electricsheepafrica/africa-ilo-eip-teip-sex-age-dsb-nb-persons-outside-the-labour-force-by-sex-age-and-di

该数据集包含非洲地区41个国家从1998年至2025年的非劳动力人口统计数据，具体按性别、年龄和残疾状况进行细分（以千计）。数据来源于国际劳工组织（ILO）的ILOSTAT数据库，涵盖10,073个观测值，涉及一个核心指标：EIP_TEIP_SEX_AGE_DSB_NB（按性别、年龄和残疾状况划分的非劳动力人口）。数据集提供了详细的列信息，包括国家代码、数据来源、指标代码、性别分类、年龄分类、残疾状况分类、观测年份、观测值及其状态标志等。数据经过ILO标准化处理，适用于表格分类、回归和时间序列预测等任务。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：单语言 数据规模： - 10,000 < 样本量 < 100,000 标签： - 表格数据 - 非洲 - 国际劳工组织统计数据库（ILOSTAT） - 劳动力闲置其他衡量指标 - 国际劳工组织（ILO） - 劳动力 - 就业 美观名称："按性别、年龄与残疾状况划分的非劳动力人口（千人）| 非洲（ILOSTAT）" # 按性别、年龄与残疾状况划分的非劳动力人口（千人）| 非洲（ILOSTAT） 🌍 **10,073条观测数据** · **41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41个非洲国家、时间跨度为1998–2025年的**10,073条“劳动力闲置其他衡量指标”**观测数据，仅包含1个独特指标。 ## 数据来源说明 **国际劳工组织统计数据库（ILOSTAT）**是国际劳工组织（ILO）的中央统计数据库，也是全球领先的劳动力统计权威来源。其收录涵盖就业、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（SDG）体面工作目标等各类指标，数据来源于全国劳动力调查、家庭收入调查、企业调查与行政记录。该数据库覆盖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。 - **数据来源**：[ILOSTAT](https://www.ilo.org/shinyapps/bulkexplorer/?id=EIP_TEIP_SEX_AGE_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**：劳动力闲置其他衡量指标 ## 数据处理方法 本数据集直接从ILOSTAT REST API（`https://rplumber.ilo.org/data/indicator?id=EIP_TEIP_SEX_AGE_DSB_NB`）拉取原始数据，并筛选出非洲地区的ISO3国家编码。ILOSTAT依据国际劳工统计学家会议（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`列中标记，以保证可追溯性。 ## 地理覆盖范围 41个非洲国家，以下按行数排序展示前若干行数据： | 国家 | 行数 | 起始年份 | 结束年份 | |---------|-----:|-----------:|----------:| | `RWA` | 810 | 2014 | 2025 | | `GHA` | 648 | 2010 | 2024 | | `ZMB` | 648 | 2015 | 2024 | | `SEN` | 567 | 2015 | 2024 | | `BWA` | 567 | 2009 | 2024 | | `ZWE` | 486 | 2014 | 2024 | | `CIV` | 432 | 1998 | 2022 | | `TZA` | 405 | 2008 | 2024 | | `TGO` | 405 | 2006 | 2022 | | `BFA` | 324 | 2006 | 2024 | | `GMB` | 321 | 2012 | 2025 | | `UGA` | 321 | 2010 | 2021 | | `SYC` | 320 | 2019 | 2024 | | `NGA` | 243 | 2011 | 2019 | | `BEN` | 243 | 2013 | 2022 | | ... | _另有26个国家_ | | | ## 指标示例 - `EIP_TEIP_SEX_AGE_DSB_NB` — 按性别、年龄与残疾状况划分的非劳动力人口（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` | 英语国家名称 | `安哥拉` | | `source` | `string` | ILOSTAT来源代码（如劳动力调查） | `AA:835` | | `source.label` | `string` | 英语来源名称 | `人口普查（PC）` | | `indicator` | `string` | ILOSTAT指标代码 | `EIP_TEIP_SEX_AGE_DSB_NB` | | `indicator.label` | `string` | 英语指标名称 | `按性别、年龄与残疾状况划分的非劳动力人口……` | | `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） | `AGE_YTHADULT_YGE15` | | `classif1.label` | `string` | — | `年龄（青年、成人）：15岁及以上` | | `classif2` | `string` | 可选第二分类变量 | `DSB_STATUS_TOTAL` | | `classif2.label` | `string` | — | `残疾状况：总计` | | `time` | `int64` | 观测年份 | `2014` | | `obs_value` | `float64` | 观测指标值（单位见指标定义） | `7584.71` | | `obs_status` | `string` | 观测状态标记（如临时、不可靠） | `U` | | `obs_status.label` | `string` | — | `不可靠` | | `note_classif` | `float64` | — | `—` | | `note_classif.label` | `float64` | — | `—` | | `note_indicator` | `string` | — | `I11:264` | | `note_indicator.label` | `string` | — | `序列中断：方法修订` | | `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 以下列提供数据细分维度： - **`sex`**（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，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来源时，将采用国际劳工组织选定的“最佳来源”数据。 - 细分列（`sex`、`classif1`、`classif2`）仅在指标支持该细分维度时非空。 ## 使用示例 python from datasets import load_dataset ds = load_dataset("electricsheepafrica/africa-ilo-eip-teip-sex-age-dsb-nb-persons-outside-the-labour-force-by-sex-age-and-di") 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可视化 python sample = (df[df["indicator"] == "EIP_TEIP_SEX_AGE_DSB_NB"] .sort_values("time")) sample.plot(x="time", y="obs_value", title="EIP_TEIP_SEX_AGE_DSB_NB") ### 转换为国家×年份矩阵 python matrix = (df[df["indicator"] == "EIP_TEIP_SEX_AGE_DSB_NB"] .pivot_table(index="time", columns="ref_area", values="obs_value")) print(matrix.tail()) ## 引用格式 bibtex @misc{africa_ilo_eip_teip_sex_age_dsb_nb_persons_outside_the_labour_force_by_sex_age_and_di_2025, title = {按性别、年龄与残疾状况划分的非劳动力人口（千人）| 非洲（ILOSTAT)}, author = {国际劳工组织（ILO)}, year = {2025}, url = {https://www.ilo.org/shinyapps/bulkexplorer/?id=EIP_TEIP_SEX_AGE_DSB_NB}, publisher = {HuggingFace数据集平台, 由Electric Sheep Africa重新整理发布}, howpublished = {url{https://huggingface.co/datasets/electricsheepafrica/africa-ilo-eip-teip-sex-age-dsb-nb-persons-outside-the-labour-force-by-sex-age-and-di}} } ## 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 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：旨在HuggingFace平台上构建统一的、适配机器学习的非洲数据层。我们从权威开源数据源获取数据，对Schema进行标准化处理，打包为Parquet格式，并以统一的数据集卡片形式发布，使研究人员与开发者可通过`load_dataset()`函数在数秒内开始使用数据。 浏览完整数据集集合：[huggingface.co/electricsheepafrica](https://huggingface.co/electricsheepafrica) _数据溯源：2026年5月28日通过Electric Sheep数据管道摄入。源URL：https://www.ilo.org/shinyapps/bulkexplorer/?id=EIP_TEIP_SEX_AGE_DSB_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，经由Electric Sheep Africa团队精心整合并重新封装。数据通过ILOSTAT REST API接口直接抓取，指标代码为EIP_TEIP_SEX_AGE_DSB_NB，聚焦于非洲地区劳动力市场以外的人口统计。获取的数据依据非洲ISO3国家代码进行地理过滤，确保仅涵盖非洲大陆41个国家。ILOSTAT本身采用国际劳工统计学家会议（ICLS）定义的标准对各国原始调查微观数据进行统一协调，并在source.label列中清晰标注数据来源，保证了跨国的可比较性与可追溯性。最终数据集以结构化表格形式呈现，包含10,073条观测记录，时间跨度从1998年至2025年。

