方法学说明:本期 Round 1 拆 8 条调研线(官方预测的自我体检 / 美国应届生实测 / AI 暴露度三方对垒 / 中国官方统计 / 中国商业调查与就业质量 / 专业效应 vs 院校效应 / 执照护城河的正反 / 供给过剩机制与历史前科),产出 169 条原始论断。Round 2 把承重论断分 60 组,每组 3 票独立核验、refute-by-default,共 180 票:前半 108 票判决 17 HOLDS / 86 CORRECTED / 5 REFUTED,后半 72 票判决 4 HOLDS / 66 CORRECTED / 2 REFUTED;合并后按"三席不一致时取最严格者"收敛为 3 组 HOLDS、53 组修正、4 组推翻。Round 3 对 12 项单源承重实证各设反证搜索席与有否决权的方法学审计席,共 24 席,判决为 9 VETO / 9 RESTRICT_USE / 3 UPGRADE_MULTISOURCE / 2 CONTRADICTED——12 项送审中 10 项的核心数字被撤下或降级。关键撤稿有四处:①原定的全篇方法学脊柱被双席整体撤下(一篇 2005 年外部评估的 MAPE 数字与同周期、同 338 个职业、同定义的 BLS 自评硬冲突,且用后者公布的完整误差分布反算,算术上不可能达到),改用 BLS 官方评估序列;②斯坦福"金丝雀"研究的全部口径数字禁用,不得作为"AI 正在压缩入门级岗位"的实证支点;③微软 AI 适用度评分不得作定量支点,全部两位小数不得进入正文比较句;④中国侧原定的核心可检验信号(教育部批次中人工智能专业新增校数的一阶导反转)被一手数据推翻并否决,替代信号另列。证据分级词表:【多源证实】≥2 独立来源同向;【单源已核】一手可回溯;【方向存争】独立来源矛盾;【厂商口径】利益相关方自述,方向可参考、程度不承重;【商业调查】营利机构自有样本,须标利益;【未验证】溯源失败。全部证据截至 2026 年 7 月。
必须披露的运行异常:Round 3 后半工作流在 11/12 席挂起,由主流程停止并从运行日志抢救已完成的判决,缺失的一席单独补跑(补跑席取得了此前未取得的一手件,结论与前 11 席无冲突)。另有三类工具伪影已查明:某教育部域名的"访问被封锁"实为抓取工具协议升级导致的重定向死循环,该站从未真正封锁;网页抓取工具的摘要模型对一篇 arXiv 论文编造了四条不存在的原文,故本项目所有 PDF 逐字引语均已改以本地抽取原文复核;同一摘要器还把一份 2010 年的三列表格读串,产生了一份假名单,已经六源交叉证伪。另有两处一手件确认不可取得(中国教育部 2019 年度专业备案附件为无文字层的扫描影印件;某商业调查机构 2010/2011/2025/2026 年原书在付费墙后)。
本文有三条不可偏离的自设约束:中美只比方向与结构、不并列数字,每处跨国比较都带构念差异说明;落点是专业清单加证据分级,不是排名;不做十年预测,只压在已发生的结构性变化与你自己能观察的检验信号上。本文读者是 17–18 岁正在选专业的人和他们的家长——一个带小数点的精确数字会被当作事实带进人生决策,所以宁可让文章少一张表,不可让它多一个假精度。
这篇文章不给专业排名,也不告诉你"未来十年什么最吃香"。原因不是谦虚,是本期最硬的一条证据直接堵死了这条路:官方十年职业预测在粗分层面确实含有真实信息,在细分职业层面几乎只比"假设什么都不变"好一点点——而选专业恰恰发生在细分层面。
所以本文做的是另一件事:把流行叙事里最常被搬进志愿指导的那几个数字逐个拆开口径,把已经发生的结构性变化和只是被预测的东西严格分开,最后给你一份按判据分栏、每格挂着证据分级的清单,以及十条你自己就能验的主张。
美国劳工统计局(BLS)每两年发布一次未来十年的分职业就业预测,它是全世界这类预测里唯一定期给自己打分的一家。这些评估页由 BLS 自己发布、方法公开、带朴素基准,而且如实公布自己输给朴素模型的项目——这是典型的"对己不利"证据,可信度因此更高。
【多源证实】按 BLS 自己公布的评估:2012–2022 那一轮,在细分职业上 BLS 的误差合计 17.1,"各职业就业份额维持不变"这个不做任何预测的朴素模型是 17.8;748 个细分职业里 BLS 只在 432 个(58%)上赢了这个朴素模型。2006–2016 那一轮,BLS 能正确判断"某职业是增是减"的比例是 78%,但能正确判断"某职业是否会比经济整体涨得快"的比例只有 57%——二选一的题,基线是 50%。
【单源已核】更早的一次(1988→2000)方向相同:9 个大类上 BLS 的平均绝对百分误差 5.86%(加权 5.29%),两个朴素模型是 13.8% 和 11.8%,BLS 明显更好;但在 338 个细分职业上,预测增速与实际增速的秩相关只有 0.43(n=338,据 Fisher z 换算的 95% 区间约 0.34–0.51,因职业间误差相关,真实区间更宽)。
五分位转移表是这条证据最好的翻译:被 BLS 排进"增长最快五分之一"的 67 个职业里,48%(约 32 个)确实落在实际最快的五分之一——随机命中率是 20%;但仍有 19%(约 13 个)掉进了实际最慢的五分之二。
所以正确的读法不是"BLS 榜单是瞎猜"——它明显好过瞎猜;而是"它给的是一个约 2.4 倍于随机的粗信号,不是一份可以照着选专业的名单"。一个被列进最快榜单的职业,十年后落到底部的概率大约五分之一。
第一,上述评估里,预测总量增速本身就常错(2006–16 预测 10.4% / 实际 3.6%;2012–22 预测 10.8% / 实际 13.2%),因为 BLS 预测按充分就业假设编制、不预测衰退。职业层面的百分比误差有相当一部分来自总量错,而非"分不清哪个职业会涨"。
第二,朴素模型是极低的对照杠——"各职业就业份额保持不变"。"BLS 赢了朴素模型"只能推出"预测含有真实信息、不是废纸",推不出"准到可以据此选专业"。同时必须点明:BLS 自己写着「there are no comparable projections which are not in some way derived from BLS projections」——世上不存在与它可比的独立职业预测,所以它从未被真正的对手检验过。
第三,中间改过方法(2016–26 版起替换替补需求算法、SOC 分类 2010→2018 重分类、2019 起改用模型化估计),所以 1988–2000 的误差量级对最新一版只能作先验预期,不能作已验证事实。
第四,两处评估缺口必须一起写:2010–20 那一轮从未被评估(BLS 官方理由是 COVID 对 2020 年数据的冲击,不是分类改版);而 2014–24 这一轮,BLS 连劳动力预测与宏观预测的评估都没做——意味着"劳动力预测锚定就业"这一环最近一轮根本没有被官方检验过。
【多源证实】方向准确率的三个数字分母不同,不可并列:86% 是 2014–24 轮、22 个大类职业组;77% 是 2012–22 轮、同为 22 个大类职业组;69% 是 2014–24 轮、16 个大类产业部门——前两个可比,第三个不可比。增速低估是双轮一致的:2014–24 职业平均增速预测 6.5% 对实际 12.9%;2012–22 预测 10.8% 对实际 13.2%。
【多源证实】三条自陈限定,逐字可承重:
关于不确定性,准确表述是:现行十年期预测只发布单一情景的点估计,不附统计意义上的置信区间;但 BLS 有发布情景区间的先例(2021 年为 2019–29 单独发布过两套疫情情景;1980–90 年代发布过高/中/低三档),自 1990 年代末起常规十年预测不再发布替代方案。
【单源已核】同一份 BLS 内部研究里最该被写出的一格是数码相机:BLS 曾主观调低对摄影处理相关岗位的预测(2004–14 预计 −23.6%),而实际由 2004 年峰值 86,300 降至 2014 年 28,800(−66.6%),2023 年只剩 9,200。即便在技术路径清晰、已在数据中显现的最有利情形下,BLS 仍把降幅低估了约 3 倍。
【多源未获,穷尽搜索的负结果】加拿大 COPS、欧盟 Cedefop、英国 Working Futures 三家都在发十年细分职业预测,三家都查不到任何公开的事后误差量化——加拿大就业与社会发展部甚至在官网写明 COPS「is not a forecasting system but rather a method providing signals」。全球范围内,长期职业预测这一行几乎不对自己的准确度做公开问责;BLS 反而是少数肯做的。(反证搜索席逐条记录了 16 个搜索角度含全部未命中者;唯一找到的非美国同类事后评估是荷兰的一份自评,按教育类型切分,与细分职业不可比,判为"线索非证据"。)
【单源已核】2025 年一项完全独立的研究(美国海军研究生院工作论文,用 1946–1996 年《职业展望手册》的文字判断)发现,最被看好的三分之一职业在此后三十年比最不被看好的三分之一多涨约 50 个百分点。所以本文不能写成"官方的职业判断没有信号";只能写成"它相对于'看过去十年趋势'的增量几乎为零(R² 0.148 对 0.139),而精确排名不可信"。
这一节是全篇的方法学脊柱。它给出的不是"别信官方",而是一条聚合层级梯度:越粗越可信,越细越不可信,而你要做的决定在最细那一端。
这是全篇最硬的一节。三席各自在全部 832 条明细职业上独立复算,残差全部 ≤0.1,零例外;下面的恒等式不是相关,是定义。这也是本篇唯一一条你能在一个下午亲手验完的证据。
【多源证实】据 BLS《Employment Projections》2024–34 版本的 Table 1.10,列表头逐字为「Occupational openings, 2024–34 annual average」——这是十年期的年均流量,不是任一时点的存量,也不是十年累计量。
全职业合计逐格:2024 年就业 169,956.1 千;2034 年 175,167.9 千;十年净变化 +5,211.8 千(+3.1%);年均退出劳动力 8,155.0 千;年均职业间转移 10,187.1 千;年均分离合计 18,342.1 千;年均 openings 18,863.3 千。
构成恒等式:openings = 年均分离 + 十年净变化 ÷ 10。复算 18,342.1 + 521.18 = 18,863.28。故分离贡献 97.2%,净增长只贡献 2.8%。
还有一条定义必须知道:「This estimate of openings does not count workers who change jobs but remain in the same occupation.」——同职业换雇主根本不计入。而 BLS 自己写明它与招聘网站上的"空缺数"是两个构念:「The JOLTS job openings metric is a stock measure… In contrast, occupational openings are projections of the number of positions that are created and filled on an annual basis… There is therefore no way to create an annual average metric of job openings from JOLTS that could be compared…」不可互换、不可相除、不可同图并置。
