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

该数据集包含亚洲36个国家从1970年至2025年的5,752个观测值，专注于“其他劳动力未充分利用指标”，具体指标为“按性别和教育程度划分的未就业、未受教育或未培训青年（NEET）（千人）”。数据来源于国际劳工组织（ILO）的ILOSTAT数据库，通过API直接获取并过滤至亚洲国家，涵盖了劳动力调查、家庭收入调查等多种数据源。数据集提供了详细的列结构，包括国家代码、国家名称、数据来源、指标代码、性别分类、教育分类、观测年份、观测值及其状态标志等，支持表格分类、回归和时间序列预测等任务。数据以年度频率发布，并包含数据质量说明，如使用ILO选择的“最佳来源”和分类列的非空限制。--- license: 知识共享署名4.0（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 - 国际劳工组织统计数据库（ILOSTAT） - 劳动力未充分利用其他衡量指标 - 国际劳工组织（ILO） - 劳动力 - 就业 pretty_name: "按性别与教育水平划分的亚洲地区非就业、非教育、非培训青年（NEET，Youth not in employment, education or training，单位：千人）| 亚洲（ILOSTAT）" --- # 按性别与教育水平划分的亚洲地区非就业、非教育、非培训青年（NEET，单位：千人）| 亚洲（ILOSTAT） 🌏 **5752条观测数据** · **36个亚洲国家** · **1970–2025年** · *由[Electric Sheep Asia](https://huggingface.co/electricsheepasia)重新打包发布*      ## 核心摘要 本数据集包含**5752条**覆盖**36个亚洲国家**的`劳动力未充分利用其他衡量指标`数据，时间跨度为**1970–2025年**，涵盖**1项独立指标**。 ## 数据源说明 **国际劳工组织统计数据库（ILOSTAT）**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。其收录的指标涵盖就业、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（SDG）体面工作目标等，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。该数据库覆盖200余个经济体，由国际劳工组织统计司负责数据的标准化整合。 - **数据源**：[ILOSTAT](https://www.ilo.org/shinyapps/bulkexplorer/?id=EIP_NEET_SEX_EDU_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/) - **主题**：劳动力未充分利用其他衡量指标 ## 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=EIP_NEET_SEX_EDU_NB`获取数据，并筛选出亚洲地区的ISO 3166-1 alpha-3国家代码对应的样本。ILOSTAT依据国际劳工统计学家会议（ICLS，International Conference of Labour Statisticians）的定义对原始调查微观数据进行标准化整合；数据来源信息将在`source.label`字段中标注，以保证可追溯性。 ## 地理覆盖范围 36个亚洲国家 · 以下按数据行数降序排列展示前15个国家及其余21个国家： | 国家代码 | 数据行数 | 起始年份 | 结束年份 | |---------|-----:|-----------:|----------:| | `IDN` | 429 | 1996 | 2023 | | `TUR` | 375 | 2000 | 2024 | | `PSE` | 360 | 2000 | 2025 | | `CYP` | 353 | 1999 | 2024 | | `IRN` | 343 | 2005 | 2024 | | `KHM` | 317 | 1996 | 2023 | | `MNG` | 297 | 2003 | 2024 | | `PAK` | 269 | 2005 | 2025 | | `THA` | 266 | 2000 | 2024 | | `VNM` | 256 | 2010 | 2024 | | `ARM` | 247 | 2001 | 2023 | | `LKA` | 235 | 2010 | 2024 | | `ISR` | 215 | 2012 | 2024 | | `IND` | 214 | 1994 | 2025 | | `GEO` | 190 | 2012 | 2024 | | ... | 其余21个国家 | | | ## 指标（示例） - `EIP_NEET_SEX_EDU_NB` — 按性别与教育水平划分的非就业、非教育、非培训青年（NEET，单位：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（阿富汗）` | | `ref_area.label` | `string` | 英文国家名称 | `Afghanistan（阿富汗）` | | `source` | `string` | ILOSTAT数据源代码（如劳动力调查） | `BA:15715` | | `source.label` | `string` | 英文数据源名称 | `LFS - 劳动力调查` | | `indicator` | `string` | ILOSTAT指标代码 | `EIP_NEET_SEX_EDU_NB` | | `indicator.label` | `string` | 英文指标名称 | `Youth not in employment, education or…` | | `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` | 细分维度说明 | `总计` | | `classif1` | `string` | 第一分类变量（年龄、教育水平、身份等） | `EDU_AGGREGATE_TOTAL` | | `classif1.label` | `string` | 分类变量说明 | `教育水平（汇总级别）：总计` | | `time` | `int64` | 观测年份 | `2021` | | `obs_value` | `float64` | 观测指标值（单位详见指标定义） | `2476.073` | | `obs_status` | `string` | 观测状态标记（如临时数据、不可靠数据） | `U` | | `obs_status.label` | `string` | 状态标记说明 | `不可靠` | | `note_classif` | `string` | 分类备注代码 | `C3:2620` | | `note_classif.label` | `string` | 分类备注说明 | `非标准教育水平：包含……` | | `note_indicator` | `string` | 指标备注代码 | `I11:264` | | `note_indicator.label` | `string` | 指标备注说明 | `序列中断：方法学修订` | | `note_source` | `string` | 数据源备注代码 | `R1:3513_S3:8` | | `note_source.label` | `string` | 数据源备注说明 | `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，但未纳入本数据集。 - 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非空。 ## 使用方法 python from datasets import load_dataset ds = load_dataset("electricsheepasia/asia-ilo-eip-neet-sex-edu-nb-youth-not-in-employment-education-or-training-neet") df = ds["train"].to_pandas() print(df.head()) ### 筛选单个国家数据 python indonesia = df[df["ref_area"] == "IDN"] ### 单个指标的时间序列数据 python sample = (df[df["indicator"] == "EIP_NEET_SEX_EDU_NB"] .sort_values("time")) sample.plot(x="time", y="obs_value", title="EIP_NEET_SEX_EDU_NB") ### 转换为国家×年份矩阵 python matrix = (df[df["indicator"] == "EIP_NEET_SEX_EDU_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_edu_nb_youth_not_in_employment_education_or_training_neet_2025, title = {按性别与教育水平划分的亚洲地区非就业、非教育、非培训青年（NEET，单位：千人）| 亚洲（ILOSTAT）}, author = {国际劳工组织（ILO）}, year = {2025}, url = {https://www.ilo.org/shinyapps/bulkexplorer/?id=EIP_NEET_SEX_EDU_NB}, publisher = {HuggingFace数据集平台，由Electric Sheep Asia重新打包}, howpublished = {url{https://huggingface.co/datasets/electricsheepasia/asia-ilo-eip-neet-sex-edu-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/)许可发布。 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 Asia的重新打包版本。 ## 关于Electric Sheep Electric Sheep Asia是Electric Sheep项目的分支，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获取数据，对数据架构进行标准化处理，打包为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()`函数在数秒内启动数据分析工作。 浏览完整数据集集合：[huggingface.co/electricsheepasia](https://huggingface.co/electricsheepasia) --- _数据溯源：2026-05-27通过Electric Sheep流水线获取。源URL: https://www.ilo.org/shinyapps/bulkexplorer/?id=EIP_NEET_SEX_EDU_NB_

