electricsheepasia/asia-ilo-eip-xplf-sex-age-mts-nb-potential-labour-force-by-sex-age-and-marital-stat

--- license: cc-by-4.0 language: - en task_categories: - tabular-classification - tabular-regression - time-series-forecasting multilinguality: monolingual size_categories: - 10K<n<100K tags: - tabular - asia - ilostat - other-measures-of-labour-underutilization - ilo - labour - employment pretty_name: "Potential labour force by sex, age and marital status (thousands) | Asia (ILOSTAT)" --- # Potential labour force by sex, age and marital status (thousands) | Asia (ILOSTAT) 🌏 **16,448 observations** · **28 Asia countries** · **1999–2025** · *Repackaged by [Electric Sheep Asia](https://huggingface.co/electricsheepasia)*      ## TL;DR This dataset contains **16,448 observations** of `Other measures of labour underutilization` data across **28 Asia countries**, spanning **1999–2025**, covering **1 distinct indicators**. ## About the source **ILOSTAT** is the ILO's central statistics database, the leading global source for labour statistics. It compiles indicators across employment, unemployment, wages, working time, child labour, informal economy, social protection, occupational injuries, and SDG decent work targets — drawing on national labour force surveys, household income surveys, establishment surveys, and administrative records. Coverage spans 200+ economies, with the ILO's Department of Statistics responsible for harmonisation. - **Source:** [ILOSTAT](https://www.ilo.org/shinyapps/bulkexplorer/?id=EIP_XPLF_SEX_AGE_MTS_NB) - **Publisher:** International Labour Organization (ILO) - **License:** [cc-by-4.0](https://creativecommons.org/licenses/by/4.0/) - **Topic:** Other measures of labour underutilization ## Methodology Data pulled directly from the ILOSTAT REST API at `https://rplumber.ilo.org/data/indicator?id=EIP_XPLF_SEX_AGE_MTS_NB` and filtered to Asia ISO3 country codes. ILOSTAT harmonises raw survey microdata using ICLS (International Conference of Labour Statisticians) definitions; sources are flagged in the `source.label` column for traceability. ## Geographic coverage 28 Asia countries · top rows shown below, sorted by row count: | Country | Rows | First year | Last year | |---------|-----:|-----------:|----------:| | `PHL` | 1,671 | 2003 | 2023 | | `CYP` | 1,523 | 1999 | 2020 | | `VNM` | 1,239 | 2010 | 2024 | | `KOR` | 1,165 | 2000 | 2019 | | `TUR` | 1,159 | 2000 | 2013 | | `THA` | 1,114 | 2010 | 2024 | | `PSE` | 960 | 2012 | 2025 | | `ARM` | 905 | 2007 | 2018 | | `LKA` | 875 | 2010 | 2024 | | `IDN` | 648 | 2015 | 2023 | | `BRN` | 635 | 2014 | 2024 | | `JOR` | 604 | 2017 | 2024 | | `MNG` | 440 | 2019 | 2024 | | `AFG` | 422 | 2012 | 2021 | | `BGD` | 379 | 2013 | 2024 | | ... | _13 more countries_ | | | ## Indicators (sample) - `EIP_XPLF_SEX_AGE_MTS_NB` — Potential labour force by sex, age and marital status (thousands) ## Schema | Column | Type | Description | Example | |--------|------|-------------|---------| | `ref_area` | `string` | ISO 3166-1 alpha-3 country code | `AFG` | | `ref_area.label` | `string` | Country name in English | `Afghanistan` | | `source` | `string` | ILOSTAT source code (e.g. labour force