劳动力参与率，男性（占 15-24 岁男性人口的百分比）（模拟劳工组织估计）

Labor force participation rate for ages 15-24, male (%) (modeled ILO estimate)

下载数据

指标代码：SL.TLF.ACTI.1524.MA.ZS所属主题：社会保障与劳动力：Labor force structureSocial Protection & Labor: Labor force structure

2025最新有效年份

173最新年份有值国家

265历史上有数据经济体

52%总体缺失率

指标解释

World Bank official description / 世界银行官方说明

Labor force participation rate for ages 15-24 is the proportion of the population ages 15-24 that is economically active: all people who supply labor for the production of goods and services during a specified period.

可供参考的中文翻译：15-24岁男性人口的劳动力参与率，指的是在特定时期内为商品和服务生产提供劳动力的经济活跃人口占15-24岁总人口的比率，包括所有向经济体提供劳动力的个人。

数据口径与风险提示

本指标为模拟估算值，并非各国直接上报的统计数据，存在一定的建模不确定性
指标覆盖范围仅为15-24岁男性群体，不能反映其他年龄段或女性群体的劳动参与状况
不同国家劳动力参与率差异巨大，受教育年限、义务教育政策、劳动力市场结构等多重因素影响
ILO建模方法与各国官方统计口径可能存在差异，跨国比较时需注意数据来源一致性
劳动力参与率衡量的是经济活跃程度，不直接反映就业质量或收入水平
部分发展中国家可能将非正规就业或不充分就业计入经济活跃人口，导致参与率高估
该指标是占同龄人口的比率而非绝对人数，人口结构变化可能掩盖真实趋势
数据更新频率为年度，使用时不宜对最新数据进行实时预测推断

中国趋势

趋势解读

中国15-24岁男性劳动力参与率在1990年为77.4%，此后呈现持续下降趋势，2025年降至50.6%，累计下降约26.8个百分点。从 decade 数据看，1990年代降幅最为显著（期末值为期初值的0.868倍），2000年代后降速有所放缓（0.912倍），2010年代与全球同步（0.905倍），2020年代基本企稳（0.996倍）。2020年出现一次性大幅下探至50.8%，可能与特殊时期的学校延迟开学或实习中断有关，2021年后回升至51.5%附近，但均显著低于疫情前水平。该指标持续下降可能反映了高等教育扩展、产业结构升级对青年就业结构的影响，但具体归因需要结合学制安排和产业政策变量加以验证。

1990年基准值为77.4%，为有记录以来的最高点
2025年最新值为50.6%，较1990年下降26.8个百分点
1990年代呈阶梯式下降，从77.4%（1990）降至67.2%（1999），每年约下降1.1个百分点
2000年代降速略有放缓，从66.0%（2000）降至60.2%（2009）
2010年代继续下行，从59.5%（2010）降至53.9%（2019），2020年骤降至50.8%，2021年后小幅回升至51.5%附近
ILO模拟估算的建模方法可能导致与实际调查数据的差异
持续下降的参与率背后可能有教育扩展、城镇化、产业转型等多重因素交叉作用，单一指标难以分离各因素的影响权重
2020年的异常值可能受到统计时点、样本覆盖范围等临时性因素影响，不宜直接归因于单一结构性原因

全球趋势

趋势解读

全球15-24岁男性劳动力参与率从1990年的66.3%下降至2025年的49.5%，累计下降约16.8个百分点。从 decade 变化看，1990年代到2020年代各阶段下降幅度相对均衡，但2020年代出现边际反弹（期末值为期初值的1.020倍）。2020年达到有记录以来的最低点48.6%，可能受到全球公共卫生事件对青年就业的短期冲击，2021年后缓慢回升至49.1%至49.8%区间。与中国相比，全球下降幅度较为平缓，且在2020年代出现企稳反弹迹象，这与全球多数国家青年教育参与率趋于稳定或劳动力市场政策调整可能有关，但具体驱动因素需要结合各国经济结构和政策变量加以分析。

