的提升，形成了数据使用与数据基础设施迭代的良性循环。