electricsheepasia/asia-ilo-emp-temp-sex-ind-ins-nb-employment-by-ilo-sector-and-sex-and-institutional

这是一个关于亚洲就业的表格数据集，源自国际劳工组织（ILO）的ILOSTAT数据库。数据集包含按ILO部门、性别和机构部门分类的就业数据（以千计），覆盖32个亚洲国家，时间跨度为2000年至2025年。数据集中共有47,582个观测值，涉及1个主要指标（EMP_TEMP_SEX_IND_INS_NB），适用于表格分类、表格回归和时间序列预测等任务。数据通过ILOSTAT REST API获取，并经过标准化处理，包括国家代码、来源、指标、性别分类、时间、观测值等列，以支持机器学习和分析应用。license: CC-BY-4.0 language: - en task_categories: - 表格分类（tabular-classification） - 表格回归（tabular-regression） - 时间序列预测（time-series-forecasting） multilinguality: 单语言 size_categories: - 10K<n<100K tags: - 表格数据 - 亚洲 - ILOSTAT - 就业 - 国际劳工组织（ILO，International Labour Organization） - 劳动力 pretty_name: "按国际劳工组织行业、性别及机构部门划分的就业人数（千人）| 亚洲（ILOSTAT）" # 按国际劳工组织（ILO）行业、性别及机构部门划分的就业人数（千人）| 亚洲（ILOSTAT） 🌏 **共47582条观测样本** · **覆盖32个亚洲国家** · **时间跨度为2000年至2025年** · *由[Electric Sheep Asia](https://huggingface.co/electricsheepasia)重新封装发布*      ## 快速概览（TL;DR） 本数据集包含**47582条就业相关观测样本**，覆盖**32个亚洲国家**，时间跨度为**2000年至2025年**，仅包含**1项核心指标**。 ## 数据来源说明 **ILOSTAT**是国际劳工组织（ILO）的核心统计数据库，是全球领先的劳动力统计权威来源。其收录涵盖就业、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（SDG，Sustainable Development Goals）体面工作目标等多项指标，数据来源于全国劳动力调查、住户收入调查、企业调查及行政记录。该数据库覆盖200余个经济体，由国际劳工组织统计司负责数据标准化工作。 - **数据来源**：[ILOSTAT](https://www.ilo.org/shinyapps/bulkexplorer/?id=EMP_TEMP_SEX_IND_INS_NB) - **发布方**：国际劳工组织（ILO，International Labour Organization） - **许可证**：[CC-BY-4.0](https://creativecommons.org/licenses/by/4.0/) - **主题**：就业 ## 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_TEMP_SEX_IND_INS_NB`获取数据，并筛选出亚洲地区的ISO 3位国家编码数据。ILOSTAT采用国际劳工统计学家会议（ICLS，International Conference of Labour Statisticians）制定的定义对原始调查微观数据进行标准化处理；数据来源信息将在`source.label`字段中标记，以确保可追溯性。 ## 地理覆盖范围 覆盖32个亚洲国家，以下为按样本量排序的前15个国家： | 国家代码 | 样本量 | 起始年份 | 终止年份 | |---------|-----:|-----------:|----------:| | `JPN` | 4,219 | 2000 | 2023 | | `IRN` | 3,872 | 2005 | 2024 | | `VNM` | 3,658 | 2007 | 2024 | | `TUR` | 3,210 | 2009 | 2024 | | `MNG` | 3,039 | 2008 | 2024 | | `THA` | 2,371 | 2013 | 2024 | | `KHM` | 2,272 | 2007 | 2023 | | `LKA` | 2,246 | 2013 | 2024 | | `KGZ` | 2,173 | 2012 | 2023 | | `ARM` | 2,073 | 2011 | 2023 | | `PHL` | 2,002 | 2012 | 2023 | | `PSE` | 1,977 | 2012 | 2025 | | `BRN` | 1,474 | 2014 | 2024 | | `GEO` | 1,392 | 2017 | 2024 | | `BGD` | 1,373 | 2010 | 2024 | | …… | 另有17个国家 | | | ## 指标示例 - `EMP_TEMP_SEX_IND_INS_NB` — 按国际劳工组织行业、性别及机构部门划分的就业人数（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 α-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 | `EMP_TEMP_SEX_IND_INS_NB` | | `indicator.label` | `string` | 英文指标名称 | `按ILO行业、性别及机构部门划分的就业人数……` | | `sex` | `string` | 