electricsheepafrica/africa-ilo-ged-xlu4-sex-hht-geo-rt-prime-age-composite-rate-of-labour-underutilizatio

该数据集包含来自国际劳工组织（ILO）ILOSTAT数据库的其他劳动力利用不足指标数据，具体为按性别、家庭类型和城乡划分的黄金年龄劳动力利用不足综合率（LU4）。数据集覆盖22个非洲国家，时间跨度为2006年至2024年，共包含2584个观测值。数据指标为GED_XLU4_SEX_HHT_GEO_RT，表示黄金年龄劳动力利用不足综合率（百分比），按性别（总计、男性、女性）、家庭类型（总计）和城乡地区（国家层面）进行细分。数据模式包括国家代码、国家名称、数据来源、指标代码、性别分类、家庭类型分类、城乡分类、年份、观测值、观测状态等列。数据集适用于表格分类、表格回归和时间序列预测等任务，由Electric Sheep Africa重新打包，以方便机器学习使用。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 多语言类型：单语言 样本量范围： - 1000条 < 观测数 < 10000条 标签： - 表格数据 - 非洲 - ILOSTAT - 劳动力利用不足其他衡量指标 - 国际劳工组织（International Labour Organization，ILO） - 劳动力 - 就业 友好名称："按性别、家庭类型和城乡划分的劳动年龄人口劳动力利用不足综合率（LU4） | 非洲（ILOSTAT）" ## 按性别、家庭类型和城乡划分的劳动年龄人口劳动力利用不足综合率（LU4） | 非洲（ILOSTAT） 🌍 **2584条观测数据** · **22个非洲国家** · **2006–2024年** · *由[Electric Sheep Africa](https://huggingface.co/electricsheepafrica)重新打包*      ## 核心概览 本数据集包含覆盖**22个非洲国家**、时间跨度为**2006–2024年**的**2584条“劳动力利用不足其他衡量指标”数据**，仅涉及**1项独特指标**。 ## 数据源说明 **ILOSTAT（International Labour Organization Statistics）** 是国际劳工组织（International Labour Organization，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、工资、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。该数据库覆盖全球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=GED_XLU4_SEX_HHT_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**：劳动力利用不足其他衡量指标 ## 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=GED_XLU4_SEX_HHT_GEO_RT` 拉取数据，并筛选出非洲地区的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（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；数据来源信息将在`source.label`字段中标记，以保证可追溯性。 ## 地理覆盖范围 22个非洲国家，以下按观测条数排序展示部分国家： | Country | Rows | First year | Last year | |---------|-----:|-----------:|----------:| | `RWA` | 431 | 2014 | 2024 | | `ZMB` | 378 | 2017 | 2023 | | `UGA` | 162 | 2012 | 2021 | | `GHA` | 162 | 2006 | 2022 | | `SWZ` | 162 | 2016 | 2023 | | `KEN` | 159 | 2019 | 2022 | | `ETH` | 108 | 2013 | 2021 | | `MOZ` | 107 | 2015 | 2022 | | `TZA` | 107 | 2014 | 2020 | | `GMB` | 105 | 2012 | 2023 | | `SLE` | 104 | 2014 | 2018 | | `TGO` | 72 | 2011 | 2015 | | `AGO` | 54 | 2019 | 2019 | | `BWA` | 54 | 2006 | 2006 | | `TUN` | 54 | 2019 | 2019 | | ... | _7 more countries_ | | | ## 指标示例 - `GED_XLU4_SEX_HHT_GEO_RT` — 按性别、家庭类型及城乡区域划分的劳动年龄人口劳动力利用不足综合率（LU4）（单位：%） ## 数据字段结构 | 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 | `AGO` | | `ref_area.label` | `string` | 英文国家名称 | `Angola` | | `source` | `string` | ILOSTAT 数据源代码（如劳动力调查） | `BB:16199` | | `source.label` | `string` | 英文数据源名称 | `HIES - Survey on Expenditure, Revenue…` | | `indicator` | `string` | ILOSTAT 