electricsheepeurope/europe-ilo-emp-nifl-sex-ins-rt-informal-employment-rate-by-sex-and-public-private

该数据集包含欧洲4个国家（MDA、BIH、MKD、SRB）从2003年至2025年的626条观测数据，覆盖1个核心指标：按性别和公共/私营部门划分的非正规就业率（%）。数据来源于国际劳工组织（ILO）的ILOSTAT数据库，通过劳动力调查等官方统计收集，并经过ILO的标准化处理。数据集以表格形式提供，包含国家代码、年份、性别分类（总计、男性、女性）、观测值、数据来源和质量标志等列，适用于表格分类、回归和时间序列预测等机器学习任务。数据由Electric Sheep Europe重新打包，以Parquet格式发布，便于直接使用HuggingFace的load_dataset()加载。--- 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 样本量类别： - 少于1000条 标签： - 表格 - 欧洲 - ILOSTAT - 非正规经济 - ILO（国际劳工组织） - 劳工 - 就业 数据集名称："按性别和公/私部门划分的非正规就业率（%）| 欧洲（ILOSTAT）" --- # 按性别和公/私部门划分的非正规就业率（%）| 欧洲（ILOSTAT） 🇪🇺 **626条观测值** · **4个欧洲国家** · **2003–2025年** · *由[Electric Sheep Europe](https://huggingface.co/electricsheepeurope)重新整理*      ## TL;DR 快速概览 本数据集包含626条非正规经济相关观测值，覆盖4个欧洲国家，时间跨度为2003至2025年，涵盖1项核心指标。 ## 数据源说明 **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多个领域，数据源自全国劳动力调查、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司负责数据的标准化协调。 - **来源**：[ILOSTAT](https://www.ilo.org/shinyapps/bulkexplorer/?id=EMP_NIFL_SEX_INS_RT) - **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**：非正规经济 ## 数据处理方法 数据直接从ILOSTAT的REST API接口`https://rplumber.ilo.org/data/indicator?id=EMP_NIFL_SEX_INS_RT`获取，并筛选出欧洲地区的ISO 3166-1 alpha-3国家代码对应的数据。ILOSTAT依据国际劳工统计会议（ICLS）的定义对原始调查微观数据进行标准化处理；数据来源信息会在`source.label`字段中标注，以保证可追溯性。 ## 地理覆盖范围 4个欧洲国家，下表按观测行数排序展示部分国家信息： | 国家 | 观测行数 | 起始年份 | 结束年份 | |---------|-----:|-----------:|----------:| | `MDA` | 176 | 2003 | 2025 | | `BIH` | 171 | 2006 | 2024 | | `MKD` | 153 | 2009 | 2025 | | `SRB` | 126 | 2007 | 2020 | *注：`MDA`为摩尔多瓦共和国，`BIH`为波斯尼亚和黑塞哥维那，`MKD`为北马其顿，`SRB`为塞尔维亚* ## 指标说明（示例） - `EMP_NIFL_SEX_INS_RT` — 按性别和公/私部门划分的非正规就业率（%） ## 数据架构 | 字段名 | 数据类型 | 字段描述 | 示例值 | |--------|------|-------------|---------| | `ref_area` | `string` | ISO 3166-1 alpha-3国家代码 | `BIH` | | `ref_area.label` | `string` | 英文国家名称 | `波斯尼亚和黑塞哥维那` | | `source` | `string` | ILOSTAT数据源代码（如劳动力调查） | `BA:493` | | `source.label` | `string` | 英文数据源名称 | `LFS - 劳动力调查` | | `indicator` | `string` | ILOSTAT指标代码 | `EMP_NIFL_SEX_INS_RT` | | `indicator.label` | `string` | 英文指标名称 | `Informal employment rate by sex and p…` | | `sex` | `string` | 性别细分标记（SEX_T=总计，SEX_M=男性，SEX_F=女性） | `SEX_T` | | `sex.label` | `string` | 细分标记的中文说明 | `总计` | | `classif1` | `string` | 第一分类变量（年龄、教育程度、就业身份等） | `INS_SECTOR_TOTAL` | | `classif1.label` | `string` | 分类变量的英文说明 | `Institutional sector: Total` | | `time` | `int64` | 观测年份 | `2024` | | `obs_value` | `float64` | 观测指标值（单位请参考指标定义） | `16.567` | | `obs_status` | `string` | 观测状态标记（如暂定、不可靠） | `B` | | `obs_status.label` | `string` | 状态标记的英文说明 | `Break in series` | | `note_indicator` | `string` | 指标注释代码 | `I11:264` | | `note_indicator.label` | `string` | 注释的英文说明 | `Break in series: Methodology revised` | | `note_source` | `string` | 数据源注释代码 | `R1:3513` | | `note_source.label` | `string` | 注释的英文说明 | `Repository: ILO-STATISTICS - Micro da…` | ## 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，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数据源时，将采用国际劳工组织选定的“最优数据源”。 - 细分字段（`sex`、`classif1`、`classif2`）仅在指标支持对应细分维度时才会非空。 ## 使用示例 python from datasets import load_dataset ds = load_dataset("electricsheepeurope/europe-ilo-emp-nifl-sex-ins-rt-informal-employment-rate-by-sex-and-public-private") df = ds["train"].to_pandas() print(df.head()) ### 按国家筛选数据 python germany = df[df["ref_area"] == "DEU"] ### 单指标时间序列可视化 python sample = (df[df["indicator"] == "EMP_NIFL_SEX_INS_RT"] .sort_values("time")) sample.plot(x="time", y="obs_value", title="EMP_NIFL_SEX_INS_RT") ### 转换为国家×年份矩阵 python matrix = (df[df["indicator"] == "EMP_NIFL_SEX_INS_RT"] .pivot_table(index="time", columns="ref_area", values="obs_value")) print(matrix.tail()) ## 引用格式 bibtex @misc{europe_ilo_emp_nifl_sex_ins_rt_informal_employment_rate_by_sex_and_public_private_2025, title = {按性别和公/私部门划分的非正规就业率（%）| 欧洲（ILOSTAT)}, author = {国际劳工组织（ILO)}, year = {2025}, url = {https://www.ilo.org/shinyapps/bulkexplorer/?id=EMP_NIFL_SEX_INS_RT}, publisher = {HuggingFace数据集，由Electric Sheep Europe重新整理}, howpublished = {url{https://huggingface.co/datasets/electricsheepeurope/europe-ilo-emp-nifl-sex-ins-rt-informal-employment-rate-by-sex-and-public-private}} } ## 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及Electric Sheep Europe的重新整理版本。 ## 关于Electric Sheep Electric Sheep Europe是Electric Sheep项目的组成部分，该项目旨在为HuggingFace平台打造统一的、适用于机器学习的欧洲数据层。我们从权威开放数据源获取数据，标准化数据架构，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/electricsheepeurope](https://huggingface.co/electricsheepeurope) --- _数据溯源：2026-05-26通过Electric Sheep管道摄取。源URL：https://www.ilo.org/shinyapps/bulkexplorer/?id=EMP_NIFL_SEX_INS_RT_

