electricsheepeurope/europe-ilo-luu-xlu3-sex-edu-geo-rt-combined-rate-of-unemployment-and-potential-labour

--- license: cc-by-4.0 language: - en task_categories: - tabular-classification - tabular-regression - time-series-forecasting multilinguality: monolingual size_categories: - 10K<n<100K tags: - tabular - europe - ilostat - other-measures-of-labour-underutilization - ilo - labour - employment pretty_name: "Combined rate of unemployment and potential labour force (LU3) by sex, education and rural | Europe (ILOSTAT)" --- # Combined rate of unemployment and potential labour force (LU3) by sex, education and rural | Europe (ILOSTAT) 🇪🇺 **31,535 observations** · **36 Europe countries** · **1987–2025** · *Repackaged by [Electric Sheep Europe](https://huggingface.co/electricsheepeurope)*      ## TL;DR This dataset contains **31,535 observations** of `Other measures of labour underutilization` data across **36 Europe countries**, spanning **1987–2025**, covering **1 distinct indicators**. ## About the source **ILOSTAT** is the ILO's central statistics database, the leading global source for labour statistics. It compiles indicators across employment, unemployment, wages, working time, child labour, informal economy, social protection, occupational injuries, and SDG decent work targets — drawing on national labour force surveys, household income surveys, establishment surveys, and administrative records. Coverage spans 200+ economies, with the ILO's Department of Statistics responsible for harmonisation. - **Source:** [ILOSTAT](https://www.ilo.org/shinyapps/bulkexplorer/?id=LUU_XLU3_SEX_EDU_GEO_RT) - **Publisher:** International Labour Organization (ILO) - **License:** [cc-by-4.0](https://creativecommons.org/licenses/by/4.0/) - **Topic:** Other measures of labour underutilization ## Methodology Data pulled directly from the ILOSTAT REST API at `https://rplumber.ilo.org/data/indicator?id=LUU_XLU3_SEX_EDU_GEO_RT` and filtered to Europe ISO3 country codes. ILOSTAT harmonises raw survey microdata using ICLS (International Conference of Labour Statisticians) definitions; sources are flagged in the `source.label` column for traceability. ## Geographic coverage 36 Europe countries · top rows shown below, sorted by row count: | Country | Rows | First year | Last year | |---------|-----:|-----------:|----------:| | `GRC` | 1,889 | 1987 | 2025 | | `FRA` | 1,292 | 1998 | 2024 | | `NLD` | 1,244 | 1998 | 2024 | | `PRT` | 1,198 | 1998 | 2024 | | `ESP` | 1,180 | 1998 | 2024 | | `BEL` | 1,158 | 1998 | 2024 | | `DNK` | 1,149 | 1998 | 2024 | | `DEU` | 1,113 | 1999 | 2024 | | `GBR` | 1,090 | 1999 | 2019 | | `LUX` | 1,072 | 1999 | 2024 | | `ITA` | 1,054 | 2002 | 2024 | | `AUT` | 1,043 | 1998 | 2025 | | `FIN` | 1,027 | 1998 | 2024 | | `HUN` | 974 | 2001 | 2024 | | `IRL` | 925 | 2006 | 2024 | | ... | _21 more countries_ | | | ## Indicators (sample) - `LUU_XLU3_SEX_EDU_GEO_RT` — Combined rate of unemployment and potential labour force (LU3) by sex, education and rural / urban areas (%) ## Schema | Column | Type | Description | Example | |--------|------|-------------|---------| | `ref_area` | `string` | ISO 3166-1 alpha-3 country code | `ALB` | | `ref_area.label` | `string` | Country name in English | `Albania` | | `source` | `string` | ILOSTAT source code (e.g. labour force survey) | `BB:7401` | | `source.label` | `string` | Source name in English | `HIES - Living Standards Survey` | | `indicator` | `string` | ILOSTAT indicator code | `LUU_XLU3_SEX_EDU_GEO_RT` | | `indicator.label` | `string` | Indicator name in English | `Combined rate of unemployment and pot…` | | `sex` | `string` | Disaggregation by sex (SEX_T = total, SEX_M = male, SEX_F = female) | `SEX_T` | | `sex.label` | `string` | — | `Total` | | `classif1` | `string` | First classification variable (age, education, status, etc.) | `EDU_AGGREGATE_TOTAL` | | `classif1.label` | `string` | — | `Education (Aggregate levels): Total` | | `classif2` | `string` | Second classification variable where applicable | `GEO_COV_NAT` | | `classif2.label` | `string` | — | `Area type: National` | | `time` | `int64` | Observation year | `2012` | | `obs_value` | `float64` | Observed indicator value (unit varies — see indicator definition) | `34.187` | | `obs_status` | `string` | Observation status flag (e.g. provisional, unreliable) | `U` | | `obs_status.label` | `string` | — | `Unreliable` | | `note_classif` | `string` | — | `C3:5578` | | `note_classif.label` | `string` | — | `Nonstandard education level: Includin…` | | `note_indicator` | `string` | — | `I11:264` | | `note_indicator.label` | `string` | — | `Break in series: Methodology revised` | | `note_source` | `string` | — | `R1:3513` | | `note_source.label` | `string` | — | `Repository: ILO-STATISTICS - Micro da…` | ## Disaggregation dimensions The following columns provide disaggregation dimensions: - **`sex`** (3 unique values): `SEX_T`, `SEX_M`, `SEX_F` ## Data quality & caveats - Data is annual frequency. Some indicators also publish monthly or quarterly series — those are not included here. - When an indicator has multiple sources for the same country×year, the ILO-selected 'best source' is used. - Disaggregation columns (`sex`, `classif1`, `classif2`) are non-null only when the indicator publishes that breakdown. ## Usage ```python from datasets import load_dataset ds = load_dataset("electricsheepeurope/europe-ilo-luu-xlu3-sex-edu-geo-rt-combined-rate-of-unemployment-and-potential-labour") df = ds["train"].to_pandas() print(df.head()) ``` ### Filter to one country ```python germany = df[df["ref_area"] == "DEU"] ``` ### Time-series for a single indicator ```python sample = (df[df["indicator"] == "LUU_XLU3_SEX_EDU_GEO_RT"] .sort_values("time")) sample.plot(x="time", y="obs_value", title="LUU_XLU3_SEX_EDU_GEO_RT") ``` ### Pivot to country × year matrix ```python matrix = (df[df["indicator"] == "LUU_XLU3_SEX_EDU_GEO_RT"] .pivot_table(index="time", columns="ref_area", values="obs_value")) print(matrix.tail()) ``` ## Citation ```bibtex @misc{europe_ilo_luu_xlu3_sex_edu_geo_rt_combined_rate_of_unemployment_and_potential_labour_2025, title = {Combined rate of unemployment and potential labour force (LU3) by sex, education and rural | Europe (ILOSTAT)}, author = {International Labour Organization (ILO)}, year = {2025}, url = {https://www.ilo.org/shinyapps/bulkexplorer/?id=LUU_XLU3_SEX_EDU_GEO_RT}, publisher = {HuggingFace Datasets, repackaged by Electric Sheep Europe}, howpublished = {\url{https://huggingface.co/datasets/electricsheepeurope/europe-ilo-luu-xlu3-sex-edu-geo-rt-combined-rate-of-unemployment-and-potential-labour}} } ``` ## License Released under [cc-by-4.0](https://creativecommons.org/licenses/by/4.0/). Original data © International Labour Organization (ILO). When using this dataset, please cite both the original source above and the Electric Sheep Europe repackaging. ## About Electric Sheep Electric Sheep Europe is part of the Electric Sheep mission: a unified, ML-ready data layer for Europe on HuggingFace. We pull data from authoritative open sources, normalize the schemas, package as Parquet, and publish with consistent dataset cards so researchers and developers can use `load_dataset()` to start working in seconds. Browse the full collection: [huggingface.co/electricsheepeurope](https://huggingface.co/electricsheepeurope) --- _Provenance: ingested 2026-05-27 via the Electric Sheep pipeline. Source URL: https://www.ilo.org/shinyapps/bulkexplorer/?id=LUU_XLU3_SEX_EDU_GEO_RT_--- license: 知识共享署名4.0（CC BY 4.0） language: - en task_categories: - 表格分类 - 表格回归 - 时间序列预测 multilinguality: 单语言 size_categories: - 10K<n<100K tags: - 表格数据 - 欧洲 - ILOSTAT - 劳动力未充分利用其他衡量指标 - 国际劳工组织（ILO） - 劳动力 - 就业 pretty_name: "按性别、教育程度与城乡划分的失业与潜在劳动力综合率（LU3）| 欧洲（ILOSTAT）" --- # 按性别、教育程度与城乡划分的失业与潜在劳动力综合率（LU3）| 欧洲（ILOSTAT） 🇪🇺 **31,535条观测样本** · **36个欧洲国家** · **1987–2025年** · *由[Electric Sheep Europe](https://huggingface.co/electricsheepeurope)重新整理发布*      ## TL;DR（简短摘要） 本数据集包含覆盖36个欧洲国家、时间跨度为1987至2025年的**劳动力未充分利用其他衡量指标**相关数据，共计**31,535条观测样本**，仅包含**1个核心指标**。 ## 数据来源 **国际劳工组织统计数据库（ILOSTAT）** 是国际劳工组织（International Labour Organization, ILO）的核心统计数据库，也是全球领先的劳动力统计权威数据源。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体面工作目标等领域的指标，数据来源于全国劳动力调查、家庭收入调查、企业调查及行政记录，覆盖全球200余个经济体，由国际劳工组织统计司负责数据的标准化协调。 - **来源：** [ILOSTAT](https://www.ilo.org/shinyapps/bulkexplorer/?id=LUU_XLU3_SEX_EDU_GEO_RT) - **发布方：** 国际劳工组织（ILO） - **许可协议：** [知识共享署名4.0（CC BY 4.0）](https://creativecommons.org/licenses/by/4.0/) - **主题：** 劳动力未充分利用其他衡量指标 ## 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=LUU_XLU3_SEX_EDU_GEO_RT`拉取原始数据，并筛选出欧洲地区的ISO 3166-1 alpha-3国家代码子集。ILOSTAT采用**国际劳工统计学家会议（International Conference of Labour Statisticians, ICLS）**定义对原始调查微观数据进行标准化协调；数据来源信息会在`source.label`字段中标记，以保证可追溯性。 ## 地理覆盖范围 36个欧洲国家 · 以下按样本量排序展示部分数据行： | 国家代码 | 样本量 | 起始年份 | 终止年份 | |---------|-----:|-----------:|----------:| | `GRC` | 1,889 | 1987 | 2025 | | `FRA` | 1,292 | 1998 | 2024 | | `NLD` | 1,244 | 1998 | 2024 | | `PRT` | 1,198 | 1998 | 2024 | | `ESP` | 1,180 | 1998 | 2024 | | `BEL` | 1,158 | 1998 | 2024 | | `DNK` | 1,149 | 1998 | 2024 | | `DEU` | 1,113 | 1999 | 2024 | | `GBR` | 1,090 | 1999 | 2019 | | `LUX` | 1,072 | 1999 | 2024 | | `ITA` | 1,054 | 2002 | 2024 | | `AUT` | 1,043 | 1998 | 2025 | | `FIN` | 1,027 | 1998 | 2024 | | `HUN` | 974 | 2001 | 2024 | | `IRL` | 925 | 2006 | 2024 | | ... | _其余21个国家_ | | | ## 指标（示例） - `LUU_XLU3_SEX_EDU_GEO_RT` — 按性别、教育程度与城乡划分的失业与潜在劳动力综合率（LU3）（单位：%） ## 数据结构 | 字段名 | 数据类型 | 字段说明 | 示例值 | |--------|------|-------------|---------| | `ref_area` | `string` | ISO 3166-1 alpha-3 国家代码 | `ALB` | | `ref_area.label` | `string` | 英文国家名称 | `Albania` | | `source` | `string` | ILOSTAT 