electricsheepafrica/africa-ilo-ees-tees-sex-edu-dsb-nb-employees-by-sex-education-and-disability-status-t

该数据集包含非洲39个国家从1998年至2025年的员工数据，共有5,136个观测值，核心指标为按性别、教育水平和残疾状态划分的员工数量（以千计）。数据来源于国际劳工组织（ILO）的ILOSTAT数据库，通过API获取并过滤为非洲国家。数据集包含多个字段：国家代码（ISO 3166-1 alpha-3）、国家名称、数据来源代码和标签、指标代码和标签、性别分类（总计、男性、女性）、教育水平分类、残疾状态分类、观测年份、观测值（浮点数）、观测状态标志等。数据集适用于表格分类、回归和时间序列预测任务，旨在为研究人员和开发者提供机器学习就绪的非洲劳动力统计数据。数据以CC BY 4.0许可证发布。This dataset contains employee data for 39 African countries from 1998 to 2025, with 5,136 observations. The core indicator is Employees by sex, education and disability status (thousands). The data is sourced from the International Labour Organization (ILO) ILOSTAT database, retrieved via API and filtered to African countries. The dataset includes multiple fields: country code (ISO 3166-1 alpha-3), country name, data source code and label, indicator code and label, sex classification (total, male, female), education level classification, disability status classification, observation year, observed value (float), observation status flag, etc. It is suitable for tabular classification, regression, and time-series forecasting tasks, aiming to provide machine learning-ready labor statistics for Africa. The data is released under the CC BY 4.0 license.

搜集汇总

数据集介绍

构建方式

该数据集源于国际劳工组织统计数据库（ILOSTAT）所发布的非洲地区劳动力统计资料，由Electric Sheep Africa团队依据其元数据清单进行标准化整理与重新封装。原始数据覆盖1998年至2025年间39个非洲国家的5,136条观测记录，聚焦于按性别、教育程度及残疾状况分类的雇员人数（以千计）。构建过程遵循开放数据规范，以Parquet列式存储格式发布，并辅以标准化的元数据标注、数据来源说明及分析师导向的上下文注释，确保数据在可发现性、可复用性与溯源透明度方面达到机器学习就绪标准。

使用方法

研究者可通过Hugging Face的datasets库以load_dataset函数直接加载该数据集，返回的数据对象支持特征查看、切片访问及转换为Pandas数据框等操作。在建模之前，建议先检视数据模式与缺失值分布，明确各变量的定义、单位与地理编码规则。若数据中存在显式国家列，应优先使用该列进行地理分组；若地理信息仅隐含于标题或来源元数据中，则需在下游分析中明确记录相关假设。该数据集适合用于按地域、时间与子群组进行变量画像分析，亦可与Electric Sheep Africa目录中的其他数据集通过国家、年份与指标字段进行连接，以构建可复现的非洲劳动力市场研究工作流。

背景与挑战

背景概述

国际劳工组织（ILO）自1919年成立以来始终致力于全球劳动统计体系的构建与完善，其ILOSTAT数据库作为全球劳动统计的权威来源，为政策制定与学术研究提供了关键数据支撑。Electric Sheep Africa于2026年将ILOSTAT中关于非洲地区按性别、教育程度及残疾状况分类的雇员数据（以千人为单位）进行标准化整理，覆盖39个非洲国家、时间跨度自1998年至2025年，共计5136条观测记录。该数据集直面非洲劳动力市场中长期存在的结构性不平等问题，通过系统化地呈现性别、教育及残疾状态交叉维度下的就业分布，为探究边缘群体劳动参与障碍、评估教育回报率差异以及制定包容性就业政策提供了量化基础，对推动非洲劳动经济学实证研究具有显著的方法论意义。

当前挑战

该数据集所面对的领域挑战在于非洲劳动力市场统计中长期存在的维度交叉分析困境：性别、教育与残疾状态的交互效应往往因样本稀疏而被遮蔽，难以支撑精细化政策评估。在构建过程中，首要挑战源于原始ILOSTAT数据在39个非洲国家间报告标准与统计能力的异质性，部分国家缺乏残疾状态分类或教育程度细分数据，导致系统性缺失值；其次，元数据中country与upstream_publisher字段的缺漏迫使使用者依赖标题或来源信息推断地理归属，增加了分析假设的复杂性；此外，残疾身份在非洲多国统计体系中定义模糊且存在报告偏差，使得该维度的数据可比性与可靠性面临持续质疑，需在建模前审慎评估其测量效度。

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汇处，该数据集以其覆盖39个非洲国家、跨越1998至2025年的5136条观测记录，构成了剖析正规就业结构性分化的关键实证基石。研究者惯以性别、受教育程度与残疾状况三重维度交叉制表，系统描绘非洲各国雇员分布的异质性图景，进而测算不同社会群体在劳动力市场中的参与率差异与职业隔离指数，为比较跨国就业公平提供可复现的标准化分析框架。

解决学术问题

长期以来，非洲劳动力市场研究受困于性别与残疾交叉分类数据的稀缺，难以精确估计教育回报率在不同群体间的分化程度。该数据集凭借ILOSTAT的权威统计口径，使学者得以检验残疾状况是否在控制教育水平后仍显著抑制就业概率，并量化性别与教育交互项对雇佣规模的边际效应。其意义在于将残疾维度纳入主流就业计量模型，推动劳动经济学从单一的性别或教育分层分析迈向多维身份交叉性的实证范式。

实际应用

国际组织与非洲各国劳工部门可借助该数据集监测可持续发展目标中关于充分就业与体面工作的进展，识别残疾雇员与低教育水平女性在各国劳动力市场中的系统性弱势。政策分析人员据此设计针对性的职业培训配额与反歧视监察指标，企业社会责任部门亦可参照跨国比较基准，评估自身供应链中的雇佣结构是否符合区域包容性增长导向，从而将宏观统计数据转化为可操作的干预依据。

数据集最近研究

最新研究方向

在全球劳动力市场日益关注残障与性别包容性的背景下，基于国际劳工组织ILOSTAT数据库的非洲就业微观数据正成为劳动经济学与发展研究的前沿阵地。该数据集涵盖39个非洲国家、1998至2025年间逾五千条按性别、教育程度与残疾状况细分的雇员观测记录，为系统辨识非洲劳动力市场中交叉性不平等提供了稀缺的量化基础。当前研究热点聚焦于利用此类面板数据检验残疾与教育对女性就业参与率的交互效应，并结合非洲大陆自由贸易区推进过程中技能结构转型的政策议题，评估包容性就业增长路径。其意义在于弥补非洲残障就业统计长期匮乏的缺陷，支撑可持续发展目标第八项与第十项的实证监测，为跨国比较与循证政策设计奠定关键数据基石。