electricsheepafrica/africa-ilo-emp-pifl-sex-ocu-edu-nb-employment-outside-the-formal-sector-by-sex-occupa

该数据集包含86,662个观测值，涉及非洲43个国家的非正规经济数据，时间跨度为1999年至2025年，覆盖一个独特的指标：按性别、职业和教育划分的非正规经济就业人数（以千计）。数据来源于国际劳工组织的ILOSTAT数据库，经过处理并重新打包，适用于表格分类、回归和时间序列预测等任务。This dataset contains 86,662 observations of informal economy data across 43 Africa countries, spanning 1999–2025, covering 1 distinct indicator: Employment outside the formal sector by sex, occupation and education (thousands). It is sourced from the ILOSTAT database of the International Labour Organization, repackaged for machine learning tasks such as tabular classification, regression, and time-series forecasting.

搜集汇总

数据集介绍

构建方式

该数据集脱胎于国际劳工组织统计数据库（ILOSTAT）所发布的非正规经济部门就业统计，经Electric Sheep Africa进行系统性元数据工程后，以Parquet格式在Hugging Face平台重新封装发布。数据集覆盖43个非洲国家，观测时段自1999年延续至2025年，共汇集86662条记录，依据性别、职业与教育程度三重维度对正规部门以外就业人口（以千人为单位）进行细分统计，并附有标准化的来源注释与加载指引。

特点

数据集兼具长时段与广地域的观测优势，时间跨度逾四分之一世纪，空间范围覆盖非洲大陆主要经济体，样本量处于万级至十万级区间。其模态以表格数据为主，辅以文本说明，任务类型适配表格分类与表格回归，适合围绕非正规就业的结构性差异开展横向国别比较与纵向时序分析。数据遵循CC BY 4.0开放许可，元数据标注规范，便于非洲数据发现与复用。

使用方法

研究者可借助Hugging Face datasets库以load_dataset函数直接加载该数据集，获取可用拆分后通过features属性查阅字段结构，并可将其转换为Pandas数据框以开展统计分析。使用前应先行核查数据文件的变量定义、计量单位与缺失值分布，审慎处理隐含地理信息，保留原始缺失状态直至确立可辩护的插补规则，并可依据显式国家、年份与指标字段与其他Electric Sheep Africa数据集进行联结。

背景与挑战

背景概述

非正规经济部门的就业状况长期以来构成劳动经济学与发展研究中测量与比较的难点。国际劳工组织（ILO）依托ILOSTAT数据库，系统汇编了非洲地区按性别、职业与教育程度分类的非正规部门外就业估算数据，而Electric Sheep Africa于2026年前后对该数据集进行了标准化元数据整理与Hugging Face平台发布。数据集覆盖43个非洲国家、1999至2025年间86,662条观测记录，旨在为跨国比较、性别差异分析及教育回报研究提供结构化证据，对非洲劳动力市场政策评估与可持续发展目标监测具有基础性支撑意义。

当前挑战

该数据集所回应的核心领域问题在于非正规就业的跨时空可比性困境：各国在非正规部门界定、职业分类编码与教育层级归属上存在制度性异质，致使估算口径难以直接对齐。构建过程中，源数据缺失值普遍、元数据标注不完整（如国家与上游发布机构字段空缺），加之长时段序列中统计方法变更与调查覆盖波动，均对数据一致性与可复现分析构成实质障碍。分析者须在明确单位、定义与抽样框架后方可开展建模，并谨慎处理缺失机制以避免偏差传导。

常用场景

经典使用场景

在劳动经济学与非正规经济研究领域，该数据集最经典的使用场景在于刻画非洲各国非正规部门就业的性别、职业与教育维度分布特征。研究者依托覆盖43个非洲国家、逾八万条观测的面板数据，系统比较不同性别与职业类别中非正规就业的规模差异，进而揭示教育水平对非正规就业参与率的调节效应。此类分析通常以横截面与时序相结合的计量框架展开，为理解非洲劳动力市场结构性分化提供基础性证据。

实际应用

在政策实践层面，该数据集为国际组织与非洲各国劳工部门制定就业促进与非正规经济正规化战略提供量化依据。通过对不同教育程度与职业群体非正规就业规模的监测，政策制定者可精准识别脆弱就业群体，评估技能培训与社会保障扩面的优先次序。同时，该数据亦服务于世界银行、非洲开发银行等机构在就业结构转型与包容性增长领域的项目设计与效果评估。

衍生相关工作

围绕该数据集已衍生出一系列经典研究工作，包括非洲非正规部门性别隔离的跨国比较分析、教育错配与非正规就业选择的行为计量研究，以及基于机器学习方法对非正规就业规模进行预测与插补的方法论探索。这些工作不仅拓展了ILOSTAT数据在非洲研究中的应用边界，亦催生了多个与Electric Sheep Africa目录中其他劳动市场数据集相互链接的复合分析框架。