electricsheepafrica/africa-ilo-une-tune-sex-age-dsb-nb-unemployment-by-sex-age-and-disability-status-thou

该数据集包含非洲41个国家在1998年至2025年期间的失业数据，具体指标为按性别、年龄和残疾状况划分的失业人数（千）。数据来源于国际劳工组织（ILO）的ILOSTAT数据库，通过API获取并过滤为非洲国家。数据集包含7,535条观测记录，涵盖表格分类、回归和时间序列预测等任务。数据经过ILO的标准化处理，使用国际劳工统计学家会议（ICLS）的定义进行统一，并包含来源标签以确保可追溯性。数据结构包括国家代码、国家名称、数据来源、指标代码、性别、年龄分类、残疾状况、观测年份、观测值及状态标志等列。数据质量方面，数据为年度频率，当同一国家同年份有多个数据来源时，使用ILO选择的最佳来源。此外，数据包含详细的分类维度，如性别（总计、男性、女性）和年龄分类（如15岁以上）。数据集适用于机器学习任务，如失业率的预测和分析。许可证：CC BY 4.0 语言： - 英语 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 样本量范围： - 1000 < 样本量 < 10000 标签： - 表格数据 - 非洲 - ILOSTAT（国际劳工组织统计数据库） - 失业 - ILO（国际劳工组织） - 劳工 - 就业 数据集展示名称："按性别、年龄和残疾状况划分的失业人数（千人）| 非洲（ILOSTAT） # 按性别、年龄和残疾状况划分的失业人数（千人）| 非洲（ILOSTAT） 🌍 **7,535条观测数据** · **41个非洲国家** · **1998–2025** · *由[Electric Sheep Africa](https://huggingface.co/electricsheepafrica) 重新打包*      ## 简短总结 本数据集包含覆盖41个非洲国家、时间跨度为1998年至2025年的7,535条失业观测数据，仅涵盖1项独立指标。 ## 数据来源说明 **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数据源。其整合了就业、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——数据源自全国劳动力调查、家庭收入调查、机构调查和行政记录，覆盖超过200个经济体，由国际劳工组织统计司负责数据标准化。 - **数据来源**：[ILOSTAT](https://www.ilo.org/shinyapps/bulkexplorer/?id=UNE_TUNE_SEX_AGE_DSB_NB) - **出版方**：国际劳工组织（ILO） - **许可证**：[CC BY 4.0](https://creativecommons.org/licenses/by/4.0/) - **主题**：失业 ## 数据处理方法 数据直接从ILOSTAT的REST API接口`https://rplumber.ilo.org/data/indicator?id=UNE_TUNE_SEX_AGE_DSB_NB`获取，并筛选出非洲地区的ISO3国家代码。ILOSTAT采用ICLS（International Conference of Labour Statisticians，国际劳工统计学家会议）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`列中标记，以确保可追溯性。 ## 地理覆盖范围 本数据集覆盖41个非洲国家，以下按数据行数排序展示前15个国家： | 国家代码 | 数据行数 | 起始年份 | 结束年份 | |---------|-----:|-----------:|----------:| | `RWA` | 677 | 2014 | 2025 | | `GHA` | 525 | 2010 | 2024 | | `BWA` | 464 | 2009 | 2024 | | `ZWE` | 436 | 2014 | 2024 | | `ZMB` | 415 | 2015 | 2024 | | `SEN` | 352 | 2015 | 2024 | | `CIV` | 295 | 1998 | 2022 | | `TGO` | 290 | 2006 | 2022 | | `TZA` | 276 | 2008 | 2024 | | `GMB` | 242 | 2012 | 2025 | | `BFA` | 233 | 2006 | 2024 | | `ETH` | 230 | 2005 | 2021 | | `SWZ` | 202 | 2016 | 2023 | | `MLI` | 188 | 2009 | 2022 | | `UGA` | 182 | 2010 | 2021 | | ... | _另有26个国家_ | | | ## 指标示例 - `UNE_TUNE_SEX_AGE_DSB_NB` — 按性别、年龄和残疾状况划分的失业人数（千人） ## 数据结构 | 列名 | 数据类型 | 描述 | 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 | `Angola`（安哥拉） | | `source` | `string` | ILOSTAT来源代码（如劳动力调查） | `AA:835` | | `source.label` | `string` | 英文来源名称 | `PC - 人口普查` | | `indicator` | `string` | ILOSTAT指标代码 | `UNE_TUNE_SEX_AGE_DSB_NB` | | `indicator.label` | `string` | 英文指标名称 | `Unemployment by sex, age and disabili…` | | `sex` | `string` | 按性别拆分的维度（`SEX_T` = 总计，`SEX_M` = 男性，`SEX_F` = 女性） | `SEX_T` | | `sex.label` | `string` | 无额外说明 | `Total`（总计） | | `classif1` | `string` | 第一个分类变量（年龄、教育程度、身份等） | `AGE_YTHADULT_YGE15` | | `classif1.label` | `string` | 无额外说明 | `Age (Youth, adults): 15+`（年龄（青年、成人）：15岁及以上） | | `classif2` | `string` | 可选的第二个分类变量 | `DSB_STATUS_TOTAL` | | `classif2.label` | `string` | 无额外说明 | `Disability status: Total`（残疾状况：总计） | | `time` | `int64` | 观测年份 | `2014` | | `obs_value` | `float64` | 观测到的指标值（单位详见指标定义） | `560.654` | | `obs_status` | `string` | 观测状态标记（如临时、不可靠） | `U` | | `obs_status.label` | `string` | 无额外说明 | `Unreliable`（不可靠） | | `note_classif` | `float64` | 无额外说明 | `—` | | `note_classif.label` | `float64` | 无额外说明 | `—` | | `note_indicator` | `string` | 无额外说明 | `T5:1429` | | `note_indicator.label` | `string` | 无额外说明 | `Unemployment definition: Two criteria…`（失业定义：两项标准……） | | `note_source` | `string` | 无额外说明 | `R1:3513` | | `note_source.label` | `string` | 无额外说明 | `Repository: ILO-STATISTICS - Micro da…`（存储库：ILO统计 - 微观数据……） | ## 数据拆分维度 以下列提供数据拆分维度： - **`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序列。 - 当同一国家×年份存在多个数据源时，将采用国际劳工组织选定的“最佳数据源”。 - 拆分列（`sex`、`classif1`、`classif2`）仅在指标支持该拆分维度时才非空。 ## 使用方法 python from datasets import load_dataset ds = load_dataset("electricsheepafrica/africa-ilo-une-tune-sex-age-dsb-nb-unemployment-by-sex-age-and-disability-status-thou") df = ds["train"].to_pandas() print(df.head()) ### 筛选单个国家 python kenya = df[df["ref_area"] == "KEN"] ### 单个指标的时间序列数据 python sample = (df[df["indicator"] == "UNE_TUNE_SEX_AGE_DSB_NB] .sort_values("time")) sample.plot(x="time", y="obs_value", title="UNE_TUNE_SEX_AGE_DSB_NB") ### 转换为国家×年份矩阵 python matrix = (df[df["indicator"] == "UNE_TUNE_SEX_AGE_DSB_NB"] .pivot_table(index="time", columns="ref_area", values="obs_value")) print(matrix.tail()) ## 引用格式 bibtex @misc{africa_ilo_une_tune_sex_age_dsb_nb_unemployment_by_sex_age_and_disability_status_thou_2025, title = {按性别、年龄和残疾状况划分的失业人数（千人）| 非洲（ILOSTAT）}, author = {国际劳工组织（ILO）}, year = {2025}, url = {https://www.ilo.org/shinyapps/bulkexplorer/?id=UNE_TUNE_SEX_AGE_DSB_NB}, publisher = {HuggingFace数据集，由Electric Sheep Africa重新发布}, howpublished = {url{https://huggingface.co/datasets/electricsheepafrica/africa-ilo-une-tune-sex-age-dsb-nb-unemployment-by-sex-age-and-disability-status-thou}} } ## 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与Electric Sheep Africa的重新发布版本。 ## 关于Electric Sheep Africa Electric Sheep Africa是Electric Sheep使命的一部分：旨在为Hugging Face上构建统一、适配机器学习的非洲数据层。我们从权威开源数据源获取数据，标准化数据结构，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()`函数在数秒内开始使用。 可浏览完整数据集集合：[huggingface.co/electricsheepafrica](https://huggingface.co/electricsheepafrica) _数据溯源：2026-05-26通过Electric Sheep流水线获取。源URL: https://www.ilo.org/shinyapps/bulkexplorer/?id=UNE_TUNE_SEX_AGE_DSB_NB_

