15-24岁人口的劳动力参与率，总量（%）（模拟劳工组织估计）

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岁人口的劳动力参与率是指15-24岁之间积极参与经济活动的人群数量占该年龄段总人口的百分比：积极参与经济活动指在规定时间内为生产商品或提供服务而付出劳动的全体人群，包括就业者和失业者。

数据口径与风险提示

本指标为国际劳工组织（ILO）模拟估算值，各国调查方法、季节性调整和问卷设计存在差异，跨国可比性可能受到限制
15-24岁为青年群体特殊年龄段，就学、就业与失业状态频繁转换，数据波动可能反映调查时点差异而非真实趋势
劳动力参与率不区分经济活动的原因，高参与率可能意味着高就业也可能意味着高失业
ILO模型估算可能与各国官方统计数据存在口径差异，不同数据来源的同一国家数值不宜直接替换使用
本指标仅为总量数据，未按性别、教育程度或城乡分解，无法识别结构性差异
数据存在明显的周期性波动特征，2020年前后受多重因素影响出现异常变化，使用时需注意时点选择

中国趋势

趋势解读

中国15-24岁劳动力参与率在1990年至2025年间呈现持续显著下降趋势，从期初78.3%降至期末49.3%，累计下降约29个百分点，降幅接近期初值的三分之一。从年度数据观察，下降并非匀速发生：1990年代初期至中后期年均降幅约1至1.5个百分点，步伐相对平缓；2000年代起至2010年代中期下降节奏逐步趋缓但仍在延续，累计降幅趋于收敛；2020年出现了一个显著低点47.9%，可能与特殊时期因素有关，此后有所回升但未恢复至历史水平，至2025年稳定在49.3%左右。整体来看，中国该指标长期走势呈现单调递减格局，2020年是唯一的例外时点。

1990年数值78.3%为有记录以来最高值，此后逐年递减
2000年降至65.8%，较1990年下降12.5个百分点
2010年进一步降至57.4%，继续下降约8.4个百分点
2020年录得最低值47.9%，较2010年再降约9.5个百分点
2021年起小幅回升，2022年达50.2%，但2023至2025年再度微幅回落至49.3%
2020年低谷可能叠加特殊时期冲击，难以区分结构性下降与临时性波动
2010年代下降速率有所放缓，但整体下行趋势未根本扭转
长期下降可能反映教育扩张、就业结构调整、统计口径变化等多重因素交互作用，不宜简单归结为单一原因

全球趋势

趋势解读

全球15-24岁劳动力参与率在1990年至2025年间同样经历持续下降，从期初58.2%降至期末42.5%，累计下降约15.7个百分点。与中国相比，全球起点更低但绝对降幅也更小，下降速率相对平缓且稳健。1990年代至2010年代初期下降较为明显，此后下降斜率逐渐趋缓；2020年录得最低点40.8%，此后缓慢回升但幅度有限，至2025年稳定在42.5%左右。全球数据同样在2020年前后出现异常波动，但波幅相对中国更为温和，整体呈现长周期渐进式下降特征。

1990年数值58.2%为有记录以来最高值，此后基本保持下降
2000年降至53.0%，较1990年下降约5.2个百分点
2010年进一步降至46.7%，继续下降约6.3个百分点
2020年录得最低值40.8%，较2010年再降约5.9个百分点
2021年起小幅回升，2022至2025年在42.5%左右窄幅波动
全球数据为加权汇总值，权重结构随样本国家变化而调整，不同阶段可比性存在局限
发展中和发达经济体差异较大，平均值可能掩盖区域内异质性
ILO建模方法在不同地区数据质量不一，部分国家估算成分较高

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	中国与世界的阶段变化幅度接近，说明该指标在这一阶段更多表现为共同的周期性或口径性波动。该判断仍应结合指标定义、相关变量和缺失年份理解，避免把单一比例变化写成确定因果。
2000-2009	0.9x	0.9x	中国与世界的阶段变化幅度接近，说明该指标在这一阶段更多表现为共同的周期性或口径性波动。该判断仍应结合指标定义、相关变量和缺失年份理解，避免把单一比例变化写成确定因果。
2010-2019	0.9x	0.9x	中国与世界的阶段变化幅度接近，说明该指标在这一阶段更多表现为共同的周期性或口径性波动。该判断仍应结合指标定义、相关变量和缺失年份理解，避免把单一比例变化写成确定因果。
2020-2029	1.0x	1.0x	中国与世界的阶段变化幅度接近，说明该指标在这一阶段更多表现为共同的周期性或口径性波动。该判断仍应结合指标定义、相关变量和缺失年份理解，避免把单一比例变化写成确定因果。