survey) | `BA:15715` | | `source.label` | `string` | Source name in English | `LFS - Labour Force Survey` | | `indicator` | `string` | ILOSTAT indicator code | `EIP_XPLF_SEX_AGE_MTS_NB` | | `indicator.label` | `string` | Indicator name in English | `Potential labour force by sex, age an…` | | `sex` | `string` | Disaggregation by sex (SEX_T = total, SEX_M = male, SEX_F = female) | `SEX_T` | | `sex.label` | `string` | — | `Total` | | `classif1` | `string` | First classification variable (age, education, status, etc.) | `AGE_YTHADULT_YGE15` | | `classif1.label` | `string` | — | `Age (Youth, adults): 15+` | | `classif2` | `string` | Second classification variable where applicable | `MTS_AGGREGATE_TOTAL` | | `classif2.label` | `string` | — | `Marital status (Aggregate): Total` | | `time` | `int64` | Observation year | `2021` | | `obs_value` | `float64` | Observed indicator value (unit varies — see indicator definition) | `637.031` | | `obs_status` | `string` | Observation status flag (e.g. provisional, unreliable) | `U` | | `obs_status.label` | `string` | — | `Unreliable` | | `note_classif` | `string` | — | `—` | | `note_classif.label` | `string` | — | `—` | | `note_indicator` | `string` | — | `I11:264` | | `note_indicator.label` | `string` | — | `Break in series: Methodology revised` | | `note_source` | `string` | — | `R1:3513_S3:8` | | `note_source.label` | `string` | — | `Repository: ILO-STATISTICS - Micro da…` | ## Disaggregation dimensions The following columns provide disaggregation dimensions: - **`sex`** (3 unique values): `SEX_T`, `SEX_M`, `SEX_F` ## Data quality & caveats - Data is annual frequency. Some indicators also publish monthly or quarterly series — those are not included here. - When an indicator has multiple sources for the same country×year, the ILO-selected 'best source' is used. - Disaggregation columns (`sex`, `classif1`, `classif2`) are non-null only when the indicator publishes that breakdown. ## Usage ```python from datasets import load_dataset ds = load_dataset("electricsheepasia/asia-ilo-eip-xplf-sex-age-mts-nb-potential-labour-force-by-sex-age-and-marital-stat") df = ds["train"].to_pandas() print(df.head()) ``` ### Filter to one country ```python indonesia = df[df["ref_area"] == "IDN"] ``` ### Time-series for a single indicator ```python sample = (df[df["indicator"] == "EIP_XPLF_SEX_AGE_MTS_NB"] .sort_values("time")) sample.plot(x="time", y="obs_value", title="EIP_XPLF_SEX_AGE_MTS_NB") ``` ### Pivot to country × year matrix ```python matrix = (df[df["indicator"] == "EIP_XPLF_SEX_AGE_MTS_NB"] .pivot_table(index="time", columns="ref_area", values="obs_value")) print(matrix.tail()) ``` ## Citation ```bibtex @misc{asia_ilo_eip_xplf_sex_age_mts_nb_potential_labour_force_by_sex_age_and_marital_stat_2025, title = {Potential labour force by sex, age and marital status (thousands) | Asia (ILOSTAT)}, author = {International Labour Organization (ILO)}, year = {2025}, url = {https://www.ilo.org/shinyapps/bulkexplorer/?id=EIP_XPLF_SEX_AGE_MTS_NB}, publisher = {HuggingFace Datasets, repackaged by Electric Sheep Asia}, howpublished = {\url{https://huggingface.co/datasets/electricsheepasia/asia-ilo-eip-xplf-sex-age-mts-nb-potential-labour-force-by-sex-age-and-marital-stat}} } ``` ## License