electricsheepafrica/africa-ilo-emp-pifl-sex-geo-rt-share-of-employment-outside-the-formal-sector-by-s

该数据集包含非洲41个国家从1999年至2025年的非正规经济就业数据，共有1,428个观测值，聚焦于一个核心指标：按性别和城乡地区划分的非正规部门就业比例（%）。数据来源于国际劳工组织（ILOSTAT）的官方统计数据库，通过API直接获取并过滤为非洲国家数据。数据集采用表格形式，包含国家代码、年份、性别分类、观测值等列，适用于表格分类、回归分析和时间序列预测等机器学习任务。数据经过ILO的标准化处理，确保与国际劳工统计会议定义一致，并包含数据来源和质量标注，如观测状态和备注信息。数据集由Electric Sheep Africa重新打包发布，旨在为非洲提供统一的、机器学习就绪的数据层。license: CC BY 4.0 language: - 英语 任务类别： - 表格分类 - 表格回归 - 时间序列预测 多语言属性：单语 样本规模： - 1000<n<10000 标签： - 表格数据 - 非洲 - ILOSTAT - 非正规经济 - ILO（国际劳工组织） - 劳工议题 - 就业 美观名称："按性别与城乡地区划分的非正规部门就业占比（%）| 非洲（ILOSTAT）" --- # 按性别与城乡地区划分的非正规部门就业占比（%）| 非洲（ILOSTAT） 🌍 **1428条观测值** · **41个非洲国家** · **1999–2025年** · *由[Electric Sheep Africa](https://huggingface.co/electricsheepafrica)重新整理*      ## 简短摘要 本数据集包含**1428条观测值**，涵盖**41个非洲国家1999至2025年间的非正规经济**相关数据，仅包含**1项独立指标**。 ## 数据来源说明 **ILOSTAT**（国际劳工组织统计数据库）是国际劳工组织（ILO）的核心统计数据库，也是全球领先的劳工统计权威来源。其收录指标覆盖就业、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）体面工作目标等领域，数据来源于全国劳动力调查、家庭收入调查、机构调查与行政记录，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处理。 - **数据来源**：[ILOSTAT](https://www.ilo.org/shinyapps/bulkexplorer/?id=EMP_PIFL_SEX_GEO_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/) - **研究主题**：非正规经济 ## 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=EMP_PIFL_SEX_GEO_RT`拉取原始数据，并筛选出非洲国家的ISO 3166-1阿尔法-3国别代码子集。ILOSTAT依据国际劳工统计会议（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，以保证可追溯性。 ## 地理覆盖范围 **覆盖41个非洲国家**，以下按观测值数量排序的前15个国家示例： | 国家代码 | 观测值条数 | 起始年份 | 结束年份 | |---------|-----:|-----------:|----------:| | `ZAF` | 156 | 2008 | 2024 | | `EGY` | 108 | 2008 | 2024 | | `MLI` | 90 | 2013 | 2024 | | `AGO` | 84 | 2004 | 2025 | | `RWA` | 81 | 2017 | 2025 | | `ZMB` | 72 | 2017 | 2024 | | `SEN` | 72 | 2011 | 2024 | | `UGA` | 63 | 2010 | 2021 | | `ZWE` | 63 | 2011 | 2024 | | `CIV` | 54 | 2012 | 2022 | | `NAM` | 45 | 2012 | 2018 | | `GMB` | 36 | 2012 | 2025 | | `NER` | 36 | 2011 | 2022 | | `BFA` | 36 | 2018 | 2024 | | `COD` | 27 | 2005 | 2020 | | ... | 其余26个国家 | | | ## 指标示例 - `EMP_PIFL_SEX_GEO_RT` — 按性别与城乡地区划分的非正规部门就业占比（%） ## 数据结构 | 字段名 | 数据类型 | 字段说明 | 示例值 | |--------|------|-------------|---------| | `ref_area` | 字符串 | ISO 3166-1阿尔法-3国别代码 | `AGO` | | `ref_area.label` | 字符串 | 英文国名 | `安哥拉` | | `source` | 字符串 | ILOSTAT来源代码（如劳动力调查） | `BA:13951` | | `source.label` | 字符串 | 英文来源名称 | `劳动力就业调查（LFS）` | | `indicator` | 字符串 | ILOSTAT指标代码 | `EMP_PIFL_SEX_GEO_RT` | | `indicator.label` | 字符串 | 英文指标名称 | `按性别与城乡地区划分的非正规部门就业占比（%）` | | `sex` | 字符串 | 性别细分维度（SEX_T=总计、SEX_M=男性、SEX_F=女性） | `SEX_T` | | `sex.label` | 字符串 | 性别细分维度说明 | `总计` | | `classif1` | 字符串 | 第一分类变量（年龄、教育程度、就业身份等） | `GEO_COV_NAT` | | `classif1.label` | 字符串 | 第一分类变量说明 | `地域范围：全国` | | `time` | 64位整数 | 观测年份 | `2025` | | `obs_value` | 64位浮点数 | 观测指标值（单位详见指标定义） | `80.588` | | `obs_status` | 字符串 | 观测状态标记（如临时数据、序列中断） | `B` | | `obs_status.label` | 字符串 | 观测状态说明 | `序列中断` | | `note_indicator` | 字符串 | 指标相关注释代码 | `I11:264` | | `note_indicator.label` | 字符串 | 指标相关注释说明 | `序列中断：方法学修订` | | `note_source` | 字符串 | 来源相关注释代码 | `R1:3513` | | `note_source.label` | 字符串 | 来源相关注释说明 | `存储库：国际劳工组织统计数据库 - 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种唯一取值）：`SEX_T`、`SEX_M`、`SEX_F` ## 数据质量与注意事项 - 本数据集为年度频率数据，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×年份存在多个来源的同一指标数据时，将采用国际劳工组织选定的「最优来源」数据。 - 细分字段（`sex`、`classif1`、`classif2`）仅在指标支持对应细分维度时才会非空。 ## 使用示例 python from datasets import load_dataset ds = load_dataset("electricsheepafrica/africa-ilo-emp-pifl-sex-geo-rt-share-of-employment-outside-the-formal-sector-by-s") df = ds["train"].to_pandas() print(df.head()) ### 筛选单个国家数据 python kenya = df[df["ref_area"] == "KEN"] ### 单指标时间序列可视化 python sample = (df[df["indicator"] == "EMP_PIFL_SEX_GEO_RT"] .sort_values("time")) sample.plot(x="time", y="obs_value", title="EMP_PIFL_SEX_GEO_RT") ### 转换为国家×年份矩阵 python matrix = (df[df["indicator"] == "EMP_PIFL_SEX_GEO_RT"] .pivot_table(index="time", columns="ref_area", values="obs_value")) print(matrix.tail()) ## 引用格式 bibtex @misc{africa_ilo_emp_pifl_sex_geo_rt_share_of_employment_outside_the_formal_sector_by_s_2025, title = {按性别与城乡地区划分的非正规部门就业占比（%）| 非洲（ILOSTAT）}, author = {国际劳工组织（ILO）}, year = {2025}, url = {https://www.ilo.org/shinyapps/bulkexplorer/?id=EMP_PIFL_SEX_GEO_RT}, publisher = {HuggingFace数据集平台，由Electric Sheep Africa重新整理发布}, howpublished = {url{https://huggingface.co/datasets/electricsheepafrica/africa-ilo-emp-pifl-sex-geo-rt-share-of-employment-outside-the-formal-sector-by-s}} } ## 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来源与Electric Sheep Africa的重新整理版本。 ## 关于Electric Sheep Electric Sheep Africa是Electric Sheep使命的一部分：旨在HuggingFace平台上构建统一的、适配机器学习的非洲数据层。我们从权威开源数据源获取数据，标准化数据结构，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/electricsheepafrica](https://huggingface.co/electricsheepafrica) --- _数据溯源：2026-05-26通过Electric Sheep流水线 ingest。原始来源URL：https://www.ilo.org/shinyapps/bulkexplorer/?id=EMP_PIFL_SEX_GEO_RT_