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	82.1
3	Korea, Dem. People's Rep. 朝鲜	PRK	78.5
4	Madagascar 马达加斯加	MDG	72.4
5	Solomon Islands 所罗门群岛	SLB	70.8
6	Niger 尼日尔	NER	70.8
7	Tanzania 坦桑尼亚	TZA	70.7
8	Cambodia 柬埔寨	KHM	70.5
9	Australia 澳大利亚	AUS	70.2
10	Uganda 乌干达	UGA	69.8
11	Denmark 丹麦	DNK	69.1
12	Eritrea 厄立特里亚	ERI	68.5
13	Norway 挪威	NOR	66.1
14	New Zealand 新西兰	NZL	65.8
15	Switzerland 瑞士	CHE	65.6
16	Mozambique 莫桑比克	MOZ	65.0
17	Nigeria 尼日利亚	NGA	64.8
18	Canada 加拿大	CAN	63.1
19	Bolivia 玻利维亚	BOL	61.2
20	Central African Republic 中非共和国	CAF	60.7
21	St. Lucia 圣卢西亚	LCA	60.6
22	Qatar 卡塔尔	QAT	59.7
23	Bahamas, The 巴哈马	BHS	59.1
24	Austria 奥地利	AUT	57.2
25	Sweden 瑞典	SWE	56.9
26	Paraguay 巴拉圭	PRY	56.3
27	Malta 马耳他	MLT	56.0
28	Liberia 利比里亚	LBR	55.3
29	Peru 秘鲁	PER	55.2
30	Brazil 巴西	BRA	54.6
31	Germany 德国	DEU	54.6
32	Lao PDR 老挝	LAO	54.2
33	Angola 安哥拉	AGO	54.1
34	Ethiopia 埃塞俄比亚	ETH	53.8
35	Belize 伯利兹	BLZ	53.8
36	Ireland 爱尔兰	IRL	53.6
37	Finland 芬兰	FIN	53.3
38	Burundi 布隆迪	BDI	52.8
39	Mali 马里	MLI	52.7
40	Benin 贝宁	BEN	52.5
41	Nicaragua 尼加拉瓜	NIC	52.5
42	United Kingdom 英国	GBR	52.4
43	Burkina Faso 布基纳法索	BFA	51.8
44	Maldives 马尔代夫	MDV	51.7
45	St. Vincent and the Grenadines 圣文森特和格林纳丁斯	VCT	51.6
46	Guatemala 危地马拉	GTM	51.6
47	Japan 日本	JPN	51.2
48	United States 美国	USA	50.8
49	Honduras 洪都拉斯	HND	50.3
50	Guyana 圭亚那	GUY	49.4
51	China 中国	CHN	49.3
52	Rwanda 卢旺达	RWA	49.0
53	Israel 以色列	ISR	48.4
54	Bangladesh 孟加拉国	BGD	48.4
55	Barbados 巴巴多斯	BRB	48.3
56	Dominican Republic 多米尼加共和国	DOM	48.2
57	Zimbabwe 津巴布韦	ZWE	48.2
58	Turkiye 土耳其	TUR	47.3
59	United Arab Emirates 阿联酋	ARE	47.3
60	Uruguay 乌拉圭	URY	46.8
61	Malawi 马拉维	MWI	46.2
62	Myanmar 缅甸	MMR	46.2
63	Indonesia 印度尼西亚	IDN	46.0
64	Malaysia 马来西亚	MYS	45.5
65	Mexico 墨西哥	MEX	45.0
66	Panama 巴拿马	PAN	45.0
67	Guinea-Bissau 几内亚比绍	GNB	45.0
68	Kazakhstan 哈萨克斯坦	KAZ	44.8
69	Ecuador 厄瓜多尔	ECU	44.7
70	Estonia 爱沙尼亚	EST	43.8
71	Montenegro 黑山	MNE	43.7
72	Azerbaijan 阿塞拜疆	AZE	43.4
73	Congo, Rep. 刚果（布）	COG	43.3
74	Colombia 哥伦比亚	COL	43.2
75	Congo, Dem. Rep. 刚果（金）	COD	43.2
76	Pakistan 巴基斯坦	PAK	43.2
77	El Salvador 萨尔瓦多	SLV	42.7
78	France 法国	FRA	42.5
79	Bahrain 巴林	BHR	42.2
80	Botswana 博茨瓦纳	BWA	41.9
81	Viet Nam 越南	VNM	41.0
82	Cyprus 塞浦路斯	CYP	40.7
83	Oman 阿曼	OMN	40.6
84	Thailand 泰国	THA	39.6
85	Albania 阿尔巴尼亚	ALB	39.3
86	Belarus 白俄罗斯	BLR	39.1
87	Georgia 格鲁吉亚	GEO	39.0
88	Fiji 斐济	FJI	38.9
89	Cuba 古巴	CUB	38.8