Released under [cc-by-4.0](https://creativecommons.org/licenses/by/4.0/). Original data © International Labour Organization (ILO). When using this dataset, please cite both the original source above and the Electric Sheep Asia repackaging. ## About Electric Sheep Electric Sheep Asia is part of the Electric Sheep mission: a unified, ML-ready data layer for Asia on HuggingFace. We pull data from authoritative open sources, normalize the schemas, package as Parquet, and publish with consistent dataset cards so researchers and developers can use `load_dataset()` to start working in seconds. Browse the full collection: [huggingface.co/electricsheepasia](https://huggingface.co/electricsheepasia) --- _Provenance: ingested 2026-05-27 via the Electric Sheep pipeline. Source URL: https://www.ilo.org/shinyapps/bulkexplorer/?id=EIP_XPLF_SEX_AGE_MTS_NB_license: cc-by-4.0 language: - en task_categories: - 表格分类（tabular-classification） - 表格回归（tabular-regression） - 时间序列预测（time-series-forecasting） multilinguality: 单语 size_categories: - 10000<n<100000 tags: - 表格（tabular） - 亚洲（asia） - ILOSTAT - 其他劳动力未充分利用衡量指标（other-measures-of-labour-underutilization） - 国际劳工组织（International Labour Organization, ILO） - 劳动力（labour） - 就业（employment） pretty_name: "按性别、年龄及婚姻状况划分的潜在劳动力（单位：千人）| 亚洲地区（ILOSTAT）" --- # 按性别、年龄及婚姻状况划分的潜在劳动力（单位：千人）| 亚洲地区（ILOSTAT） 🌏 **16448条观测数据** · **覆盖28个亚洲国家** · **时间跨度为1999年至2025年** · *由[Electric Sheep Asia](https://huggingface.co/electricsheepasia)重新整理发布*      ## 核心摘要 本数据集包含覆盖28个亚洲国家、时间跨度为1999年至2025年的**16448条“其他劳动力未充分利用衡量指标”**观测数据，仅包含1项独立指标。 ## 数据源说明 **ILOSTAT（国际劳工组织统计数据库，International Labour Organization Statistical Database）** 是国际劳工组织的核心统计数据库，是全球领先的劳动力统计权威来源。其收录涵盖就业、失业、薪酬、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、机构调查以及行政记录。国际劳工组织统计部门负责对数据进行统一协调处理，覆盖全球200多个经济体。 - **来源**：[ILOSTAT](https://www.ilo.org/shinyapps/bulkexplorer/?id=EIP_XPLF_SEX_AGE_MTS_NB) - **发布方**：国际劳工组织（International Labour Organization, ILO） - **许可协议**：[cc-by-4.0](https://creativecommons.org/licenses/by/4.0/) - **主题**：其他劳动力未充分利用衡量指标 ## 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_XPLF_SEX_AGE_MTS_NB` 拉取数据，并筛选出亚洲地区的ISO3国家编码对应的样本。ILOSTAT采用**国际劳工统计学家会议（International Conference of Labour Statisticians, ICLS）**定义对原始调查微观数据进行统一协调处理；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 28个亚洲国家，以下按数据行数排序展示部分国家样本： | 国家代码 | 数据行数 | 起始年份 | 结束年份 | |---------|-----:|-----------:|----------:| | `PHL` | 1671 | 2003 | 2023 | | `CYP` | 1523 | 1999 | 2020 | | `VNM` | 1239 | 2010 | 2024 | | `KOR` | 1165 | 2000 | 2019 | | `TUR` | 1159 | 2000 | 2013 | | `THA` | 1114 | 2010 | 2024 | | `PSE` | 960 | 2012 | 2025 | | `ARM` | 905 | 2007 | 2018 | | `LKA` | 875 | 2010 | 2024 | | `IDN` | 648 | 2015 | 2023 | | `BRN` | 635 | 2014 | 2024 | | `JOR` | 604 | 2017 | 2024 | | `MNG` | 440 | 2019 | 2024 | | `AFG` | 422 | 2012 | 2021 | | `BGD` | 379 | 2013 | 2024 | | ... | _其余13个国家_ | | | ## 指标示例 - `EIP_XPLF_SEX_AGE_MTS_NB` — 按性别、年龄及婚姻状况划分的潜在劳动力（单位：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 | `AFG` | | `ref_area.label` | `string` | 英文国家名称 | `阿富汗` | | `source` | `string` | ILOSTAT 来源代码（如劳动力调查） | `BA:15715` | | `source.label` | `string` | 英文来源名称 | `劳动力调查（Labour