来源代码（如劳动力调查） | `BB:7401` | | `source.label` | `string` | 英文来源名称 | `HIES - Living Standards Survey` | | `indicator` | `string` | ILOSTAT 指标代码 | `LUU_XLU3_SEX_EDU_GEO_RT` | | `indicator.label` | `string` | 英文指标名称 | `Combined rate of unemployment and pot…` | | `sex` | `string` | 性别分组维度（SEX_T=总计，SEX_M=男性，SEX_F=女性） | `SEX_T` | | `sex.label` | `string` | 分组维度说明 | `Total` | | `classif1` | `string` | 第一分类变量（年龄、教育程度、身份等） | `EDU_AGGREGATE_TOTAL` | | `classif1.label` | `string` | 分类变量说明 | `Education (Aggregate levels): Total` | | `classif2` | `string` | 可选第二分类变量 | `GEO_COV_NAT` | | `classif2.label` | `string` | 分类变量说明 | `Area type: National` | | `time` | `int64` | 观测年份 | `2012` | | `obs_value` | `float64` | 观测指标值（单位请参考指标定义） | `34.187` | | `obs_status` | `string` | 观测状态标记（如暂定、不可靠） | `U` | | `obs_status.label` | `string` | 状态说明 | `Unreliable` | | `note_classif` | `string` | 分类备注 | `C3:5578` | | `note_classif.label` | `string` | 分类备注说明 | `Nonstandard education level: Includin…` | | `note_indicator` | `string` | 指标备注 | `I11:264` | | `note_indicator.label` | `string` | 指标备注说明 | `Break in series: Methodology revised` | | `note_source` | `string` | 来源备注 | `R1:3513` | | `note_source.label` | `string` | 来源备注说明 | `Repository: ILO-STATISTICS - Micro da…` | ## 分组维度 本数据集通过以下字段实现数据分组： - **`sex`**（共3个唯一取值）：`SEX_T`、`SEX_M`、`SEX_F` ## 数据质量与注意事项 - 本数据集为年度频率数据，部分指标另有月度或季度序列，未包含在本数据集中。 - 当同一国家×年份的同一指标存在多个来源时，将采用国际劳工组织选定的“最优来源”数据。 - 分组字段（`sex`、`classif1`、`classif2`）仅在指标支持对应分组时才会有非空值。 ## 使用示例 python from datasets import load_dataset ds = load_dataset("electricsheepeurope/europe-ilo-luu-xlu3-sex-edu-geo-rt-combined-rate-of-unemployment-and-potential-labour") df = ds["train"].to_pandas() print(df.head()) ### 筛选单一国家数据 python germany = df[df["ref_area"] == "DEU"] ### 单个指标的时间序列可视化 python sample = (df[df["indicator"] == "LUU_XLU3_SEX_EDU_GEO_RT"] .sort_values("time")) sample.plot(x="time", y="obs_value", title="LUU_XLU3_SEX_EDU_GEO_RT") ### 转换为国家×年份矩阵 python matrix = (df[df["indicator"] == "LUU_XLU3_SEX_EDU_GEO_RT"] .pivot_table(index="time", columns="ref_area", values="obs_value")) print(matrix.tail()) ## 引用格式 bibtex @misc{europe_ilo_luu_xlu3_sex_edu_geo_rt_combined_rate_of_unemployment_and_potential_labour_2025, title = {Combined rate of unemployment and potential labour force (LU3) by sex, education and rural | Europe (ILOSTAT)}, author = {International Labour Organization (ILO)}, year = {2025}, url = {https://www.ilo.org/shinyapps/bulkexplorer/?id=LUU_XLU3_SEX_EDU_GEO_RT}, publisher = {HuggingFace Datasets, repackaged by Electric Sheep Europe}, howpublished = {url{https://huggingface.co/datasets/electricsheepeurope/europe-ilo-luu-xlu3-sex-edu-geo-rt-combined-rate-of-unemployment-and-potential-labour}} } ## 许可协议 本数据集采用[知识共享署名4.0（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来源与Electric Sheep Europe的重新整理版本。 ## 关于Electric Sheep Electric Sheep Europe是Electric Sheep项目的组成部分，该项目旨在为HuggingFace平台构建统一的、适配机器学习的欧洲地区数据层。我们从权威开源数据源拉取数据，对其进行标准化Schema处理，封装为Parquet格式，并发布为统一格式的数据集卡片，使研究人员与开发者仅需通过`load_dataset()`即可在数秒内开始数据工作。 浏览完整数据集集合：[huggingface.co/electricsheepeurope](https://huggingface.co/electricsheepeurope) --- _数据溯源：2026年5月27日通过Electric Sheep流水线摄入。源URL：https://www.ilo.org/shinyapps/bulkexplorer/?id=LUU_XLU3_SEX_EDU_GEO_RT_

