China Unemployment Rate
Unemployment Rate China Urban Surveyed NBS Youth 16-24 GDP Tech Crackdown Real Estate COVID Migrant Workers CEIC World Bank
| ตัวชี้วัด | จีน | สหรัฐ | ญี่ปุ่น | ไทย | โลก |
|---|---|---|---|---|---|
| Overall Unemployment | 5.0% | 3.6% | 2.6% | 1.0% | 5.5% |
| Youth Unemployment | 14-16% | 8.5% | 4.1% | 5.2% | 13.2% |
| Labor Force (ล้าน) | 780 | 164 | 69 | 39 | 3,500 |
| GDP Growth | 4.5-5% | 2.5% | 1.5% | 3.5% | 3.0% |
| Graduates/Year (ล้าน) | 11.6 | 4.0 | 0.6 | 0.5 | - |
Data Analysis
# === China Unemployment Data Analysis ===
# pip install wbgapi pandas plotly
# import wbgapi as wb
# import pandas as pd
# import plotly.express as px
#
# # World Bank Data
# df = wb.data.DataFrame(
# 'SL.UEM.TOTL.ZS',
# economy=['CHN', 'USA', 'JPN', 'THA', 'IND', 'KOR'],
# time=range(2000, 2024),
# labels=True
#)
# print(df)
#
# # Youth Unemployment
# df_youth = wb.data.DataFrame(
# 'SL.UEM.1524.ZS',
# economy=['CHN', 'USA', 'JPN', 'THA', 'IND'],
# time=range(2010, 2024)
#)
#
# # GDP Growth vs Unemployment
# gdp = wb.data.DataFrame('NY.GDP.MKTP.KD.ZG', economy='CHN', time=range(2000, 2024))
# unemp = wb.data.DataFrame('SL.UEM.TOTL.ZS', economy='CHN', time=range(2000, 2024))
from dataclasses import dataclass
@dataclass
class ChinaMetric:
year: int
urban_unemployment: float
youth_unemployment: str
gdp_growth: float
graduates_million: float
note: str
metrics = [
ChinaMetric(2019, 5.2, "12.0%", 6.0, 8.3, "Pre-COVID Baseline"),
ChinaMetric(2020, 5.6, "13.5%", 2.2, 8.7, "COVID Impact Peak Q1"),
ChinaMetric(2021, 5.1, "14.3%", 8.4, 9.1, "Recovery but Youth Rising"),
ChinaMetric(2022, 5.5, "17.6% (Peak Jun)", 3.0, 10.8, "Lockdowns + Tech Crackdown"),
ChinaMetric(2023, 5.2, "21.3% (Jun) → Suspended → New Method 14.9%", 5.2, 11.6, "NBS ปรับวิธีคำนวณ"),
ChinaMetric(2024, 5.0, "14-16% (New Method)", 4.8, 11.8, "Real Estate Crisis ต่อเนื่อง"),
]
print("=== China Unemployment Timeline ===")
for m in metrics:
print(f"\n [{m.year}] Urban: {m.urban_unemployment}% | Youth: {m.youth_unemployment}")
print(f" GDP: {m.gdp_growth}% | Graduates: {m.graduates_million}M")
print(f" Note: {m.note}")Cause Analysis
# === Structural Causes ===
@dataclass
class Cause:
factor: str
impact: str
affected_group: str
scale: str
trend: str
causes = [
Cause("Tech Crackdown (2021-2023)",
"Alibaba Tencent ByteDance ลดพนักงาน 10-30%",
"Tech Workers White-collar Youth",
"สูงมาก (หลายแสนตำแหน่ง)",
"เริ่มคลี่คลาย 2024 แต่ไม่กลับไปเท่าเดิม"),
Cause("Real Estate Crisis",
"Evergrande Country Garden ล้มละลาย ก่อสร้างหยุด",
"Construction Workers Steel Cement Related",
"สูงมาก (กระทบ 30% GDP เกี่ยวเนื่อง)",
"ยังไม่ฟื้น ราคาบ้านยังลด"),
Cause("Graduates Oversupply",
"11.6 ล้านคน/ปี จบ ตลาดรองรับไม่ทัน",
"Youth 16-24 Fresh Graduates",
"สูง (Structural Mismatch)",
"เพิ่มขึ้นทุกปี"),
Cause("COVID Zero Legacy",
"SME ปิดกิจการ Consumer Confidence ต่ำ",
"Service Sector SME Workers",
"ปานกลาง (กำลังฟื้น)",
"Consumer Confidence ฟื้นช้า"),
Cause("Education Crackdown",
"ห้ามกวดวิชาเอกชน ครูตกงานล้านคน",
"Education Workers Tutors",
"ปานกลาง",
"ปรับตัวไปทำอาชีพอื่น"),
Cause("Geopolitical Tension",
