electricsheepasia/asia-ilo-eip-teip-sex-edu-nb-persons-outside-the-labour-force-by-sex-and-educat

--- 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: "Persons outside the labour force by sex and education (thousands) | Asia (ILOSTAT)" --- # Persons outside the labour force by sex and education (thousands) | Asia (ILOSTAT) 🌏 **17,269 observations** · **38 Asia countries** · **1970–2025** · *Repackaged by [Electric Sheep Asia](https://huggingface.co/electricsheepasia)*      ## TL;DR This dataset contains **17,269 observations** of `Other measures of labour underutilization` data across **38 Asia countries**, spanning **1970–2025**, 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_TEIP_SEX_EDU_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_TEIP_SEX_EDU_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 38 Asia countries · top rows shown below, sorted by row count: | Country | Rows | First year | Last year | |---------|-----:|-----------:|----------:| | `IDN` | 1,245 | 1990 | 2023 | | `PSE` | 1,102 | 2000 | 2025 | | `CYP` | 1,069 | 1999 | 2024 | | `IRN` | 1,032 | 2005 | 2024 | | `KOR` | 996 | 2000 | 2025 | | `KHM` | 896 | 1996 | 2023 | | `TUR` | 882 | 2000 | 2024 | | `MNG` | 779 | 2003 | 2024 | | `PAK` | 732 | 2005 | 2025 | | `VNM` | 721 | 2010 | 2024 | | `THA` | 713 | 2000 | 2024 | | `ARM` | 692 | 2001 | 2023 | | `GEO` | 691 | 2009 | 2024 | | `ISR` | 624 | 2012 | 2024 | | `IND` | 624 | 1994 | 2025 | | ... | _23 more countries_ | | | ## Indicators (sample) - `EIP_TEIP_SEX_EDU_NB` — Persons outside the labour force by sex and education (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_TEIP_SEX_EDU_NB` | | `indicator.label` | `string` | Indicator name in English | `Persons outside the labour force by s…` | | `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.) | `EDU_AGGREGATE_TOTAL` | | `classif1.label` | `string` | — | `Education (Aggregate levels): Total` | | `time` | `int64` | Observation year | `2021` | | `obs_value` | `float64` | Observed indicator value (unit varies — see indicator definition) | `8230.246` | | `obs_status` | `string` | Observation status flag (e.g. provisional, unreliable) | `B` | | `obs_status.label` | `string` | — | `Break in series` | | `note_classif` | `string` | — | `C3:2620` | | `note_classif.label` | `string` | — | `Nonstandard education level: Includin…` | | `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`** (4 unique values): `SEX_T`, `SEX_M`, `SEX_F`, `SEX_O` ## 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-teip-sex-edu-nb-persons-outside-the-labour-force-by-sex-and-educat") 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_TEIP_SEX_EDU_NB"] .sort_values("time")) sample.plot(x="time", y="obs_value", title="EIP_TEIP_SEX_EDU_NB") ``` ### Pivot to country × year matrix ```python matrix = (df[df["indicator"] == "EIP_TEIP_SEX_EDU_NB"] .pivot_table(index="time", columns="ref_area", values="obs_value")) print(matrix.tail()) ``` ## Citation ```bibtex @misc{asia_ilo_eip_teip_sex_edu_nb_persons_outside_the_labour_force_by_sex_and_educat_2025, title = {Persons outside the labour force by sex and education (thousands) | Asia (ILOSTAT)}, author = {International Labour Organization (ILO)}, year = {2025}, url = {https://www.ilo.org/shinyapps/bulkexplorer/?id=EIP_TEIP_SEX_EDU_NB}, publisher = {HuggingFace Datasets, repackaged by Electric Sheep Asia}, howpublished = {\url{https://huggingface.co/datasets/electricsheepasia/asia-ilo-eip-teip-sex-edu-nb-persons-outside-the-labour-force-by-sex-and-educat}} } ``` ## 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_TEIP_SEX_EDU_NB_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 - 亚洲 - ILOSTAT - 劳动力未充分利用其他衡量指标 - 国际劳工组织（ILO） - 劳动力 - 就业 pretty_name: "按性别与教育程度划分的非劳动力人口（千人） | 亚洲（ILOSTAT）" --- # 按性别与教育程度划分的非劳动力人口（千人） | 亚洲（ILOSTAT） 🌏 **17,269条观测** · **38个亚洲国家** · **1970–2025年** · *由[Electric Sheep Asia](https://huggingface.co/electricsheepasia)重新封装*      ## TL;DR 本数据集包含覆盖38个亚洲国家、时间跨度为1970–2025年的**17,269条“劳动力未充分利用其他衡量指标”**观测数据，仅涉及1项独立指标。 ## 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，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、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（Sustainable Development Goals, SDG）体面工作目标等各类指标，数据来源涵盖全国劳动力调查、家庭收入调查、机构调查与行政记录。其覆盖超过200个经济体，由国际劳工组织统计司负责数据的标准化协调。 - **数据来源**：[ILOSTAT](https://www.ilo.org/shinyapps/bulkexplorer/?id=EIP_TEIP_SEX_EDU_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**：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_EDU_NB`拉取数据，并筛选出亚洲地区的ISO3国家代码。ILOSTAT依据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；数据来源信息会在`source.label`字段中标记，以保证可追溯性。 ## 地理覆盖范围 38个亚洲国家 · 以下按数据行数排序展示前10个国家： | 国家 | 行数 | 首年 | 末年 | |---------|-----:|-----------:|----------:| | `IDN` | 1,245 | 1990 | 2023 | | `PSE` | 1,102 | 2000 | 2025 | | `CYP` | 1,069 | 1999 | 2024 | | `IRN` | 1,032 | 2005 | 2024 | | `KOR` | 996 | 2000 | 2025 | | `KHM` | 896 | 1996 | 2023 | | `TUR` | 882 | 2000 | 2024 | | `MNG` | 779 | 2003 | 2024 | | `PAK` | 732 | 2005 | 2025 | | `VNM` | 721 | 2010 | 2024 | | `THA` | 713 | 2000 | 2024 | | `ARM` | 692 | 2001 | 2023 | | `GEO` | 691 | 2009 | 2024 | | `ISR` | 624 | 2012 | 2024 | | `IND` | 624 | 1994 | 2025 | | ... | 其余23个国家 | | | ## 指标（示例） - `EIP_TEIP_SEX_EDU_NB` — 按性别与教育程度划分的非劳动力人口（千人） ## 数据结构 | 字段名 | 数据类型 | 字段说明 | 示例 | |--------|------|-------------|---------| | `ref_area` | `string` | ISO 3166-1 alpha-3 国家代码 | `AFG` | | `ref_area.label` | `string` | 英文国家名称 | `Afghanistan` | | `source` | `string` | ILOSTAT 来源代码（如劳动力调查） | `BA:15715` | | `source.label` | `string` | 英文来源名称 | `LFS - 劳动力调查` | | `indicator` | `string` | ILOSTAT 指标代码 | `EIP_TEIP_SEX_EDU_NB` | | `indicator.label` | `string` | 