electricsheepasia/asia-ilo-eip-neet-sex-dsb-nb-youth-not-in-employment-education-or-training-neet

该数据集包含**1,139个观测值**，涉及其他劳动力利用不足的衡量指标数据，覆盖**20个亚洲国家**，时间跨度为**1996年至2024年**，涵盖**1个不同的指标**。具体指标为EIP_NEET_SEX_DSB_NB，即按性别和残疾状况划分的未就业、未受教育或未培训青年（NEET）数量（以千计）。数据来源于国际劳工组织（ILO）的ILOSTAT数据库，经过Electric Sheep Asia重新打包，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: - tabular-classification - tabular-regression - time-series-forecasting multilinguality: monolingual size_categories: - 1K<n<10K tags: - tabular - asia - ilostat - other-measures-of-labour-underutilization - ilo - labour - employment pretty_name: "按性别与残疾状况划分的青年不就业、未接受教育且未参与培训（NEET）情况（单位：千人）| 亚洲地区（ILOSTAT）" --- # 按性别与残疾状况划分的青年不就业、未接受教育且未参与培训（NEET）情况（单位：千人）| 亚洲地区（ILOSTAT） 🌏 **1139条观测样本** · **覆盖20个亚洲国家** · **时间跨度1996–2024年** · *由 [Electric Sheep Asia](https://huggingface.co/electricsheepasia) 重新整理发布*      ## 核心概览 本数据集包含覆盖20个亚洲国家、时间跨度为1996至2024年的**劳动力闲置其他衡量指标**相关数据，共计**1139条观测样本**，仅包含**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（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。该数据库整合了就业、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（SDG）体面工作目标等多类指标，数据来源涵盖全国劳动力调查、家庭收入调查、机构调查以及行政记录。其统计覆盖超过200个经济体，数据的标准化处理由国际劳工组织统计部门负责完成。 - **数据来源**：[ILOSTAT](https://www.ilo.org/shinyapps/bulkexplorer/?id=EIP_NEET_SEX_DSB_NB) - **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/) - **研究主题**：劳动力闲置其他衡量指标 ## 数据处理方法 本数据集直接从ILOSTAT的表述性状态转移应用程序接口（REST API）`https://rplumber.ilo.org/data/indicator?id=EIP_NEET_SEX_DSB_NB` 拉取数据，并筛选出亚洲地区的ISO 3166-1 α-3 国家代码对应的样本。ILOSTAT采用国际劳工统计学家会议（ICLS）制定的定义对原始调查微观数据进行标准化处理；数据来源会在`source.label`字段中进行标记，以确保可追溯性。 ## 地理覆盖范围 覆盖20个亚洲国家，以下按样本数量降序展示部分国家的统计情况： | 国家 | 样本量 | 起始年份 | 结束年份 | |---------|-----:|-----------:|----------:| | `MNG` | 162 | 2006 | 2024 | | `CYP` | 161 | 2005 | 2024 | | `ARM` | 148 | 2007 | 2023 | | `KHM` | 117 | 1996 | 2023 | | `IDN` | 81 | 2010 | 2023 | | `ISR` | 72 | 2016 | 2023 | | `LKA` | 63 | 2018 | 2024 | | `PSE` | 45 | 2018 | 2022 | | `THA` | 45 | 2007 | 2019 | | `BGD` | 38 | 2011 | 2024 | | `TLS` | 36 | 2015 | 2022 | | `AFG` | 27 | 2017 | 2021 | | `TJK` | 27 | 2003 | 2016 | | `IRQ` | 27 | 2007 | 2021 | | `LAO` | 27 | 2015 | 2022 | | ... | _5个其他国家_ | | | ## 指标说明（示例） - `EIP_NEET_SEX_DSB_NB` — 按性别与残疾状况划分的青年不就业、未接受教育且未参与培训（NEET）情况（单位：千人） ## 数据结构 | 字段名 | 数据类型 | 字段说明 | 示例 | |--------|------|-------------|---------| | `ref_area` | 字符串 | ISO 3166-1 α-3 国家代码 | `AFG` | | `ref_area.label` | 字符串 | 国家英文名称 | `Afghanistan` | | `source` | 字符串 | ILOSTAT来源代码（例如劳动力调查） | `BA:15715` | | `source.label` | 字符串 | 数据来源英文名称 | `LFS - Labour Force Survey` | | `indicator` | 字符串 | ILOSTAT指标代码 | `EIP_NEET_SEX_DSB_NB` | | `indicator.label` | 字符串 | 指标英文名称 | `Youth not in employment, education