1990年基准值为66.3%，为有记录以来的最高点
2025年最新值为49.5%，较1990年下降约16.8个百分点
2020年触及历史低点48.6%，是全球青年劳动市场受到短期冲击的反映
2021年后参与率在49.1%至49.8%区间波动，呈现边际回升态势
1990年代至2010年代各 decade 期末值与期初值之比均在0.9倍至0.95倍之间，降幅相对均匀
不同国家统计口径差异较大，部分发展中国家可能将低质量就业计入经济活跃人口
全球平均值为人口加权的汇总值，高收入国家青年参与率偏低可能拉低全球均值，不宜直接理解为全球青年就业意愿下降
ILO建模数据对低收入和中等收入国家的覆盖和质量可能存在不均衡

每十年变化摘要

十年区间	中国变化	世界变化	提示
1960-1969	-	-	该阶段变化应结合指标定义、宏观背景、统计口径和缺失年份进行审慎解读。
1970-1979	-	-	该阶段变化应结合指标定义、宏观背景、统计口径和缺失年份进行审慎解读。
1980-1989	-	-	该阶段变化应结合指标定义、宏观背景、统计口径和缺失年份进行审慎解读。
1990-1999	0.9x	0.9x	该 decade 中国降幅（0.868倍）大于世界（0.941倍），而中国期初值更高，意味着绝对水平差距在加速收窄。这可能反映中国该阶段学制延长或产业调整速度快于全球同期基准，需要结合教育普及率和就业结构变化方向加以验证。
2000-2009	0.9x	0.9x	该 decade 中国降幅（0.912倍）反而小于世界（0.900倍），即中国下降相对温和。这可能意味着该阶段中国青年就业机会相对充裕或国际劳动力市场调整更为显著，需要结合同期经济增长和贸易结构变量加以分析。
2010-2019	0.9x	0.9x	该 decade 中国（0.905倍）与世界（0.916倍）降幅相近，呈现同步下行态势。这可能反映全球经济减速背景下青年就业压力的普遍化，但中国起点较低，分子分母的相对变化路径可能存在结构性差异，需要进一步验证。
2020-2029	1.0x	1.0x	该 decade 中国基本持稳（0.996倍），而世界出现回升（1.020倍）。这可能反映中国青年参与率已在低位趋于结构性企稳，而全球在疫情冲击后出现补偿性恢复；两者变化方向的分歧可能与统计口径、样本周期或政策周期相关，需要结合更多变量验证。