性别维度细分（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） | `IND_SECTOR_TOTAL` | | `classif1.label` | `string` | — | `ILO行业：总计` | | `classif2` | `string` | 可选第二分类变量 | `INS_SECTOR_TOTAL` | | `classif2.label` | `string` | — | `机构部门：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） | `7679.474` | | `obs_status` | `string` | 观测状态标记（如临时数据、不可靠数据） | `U` | | `obs_status.label` | `string` | — | `不可靠` | | `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统计司 - 微观数据……` | ## 数据细分维度 以下字段提供数据细分维度： - **`sex`**（共4种唯一取值）：`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非空。 ## 使用示例 python from datasets import load_dataset ds = load_dataset("electricsheepasia/asia-ilo-emp-temp-sex-ind-ins-nb-employment-by-ilo-sector-and-sex-and-institutional") 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"] == "EMP_TEMP_SEX_IND_INS_NB"] .sort_values("time")) sample.plot(x="time", y="obs_value", title="EMP_TEMP_SEX_IND_INS_NB") ### 转换为国家×年份矩阵 python matrix = (df[df["indicator"] == "EMP_TEMP_SEX_IND_INS_NB"] .pivot_table(index="time", columns="ref_area", values="obs_value")) print(matrix.tail()) ## 引用格式 bibtex @misc{asia_ilo_emp_temp_sex_ind_ins_nb_employment_by_ilo_sector_and_sex_and_institutional_2025, title = {Employment by ILO sector and sex and institutional sector (thousands) | Asia (ILOSTAT)}, author = {International Labour Organization (ILO)}, year = {2025}, url = {https://www.ilo.org/shinyapps/bulkexplorer/?id=EMP_TEMP_SEX_IND_INS_NB}, publisher = {HuggingFace Datasets, repackaged by Electric Sheep Asia}, howpublished = {url{https://huggingface.co/datasets/electricsheepasia/asia-ilo-emp-temp-sex-ind-ins-nb-employment-by-ilo-sector-and-sex-and-institutional}} } ## 许可证 本数据集基于[CC-BY-4.0](https://creativecommons.org/licenses/by/4.0/)协议发布。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 Asia的重新封装版本。 ## 关于Electric Sheep Asia Electric Sheep Asia是Electric Sheep项目的组成部分，旨在打造HuggingFace上面向亚洲地区的统一、可直接用于机器学习的数据层。我们从权威开源数据源获取数据，对数据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，使研究人员与开发者可通过`load_dataset()`函数在数秒内启动数据分析工作。 浏览完整数据集集合：[huggingface.co/electricsheepasia](https://huggingface.co/electricsheepasia) _数据溯源：2026年5月28日通过Electric Sheep数据管道摄取。原始数据源URL：https://www.ilo.org/shinyapps/bulkexplorer/?id=EMP_TEMP_SEX_IND_INS_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核心统计数据库，通过其REST API接口直接获取指标代码EMP_TEMP_SEX_IND_INS_NB的原始数据，并经Electric Sheep Asia团队进行后处理与重封装。数据采集后，依据ILO定义的ICLS国际劳工统计学家会议标准对各国劳动力调查、住户收入调查及行政记录等来源的微观数据进行一致性整合与标注，同时筛选出32个亚洲国家的ISO3国家代码，形成涵盖2000年至2025年间共47,582条观测记录的整洁表格数据集。