指标代码 | `GED_XLU4_SEX_HHT_GEO_RT` | | `indicator.label` | `string` | 英文指标名称 | `Prime-age composite rate of labour un…` | | `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` | — | `Total` | | `classif1` | `string` | 第一分类变量（年龄、教育程度、就业状态等） | `HHT_AGGREGATE_TOTAL` | | `classif1.label` | `string` | — | `Household type: Total` | | `classif2` | `string` | 可选第二分类变量 | `GEO_COV_NAT` | | `classif2.label` | `string` | — | `Area type: National` | | `time` | `int64` | 观测年份 | `2019` | | `obs_value` | `float64` | 观测指标值（单位因指标而异，详见指标定义） | `16.5` | | `obs_status` | `string` | 观测状态标记（如暂定、不可靠） | `U` | | `obs_status.label` | `string` | — | `Unreliable` | | `note_source` | `string` | — | `R1:3513` | | `note_source.label` | `string` | — | `Repository: ILO-STATISTICS - Micro da…` | ## 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 - 数据为年度频率。部分指标同时发布月度或季度序列，本数据集未包含此类数据。 - 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。 ## 使用示例 python from datasets import load_dataset ds = load_dataset("electricsheepafrica/africa-ilo-ged-xlu4-sex-hht-geo-rt-prime-age-composite-rate-of-labour-underutilizatio") df = ds["train"].to_pandas() print(df.head()) ### 筛选单个国家数据 python kenya = df[df["ref_area"] == "KEN"] ### 单指标时间序列可视化 python sample = (df[df["indicator"] == "GED_XLU4_SEX_HHT_GEO_RT"] .sort_values("time")) sample.plot(x="time", y="obs_value", title="GED_XLU4_SEX_HHT_GEO_RT") ### 转换为国家×年份矩阵格式 python matrix = (df[df["indicator"] == "GED_XLU4_SEX_HHT_GEO_RT"] .pivot_table(index="time", columns="ref_area", values="obs_value")) print(matrix.tail()) ## 引用格式 bibtex @misc{africa_ilo_ged_xlu4_sex_hht_geo_rt_prime_age_composite_rate_of_labour_underutilizatio_2024, title = {Prime-age composite rate of labour underutilization (LU4) by sex, household type and rural | Africa (ILOSTAT)}, author = {International Labour Organization (ILO)}, year = {2024}, url = {https://www.ilo.org/shinyapps/bulkexplorer/?id=GED_XLU4_SEX_HHT_GEO_RT}, publisher = {HuggingFace Datasets, repackaged by Electric Sheep Africa}, howpublished = {url{https://huggingface.co/datasets/electricsheepafrica/africa-ilo-ged-xlu4-sex-hht-geo-rt-prime-age-composite-rate-of-labour-underutilizatio}}} ## 许可证声明 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 Africa Electric Sheep Africa是Electric Sheep计划的一部分，该计划旨在在Hugging Face平台上构建统一的、适用于机器学习的非洲地区数据层。我们从权威开源数据源获取数据，对数据结构（schema）进行标准化，以Parquet格式打包，并发布格式统一的数据集卡片，使研究人员和开发者可以通过`load_dataset()`函数在数秒内开始使用数据。 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管道获取。源URL：https://www.ilo.org/shinyapps/bulkexplorer/?id=GED_XLU4_SEX_HHT_GEO_RT_