特点

本数据集的核心特点在于其精细的多维度分类架构。它不仅按性别（男、女、总计）对劳动力市场外人口进行划分，还纳入了年龄分类（如青年与成年，15岁以上）以及残疾状态（总计）作为关键分层变量，从而允许研究者深入剖析不同社会群体间的差异。数据涵盖41个非洲国家，时间序列长达近三十年，为纵向分析提供了坚实基础。此外，数据集包含了观测值状态标志（如不可靠）、方法论变更注释以及来源的详细元数据，使研究人员能够审慎评估数据质量。所有指标均遵循国际劳工组织的统一标准，确保了数据在跨国家、跨时段比较中的一致性与权威性。

使用方法

用户可借助HuggingFace Datasets库便捷地加载此数据集，只需一行代码即可将数据转换为Pandas DataFrame，便于进行后续分析。典型的分析流程包括：按特定国家代码（如'KEN'）过滤数据以开展国别研究；针对单一指标按时间排序以绘制时间序列图，观察劳动力市场外人口的变化趋势；通过数据透视表构建以国家为列、年份为行的矩阵格式，便于进行跨国横向对比。数据集的列名设计清晰，包含ref_area（国家代码）、sex（性别）、classif1（年龄分类）、classif2（残疾状态分类）、time（年份）及obs_value（观测值）等字段，使得数据筛选、分组聚合与可视化操作直观而高效。

背景与挑战

背景概述

该数据集由国际劳工组织（ILO）于2025年通过其核心统计数据库ILOSTAT发布，并由Electric Sheep Africa进行二次封装与标准化处理，旨在系统记录非洲地区1998至2025年间因性别、年龄及残疾状况而处于劳动力市场之外的群体规模（单位：千人）。数据集覆盖41个非洲国家，包含逾10,000条观测记录，聚焦于劳动利用不足的替代性衡量指标，填补了非洲大陆在劳动参与率、就业质量及社会包容性方面精细化数据的空白。作为ILO推动体面劳动与可持续发展目标（SDGs）监测的重要工具，该数据为政策制定者与研究者提供了跨时空、多维度拆解的劳动力市场全景，尤其在评估残疾人就业障碍、性别不平等及代际劳动排斥等深层次社会问题上具有关键参考价值，对非洲劳动经济学、人口社会学及公共政策研究领域产生了深远影响。

当前挑战

该数据集面临的核心领域挑战在于如何精准量化非洲地区劳动力市场之外的隐性劳动排斥现象。许多非正规经济中的弱势群体（如女性、青年与残疾人）未被传统劳动力调查充分捕捉，导致失业率等常规指标失真，亟需借助多维度拆解指标（如性别、年龄、残疾状态）揭示真实的劳动利用不足现状。构建过程中则遭遇多重数据瓶颈：非洲各国统计能力参差不齐，部分国家调查频率低、年度数据稀疏，且不同来源（如人口普查与劳动力调查）采用的ILO国际劳工统计学家会议（ICLS）定义存在执行差异，导致数据可比性受限；此外，观测值中出现的观测状态标记（如不可靠数据）及方法论修订带来的序列断裂问题，要求用户在使用时间序列分析时谨慎处理数据质量标记，以确保政策推断的稳健性。

常用场景

经典使用场景

在劳动经济学与社会科学交叉研究领域，该数据集的核心应用场景在于刻画非洲地区劳动力市场边缘群体的结构性特征。基于国际劳工组织ILOSTAT官方统计框架，它汇集了1998至2025年间41个非洲国家按性别、年龄和残疾状态划分的劳动力市场外部人口数据，共计超过一万条观测记录。研究者常利用其多维度分类变量（如性别二分、年龄分层与残疾状况细分），构建回归模型或面板数据分析非经济活动人口的分布规律与演变趋势，尤其适合开展针对特定弱势群体（如残疾女性或青年）的劳动参与率缺口测算。

解决学术问题

该数据集破解了长期以来非洲劳动力统计中残疾维度数据缺失的学术困境。传统劳动力调查往往仅关注就业与失业人口，而忽略了对劳动力市场之外群体（如家务劳动者、失能者、提前退休人员）的系统性建模。通过提供标准化的年度序列数据，它使学者能够量化残疾状态与劳动参与决策之间的因果关联，评估社会保障政策的覆盖漏洞，并检验国际劳工组织提出的'劳动力利用不足'替代性指标在非洲语境下的适用性。这对修正全球劳动力统计体系中的非洲代表性偏差具有里程碑意义。

衍生相关工作

围绕该数据集已衍生出一系列具有学术影响力的前沿工作。在方法论层面，研究者基于其分类架构开发了融合性别与残疾交叉性的劳动力边缘化指数（LEI），被后续政策影响评估论文广泛引用。在实证层面，有经典研究利用该数据配合双重差分法，评估非洲国家批准《联合国残疾人权利公约》对残疾人群劳动参与率的政策效果。此外，电力非洲（Electric Sheep Africa）团队将其重新打包为Parquet格式并统一托管于HuggingFace，为机器学习社区贡献了首个面向非洲劳动力市场的可复现标准化训练集，催生了若干时间序列预测与表格分类竞赛。