【多源证实】18,342.1 千分离里,职业间转移 10,187.1 千(占分离 55.5%),退出劳动力只有 8,155.0 千(占分离 44.5%)。也就是说,所谓"缺口"的多数不是退休腾位,是在职者转去了别的职业。BLS 同一份问答里另写着:「For declining occupations, not all workers who separate need to be replaced」,并自述该指标的使用限度只到"给出预期缺口的量级感,尤其是相对于其他职业而言"。
【多源证实,本文自算】按 832 条明细职业(不含汇总行)的年均 openings 降序,前 15 名里 13 个的中位年薪低于全职业中位数($49,500,2024 年 5 月口径,仅覆盖非农工资薪金雇员、不含自雇——此口径与 openings 的全岗位口径略有错配),高于的只有综合与运营经理($102,950)与重型卡车司机($57,440);前 15 名里有 6 个十年净就业是萎缩的(零售销售、收银员、餐厅服务员、客服代表、普通办公文员、秘书与行政助理)。
这里有一条极好用的判据:分离量占 openings 的比 > 100%,严格等价于该职业十年净就业萎缩(三席在 832 行上验过)。但注意它只在现行方法下成立——2014–24 及更早的旧方法对衰退职业把增长项截断为零,跨版本使用这条判据是错的。
BLS 自己承认过类似的事,但射程要写准:它的原话是「Each of the occupations in chart 1, like most at this education level, had wages below the median for all occupations.」——chart 1 是"无正规学历要求"这一档内 openings 最多的前 10 个职业,不是全经济前 15 榜;同一篇文章对更高学历档给出了相反结论。
【多源证实】2014–24 版的表头逐字是「Job openings due to growth and replacements, 2014-24」——没有 annual average,是十年合计,合计 46,506.9 千。2016–26 版的表头是「Occupational openings, 2016-26 annual average」,数值 18,981.5 千。年化后 46,506.9 ÷ 10 = 4,650.69 千/年,18,981.5 ÷ 4,650.69 = 4.08 倍。如果直接并列 46,506.9 与 18,981.5,你会读成"腰斩 59%"——这正是本条要拆穿的错觉。
BLS 对自己的旧方法下过判决:「BLS used a cohort-component method… This method is no longer in use because BLS identified statistical and conceptual issues with the implementation of this method that compromised the accuracy and validity of the resulting estimates.」另有一句更硬:「Published estimates from the 2014–24 projections and prior years should not be compared with the 2016–26 projections…」
归因必须收紧:换成占就业比口径,旧法 3.09%/年、新法 12.16%/年,可归因于方法变更的跳升约 3.9 倍,把 4.08 倍全部算在方法头上约高估 4%(余下来自两版基期就业基数差异)。【多源未获】三席各自检索,未检索到任何针对新方法的公开学术质疑或独立量化评估——写作时表述为"未检索到",不表述为"不存在"。
利益相关:BLS 既是方法变更的执行者,也是唯一对该变更作出判决的一方;其"旧法有统计与概念缺陷"的自陈同时也是停用旧法的自我辩护。
【多源证实】把 832 条明细行按"入行通常所需学历"分组加总(三席各自独立重算,八档数字逐个一致):年均 openings 占比为高中 35.81% / 无正规学历要求 33.34% / 学士 17.67% / 中专类非学位 6.16% / 大学肄业 2.33% / 副学士 1.76% / 硕士 1.68% / 博士或专业学位 1.25%。
三个学位档合计只占年均 openings 的 20.6%,却占 2024 年就业的 29.9%、占十年净增的 58.0%。"大学肄业"是八档中唯一净减少的一档(−157.0 千,−3.0%)。
机制是分离率,不是岗位数:年均分离率呈单调梯度,博士 4.67% < 硕士 7.25% < 学士 7.29% < 副学士 9.10% < 中专类 10.52% < 肄业 10.83% < 高中 10.96% < 无学历要求 15.47%,退出率与转移率两个分量同向。即:学位档的 openings 相对少,源于低分离率,不是源于岗位少。
这是双刃的,两面都要说:一面是学位类岗位更稳定;另一面是它们相对于存量每年可进入的口子更窄——对已经在里面的人是好消息,对正要进去的应届生不一定是。
一条字段限定:"入行通常所需学历"是 BLS 分析师指派给每个细类职业的属性,不是在岗者的实际学历分布,也不是岗位的招聘门槛。
【多源证实】合并组「软件开发者、质量保证分析师与测试员」:2024 中位年薪 $131,450;2024 就业 1,895,500;2024–34 +15%、+287,900;年均 openings 约 129,200。软件开发者单列则是「15.8 percent」「267,700 new jobs」,单列中位年薪 $133,080(质量保证与测试员单列 $102,610)。合并组增速略低于开发者单列,正因为最易被自动化的测试部分增长更慢——这对下一节的主题是实质性论据。
对照:计算机程序员 2024 就业 121,200,2024–34 −6%,年均 openings 约 5,500,BLS 逐字写着「All of those openings are expected to result from the need to replace workers who transfer to other occupations or exit the labor force」。
但"程序员岗位少了六成 = 编程工作正在消失"是错的推论——在很大程度上这是贴标签的迁移,同一张表的软件开发者行自己就在反驳它。同理,"数据科学家 2024 年 24.59 万人"不能读成增长:2018 版分类才为它单列代码,此前这些人被归入"数学科学职业,其他"。准确的说法是:官方分类体系对新兴职称的识别可能滞后近十年,不是"BLS 没预见到数据科学"。
BLS 关于 AI 的两句话在同一份文件里并存,不得单引任一句:利好句「The growing adoption of AI technologies… is another factor that will fuel strong job growth among computer and mathematical occupations.」;利空句「…and resulting productivity gains are expected to dampen labor demand in a variety of fields, such as sales, design, and administrative support.」并且必须标注性质:这是十年期建模基线(2024 基年),不是实测就业,不带误差区间;该轮发布时大多数智能体编程工具的采用数据尚不存在。
"计算机专业已经饱和"是近三年传播最广的叙事之一。逐格对账的结果是:数字大体属实,但每一个都比转述的更弱、更抖、更依赖口径。
【多源证实】纽约联储《应届大学毕业生的劳动力市场》「Outcomes by Major」(2026-02-04 发布,数据年为 2024 年美国社区调查 ACS)含 73 个专业。失业率与低就业率的口径是 22–27 岁、持学士及以上学位(含硕博);中位工资的口径是仅持学士学位的全职工作者——两套人群,不可混挂。全部数字排除在校生。
几个关键格值(失业率 / 低就业率 / 早期中位薪 / 中期中位薪):计算机工程 7.783 / 15.835 / $90,000 / $131,000;计算机科学 6.992 / 19.127 / $87,000 / $120,000;护理 2.147 / 12.781 / $70,000 / $87,000;小学教育 1.18 / 16.213 / $45,000 / $55,000;生物 4.292 / 51.13 / $45,000 / $83,000;心理 4.985 / 48.291 / $45,000 / $72,000;美术 7.655 / 58.87 / $45,000 / $72,000;经济 3.524 / 33.094 / $72,000 / $115,000;金融 2.758 / 27.758 / $70,000 / $112,000;全体 4.211 / 39.35 / $58,000 / $87,000。
排名上:计算机科学的失业率在 73 个专业里是倒数第 4 高,低就业率第 9 低,早期中位薪第 2 高。护理的低就业率 12.781 是全表最低(第二名航空航天工程 14.7%),但它的失业率 2.1% 只排第 10,并不突出——"护理很确定"这句话只能挂在低就业率上,挂在失业率上会被数据打脸。教育类包揽失业率最低三名(特殊教育 0.7%、其他教育类 1.1%、小学教育 1.2%)。护理的中期中位薪在 73 个专业里排第 32,早期到中期涨幅护理 +24%、全体 +50%、计算机科学 +38%、小学教育 +22%。
两条读表纪律:低就业率的分母是"在业"毕业生,失业者不在分母内;工资是当年名义美元,不可跨版本直接相减。另须标注:该页 2025-10-31 挂出过「Due to the suspension of necessary data, The Labor Market for Recent College Graduates has not been updated as scheduled.」,现行失业率注释写明"October 2025 results are estimated due to missing data"。
【多源证实,三席各自用网页存档的原始快照取回四版 CSV,20 个格值全部一致】按发布日/数据年排开:2023-02-10 / 2021 年数据,CS 4.8 / 19.1 / $73,000;2024-02-22 / 2022 年,4.267 / 16.654 / $78,000;2025-02-20 / 2023 年,6.056 / 16.456 / $80,000;2026-02-04 / 2024 年,6.992 / 19.127 / $87,000。四版的人群定义逐字一致,时序可比性成立。
三件事必须一起说:
可承重的合并表述:若统一用 2022→2024 窗口,CS 的失业率与低就业率同向恶化,唯一逆向的是名义起薪,而名义起薪的涨幅还低于全体毕业生。
