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

该数据集包含非洲42个国家1998年至2025年期间的失业数据，重点关注按性别和残疾状况划分的失业人数（千）。数据集共有1,015个观测值，涵盖一个核心指标：UNE_TUNE_SEX_DSB_NB（按性别和残疾状况划分的失业人数，单位为千）。数据来源于国际劳工组织（ILO）的ILOSTAT数据库，该数据库是全球劳动力统计的主要来源，通过协调各国劳动力调查、家庭收入调查、机构调查和行政记录等数据编制而成。数据集经过Electric Sheep Africa重新打包，以统一的模式提供，便于机器学习使用。数据包括国家代码、国家名称、数据来源、指标代码、指标标签、性别分类（总计、男性、女性）、残疾状况分类、观测年份、观测值、观测状态标志等字段。数据为年度频率，ILO选择的最佳来源用于处理同一国家×年份的多个数据来源。数据集遵循CC-BY-4.0许可。license: cc-by-4.0 language: - 英语 task_categories: - 表格分类 - 表格回归 - 时间序列预测 multilinguality: 单语言 size_categories: - 1000 < 样本量 < 10000 tags: - 表格数据 - 非洲 - ILOSTAT - 失业 - 国际劳工组织（ILO） - 劳动力 - 就业 pretty_name: "按性别与残疾状况划分的失业人数（千人）| 非洲（ILOSTAT）" # 按性别与残疾状况划分的失业人数（千人）| 非洲（ILOSTAT） 🌍 **1015条观测数据** · **42个非洲国家** · **1998–2025年** · *由[Electric Sheep Africa](https://huggingface.co/electricsheepafrica)重新整理*      ## 简短摘要 本数据集包含覆盖42个非洲国家、时间跨度为1998至2025年的**1015条失业数据观测记录**，涉及**1项独特指标**。 ## 关于数据源 **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，为全球领先的劳动力统计权威来源。其收录指标涵盖就业、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，覆盖200余个经济体，由国际劳工组织统计部门负责数据标准化协调。 - **数据源**：[ILOSTAT](https://www.ilo.org/shinyapps/bulkexplorer/?id=UNE_TUNE_SEX_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/) - **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_DSB_NB`拉取，并筛选出非洲地区的ISO 3166-1 alpha-3国家编码数据。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标准化协调；数据来源会在`source.label`列中标记，以确保可追溯性。 ## 地理覆盖范围 42个非洲国家，以下按数据行数排序展示前若干条： | 国家 | 行数 | 起始年份 | 结束年份 | |---------|-----:|-----------:|----------:| | `RWA` | 88 | 2014 | 2025 | | `GHA` | 64 | 2010 | 2024 | | `BWA` | 61 | 2009 | 2024 | | `ZWE` | 54 | 2014 | 2024 | | `ZMB` | 53 | 2015 | 2024 | | `SEN` | 46 | 2015 | 2024 | | `CIV` | 45 | 1998 | 2022 | | `TZA` | 40 | 2008 | 2024 | | `TGO` | 40 | 2006 | 2022 | | `GMB` | 33 | 2012 | 2025 | | `SYC` | 33 | 2018 | 2024 | | `BFA` | 30 | 2006 | 2024 | | `UGA` | 28 | 2010 | 2021 | | `ETH` | 27 | 2005 | 2021 | | `CMR` | 27 | 2005 | 2014 | | ... | 另有27个国家 | | | ## 指标（示例） - `UNE_TUNE_SEX_DSB_NB` — 按性别与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` | | `source` | `string` | ILOSTAT 数据源代码（如劳动力调查） | `AA:835` | | `source.label` | `string` | 英文数据源名称 | `PC - 人口普查` | | `indicator` | `string` | ILOSTAT 指标代码 | `UNE_TUNE_SEX_DSB_NB` | | `indicator.label` | `string` | 英文指标名称 | `Unemployment by sex and disability st…` | | `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、身份等） | `DSB_STATUS_TOTAL` | | `classif1.label` | `string` | — | `Disability status: Total` | | `time` | `int64` | 观测年份 | `2014` | | `obs_value` | `float64` | 观测指标值（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` | — | `Unreliable` | | `note_classif` | `float64` | — | `—` | | `note_classif.label` | `float64` | — | `—` | | `note_indicator` | `string` | — | `T5:1429` | | `note_indicator.label` | `string` | — | `Unemployment definition: Two criteria…` | | `note_source` | `string` | — | `R1:3513` | | `note_source.label` | `string` | — | `Repository: ILO-STATISTICS - Micro da…` | ## 数据细分维度 以下列提供数据细分维度： - **`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」。 - 细分列（`sex`、`classif1`、`classif2`）仅在指标支持对应细分时才会有非空值。 ## 使用示例 python from datasets import load_dataset ds = load_dataset("electricsheepafrica/africa-ilo-une-tune-sex-dsb-nb-unemployment-by-sex-and-disability-status-thousand") 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_DSB_NB"] .sort_values("time")) sample.plot(x="time", y="obs_value", title="UNE_TUNE_SEX_DSB_NB") ### 转换为国家×年份矩阵 python matrix = (df[df["indicator"] == "UNE_TUNE_SEX_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_dsb_nb_unemployment_by_sex_and_disability_status_thousand_2025, title = {Unemployment by sex and disability status (thousands) | Africa (ILOSTAT)}, author = {International Labour Organization (ILO)}, year = {2025}, url = {https://www.ilo.org/shinyapps/bulkexplorer/?id=UNE_TUNE_SEX_DSB_NB}, publisher = {HuggingFace Datasets, repackaged by Electric Sheep Africa}, howpublished = {url{https://huggingface.co/datasets/electricsheepafrica/africa-ilo-une-tune-sex-dsb-nb-unemployment-by-sex-and-disability-status-thousand}} } ## 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 © 国际劳工组织（ILO）。使用本数据集时，请同时引用上述原始数据源与Electric Sheep Africa的重新整理版本。 ## 关于Electric Sheep Africa Electric Sheep Africa是Electric Sheep使命的一部分：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，标准化数据结构，以Parquet格式封装，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()`函数在数秒内启动工作。 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管道摄入。源URL: https://www.ilo.org/shinyapps/bulkexplorer/?id=UNE_TUNE_SEX_DSB_NB_

