electricsheepafrica/africa-ilo-emp-xtru-sex-edu-mts-rt-time-related-underemployment-rate-by-sex-education

该数据集包含非洲34个国家从1991年至2025年的6214个观测值，核心指标为“按性别、教育水平和婚姻状况划分的时间相关就业不足率（%）”，数据来源于国际劳工组织（ILO）的ILOSTAT统计数据库。数据集经过重新打包，以表格形式呈现，包括国家代码、年份、性别、教育水平、婚姻状况等分类变量，以及观测值和数据质量标志。它适用于表格分类、回归和时间序列预测等任务，旨在为研究非洲劳动力市场提供机器学习就绪的数据支持。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 - 时间相关就业不足 - 国际劳工组织（ILO） - 劳工 - 就业 pretty_name: "按性别、教育程度和婚姻状况划分的时间相关就业不足率（%）| 非洲（ILOSTAT）" # 按性别、教育程度和婚姻状况划分的时间相关就业不足率（%）| 非洲（ILOSTAT） 🌍 **6214条观测数据** · **34个非洲国家** · **1991–2025年** · *由[Electric Sheep Africa](https://huggingface.co/electricsheepafrica)重新封装*      ## 核心摘要 本数据集包含覆盖34个非洲国家、时间跨度为1991至2025年的**6214条时间相关就业不足数据观测记录**，涵盖**1项独立指标**。 ## 数据源说明 **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，也是全球领先的劳工统计数据源。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体面工作目标等领域的指标，数据来源涵盖全国劳动力调查、家庭收入调查、机构调查及行政记录。其覆盖范围超过200个经济体，由国际劳工组织统计部门负责数据标准化协调。 - **数据来源**：[ILOSTAT](https://www.ilo.org/shinyapps/bulkexplorer/?id=EMP_XTRU_SEX_EDU_MTS_RT) - **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**：时间相关就业不足 ## 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=EMP_XTRU_SEX_EDU_MTS_RT`拉取数据，并筛选出非洲地区的ISO3国家编码对应的记录。ILOSTAT采用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；数据来源会在`source.label`字段中标记，以保证可追溯性。 ## 地理覆盖范围 覆盖34个非洲国家，以下按记录条数排序展示部分国家： | 国家代码 | 记录条数 | 起始年份 | 结束年份 | |---------|-----:|-----------:|----------:| | `ZAF` | 859 | 2008 | 2024 | | `RWA` | 448 | 2014 | 2025 | | `ZMB` | 388 | 2017 | 2024 | | `GHA` | 366 | 1991 | 2024 | | `UGA` | 328 | 2010 | 2021 | | `MUS` | 308 | 2012 | 2019 | | `AGO` | 304 | 2019 | 2025 | | `ZWE` | 289 | 2011 | 2024 | | `BWA` | 284 | 2006 | 2024 | | `SEN` | 227 | 2011 | 2024 | | `MLI` | 208 | 2018 | 2024 | | `EGY` | 196 | 2016 | 2024 | | `NGA` | 190 | 2019 | 2024 | | `SYC` | 177 | 2015 | 2024 | | `ETH` | 162 | 2005 | 2021 | | ... | _19 more countries_ | | | ## 指标（示例） - `EMP_XTRU_SEX_EDU_MTS_RT` — 按性别、教育程度和婚姻状况划分的时间相关就业不足率（%） ## 数据结构 | 字段名 | 数据类型 | 字段说明 | 示例 | |--------|------|-------------|---------| | `ref_area` | `string` | ISO 3166-1 α3国家代码 | `AGO` | | `ref_area.label` | `string` | 英文国名 | `Angola` | | `source` | `string` | ILOSTAT数据源代码（例如劳动力调查） | `BA:13951` | | `source.label` | `string` | 英文数据源名称 | `LFS - 就业调查` | | `indicator` | `string` | ILOSTAT指标代码 | `EMP_XTRU_SEX_EDU_MTS_RT` | | `indicator.label` | `string` | 英文指标名称 | `按……划分的时间相关就业不足率` | | `sex` | `string` | 