electricsheepasia/asia-ilo-ees-tees-sex-ins-geo-nb-employees-by-sex-public-private-sector-and-rural-u

该数据集包含6,314个观测值，覆盖26个亚洲国家，时间跨度为1997年至2025年，涉及1个指标：按性别、公共/私营部门和农村/城市地区划分的雇员数据（以千计）。数据来源于国际劳工组织（ILO）的ILOSTAT统计数据库，由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。数据集提供了按性别、部门、地区等维度分解的雇员数据，旨在支持劳动市场分析和机器学习应用。--- license: 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 < 样本数 < 10000 tags: - 表格数据 - 亚洲 - ILOSTAT - 雇员 - ILO - 劳动 - 就业 pretty_name: "按性别、公共/私营部门及城乡地区划分的雇员人数（千人） | 亚洲（ILOSTAT）" --- # 按性别、公共/私营部门及城乡地区划分的雇员人数（千人） | 亚洲（ILOSTAT） 🌏 **共6314条观测数据** · **覆盖26个亚洲国家** · **时间跨度为1997年至2025年** · *由[Electric Sheep Asia](https://huggingface.co/electricsheepasia)重新整理发布*      ## 简短摘要 本数据集包含**6314条雇员相关观测数据**，覆盖**26个亚洲国家**，时间跨度为**1997年至2025年**，仅包含**1项核心指标**。 ## 数据源说明 **ILOSTAT**是国际劳工组织（International Labour Organization, ILO）的中央统计数据库，是全球领先的劳动统计权威来源。其收录的指标涵盖就业、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，数据源自国家劳动力调查、家庭收入调查、企业调查及行政记录，覆盖200余个经济体，由国际劳工组织统计司负责数据的标准化协调。 - **来源**：[ILOSTAT](https://www.ilo.org/shinyapps/bulkexplorer/?id=EES_TEES_SEX_INS_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/) - **主题**：雇员情况 ## 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=EES_TEES_SEX_INS_GEO_NB`获取数据，并筛选出采用ISO 3166-1 alpha-3标准的亚洲国家编码数据。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协调；数据来源会在`source.label`字段中标记，以确保可追溯性。 ## 地理覆盖范围 覆盖26个亚洲国家，以下为按数据行数排序的部分国家示例： | 国家代码 | 数据行数 | 起始年份 | 结束年份 | |---------|-----:|-----------:|----------:| | `MNG` | 513 | 2003 | 2024 | | `PSE` | 504 | 2009 | 2022 | | `VNM` | 468 | 2007 | 2024 | | `PHL` | 468 | 2007 | 2023 | | `ARM` | 467 | 2007 | 2023 | | `KHM` | 459 | 1997 | 2023 | | `GEO` | 432 | 2009 | 2024 | | `PAK` | 379 | 2005 | 2025 | | `LKA` | 378 | 2010 | 2024 | | `THA` | 378 | 2007 | 2024 | | `BRN` | 243 | 2014 | 2024 | | `JOR` | 216 | 2017 | 2024 | | `BTN` | 189 | 2018 | 2024 | | `BGD` | 181 | 2006 | 2024 | | `TLS` | 162 | 2001 | 2021 | | ... | _其余11个国家_ | | | ## 指标示例 - `EES_TEES_SEX_INS_GEO_NB` — 按性别、公共/私营部门及城乡地区划分的雇员人数（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 | `Afghanistan` | | `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 - Labour Force Survey` | | `indicator` | `string` | ILOSTAT 指标代码 | `EES_TEES_SEX_INS_GEO_NB` | | `indicator.label` | `string` | 英文指标名称 | `Employees by sex, public/private sect…` | | `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、就业身份等） | `INS_SECTOR_TOTAL` | | `classif1.label` | `string` | — | `机构部门：总计` | | `classif2` | `string` | 可选第二分类变量 | `GEO_COV_NAT` | | `classif2.label` | `string` | — | `区域类型：全国` | | `time` | `int64` | 观测年份 | `2021` | | `obs_value` | `float64` | 观测指标值（单位详见指标定义） | `1709.649` | | `obs_status` | `string` | 观测状态标记（如临时数据、序列中断） | `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统计数据库 - 微观数据…` | ## 细分维度 以下字段提供数据细分维度： - **`sex`**（共4种唯一取值）：`SEX_T`、`SEX_M`、`SEX_F`、`SEX_O` ## 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，但本数据集未包含此类数据。 - 当同一国家×年份的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填充非空值。 ## 使用示例 python from datasets import load_dataset ds = load_dataset("electricsheepasia/asia-ilo-ees-tees-sex-ins-geo-nb-employees-by-sex-public-private-sector-and-rural-u") 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可视化 python sample = (df[df["indicator"] == "EES_TEES_SEX_INS_GEO_NB"] .sort_values("time")) sample.plot(x="time", y="obs_value", title="EES_TEES_SEX_INS_GEO_NB") ### 转换为国家×年份矩阵 python matrix = (df[df["indicator"] == "EES_TEES_SEX_INS_GEO_NB"] .pivot_table(index="time", columns="ref_area", values="obs_value")) print(matrix.tail()) ## 引用格式 bibtex @misc{asia_ilo_ees_tees_sex_ins_geo_nb_employees_by_sex_public_private_sector_and_rural_u_2025, title = {按性别、公共/私营部门及城乡地区划分的雇员人数（千人） | 亚洲（ILOSTAT)}, author = {国际劳工组织（ILO)}, year = {2025}, url = {https://www.ilo.org/shinyapps/bulkexplorer/?id=EES_TEES_SEX_INS_GEO_NB}, publisher = {HuggingFace Datasets, 由Electric Sheep Asia重新整理发布}, howpublished = {url{https://huggingface.co/datasets/electricsheepasia/asia-ilo-ees-tees-sex-ins-geo-nb-employees-by-sex-public-private-sector-and-rural-u}} } ## 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及Electric Sheep Asia的重新整理版本。 ## 关于Electric Sheep Electric Sheep Asia是Electric Sheep使命的一部分：在HuggingFace平台上构建统一的、适用于机器学习的亚洲数据层。我们从权威开源数据源获取数据，标准化数据架构，以Parquet格式打包发布，并采用统一的数据集卡片格式，使研究人员与开发者可通过`load_dataset()`函数在数秒内启动数据使用。 浏览完整数据集集合：[huggingface.co/electricsheepasia](https://huggingface.co/electricsheepasia) --- _数据溯源：2026年5月26日通过Electric Sheep流水线摄入。源URL：https://www.ilo.org/shinyapps/bulkexplorer/?id=EES_TEES_SEX_INS_GEO_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中央统计数据库，通过其REST API接口直接抽取指标代码为EES_TEES_SEX_INS_GEO_NB的原始记录，并依据ISO 3166-1 alpha-3国家代码筛选出26个亚洲国家，时间跨度为1997年至2025年。ILOSTAT对各国劳动力调查、家庭收入调查及行政记录等微观数据进行统一协调，采用国际劳工统计学家会议（ICLS）定义进行标准化处理，来源信息在source.label列中予以标注，最终由Electric Sheep Asia重新封装为HuggingFace数据集。

