electricsheepafrica/africa-ilo-luu-xlu4-sex-edu-geo-rt-composite-rate-of-labour-underutilization-lu4-by-s

该数据集包含非洲26个国家2003年至2025年期间的劳动力利用不足综合率（LU4）数据，按性别、教育程度和城乡地区进行细分。数据集共有4,882条观测记录，涵盖一个核心指标：LUU_XLU4_SEX_EDU_GEO_RT，表示按性别、教育程度和城乡地区划分的劳动力利用不足综合率（百分比）。数据来源于国际劳工组织（ILO）的ILOSTAT数据库，通过API获取并过滤为非洲国家数据。数据集采用表格形式，包含国家代码、年份、观测值、数据来源、分类变量（如性别、教育水平、地区类型）以及数据质量标志（如可靠性状态）。该数据集适用于表格分类、回归和时间序列预测等机器学习任务，旨在为研究非洲劳动力市场提供标准化、可直接用于分析的数据。license: CC BY 4.0 language: - en task_categories: - 表格分类 - 表格回归 - 时间序列预测 multilinguality: 单语种 size_categories: - 1000 < 样本量 < 10000 tags: - 表格数据 - 非洲 - ILOSTAT - 劳动未充分利用其他衡量指标 - 国际劳工组织（ILO） - 劳动 - 就业 pretty_name: "按性别、教育程度及城乡区域划分的劳动未充分利用综合比率（LU4） | 非洲（ILOSTAT）" # 按性别、教育程度及城乡区域划分的劳动未充分利用综合比率（LU4） | 非洲（ILOSTAT） 🌍 **4,882条观测值** · **26个非洲国家** · **2003–2025年** · *由[Electric Sheep Africa](https://huggingface.co/electricsheepafrica)重新打包*      ## 简短摘要 本数据集包含覆盖**26个非洲国家、2003–2025年**的**4,882条劳动未充分利用其他衡量指标**观测值，涉及**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统计权威来源。其收录涵盖就业、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体面工作目标等各类指标，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。该数据库覆盖全球200余个经济体，由国际劳工组织统计部门负责数据标准化处理。 - **数据源**：[ILOSTAT](https://www.ilo.org/shinyapps/bulkexplorer/?id=LUU_XLU4_SEX_EDU_GEO_RT) - **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 REST API接口`https://rplumber.ilo.org/data/indicator?id=LUU_XLU4_SEX_EDU_GEO_RT`拉取数据，并筛选出非洲地区的ISO3国家代码对应的样本。ILOSTAT采用国际劳工统计学家会议（ICLS）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，以保证可追溯性。 ## 地理覆盖范围 26个非洲国家，以下按行数量排序展示部分国家： | 国家 | 行数量 | 起始年份 | 结束年份 | |---------|-----:|-----------:|----------:| | `ZAF` | 882 | 2008 | 2024 | | `RWA` | 456 | 2014 | 2025 | | `ZMB` | 405 | 2017 | 2024 | | `AGO` | 370 | 2019 | 2025 | | `SEN` | 277 | 2016 | 2024 | | `ZWE` | 269 | 2014 | 2024 | | `NGA` | 189 | 2019 | 2024 | | `MLI` | 179 | 2020 | 2024 | | `KEN` | 160 | 2019 | 2022 | | `GMB` | 153 | 2012 | 2025 | | `GHA` | 153 | 2015 | 2024 | | `TGO` | 149 | 2011 | 2017 | | `UGA` | 144 | 2012 | 2021 | | `CIV` | 143 | 2016 | 2019 | | `SLE` | 140 | 2003 | 2018 | | ... | 其余11个国家 | | | ## 指标（示例） - `LUU_XLU4_SEX_EDU_GEO_RT` — 按性别、教育程度及城乡区域划分的劳动未充分利用综合比率（LU4）（单位：%） ## 数据结构 | 字段名 | 数据类型 | 字段说明 | 示例 | |--------|------|-------------|---------| | `ref_area` | `string` | ISO 3166-1 alpha-3 国家代码 | `AGO` | | `ref_area.label` | `string` | 英文国家名称 | `安哥拉` | | `source` | `string` | ILOSTAT 数据源代码（如劳动力调查） | `BA:13951` | | `source.label` | `string` | 英文数据源名称 | `劳动力调查（LFS）` | | `indicator` | `string` | ILOSTAT 指标代码 | `LUU_XLU4_SEX_EDU_GEO_RT` | | `indicator.label` | `string` | 英文指标名称 | `按性别、教育程度及城乡区域划分的劳动未充分利用综合比率……` | | `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` | 维度标签 | `总计` | | `classif1` | `string` | 第一分类变量（年龄、教育程度、身份等） | `EDU_AGGREGATE_TOTAL` | | `classif1.label` | `string` | 分类标签 | `教育程度（汇总级别）：总计` | | `classif2` | `string` | 可选第二分类变量 | `GEO_COV_NAT` | | `classif2.label` | `string` | 分类标签 | `区域类型：全国范围` | | `time` | `int64` | 观测年份 | `2025` | | `obs_value` | `float64` | 观测指标值（单位详见指标定义） | `27.449` | | `obs_status` | `string` | 观测状态标记（如临时、不可靠） | `U` | | `obs_status.label` | `string` | 状态标签 | `不可靠` | | `note_classif` | `string` | 分类备注 | `C3:2620` | | `note_classif.label` | `string` | 备注说明 | `非标准教育水平：包含……` | | `note_indicator` | `string` | 指标备注 | `I11:264` | | `note_indicator.label` | `string` | 备注说明 | `序列中断：方法学修订` | | `note_source` | `string` | 数据源备注 | `R1:3513` | | `note_source.label` | `string` | 备注说明 | `存储库：国际劳工组织统计数据库 - 微观数据……` | ## 细分维度 以下字段提供数据细分维度： - **`sex`**（共3种唯一取值）：`SEX_T`、`SEX_M`、`SEX_F` ## 数据质量与注意事项 - 本数据集采用年度频率数据，部分指标另有月度或季度序列，未包含在本数据集中。 - 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”。 - 细分字段（`sex`、`classif1`、`classif2`）仅在指标支持对应细分维度时才非空。 ## 使用示例 python from datasets import load_dataset ds = load_dataset("electricsheepafrica/africa-ilo-luu-xlu4-sex-edu-geo-rt-composite-rate-of-labour-underutilization-lu4-by-s") df = ds["train"].to_pandas() print(df.head()) ### 筛选单个国家数据 python kenya = df[df["ref_area"] == "KEN"] ### 单个指标的时间序列数据 python sample = (df[df["indicator"] == "LUU_XLU4_SEX_EDU_GEO_RT"] .sort_values("time")) sample.plot(x="time", y="obs_value", title="LUU_XLU4_SEX_EDU_GEO_RT") ### 转换为国家×年份矩阵 python matrix = (df[df["indicator"] == "LUU_XLU4_SEX_EDU_GEO_RT"] .pivot_table(index="time", columns="ref_area", values="obs_value")) print(matrix.tail()) ## 引用格式 bibtex @misc{africa_ilo_luu_xlu4_sex_edu_geo_rt_composite_rate_of_labour_underutilization_lu4_by_s_2025, title = {按性别、教育程度及城乡区域划分的劳动未充分利用综合比率（LU4） | 非洲（ILOSTAT)}, author = {国际劳工组织（ILO)}, year = {2025}, url = {https://www.ilo.org/shinyapps/bulkexplorer/?id=LUU_XLU4_SEX_EDU_GEO_RT}, publisher = {HuggingFace数据集平台，由Electric Sheep Africa重新打包}, howpublished = {url{https://huggingface.co/datasets/electricsheepafrica/africa-ilo-luu-xlu4-sex-edu-geo-rt-composite-rate-of-labour-underutilization-lu4-by-s}} } ## 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 Africa的重新打包版本。 ## 关于Electric Sheep Electric Sheep Africa是Electric Sheep使命的一部分：旨在HuggingFace平台上构建统一的、适用于机器学习的非洲数据层。我们从权威开放数据源获取数据，对schema进行标准化处理，打包为Parquet格式，并发布为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/electricsheepafrica](https://huggingface.co/electricsheepafrica) --- _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=LUU_XLU4_SEX_EDU_GEO_RT_