【单源已核,且来源有明确政策倡导利益】唯一给这张表做区间估计的是华盛顿的经济创新集团(EIG)。其研究员逐字写道:「In most cases, the confidence intervals around these estimates of recent grad unemployment are so large that it makes no sense to use them to make firm conclusions about the returns to particular majors, let alone use them to make policy decisions.」——删去句首"In most cases"会把作者的"多数情况下"升格为全称判断,恰恰犯了作者批评的毛病。三组区间逐字:计算机工程「somewhere between four percent and 11 percent」;物理「somewhere between two percent and 12 percent」;公共政策「from zero percent to 13 percent」。
利益相关必须随数字披露:EIG 是政策倡导型机构而非中立统计机构,2015 年由科技投资人出资创办,长期主张扩大高技能移民;该文开篇即把争议框定为涉及"STEM 教育的未来、AI 对劳动力市场的影响、乃至高技能移民"。"CS 就业市场没有崩塌"这一结论方向与其资助方与政策立场同向。这不否定其统计工作(区间复算方法正当,有公开代码仓库),但引用时必须披露。
【多源证实】跨版本波动本身也可以复算:2023 年数据到 2024 年数据,73 个专业同名可配对,失业率变化的中位绝对值是 1.2520pp,变化超过 2pp 的恰有 20 个专业。极端案例:幼儿教育 1.298→6.593、营养科学 0.441→4.536、艺术史 3.047→6.688、外语 4.040→1.579(方向相反)。对照之下 CS 只动了 +0.936pp、计算机工程 +0.245pp。
所以"CS/CE 高失业率稳定复现"必须降级:CS/CE 的当前高位只由两次连续读数支撑;而计算机工程这个高位本身诞生于一次单年跳变(2022 年数据 2.311% → 2023 年数据 7.538%);EIG 给它的 95% 区间是 4%–11%,7.538 与 7.783 同处一个区间内,"复现"在统计上不提供额外信息。表述上限只能到:CS/CE 连续两年读数偏高,但在样本噪声量级下尚不足以称为稳定趋势。
这里要防一个双标:如果你用噪声去解释艺术史一年翻车,就必须用同一把尺子去看 CS/CE 的两年高位。
【有界枚举,不写无界否定】纽约联储在该表的公开发布渠道中均未提供样本量、标准误或置信区间——四份数据 CSV 无相关列、交互页说明与问答全文检索零命中、可下载的历史表格无样本量字样;问答指定的两篇方法论文献亦未公布该网页表的专业级样本量。更硬的一条正面证据是:纽约联储自己的方法论原文做分专业分析时用的是 13 个宽口径专业 + 三年合并 ACS,而网页版扩到 73 个细分专业 + 单年 ACS,这一扩展从未配套发布过任何样本量或方法论说明。
【多源证实】2025 年那篇引爆讨论的商业媒体报道(首发 2025-05-16、更新 2025-06-05,两个标题),文末带一句更正声明,逐字:「Correction: This story has been updated to correct the data in a chart.」——即首发版图表数据是错的、事后被订正;而病毒式传播传的恰恰主要是那张图。
口径事故的准确描述也要写准:该报道明确写了分专业数据的来源与年份;未标注口径的是同版面那句 5.8%——它来自另一套月度调查、经季节调整加三月移动平均、参照期为单月、全专业合计。事故在于"两套调查并排而只有一套被标注",不在于"未标年份"。两套口径确实不可并排:同为 2023 日历年,月度调查口径的应届生失业率 12 个月均值是 4.377%,而同年 ACS 的全体只有 3.640%,相差 0.74pp。
【多源证实】而且那句话的两个数字如今都不再成立:报道当时是 5.802 / 4.600,2025-08 存档为 5.710 / 4.542,现行版(2026-07-24)为 5.672 / 4.521——这组序列会被回溯修订。准确说法是这篇报道"落后一个发布周期/一个数据年",不是"已过期两年"。
【单源已核】乔治城大学教育与劳动力中心 2025 年 10 月的报告写着「unemployment among recent graduates with a bachelor's degree in computer science is 7.2 percent, up from a low of 5.3 percent in 2014」——两个窗口分别是三年合并数据,不得当作单年;它的"应届毕业生"是 22–26 岁,与纽约联储的 22–27 岁不可混用。它的另一个数字「计算机、统计与数学类应届失业率 6.8%」是 16 个宽口径领域之一(计算机工程已含在内),"STEM 内最高"成立但必须带"STEM 内"限定——全部 16 个领域中最高的是艺术 8.9%、最低是教育 2.8%。
关键定性:这份报告与纽约联储用的是同一套底层微观数据,只是不同年龄窗、不同池化策略的切法差异,不构成独立测量。只能写成"同一数据源的不同切法给出同向结果,降低了单年抽样噪声的可能性",不得写成"两个独立机构互证"。而且同一机构两份出版物对同一统计量给出了互相矛盾的起点值(正文 5.3%、博客 4.3%),更稳妥的写法是只用 7.2% 的水平值,不用涨幅。
利益相关:该中心立场明确亲学位,本报告的资助方均以提高学位获得率为纲领,报告头条结论与机构及资助方利益同向。
它的供给侧数字倒是干净:计算机、统计与数学类的学士学位授予由 2009 年 53,499 增至 2023 年 138,755(+159%),为 16 个领域中最快。但该系列用的是它自建的专业分类,口径宽于教育部门的标准分类,与第 5 节的长序列不可互换、不可拼接。
这是全篇最需要克制的一节,也是全篇最弱的实证区。先把结论放在前面:近三年美国部分白领入门岗位的招聘确实明显转冷,多方数据都看得到;但"是不是 AI 干的""跌了多少""会不会持续到你毕业"这三个问题,目前没有任何一项研究能给出可靠答案,任何给出具体百分比的说法都超出了证据能支撑的范围。
【多源证实(构念层)】几乎所有关于"AI 会不会抢你饭碗"的讨论,都在混用三种完全不同的东西:
一是理论暴露度。代表作是 OpenAI 团队的《GPTs are GPTs》,它测的是"理论上、在同等质量下,直接用大模型能把耗时砍一半的任务,加上半权重的'再造一层软件后才可能砍一半'的任务"。作者自己在摘要里写着:「We do not make predictions about the development or adoption timeline of such LLMs.」正文另写「technical feasibility does not guarantee labor productivity or automation outcomes」。数字定版用期刊版的 1.8% / 46%(职业口径);工作论文正文对应的是 3% / 49%(劳动者口径),经期刊版下修。期刊版是三页的政策论坛短文,方法学细节一概不在其中——凡引用它的方法学细节者,实际引的都是预印本。其标注质量本身是可承重的缺陷:人机一致率 65.6%–82.1%,模型把 86 个职业标为完全暴露而人工只标 15 个(5.7 倍),人机的前五名单在两个口径上完全零重叠;但作者的抗辩也必须并列:「Still, we observe a high degree of agreement between human ratings and GPT-4 ratings at the occupation level…」。标注者是公司内部人员与其对齐外包标注员,无一人是对应职业的从业者。四位作者中三位署 OpenAI,第四位在沃顿商学院、与 OpenAI 无隶属。
二是厂商使用日志。观测单位是对话不是人;某家的首期数据只含消费级订阅,排除企业客户。发布方自陈:「we don't argue that the uses in our dataset are a representative sample of AI use in general」「We can't know for certain whether someone using Claude for a task was completing a task for work」。
三是就业实测。人口调查、薪酬记录、行政数据、招聘广告——各有各的盲区,见下文。
【多源证实】还有一个引用链问题必须点破:很多看起来"互相印证"的研究,共享的是同一套自变量(同一份机器打分的暴露度),不是数据也不是结论。它们能互相印证的只是"按这套暴露度分组后就业出现分化",不能互相印证"这套暴露度衡量的确实是 AI 影响"。链条上最硬的一条是:两篇下游研究采用的正是原作者论文里明写「In this analysis, we present results from human annotators as our primary results.」——它们用的是原作者自己不当作主结果的那一套机器标注。
利益相关的方向在这里是反直觉的,值得单独写出来:高暴露度那一端是三位 OpenAI 作者;"自动化用量上升"那一端是某厂商用自家日志加自家分类器;而"AI 没在杀入门级岗位"这一侧最系统的那份反驳,由 Google 首席经济学家与其团队的 AI 与经济负责人撰写,致谢名单里有 Alphabet 总裁兼首席投资官、Alphabet 总法律顾问与 Google 高级副总裁。→ "厂商 = 夸大 AI 影响"这条启发式不成立;最深的厂商指纹恰在"AI 没在杀入门级岗位"这一侧。
不是专家在打架,是两台不同倍率的显微镜对着不同的东西。
【单源已核,描述性监测,无推断统计】低倍镜(耶鲁预算实验室用月度人口调查看全经济职业构成)问的是:美国人从事的职业种类,整体分布有没有被重排?答案是到目前为止没有,变化速度仍在历史技术冲击的区间内。他们每月算一次"职业结构相异性指数",把 2022 年 11 月以来的结构变动,和 1984 年一月的电脑、1996 年一月的互联网放在同一把尺子上比。两条常驻结论逐字属实:「While the occupational mix is changing more quickly than it has in the past, it is not a large difference and predates the widespread introduction of AI in the workforce.」与「Currently, measures of exposure, automation, and augmentation show no sign of being related to changes in employment or unemployment.」正文自限「our analysis is not predictive of the future.」纽约联储用完全不同的数据(招聘广告)独立得出了同一句话——高暴露职业的空缺下滑,起点在 ChatGPT 之前。
但这台镜子的分辨率决定了它看不见一个职业内部"老人还在、新人进不来"的变化——只要职业份额没变,它就是平的。这不是外人的挑刺,是它自己承认的:2026-05-07 的一份分析里写明该调查「somewhat underpowered for subgroup analysis, like the 22–27 year old recent college graduates」,且实测 22–27 岁样本时"符合每季 50 观测门槛的职业太少"。(引用这套监测必须锁版本号与日期,它是滚动更新出版物。)