搜集汇总

数据集介绍

构建方式

在劳动市场分析领域，劳动力利用不足的综合指标是评估就业质量的关键参数。该数据集由Electric Sheep Africa从ILOSTAT REST API直接抓取原始指标数据，并过滤出非洲ISO3国家代码对应的观测记录构建而成。数据源遵循国际劳工统计学家会议（ICLS）定义的健康标准，通过ILO统计部门对各国劳动力调查、家庭收入调查、企业调查及行政记录等微观数据进行统一协调，确保指标的可比性与一致性。最终形成涵盖22个非洲国家、横跨2006年至2024年、总计2,584条观测的结构化表格数据，并以Parquet格式打包，便于机器学习工作流直接使用。

特点

该数据集的核心特色在于聚焦非洲地区壮年劳动力利用不足综合率（LU4），并提供了多维度的精细拆解视角。数据包含按性别（总、男、女）、家庭类型及城乡地域划分的深层次分类变量，能够支持研究者从不同人口统计学和社会经济维度剖析劳动力市场的结构性特征。所有指标均来自ILO官方选择的‘最佳来源’，并附有数据源标签以保障可追溯性。此外，观测状态标志（如临时、不可靠）的标注让用户能够评估数据质量，从而在建模时合理权衡不确定信息。

使用方法

研究者可通过HuggingFace datasets库的load_dataset函数一键加载该数据集，并将其转换为Pandas DataFrame进行后续分析。具体操作包括：利用ref_area字段过滤特定国家的数据以开展国别研究；选取indicator列进行时间序列分析，按time字段排序后观察LU4指标的历史演变趋势；还可借助pivot_table方法创建以年份为行、国家为列的透视矩阵，便于跨区域横向比较。该数据集适用于表格分类、回归分析以及时间序列预测等任务，为非洲劳动力市场的定量研究提供了便捷的标准化数据入口。

背景与挑战

背景概述

该数据集由国际劳工组织（ILO）于2024年发布，经Electric Sheep Africa重新整理后上线，聚焦非洲22个国家2006至2024年间壮年劳动力未充分利用综合率（LU4）的监测数据。作为ILOSTAT数据库的衍生资源，该数据集以性别、家庭类型和城乡地域为分层维度，系统呈现了非洲区域劳动力市场的结构性困境。劳动力未充分利用指标超越了传统失业率的局限，涵盖了时间相关就业不足、劳动力闲置及潜在劳动力等多维度信息，为解析非洲非正规经济主导下的就业质量与劳动力资源配置效率提供了关键数据支撑。该数据集整合了各国劳动力调查与行政记录，经ILO统一标准化处理，对推动非洲发展经济学、劳动社会学及可持续发展目标（SDG）中体面工作指标的实证研究具有重要的基准价值。

当前挑战

该数据集所应对的领域挑战在于：非洲劳动力统计长期受制于定义碎片化与数据鸿沟，传统失业率因忽略非正规就业与隐性闲置而严重低估实际劳动利用不足程度，LU4复合指标虽能更全面捕捉就业质量，但其跨国家、跨时段的可比性因调查方法、抽样框架及季节波动而面临严峻考验。数据构建过程中，ILO需协调22国多样化的数据来源与质量，清洗因调查频次不一致导致的稀疏时间序列，并对异常值与不可靠观测（如标记为‘不可靠’的记录）进行审慎处理。此外，部分国家观测数量悬殊（卢旺达431条对比安哥拉仅54条），加之家庭类型与地域细分在部分年份缺失，直接限制了面板数据平衡性和多维交叉分析的稳健性。

常用场景

经典使用场景

该数据集收录了2006至2024年间22个非洲国家关于壮年劳动力利用不足复合率(LU4)的2584条观测记录，按性别、家庭类型和城乡地域维度进行精细分层。在经典使用中，研究者常将其作为面板数据进行跨国家、跨时段的横向比较与纵向趋势分析，通过时间序列建模揭示非洲各国劳动力市场表现的结构性差异与演化轨迹。数据集提供的标准化ILOSTAT指标和元数据标记，使得劳动经济学领域的学者能够便捷地从国家-年份-性别等多个嵌套层次切入，探究影响劳动力闲置的社会经济因素及其交互效应。

实际应用

在实际应用层面，该数据集为国际发展机构、区域经济组织和国家统计部门提供了一套可动态追踪劳动力市场健康状态的量化工具。例如，世界银行和非洲开发银行的分析师可借助LU4指标评估各国实现可持续发展目标八（体面工作和经济增长）的进展，并识别出政策干预的优先区域与群体。在商业领域，跨国企业的人力资源规划部门亦可基于这些数据洞察不同非洲国家壮年劳动力的实际供给弹性与产能利用水平，从而优化区域投资布局和本地雇佣策略。对于非政府组织而言，性别和城乡维度的拆解数据为设计精准帮扶项目提供了实证依据。

衍生相关工作

该数据集的发布催生了一系列后续研究工作与工具创新。在方法论层面，研究人员基于其时间序列结构开发了面向非洲背景的自适应预测模型，如将LU4指标与天气、冲突等外部事件结合的因果推断框架，以解释劳动力市场冲击的传导机制。部分学者利用数据集中多维度分类变量，构建了劳动力利用不足严重程度的层次聚类谱系，进而将非洲国家划分为不同的劳动市场制度类型。此外，开源社区围绕该数据集建立了可视化仪表板与自动报告生成管线，使得非技术用户也能通过交互式界面探索关键就业指标的时空格局，显著降低了非洲劳动力数据的使用门槛。