electricsheepasia/asia-ilo-emp-xtru-sex-geo-nb-time-related-underemployment-by-sex-and-rural-urba

该数据集包含1,921个观测值，记录了25个亚洲国家从1996年至2025年期间时间相关就业不足的数据，涵盖一个核心指标（EMP_XTRU_SEX_GEO_NB）。数据来源于国际劳工组织（ILO）的ILOSTAT数据库，经过标准化处理，包含国家代码、年份、性别（总计、男性、女性）、城乡地区分类、观测值及数据状态等字段。数据集适用于表格分类、回归和时间序列预测任务，重点关注亚洲地区的劳动力市场分析，特别是就业不足现象的时空分布。数据以年度频率提供，并包含数据质量说明，如来源选择和细分维度限制。license: CC-BY-4.0 language: - 英语 task_categories: - 表格分类 - 表格回归 - 时间序列预测 multilinguality: 单语言 size_categories: - 1000 < 样本数 < 10000 tags: - 表格数据 - 亚洲 - ILOSTAT（国际劳工组织统计数据库） - 时间相关就业不足 - ILO（国际劳工组织） - 劳动力 - 就业 pretty_name: "分性别与城乡地区的时间相关就业不足（千人） | 亚洲（ILOSTAT）" # 分性别与城乡地区的时间相关就业不足（千人） | 亚洲（ILOSTAT） 🌏 **1,921 条观测数据** · **25个亚洲国家** · **1996–2025** · *由 [Electric Sheep Asia](https://huggingface.co/electricsheepasia) 重新封装*      ## TL;DR 速览 本数据集包含覆盖**25个亚洲国家、1996至2025年期间**的**1921条时间相关就业不足观测数据**，仅涉及**1项明确指标**。 ## 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（International Labour Organization, 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体面工作目标等多项指标，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部门负责数据标准化处理。 - **来源链接**：[ILOSTAT](https://www.ilo.org/shinyapps/bulkexplorer/?id=EMP_XTRU_SEX_GEO_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/) - **研究主题**：时间相关就业不足 ## 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_XTRU_SEX_GEO_NB` 拉取数据，并筛选出亚洲地区的ISO3国家代码对应的样本。ILOSTAT采用国际劳工统计学家会议（International Conference of Labour Statisticians, 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 25个亚洲国家，以下按数据行数排序展示部分样本： | 国家代码 | 数据行数 | 起始年份 | 结束年份 | |---------|-----:|-----------:|----------:| | `CYP` | 234 | 1999 | 2024 | | `VNM` | 156 | 2007 | 2024 | | `KHM` | 151 | 1996 | 2023 | | `MNG` | 135 | 2010 | 2024 | | `LKA` | 126 | 2010 | 2024 | | `THA` | 120 | 2010 | 2024 | | `PAK` | 117 | 2006 | 2025 | | `KOR` | 117 | 2013 | 2025 | | `PSE` | 96 | 2015 | 2022 | | `TUR` | 90 | 2004 | 2013 | | `BRN` | 81 | 2014 | 2024 | | `IDN` | 72 | 2016 | 2023 | | `PHL` | 66 | 2017 | 2023 | | `JOR` | 62 | 2017 | 2024 | | `GEO` | 54 | 2019 | 2024 | | ... | _其余10个国家_ | | | ## 指标（示例） - `EMP_XTRU_SEX_GEO_NB` — 分性别与城乡地区的时间相关就业不足（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 国家代码 | `AFG` | | `ref_area.label` | `string` | 英文国家名称 | `阿富汗` | | `source` | `string` | ILOSTAT 来源代码（如劳动力调查） | `BA:15715` | | `source.label` | `string` | 英文来源名称 | `LFS - 劳动力调查` | | `indicator` | `string` | ILOSTAT 指标代码 | `EMP_XTRU_SEX_GEO_NB` | | `indicator.label` | `string` | 英文指标名称 | `分性别与城乡地区的时间相关就业不足（千人）` | | `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、教育程度、就业状态等） | `GEO_COV_NAT` | | `classif1.label` | `string` | — | `区域类型：全国范围` | | `time` | `int64` | 观测年份 | `2021` | | `obs_value` | `float64` | 观测指标值（单位详见指标定义） | `588.672` | | `obs_status` | `string` | 观测状态标记（如临时数据、不可靠数据） | `B` | | `obs_status.label` | `string` | — | `序列中断` | | `note_indicator` | `string` | — | `I11:264` | | `note_indicator.label` | `string` | — | `序列中断：方法学修订` | | `note_source` | `string` | — | `R1:3513_S3:8` | | `note_source.label` | `string` | — | `存储库：ILO-STATISTICS - 微观数据` | ## 细分维度 以下字段提供数据细分维度： - **`sex`**（共3个唯一取值）：`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×年份的同一指标存在多个来源时，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时才会有非空值。 ## 使用方法 python from datasets import load_dataset ds = load_dataset("electricsheepasia/asia-ilo-emp-xtru-sex-geo-nb-time-related-underemployment-by-sex-and-rural-urba") df = ds["train"].to_pandas() print(df.head()) ### 筛选单个国家数据 python indonesia = df[df["ref_area"] == "IDN"] ### 单指标时间序列可视化 python sample = (df[df["indicator"] == "EMP_XTRU_SEX_GEO_NB"] .sort_values("time")) sample.plot(x="time", y="obs_value", title="EMP_XTRU_SEX_GEO_NB") ### 转换为国家×年份矩阵 python matrix = (df[df["indicator"] == "EMP_XTRU_SEX_GEO_NB"] .pivot_table(index="time", columns="ref_area", values="obs_value")) print(matrix.tail()) ## 引用格式 bibtex @misc{asia_ilo_emp_xtru_sex_geo_nb_time_related_underemployment_by_sex_and_rural_urba_2025, title = {Time-related underemployment by sex and rural / urban areas (thousands) | Asia (ILOSTAT)}, author = {International Labour Organization (ILO)}, year = {2025}, url = {https://www.ilo.org/shinyapps/bulkexplorer/?id=EMP_XTRU_SEX_GEO_NB}, publisher = {HuggingFace Datasets, repackaged by Electric Sheep Asia}, howpublished = {url{https://huggingface.co/datasets/electricsheepasia/asia-ilo-emp-xtru-sex-geo-nb-time-related-underemployment-by-sex-and-rural-urba}} } ## 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 Asia的重新封装版本。 ## 关于Electric Sheep Electric Sheep 是Electric Sheep使命的一部分：旨在为HuggingFace平台打造统一的、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拉取数据，对Schema进行标准化处理，封装为Parquet格式，并发布采用统一数据集卡片的数据集，以便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：2026-05-26 通过Electric Sheep管道摄入。源URL：https://www.ilo.org/shinyapps/bulkexplorer/?id=EMP_XTRU_SEX_GEO_NB_

