electricsheepafrica/africa-ilo-eip-teip-sex-geo-dsb-nb-persons-outside-the-labour-force-by-sex-rural-urba

该数据集包含非洲37个国家2006年至2025年期间，按性别、城乡地区和残疾状况划分的非劳动力人口（千人）统计数据，共2,765条观测记录。数据来源于国际劳工组织（ILO）的ILOSTAT数据库，涵盖‘其他劳动力未充分利用指标’主题，具体指标为‘EIP_TEIP_SEX_GEO_DSB_NB’。数据集提供了国家代码、性别分类（总计、男性、女性）、年份、观测值等结构化字段，适用于表格分类、回归和时间序列预测等任务。--- 许可证：CC BY 4.0 语言： - 英语（en） 任务类别： - 表格分类 - 表格回归 - 时间序列预测 多语言属性：单语言 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，International Labour Organization Statistics） - 劳动力未充分利用其他衡量指标 - ILO（国际劳工组织） - 劳动力 - 就业 漂亮名称："按性别、城乡地区与残疾状况划分的非劳动力人口（千人 | 非洲（ILOSTAT））" --- # 按性别、城乡地区与残疾状况划分的非劳动力人口（千人 | 非洲（ILOSTAT）） 🌍 **2765条观测数据** · **37个非洲国家** · **2006-2025年** · *由[Electric Sheep Africa](https://huggingface.co/electricsheepafrica)重新封装*      ## 快速概览（TL;DR） 本数据集包含覆盖37个非洲国家、时间跨度为2006至2025年的**劳动力未充分利用其他衡量指标**相关数据，共计**2765条观测样本**，涉及**1项独立指标**。 ## 关于数据源 **ILOSTAT（国际劳工组织统计数据库，International Labour Organization Statistics）** 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。该库整合了就业、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（SDG）体面工作目标等领域的指标，数据源自国家劳动力调查、家庭收入调查、机构调查与行政记录，覆盖全球200余个经济体，由国际劳工组织统计司负责数据的标准化协调工作。 - **数据源**：[ILOSTAT](https://www.ilo.org/shinyapps/bulkexplorer/?id=EIP_TEIP_SEX_GEO_DSB_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/) - **研究主题**：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_TEIP_SEX_GEO_DSB_NB`拉取数据，并筛选出ISO3标准编码的非洲国家数据。ILOSTAT采用国际劳工统计学家会议（ICLS，International Conference of Labour Statisticians）制定的定义对原始调查微观数据进行标准化协调；数据来源将通过`source.label`字段进行标记，以保证可追溯性。 ## 地理覆盖范围 覆盖37个非洲国家，以下按数据行数排序展示部分国家： | 国家 | 数据行数 | 起始年份 | 结束年份 | |---------|-----:|-----------:|----------:| | `RWA` | 270 | 2014 | 2025 | | `ZMB` | 219 | 2015 | 2024 | | `GHA` | 216 | 2010 | 2024 | | `SEN` | 189 | 2015 | 2024 | | `ZWE` | 162 | 2014 | 2024 | | `TGO` | 108 | 2006 | 2022 | | `TZA` | 108 | 2008 | 2020 | | `GMB` | 108 | 2012 | 2025 | | `UGA` | 108 | 2010 | 2021 | | `CIV` | 108 | 2016 | 2022 | | `BFA` | 81 | 2019 | 2024 | | `NGA` | 81 | 2011 | 2019 | | `SWZ` | 81 | 2016 | 2023 | | `LSO` | 62 | 2019 | 2024 | | `NER` | 54 | 2019 | 2022 | | ... | _其余共22个国家_ | | | ## 指标（示例） - `EIP_TEIP_SEX_GEO_DSB_NB` — 按性别、城乡地区与残疾状况划分的非劳动力人口（千人） ## 数据架构 | 字段名 | 数据类型 | 字段说明 | 示例 | |--------|------|-------------|---------| | `ref_area` | 字符串（string） | ISO 3166-1 alpha-3 国家代码 | `AGO` | | `ref_area.label` | 字符串 | 英文国家名称 | `安哥拉` | | `source` | 字符串 | ILOSTAT 数据源代码（如劳动力调查） | `AA:835` | | `source.label` | 字符串 | 英文数据源名称 | `人口普查（PC）` | | `indicator` | 字符串 | ILOSTAT 指标代码 | `EIP_TEIP_SEX_GEO_DSB_NB` | | `indicator.label` | 字符串 | 英文指标名称 | `按性别划分的非劳动力人口……` | | `sex` | 字符串 | 性别细分维度（SEX_T=总计，SEX_M=男性，SEX_F=女性） | `SEX_T` | | `sex.label` | 字符串 | — | `总计` | | `classif1` | 字符串 | 第一分类变量（年龄、教育程度、类别等） | `GEO_COV_NAT` | | `classif1.label` | 字符串 | — | `区域类型：全国范围` | | `classif2` | 字符串 | 适用场景下的第二分类变量 | `DSB_STATUS_TOTAL` | | `classif2.label` | 字符串 | — | `残疾状况：总计` | | `time` | 64位整数（int64） | 观测年份 | `2014` | | `obs_value` | 64位浮点数（float64） | 观测指标值（单位视指标而定，详见指标定义） | `7584.71` | | `obs_status` | 字符串 | 观测状态标记（如临时数据、不可靠数据） | `B` | | `obs_status.label` | 字符串 | — | `序列中断` | | `note_classif` | 64位浮点数 | — | `—` | | `note_classif.label` | 64位浮点数 | — | `—` | | `note_indicator` | 字符串 | — | `I11:264` | | `note_indicator.label` | 字符串 | — | `序列中断：方法修订` | | `note_source` | 字符串 | — | `R1:3513` | | `note_source.label` | 字符串 | — | `存储库：国际劳工组织统计数据库 - 微观数据……` | ## 数据细分维度 以下字段提供数据细分维度： - **`sex`**（共3个唯一取值）：`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」。 - 仅当指标支持对应细分维度时，`sex`、`classif1`、`classif2`等细分字段才会有非空值。 ## 使用方法 python from datasets import load_dataset ds = load_dataset("electricsheepafrica/africa-ilo-eip-teip-sex-geo-dsb-nb-persons-outside-the-labour-force-by-sex-rural-urba") 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"] == "EIP_TEIP_SEX_GEO_DSB_NB"] .sort_values("time")) sample.plot(x="time", y="obs_value", title="EIP_TEIP_SEX_GEO_DSB_NB") ### 转换为国家×年份矩阵 python matrix = (df[df["indicator"] == "EIP_TEIP_SEX_GEO_DSB_NB"] .pivot_table(index="time", columns="ref_area", values="obs_value")) print(matrix.tail()) ## 引用格式 bibtex @misc{africa_ilo_eip_teip_sex_geo_dsb_nb_persons_outside_the_labour_force_by_sex_rural_urba_2025, title = "按性别、城乡地区与残疾状况划分的非劳动力人口（千人 | 非洲（ILOSTAT））", author = {International Labour Organization (ILO)}, year = {2025}, url = {https://www.ilo.org/shinyapps/bulkexplorer/?id=EIP_TEIP_SEX_GEO_DSB_NB}, publisher = {HuggingFace Datasets, repackaged by Electric Sheep Africa}, howpublished = {url{https://huggingface.co/datasets/electricsheepafrica/africa-ilo-eip-teip-sex-geo-dsb-nb-persons-outside-the-labour-force-by-sex-rural-urba}} } ## 许可证 本数据集基于[CC BY 4.0](https://creativecommons.org/licenses/by/4.0/)协议发布。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 Africa的重新封装版本。 ## 关于Electric Sheep Africa Electric Sheep Africa 是Electric Sheep项目的组成部分，该项目旨在HuggingFace平台上构建统一的、适用于机器学习的非洲数据层。我们从权威开源渠道获取数据，对数据架构进行标准化处理，封装为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。 您可浏览完整数据集集合：[huggingface.co/electricsheepafrica](https://huggingface.co/electricsheepafrica) --- _数据溯源：2026年5月28日通过Electric Sheep数据管道摄取。源数据URL：https://www.ilo.org/shinyapps/bulkexplorer/?id=EIP_TEIP_SEX_GEO_DSB_NB_