"US-China Trade War Chip Ban FDI ลด",
"Export Manufacturing Tech",
"ปานกลาง-สูง (ระยะยาว)",
"ยังตึงเครียด Decoupling ต่อเนื่อง"),
]
print("=== Cause Analysis ===")
for c in causes:
print(f"\n [{c.factor}]")
print(f" Impact: {c.impact}")
print(f" Who: {c.affected_group}")
print(f" Scale: {c.scale}")
print(f" Trend: {c.trend}")Dashboard
# === Visualization ===
# import plotly.graph_objects as go
# from plotly.subplots import make_subplots
#
# fig = make_subplots(rows=2, cols=2,
# subplot_titles=("Overall Unemployment", "Youth Unemployment",
# "GDP Growth vs Unemployment", "Country Comparison"))
#
# # Overall trend
# years = [2019, 2020, 2021, 2022, 2023, 2024]
# urban = [5.2, 5.6, 5.1, 5.5, 5.2, 5.0]
# fig.add_trace(go.Scatter(x=years, y=urban, name="Urban UE"), row=1, col=1)
#
# # Youth trend
# youth = [12.0, 13.5, 14.3, 17.6, 21.3, 15.0]
# fig.add_trace(go.Scatter(x=years, y=youth, name="Youth UE"), row=1, col=2)
#
# # GDP vs UE scatter
# gdp = [6.0, 2.2, 8.4, 3.0, 5.2, 4.8]
# fig.add_trace(go.Scatter(x=gdp, y=urban, mode='markers+text',
# text=years, name="GDP vs UE"), row=2, col=1)
@dataclass
class DashPanel:
panel: str
chart: str
insight: str
panels = [
DashPanel("Overall Trend",
"Line Chart 2015-2024",
"คงที่ 4.8-5.6% COVID Peak 2020 ฟื้น 2021"),
DashPanel("Youth Unemployment",
"Line Chart 2018-2024",
"พุ่งจาก 12% → 21% (2023) ก่อนปรับวิธีคำนวณ"),
DashPanel("GDP Correlation",
"Scatter Plot GDP vs UE",
"GDP ต่ำ = UE สูง แต่ Youth ไม่สัมพันธ์เท่า"),
DashPanel("Country Comparison",
"Grouped Bar Chart",
"จีน Youth สูงกว่า US JP TH แต่ต่ำกว่า India EU"),
DashPanel("Sector Impact",
"Stacked Bar by Sector",
"Tech Real Estate Education กระทบหนักสุด"),
]
print("=== Dashboard Panels ===")
for p in panels:
print(f" [{p.panel}] {p.chart}")
print(f" Insight: {p.insight}")เคล็ดลับ
- Multiple Sources: ดูข้อมูลจากหลาย Source NBS World Bank ILO CEIC
- Youth: ดู Youth Unemployment ร่วมด้วย สำคัญกว่า Overall
- Method: จีนเปลี่ยนวิธีคำนวณ 2023 เปรียบเทียบต้องระวัง
- Urban Only: ตัวเลขจีนเป็น Urban เท่านั้น ไม่รวม Rural
- GDP: ดู GDP Growth ร่วมด้วย หา Leading Indicator
การนำความรู้ไปประยุกต์ใช้งานจริง
แหล่งเรียนรู้ที่แนะนำ ได้แก่ Official Documentation ที่อัพเดทล่าสุดเสมอ Online Course จาก Coursera Udemy edX ช่อง YouTube คุณภาพทั้งไทยและอังกฤษ และ Community อย่าง Discord Reddit Stack Overflow ที่ช่วยแลกเปลี่ยนประสบการณ์กับนักพัฒนาทั่วโลก
อัตราว่างงานจีนเป็นอย่างไร
Urban Surveyed 5.0% NBS Youth 14-16% วิธีใหม่ 780M Labor Force จริงอาจสูงกว่า Migrant Discouraged Underemployment ไม่นับ
Youth Unemployment สูงเพราะอะไร
Graduates 11M/ปี Tech Crackdown Real Estate COVID Education Crackdown Skill Mismatch Lying Flat Gig Economy Geopolitical
เปรียบเทียบกับประเทศอื่นอย่างไร
จีน 5% Youth 14-16% US 3.6% 8.5% JP 2.6% 4.1% TH 1.0% 5.2% India 7.5% 23% EU 6.0% 14.5% World 5.5% 13.2%
วิเคราะห์ข้อมูลอย่างไร
NBS stats.gov.cn World Bank wbgapi ILO CEIC Python Pandas Plotly Trend Correlation GDP PMI Export Dashboard Multiple Sources
สรุป
Unemployment Rate China Urban 5% Youth 14-16% Tech Crackdown Real Estate Graduates GDP NBS World Bank Analysis Dashboard
