electricsheepeurope/europe-ilo-eap-2eap-sex-age-nb-labour-force-by-sex-and-age-ilo-modelled-estimates

该数据集包含39,852个观测值，覆盖39个欧洲国家从1990年至2027年的劳动力数据，主要指标为按性别和年龄划分的劳动力——国际劳工组织模型估计值，2025年11月（千计）。数据来源于国际劳工组织（ILO）的ILOSTAT数据库，通过API获取并过滤为欧洲国家代码。数据集提供详细的列信息，包括国家代码、年份、性别分类（总计、男性、女性）、年龄分类、观测值及数据状态等，适用于表格分类、回归和时间序列预测任务。数据已由Electric Sheep Europe重新打包，便于机器学习使用。license: cc-by-4.0 语言： - en 任务类别： - 表格分类 - 表格回归 - 时间序列预测 多语言属性：单语言 样本量范围： - 10000 < n < 100000 标签： - 表格数据 - 欧洲 - ILOSTAT - 劳动力 - ILO - 劳动力 - 就业 友好名称："按性别和年龄划分的劳动力——国际劳工组织建模估算，2025年11月（千人）| 欧洲（ILOSTAT）" --- # 按性别和年龄划分的劳动力——国际劳工组织建模估算，2025年11月（千人）| 欧洲（ILOSTAT） 🇪🇺 **39,852 条观测值** · **39个欧洲国家** · **1990–2027年** · *由[Electric Sheep Europe](https://huggingface.co/electricsheepeurope)重新整理*      ## 内容提要 本数据集包含 **39,852 条观测值**，涵盖 **39个欧洲国家** 的劳动力数据，时间跨度为 **1990–2027年**，仅包含 **1个核心指标**。 ## 数据源简介 **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。其收录指标覆盖就业、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领域，数据源自全国劳动力调查、家庭收入调查、机构调查与行政记录，覆盖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=EAP_2EAP_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 ## 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=EAP_2EAP_SEX_AGE_NB`拉取数据，并筛选出欧洲地区的ISO 3166-1 alpha-3国家代码。ILOSTAT依据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，以确保可追溯性。 ## 地理覆盖范围 39个欧洲国家，以下按行数排序展示部分国家： | 国家 | 行数 | 起始年份 | 终止年份 | |---------|-----:|-----------:|----------:| | `ALB` | 1,026 | 1990 | 2027 | | `AUT` | 1,026 | 1990 | 2027 | | `BEL` | 1,026 | 1990 | 2027 | | `BGR` | 1,026 | 1990 | 2027 | | `BIH` | 1,026 | 1990 | 2027 | | `BLR` | 1,026 | 1990 | 2027 | | `CHE` | 1,026 | 1990 | 2027 | | `CZE` | 1,026 | 1990 | 2027 | | `DEU` | 1,026 | 1990 | 2027 | | `DNK` | 1,026 | 1990 | 2027 | | `ESP` | 1,026 | 1990 | 2027 | | `EST` | 1,026 | 1990 | 2027 | | `FIN` | 1,026 | 1990 | 2027 | | `FRA` | 1,026 | 1990 | 2027 | | `GBR` | 1,026 | 1990 | 2027 | | ... | _另有24个国家_ | | | ## 指标示例 - `EAP_2EAP_SEX_AGE_NB` — 按性别和年龄划分的劳动力——国际劳工组织2025年11月建模估算值（单位：千人） ## 数据结构 | 字段名 | 数据类型 | 描述 | 示例 | |--------|------|-------------|---------| | `ref_area` | `string` | ISO 3166-1 alpha-3国家代码 | `ALB` | | `ref_area.label` | `string` | 英文国家名称 | `Albania` | | `source` | `string` | ILOSTAT数据源代码（如劳动力调查） | `XA:2137` | | `source.label` | `string` | 英文数据源名称 | `ILO - 建模估算值` | | `indicator` | `string` | ILOSTAT指标代码 | `EAP_2EAP_SEX_AGE_NB` | | `indicator.label` | `string` | 英文指标名称 | `Labour force by sex and age -- ILO mo…` | | `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` | 维度英文名称 | `Total` | | `classif1` | `string` | 第一分类变量（年龄、教育程度、就业状态等） | `AGE_YTHADULT_YGE15` | | `classif1.label` | `string` | 分类变量英文名称 | `Age (Youth, adults): 15+` | | `time` | `int64` | 观测年份 | `2027` | | `obs_value` | `float64` | 观测指标值（单位详见指标定义） | `1482.561` | | `obs_status` | `string` | 观测状态标记（如临时、不可靠） | `A` | | `obs_status.label` | `string` | 状态标记英文名称 | `Adjusted` | ## 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”。 - 细分维度字段（`sex`、`classif1`、`classif2`）仅在指标支持对应细分时才会填充非空值。 ## 使用示例 python from datasets import load_dataset ds = load_dataset("electricsheepeurope/europe-ilo-eap-2eap-sex-age-nb-labour-force-by-sex-and-age-ilo-modelled-estimates") df = ds["train"].to_pandas() print(df.head()) ### 筛选单个国家 python germany = df[df["ref_area"] == "DEU"] ### 单个指标的时间序列可视化 python sample = (df[df["indicator"] == "EAP_2EAP_SEX_AGE_NB"] .sort_values("time")) sample.plot(x="time", y="obs_value", title="EAP_2EAP_SEX_AGE_NB") ### 转换为国家×年份透视矩阵 python matrix = (df[df["indicator"] == "EAP_2EAP_SEX_AGE_NB"] .pivot_table(index="time", columns="ref_area", values="obs_value")) print(matrix.tail()) ## 引用格式 bibtex @misc{europe_ilo_eap_2eap_sex_age_nb_labour_force_by_sex_and_age_ilo_modelled_estimates_2027, title = {Labour force by sex and age -- ILO modelled estimates, Nov. 2025 (thousands) | Europe (ILOSTAT)}, author = {International Labour Organization (ILO)}, year = {2027}, url = {https://www.ilo.org/shinyapps/bulkexplorer/?id=EAP_2EAP_SEX_AGE_NB}, publisher = {HuggingFace Datasets, repackaged by Electric Sheep Europe}, howpublished = {url{https://huggingface.co/datasets/electricsheepeurope/europe-ilo-eap-2eap-sex-age-nb-labour-force-by-sex-and-age-ilo-modelled-estimates}} } ## 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与Electric Sheep Europe的重新整理版本。 ## 关于Electric Sheep Electric Sheep Europe是Electric Sheep使命的一部分：旨在HuggingFace平台上构建统一的、适配机器学习的欧洲地区数据层。我们从权威开源数据源拉取数据，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，使研究人员与开发者可通过`load_dataset()`函数在数秒内启动工作。 浏览完整数据集集合：[huggingface.co/electricsheepeurope](https://huggingface.co/electricsheepeurope) --- _数据溯源：2026年5月28日通过Electric Sheep流水线摄取。源地址：https://www.ilo.org/shinyapps/bulkexplorer/?id=EAP_2EAP_SEX_AGE_NB_