特点

数据集包含6,314条观测记录，覆盖26个亚洲国家，时间序列横跨近三十年，以年度频率发布。数据按性别（总计、男性、女性及其他）、公共/私营部门及城乡区域等多维度进行交叉分类，每一条记录均附带来源标签、观测状态标志及指标注释，便于追溯数据质量与方法变更。数据集采用Parquet列式存储，变量命名规范，缺失值处理明确，兼具表格分类、回归与时间序列预测等多任务适用性。

使用方法

研究者可通过HuggingFace的datasets库以load_dataset()函数直接加载数据集，并利用to_pandas()方法转换为数据框进行后续分析。典型操作包括按ref_area列筛选特定国家、按indicator列提取单一指标的时间序列、以及通过pivot_table生成国家与年份的二维矩阵。数据集支持性别、部门与城乡维度的分组聚合，可服务于劳动经济学中的性别就业差距、公私部门就业结构及城乡劳动力配置等实证研究。

背景与挑战

背景概述

国际劳工组织（ILO）长期致力于全球劳动力市场统计数据的标准化与传播，其ILOSTAT数据库整合了各国劳动力调查与行政记录，为就业结构分析提供权威依据。本数据集由Electric Sheep Asia于2025年基于ILOSTAT REST API重新封装，涵盖1997至2025年间26个亚洲国家共6314条观测，聚焦按性别、公私部门及城乡地区划分的雇员人数。该数据集的发布弥补了亚洲区域劳动力市场细分数据在可机读格式上的不足，为研究性别就业差异、部门结构变迁及城乡劳动力配置提供了高粒度时序资源，对发展经济学与劳动政策评估具有重要参考价值。

当前挑战

该数据集所回应的领域问题在于如何精确刻画亚洲劳动力市场中性别、部门与地域三重维度交织下的就业分布，这要求统计体系具备跨年度一致的定义与分类标准。构建过程中的核心挑战源于源数据的异质性：各国劳动力调查在抽样设计、覆盖范围及变量编码上存在差异，ILOSTAT虽经国际劳工统计学家会议定义调和，但系列断裂与方法修订仍导致部分观测值标记为不可靠或中断。此外，分类变量仅在特定指标下非空，稀疏的细分维度与不一致的时间覆盖对建模的稳健性构成显著制约。

常用场景

经典使用场景

在劳动经济学与性别研究的交叉领域中，该数据集最经典的使用场景在于构建亚洲国家按性别、公私部门及城乡地域细分的雇员规模面板数据，进而开展跨国家、跨年份的比较分析。研究者常以时间序列建模刻画女性与男性在公共部门与私营部门之间就业分布的演变轨迹，并借助城乡维度考察工业化与城市化进程对劳动力市场性别结构的重塑作用。

实际应用

在政策实践中，该数据集为国际组织与各国劳动主管部门评估体面劳动目标进展、设计性别敏感的就业促进政策提供了量化依据。非政府组织可据此识别城乡女性雇员比例偏低的重点区域并优化干预资源配置，企业人力资源研究亦可借助该数据研判亚洲各市场的劳动力供给结构与公共部门吸纳能力，为投资布局与用工策略提供参照。

衍生相关工作

围绕该数据集或其所依托的ILOSTAT指标，已衍生出诸多经典研究议程，包括亚洲性别就业差距的多国分解分析、公共部门就业规模与女性劳动参与率关系的跨国回归检验，以及城乡劳动力市场分割的时空聚类研究。相关学者利用该数据开展了面板固定效应估计、合成控制法评估以及机器学习预测建模，推动了劳动统计数据的二次开发与实证方法创新。