搜集汇总

数据集介绍

构建方式

在全球劳动力市场监测与体面劳动议程持续推进的背景下，时间相关就业不足作为衡量劳动力未充分使用的关键指标，其可比跨国数据对政策评估具有重要意义。该数据集由Electric Sheep Asia团队直接调用国际劳工组织ILOSTAT的REST API接口获取原始记录，并依据ISO3国家代码筛选出亚洲地区25个经济体的观测数据，共计1921条年度记录。ILOSTAT依托各国劳动力调查、家庭收入调查及行政记录，按照国际劳工统计学家会议定义对原始微观数据进行标准化调和，数据中保留了来源标签以保障可追溯性，最终以Parquet格式重新封装发布于HuggingFace平台。

特点

数据集聚焦于1996至2025年间亚洲地区时间相关就业不足现象，涵盖25个国家的年度观测值，并按性别与城乡区域进行分类汇总。其核心特征在于采用统一的国际统计标准对多源异构调查数据进行系统协调，使不同国家与年份间的指标具备跨时空可比性。数据结构以宽表形式呈现，包含国家代码、指标编码、性别分类、区域类型、观测值及来源注释等字段，其中性别维度区分总计、男性与女性三类。数据集体量适中且结构规整，适用于面板分析与时间序列建模，同时提供观测状态标志以提示数据断点等质量问题。