英文指标名称 | `Persons outside the labour force by s…` | | `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` | — | `总计` | | `classif1` | `string` | 第一分类变量（年龄、教育程度、身份等） | `EDU_AGGREGATE_TOTAL` | | `classif1.label` | `string` | — | `教育程度（汇总级别）：总计` | | `time` | `int64` | 观测年份 | `2021` | | `obs_value` | `float64` | 观测指标值（单位详见指标定义） | `8230.246` | | `obs_status` | `string` | 观测状态标记（如临时数据、不可靠数据） | `B` | | `obs_status.label` | `string` | — | `序列中断` | | `note_classif` | `string` | — | `C3:2620` | | `note_classif.label` | `string` | — | `非标准教育水平：包含…` | | `note_indicator` | `string` | — | `I11:264` | | `note_indicator.label` | `string` | — | `序列中断：方法学修订` | | `note_source` | `string` | — | `R1:3513_S3:8` | | `note_source.label` | `string` | — | `存储库：ILO统计数据库 - 微观数据…` | ## 细分维度 以下字段提供数据细分维度： - **`sex`**（共4个唯一取值）：`SEX_T`、`SEX_M`、`SEX_F`、`SEX_O` ## 数据质量与注意事项 - 本数据集为年度频率数据。部分指标同时发布月度或季度序列，但未纳入本数据集。 - 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。 - 细分字段（`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("electricsheepasia/asia-ilo-eip-teip-sex-edu-nb-persons-outside-the-labour-force-by-sex-and-educat") df = ds["train"].to_pandas() print(df.head()) ### 筛选单个国家 python indonesia = df[df["ref_area"] == "IDN"] ### 单个指标的时间序列数据 python sample = (df[df["indicator"] == "EIP_TEIP_SEX_EDU_NB"] .sort_values("time")) sample.plot(x="time", y="obs_value", title="EIP_TEIP_SEX_EDU_NB") ### 转换为国家×年份矩阵 python matrix = (df[df["indicator"] == "EIP_TEIP_SEX_EDU_NB"] .pivot_table(index="time", columns="ref_area", values="obs_value")) print(matrix.tail()) ## 引用格式 bibtex @misc{asia_ilo_eip_teip_sex_edu_nb_persons_outside_the_labour_force_by_sex_and_educat_2025, title = {按性别与教育程度划分的非劳动力人口（千人） | 亚洲（ILOSTAT）}, author = {国际劳工组织（ILO）}, year = {2025}, url = {https://www.ilo.org/shinyapps/bulkexplorer/?id=EIP_TEIP_SEX_EDU_NB}, publisher = {HuggingFace数据集，由Electric Sheep Asia重新封装}, howpublished = {url{https://huggingface.co/datasets/electricsheepasia/asia-ilo-eip-teip-sex-edu-nb-persons-outside-the-labour-force-by-sex-and-educat}} } ## 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与Electric Sheep Asia的重新封装版本。 ## 关于Electric Sheep Electric Sheep是Electric Sheep使命的一部分：旨在为HuggingFace平台上的亚洲地区数据构建统一的、适配机器学习的标准化数据层。我们从权威开源数据源获取数据，对schema进行规范化处理，打包为Parquet格式，并发布为格式统一的数据集卡片，使研究人员与开发者仅需通过`load_dataset()`即可在数秒内开始使用数据。 浏览完整数据集集合：[huggingface.co/electricsheepasia](https://huggingface.co/electricsheepasia) --- _数据溯源：2026-05-27通过Electric Sheep管道摄入。源URL：https://www.ilo.org/shinyapps/bulkexplorer/?id=EIP_TEIP_SEX_EDU_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，聚焦于亚洲地区未进入劳动力市场的人口规模，并按性别与教育程度进行细致划分。数据通过ILOSTAT的REST API直接抓取，筛选出亚洲38个国家的ISO3代码区域，涵盖1970年至2025年间的年度观测值。原始数据来源于各国劳动力调查、住户收入调查及行政记录，ILO依据国际劳工统计学家会议（ICLS）定义进行统一协调与标准化处理，并在source.label列中标注数据来源以确保可追溯性。最终，Electric Sheep Asia团队将数据重新打包为Parquet格式，形成17,269条观测记录，便于机器学习与统计分析直接调用。