【单源已核,未过同行评审】高倍镜(丹麦的企业级双重差分)问的是:同一时间、同一国家,推行了 AI 的公司和没推行的公司,员工的收入和工时有没有分岔?答案是没有,而且这个"没有"测得很准——合并设定排除大于 2% 的效应,动态设定排除大于 3%。但这台镜子按构造只能看公司之间的差——如果整个行业同步减少入门招聘,它会显示为零。作者自己承认「difference-in-differences cannot capture sector-wide general equilibrium effects」。
两台镜子都没看到东西,不等于没有东西。它们各自有一块共同的盲区:低倍镜看不见职业内部的入门流量,高倍镜看不见全行业一致的变化。而入门级机会的萎缩恰好落在这块共同盲区里。
【单源已核,官方机构】落在这块盲区里的,是美国人口普查局研究人员用失业保险行政记录做的测量:把年龄切开后,ChatGPT 发布后高暴露的行业×州单元里 22–24 岁的新雇佣立刻掉了约 9%,十个季度累积成约 12% 的就业下降,且几乎全部来自"不招了"而非"裁了"。
【单源已核,未过同行评审】而丹麦的证据说明这道缝里发生的事未必是 AI 干的:研究者手上有 25,000 名劳动者、7,000 家职场的两轮调查,链接到全国行政记录,能按"这家公司到底有没有真的上 AI"把趋势劈开。结果是:丹麦高暴露职业的初级岗位确实在减少,但减少的不是采纳了 AI 的那些公司。他们算过上限:AI 采纳最多只能解释总降幅 0.6 个百分点里的 0.14 个百分点,约四分之一。剩下四分之三,他们猜是宏观环境或者"先冻结招聘再说"的预防性收缩。
所以正确说法是"AI 至多解释了其中一小部分",不是"AI 对入门级零效应"。任何把这份研究转述为后者的,属误引。
丹麦研究的其他限定必须一并写明:处理变量是工人自报的"雇主是否鼓励使用",不是采用强度;2024 轮邀请 115,000 人回收约 25,000 份(约 22%),存在自选择,作者已重加权;两轮各约 25,000 人是独立横截面,不是同一批人追踪两年;"节省 3% 工时"是使用者自报,不是实测生产率。
北欧同质性警告:证实丹麦结论的三个国家(丹麦、芬兰、挪威)全在北欧,共享强工会、高解雇成本、集中工资谈判——芬兰研究者自己就把差异归因于"北欧劳动力市场模式和强就业保护"。而报告初级岗位下滑的英国、瑞典、美国里,美国的解雇成本接近于零。制度差异和数据差异完全重合,没人能把两者分开。所以丹麦的"零"不能直接搬到美国,更不能搬到中国。它证明的是"AI 采纳本身不必然砍掉初级岗位",不是"初级岗位不会被砍"。上述三份研究全部未经同行评审。
【厂商/专有数据 + 单源 + 未过审;Round 3 双席 VETO】传播最广的那份"AI 正在压缩年轻人就业"的量化研究,在本期被双席否决,其全部口径数字不得进入正文。可保留的弱结论只到这一步,且必须带全部限定:
在一份覆盖数百万美国薪酬记录的私营面板(客户企业构成不代表全美经济)中,2022 年底以来,被一套由大语言模型打分的"AI 暴露度"排在最高档的职业里,22–25 岁在职者的人数相对同企业低暴露职业出现了下滑,而 30 岁以上各年龄段没有出现同样的下滑。这是一个描述性事实,不是因果结论。同一批作者已公开承认:在加入最完整的宏观控制后,这一下滑只在 2024 年之后才显著;而在把样本回溯到 2018 年时,这套暴露度指标所标出的"最暴露"职业早在 2020 年——生成式 AI 出现之前——就已经增长偏慢。目前的统计设计无法把"AI 替代了入门岗位"与"企业在这些职业上冻结了招聘、而 22–25 岁这个只有四年宽的年龄段在冻招下会自然被抽干"这两种解释区分开。该研究截至 2026 年 7 月仍是未经同行评审的工作论文,所用数据为专有数据,外部无法复制。
利益相关:数据方是该实验室的付费企业伙伴,并与该实验室共同冠名其公开看板;论文无利益冲突声明、无数据可得性声明;首版 2025-08 至 2026-07 仍无期刊接收记录;作者自己的看板明写测的是相关而非因果。
而独立对照给出的量级散度很大:【单源已核】达拉斯联储用月度人口调查只看到 20–24 岁在最高暴露职业的就业份额从 16.4% 降到 15.5%(约为前者量级的三分之一),并明确说该数据"并未显示 AI 造成广泛的劳动力市场破坏";耶鲁预算实验室与经济政策研究所分别用不同暴露度指标,都没找到暴露度与就业的关系;两家机构各自用商业招聘广告数据,直接检验"同一高暴露职业内部,初级岗位是否比高级岗位掉得更多"——独立得出的答案都是没有;一份用州失业保险行政记录的研究发现高暴露职业的恶化早在 2022 年初就开始了,比 ChatGPT 早了几个月;纽约联储另一项研究则把年轻大学毕业生失业率上升的 64% 归给了远程办公。
【单源已核,未过审,因果未定】另有一份研究用各州 GDP 与就业数据算出,AI 暴露度每高一个标准差,产出高约 7%(事件研究到样本末端的读数约 10%),就业高约 3.9%。但这份证据不能拿来说"AI 没有影响就业",有三个理由。第一,它的效应起点是 2021 年,作者归因于企业级 AI 工具,比 ChatGPT 早了一年半——它测的根本不是同一件事。第二,把暴露度拆开后,全部就业增益都来自协作型暴露;替代型暴露对就业毫无影响(且这一列作者自陈存在显著前趋势)。第三,也是最要紧的,同一批行业×州单元、同一套行政记录,普查局的研究一旦把年龄切开就得到相反符号。+3.9% 是一个总量读数,它盖住了内部的年龄重组,而不是否定它。
三处口径必须纠正:"生产率 +10%"是错的,那是产出,且作者摘要写的是 7%;"工资 +4.8%"是错的,4.8% 是工资总额(就业 × 人均薪酬),作者单独估的真实工资效应只有 0.9–1.1%——把它写成"工资 +4.8%"是把工资效应夸大了约四倍;并且必须带上分配结论:产出增量只有约 29% 流向劳动,劳动份额每标准差暴露度下降约 5 个百分点。安全的弱结论只到:在总量分辨率上,高 AI 暴露的美国州×行业单元 2021 年后产出与就业均在上升,没有出现总量萎缩。
这三个被广泛引用的数字,正是作者本人在面向公众的评论文章里的组合方式,而论文头条是 7%——这组数字是经二次包装后进入证据链的。
【商业调查/平台口径】某招聘平台研究部门 2026-07-08 的报告逐字:「Even after the recent rise, software development job postings remain about 27.5% below their pre-pandemic level, while overall job postings are essentially the same as in February 2020.」它还写了一句本文最该引的话:「This suggests demand is growing for experienced professionals who can work with AI, not necessarily a broad-based recovery across all software roles.」增量分解为:「senior roles account for 71% of the net increase… and AI-related titles for 37%, with the two categories overlapping」——是 2025-05 至 2026-05 净增量的构成、不是存量结构,且两类互相重叠、不能相加。
但这条证据的框架问题必须同时写出:该报告的反弹幅度基期是图注逐字写明的"某 AI 编程产品发布日",而那一天的指数几乎就是整个窗口的最低点——从距历史低点一步之遥处起算,机械性地把反弹幅度最大化;报告标题本身是方向性判断,而底层水平数据并不支持这一判断。利益相关:该平台的商业利益在于"岗位广告数是有意义的劳动力市场信号",指数仅覆盖其自有岗位,平台份额漂移会污染指数;而且它会持续修订季调因子并回溯历史数据,同一句话在不同抓取时点会给出不同数字。它的行业分类是自有标准化职位标题,不能与官方职业分类对齐。
【厂商口径 + 单源 + 未过审;Round 3 VETO 其定量使用】有一份未经同行评审的预印本用约 10 万条消费级聊天记录,测量"某个职业的工作活动有多大比例会出现在消费级聊天记录里"。按这个口径,教育类职业的重合度明显高于医疗照护类,量级差是数倍而非几个百分点。
但这个方向在很大程度上是工具决定的:讲解、教学、写材料本来就是聊天机器人输出的默认形态(论文自己给出的过度代表倍数,"讲授学科内容"一项就有 6.6 倍),而翻身、移位、抽血、监测生命体征这类工作在文本对话里原理上不可能出现。论文明确写着它不知道用户本人的职业;它的分类流水线甚至专门标注了"这个用户是不是学生在做作业",却从未报告这个比例,也没做剔除作业对话后的敏感性分析——而"大学教师"恰恰是最容易被学生做作业推高的那一格。该评分的判别力几乎全部来自"覆盖率"这一项,所以它衡量的是话题重合度,不是能力,更不是替代风险。作者本人逐字警告:把高适用度读成会被自动化、会掉工作或掉工资,「This would be a mistake」。利益相关:五位作者全部来自该公司研究院,数据是自家产品日志,分类器是自家模型,伦理审查为内部,验证用的三名人类标注者是论文作者本人,原始对话不可释出、外部无法复现任何一格数字。该论文发布后被媒体大量改写成"某公司列出 AI 将取代的 N 种职业",作者被迫另发博文澄清。
所以本文只从中保留一句机制性判断,不保留任何数字:教学工作里可被文字化的那部分(备课、讲解、出题、批改、写材料、答疑)与当前聊天机器人的能力高度重合;护理工作里可被文字化的那部分要少得多。因此"护理和教育同属抗自动化阵营"这种笼统说法站不住——但这不等于教育专业的就业前景会变差,那是另一个需要就业与工资实测数据才能回答的问题。
【三源对照,可承重的最强弱结论】在护理与照护一端,AI 暴露度低是稳健的——两套厂商测量与一套非厂商测量一致。教育一端则高度依赖你指的是哪种教育:大学与研究生教学的暴露面显著高于中小学教学,这一层内部差异在三套数据里也一致。真正的分界线不是"教育 vs 护理",而是"工作内容中有多少是可被文本化的信息生产"。
【单源已核,唯一非厂商测量】必须一并写明的反证:国际劳工组织 2025 年 5 月的工作论文(基于波兰职业分类近三万项任务抽样 + 1,640 名在职者调查 + 专家组,不使用任何 AI 产品日志)把小学教师、中学教师、护理专业人员、全科医生四者归入同一个"未暴露"类别;其知识工作对照(财务分析师、数据录入员)把最高的大学教师甩开近一倍。"教育接近知识工作"在这套口径下同样不成立。
【单源已核,第三方方法学审计】另有一份跨平台审计证明:不同平台之间的职业排序秩相关只有 0.43–0.79(还是在粗到 22 个大类的层面),而在某厂商自家数据内部,14 个月里 22 个职业大类有 9 个跨越了五分位。换一家厂商的日志、甚至换一个季度,排序就会变。
再说一遍,因为这一节最容易被断章取义:近三年美国部分白领入门岗位的招聘确实明显转冷,多方数据都看得到;但"是不是 AI 干的""跌了多少""会不会持续到你毕业"三个问题,目前没有任何一项研究能给出可靠答案。本文不用这一节劝阻或劝进任何具体专业。
蛛网模型——学生按当期就业信号追涨、四年后集体毕业撞上供给过剩——不是理论演绎,是可以逐年点数的历史。三个案例各展示一种形态。
【多源证实,Round 3 UPGRADE_MULTISOURCE】