2025 年全部国家排名

排名已尽量排除 World、地区组和收入组，仅保留国家参与比较。排名高低应结合指标口径解释。

排名	国家	代码	数值
1	Netherlands 荷兰	NLD	83.3
2	Iceland 冰岛	ISL	81.0
3	Niger 尼日尔	NER	76.7
4	Korea, Dem. People's Rep. 朝鲜	PRK	75.2
5	Madagascar 马达加斯加	MDG	73.8
6	Uganda 乌干达	UGA	73.6
7	Cambodia 柬埔寨	KHM	72.9
8	Tanzania 坦桑尼亚	TZA	72.1
9	Nicaragua 尼加拉瓜	NIC	72.0
10	Eritrea 厄立特里亚	ERI	71.6
11	Qatar 卡塔尔	QAT	71.0
12	Australia 澳大利亚	AUS	70.1
13	Solomon Islands 所罗门群岛	SLB	70.0
14	Guatemala 危地马拉	GTM	70.0
15	Denmark 丹麦	DNK	68.6
16	Afghanistan 阿富汗	AFG	68.1
17	Switzerland 瑞士	CHE	66.7
18	Mozambique 莫桑比克	MOZ	66.0
19	New Zealand 新西兰	NZL	65.9
20	Honduras 洪都拉斯	HND	65.9
21	Norway 挪威	NOR	65.6
22	Paraguay 巴拉圭	PRY	65.4
23	Bolivia 玻利维亚	BOL	65.1
24	Belize 伯利兹	BLZ	65.1
25	Central African Republic 中非共和国	CAF	64.9
26	Nigeria 尼日利亚	NGA	64.7
27	St. Lucia 圣卢西亚	LCA	64.7
28	St. Vincent and the Grenadines 圣文森特和格林纳丁斯	VCT	64.3
29	Pakistan 巴基斯坦	PAK	63.7
30	Canada 加拿大	CAN	62.9
31	Bahamas, The 巴哈马	BHS	62.5
32	United Arab Emirates 阿联酋	ARE	61.6
33	Mali 马里	MLI	60.8
34	Brazil 巴西	BRA	60.7
35	Austria 奥地利	AUT	60.6
36	Turkiye 土耳其	TUR	59.3
37	Oman 阿曼	OMN	59.1
38	Malta 马耳他	MLT	58.7
39	Maldives 马尔代夫	MDV	58.6
40	Peru 秘鲁	PER	58.4
41	Burkina Faso 布基纳法索	BFA	58.1
42	Ethiopia 埃塞俄比亚	ETH	57.5
43	Liberia 利比里亚	LBR	57.4
44	Sweden 瑞典	SWE	56.8
45	Germany 德国	DEU	56.8
46	Dominican Republic 多米尼加共和国	DOM	56.6
47	Mexico 墨西哥	MEX	55.9
48	Angola 安哥拉	AGO	55.3
49	Lao PDR 老挝	LAO	55.0
50	Ecuador 厄瓜多尔	ECU	53.9
51	Ireland 爱尔兰	IRL	53.8
52	Indonesia 印度尼西亚	IDN	53.4
53	Zimbabwe 津巴布韦	ZWE	53.3
54	Bahrain 巴林	BHR	53.3
55	El Salvador 萨尔瓦多	SLV	53.3
56	Myanmar 缅甸	MMR	53.0
57	Malaysia 马来西亚	MYS	52.9
58	United Kingdom 英国	GBR	52.8
59	Panama 巴拿马	PAN	52.7
60	Guyana 圭亚那	GUY	52.5
61	Rwanda 卢旺达	RWA	52.4
62	Finland 芬兰	FIN	52.2
63	Benin 贝宁	BEN	51.8
64	United States 美国	USA	51.3
65	Uruguay 乌拉圭	URY	51.2
66	China 中国	CHN	50.6
67	Bangladesh 孟加拉国	BGD	50.3
68	Fiji 斐济	FJI	50.1
69	Japan 日本	JPN	49.9
70	Colombia 哥伦比亚	COL	49.7
71	Malawi 马拉维	MWI	48.8
72	Barbados 巴巴多斯	BRB	48.6
73	Israel 以色列	ISR	48.6
74	Guinea-Bissau 几内亚比绍	GNB	48.5
75	Montenegro 黑山	MNE	48.1
76	Burundi 布隆迪	BDI	48.0
77	Kazakhstan 哈萨克斯坦	KAZ	47.6
78	Iraq 伊拉克	IRQ	47.5
79	Uzbekistan 乌兹别克斯坦	UZB	47.4
80	Georgia 格鲁吉亚	GEO	46.7
81	Armenia 亚美尼亚	ARM	45.9
82	Botswana 博茨瓦纳	BWA	45.7
83	Lesotho 莱索托	LSO	45.5
84	Thailand 泰国	THA	45.4
85	France 法国	FRA	45.4
86	Costa Rica 哥斯达黎加	CRI	45.3
87	India 印度	IND	45.1
88	Cuba 古巴	CUB	45.0