Force Survey）` | | `indicator` | `string` | ILOSTAT 指标代码 | `EIP_XPLF_SEX_AGE_MTS_NB` | | `indicator.label` | `string` | 英文指标名称 | `按性别、年龄及婚姻状况划分的潜在劳动力……` | | `sex` | `string` | 性别分组（SEX_T = 总计，SEX_M = 男性，SEX_F = 女性） | `SEX_T` | | `sex.label` | `string` | 分组说明 | `总计` | | `classif1` | `string` | 第一分类变量（年龄、教育程度、身份等） | `AGE_YTHADULT_YGE15` | | `classif1.label` | `string` | 分类说明 | `年龄（青年、成人）：15岁及以上` | | `classif2` | `string` | 可选第二分类变量 | `MTS_AGGREGATE_TOTAL` | | `classif2.label` | `string` | 分类说明 | `婚姻状况（汇总）：总计` | | `time` | `int64` | 观测年份 | `2021` | | `obs_value` | `float64` | 观测指标值（单位请参考指标定义） | `637.031` | | `obs_status` | `string` | 观测状态标记（如暂定、不可靠） | `U` | | `obs_status.label` | `string` | 状态说明 | `不可靠` | | `note_classif` | `string` | 分类注释 | `无` | | `note_classif.label` | `string` | 注释说明 | `无` | | `note_indicator` | `string` | 指标注释 | `I11:264` | | `note_indicator.label` | `string` | 注释说明 | `序列中断：方法学修订` | | `note_source` | `string` | 来源注释 | `R1:3513_S3:8` | | `note_source.label` | `string` | 注释说明 | `存储库：国际劳工组织统计数据库-微观数据……` | ## 数据分解维度 以下字段提供数据分解维度： - **`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×年份的同一指标存在多个来源时，将采用国际劳工组织选定的“最优来源”数据。 - 分解维度字段（`sex`、`classif1`、`classif2`）仅在指标支持对应分解时才会非空。 ## 使用方法 python from datasets import load_dataset ds = load_dataset("electricsheepasia/asia-ilo-eip-xplf-sex-age-mts-nb-potential-labour-force-by-sex-age-and-marital-stat") df = ds["train"].to_pandas() print(df.head()) ### 按国家筛选数据 python indonesia = df[df["ref_area"] == "IDN"] ### 单指标时间序列可视化 python sample = (df[df["indicator"] == "EIP_XPLF_SEX_AGE_MTS_NB"] .sort_values("time")) sample.plot(x="time", y="obs_value", title="EIP_XPLF_SEX_AGE_MTS_NB") ### 转换为国家×年份矩阵 python matrix = (df[df["indicator"] == "EIP_XPLF_SEX_AGE_MTS_NB"] .pivot_table(index="time", columns="ref_area", values="obs_value")) print(matrix.tail()) ## 引用格式 bibtex @misc{asia_ilo_eip_xplf_sex_age_mts_nb_potential_labour_force_by_sex_age_and_marital_stat_2025, title = {Potential labour force by sex, age and marital status (thousands) | Asia (ILOSTAT)}, author = {International Labour Organization (ILO)}, year = {2025}, url = {https://www.ilo.org/shinyapps/bulkexplorer/?id=EIP_XPLF_SEX_AGE_MTS_NB}, publisher = {HuggingFace Datasets, repackaged by Electric Sheep Asia}, howpublished = {url{https://huggingface.co/datasets/electricsheepasia/asia-ilo-eip-xplf-sex-age-mts-nb-potential-labour-force-by-sex-age-and-marital-stat}} } ## 许可协议 本数据集采用[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以及Electric Sheep Asia的重新整理版本。 ## 关于Electric Sheep Electric Sheep Asia是Electric Sheep项目的组成部分，该项目旨在为HuggingFace平台构建统一的、适用于机器学习的亚洲地区数据层。我们从权威开放数据源获取数据，对其schema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，以便研究人员和开发者仅需使用`load_dataset()`即可在数秒内开始工作。 浏览完整数据集集合：[huggingface.co/electricsheepasia](https://huggingface.co/electricsheepasia) --- _数据溯源：2026年5月27日通过Electric Sheep流水线摄取。源URL：https://www.ilo.org/shinyapps/bulkexplorer/?id=EIP_XPLF_SEX_AGE_MTS_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，通过其REST API直接拉取指标代码为EIP_XPLF_SEX_AGE_MTS_NB的原始数据，并依据亚洲ISO3国家代码进行地理范围筛选。ILOSTAT依据国际劳工统计学家会议（ICLS）的定义对各国劳动力调查微观数据进行统一协调，数据来源在source.label字段中清晰标注，确保可追溯性。数据集由Electric Sheep Asia团队重新打包为Parquet格式，便于机器学习场景下的高效加载与使用。