搜集汇总

数据集介绍

构建方式

本数据集源自国际劳工组织（ILO）的ILOSTAT数据库，专注于亚洲地区青年未就业、未受教育或未接受培训（NEET）的统计指标。数据通过ILOSTAT REST API直接采集，并依据ISO 3166-1 alpha-3标准，筛选出涵盖36个亚洲国家的观测记录。ILO依据国际劳工统计学家会议的统一定义，对原始调查微观数据进行融合与标准化处理，来源信息在source.label列中予以标识，确保了数据的可追溯性与一致性。最终形成了包含5752条观测、时间跨度从1970年至2025年的结构化表格数据集。

特点

该数据集的核心特点在于其精细化的维度设计。除基础的地理（ref_area）与时间（time）变量外，数据按性别（sex）和受教育程度（classif1）进行拆解，提供了SEX_T（总计）、SEX_M（男性）、SEX_F（女性）及SEX_O（其他）等共4种性别分类，支持多维度交叉分析。观测值（obs_value）以千人为单位，并附有观测状态标志（obs_status）及注释信息（note_classif、note_indicator等），用以标识数据可靠性及方法变更等元数据。数据年度频率稳定，为时间序列分析提供了坚实基础。

使用方法

使用者可通过HuggingFace Datasets库便捷加载，仅需一行代码`load_dataset("electricsheepasia/asia-ilo-eip-neet-sex-edu-nb-youth-not-in-employment-education-or-training-neet")`即可获取完整数据，并轻松转换为Pandas DataFrame。支持针对特定国家（如印度尼西亚：ref_area == "IDN"）进行子集过滤，也可按指标（indicator）筛选后，利用时间列（time）进行时序分析与可视化。此外，数据可转换为以年份为行、国家为列的透视矩阵，便于面板数据分析与建模。数据集采用CC-BY-4.0许可证，使用时需正确引用原始数据来源及打包方。

背景与挑战

背景概述

该数据集由国际劳工组织（ILO）于2025年整理发布，经Electric Sheep Asia重新打包后托管于HuggingFace平台，聚焦亚洲36个国家1970至2025年间青年未就业、未受教育或未接受培训（NEET）的状况。作为ILOSTAT数据库的子集，它依托国际劳工统计学家会议（ICLS）定义，整合了各国劳动力调查、家庭收入调查与行政记录等多元来源，旨在揭示亚洲地区青年劳动力利用不足的时空分布与性别、教育维度差异。该数据集为劳动经济学、发展研究及政策制定者提供了标准化、跨国的结构化面板数据，助力精准识别弱势青年群体，评估教育-就业衔接政策的效能，推动了亚洲区域劳动统计的横向比较与纵向趋势分析。

当前挑战

数据集面临的核心挑战在于青年NEET指标的统计口径统一与跨国可比性。由于亚洲各国劳动力调查方法、教育分类标准及数据收集频率存在差异，ILO虽经协调，但部分观测值仍标注为不可靠或含有序列中断，导致时间序列分析的准确性受限。构建过程中，数据整合需克服多来源数据在元数据标注、缺失值处理及分类维度（如性别、教育水平）上的异构性，例如某些国家仅提供特定年份或非标准教育层级的细分数据。此外，年度频率限制了捕捉短期经济波动对青年NEET影响的敏感性，而多来源数据选优规则虽保证了最佳来源启用，却可能掩盖不同调查间的系统偏差，对跨区域建模与归因分析构成方法论挑战。

常用场景

经典使用场景

在劳动经济学与教育政策研究的交叉领域中，该数据集被广泛用于评估亚洲青年在就业、教育和培训体系中的边缘化程度。通过性别的维度进行细粒度拆解，研究者能够利用1970至2025年间覆盖36个国家的5752条观测记录，构建面板数据模型来追踪各国NEET指标的长期演变趋势。不同教育水平的分类数据更进一步揭示了个体人力资本积累与劳动力市场脱节之间的深层关联，为比较不同发展水平经济体的青年就业困境提供了标准化数据基础。

实际应用

在实际决策层面，该数据集赋能国际组织与政府部门开展劳动力市场的动态预警与靶向干预。通过时间序列分析，预测亚洲各国在未来五年内青年NEET人口规模的演变态势，辅助制定差异化的技能培训计划与教育投入策略。例如，基于性别的NEET差异数据可指导设计针对年轻女性的职业赋能项目，而教育维度的细化指标则能推动职业教育课程体系与新兴产业需求的对接，有效降低青年从学校到职场的过渡摩擦。

衍生相关工作

基于该数据集，学术界已衍生出多项纵深研究：其一是基于多层混合效应模型构建亚洲青年就业脆弱性指数，将宏观经济景气度、产业结构转型等外生变量与NEET率进行动态耦合；其二是运用模糊断点回归设计，评估义务教育年限延长政策对青年就业状态的因果效应；其三是在时间序列预测框架下，将NEET数据与夜间灯光遥感、社交媒体情绪指数等非传统数据源融合，开发出适用于数据稀疏地区的劳动力市场监测工具。