按美国律师协会(ABA)法学教育分会的强制披露汇总,2013 届 46,776 名毕业生中,26,653 人(57%)在毕业约九个月时获得全职、长期、须通过律师资格考试的岗位;若剔除由法学院自己出钱雇佣的 775 个岗位,这个数字是 25,878 人(55%)。同一年,独立于 ABA 的全美法律就业协会(NALP)用自己的调查体系测出:这一届总体就业率 84.5%,须过资格考试的岗位占已知就业状态毕业生的 64.4%——与 2012 届并列 NALP 有记录以来最低;其中全职且至少持续一年的比例为 59%。两套问卷、两个机构、两种分母,指向同一个谷底与同一个拐点年份。
到 2025 届,同一口径的比例回到 83%(29,928/36,206)。
但这条回升弧线的三分之二来自分母,不是分子:同期岗位数只从 26,653 增到 29,928(+12%),毕业生数却从 46,776 降到 36,206(−23%)。如果 2025 届的班级还是 2013 届那么大,这个比例是 64%,不是 83%。换句话说,修复的主要方式不是行业多要了人,而是学院少送了人——这恰恰是蛛网模型说的供给端出清,但它不等于"法律就业市场复苏了"。
六条限定语,缺一不可:
【多源证实】大所降温另有两条独立佐证:NALP 指出多家律所收缩了 2024、2025 年暑期实习生招聘;法学院入学委员会 2026 年 3 月由前 NALP 执行主任撰文称最新数据显示最大型律所的招聘正在"可测量地放缓",2026 年暑期二年级项目的 offer 中位数为有记录以来最低。同一篇还给出一个更冷的坐标:入门级法律岗位总量至今仍比 2007 年少约 5%。
表述强度必须降一档:法学院是本篇唯一把过热、崩塌、供给收缩、比例修复这四步都走完的案例;第五步——新一轮入学过热——目前只有输入端的早期迹象,尚不构成证据。特别地,不能把 2026 年的申请激增写成蛛网新一轮起跳:那个广为流传的"申请人 +33%"是季初约 15% 样本的读数,发布方自设限定语是「extremely early data」「broadly directional at best」;到 2026 年 6 月中,申请人同比只剩约 +8.5%。只引 33% 而不引 8.5% 属选择性引用。
而且发布方自己列的驱动因素依次是:更多学校采用提前决定与滚动录取、上一轮过卷导致提前投递、政治环境、经济与 AI 带来的就业不确定性;它对考生的问卷里,前三位动机是"帮助他人""为社会公正发声""获得有价值的技能"——"法律岗位需求上升"一条都没有。
正确落点:申请端的新一轮扩张不是需求信号驱动的,它是避险与身份驱动的。这削弱的不是蛛网模型本身,而是"学生按当期就业信号理性追涨"这一版本的蛛网。真正可以承重、也更有力的说法是:供给端正在再扩张(2025 年秋一年级 42,817 人,是 2012 年以来最大的一届)、需求端正在走软(大所放缓、总岗位下降、联邦冻结),两者背离——这恰恰是上一轮 2010 年前后错配的前置条件。用"预警"而非"验证"来收束这一段。
给准大学生的落点:法学院在不确定的年份会变成避风港,而避风港式的涌入不会被薪资信号自动纠正——这比蛛网模型的预测更值得警惕,不是更不值得。
利益相关:数据由排名与招生直接受益方(法学院自己)生产;考试运营方的申请量增长与其业务直接相关。另须留一句:ABA 与 NALP 的填表人都是同一批法学院就业办公室、对同一批毕业生,是"独立工具、共享上游",不是完全独立的两次观测;2025 届目前只有 ABA 一家在测。
【多源证实,三席各自抓取原始 HTML 并解析全部 58 个学年行】据美国国家教育统计中心《教育统计摘要》的计算机与信息科学学位授予长序列(学士学位):
滞后期的正确因果读法(这对蛛网论证是加强而非削弱):互联网泡沫破裂在 2000 年 3 月,学位数峰值却在 2003-04,差了约四年——但这是四年学制的学位管道延迟。2003-04 的峰值人群是约 1999–2000 年入学、即在泡沫顶点或之前做出专业选择的那一届,不是对崩盘的反应;真正的行为反应要到 2004-05 起才在授予数上显现,而 −36.1% 的下滑正是从那里开始。
两条不确定性必须标注:2021-22 为初步数;整条长序列是用 2020 版专业分类回溯重编的,跨四十年比较时必须披露这一分类断点。另注意口径宽度:这个分类范围远大于计算机科学本身(含人工智能、信息技术、信息科学、网络、信息系统安全等),而数据科学与数据分析不在其内。
【商业/协会调查】关于领先指标,行业协会的年度调查给出的信号是分裂的:本科新申报计算机主修转负只在 83 个单位五年队列的纯 CS 口径下成立;放宽到 95 个单位的全计算领域,2025 年新招生是持平微升(+1.2%)——两个方向必须并列。而且该调查的抽样框本身在收缩(受邀单位 2024 年 314 家 → 2025 年 226 家),跨年绝对数不可比;研究生段的下滑被协会自己归因于签证与移民壁垒,不可读成美国国内需求信号;它的数字与前述国家统计序列总体不同,不可画在同一张图或同一句里。利益相关:该协会由会员单位自报,抽样框由协会自行决定邀请名单,属自报—自选样本。
【行业调查口径】石油工程的峰值 2,615 是某大学主持的行业自愿问卷数,不是普查数;官方序列峰值约 2,151,只能写"2017–18 学年前后约 2,150 人"。流传的"开设院校从 35 所降至 20 所"被官方数据反证:授予该学位的机构数由 2008 年 17 所升至 2022 年 25 所。必须一并写出反向事实:2023 年低年级已 +13%、10 个最大项目中 7 个在读人数回升。利益相关:调查方与被调查方同属该学科的招生利益共同体,经行业协会会刊传播。
【单源已核(一手点数);媒体汇总序列=未验证】中国"数据科学与大数据技术"的布点从 2017 年度的峰值 250 校降到 2024 年度的 13–15 校,八年衰减逾九成;峰值出现在开设后第二年。逐年数字不可逐字引用——媒体汇编的序列口径逐年不一致,误差约 ±10–15%/年,2019 年度的官方附件是无文字层的扫描件、无法点数。峰值、末年与衰减幅度这个大结论稳,任何一年的具体数字不可用。
⚠️ 这条曲线对本文的推断规则是反例,不是支持证据。大数据布点峰值在 2017 年前后,而数据岗位的需求在此后又强劲增长了至少五年。领先指标提前五年发出假警报,是这类行政计数的常态,不是例外。且衰减后稳定在约 30/年的地板而非归零,这是有限池耗竭后的稳态,与市场信号无关——累计到 2023 年约 790 所,约等于全国本科高校的 62%,"衰减九成"的修辞遮蔽了这一点。
这是本文必须诚实交代的一处:蛛网的形态有历史证据,它的参数没有。
【多源证实】被广泛引用为"工程师市场四年调整周期"依据的那份工程院报告附录,全长仅两页、仅一张图,通篇无数据表、无回归、无系数、无弹性、无任何统计估计,措辞是"the market is likely to stay at point b",其图自注改编自一个经济学科普博客。"四年"是假定的学位培养期且带条件句;"一年"是供给量可被改变的最短滞后(签证申请周期),不是整个调整期,且原文说的是 1990 年移民法扩容的技术移民临时签证,不专指某一类签证。最后半句必须保留:「the cycles are both faster and associated with smaller wage changes」——只讲"周期变快"不讲"工资波动变小"会夸大蛛网对学生的威胁。
【单源已核】一项美国研究的可承重定性结论是:学位完成数「most strongly related to wages observed three years earlier, when students were college freshmen」;其弹性约 0.67,但论文未报告任何标准误,R² 只有 0.02——三年前的工资只解释学位产出变异约 2%,作者自评"modest",且异质性数值来自单一州的 8 所公立大学。【多源证实(工作论文版)】另一项法国研究模拟预期收入上升 10% 得到的弹性为理科 0.09、人文社科 0.14、法经管 0.12,作者定性:「These elasticities appear to be very low, which means that the choice of a major is mainly driven by non-pecuniary factors」——统计显著、量级小,不是零反应。
⚠️ 这两组数字不得并列成"美国有弹性 / 法国无弹性"的跨国对照——美国研究的作者自己就否掉了这个对照:法国研究的百分点效应其实更大,弹性反过来纯因分母口径不同(一个用 3 个大类、基数份额大,一个用 6 位细分代码、平均份额仅 2.07%)。原文写着「we largely share this conclusion」。
结论:学生对薪资信号的反应是真的,但很弱、很慢,而且主要由非金钱因素驱动。这既削弱了"大家都会一窝蜂"的恐慌,也削弱了"市场会自动纠偏"的乐观。
这是本期最有原创性的一条判据修正,也是第 11 节清单的分栏依据。
流行的判据是"执业需要执照 → 供给受限 → 过冲被抑制"。这条判据不成立,而且与本文自己的案例直接矛盾:
决定过冲的不是"执业端有没有执照",而是"培养端产能是否受物理或人力约束"以及"扩张的边际成本"。执照卡在毕业之后(法学、药学)对招生端毫无约束;卡在入口的才抑制过冲(护理:临床实习席位、带教老师与师资同时受限)。且认证机构本身会在热潮中顺周期放宽。
同时把"过冲几乎必然被抑制"降级为"过冲的幅度与速度显著更小、更慢":供给受限只能拉长滞后、削平振幅,不能保证过冲不发生。
这条判据本身是本文的推理产物,不是任何机构的结论——如实标注。三个反例各有一手支撑。
【多源证实】美国护理院校协会(AACN)的拒收序列(同一张说明表的同一指标):2023 年 65,766 → 2024 年 80,162 → 2025 年 92,672。2025 年的完整口径逐字:「U.S. nursing schools turned away 92,672 qualified applications (not applicants) from baccalaureate and graduate nursing programs in 2025 due to insufficient number of faculty, clinical sites, classroom space, and clinical preceptors, as well as budget constraints.」其中硕士 6,496 份、博士 10,359 份,故入门级学士层次约 75,817 份——用 92,672 说护理"本科"培养瓶颈,高估约 22%。
连 AACN 自己都在数字后加括号标注"(not applicants)",但媒体转述时普遍丢掉了这个括号。一名申请人可投多校,真实被拒人数显著低于该值,而 AACN 从未发布被拒人数。
⚠️ 一处对本文论断不利、必须一并写出:AACN 2025 年 10 月的师资调查给出全国师资空缺率 7.2%,而同一页写着「the 10-year national average full-time faculty vacancy rate was 7.64%」。→ 2025 年的 7.2% 低于十年均值,把它当"瓶颈正在恶化"的证据站不住,它只支持"瓶颈长期存在"。这两个数必须成对出现。
利益相关:AACN 是美国本科及以上护理院校的行业协会,其说明表明确自陈在为师资发展项目争取联邦拨款、长期游说相关立法;拒收申请份数(分子)越大,越有利于其拨款诉求,而它选择公布"份数"而非"人数"这一点本身即须随数字披露。该师资调查为协会向会员发放的自报调查(回收率 80.3%)。