搜集汇总

数据集介绍

构建方式

该数据集由Electric Sheep Africa基于国际劳工组织（ILO）的ILOSTAT平台重新打包而成。数据通过调用ILOSTAT REST API获取，原始指标为'EIP_TEIP_SEX_GEO_DSB_NB'，并依据非洲ISO3国家代码进行地理过滤。ILOSTAT平台整合了各国劳动力调查、人口普查及行政记录等原始微观数据，并依据国际劳动统计学家会议（ICLS）定义进行标准化处理，确保跨国可比性。最终数据集以结构化表格形式呈现，包含2,765条观测记录，覆盖37个非洲国家，时间跨度为2006年至2025年。

使用方法

该数据集可直接通过HuggingFace Datasets库加载使用，用户仅需调用`load_dataset`函数即可获得Pandas DataFrame格式的数据。使用者可按国家代码（如ref_area == 'KEN'）进行筛选，获取特定国家的时序数据。亦可依据指标代码对观测值进行排序和可视化，分析非劳动力人口的时间演变趋势。借助透视表功能，可将数据重塑为国家×年份的矩阵格式，便于开展跨国比较或面板数据分析。数据采用CC-BY-4.0许可协议，使用时需同时引用ILO原始来源与Electric Sheep Africa的重新打包版本。

