electricsheepasia/asia-ilo-emp-pifl-sex-geo-rt-share-of-employment-outside-the-formal-sector-by-s

该数据集包含了亚洲23个国家在2000年至2025年期间关于非正规经济就业比例的1,690个观测值。核心指标为按性别和城乡地区划分的非正规部门就业比例（%）（ILOSTAT代码：EMP_PIFL_SEX_GEO_RT）。数据来源于国际劳工组织（ILO）的ILOSTAT数据库，该数据库是劳动力统计的全球权威来源，通过国际劳工统计学家会议（ICLS）定义对原始调查微数据进行标准化处理。数据集涵盖了按性别（总计、男性、女性、其他）和城乡地区等维度进行细分的数据，并包含国家代码、年份、观测值、数据状态标志和来源注释等信息。数据以年度频率发布，适用于表格分类、表格回归和时间序列预测等任务。数据集由Electric Sheep Asia重新打包，旨在为亚洲地区提供机器学习就绪的数据层。This dataset contains 1,690 observations of informal economy data across 23 Asia countries, spanning 2000–2025, covering the indicator Share of employment outside the formal sector by sex and rural / urban areas (%) (ILOSTAT code: EMP_PIFL_SEX_GEO_RT). The data is sourced from ILOSTAT, the International Labour Organizations central statistics database, which harmonizes raw survey microdata using International Conference of Labour Statisticians (ICLS) definitions. It includes disaggregation dimensions such as sex (total, male, female, other) and rural/urban areas, with columns for country codes, year, observed values, observation status flags, and source notes. The data is annual frequency and is repackaged by Electric Sheep Asia as part of a unified, ML-ready data layer for Asia on HuggingFace.

搜集汇总

数据集介绍

构建方式

该数据集由Electric Sheep Asia从ILOSTAT REST API提取并重新包装，聚焦于亚洲地区非正规部门就业占比的性别与城乡分布。数据源为国际劳工组织（ILO）中央统计数据库，通过官方API获取原始指标，并依据ISO 3166-1 alpha-3国家代码筛选出23个亚洲国家。ILOSTAT采用国际劳工统计学家会议（ICLS）的定义对各国调查微观数据进行协调统一，数据集保留了原始来源标签（source.label）以便追溯。数据涵盖2000年至2025年的年度观测值，共1,690条记录，每条记录包含国家、性别、地区类型、时间及观测值等字段，并附有状态标记和注释信息。

使用方法

用户可通过HuggingFace的datasets库便捷加载数据，使用load_dataset('electricsheepasia/asia-ilo-emp-pifl-sex-geo-rt-share-of-employment-outside-the-formal-sector-by-s')即刻获得可操作的DataFrame。支持按国家（如印度尼西亚）进行筛选，生成单指标的时间序列并进行可视化，或通过透视表转换成国家×年份的矩阵形式，便于进行面板数据分析。数据集的模式清晰，列名带有标签说明，可轻松结合pandas等库进行数据清洗、插值填充或建模。对于关注非正规经济与劳动力市场的研究者，该数据集提供了可靠、现成且可复现的分析基础。

背景与挑战

背景概述

该数据集由国际劳工组织（ILO）于2025年发布，经Electric Sheep Asia重新打包，聚焦于亚洲23国2000至2025年间非正规部门就业占比的性别与城乡分布。数据源自ILOSTAT这一全球劳动统计的权威数据库，其通过整合各国劳动力调查等微观数据，依据国际劳工统计学家会议（ICLS）定义进行协调处理，提供了可追溯的标准化指标。核心研究问题在于揭示亚洲地区非正规就业的结构性特征与演变趋势，为劳动经济学、发展研究及政策制定提供关键实证基础。该数据集的发布显著提升了亚洲区域非正规经济研究的可及性，促进了跨国比较分析与机器学习应用，对相关领域产生了积极的推动作用。

当前挑战

该数据集所解决的领域问题在于精准量化非正规就业这一复杂社会经济现象，其定义随国家统计体系与ICLS标准的变化而存在差异，导致跨国比较面临方法论协调的严峻挑战。此外，非正规就业的隐蔽性致使传统调查难以全面捕捉，数据质量受限于样本代表性及受访者报告意愿。在构建过程中，主要挑战包括整合异质性来源的微观数据以形成统一指标，应对时间序列中的断点与口径修订（如代码'B'标记的序列中断），以及处理各年份、国家间数据覆盖不均衡的问题。同时，性别与城乡维度的分层要求对细粒度统计的可靠性提出了更高要求，在数据稀疏的国家尤甚。

常用场景

经典使用场景

该数据集作为区域劳动经济研究的基石，聚焦于亚洲23国非正规部门就业占比的性别与城乡维度刻画。其经典运用在于构建面板数据模型，探析非正规就业的时空演变规律，并借助分类与回归任务检验性别差异、城镇化水平等要素对非正规就业率的边际影响。同时，作为时间序列预测的输入，研究者可借此推演未来非正规就业的走向，为劳动市场结构性转型提供量化洞察。

解决学术问题

数据集着力破解发展中国家劳动统计中非正规就业测量口径不一、跨国比较匮乏的难题。通过ILO标准化框架整合多源调查数据，使学者能够系统评估亚洲非正规就业的规模与构成，进而分析其与经济增长、社会保障覆盖及性别平等的关联。此类研究填补了区域比较视角下的实证空白，为检验非正规部门与劳动力市场分割理论提供了坚实的数据支撑，深化了对发展经济学核心议题的理解。

实际应用

在政策实践层面，该数据集成为国际组织、政府机构及智库评估劳动市场健康状况的重要依据。依托性别与城乡细分指标，政策制定者可精准识别非正规就业高风险群体，设计针对性的社会保险推广与就业正规化策略。此外，该数据为可持续发展目标（SDG）中体面工作指标的监测提供了关键参照，助力各国跟踪进展并调整劳动法规，在促进包容性增长方面发挥直接效用。

数据集最近研究

最新研究方向

在亚太地区劳动力市场研究的前沿，非正规就业形态的测度与分析正成为衡量经济包容性与可持续发展目标（SDG）实现程度的关键窗口。该数据集依托ILOSTAT官方统计框架，聚焦2000–2025年间23个亚洲国家非正规部门就业占比的性别与城乡维度差异，为追踪新冠疫情后非正规就业的韧性恢复、评估零工经济与传统非正规部门边界模糊化趋势提供了稀缺的跨国面板证据。其精细化的人口学分解和时序覆盖，为探究全球供应链重构背景下发展中国家的就业质量分化、以及人工智能技术对低技能非正规岗位的替代效应等热点议题，奠定了严谨的量化基础，从而助力政策制定者精准识别劳动力市场的结构脆弱性并设计更具包容性的干预措施。