or…` | | `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 | 无额外说明 | `Total` | | `classif1` | 字符串 | 第一分类变量（年龄、教育水平、身份等） | `DSB_STATUS_TOTAL` | | `classif1.label` | 字符串 | 无额外说明 | `Disability status: Total` | | `time` | int64 | 观测年份 | `2021` | | `obs_value` | float64 | 观测指标值（单位随指标变化，请参阅指标定义） | `2476.073` | | `obs_status` | 字符串 | 观测状态标记（例如临时数据、不可靠数据） | `B` | | `obs_status.label` | 字符串 | 无额外说明 | `Break in series` | | `note_classif` | 字符串 | 无额外说明 | `C14:6260` | | `note_classif.label` | 字符串 | 无额外说明 | `Nonstandard definition of disability:…` | | `note_indicator` | 字符串 | 无额外说明 | `I11:264` | | `note_indicator.label` | 字符串 | 无额外说明 | `Break in series: Methodology revised` | | `note_source` | 字符串 | 无额外说明 | `R1:3513_S3:8` | | `note_source.label` | 字符串 | 无额外说明 | `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 - 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，但本数据集未包含此类内容。 - 当同一国家×年份的同一指标存在多个数据来源时，将采用国际劳工组织选定的“最优来源”数据。 - 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。 ## 使用示例 python from datasets import load_dataset ds = load_dataset("electricsheepasia/asia-ilo-eip-neet-sex-dsb-nb-youth-not-in-employment-education-or-training-neet") df = ds["train"].to_pandas() print(df.head()) ### 按国家筛选 python indonesia = df[df["ref_area"] == "IDN"] ### 单指标时间序列可视化 python sample = (df[df["indicator"] == "EIP_NEET_SEX_DSB_NB"] .sort_values("time")) sample.plot(x="time", y="obs_value", title="EIP_NEET_SEX_DSB_NB") ### 转换为国家×年份矩阵 python matrix = (df[df["indicator"] == "EIP_NEET_SEX_DSB_NB"] .pivot_table(index="time", columns="ref_area", values="obs_value")) print(matrix.tail()) ## 引用格式 bibtex @misc{asia_ilo_eip_neet_sex_dsb_nb_youth_not_in_employment_education_or_training_neet_2024, title = {Youth not in employment, education or training (NEET) by sex and disability status (thousa | Asia (ILOSTAT)}, author = {International Labour Organization (ILO)}, year = {2024}, url = {https://www.ilo.org/shinyapps/bulkexplorer/?id=EIP_NEET_SEX_DSB_NB}, publisher = {HuggingFace Datasets, repackaged by Electric Sheep Asia}, howpublished = {url{https://huggingface.co/datasets/electricsheepasia/asia-ilo-eip-neet-sex-dsb-nb-youth-not-in-employment-education-or-training-neet}} } ## 许可协议 本数据集基于[CC BY 4.0](https://creativecommons.org/licenses/by/4.0/)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来源以及Electric Sheep Asia的重新整理版本。 ## 关于Electric Sheep Asia Electric Sheep Asia 是Electric Sheep项目的一部分，该项目旨在HuggingFace平台上构建统一的、适配机器学习的亚洲地区数据层。我们从权威开放数据源拉取数据，对数据结构进行标准化处理，以Parquet格式打包，并发布格式统一的数据集卡片，以便研究人员和开发者可以通过`load_dataset()`函数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年5月27日通过Electric Sheep数据管道摄取。源URL：https://www.ilo.org/shinyapps/bulkexplorer/?id=EIP_NEET_SEX_DSB_NB_