使用方法

用户可通过HuggingFace Datasets库中的load_dataset()函数便捷加载该数据集，并将其转换为Pandas DataFrame进行后续分析。典型应用包括筛选特定国家（如印度尼西亚）的子集、按时间序列绘制核心指标的趋势图，或通过透视表构建国家×年份的数值矩阵，以开展区域就业结构的比较研究或时序预测建模。数据集以CC-BY 4.0许可发布，使用时应同时标注ILO原始出处与Electric Sheep Asia的重封装版本。

背景与挑战

背景概述

该数据集由国际劳工组织（ILO）统计司于2025年通过Electric Sheep Asia平台重新打包发布，专注于亚洲32个国家2000至2025年间按ILO行业、性别及制度部门划分的就业数据（单位为千）。作为ILOSTAT这一全球劳动统计权威数据库的子集，它整合了来自劳动力调查、家庭收入调查及行政记录等多源数据，经国际劳工统计学家会议（ICLS）定义统一后形成观察值47,582条。该数据集为亚洲劳动市场研究提供了精细化、跨时空的实证基础，推动了区域就业结构、性别平等及制度变迁等议题的计量分析，对发展经济学、劳动经济学及国际比较研究具有重要支撑作用。

当前挑战

该数据集面临的核心挑战在于解决亚洲劳动统计数据高异质性与低可比性的领域难题。各国在调查方法、行业分类标准及制度划分上存在显著差异，导致跨国家、跨时期的就业数据可比性受限。构建过程中，需从ILOSTAT API海量原始数据中仅筛选亚洲国家子集，并处理多源数据间的冲突指示（如最佳来源选择）、序列断裂（如方法论修订导致的年度中断）及观测值可靠性标记（如标记为'不可靠'的条目）。此外，数据频率仅为年度，缺失月度或季度细分，限制了高频时序建模的适用性。最终，数据清理与标准化流程需兼顾分类学一致性（如性别与行业维度的非空约束）及可复现性，确保下游研究者能通过统一接口快速加载分析。

常用场景

经典使用场景

该数据集收录了2000至2025年间亚洲32个国家按国际劳工组织行业、性别及制度部门划分的就业人数，涵盖47,582条观测记录。其最经典的应用场景在于构建面板数据模型，用以分析亚洲各国就业结构的时序演变与跨区域差异。研究者可借助此数据探究不同行业与性别维度下就业人数的动态趋势，或将其与宏观经济变量（如GDP、通胀率）融合，开展劳动力市场与经济发展之间关联机制的计量经济学研究。

解决学术问题

该数据集有效应对了亚洲地区劳动统计碎片化与口径不一致的学术难题。在跨国比较研究中，数据来源各异、定义分歧长期制约着劳动力市场分析的广度与深度。ILOSTAT通过统一采纳国际劳动统计学家会议定义，将各国调查数据进行协调与标准化，从而为学者提供了一个可靠且可比的基础。这一资源极大地推动了亚洲区域劳动力参与率、性别就业差距、制度部门分布等议题的系统性实证研究，促进了劳动经济学与发展经济学的知识积累。

实际应用

在实际应用层面，该数据集为国际组织、政策研究机构及政府部门制定就业政策提供了坚实的数据支撑。例如，亚洲开发银行或联合国开发计划署可借助其分析结果，识别特定国家或行业中女性就业的薄弱环节，进而设计精准的性别平等干预措施。各国劳动部门也能通过纵向数据监测其经济转型过程中的就业结构变化，评估产业政策与劳动法规的实施效果，从而提升决策的科学性与前瞻性。

数据集最近研究

最新研究方向

该数据集聚焦于亚太地区按ILO行业、性别及制度部门划分的就业时序数据，覆盖32个亚洲国家2000至2025年的47,582条观测值，为区域劳动力市场分析提供了高颗粒度的纵向基准。当前前沿研究多借助此类分维度数据，结合机器学习和时序预测模型，探究后疫情时代亚洲就业结构的深层变迁——例如女性在非正规经济部门的参与率波动，或行业间就业弹性对全球供应链重组的响应。同时，该数据集因其规范的元数据标注（如断点修正与来源溯源标识），正被广泛用于构建可复现的就业预警系统及SDG体面劳动指标评估，推动从描述性统计向因果推断的范式跨越。