这是本篇学术证据最强的一节——三篇《经济学季刊》、一篇《人力资源杂志》、一篇《经济探究》,全部已发表并过同行评审。但跨国外推限制极重,后面会说。
把"选专业重要吗"拆成三个可分别回答的问题,答案是:专业间差距真实存在且量级不小,但它在分布上尾最大、在中位数附近很小;院校效应在控制自选择后基本归零(上尾除外);而同一专业内部的离散度不低于专业之间。
【多源证实,已过同行评审】早期版本(1999 工作论文,2002 发表)发现:进入更具选择性院校的学生,与被同等院校录取但选择就读次优院校者相比收入并无更高;但院校平均学费与收入显著正相关;名校回报「appears to be greater for students from more disadvantaged family backgrounds」。
更新版(2011 工作论文,2014 发表)改用社保行政收入记录重估后:「the returns to other college characteristics (the Barron's Index and net tuition) are substantial in the basic model…but small and never statistically distinguishable from zero in the self-revelation model」。净学费系数从 2002 版的 .058(显著)→ 自报收入 .041(不显著)→ 行政收入 .033,整个 1983–2007 期间"generally between 0 and .02"。
⚠️ 方向必须写对:很多转述把这件事讲反了。学费溢价恰恰是新版用行政数据消掉的那一个。正确表述:学费溢价只存在于 2002 年那版(自报收入);换成行政收入长周期数据后,它与分数溢价一起归零。(另注:"净学费"是标价学费减平均助学金,是价格,不是办学支出。)
仍然成立的异质性:剔除历史黑人院校后,1989 队列的少数族裔学生,入学考试高 100 分对应 12%、进入更高选择性等级对应 14% 的收入回报;父母平均受教育年限 12 年者,考分高 200 分对应收入高 5.2%,而父母平均 16 年者「there was virtually no return」。
样本限定必须连作者自辩一起引:样本来自 27 所院校、多数极具选择性;但同段紧接着写「estimates…were similar to — indeed, slightly higher than — those based on a nationally representative dataset」。只引第一句而删掉自辩是反向截断。
【多源证实,已过同行评审】据 2026 年 2 月发表于《经济学季刊》的研究:就读常春藤加斯坦福、MIT、杜克、芝加哥这 12 所院校而非"平均水平的旗舰公立大学",使学生进入收入分布前 1% 的概率提高 50%(发表版口径;首发工作论文版是 60%,修订后下调)、进入精英研究生院的概率"nearly doubles"、进入名企就业的概率"almost triples"。
空结果同样重要:「The impact of Ivy-Plus admission on reaching the top quartile of the distribution is small and statistically insignificant」;对对数收入的影响 modest,「consistent with the findings of Dale and Krueger (2002)」。均值效应是 33 岁均值收入提高 $101,000,但原文以「As a result of these upper-tail impacts」领起——均值被上尾抬起来的。
两条限定:对照组是作者自有样本中的 9 所旗舰公立,不是全美旗舰公立的平均;不得写成"名校对中位数几乎没用"——论文没有直接报中位数效应,准确说法是"对进入前 25% 的概率无显著影响、对对数收入影响不大"。
【多源证实,已过同行评审】挪威研究用 1998–2004 年几乎全部高教集中录取申请记录加教育与税务登记,以录取分数线断点做工具变量并固定"次优选择",结果变量为申请后第 8 年的年收入。摘要逐字:「different fields have widely different payoffs… For many fields the payoffs rival the college wage premiums, suggesting the choice of field is potentially as important as the decision to enroll in college.」
常被漏引的后半句必须一起写:「by choosing Science instead of Humanities, individuals almost triple their earnings early in their working career. By comparison, choosing Science instead of Engineering or Business has little payoff.」——即"专业很重要"这个结论,主要由"理科 vs 人文"这一端撑起来,理工商三者之间几乎没有差别。
院校与同学质量的作用极小:控制预测院校前后的回报估计相关系数 0.84,控制预测同学质量前后为 0.98。
⚠️ 换分母警告(本条的价值所在):摘要用的是"大学工资溢价",正文对应句是「rival the usual estimates of college earnings premiums」——是与文献通行估计比,不是与该文自己的原始描述性均值差比。而把"选专业和上不上大学一样重要"搬到中美语境,除换分母外还换了整个工资分布形态:挪威是集中录取、公立免学费、工资压缩显著的劳动力市场,专业间收入差本就被压缩;估计本身是断点附近顺从者的局部平均处理效应。(美国大学溢价定版用官方《Education Pays 2024》口径的 +66%:本科中位周薪 $1,543 对高中 $930。)
【多源证实】某智库项目的研究(样本为 80 个专业、恰好持学士学位且未再读研的劳动者,由横截面构造的合成队列,不限于全职,含兼职者与全年有失业经历者;全部生涯累计收入按 3% 年贴现率折算为现值——少了"贴现"二字,读者会把百万美元当成实发工资总额):
框架必须写对:A 与 B 逻辑上完全相容(同一分布的不同切面),不是"同一份报告里互相打脸的两句话",而是"服务于相反修辞用途、但逻辑上并不矛盾的两句话"。而"只引 A 会得出选专业无所谓、只引 B 会得出专业决定一切"这个判断成立。
报告自设的局限必须引:「earnings differences across majors are driven by many factors and do not necessarily reflect a wage premium for that particular major. The estimates cannot distinguish why graduates in certain majors earn more than others.」它的首条结论恰是"a college degree—in any major—is important"。利益相关:该项目是政策倡导型项目而非统计机构。
【须改称】另有一份美国的分专业收入研究不得称为"因果版本",也不得与挪威的断点设计并列——作者自述用的是可观测项选择模型,并明说需要"strong assumption",且美国"few opportunities to use a regression discontinuity approach"。其结果:相对于文理科,季度回报从传播学的 $983 到工程与建筑的 $7,901(高中毕业后 16–20 年);且分位处理效应显示"substantial (and differential) ex-ante risk"。
【多源证实,已过同行评审】据 2020 年《经济学季刊》的研究(样本为 2009–2017 年 23–50 岁、全职在职的四年制本科毕业生,省略组为"其他所有专业,含教育"):「computer science and engineering majors earn about 45% more early in their career, but only 33% more by age 50. The earnings advantage for business majors declines from around 38% initially to 20% by age 50. In contrast, the earnings premium grows over time for life and physical sciences and social sciences majors.」
必须成对引用的两句:「In levels, earnings growth is rapid for all college graduates, regardless of major. However, while computer science, engineering and business majors are earning substantially more in their mid-twenties…, this advantage is greatly diminished by age 40.」——只引前一句而截掉下一句,正是本文自己要防的那个错。
该文自己的机制结论是本节最有用的一句:「Declining relative returns is a feature of STEM jobs, not majors.」计算机与工程专业在 STEM 职业的就业份额「declines from 59% at age 26 to 41% by age 50」,这 18 个百分点几乎完全被转入非 STEM 管理职业所抵消。作者自己的脚注也必须带:生命与物理科学专业的生涯收入快速增长部分源于其极高的读研率,限制为仅持学士者后增长变慢。
锁定结论(降级版):上述三项研究基准不同、度量不同、样本与年龄窗不同、维度不同,不能直接互相印证或互相反驳。可以说的只是:目前没有可比口径的证据支持"专业效应普遍衰减"——而不是"三者方向不一致因此不存在衰减"。
【多源证实】三套"对口率"口径,分子分母定义各不相同,任何跨口径的加减或对比都是错的:
| 口径 | 定义 | 数值 |
|---|---|---|
| A · 受访者自评 | 工作与最高学历的相关程度(三档),美国国家科学基金会大学毕业生调查 | 全体 closely 53.7% / somewhat 27.1% / not related 19.1%;仅本科为最高学历者 43.6% / 31.1% / not related 25.3%(只有这一行才近似本科对口率) |
| B · 分析师交叉编码 | 是否直接对口本科专业(二值),纽约联储研究报告,限大都会区、16–64 岁、剔除全部研究生学位持有者 | 约 27% 直接对口;计算机科学 33% 直接对口 / 73% 在要求本科学历的岗位 |
| C · 是否在 STEM 职业 | 普查局口径,25–64 岁 | 工程 52%、计算机/数学/统计 51%、生物/环境/农业 16%、心理 10%、社科 9% |