89	Albania 阿尔巴尼亚	ALB	43.9
90	Saudi Arabia 沙特阿拉伯	SAU	43.9
91	Azerbaijan 阿塞拜疆	AZE	43.7
92	Senegal 塞内加尔	SEN	43.5
93	Argentina 阿根廷	ARG	43.3
94	Congo, Rep. 刚果（布）	COG	43.1
95	Brunei Darussalam 文莱	BRN	42.8
96	Suriname 苏里南	SUR	42.4
97	Cyprus 塞浦路斯	CYP	42.3
98	Chad 乍得	TCD	42.2
99	Mauritius 毛里求斯	MUS	42.0
100	Viet Nam 越南	VNM	42.0
101	Venezuela, RB 委内瑞拉	VEN	41.9
102	Yemen, Rep. 也门	YEM	41.7
103	Slovenia 斯洛文尼亚	SVN	41.6
104	Kyrgyz Republic 吉尔吉斯斯坦	KGZ	41.3
105	Congo, Dem. Rep. 刚果（金）	COD	41.2
106	Morocco 摩洛哥	MAR	41.1
107	Estonia 爱沙尼亚	EST	41.0
108	Jamaica 牙买加	JAM	40.7
109	Belarus 白俄罗斯	BLR	40.7
110	Timor-Leste 东帝汶	TLS	40.6
111	Algeria 阿尔及利亚	DZA	40.3
112	Vanuatu 瓦努阿图	VUT	40.2
113	Luxembourg 卢森堡	LUX	40.2
114	Cameroon 喀麦隆	CMR	39.7
115	Cote d'Ivoire 科特迪瓦	CIV	39.5
116	Zambia 赞比亚	ZMB	39.4
117	Haiti 海地	HTI	39.1
118	Serbia 塞尔维亚	SRB	39.1
119	Lithuania 立陶宛	LTU	39.1
120	Syrian Arab Republic 叙利亚	SYR	39.0
121	Philippines 菲律宾	PHL	38.5
122	Jordan 约旦	JOR	37.9
123	Kenya 肯尼亚	KEN	37.6
124	Mongolia 蒙古	MNG	37.2
125	North Macedonia 北马其顿	MKD	36.4
126	Portugal 葡萄牙	PRT	36.4
127	Spain 西班牙	ESP	36.3
128	Croatia 克罗地亚	HRV	36.1
129	Egypt, Arab Rep. 埃及	EGY	35.8
130	Nepal 尼泊尔	NPL	35.6
131	Samoa 萨摩亚	WSM	35.6
132	Latvia 拉脱维亚	LVA	35.6
133	Cabo Verde 佛得角	CPV	35.4
134	Kuwait 科威特	KWT	35.2
135	Hungary 匈牙利	HUN	35.1
136	Iran, Islamic Rep. 伊朗	IRN	35.1
137	Singapore 新加坡	SGP	35.0
138	Poland 波兰	POL	34.5
139	Moldova 摩尔多瓦	MDA	34.3
140	Belgium 比利时	BEL	33.9
141	Chile 智利	CHL	33.2
142	Ghana 加纳	GHA	33.1
143	Bosnia and Herzegovina 波黑	BIH	33.0
144	Gambia, The 冈比亚	GMB	32.8
145	Equatorial Guinea 赤道几内亚	GNQ	32.7
146	Namibia 纳米比亚	NAM	32.6
147	Slovak Republic 斯洛伐克	SVK	32.1
148	Sri Lanka 斯里兰卡	LKA	32.0
149	Russian Federation 俄罗斯	RUS	31.7
150	Tonga 汤加	TON	31.5
151	Tunisia 突尼斯	TUN	31.5
152	Romania 罗马尼亚	ROU	30.6
153	Bhutan 不丹	BTN	30.6
154	Czechia 捷克	CZE	29.9
155	Italy 意大利	ITA	29.7
156	South Africa 南非	ZAF	29.1
157	Tajikistan 塔吉克斯坦	TJK	29.0
158	Sierra Leone 塞拉利昂	SLE	28.8
159	Mauritania 毛里塔尼亚	MRT	27.3
160	Eswatini 斯威士兰	SWZ	27.2
161	Papua New Guinea 巴布亚新几内亚	PNG	27.2
162	Comoros 科摩罗	COM	25.9
163	Turkmenistan 土库曼斯坦	TKM	25.7
164	Greece 希腊	GRC	25.5
165	Guinea 几内亚	GIN	25.0
166	Bulgaria 保加利亚	BGR	23.5
167	Libya 利比亚	LBY	22.9
168	Sao Tome and Principe 圣多美和普林西比	STP	22.7
169	Korea, Rep. 韩国	KOR	21.5
170	Togo 多哥	TGO	20.9
171	Gabon 加蓬	GAB	20.2
172	Somalia, Fed. Rep. 索马里	SOM	20.0
173	Djibouti 吉布提	DJI	15.2