按性别细分（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（综合层级）：总计` | | `classif2` | `string` | 适用时的第二分类变量 | `MTS_AGGREGATE_TOTAL` | | `classif2.label` | `string` | — | `婚姻状况（综合）：总计` | | `time` | `int64` | 观测年份 | `2025` | | `obs_value` | `float64` | 观测到的指标值（单位依指标定义而定） | `0.837` | | `obs_status` | `string` | 观测状态标记（例如临时、不可靠） | `U` | | `obs_status.label` | `string` | — | `不可靠` | | `note_classif` | `string` | — | `C3:2620` | | `note_classif.label` | `string` | — | `非标准教育程度：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` | | `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3个唯一取值）：`SEX_T`、`SEX_M`、`SEX_F` ## 数据质量与注意事项 - 本数据集采用年度频率数据。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。 - 若同一国家×年份的同一指标存在多个数据源，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有非空值。 ## 使用方法 python from datasets import load_dataset ds = load_dataset("electricsheepafrica/africa-ilo-emp-xtru-sex-edu-mts-rt-time-related-underemployment-rate-by-sex-education") df = ds["train"].to_pandas() print(df.head()) ### 按国家筛选 python kenya = df[df["ref_area"] == "KEN"] ### 单指标时间序列可视化 python sample = (df[df["indicator"] == "EMP_XTRU_SEX_EDU_MTS_RT"] .sort_values("time")) sample.plot(x="time", y="obs_value", title="EMP_XTRU_SEX_EDU_MTS_RT") ### 转换为国家×年份矩阵 python matrix = (df[df["indicator"] == "EMP_XTRU_SEX_EDU_MTS_RT"] .pivot_table(index="time", columns="ref_area", values="obs_value")) print(matrix.tail()) ## 引用格式 bibtex @misc{africa_ilo_emp_xtru_sex_edu_mts_rt_time_related_underemployment_rate_by_sex_education_2025, title = {Time-related underemployment rate by sex, education and marital status (%) | Africa (ILOSTAT)}, author = {International Labour Organization (ILO)}, year = {2025}, url = {https://www.ilo.org/shinyapps/bulkexplorer/?id=EMP_XTRU_SEX_EDU_MTS_RT}, publisher = {HuggingFace Datasets, repackaged by Electric Sheep Africa}, howpublished = {url{https://huggingface.co/datasets/electricsheepafrica/africa-ilo-emp-xtru-sex-edu-mts-rt-time-related-underemployment-rate-by-sex-education}} } ## 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数据源及Electric Sheep Africa的重新封装工作。 ## 关于Electric Sheep Africa Electric Sheep Africa 是Electric Sheep使命的一部分：旨在HuggingFace平台上构建一套统一的、适配机器学习的非洲地区数据层。我们从权威开源数据源拉取数据，对Schema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，使研究人员和开发者可以通过`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年5月26日通过Electric Sheep流水线摄取。源URL: https://www.ilo.org/shinyapps/bulkexplorer/?id=EMP_XTRU_SEX_EDU_MTS_RT_