搜集汇总

数据集介绍

构建方式

该数据集依托国际劳工组织中央统计数据库（ILOSTAT）的原始记录，由Electric Sheep Africa团队进行系统化重制与元数据补全。构建过程以非洲区域非正规部门就业统计为核心，整合1999年至2025年间41个非洲国家的观测数据，总计1,428条记录，覆盖单一性别与城乡维度交叉指标。数据经标准化清洗后以Parquet格式封装，并附带来源溯源、缺失值标记及字段定义说明，形成可直接用于分析的结构化表格资源。

特点

数据集聚焦非洲非正规经济领域，以性别和城乡地域为双重分层变量，刻画正规部门以外就业占比的长期演变。其时间跨度逾四分之一世纪，空间覆盖41国，规模适中且指标单一，便于跨区域与跨时段比较。数据以表格与文本双模态呈现，配备明确的元数据标签与质量注释，缺失值保留原始状态，为研究者提供透明且可复现的实证基础。

使用方法

研究者可借助Hugging Face datasets库以单行代码加载数据集，随后检视特征结构与样本内容；若需表格分析，可将指定分割转换为Pandas数据框进行统计建模。使用时应优先核验变量定义、单位及地理标识，对隐含地域信息作出显式假设，并避免在无充分依据时插补缺失值。该数据集支持与Electric Sheep Africa其他非洲数据集按国家、年份及指标字段进行连接，以构建可复现的分析流程。

背景与挑战

背景概述

非正规经济就业的测度长期以来构成劳动经济学与发展经济学交叉领域的关键议题，尤其在非洲大陆，非正规部门承担了绝大多数劳动者的生计。国际劳工组织（ILO）通过ILOSTAT数据库系统性地汇编了全球劳动统计指标，为跨国比较与政策评估提供权威依据。Electric Sheep Africa在此基础上对非洲区域数据进行标准化重包装，形成涵盖41个非洲国家、1999至2025年共1428条观测的记录，聚焦于按性别与城乡地域划分的非正规部门就业占比。该数据集以CC BY 4.0许可发布，服务于非洲数据发现与可复现分析，为研究者审视非正规就业的结构性差异提供了公开、可引用的数据基础。

当前挑战

该数据集所面临的挑战具有双重维度。在领域问题层面，非正规就业的界定与测度本身存在国别差异，各国统计口径、调查方法与覆盖范围的不一致，使得跨国比较与时间序列分析面临可比性风险；城乡与性别维度的细分虽揭示结构性差异，却也放大了样本稀疏与估计偏差的问题。在构建过程层面，元数据清单中country与upstream_publisher字段的缺失，以及ISO3覆盖未声明，增加了地理标识与来源追溯的难度；数据标准化过程中需在不篡改原值的前提下处理缺失值与单位一致性，同时避免因标签推断政策含义而引入误导性结论，这些均对数据质量保障与下游建模提出了审慎要求。

常用场景

经典使用场景

在劳动经济学与非正规经济研究领域，该数据集凭借其按性别与城乡维度细分的非正规部门就业占比指标，成为刻画非洲劳动力市场结构性特征的经典数据来源。研究者通常以1999至2025年间的面板数据为基础，运用描述性统计与计量模型，比较不同国家、不同性别及城乡区域间非正规就业的分布差异，进而揭示非洲各国劳动力市场二元结构的演化轨迹，为跨国比较分析提供标准化的数据支撑。

衍生相关工作

围绕该数据集，研究者衍生出一系列经典工作，包括非洲非正规就业性别差距的跨国比较研究、城乡劳动力市场分割的时空演化分析，以及与贫困率、教育水平等指标的联合建模。这些工作进一步推动了Electric Sheep Africa目录内其他ILOSTAT数据集的整合利用，形成了以劳动力市场为核心的多维分析框架，为非洲经济结构转型研究积累了可复用的方法范式与实证证据。

数据集最近研究

最新研究方向

在全球南方非正规经济持续成为发展经济学核心议题的背景下，非洲非正规就业的性别与城乡异质性正受到劳动经济学与不平等研究的密切关注。该数据集覆盖41个非洲国家1999至2025年间的1428条观测，为刻画非正规就业占比的时空演变提供了稀缺的长时序面板证据。近期研究前沿聚焦于运用该数据检验结构性转型理论、评估非正规部门对性别收入差距的调节效应，以及结合ILOSTAT多指标构建跨国比较框架以识别制度与城市化因素的作用机制。此类分析有助于深化对非洲劳动力市场二元结构及其政策含义的理解。