搜集汇总

数据集介绍

构建方式

该数据集由Electric Sheep Africa团队从ILOSTAT官方REST API直接采集，并针对非洲地区筛选后重新打包而成。ILOSTAT作为国际劳工组织（ILO）的核心统计数据库，依据国际劳工统计学家会议（ICLS）定义，对各国劳动力调查的原始微观数据进行统一协调。数据通过接口获取后，保留了原始来源标签，确保每一观测值的可追溯性。最终形成了包含26个非洲国家、横跨2003至2025年、共计4882条观测记录的结构化表格数据。

使用方法

该数据集已集成至Hugging Face Datasets库，用户可通过一行代码轻松加载：`load_dataset("electricsheepafrica/africa-ilo-luu-xlu4-sex-edu-geo-rt-composite-rate-of-labour-underutilization-lu4-by-s")`。返回的数据集可转化为Pandas DataFrame，便于进行后续的数据清洗与探索。典型应用包括按国家代码筛选特定国家数据、基于时间字段进行时序分析，或利用透视表功能构建国家×年份的矩阵，以直观观察劳动力利用不足率在时间和空间维度上的演变趋势。

背景与挑战

背景概述

劳动力资源的高效配置是推动经济社会可持续发展的核心议题之一，尤其在非洲大陆，劳动力市场结构的复杂性、非正规经济的广泛存在以及人口结构的快速变迁，使得传统失业率指标无法全面刻画劳动力的闲置与低效利用状况。在此背景下，国际劳工组织（ILO）通过其统计数据系统ILOSTAT构建了包含劳动利用不足综合率（LU4）在内的一系列更为全面的劳动力市场监测指标。由Electric Sheep Africa于2025年重新打包整合的该数据集，汇集了26个非洲国家、横跨2003至2025年间的4882条观测记录，聚焦于按性别、教育程度和城乡地域划分的劳动力利用不足状况，旨在为非洲劳动力市场研究提供标准化、结构化、可横向比较的基础数据资源，助力政策制定者与研究者精准识别弱势群体及结构性就业障碍。该数据集依托ILO严格的ICLS定义框架对原始调查数据进行标准化处理，确保了跨国家、跨时段数据的可比性与权威性，对推动非洲区域劳动力市场分析、追踪可持续发展目标中体面工作相关指标的实现进程具有重要参考价值。

当前挑战

该数据集所应对的核心领域挑战在于，传统失业率指标在非洲语境下存在系统性局限：多数劳动力实际上就业于非正规部门，面临工作时间不足、生产效率低下或技能不匹配等问题，而经典的“失业”定义往往忽略这部分隐性劳动力闲置。LU4指标虽能更全面地反映劳动利用不足的复合状态，但其构建过程面临严峻挑战：首先，非洲各国劳动力调查的抽样框架、问卷设计、调查频率与数据质量参差不齐，ILO需耗费大量精力进行跨国的定义协调与数据清洗，并在数据集中通过`obs_status`和`note_indicator`等字段标记不可靠观测与方法修订带来的断点问题，以确保使用者能够分辨数据的可信度。其次，按性别、教育与城乡地域维度进行精细拆分会显著增加数据稀疏性，例如部分小国的特定子群体观测数量极少，回归与时间序列建模时易受缺失值及噪音干扰，限制了该数据集在高阶统计分析中的直接适用性。此外，数据仅以年度频率发布，无法捕捉季节性劳动力波动，且当同一国家同年存在多个调查来源时，模型被迫遵循ILO筛选的“最优”来源，可能引入系统性偏差，削弱数据层的原始多样性与鲁棒性。

常用场景

经典使用场景

在劳动经济学与可持续发展研究的交汇地带，该数据集凭借其跨时域、跨国别、多维度拆解的特性，成为探索非洲劳动力市场结构性特征的核心资源。研究者常利用其覆盖26个非洲国家、横跨2003至2025年的年度观测值，构建面板数据模型，以剖析劳动力利用不足（LU4）的时空演化规律。该数据按性别、教育程度及城乡区域进行精细分层，使得针对特定群体（如女性青年或低教育水平人群）的劳动参与困境进行实证检验成为可能，为理解非洲大陆劳动力市场的异质性提供了量化基石。

解决学术问题

数据集直面非洲劳动力统计中长期存在的精细度不足与跨国可比性缺失难题，为学界解答劳动力利用不足的驱动因素与后果提供了标准化量化工具。经典研究问题涵盖教育回报异质性如何影响劳动参与决策、城乡迁移与劳动力闲置的关联机制，以及性别不平等在劳动力市场中的结构性表现。其意义在于，通过ILO统一口径的指标定义与数据协调流程，确立了非洲情境下高信度、可复现的研究基准，助力政策评估与理论推演从宏观叙事转向群体定量分析，深刻推动了区域劳动经济学与SDG体面工作目标监测的实证深度融合。

实际应用

该数据集在国际发展机构与非洲各国政策制定者中具有广泛的实际应用价值。劳工统计部门可依托分性别与教育程度的LU4指标，精准识别劳动力弱势群体，进而设计针对性的技能培训与就业促进项目。宏观经济分析中，该数据可作为衡量一国或地区经济周期波动与人力资本配置效率的先行指标，用于预警系统性就业风险。此外，城乡拆解维度为制定区域均衡发展策略提供了数据支撑，助力投资决策者评估特定区域内的劳动力冗余程度，以优化产业结构布局和基础设施建设规划。

数据集最近研究

最新研究方向

该数据集聚焦于非洲地区劳动力利用不足的综合率（LU4），按性别、教育程度及城乡区域进行细分，为深度解析非洲劳动力市场的结构性失衡与不平等提供了关键数据支撑。当前前沿研究方向涵盖利用时间序列与面板数据模型预测劳动力利用不足的动态演变趋势，并结合地理空间分析与教育分层，揭示非洲各国在青年就业、性别鸿沟及城乡差异上的异质性路径。在ILOSTAT框架下，该数据集有力推动了SDG体面工作目标的本地化监测，尤其为识别因教育水平不足和区域发展失衡所加剧的隐性与不充分就业提供了量化工具，对制定精准的职业教育与区域均衡政策具有直接指导意义。