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（ILO）的ILOSTAT数据库，聚焦于亚洲地区青年未就业、未受教育或培训（NEET）状况，并按性别与残疾状态进行细分。数据通过ILOSTAT REST API直接拉取，筛选出亚洲ISO3国家代码对应的观测值，共计1,139条记录，覆盖20个亚洲国家，时间跨度从1996年至2024年。ILOSTAT依据国际劳工统计学家会议（ICLS）定义对原始调查微观数据进行统一标准化，并在source.label列中标注数据来源，确保可追溯性。

特点

数据集的核心特色在于其精细的维度划分与地域聚焦：包含性别（总、男、女、其他）和残疾状态两大分类变量，可深入分析不同群体间的NEET差异。覆盖20个亚洲国家，时间序列长达近三十年，为研究亚洲青年劳动力市场演变提供宝贵素材。数据质量上，采用ILO筛选的“最佳来源”处理同一国家年份的多源冲突，并附带观测状态标记（如序列中断、数据不可靠等），帮助用户审慎使用。

使用方法

数据集以HuggingFace Datasets格式发布，支持一键加载：使用`load_dataset()`函数即可获取训练集并转换为Pandas DataFrame。用户可按国家代码筛选特定国家数据，或针对单一指标（如EIP_NEET_SEX_DSB_NB）进行时间序列分析与可视化。此外，可通过透视表操作快速构建国家×年份的矩阵，便于跨区域比较与面板数据分析。数据集遵循CC-BY-4.0许可，引用时需注明ILO原始来源及Electric Sheep Asia的二次封装。

背景与挑战

背景概述

在全球青年发展议题中，青年既不就业也不接受教育或培训（NEET）的比率是衡量劳动力市场未充分利用与社会排斥风险的核心指标。由国际劳工组织（ILO）通过其权威统计数据库ILOSTAT编制，并由Electric Sheep Asia于2024年重新打包的该数据集，聚焦亚洲20个国家1996至2024年间按性别与残疾状况分层的NEET数据，包含1139条观测记录。该数据集依托ILO对各国劳动力调查的标准化整合，为揭示亚洲地区青年劳动力边缘化特征、评估残疾群体在劳动市场中的结构性障碍提供了前所未有的跨时段比较基础，对推动区域劳动力政策研究与可持续发展目标（SDG）监测具有重要支撑作用。

当前挑战

该数据集所应对的领域挑战在于，NEET指标虽能综合反映青年闲置状态，但亚洲各国残疾定义标准不一、劳动力调查方法差异显著，导致跨国家数据可比性受限。构建过程中面临的关键挑战包括：ILOSTAT需从不同来源（如劳动力调查、行政记录）抽取零散数据并统一国际劳工统计学家会议（ICLS）定义，而数据质量标记（如序列中断）和残疾状态的非标准分类注释表明，原始调查在残疾识别与统计口径上存在本质分歧；此外，低频率的分层数据（如仅含4种性别分类）与部分国家稀疏的观测年份（如阿富汗仅覆盖4年）进一步限制了时间序列分析与因果推断的鲁棒性。

常用场景

经典使用场景

在劳动经济学与社会政策研究领域，该数据集最为经典的应用是剖析亚洲地区青年失学、失业与未接受培训（NEET）现象的性别差异与残疾状态关联。研究者可借助其涵盖20个亚洲国家、近30年时间跨度的面板数据，构建固定效应或随机效应模型，量化残疾青年与非残疾青年在NEET率上的鸿沟，并进一步分析性别对这一鸿沟的调节作用。该数据集亦可与国民生产总值、教育支出等宏观经济指标联动，揭示结构性因素对青年劳动力边缘化的深层驱动，为区域间比较研究提供标准化实证基础。

衍生相关工作

基于该数据集已衍生出多项具有影响力的学术工作。其一，研究者利用其时间序列特性构建了亚洲青年NEET率的贝叶斯结构时间序列模型，精准分解了经济周期冲击与结构性趋势对残疾群体就业的影响。其二，结合机器学习中的梯度提升树算法，学者识别出教育获取水平与社保覆盖率为预测残疾青年NEET状态的最关键特征，推动了可解释AI在劳动统计领域的应用。其三，该数据作为基准测试集，被纳入‘包容性劳动力预测挑战赛’，催生了针对低资源国家数据稀缺问题的迁移学习框架，显著提升了模型在样本量有限条件下的外推稳健性。

数据集最近研究

最新研究方向

该数据集聚焦于亚洲地区青年未就业、未接受教育或培训（NEET）群体的性别与残障差异分析，为劳动经济学与社会政策研究提供了纵向时间序列数据（1996–2024年，涵盖20国）。当前前沿方向包括：1）基于性别与残障交叉视角的NEET群体异质性建模，结合机器学习捕获多维度互动效应；2）结合ILO公布的劳动力调查微观数据，构建因果推断框架以评估残障包容政策（如《联合国残疾人权利公约》在亚洲的执行效果）对青年就业的干预效应；3）利用时间序列预测技术（如Prophet或LSTM）识别NEET率的结构性波动，预警劳动力市场收缩风险。该数据集的发布填补了亚洲区域残障青年就业统计的空白，为SDG 8（体面工作与经济增长）指标监测提供了关键基准，尤其支持疫情期间（2020–2024年）非正规就业转型与青年失业危机的量化分析。