electricsheepeurope/europe-ilo-emp-xflc-sex-ocu-nb-inflow-of-employed-foreign-citizens-by-sex-and-occ

该数据集包含欧洲10个国家2013年至2024年间的国际移民流动数据，具体指标为按性别和职业划分的就业外国公民流入量（千）。数据来源于国际劳工组织（ILO）的ILOSTAT数据库，通过API获取并过滤至欧洲国家。数据集共有834条观测记录，覆盖法国、芬兰、斯洛文尼亚、挪威、丹麦、马耳他、德国、比利时、西班牙和斯洛伐克等国家。数据以表格形式组织，包括国家代码、年份、性别分类（总计、男性、女性）、职业分类、观测值及其状态等字段。数据为年度频率，部分观测可能标记为临时或不可靠。数据集旨在支持表格分类、回归和时间序列预测等任务，适用于劳动力市场分析和移民研究。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: - n<1000 tags: - 表格数据 - 欧洲 - ILOSTAT - 国际移民流动 - 国际劳工组织（ILO） - 劳工 - 就业 pretty_name: "按性别与职业划分的就业外国公民流入量（千人）| 欧洲（ILOSTAT）" # 按性别与职业划分的就业外国公民流入量（千人）| 欧洲（ILOSTAT） 🇪🇺 **834条观测** · **10个欧洲国家** · **2013–2024** · *由[Electric Sheep Europe](https://huggingface.co/electricsheepeurope)重新封装*      ## TL;DR 本数据集包含**10个欧洲国家范围内共834条**`国际移民流动`数据观测值，时间跨度为**2013–2024年**，涵盖**1项独立指标**。 ## 数据源说明 **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，也是全球领先的劳工统计权威来源。其收录的指标覆盖就业、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，数据来源于全国劳动力调查、家庭收入调查、机构调查及行政记录。该数据库覆盖200余个经济体，由国际劳工组织统计部门负责数据的标准化协调。 - **数据源**：[ILOSTAT](https://www.ilo.org/shinyapps/bulkexplorer/?id=EMP_XFLC_SEX_OCU_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**：国际移民流动 ## 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_XFLC_SEX_OCU_NB`拉取原始数据，并筛选出欧洲地区的ISO 3166-1 alpha-3国家代码对应数据。ILOSTAT采用国际劳工统计学家会议（ICLS）的定义对原始调查微观数据进行标准化协调；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 10个欧洲国家，以下按数据行数排序展示部分样本： | 国家 | 数据行数 | 起始年份 | 结束年份 | |---------|-----:|-----------:|----------:| | `FRA` | 252 | 2013 | 2024 | | `FIN` | 126 | 2016 | 2022 | | `SVN` | 90 | 2017 | 2022 | | `NOR` | 90 | 2018 | 2024 | | `DNK` | 90 | 2019 | 2024 | | `MLT` | 82 | 2018 | 2024 | | `DEU` | 59 | 2017 | 2024 | | `BEL` | 15 | 2020 | 2020 | | `ESP` | 15 | 2021 | 2021 | | `SVK` | 15 | 2021 | 2021 | ## 指标（示例） - `EMP_XFLC_SEX_OCU_NB` — 按性别与职业划分的就业外国公民流入量（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 | `BEL` | | `ref_area.label` | `string` | 英文国家名称 | `比利时` | | `source` | `string` | ILOSTAT数据源代码（如劳动力调查） | `BA:2257` | | `source.label` | `string` | 英文数据源名称 | `LFS - 欧盟劳动力调查` | | `indicator` | `string` | ILOSTAT指标代码 | `EMP_XFLC_SEX_OCU_NB` | | `indicator.label` | `string` | 英文指标名称 | `按性别与职业划分的就业外国公民流入量（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、身份等） | `OCU_SKILL_TOTAL` | | `classif1.label` | `string` | — | `职业（技能水平）：总计` | | `time` | `int64` | 观测年份 | `2020` | | `obs_value` | `float64` | 观测指标值（单位详见指标定义） | `505.559` | | `obs_status` | `string` | 观测状态标记（如临时、不可靠） | `U` | | `obs_status.label` | `string` | — | `不可靠` | | `note_indicator` | `string` | — | `—` | | `note_indicator.label` | `string` | — | `—` | | `note_source` | `string` | — | `S5:41` | | `note_source.label` | `string` | — | `人口覆盖范围：不含武装人员…` | ## 数据细分维度 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，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数据源时，将采用国际劳工组织选定的“最优数据源”。 - 细分字段（`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("electricsheepeurope/europe-ilo-emp-xflc-sex-ocu-nb-inflow-of-employed-foreign-citizens-by-sex-and-occ") df = ds["train"].to_pandas() print(df.head()) ### 筛选单一国家数据 python germany = df[df["ref_area"] == "DEU"] ### 单指标时间序列可视化 python sample = (df[df["indicator"] == "EMP_XFLC_SEX_OCU_NB"] .sort_values("time")) sample.plot(x="time", y="obs_value", title="EMP_XFLC_SEX_OCU_NB") ### 转换为国家×年份矩阵 python matrix = (df[df["indicator"] == "EMP_XFLC_SEX_OCU_NB"] .pivot_table(index="time", columns="ref_area", values="obs_value")) print(matrix.tail()) ## 引用格式 bibtex @misc{europe_ilo_emp_xflc_sex_ocu_nb_inflow_of_employed_foreign_citizens_by_sex_and_occ_2024, title = {"按性别与职业划分的就业外国公民流入量（千人）| 欧洲（ILOSTAT）"}, author = {国际劳工组织（ILO）}, year = {2024}, url = {https://www.ilo.org/shinyapps/bulkexplorer/?id=EMP_XFLC_SEX_OCU_NB}, publisher = {HuggingFace数据集平台，由Electric Sheep Europe重新封装}, howpublished = {url{https://huggingface.co/datasets/electricsheepeurope/europe-ilo-emp-xflc-sex-ocu-nb-inflow-of-employed-foreign-citizens-by-sex-and-occ}} } ## 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及Electric Sheep Europe的重新封装版本。 ## 关于Electric Sheep Electric Sheep Europe是Electric Sheep项目的欧洲分支，旨在打造HuggingFace平台上统一的、适配机器学习的欧洲数据层。我们从权威开源数据源拉取数据，对数据结构进行标准化处理，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/electricsheepeurope](https://huggingface.co/electricsheepeurope) --- _数据溯源：2026-05-28通过Electric Sheep流水线获取。源URL：https://www.ilo.org/shinyapps/bulkexplorer/?id=EMP_XFLC_SEX_OCU_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，通过调用其REST API接口获取指标为EMP_XFLC_SEX_OCU_NB的原始数据，并依据欧洲国家ISO3代码进行地理范围过滤。数据经ILO依据国际劳工统计学家会议（ICLS）定义进行统一协调，原始调查微观数据来源于各国劳动力调查、家庭收入调查等渠道，并在数据集中通过`source.label`字段标注数据来源，以确保可追溯性。最终由Electric Sheep Europe进行重新封装，形成包含834条观测、覆盖10个欧洲国家、时间跨度为2013至2024年的结构化表格数据集。