特点

该数据集最显著的特征在于其精细的多维分类结构，包含4种性别分类（总计、男性、女性、其他）以及教育程度的聚合层级，使得研究者能够深入剖析劳动力市场外人口的构成差异。数据覆盖38个亚洲国家，时间跨度长达55年，为长期趋势分析与跨国比较提供了扎实基础。此外，数据集中标注了观测状态（如临时、不可靠）与方法论变更注释，帮助用户识别潜在的统计口径变化或数据断裂点，确保分析结果的严谨性与可靠性。每个观测值均附带来源编码与指标说明，增强了数据的透明度和可解释性。

使用方法

用户可通过HuggingFace的datasets库直接加载该数据集，使用load_dataset()函数即可获取训练集格式的Pandas数据框，便于后续探索性分析与建模。对于特定国家的研究，可基于ref_area列进行条件筛选，例如提取印度尼西亚的数据进行聚焦分析。时间序列分析方面，可按indicator列筛选具体指标后，利用time列进行排序与可视化，观察指标随年份的演变规律。此外，借助pivot_table方法可将数据重塑为国家×年份的矩阵形式，便于进行面板数据回归或聚类分析。推荐在学术成果中引用ILO原始数据及Electric Sheep Asia的重新封装版本，以符合CC-BY-4.0许可要求。

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ILOSTAT数据库整理发布，并经Electric Sheep Asia重构为机器学习就绪格式。其核心研究问题聚焦于量化亚洲地区非劳动力人口（即未参与就业或失业搜索的个体）的规模，并按性别与教育程度进行细致分解。作为劳动经济学与人口统计学交叉领域的关键资源，该数据集覆盖1970至2025年间38个亚洲国家的17,269条观测记录，为分析劳动力市场结构、评估教育政策对劳动力参与率的长期影响以及探索性别差异提供了不可替代的基线数据。其在相关领域的影响力体现在能够支撑跨国比较研究、时间序列建模以及劳动力市场不平等问题的实证分析。

当前挑战

该数据集解决的领域挑战在于，传统劳动力统计往往仅关注就业与失业人口，忽视了因教育、家庭责任或制度性障碍而退出劳动力市场的庞大群体，导致对劳动力市场潜在产能的评估存在偏差。构建过程中面临的挑战包括：不同国家来源数据在调查方法、教育分类标准与统计口径上的异质性需通过ILO的ICLS定义进行协调统一；部分国家不同年份间的数据因调查方法修订或指标定义变化产生序列断裂（以“Break in series”标记），直接影响长期趋势分析的可靠性；以及部分次级细分（如特定性别与教育组合）的观测值稀疏，增加了时空插值和模型拟合的复杂性。

常用场景

经典使用场景

该数据集作为国际劳工组织ILOSTAT在亚太地区劳动力市场研究的重要成果，为分析亚洲38个国家1970至2025年间非劳动力人口的结构性特征提供了系统性支撑。其经典使用场景聚焦于通过性别与受教育程度两大核心维度，揭示不同国家中因经济不活跃而脱离劳动力市场的人群分布规律。研究者可利用该数据构建面板数据模型，识别教育水平对劳动力参与率的差异化影响，或结合时间序列方法追踪特定国家非劳动力人口随经济周期的演变轨迹，从而在区域比较框架下深化对劳动力市场供需失衡问题的理解。

实际应用

在实际应用层面，该数据集为国际发展机构、政府智库及教育规划部门监测劳动力市场健康状况提供了关键输入。各国劳动部门可依据不同教育层次的青年人脱离劳动市场的人数变动，动态调整职业培训课程的投入方向；跨国企业则能通过分析女性非劳动力人口的教育构成，评估特定区域潜在的人才供给池与技能错配风险。此外，该数据与宏观经济模型结合后，有助于预测基础设施投资、产业升级或贸易政策调整对边缘劳动力群体就业吸纳能力的连锁效应，进而在区域经济一体化进程中实现更精准的人力资源配置。

衍生相关工作

基于该数据集衍生的经典工作涵盖了劳动力市场细分与教育回报率测算等多个方向。部分研究者利用其性别与教育交叉分类信息，拓展了传统贝克尔人力资本模型在亚洲语境下的适用性，揭示了女性因教育不足而长期游离于正规就业之外的结构性困境。另有工作将该数据与ILOSTAT系列中的失业率、非正规就业等指标融合，构建了多维劳动力利用不足指数，用以评估可持续发展目标中体面劳动指标的实现进展。此外，近期研究还借助其长时序面板特性，运用机器学习的聚类或时序分解算法，识别出亚洲劳动力市场转型的阶段性特征，为后续政策模拟与冲击响应分析奠定了方法论基础。