90	Argentina 阿根廷	ARG	38.8
91	Costa Rica 哥斯达黎加	CRI	38.7
92	Armenia 亚美尼亚	ARM	38.4
93	Mauritius 毛里求斯	MUS	38.1
94	Afghanistan 阿富汗	AFG	37.8
95	Luxembourg 卢森堡	LUX	37.7
96	Timor-Leste 东帝汶	TLS	37.5
97	Chad 乍得	TCD	37.5
98	Jamaica 牙买加	JAM	37.5
99	Uzbekistan 乌兹别克斯坦	UZB	37.5
100	Vanuatu 瓦努阿图	VUT	37.0
101	Lithuania 立陶宛	LTU	36.9
102	Zambia 赞比亚	ZMB	36.9
103	Slovenia 斯洛文尼亚	SVN	36.7
104	Cote d'Ivoire 科特迪瓦	CIV	36.5
105	Kenya 肯尼亚	KEN	35.4
106	Suriname 苏里南	SUR	35.1
107	Brunei Darussalam 文莱	BRN	34.9
108	Portugal 葡萄牙	PRT	34.7
109	Moldova 摩尔多瓦	MDA	34.7
110	Lesotho 莱索托	LSO	34.6
111	Latvia 拉脱维亚	LVA	34.4
112	Cameroon 喀麦隆	CMR	34.2
113	Haiti 海地	HTI	33.9
114	Spain 西班牙	ESP	33.8
115	Singapore 新加坡	SGP	33.1
116	Serbia 塞尔维亚	SRB	32.1
117	Hungary 匈牙利	HUN	32.1
118	Poland 波兰	POL	32.0
119	Belgium 比利时	BEL	31.9
120	Philippines 菲律宾	PHL	31.7
121	Senegal 塞内加尔	SEN	31.6
122	Saudi Arabia 沙特阿拉伯	SAU	31.5
123	India 印度	IND	31.2
124	Sierra Leone 塞拉利昂	SLE	30.9
125	Ghana 加纳	GHA	30.9
126	Kyrgyz Republic 吉尔吉斯斯坦	KGZ	30.9
127	Bhutan 不丹	BTN	30.8
128	Croatia 克罗地亚	HRV	30.8
129	Gambia, The 冈比亚	GMB	30.7
130	Cabo Verde 佛得角	CPV	30.7
131	Venezuela, RB 委内瑞拉	VEN	30.6
132	Equatorial Guinea 赤道几内亚	GNQ	30.4
133	North Macedonia 北马其顿	MKD	30.1
134	Chile 智利	CHL	30.1
135	Namibia 纳米比亚	NAM	29.3
136	Russian Federation 俄罗斯	RUS	29.0
137	Mongolia 蒙古	MNG	28.4
138	Papua New Guinea 巴布亚新几内亚	PNG	28.2
139	Samoa 萨摩亚	WSM	28.2
140	Eswatini 斯威士兰	SWZ	27.6
141	Morocco 摩洛哥	MAR	27.3
142	Nepal 尼泊尔	NPL	27.3
143	Iraq 伊拉克	IRQ	27.0
144	Czechia 捷克	CZE	26.9
145	South Africa 南非	ZAF	26.8
146	Slovak Republic 斯洛伐克	SVK	26.8
147	Turkmenistan 土库曼斯坦	TKM	26.8
148	Bosnia and Herzegovina 波黑	BIH	26.0
149	Guinea 几内亚	GIN	25.9
150	Korea, Rep. 韩国	KOR	25.8
151	Kuwait 科威特	KWT	25.7
152	Tonga 汤加	TON	25.6
153	Jordan 约旦	JOR	25.2
154	Romania 罗马尼亚	ROU	25.2
155	Sri Lanka 斯里兰卡	LKA	24.8
156	Italy 意大利	ITA	24.6
157	Togo 多哥	TGO	24.5
158	Algeria 阿尔及利亚	DZA	24.5
159	Greece 希腊	GRC	23.8
160	Syrian Arab Republic 叙利亚	SYR	23.8
161	Tunisia 突尼斯	TUN	23.3
162	Yemen, Rep. 也门	YEM	23.2
163	Egypt, Arab Rep. 埃及	EGY	23.1
164	Comoros 科摩罗	COM	23.1
165	Iran, Islamic Rep. 伊朗	IRN	22.5
166	Sao Tome and Principe 圣多美和普林西比	STP	21.2
167	Mauritania 毛里塔尼亚	MRT	20.1
168	Bulgaria 保加利亚	BGR	19.5
169	Tajikistan 塔吉克斯坦	TJK	19.3
170	Gabon 加蓬	GAB	17.8
171	Libya 利比亚	LBY	16.7
172	Somalia, Fed. Rep. 索马里	SOM	15.8
173	Djibouti 吉布提	DJI	13.4