搜集汇总

数据集介绍

构建方式

在全球非正规经济就业监测体系中，国际劳工组织统计数据库（ILOSTAT）长期扮演着权威数据枢纽的角色。该数据集由Electric Sheep Europe团队通过ILOSTAT的REST API接口直接提取指标EMP_NIFL_SEX_INS_RT的原始观测记录，并依据ISO3国家代码筛选出欧洲地区样本。原始调查微数据经国际劳工统计学家会议（ICLS）定义框架调和后，覆盖摩尔多瓦、波黑、北马其顿与塞尔维亚四国，时间跨度为2003至2025年，最终形成626条年度观测值，并以Parquet格式封装为HuggingFace数据集。数据来源在source.label列中均有明确标注，确保了从国家劳动力调查到最终发布的全链路可追溯性。

特点

该数据集聚焦于非正规就业率这一劳动经济学核心议题，独特之处在于其同时纳入了性别（总计、男性、女性）与公共/私营部门分类维度，为剖析非正规就业的结构性差异提供了细致切面。数据集以表格化结构组织，涵盖国家代码、来源标识、指标编码、观测年份、观测值及质量标志等元数据字段，体量精炼而信息密度高。其时间序列横跨二十余年，能够支持趋势分析与跨国比较。此外，观测状态标志与指标注释列揭示了数据修订、序列断裂等方法论细节，赋予研究者评估数据质量的透明窗口。