使用方法

研究者可通过HuggingFace的datasets库以单行代码加载该数据集，并将其转换为Pandas数据框开展后续分析。在具体应用中，用户可依据国家代码筛选特定经济体的记录，或针对某一指标提取时间序列以观察就业不足的演变趋势。借助透视表功能，可将数据重塑为国家与年份的二维矩阵，从而支持跨国比较与面板回归。数据集同时适用于表格分类、回归与时间序列预测等机器学习任务，为劳动经济学研究与政策模拟提供便捷的数据基础。

背景与挑战

背景概述

国际劳工组织（ILO）自二十世纪末即致力于全球劳动力市场统计体系的构建，其核心数据库ILOSTAT汇聚了涵盖就业、失业、工资、工时及体面劳动等维度的跨国可比指标。本数据集由Electric Sheep Asia于2026年从ILOSTAT REST API中抽取并重新封装，聚焦亚洲25个国家1996至2025年间与时间相关的不足就业状况，按性别与城乡地域进行细分，共含1,921条观测记录。该数据集延续了ILO以国际劳工统计学家会议定义统一各国劳动力调查微数据的传统，为探究亚洲地区就业质量、性别差距及城乡劳动市场分化提供了长时段、多国别的量化基础，对劳动经济学与区域发展研究具有重要的参考价值。

当前挑战

时间相关不足就业的测度本身即构成劳动统计领域的核心难题，其定义涉及意愿工作时间与实际工作时间之间的缺口，不同国家对此概念的界定与调查方式存在显著差异，跨年比较易受方法论修订与序列断裂的干扰。该数据集在构建过程中需应对来源碎片化与数据异质性的挑战，各国劳动力调查覆盖范围、抽样框架及报告频率参差不齐，部分年份缺失或仅存单一性别与地域的汇总值。此外，城乡分类标准不统一、非正式就业难以捕捉、以及观测状态标记所反映的暂定值与不可靠数据甄别，均对数据质量与建模稳健性提出了严峻考验。

常用场景

经典使用场景

在劳动经济学与区域发展研究的交汇处，时间相关就业不足作为衡量劳动力未充分使用的重要标尺，始终是刻画就业质量的核心维度。该数据集汇聚了1996至2025年间二十五个亚洲国家按性别与城乡地域分类的时间相关就业不足观测值，其最经典的使用场景在于构建跨国别、长时序的面板数据框架，以剖析亚洲劳动力市场中就业不足现象的性别差异与城乡分化格局。研究者可依托这一结构化表格资源，运用时间序列预测、面板回归或分类模型，揭示不同经济体中就业不足的演变轨迹与结构性特征。

解决学术问题

长期以来，亚洲地区就业不足研究受制于数据碎片化与口径不一，难以开展跨国的系统性比较。该数据集凭借国际劳工组织标准化协调的统计框架，将分散于各国劳动力调查中的微观信息整合为统一指标，有效回应了就业不足测度中定义殊异、时序断裂及性别与城乡维度缺失等学术难题。其意义在于为探究经济转型、性别分工与城乡二元结构如何塑造劳动力利用效率提供了可比对的经验基础，进而推动就业质量理论的实证深化。

衍生相关工作

该数据集的发布激发了围绕亚洲劳动力市场性别平等与城乡差距的系列衍生研究。部分学者将其与亚洲开发银行、世界银行等机构的收入与产业数据融合，探讨就业不足与贫困脆弱性之间的关联；另有研究将其用于机器学习模型的基准测试，评估时间序列预测方法在有限样本跨国面板中的表现。这些工作拓展了就业不足数据的分析边界，也为后续构建更为精细的劳动力利用卫星账户奠定了资料基础。