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REST API接口直接抽取指标代码为LUU_XLU3_SEX_EDU_GEO_RT的原始数据，并依据欧洲ISO3国家代码进行地理过滤。ILOSTAT依据国际劳工统计学家会议（ICLS）定义对各国劳动力调查微观数据进行统一协调，数据来源在source.label列中予以标注，确保了跨国家的可比性与可溯源性。经Electric Sheep Europe重新打包后，数据集以31,535条观测记录的形式呈现，覆盖1987年至2025年间36个欧洲国家。

使用方法

用户可通过Hugging Face的datasets库以load_dataset函数直接加载数据集，并便捷地将其转换为pandas DataFrame进行后续操作。针对特定国家的分析，可利用ref_area字段进行过滤；若需对单一指标进行时间序列可视化，可结合indicator字段与time字段进行筛选与排序。此外，通过pivot_table方法，用户能将数据重塑为国家×年份的矩阵格式，便于直接观察各国家在该指标上的长期演变趋势。

背景与挑战

背景概述

该数据集由国际劳工组织（ILO）于其核心统计数据平台ILOSTAT中创建，经Electric Sheep Europe于2025年重新整理发布，涵盖36个欧洲国家自1987年至2025年的劳动力利用不足指标。其核心研究问题聚焦于综合失业率与潜在劳动力（LU3）在性别、教育程度及城乡维度上的分布与演变，为理解欧洲劳动力市场结构性特征提供了标准化跨国比较基础。凭借ILO对200余经济体劳动力调查的协调能力，该数据集在劳动经济学、公共政策评估及可持续发展目标（SDG）监测中具有重要影响力，尤其支撑对劳动力闲置现象的精细化解构。

当前挑战

该数据集所解决的领域问题在于，传统失业率指标难以充分反映隐性失业与劳动力利用不足的复杂形态，而LU3指标通过整合失业与潜在劳动力测量，弥补了标准失业统计的盲区。构建中面临的主要挑战包括：数据源异构性——各国劳动力调查方法、教育分类标准及城乡定义差异导致跨年可比性受损；时间序列连续性——部分国家存在方法论修订或数据中断（如英国GBR数据终止于2019年）；以及观测质量标记的多维性——需处理“不可靠”“暂定”等状态标识与系列断裂注释，以保证机器学习任务中时空建模的稳健性。

常用场景

经典使用场景

在劳动经济学与公共政策研究领域，欧洲失业与潜在劳动力综合率（LU3）数据集凭借其跨越1987至2025年、覆盖36个欧洲国家的丰富观测值，成为剖析劳动力市场结构性特征的宝贵资源。该数据集的经典使用场景聚焦于时间序列分析与面板数据建模。研究者可借助性别、教育程度与城乡地理位置的精细分层维度，追踪不同社会群体在劳动力闲置率上的长周期波动。通过构建动态面板模型或向量自回归框架，学者能够探究经济周期、制度变革与人口结构变迁对劳动力潜在供给的异质性冲击，从而揭示传统失业率指标掩盖的隐性劳动力储备规模。

解决学术问题

该数据集致力于破解传统失业统计在测量劳动资源闲置程度时的局限性。常规失业率仅关注积极求职者，忽略了那些虽有工作意愿但因各种原因退出市场的潜在劳动力。LU3指标将失业人口与潜在劳动力群体并合，为学术界提供了一个更为完整的劳动闲置测算尺度。它有力支撑了关于劳动力市场韧性的实证研究，例如性别就业差距的长期演化、教育回报率在不同劳动状态下的分布、以及城乡二元结构中劳动力配置效率的评估。这些研究对于完善国际劳工组织的劳动力利用指标体系具有里程碑式的意义，也深刻影响了各国劳动统计方法的国际标准制定。

实际应用

在实际应用层面，该数据集为欧洲各国的劳动力政策制定者与社会保障机构提供了数据驱动的决策支持。利用按性别、教育与城乡分层的失业与潜在劳动力综合率，政策分析师能够精准识别最易受经济波动冲击的弱势群体，从而设计针对性的技能培训计划与就业促进措施。该数据还赋能跨国比较研究，帮助欧盟委员会评估不同成员国在实现充分就业与包容性增长目标上的实际进展。此外，机器学习从业者可将此时间序列数据集用于开发劳动力市场预警系统，以预测区域性或行业性的结构性失业风险，为宏观审慎监管提供前瞻性信号。

数据集最近研究

最新研究方向

在欧洲劳动力市场结构性变革的宏观背景下，该数据集聚焦于失业与潜在劳动力综合率（LU3）的精细化分解，通过性别、教育水平和城乡维度揭示劳动力闲置的深层结构。前沿研究正利用该数据集追踪新冠疫情后欧洲各国劳动参与形态的非对称恢复路径，结合人工智能与自动化冲击下低技能人群的边缘化趋势，探索教育与地理流动性对劳动力缓冲能力的梯度影响。该数据集的跨年跨度（1987-2025）与36国覆盖使其成为分析欧洲一体化进程中劳动力吸收机制时空异质性的关键工具，尤其在难民危机、数字化转型及绿色经济转型等热点事件中，为评估政策干预效果与预测劳动市场韧性提供了高颗粒度的实证基础。