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（ILO）的ILOSTAT REST API，通过自动化数据管道从官方指标接口直接拉取原始数据，并依据ISO 3166-1 alpha-3编码体系筛选出39个欧洲国家的观测记录。数据经过ILO统计部门基于国际劳工统计学家会议定义的标准化流程进行微数据整合与清洗，最终以Parquet格式封装为HuggingFace数据集，确保其机器学习就绪性。

特点

数据集涵盖了1990年至2027年间39个欧洲国家的劳动人口估计值，共计39,852条观测记录，核心指标为按性别与年龄分层的劳动参与人数。其独特之处在于提供了统一的时序界面，内嵌性别（男性、女性、总计）与年龄组（如15岁以上青年与成人）的细分维度，并附带数据来源标签与观测状态标记，便于用户评估数据质量与追溯原始调查。

使用方法

研究人员可通过HuggingFace datasets库的一行代码加载数据，将其转化为Pandas DataFrame进行后续分析。典型应用包括筛选特定国家进行时序趋势探索、针对单一指标按年份排序并绘制折线图以观察劳动人口演化，或利用透视表函数构建以年份为行、国家为列的矩阵，便于跨区域比较与计量建模。数据集兼容分类、回归与时序预测等多种任务范式。

背景与挑战

背景概述

该数据集由国际劳工组织（ILO）统计司于2025年发布，依托其核心数据库ILOSTAT，经由Electric Sheep Europe重新整合后发布于HuggingFace平台。数据集聚焦欧洲39个国家1990至2027年间按性别与年龄分层的劳动力规模（以千人为单位），涵盖39,852条观测值，旨在为劳动力市场分析、政策评估及经济预测提供标准化、可复现的时序数据。作为ILO modelled estimates系列的重要组成部分，该数据集弥补了传统调查数据在跨国可比性与时间连续性的不足，尤其对欧洲区域劳动参与率结构性变迁、性别差异演变及代际就业趋势等核心研究问题提供关键支撑。其基于国际劳工统计学家会议（ICLS）定义的统一方法，确保了不同来源数据在跨国情境下的统计一致性，显著提升了劳动力大数据在社会科学与机器学习应用中的可用性，对劳动经济学、公共政策与人口学领域的实证研究产生了深远影响。

当前挑战

该数据集所解决的领域问题主要包括：劳动力统计中因各国调查口径、时间频率和分类标准不一致导致的跨国纵向分析难题；以及传统统计方法难以捕捉按性别与年龄双重分解的劳动力动态变化。在构建过程中，面临的挑战体现在三方面：其一，ILOSTAT需从200多个经济体的劳动力调查、住户收入调查及行政记录中提取并整合原始微数据，数据源异构性与质量参差对清洗与标准化提出极高要求；其二，对于同国家同年份存在多个来源的指标，需采用‘最佳来源’选择策略，这涉及复杂的优先级排序与偏差权衡；其三，数据集对缺失值的处理、异常状态的标识（如临时性、不可靠性）以及时间序列的插补与预测（延长至2027年）均依赖精密的统计建模，确保长期趋势推断的鲁棒性与透明度。

常用场景

经典使用场景

该数据集作为国际劳工组织（ILO）官方发布的欧洲劳动力规模建模估计值，覆盖39个欧洲国家1990至2027年的年度观测记录，核心指标为按性别与年龄分层的劳动力人口数量（单位：千人次）。研究者通常利用其长时序面板结构开展劳动力供给趋势分析，例如刻画欧洲各国劳动力参与率的代际变迁，或利用性别人口学维度探讨性别差异在劳动力市场中的动态演化。数据的高时间覆盖率与标准化分类体系（如ILO统一口径）使其成为跨国家比较研究的理想基准，尤其在评估欧盟一体化进程中劳动力要素流动的宏观效应时具有不可替代的支撑价值。

解决学术问题

在劳动经济学与人口学领域，该数据集有效回应了欧洲劳动力市场研究中长期存在的两大瓶颈：一是缺乏跨国可比且覆盖完整经济周期的标准化劳动力人口面板，二是性别与年龄维度的精细拆解数据稀缺。借助此数据，学者得以突破传统单一国家或短期研究的局限，系统检验人口老龄化对劳动力供给的冲击、女性劳动参与率提升的经济决定因素，以及制度性变量（如退休政策、育儿支持）对劳动年龄人口规模的调节作用。研究结论可为欧洲各国调整社会保障体系与激活潜在劳动力提供量化依据，其政策意义辐射至可持续发展目标（SDG）中体面工作与经济增长指标的监测。

衍生相关工作

基于该数据集，业界已衍生出多项具有影响力的研究工作。在方法层面，研究者将其与ILOSTAT的工资、失业率等关联指标融合，构建欧洲劳动力市场的多维动态面板，并应用贝叶斯层次模型或长短期记忆网络（LSTM）提升短期劳动力供给的预测精度。在应用层面，欧洲经济政策研究中心（CEPR）利用其性别分列数据评估新冠疫情对女性劳动参与率的持续创伤效应，而《劳动经济学》（Labour Economics）期刊的多篇论文则借助该数据验证了自动化和移民流入对本地劳动力结构的替代弹性假设。这些衍生工作不仅深化了学界对欧洲劳动力转型机制的理解，也巩固了该数据集作为劳动统计数据标准化基准的权威地位。