使用建议、常见误用与研究场景

数值较高通常意味着什么

更高的劳动力参与率意味着该年龄段有更高比例的人口在经济上处于活跃状态，可能反映就业机会充足、青年就业意愿较强，或教育普及率相对较低。

数值较低通常意味着什么

更低的劳动力参与率意味着更多15-24岁人口未参与经济活动，可能反映教育就学延迟、青年失业、提前退出劳动力市场，或产业结构对青年劳动力需求较弱。

鍙ｅ緞闄愬埗

不同国家劳动力调查方法、季节性调整和问卷设计存在差异，跨国直接比较可能产生误导
ILO模拟估算值与各国官方数据口径可能不一致，使用时需注意数据来源
15-24岁群体流动性高，就学、就业与失业状态频繁转换，短期数据波动可能反映调查时点差异
该指标不区分就业与失业，高参与率不一定意味着高就业率
总量数据无法揭示性别、城乡、地区或教育程度差异
部分国家数据缺失或年份不完整，长周期跨国比较需谨慎

使用建议

使用时优先参考同一数据源（ILO模拟估计）的多年连续数据观察趋势，避免单一年份数据下结论
结合失业率指标使用，以区分高参与率背后的就业质量和求职活跃度
结合高等教育入学率指标，判断低参与率是否主要因教育扩张而非就业困难
分性别对比男性和女性青年劳动力参与率，分析性别差异及其可能的社会经济含义
结合15-64岁劳动力参与率对照，判断青年群体变化是特殊现象还是整体趋势的一部分
关注ILO建模说明，理解估算方法对数据可比性的影响
使用时明确说明数据来源和口径，避免将ILO估算数据与各国官方调查数据混用

常见错误用法

错误做法：直接用劳动力参与率代替就业率来评估青年就业状况

正确做法：结合失业率（SL.UEM.TOTL.ZS）或使用就业人口比（SL.TLF.ACTI.1524.ZS结合就业人数）综合判断

劳动力参与率分子包含就业者和失业者，高参与率可能对应高失业率，不代表就业充分

错误做法：将劳动力参与率高等同于劳动力供给充足

正确做法：结合就业结构和产业需求分析，判断高参与率是反映就业机会充足还是教育不足导致的被动就业

农业经济或低端制造业主导结构下，青年高参与率可能意味着缺乏教育机会而非劳动力充裕

错误做法：认为中国青年劳动力参与率低是因为年轻人不愿工作

正确做法：综合考虑教育扩张、就业结构变化和政策影响，分阶段分析并结合其他变量验证

影响因素多元且交互作用，单一归因可能掩盖真实驱动机制

错误做法：混用ILO模拟估计与各国官方调查数据作趋势比较

正确做法：同一分析中尽量使用同一数据来源，或明确标注差异并说明口径调整方法

两者在定义、调查方法和估算模型上可能存在显著差异，直接混用可能扭曲趋势判断

错误做法：将长期下降趋势简单解读为负面现象

正确做法：结合教育入学率等变量判断，低参与率可能反映教育扩张等积极社会变化

教育普及会导致青年推迟进入劳动力市场，单纯负面解读可能产生政策误导

错误做法：用某一年的排名高低直接评判国家劳动力市场政策效果

正确做法：关注长期趋势和结构性变化，并结合就业质量指标综合评估

短期排名受样本量、数据质量和外部冲击影响大，不宜作为政策评估的唯一依据

实际应用场景

高等教育扩张对青年劳动力供给的影响研究：分析教育政策变化如何影响15-24岁青年劳动力参与率，探讨人力资本积累与劳动力市场参与的结构性关系被解释变量可控制GDP增长率、产业结构等变量，采用面板固定效应模型识别因果效应，注意控制教育政策时间节点的异质性
青年失业率偏高的结构性成因分析：解释部分经济体青年失业率持续高于平均水平的现象，探讨劳动力供需匹配和技能错配问题机制变量作为中介变量引入模型，检验参与率通过就业匹配影响失业率的路径，可结合分性别和分教育程度数据增强稳健性
劳动力市场灵活性的跨国比较研究：使用青年劳动力参与率作为劳动力市场弹性指标，进行发达与发展中经济体制度比较分析被解释变量或控制变量注意ILO建模口径差异对跨国可比性的影响，建议作为稳健性检验变量或与官方数据交叉验证
婚育行为与青年劳动力市场参与的关联研究：分析女性青年劳动力参与率对生育意愿和初婚年龄的影响，探讨人口结构变化的经济动因解释变量可纳入时间滞后项捕捉延迟效应，关注内生性问题并采用工具变量或自然实验设计