⚠️ 两个工资系数必须写清嵌套关系,不得说成"重要 5 倍":在那份 2010 年横截面的城市工资回归里,"岗位要求本科学历"对应约 +25% 的工资,在此之上"岗位与专业对口"再对应约 +5%——原文逐字写着「which in principle is on top of the wage premium for a College Degree Match」。两者叠加而非互斥,系数之比不等于重要性之比。且这两个系数不是因果估计(该文主题是集聚经济,匹配变量只是控制项)。换成自报口径,不对口惩罚本身就有 11–17%,两套口径不可互换。
【单源已核】另有一项 2024 年发表的研究显示:1993–2019 年学历错配率仅由 19% 微降至 17%,而错配的工资惩罚上升 51%。但它用的是与口径 A 同一套自报指标,不是独立测量,且是观测性回归、非因果。(题名是"职业—学历"错配,不是"职业—专业"错配。)
【多源证实;18% 一项为单源已核】受州级执照法覆盖的劳动力占比,由 1950 年代初的不足 5% 升至 2008 年的 25%;再计入地方与联邦执照后为 29%(该数依据一次样本仅约 2,500 人的电话调查)。官方大样本对照:普查局的收入与项目参与调查(n≈58,000)显示 18–64 岁民用就业者中约 20% 持执照、28% 持执照或证书。
工资溢价必须以阶梯呈现,不可取单值:18%(2013 年发表版,未控制教育与培训的横截面相关)→ 10–15%(同一作者 2015 年智库报告,限时薪、限"普遍持照职业")→ 5–8%(仅在部分州持照的职业,识别最干净的一组)。
跨州流动惩罚必须用发表版:2020 年《美国经济杂志:经济政策》的偏好设定(限定长距离迁移者、对照组为全国统考持照职业)为「7 percent less likely to move between states」。工作论文版的 36% 对照组是"其他所有职业";不做长距离限定的朴素估计为 −58%——引 36% 而不说明它是最粗的估计,正是本文批评的那种引用方式。
⭐ 本节对选专业最有用的一格:该论文亲自把注册护士/执业护士归入全国统考组,把中小学教师归入州专属考试组;分职业结果中「Pharmacists and teachers have the lowest relative rates, at −47 and −39 percent」。→ 流动惩罚豁免护士、正中教师靶心。换句话说,如果你不确定将来会在哪个州(或哪个省)工作,教师执照的地域锁定成本远高于护士。
关于执照对护士与教师的工资效应,原文逐字是「the impact of licensing on earnings is murky, with some studies finding small effects and others finding none」——是"证据不明确",不是"不成立";引这句时不得省略后半句「by limiting entry or making it more difficult for an individual to be hired for a job in another state」。
利益相关:该领域的主要批评者同时是政策倡导文本的作者与白宫报告的主要引用来源,其"11 项研究中 9 项发现价格上升""12 项中仅 2 项发现质量改善"两组计票均出自其学术圈自选的文献集,须随数字标注(且那 11 行估计只来自 5 篇论文,其中 4 篇是 1978–2000 年的牙科研究;质量计票则完全对得上)。反向立场的独立证据:另一项用各州分时立法准实验的研究发现注册护士执照有小幅正向工资效应。
关于护士执照互认:准确写法是"43 个辖区已立法,约 40 个已实施";不得写"护士流动无碍"——一项用 180 万护士数据的研究发现互认协议的采纳对护士劳动供给与地理流动性没有可测效果。
【多源证实】在美国官方职业大类口径下,增长最快的是医疗支持类 +12.4%(2024 年中位年薪 $37,180),计算机与数学类 +10.1% 被官方自己称为"第二快";医疗执业与技术类只有 +7.2%。全经济体平均 +3.1%。绝对增量上,两个医疗大类合计 +1,715,200 个岗位,计算机与数学类只有 +545,600。(注意不要写成"官方数字不支持医疗是最高增长赛道"——同一份新闻稿逐字写着「Healthcare and social assistance is projected to have the largest job growth and be the fastest growing industry sector(+8.4 percent)」。行业口径下医疗既最大又最快。)
四个中小学教师职业 2024–2034 全部负增长(中位年薪 / 2024 就业 / 变动率):幼儿园与小学教师 $62,310 / 1,539,800 / −2%;初中教师 $62,970 / 633,700 / −2%;高中教师 $64,580 / 1,094,500 / −2%;特教教师 $64,270 / 559,500 / −1%。但学前教师是例外:$37,120 / 555,100 / +4%——只引其低薪却不说它在增长,对准大学生是有方向性影响的遗漏。
"缺口 ≠ 增长"的一手句(幼儿园与小学教师页逐字):「Despite declining employment, about 103,800 openings…are projected each year… All of those openings are expected to result from the need to replace workers who transfer to other occupations or exit the labor force」(初中 40,500、高中 66,200、特教 37,800)。教育指导与图书馆大类整体是 +0.6% 微增,不是萎缩;"全部来自替补"只对幼儿园与小学教师那 103,800 个成立。
可承重的机制表述:1,539,800 的存量每年产生 103,800 个替补缺口(约 6.7% 的年周转),替补流量本身就足以吸收新毕业生。
⚠️ 一处不得写成因果句:"低失业与负增长并存,因为供给端萎缩得同样快"——三席均未能回到一手证实,且两个数字口径不同(小学教育专业毕业生的失业率是分专业数据,−2% 是对该职业的就业预测)。另一同样合理的解释是:教师执照把进入端拦住,拿了教育学位却没进课堂的人转入其他工作,被记为低就业(小学教育 16.2%)而非失业。这只能作为待证假设。
【多源证实】美国官方 2024–2034 预测:执业护师 320,400 → 448,800(+40.1%),2024 中位年薪 $129,210,入职学历硕士,单职业年均缺口 29,500,在"增长最快职业"表中排第 3。对照:软件开发者 +15.8%、中位年薪 $133,080——高于执业护师;注册护士 +4.9%、年均缺口 189,100、中位 $93,600。
而同为联邦机构的卫生资源与服务管理局(2025 年 12 月版)预测:执业护师供给充足率 2028 年 126% / 2033 年 152% / 2038 年 175%,逐字「the supply of nurse practitioners (NPs) is projected to exceed demand over the projection period; however, distribution remains the most important issue.」
两者不必然矛盾:前者测的是已实现就业(近似需求侧),后者分别建模供给与需求。但必须标注这是模型预测而非观测,而且这个模型对基年高度敏感——上一版(2024 年 3 月,基年含疫情)对 2036 年的估计是 192%,新版虽下调但仍是显著过剩;同一次修订里,注册护士 2038 年短缺从旧版的 337,970 全时当量下修约三倍到 108,960,而执业护士(LPN)的缺口反向扩大。流传的"30 万护士缺口"确系引自已被取代的旧版。
【多源证实(数值层)】护士离职有一个漂亮的方法学案例:意向指标与行为指标 2021–2024 方向相反。意向端(全国护士人力普查):计划在未来 5 年内退休或离开护理的注册护士占比 2020 年 22.1% → 2022 年 28.7% → 2024 年 39.9%(该题 2024 年改过问法,序列不可直接连读;倦怠指标反而由 45.2% 降至 35.4%)。行为端:医院注册护士实际离职率 2021 年峰值 27.1% → 2022 年 22.5% → 2023 年 18.4% → 2024 年 16.4% → 2025 年 17.6%——2025 年是回升 1.2 个百分点,不是继续下降,而回升的驱动因素(退休上升)恰与意向数据中"计划退休"那一半同向。
两个指标不是同一群人:一个是全美执照持有者抽样调查(意向,且回收率比常被引的更差——邮寄臂合计 16.9%、电邮臂 9.7%,个别州低至 2.2%,所以 39.9% 应视为上界);另一个是 527 家自愿报名的急症医院雇主基准调查(行为)。
利益相关:【厂商口径】行为端数据的发布方是护士招聘与留任服务商,报告执行摘要里直接印着销售话术与联系电话("Every RN hired saves $66,081. … Contact …"),方法段自述医院系"invited to participate"、自愿报名、非概率抽样。其单次离职成本与全国护士缺口估计均为基于自家问卷的自估,属厂商口径,方向可参考、程度不承重。
中美最大的差异不在数字高低,而在可复现性。这是本篇跨国比较的正确落脚点,也是唯一诚实的落脚点。
【多源证实】准确的表述是:中国没有公开发布的、全国性、可比、连续的分专业数值型就业指标——无分专业失业率、无分专业起薪、无分专业学历错配率,三项经穷尽搜索均未见任何官方发布。但"没有任何官方分专业就业数据"是过强的表述:分专业就业数据在体制内确实存在、被采集,并被用于行政处置(红黄牌、责令停招、撤销),官方也公开发布过排序型产物,只是这些产物公开出来的是名次与名单,不含分母与数值。
三条实例,均可回到一手:
省与校两级确有公开的分学科门类或分专业落实率:湖南按学科专业大类给出本科就业率;安徽公布落实率相对较低的 21 个专业;江西以落实率低于 50% 亮黄牌、连续 2 年低于 50% 亮红牌责令停招,四川设连续 2 年/3 年低于 50% 的黄牌/红牌;各高校年度就业质量报告普遍含分专业落实率。
⭐ 最硬的正面证据:教育部发展规划司《中国教育监测与评价统计指标体系(2025 年版)》第 29 页,"毕业生毕业去向落实率"的指标分解逐字为「分层次;分就业形式;分办别」——没有"分专业";全书 108 页所有指标的最细学科维度只到"分学科领域"(门类级)。同页官方自陈局限:落实率「不能完全反映毕业生人岗匹配的实际情况、毕业生长期发展情况等」——这是官方承认无低就业指标的最好一手依据。
⭐ 正确的方法论落点:中方有分专业数据但不公开数值;美方的分专业微观数据来自普查局的社区调查(2009 年起设该题),公开可复算,纽约联储的产品由它加工而来(注意:美国劳工统计局本身不发布分专业失业率)。→ 不对称在可复现性,而非存在性。
构念差异说明(每处跨国比较都必须带):中国的"毕业去向落实率"分母是毕业生总数,分子包含升学、灵活就业、自由职业、自主创业;美国的失业率分母是劳动力,低就业率的分母是在业毕业生。三者是三个不同的构念。因此本文不把落实率与美国的失业率/低就业率放进同一张表、同一根轴、同一个句子——这是全文最容易造成实际伤害的用法,准大学生会直接读成"中国这个专业比美国那个专业好就业"。
