electricsheepasia/asia-ilo-eip-rcar-sex-age-rt-share-of-persons-outside-the-labour-force-due-to-c

该数据集包含亚洲25个国家从2000年至2025年关于因照顾责任而未进入劳动力市场的人口按性别和年龄划分的占比（%）的统计数据，共有1972个观测值。数据来源于国际劳工组织（ILO）的ILOSTAT数据库，属于其他劳动力未充分利用指标主题。数据集提供了国家、年份、性别、年龄等维度的细分信息，用于分析劳动力市场中的照顾责任对劳动力参与的影响。This dataset contains 1,972 observations of Share of persons outside the labour force due to care responsibilities by sex and age (%) data across 25 Asia countries, spanning from 2000 to 2025. It is sourced from the ILOSTAT database of the International Labour Organization (ILO) and falls under the topic of Other measures of labour underutilization. The data includes disaggregation by country, year, sex, and age, aimed at analyzing the impact of care responsibilities on labor force participation in Asia.

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统计数据库，聚焦于亚洲地区因照护责任而退出劳动力市场的人口比例。数据通过ILOSTAT REST API直接提取，并限定为亚洲ISO3国家代码，涵盖了2000至2025年间25个亚洲国家的1,972个观测值。ILOSTAT团队依据国际劳工统计学家会议（ICLS）定义对原始调查微观数据进行统一协调，并在数据集中通过“source.label”列标注数据来源，确保追溯清晰。这一构建路径实现了从官方统计到机器学习就绪数据集的平滑转换。

特点

该数据集的核心特点在于其精细的分层结构，包含性别（总、男、女、其他）和年龄组等关键维度，为分析照护责任对劳动力参与的影响提供了丰富视角。数据涵盖“EIP_RCAR_SEX_AGE_RT”单一指标，但时间跨度长、地理覆盖广，支持跨国家、跨时间的比较研究。数据质量标注完善，如观测状态标识（含中断序列、暂定值等）与附注列，便于用户识别数据可靠性。数据集以Parquet格式存储，通过HuggingFace Datasets库可直接加载，兼具科研所需的严谨性与工程部署的高效性。

使用方法

用户可通过Python的`datasets`库便捷加载数据集，调用`load_dataset()`函数即可获取`train`分割，并将其转换为Pandas DataFrame进行后续分析。典型使用场景包括：按国家筛选进行单国时间序列分析，按指标排序并进行可视化；或通过数据透视表将数据重塑为国家×年份的多元矩阵，以便运用回归或时间序列预测模型。数据集支持表格分类、回归与时间序列预测等多种任务类型，其结构化字段如`sex`、`classif1`等可直接用于分组聚合或特征工程，极大降地低了劳动经济学与计算社会科学研究的准入门槛。

背景与挑战

背景概述

在亚太地区，家庭照护责任与劳动市场参与之间的动态关系长期受到国际劳工组织（ILO）等机构的高度关注。由ILO统计司于2000年至2025年间收集并整合的“亚洲因照护责任脱离劳动人群比例（按性别与年龄分列）”数据集，依托ILOSTAT权威数据库，汇总了来自25个亚洲国家的1,972条观测记录，旨在系统量化性别、年龄及地域差异对劳动参与的影响。该数据集为研究非正规照护经济对劳动力供给的抑制效应提供了标准化基准，推动了性别经济学与劳动统计交叉领域的数据驱动分析，其跨年度面板结构更成为评估亚太各国社会保障政策成效的实证基石。

当前挑战

该领域长期面临劳动参与率测算中“隐性劳动退出”难以量化的难题，尤其照护责任引发的非自愿离岗常被传统失业统计所忽略。数据集的核心贡献在于通过ILO国际劳工统计学家会议（ICLS）统一口径，解决了跨国数据因调查方法、收入群体分类和年龄带划分不同导致可比性差的挑战。在构建过程中，需应对多个国家劳动力调查样本在不同年份采用不同修订方法造成的序列中断（如指标注释中标注的方法论修订），同时平衡不同来源的同一国家年份数据以选择“最优来源”，并对部分不可靠或暂定的观测值进行状态标记，确保时间序列分析的数据质量与统计推断的效度。

常用场景

经典使用场景

在全球劳动经济学与性别平等研究领域，亚洲地区因照护责任而退出劳动力市场的人群比例，是衡量隐性劳动力闲置与性别不平等的关键指标。该数据集（asia-ilo-eip-rcar-sex-age-rt-share-of-persons-outside-the-labour-force-due-to-c）整合了国际劳工组织ILOSTAT官方数据，涵盖25个亚洲国家2000至2025年间近2000条观测记录，并按性别和年龄段进行细致分层。其经典使用场景包括：运用时间序列回归或面板数据模型，分析照护责任对女性劳动参与率的长期抑制效应；通过跨国家比较，揭示不同社会政策与家庭福利制度下劳动力退出模式的异同；以及构建机器学习分类模型，识别高照护负担群体特征，从而为政策干预提供精准靶点。

解决学术问题

该数据集的核心学术价值在于填补了亚洲地区因照护责任导致劳动力闲置这一微观行为数据的系统性空白。传统劳动力统计往往聚焦于失业率与就业率，却忽略了因家庭照护而‘退出战场’的隐性劳动力，尤其是女性群体。借助此数据，研究者得以量化照护责任在多大程度上加剧了性别劳动参与鸿沟，同时通过引入年份与国家固定效应，分离出经济发展水平、社会保障度与文化规范等混杂因素。这一数据支撑推动了关于‘照护经济’与‘未充分利用劳动力’的理论深化，使学者能够更精确地评估公共托育政策、育儿假制度及养老金改革对提升女性劳动供给的实际效果，为国际劳工组织推动体面劳动目标提供了实证基石。

衍生相关工作

依托该数据集，学术界已衍生出若干具有影响力的研究方向与经典工作。一方面，研究者将其与宏观层面的GDP增长率、女性教育水平及社会保障支出数据相融合，构建了照护负担对经济发展潜力的系统动力学模型，揭示了当照护责任迫使大量高学历女性退出职场时，造成的‘性别红利损失’可高达年均数个百分点的经济增速。另一方面，该数据催生了基于机器学习的劳动力退出预警系统，通过随机森林或梯度提升树算法，利用性别、年龄、时间与地域特征预测特定国家在未来五年内因照护导致的劳动参与率下降趋势。更有学者将其与家庭微观调查数据匹配，评估COVID-19疫情期间照护负担陡增对女性就业恢复的滞后影响，为后疫情时代的劳动市场包容性复苏提供了证据支持。