使用方法

用户可通过HuggingFace的`datasets`库，使用一行代码`load_dataset("electricsheepeurope/europe-ilo-emp-xflc-sex-ocu-nb-inflow-of-employed-foreign-citizens-by-sex-and-occ")`直接加载数据集，并轻松转换为Pandas数据框进行分析。典型应用包括：按国家代码过滤某国数据，按时间序列绘制单个指标的折线图，或利用透视表将数据重塑为国家×年份的矩阵，以便于跨国家比较研究。该数据集适用于表格分类、回归以及时间序列预测等机器学习任务。

背景与挑战

背景概述

该数据集由国际劳工组织（ILO）于2024年创建，经Electric Sheep Europe重新打包后在HuggingFace平台发布，聚焦于欧洲10个国家2013至2024年间按性别和职业分类的受雇外国公民流入量（单位：千）。在全球化与区域劳动力流动日益频繁的背景下，该数据系统整合了ILOSTAT这一权威劳动统计数据库中的国际移民流指标，为解决欧洲劳动力市场中移民就业结构、性别差异及职业分布等核心研究问题提供了关键支撑。其影响力体现在：为政策制定者、经济学家及社会科学研究者提供了跨年度、跨国家的标准化微观数据，推动了欧洲劳动力市场整合与移民政策评估领域的实证研究。

当前挑战

该数据集所解决的领域问题主要包括：国际移民流入数据在时间与空间上的碎片化和分类口径不统一，难以进行跨国比较与趋势分析，尤其是性别与职业维度的交叉解读长期受限于数据可得性。构建过程中面临的挑战有：多个欧洲国家（如法国、德国、芬兰等）的原始数据来源各异，包括劳动力调查、行政记录等，需通过ILO统一的ICLS定义进行多源数据融合与清洗；部分年份与国家数据存在观测状态标注为不可靠或暂定（如比利时和西班牙仅有单一数据年份），导致时间序列不完整；分类变量（如职业技能等级）在部分记录中缺失，增加了数据整合与模型预测的复杂性。

常用场景

经典使用场景

该数据集收录了2013至2024年间10个欧洲国家按性别和职业分类的外籍受雇公民流入人数（单位：千人次），共计834条观测记录。在劳动力迁移与就业结构研究领域，研究者常将其作为时间序列分析的基础素材，用于刻画跨国劳动力流动的年度动态变化。典型场景包括构建多元回归模型探究经济周期、移民政策或产业结构调整对外籍就业流入的影响，或利用面板数据方法比较不同性别与职业类别下移民流入模式的异同。此外，该数据集因其细粒度的分类维度，非常适于开展交叉分析，揭示性别与职业在移民就业选择中的交互效应。

解决学术问题

该数据集有效解决了欧洲跨国劳动力流动研究中长期存在的细粒度数据匮乏问题。在学术领域，它主要服务于以下关键议题：其一，量化外籍劳动力流入对东道国劳动力市场的替代与互补效应，为劳动力经济学中的移民工资影响研究提供实证数据；其二，分析性别维度的移民就业分化现象，助力劳动社会学中关于移民女性职业隔离与性别不平等议题的探讨；其三，揭示职业结构视角下的技能匹配与劳动力错配问题，为劳动经济学中的技能偏态迁移理论提供欧洲层面的实证检验。这些研究成果对于完善国际移民潮、劳动力市场一体化以及包容性增长等理论框架具有重要的学术推动意义。

实际应用

在实际应用层面，该数据集为政策制定者、国际组织及企业人力规划提供了关键决策支撑。欧盟及各国劳动部门可依据该数据动态监测外籍劳动力流入的规模与结构，适时调整移民配额、职业准入资格及就业服务资源配置。国际劳工组织（ILO）可将其纳入全球劳动力市场监测体系，追踪地区间劳动力流动趋势。此外，跨国企业在制定欧洲区域人力布局与人才引进策略时，可据此评估不同国家特定职业的移民供给潜力，优化跨国派遣与本地招聘的平衡。对于非政府组织而言，该数据亦有助于识别移民就业中的性别平等短板，推动更具包容性的社会整合政策设计。

数据集最近研究

最新研究方向

在欧洲劳动力市场全球化与移民政策日益收紧的背景下，该数据集聚焦于按性别和职业划分的就业外籍公民流入量（千人为单位），为研究国际移民流动与劳动力供需匹配提供了精细化的时空面板数据。当前前沿方向包括：基于时序预测模型（如Prophet或LSTM）对2024年后欧盟各国移民就业趋势进行推演，结合性别与技能分层分析职业隔离与工资溢价差异；以及利用不平衡学习算法处理缺失值（如比利时2020年、斯洛伐克2021年）以提升估计稳健性。该数据与ILO的SDG体面工作目标直接挂钩，为验证‘欧洲移民就业融入政策有效性’和‘后疫情时代跨境劳动力回弹’等热点议题提供了量化基础，对推动欧洲社会包容性发展具有显著决策参考价值。