搜集汇总

数据集介绍

构建方式

该数据集由Electric Sheep Africa团队基于国际劳工组织统计数据库（ILOSTAT）的原始失业统计数据构建而成，通过标准化元数据工程对原始来源进行系统化整理与重封装。数据覆盖非洲41个国家，时间跨度为1998年至2025年，共计7,535条观测记录，包含按性别、年龄组及残疾状况分类的失业指标（以千人为单位）。整个构建流程依托Electric Sheep Africa的元数据目录系统，对来源标识、变量定义、单位说明及许可信息进行统一标注，最终以Parquet格式发布，形成可直接用于机器学习与统计分析的结构化表格数据集。

使用方法

研究者可通过Hugging Face的datasets库调用load_dataset函数直接加载该数据集，并借助内置的数据查看器快速浏览结构。加载后可获取数据集的分割信息、特征架构及样本预览，对于表格型数据可进一步转换为Pandas数据框以便进行统计分析。在使用过程中，建议先行检查各变量的缺失值分布与定义一致性，再依据国家、年份及指标字段开展分组比较或与Electric Sheep Africa目录中的其他数据集进行关联分析，同时应参考原始来源以确认变量单位与统计方法。

背景与挑战

背景概述

在全球劳动力市场统计中，残疾状态与就业结果的交叉分析长期受限于数据稀缺，非洲区域尤为显著。国际劳工组织（ILO）通过ILOSTAT数据库持续汇编成员国劳动力调查数据，为监测可持续发展目标中的充分就业与体面工作提供基准。Electric Sheep Africa于2026年将ILOSTAT中非洲区域按性别、年龄和残疾状态划分的失业数据（单位：千人）进行标准化整理，形成覆盖41个非洲国家、1998至2025年共7535条观测的公开数据集，遵循CC BY 4.0许可协议。该数据集填补了非洲残疾群体劳动力市场指标的可发现性空白，为经济学家、政策分析者及机器学习研究者提供了可复现的表格数据基础，有助于揭示残疾与失业交织的结构性不平等。

当前挑战

该数据集所回应的领域问题在于，非洲劳动力市场中残疾状态的失业统计长期碎片化，缺乏统一、可跨年比较的公开来源，直接制约了包容性就业政策的循证制定。构建过程中的挑战同样突出：原始ILOSTAT数据由各国劳动力调查汇总而来，残疾定义、年龄分组与性别分类标准存在显著的跨国异质性；部分国家或年份存在缺失值，需在不损害数据真实性的前提下保留并标注缺口；元数据中未声明ISO3国家代码及上游发布者信息，增加了地理标识的歧义风险；此外，将千人单位的失业计数与人口基线匹配以计算比率时，需谨慎核对单位与覆盖范围，避免模型误读。

常用场景

经典使用场景

在劳动经济学与残障研究的交叉领域，针对非洲大陆劳动力市场结构性不平等的量化分析长期受制于细分统计数据的匮乏。该数据集以国际劳工组织统计数据库为依托，汇聚了1998至2025年间41个非洲国家按性别、年龄组及残障状况划分的失业人口观测，共计7535条记录，成为刻画非洲劳动力市场中弱势群体就业困境的核心面板资源。研究者通常将其用于构建多维度失业率的纵向比较框架，借助表格分类与回归建模方法，识别残障身份、性别与年龄三重边缘化因素对失业风险的叠加效应，并在跨国层面检验劳动力市场排斥模式的时空异质性。

解决学术问题

长期以来，残障与就业关系的实证研究多聚焦于高收入国家，撒哈拉以南非洲地区因缺乏统一的残障分类失业统计而难以纳入全球比较视野。该数据集填补了这一空白，使研究者得以在控制年龄与性别结构的条件下，定量估计残障状况对非洲各国失业率的边际贡献，进而回应残障就业惩罚是否具有跨区域普遍性这一学术争论。同时，数据集覆盖近三十年的连续观测，为分析非洲劳动力市场转型、经济波动与结构性改革如何改变残障群体的就业机会提供了罕见的长时段证据，推动了发展经济学与残障研究在方法论与实质议题上的深度融合。

实际应用

在政策实践层面，该数据集为非洲各国政府、国际发展机构及残障权益组织提供了可操作的证据基础。社会保障部门可依据分性别、分年龄与残障状况的失业规模估算，精准定位就业援助的优先目标群体，优化职业康复与技能培训资源的配置。国际劳工组织及区域经济共同体可利用该数据监测非洲各国在履行《联合国残疾人权利公约》就业条款方面的进展，并将残障就业指标纳入体面劳动国别计划的评估体系。此外，非政府组织在设计与残障包容相关的扶贫项目时，亦可借助该数据集建立基线指标，追踪干预措施在改善残障群体就业结果方面的实际成效。

数据集最近研究

最新研究方向

在非洲劳动力市场性别平等与残障包容议题日益受到全球政策关注的背景下，该数据集以ILOSTAT为权威来源，覆盖41个非洲国家、1998至2025年间按性别、年龄及残障状态细分的失业规模数据，为交叉性脆弱群体研究提供了稀缺的量化基础。当前前沿研究正依托此类面板数据，检验残障与性别叠加如何加剧劳动市场排斥，并评估社会保障政策对失业缺口的缓释效应。该数据集亦被用于构建机器学习的失业预测模型，推动非洲SDG 8体面劳动目标的循证监测与跨国比较分析。