使用建议、常见误用与研究场景

数值较高通常意味着什么

该指标数值越高，意味着在15-24岁男性群体中，积极寻找工作或已经就业的人口占比越大。高参与率通常反映该年龄段男性较强的就业意愿，或劳动力市场能够提供充足的就业机会，同时也可能意味着教育扩展程度较低、青年提前进入劳动力市场的比例较高。在经济扩张期或劳动力需求旺盛时，该指标往往呈现上升态势。

数值较低通常意味着什么

该指标数值越低，表明15-24岁男性中选择暂不参与经济活动的比例越大。这可能反映教育普及率提升导致更多青年继续求学，也可能意味着产业结构升级对青年技能要求提高，或就业机会相对不足。2020年中国的异常下降（77.4%降至50.8%）即可能与学校延迟开学和实习中断有关，需结合教育扩张和产业结构变量综合解读。

鍙ｅ緞闄愬埗

本指标为ILO模拟估算值，并非各国直接调查统计数据，存在建模不确定性，原始数据与实际调查可能存在偏差
指标仅覆盖15-24岁男性群体，无法反映其他年龄段男性或女性劳动参与状况，性别间差异可能被掩盖
不同国家统计口径差异较大，部分发展中国家可能将非正规就业或不充分就业计入活跃人口，导致参与率高估
劳动力参与率衡量的是经济活跃程度而非就业质量，高参与率不等于高质量就业，可能掩盖隐性失业问题
人口结构变化可能掩盖绝对人数的真实趋势，占比下降可能与人口基数变化而非实际行为改变有关

使用建议

使用时应明确说明数据来源为ILO估算，并提示用户注意建模方法可能带来的不确定性
进行跨国比较时，应优先选择统计口径一致的数据子集，避免将口径差异导致的差异误读为真实趋势
分析长期趋势时，应结合高等教育入学率、产业结构转型和城镇化率等配套变量，避免单一指标过度解读
对于2020年等特殊年份的异常值，建议结合当年具体政策事件和统计方法变化进行专项说明
在学术研究中使用时，应将本指标作为被解释变量或机制变量时，加入教育年限、GDP增长率等控制变量以提高模型稳健性

常见错误用法

错误做法：直接将中国与发达国家的青年男性劳动力参与率进行横向对比，得出中国青年就业意愿更强的结论

正确做法：在比较时应优先选择发展阶段相近的国家作为对照，或将人均GDP、工业化程度等结构性变量作为匹配条件后进行比较

发达国家的青年参与率往往因高等教育普及而较低，这反映的是教育扩张而非就业意愿差异；发展阶段不同的国家间直接比较会混淆结构性因素和个体选择因素，导致对劳动力市场状况的误判

错误做法：将青年劳动力参与率的下降直接解读为就业机会减少或经济衰退的信号

正确做法：应结合高等教育入学率、产业结构转型等变量综合判断下降原因

参与率下降可能反映教育普及使更多青年选择继续求学，而非就业岗位不足；将其等同于就业恶化会忽略教育扩张的正面效应，导致对劳动力市场状况的片面解读

错误做法：使用单个年份的异常值（如2020年数据）进行趋势推断，认为这是结构性变化的信号

正确做法：应对异常值进行专项说明，结合当年具体事件（如疫情导致学校停课、实习中断）分析其临时性特征

单个年份的数据可能受统计时点、样本覆盖范围或偶发事件影响而产生偏离，直接将其外推为长期趋势可能产生误判，需要多年数据验证其持续性

实际应用场景

教育扩张对青年劳动力参与行为的影响研究：在分析高等教育普及如何改变15-24岁男性就业选择时，选取东亚和东南亚国家1990-2010年面板数据被解释变量需将高等教育入学率作为核心自变量，同时控制人均GDP增长率、城镇化率等结构性变量，以避免遗漏变量偏误；由于ILO数据存在建模不确定性，建议使用工具变量法或固定效应模型增强因果识别可信度
城镇化进程与青年劳动力参与率的非线性关系：研究城镇化如何影响农村青年的劳动力参与决定，利用中国省级面板数据1985-2020年的人口流动与劳动参与率变化进行分析被解释变量采用双向固定效应模型控制地区和时间异质性，使用人口普查数据与流动人口调查数据进行交叉验证以增强结果的稳健性
产业结构调整对制造业青年就业参与的影响评估：评估第二产业比重下降如何影响制造业集聚地区15-24岁男性劳动参与率，利用中国工业企业数据库与人口普查数据进行匹配分析被解释变量需控制地区经济发展水平、教育资源禀赋和基础设施条件等变量，使用倍差法识别产业政策冲击的因果效应，并进行平行趋势检验确保假设成立