搜集汇总

数据集介绍

构建方式

该数据集脱胎于国际劳工组织统计数据库（ILOSTAT）这一全球劳动统计权威来源，由Electric Sheep Africa团队在Hugging Face平台上完成工程化整理与元数据标准化。构建过程以ILOSTAT中按性别与残疾状况分类的非洲失业数据为基底，汇集42个非洲国家自1998年至2025年间的1015条观测记录，统一封装为parquet格式，并配套标准化元数据、来源说明和面向分析者的使用指引，使原始统计资料转化为可被机器学习工作流直接调用的结构化数据资产。

使用方法

研究者可借助Hugging Face datasets库以一行代码加载该数据集，并通过ds对象查看划分结构与特征信息，必要时将其转换为Pandas数据框以开展探索性分析。使用时应从仓库文件与数据查看器出发，确认变量定义及单位，避免仅凭标签推断政策含义。显式国家列可用于地域切片，缺失值宜在确立合理插补规则前予以保留，亦可基于国家、年份和指标字段与其他Electric Sheep Africa数据集进行联接，构建可复现的分析笔记并规范引用来源。

背景与挑战

背景概述

在国际劳工统计领域，残疾状况与性别交互下的失业数据长期构成盲区，非洲区域尤为匮乏。该数据集由Electric Sheep Africa于2026年发布，依托国际劳工组织ILOSTAT数据库，系统整理1998至2025年间42个非洲国家的1015条观测记录，聚焦按性别与残疾身份分类的失业人口（千人）。其核心研究问题在于揭示残疾群体在非洲劳动力市场中的结构性边缘化及性别差异，为包容性就业政策提供量化依据。作为非洲公开数据目录的组成部分，该数据集以标准化元数据与可复现工作流，推动了区域劳动经济学与残障研究的证据基础设施建设。

当前挑战

该数据集所应对的领域问题在于残疾与性别交叉维度下失业统计的系统性缺失，传统劳动力调查多未将残疾身份纳入常规分类，导致相关群体在政策视野中持续隐形。构建过程中则面临多重障碍：ILOSTAT原始数据对非洲国家的覆盖不均衡，部分年份与国别存在显著缺口；残疾定义与计量口径在各国间缺乏统一标准，损害了跨区域可比性；元数据清单中上游发布者与国家字段的缺省，亦增加了溯源与验证的难度。此外，数据以千人为单位且规模有限，细分至性别与残疾双重维度后，部分单元格的观测稀疏性可能制约统计推断的稳健性。

常用场景

经典使用场景

在劳动经济学与残障就业研究的交汇处，该数据集以国别面板的形态呈现非洲42国1998至2025年间按性别与残障身份分列的失业人口规模，天然适配于不平等测度与群体差异分解等经典分析范式。研究者可依托其构建双向固定效应模型，考察残障身份与性别交叠对失业率的边际影响，或利用时间序列剖面描绘区域劳动力市场排斥格局的演变轨迹。

解决学术问题

长期以来，非洲残障群体就业状况的系统性量化证据极为匮乏，既有跨国比较研究多受制于口径不一与覆盖残缺。该数据集以ILOSTAT标准化框架为基准，统一了性别与残障维度的失业测度口径，使跨国家、跨年度的可比分析成为可能。其价值在于为残障就业惩罚假说、性别双重劣势假说等理论命题提供了可检验的实证基底，亦为全球南方劳动治理研究补足了关键拼图。

实际应用

在政策实践层面，该数据集可服务于国际组织与区域机构的就业监测与项目评估。例如，非洲联盟及各国劳工部门可借其识别残障失业高发国别与时段，优化社会保护资源的靶向配置；世界银行等机构亦能将其纳入包容性增长指标矩阵，追踪可持续发展目标中体面劳动议程的落实进度。

数据集最近研究

最新研究方向

在非洲劳动力市场深度转型与包容性增长议题交织的背景下，该数据集依托ILOSTAT权威失业统计框架，聚焦性别与残疾状态双重维度的失业分布，为解析结构性边缘群体的就业脆弱性提供了跨国可比的时间序列证据。当前前沿研究正借力此类分性别、分残疾状态的细化指标，探索残疾劳动者在非洲各国劳动力市场中的参与壁垒与失业持续性，并与可持续发展目标中关于体面工作与减少不平等的监测议程形成呼应。其学术价值在于填补了非洲区域残疾分类失业数据的系统性空白，为政策评估、社会保障设计及残障包容性就业干预提供了可复现的实证基座。