特点

本数据集包含16,448条观测记录，覆盖28个亚洲国家，时间跨度从1999年至2025年，核心指标为按性别、年龄和婚姻状况分类的潜在劳动力人口（单位：千）。数据结构包含丰富的分类维度，如sex（男女及总计）、classif1（年龄分组）和classif2（婚姻状况），并辅以观测状态标志与多种注释字段，便于质量评估与多维度分析。数据频率为年度，且仅收录ILO筛选的‘最佳来源’，保证了不同国家间数据的可比性和可靠性。

使用方法

研究者可通过HuggingFace Datasets库的load_dataset()函数一键加载数据，并利用to_pandas()方法转换为DataFrame进行后续分析。支持按国家代码（如ref_area==‘IDN’）过滤单国数据，也可针对特定指标（如EIP_XPLF_SEX_AGE_MTS_NB）按时间排序绘制时间序列图。通过pivot_table透视功能，可轻松构建国家×年份的观测值矩阵，适用于面板数据回归或跨国家比较分析。数据集遵循CC-BY-4.0许可协议，使用时需同时引用ILO原始数据与Electric Sheep Asia的再打包版本。

背景与挑战

背景概述

该数据集由国际劳工组织（ILO）统计部门（ILOSTAT）编制，并由Electric Sheep Asia于2025年重新打包发布，旨在系统化呈现亚洲地区潜在劳动力人口（Potential labour force）的分布特征。作为全球劳动力统计的权威来源，ILOSTAT整合了来自国家劳动力调查、家庭收入调查及行政记录的多源数据，并依据国际劳动统计学家会议（ICLS）定义进行标准化处理。数据集覆盖28个亚洲国家（地区），时间跨度从1999年至2025年，包含超过1.6万条观测记录，按性别、年龄及婚姻状况进行精细分层，为研究劳动力市场边缘群体、性别差异及家庭结构对劳动参与的影响提供了关键数据基础。其对亚洲区域劳动统计体系的完善以及国际比较研究的推进具有重要价值，尤其填补了发展中国家潜在劳动力非正式测量的数据空白。

当前挑战

该数据集面临的挑战首先源于其核心研究问题：传统失业率统计难以全面反映劳动力市场疲软现象，潜在劳动力作为“其他劳动力利用不足指标”之一，其定义与测算在各统计机构间尚未完全统一，导致跨国比较时需谨慎处理数据源的差异。构建过程中，因依赖各国劳动力调查的微观数据整合，遭遇了调查方法论变更（如标识为“Break in series”的修订）、观测值标注为“不可靠”（Unreliable）以及数据缺失（部分国家仅覆盖特定年份）等问题。此外，不同国家在性别、婚姻状况分类上的统计口径不一致，增加了数据标准化与交叉验证的复杂度。数据管道需持续追踪ILOSTAT API的更新，并协调来源国调查频率的波动，以确保时间序列的连续性与可比性。

常用场景

经典使用场景

该数据集聚焦于亚洲地区潜在劳动力群体的人口结构分析，涵盖28个国家1999年至2025年间的年度观测数据，按性别、年龄和婚姻状况进行细致分层。经典使用场景包括构建时间序列模型以追踪潜在劳动力的长期演变趋势，或利用面板数据回归探讨社会经济因素对潜在劳动力规模的影响。研究者可借助其丰富的分类维度，深入剖析特定群体（如青年女性或已婚男性）的劳动力参与潜力，为劳动经济学中的行为建模提供坚实的数据基础。

衍生相关工作

基于此数据集衍生出的经典工作主要集中于三大方向：其一，利用其时间跨度特性开展亚洲多国潜在劳动力规模的长期预测，如构建ARIMA或状态空间模型捕捉周期性波动；其二，结合ILOSTAT其他指标进行综合劳动利用效率分析，例如将潜在劳动力数据与失业率、不充分就业率联立研究劳动力闲置的多元形态；其三，针对特定子群体（如青年或女性）进行专题分析，填补了以往研究中因数据颗粒度不足而难以深入探讨的性别与年龄交互效应等关键议题。

数据集最近研究

最新研究方向

该数据集聚焦于亚洲地区潜在劳动力人口按性别、年龄与婚姻状况的细粒度时空解析，为劳动经济学中劳动力利用不足的量化研究提供了关键支撑。当前前沿方向涵盖基于队列效应的性别差异动态建模、婚姻状态对劳动参与意愿的调节机制分析，以及利用时间序列与分类任务预测区域潜在劳动力供给的演进趋势。结合ILOSTAT的标准化定义与多源调查数据，该数据集在东南亚与西亚新兴经济体政策评估、全球劳动力市场韧性比较、以及大流行后劳动力恢复轨迹追踪等热点议题中发挥着基础性作用，推动了从宏观统计向微观预测的范式跃迁。