背景与挑战

背景概述

该数据集由国际劳工组织（ILO）于2025年通过其核心统计数据库ILOSTAT发布，并由Electric Sheep Africa团队重新打包以促进机器学习应用。数据集聚焦于非洲地区劳动力市场边缘化群体，核心研究问题在于量化按性别、城乡区域及残疾状况划分的劳动力外人口规模，旨在揭示非洲劳动力利用不足的结构性特征。作为ILO推动体面劳动议程的关键工具，该数据集整合了37个非洲国家自2006年至2025年的2,765条观测记录，为评估可持续发展目标中有关包容性就业的进展提供了重要基准。其对非洲劳动经济学、社会政策制定及可及性研究领域产生了深远影响，填补了该地区多维劳动力边缘化数据的空白。

当前挑战

该数据集所解决的领域问题核心在于劳动统计中群体异质性难以捕捉的挑战，传统劳动力利用率指标常忽略性别、残疾及城乡差异的交叉影响，导致政策干预缺乏精准性。而构建过程中遭遇多重困难：首先，非洲各国劳动力调查标准不一，ILO需依据国际劳动统计学家会议定义对原始微观数据进行繁琐的协调统一；其次，数据源稳定性不足，部分国家年度间调查方法修订导致序列断裂，需标注‘中断’标志以维护透明度；此外，残疾状况数据采集面临定义分歧与漏报问题，城乡划分的粒度差异进一步限制了跨区域可比性。这些障碍要求数据集在保留原始分类标识的同时，通过源注释字段确保数据溯源的可信度。

常用场景

经典使用场景

该数据集汇集了非洲37个国家2006年至2025年间按性别、城乡区域及残疾状况划分的劳动力市场以外人口统计信息，共计2765条观测记录。其核心应用场景在于为劳动力市场边缘化群体研究提供标准化、细粒度的时间序列数据。研究者可据此分析非洲各国非经济活动人口的结构性特征，尤其关注性别差异、城乡分割和残疾状态对劳动力参与决策的复合影响。由于数据来自ILOSTAT官方API并经统一清洗与格式整理，该数据集适合用于构建面板数据模型、进行跨国比较分析以及训练时序预测算法，是劳动经济学与非洲发展研究领域不可多得的经典数据基础。

解决学术问题

该数据集解决了非洲劳动经济学研究中长期存在的数据碎片化与口径不一致问题。传统上，各国劳动力调查因定义、分类和采集周期不同而难以直接比较，ILOSTAT依据国际劳工统计学家会议定义进行统一协调后，显著提升了数据可比性。基于此数据集，学者得以系统探讨劳动力市场以外人群的规模、分布与演变趋势，进而揭示性别不平等、城乡发展失衡及残疾群体就业歧视等深层社会结构问题。这类研究有助于完善非正规就业理论、丰富劳动力市场边缘化理论框架，并为国际发展议程中的体面劳动目标提供实证支撑。

实际应用

在实际政策制定与开发合作中，该数据集可赋能国际组织、国家统计局及非政府组织开展精准诊断与干预。例如，国际劳工组织可基于这些数据识别出特定国家或区域中女性、农村居民及残疾人士在劳动力市场以外的比例异常偏高现象，进而推动针对性就业促进计划。各国劳动部门也可利用该时间序列监测政策效果，评估经济冲击或制度改革对边缘群体的影响。在联合国可持续发展目标监测框架下，该数据为体面劳动与经济增长、减少不平等及性别平等等目标的进展评估提供了关键量化依据。

数据集最近研究

最新研究方向

该数据集聚焦于非洲37国非劳动力人口（按性别、城乡及残疾状况分群）的时序统计，为探索非洲大陆劳动力市场边缘群体与可持续发展目标（SDGs）中的体面劳动指标提供了关键数据支撑。当前前沿研究方向集中于利用时间序列预测模型（如Prophet、LSTM）捕捉2006至2025年间非劳动力人口的动态演化规律，并结合性别与残疾维度剖析结构性失业、隐性就业不足等劳动力利用不足的深层成因。与此同时，研究热度正从宏观描述转向微观干预评估，如分析城乡差距如何塑造不同群体退出劳动力市场的路径，以及残疾包容政策对非劳动力人口规模的实际影响。该数据集由ILOSTAT权威来源经Electric Sheep Africa标准化重构，与非洲疫情后就业复苏、青年失业危机等热点事件紧密关联，其多维度交互特征为政策模拟与劳动力再配置分析提供了稀缺的非洲本土化实证基础。