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统计数据库（ILOSTAT），由Electric Sheep Africa团队依据非洲数据发现目录的标准化流程进行工程化再封装。原始数据经采集、清洗与结构化整理后，以Parquet格式存储，覆盖34个非洲国家自1991年至2025年间的6214条观测记录，涉及时间相关不充分就业率这一单一指标。Electric Sheep Africa在保持源数据语义完整性的前提下，补充了统一的元数据描述、来源说明与分析导向的上下文信息，从而形成可直接用于机器学习任务的数据资源。

使用方法

研究人员可借助Hugging Face的datasets库直接加载该数据集，通过load_dataset函数获取数据对象后查看其结构与特征字段。对于表格型数据，可将其转换为Pandas数据框以便进行统计描述、缺失值剖析与建模前的探索性分析。在建模过程中，建议依据显式的国家、年份与指标字段开展分组或连接操作，并保留原始缺失值直至确立合理的插补规则。使用时应核对变量定义与计量单位，避免仅凭标签推断政策含义。

背景与挑战

背景概述

国际劳工组织（ILO）长期致力于全球劳动力市场统计监测，其ILOSTAT数据库是劳动经济研究的基础设施。该数据集由Electric Sheep Africa于2026年整理发布，源自ILOSTAT，覆盖34个非洲国家、1991至2025年共6214条观测，聚焦按性别、教育程度和婚姻状况分类的时间相关就业不足率。数据集以标准化元数据和可复现格式封装，为非洲劳动市场不平等研究提供了跨国、长时序的量化证据，推动了发展经济学与劳动社会学领域的实证分析。

当前挑战

时间相关就业不足的测量本身具有概念模糊性，各国统计口径差异导致跨国可比性受限。数据集构建面临原始数据缺失、元数据字段不完整及国家归属标注不清等问题，部分变量定义需回溯源头确认。此外，非洲国家统计能力参差不齐，样本在时间与地理维度上分布不均，且性别、教育等交叉分类下的小样本单元存在较大不确定性，给因果推断与稳健建模带来显著挑战。

常用场景

经典使用场景

在劳动经济学与非洲发展研究的交叉领域，时间相关不充分就业率长期被视为刻画劳动力市场隐性闲置程度的关键指标。该数据集汇聚了1991至2025年间34个非洲国家共6214条观测记录，按性别、教育程度与婚姻状况对时间相关不充分就业率进行细粒度交叉分类，构成了一套高度结构化的面板数据资源。研究者通常借助其开展跨国别、跨时期的比较统计分析，考察不同人口学群体在劳动力利用不足方面的异质性表现，并以此为基础拟合回归模型或构建分类预测任务。

解决学术问题

该数据集为劳动经济学中长期存在的若干研究难题提供了实证基础。以往关于非洲不充分就业的研究常受制于数据碎片化与指标口径不一，难以在同一框架下识别性别、教育及婚姻状况的独立效应与交互效应。本数据集通过标准化的ILOSTAT指标与统一的百分比度量，使研究者能够检验教育回报在非正规劳动市场中的弱化机制、性别分工对劳动时间配置的约束，以及婚姻状态与劳动力利用效率之间的关联，从而深化对发展中国家就业不足结构性成因的理解。

实际应用

在政策实践层面，该数据集可直接服务于非洲各国劳工部门与国际发展机构的就业监测与干预设计。通过识别哪些性别、学历与婚姻状况组合的不充分就业率显著偏高，政策制定者能够更精准地定位脆弱劳动群体，优化职业技能培训、托幼公共服务与女性就业促进项目的资源配置。同时，国际组织可将其纳入可持续发展目标中体面劳动指标的国别进展评估，为区域就业政策协调提供可复现的数据支撑。

数据集最近研究

最新研究方向

针对非洲劳动力市场中时间相关不充分就业问题的前沿研究，正愈发倚重具有性别、教育与婚姻状况多维分解的精细化面板数据。该数据集依托国际劳工组织ILOSTAT的权威统计框架，覆盖34个非洲国家自1991年至2025年的6214条观测，为探究教育禀赋与性别差异如何交互影响劳动时间利用不足提供了稀缺的长时段证据。当前研究热点聚焦于非洲青年高学历群体中隐性不充分就业的持续存续现象，以及婚姻状况作为劳动供给约束机制在性别间的异质性表现。相关分析有助于揭示人力资本积累与就业质量之间的结构性错配，为非洲各国制定包容性劳动力市场政策、优化教育资源配置及推进体面劳动目标提供实证基准，亦为比较劳动经济学在低收入与中等收入国家的理论拓展注入新的经验证据。