使用方法

研究者可借助HuggingFace datasets库以单行代码加载数据并转换为Pandas数据框，进而展开多维分析。典型操作包括按国家代码筛选子集、针对特定指标执行时间序列排序与可视化、以及构建国家与年份的交叉矩阵以观察非正规就业率的时空演变。由于数据集包含性别与部门分类字段，用户可进一步对子群体进行分组统计或面板回归。数据以年度频率发布，适用于时间序列预测、分类与回归等任务。使用时应留意观测状态标志，对存在序列断裂或临时性标记的记录予以审慎处理。

背景与挑战

背景概述

在全球劳动力市场深刻变革的背景下，非正规就业已成为衡量体面劳动赤字与社会保护覆盖缺口的关键指标。国际劳工组织（ILO）长期致力于非正规经济统计的标准化工作，其ILOSTAT数据库整合了各国劳动力调查与家庭收入调查等微观数据，依据国际劳工统计学家会议（ICLS）定义进行跨国协调。该数据集由Electric Sheep Europe于2025年重新包装发布，覆盖摩尔多瓦、波黑、北马其顿和塞尔维亚四个欧洲国家，时间跨度为2003至2025年，共626条观测值，聚焦按性别及公共/私营部门划分的非正规就业率，为探究东南欧转型经济体的劳动力市场结构提供实证基础。

当前挑战

非正规就业的精准测度始终面临概念界定与操作化的双重困境，非正规部门与非正规就业的边界在不同法律与统计传统下差异显著。该数据集仅覆盖四个欧洲国家，样本量有限，难以支撑泛欧洲层面的稳健推断。部分国家年份数据缺失，且观测状态标志揭示序列中断与方法修订等问题，削弱了时间序列的连续性。性别与公共/私营部门交叉分类的样本稀疏性进一步限制细分维度的分析效力。跨国比较还受制于各国劳动力调查在抽样设计、问卷措辞与数据收集模式上的异质性，即便经过ICLS框架协调，残余测量误差仍可能影响估计值可比性。

常用场景

经典使用场景

在非正规经济与劳动力市场分割的研究领域中，该数据集最经典的使用场景在于刻画欧洲四国非正规就业率的性别差异与公私部门分布特征。研究者通常以年份为时间轴，以性别和机构部门为横截面维度，构建面板数据模型，考察非正规就业在公共部门与私营部门之间的结构性分化。借助626条观测记录，可实现对摩尔多瓦、波黑、北马其顿与塞尔维亚非正规就业演变轨迹的精细描摹，为转型经济体劳动力市场非正规化进程提供量化证据。

衍生相关工作

围绕该数据集及其底层ILOSTAT体系，已衍生出一系列具有影响力的研究工作。比较劳动经济学领域涌现出多篇基于ILO分类标准的非正规就业跨国比较论文，探讨制度质量与影子经济规模的关系。部分学者将其与世界银行企业调查数据匹配，分析非正规就业与企业生产率的关联。在方法论层面，该数据集被用于检验时间序列插补方法与面板固定效应模型在稀疏观测条件下的稳健性，推动了劳动统计数据的二次开发与机器学习预测模型的基准测试。

数据集最近研究

最新研究方向

在全球劳动力市场结构性转型与非标准就业形态持续扩张的背景下，非正规经济就业的性别差异与部门异质性已成为劳动经济学和发展经济学交叉领域的前沿议题。该数据集依托ILOSTAT权威统计框架，覆盖摩尔多瓦、波黑、北马其顿与塞尔维亚四国逾二十年的观测记录，为刻画转型经济体非正规就业的动态演进提供了稀缺的纵向面板素材。当前研究热点集中于运用时间序列预测与面板回归方法，辨析公共部门与私营部门间非正规就业率的性别分化机制，并借助断点检验识别方法论修订所引致的序列结构性突变。此类分析对理解后社会主义国家劳动力市场制度变迁、评估社会保障政策的包容性效应具有重要实证价值，亦为国际组织监测体面劳动目标提供可复核的量化依据。