【多源证实,Round 3 UPGRADE_MULTISOURCE】教育部办公厅《关于进一步做好普通高校毕业生就业统计与核查工作的通知》(教学厅函〔2021〕19 号),2021 年 5 月 10 日成文、5 月 12 日印发。该文末页标注「(此件依申请公开)」,故不在教育部政府门户网站主动公开目录中;本文所引全文取自湖南省教育厅转发件与山东大学(部属高校、本文主送单位之一)就业网所载全文件,两份来源互相独立,经去空白字符级比对逐字一致。(教育部官网未主动公开全文,与该文"依申请公开"的标注一致,不构成对文本真实性的质疑。)
按 2021 年版《高校毕业生毕业去向界定及标准》:
文件说明第 1 条限定:最低工资标准只适用于三类。原文只写"薪酬需达到当地最低工资标准",未指明按月还是按小时,亦未规定工时下限或持续期。
⭐ 承重点在这里:官方落实率里最宽的一档,其认定材料由毕业生本人提供、由本校就业部门自行审定——审核者与被考核者同属一个单位。开网店(编码 75)计入落实率且不需达到最低工资;做电竞、做全媒体运营(编码 76)凭本人签字确认的材料、经校院两级审定即可计入。
数据发布管制条款可原样承重:「各省级就业工作部门在对外公开本省毕业生毕业去向落实率之前,须与教育部高校学生司核实数据,未经核实不得擅自公开。各高校未经省级就业工作部门同意,不得向其他部门、机构等提供本校就业数据。」
时效限定:2021 年版公式应写作"2021 届至 2023 届期间执行的口径";2024 年起依教就业厅函〔2024〕11 号改用新的去向分类,"灵活就业"这一合并层与整套编码体系已不再使用,现行式为"单位就业率+自主创业率+自由职业率+升学率"。门槛在执行层面已加严且仍在行:现行标准要求其他录用形式就业的聘用期限不低于 6 个月,电子商务创业须提供可反映网店正常经营状态的交易流水。
⭐ 一个可顺带承重的新事实:教育部主动公开目录中同时缺失教学厅函〔2021〕19 号与教就业厅函〔2024〕11 号——决定"什么算就业"的两份操作性文件,均为依申请公开件。
利益相关:文件由教育部办公厅印发,同一主体是指标制定者、数据汇总者、核查者、发布闸门与被考核者;发布管制条款由被计量方自己书写。
另必须并列的一点:文件里的"三不得"(不得不切实际提指标、不得层层加码摊派、不得将单一落实率与辅导员绩效挂钩)恰是官方自陈存在指标摊派的证据,对本篇论证的价值高于"四不准"。
同时要说清:"宽认定"是文本蕴含,不是官方自认——文件通篇是加强统计纪律的口吻。这两件事必须分开表述。
【Round 3 VETO 原表述】流传最广的算法是把官方灵活就业率与某商业调查的数字相除,得出"三四倍撕裂"并当作造假规模的证据。这个算法是错的,本文不用。理由是:官方"灵活就业"与商业调查的"灵活就业"是两个不重叠程度极高的集合——
| 成分 | 官方灵活就业 | 该商业调查的灵活就业 |
|---|---|---|
| 其他录用形式就业(有工资流水、无合同、多为全职) | 计入 | 归入"受雇全职工作" |
| 自由职业 | 计入 | 计入 |
| 自主创业 | 不计入(算创业率) | 计入 |
| 受雇半职 | 不单列 | 计入 |
唯一交集是"自由职业",而官方从不公开这一编码的单列数,因此同口径对照在公开数据下无法完成。残差是否等于"其他录用形式就业"完全可能——全国青年就业中无书面劳动合同者占比远高于该残差。无法给这一项设上界,也就无法给"造假份额"设下界——下界是 0。
⭐ 有独立测量、可承重的替代结论:【单源已核,独立机构/独立抽样/学术同行评议】同一届(2021 届)、同一全学历口径下,官方行政数据报灵活就业约 16%,而北京大学教育经济研究所课题组的全国独立抽样调查(34 所高校、20,269 份样本)测得 11.4%——官方比独立抽样高出约 4.9 个百分点,相对高约四成。同一调查还显示 2021 届落实率仅 76.5%、已确定单位者只有 32.1%。这一方向与教育部自己 2023 年 8 月"严格审核每位毕业生的就业材料,重点核查灵活就业等相关数据"的表态一致:灵活就业确是行政口径最容易虚高的一格,但虚高的量级是四成左右,不是三四倍。
(⚠️ 76.5% 不得与官方口径的落实率直接相减——时点不同(离校前 vs 毕业半年后 vs 官方的两个统计时点)、样本框不同、学历构成不同。可以说"两种呈现方式给读者的画面不同",不能说"两个数互相证伪"。)
【单源已核】19 号文第四条逐字:「每年 9 月初,教育部委托国家统计局开展毕业生就业状况抽样调查,结果将向各地通报。」而《全国普通高校毕业生就业状况统计调查制度》(国家统计局,2020-12-16)把"制度设计上就不面向公众"写死:结果"通过函件形式反馈 31 个省(区、市)……教育行政部门"。
→ 唯一能校验高校上报数据的官方独立测量,从不公开发布。(本文不对该调查的样本量、抽样框或结果方向做任何推测。)
【多源证实】关于造假,官方的表态与空白同样可查:2023-08-04 教育部通稿写明「对经核实存在虚假签约、虚假证明等违规行为的,责成有关部门依规依纪严肃处理,并追究相关高校和人员责任,切实维护高校毕业生就业合法权益」「重点核查灵活就业等相关数据,以'零容忍'的态度严肃查处」。⭐ 但三席以多角度独立穷尽检索"处理结果通报""查实数量",返回结果全部是同一篇稿件的转载,未见任何一份点名通报、查实数量或处理结果公告。→ "承认有假、未见公布查出多少假"可以直接写(用"未见公开通报",不用"不存在")。主管部门自陈的造假监测口径本身也是可用素材:"灵活就业率、自由职业率和自主创业率过高,其他录用形式占比过高,疑似小企业扎堆就业"。
【单源已核 + 多源证实(月度值)】旧口径终点是 2023 年 6 月 16–24 岁城镇调查失业率 21.3%(2023-07-17 发布,2018 年有统计以来最高;2023-08-15 宣布暂停发布);新口径起点是 2023 年 12 月不含在校生的 16–24 岁劳动力失业率 14.9%(2024-01-17 启用)。这两个数之差不可读作改善——两者不可比。
⭐ 关键空白是有据可查的事实:官方《关于完善分年龄组调查失业率有关情况的说明》全文只字未提任何一个失业率数字,也无任何新旧口径并列、重叠期双算、回溯序列或折算系数。它给出的唯一定量素材是分母存量:2023 年各月平均,16—24 岁城镇人口中在校学生占比 6 成多、近 6200 万人,非在校学生占比 3 成多、约 3400 万人。→ 统计局只交代了"谁被剔除、有多少人",从未给出剔除后的同期失业率。改口径的官方理由逐字是:「从我国国情看,在校学生的主要任务是学习,而不是兼职工作,如果把在校学生包含在分年龄组内,会把在校寻找兼职和毕业后寻找工作的青年混在一起,不能准确反映进入社会真正需要工作的青年人的就业失业情况」。
必须同时给出同比:2026 年 6 月为 14.9%,而 2025 年 6 月同口径为 14.5%——高于上年同期 0.4 个百分点。"连续三个月下降"是每年 3→6 月的季节性形状,同比方向是上升;只给环比不给同比会造成实质误导。(可用的月度数字只用这两个;同月 25–29 岁 7.1%、30–59 岁 4.0%。)
取证限制须据实说明:自 2024 年 1 月起这组数字不再有独立发布页,一手出处是国家统计局数据发布库,三席均遭访问拒绝,月度值系由多家独立媒体同日引述交叉一致确认。这一可发布性下降本身值得写进方法论。
利益相关:国家统计局既是口径的制定方也是唯一发布方;口径变更发生在旧口径创历史新高并被暂停发布之后,时序本身即须向读者交代。
一处必须澄清的误解:"国际劳工组织的 1 小时就业标准"不构成中美不可比的理由——中国的调查失业率与美国的月度人口调查同源,统计局自己也明示 1 小时标准"用于界定有没有就业,而非就业'足不足'"。不可比出在分专业维度和分子构念,不在 1 小时标准。
在"数值拿不到"的前提下,仍有三条可承重、可复核的结构性事实。
【官方平台口径 + 商业调查一手件;本节最强,行政记录不受抽样问题影响】
那么什么是可以确定的?是量。开设计算机科学与技术的高校已有 955 所、软件工程 661 所(教育部阳光高考平台口径,截至 2025 年 11 月;该数在漂移——某商业升学平台 2026-06 已列 960 所),两个专业的年毕业生规模合计逾 10 万人;2018–2022 年计算机类新增专业点 1047 个,在所有专业类中居首。这来自教育部的专业备案与审批记录,是行政统计而非抽样调查。计算机专业当下面临的是一个供给端在五年内被显著放大的市场——这是唯一不需要打折的那部分。
在给出第二条结构性变化之前,必须先处理一个流传极广、但在本期被方法学审计席整体否决的说法。
【Round 3 VETO;下段为审计席写好的成品表述,原样收录】
关于"中国的计算机专业是不是正在转冷",先说一件读者必须知道的事:国内几乎所有专业就业率排行榜用的都是「毕业去向落实率」,而这个指标的分子把国内外读研算作已就业。这意味着升学率高的专业天然显得"就业好"。而在该机构自己的数据里,计算机类是工学门类中读研比例最低的专业类(2022 届 13.6%,同期材料类 32.4%、电子信息类 24.1%)。所以拿计算机类的落实率去和历史学、外语等升学比例高得多的专业类相减,比的不是就业难度,是升学结构的差异。近期广泛流传的那句"计算机毕业生找工作比文科生还难",本质上是这个口径错配的产物,本文不采用。
该数据还有几处不能忽略的方法学缺口。麦可思是商业调查公司(曾挂牌新三板,2020 年终止挂牌),数据监测类业务占其营收 85%,付费客户正是被调查、被评价的高校本身,其公开材料中未见利益披露。其技术报告只报告了 13.5 万的样本量,从未公开邀请函发放总量与回收率——分子没有分母;对"就业的人更愿意答题"这一最要命的偏差,报告只给了一句"经检验不存在自我选择性样本偏差"的断言,未说明比较变量、检验方法与 p 值;其加权采用再抽样,加权后区域分布与国家统计局数据分毫不差,而这类加权在原理上只能修正地区、院校类型这些可观测的结构差异,修不了与就业结果本身相关的偏差。全书没有出现过一次置信区间或标准误,因此该机构给计算机类的落实率与全国平均之间那几个百分点的差距,相对于未知的抽样误差是否可分辨,无法判断。相应的名次同样不可复现。
有意思的是,在同一份报告里,计算机类的毕业半年后月收入(6,863 元,本科平均 5,990)、就业满意度(80%,平均 77%)、工作与专业相关度(77%,平均 74%)全部高于本科平均,其下属的网络工程、信息安全、软件工程等六个专业近五年反复入选该机构的"绿牌专业",而历史学在同一体系中曾连续多届是"红牌"。一个指标说冷,三个指标说热——这本身就说明,任何单一就业率排名都不足以支撑一次十年期的专业选择。
关于该机构最有名的产品——红黄绿牌榜——本期得到的方法学结论,比任何一年的榜单本身都更有用:
【多源证实(名单文本),但须保持一个区分】2010 年该机构的本科红牌名单上有十个专业:动画、法学、生物技术、生物科学与工程、数学与应用数学、体育教育、生物工程、计算机科学与技术、英语、国际经济与贸易;2011 年榜单与之完全一致。同一年的绿牌九个全是资源开采与重工类:地质工程、港口航道与海岸工程、船舶与海洋工程、石油工程、采矿工程、油气储运工程、矿物加工工程、过程装备与控制工程、水文与水资源工程,该机构当年明确建议"削减红牌招生量、相应增加绿牌招生量"。
三条强制限定:
① 不得写成"当年报告看衰计算机、如今打脸"。该机构在挂红牌的同一篇发布稿里就写明:"计算机类专业失业量较大,但是相关行业对于人才的需求非常旺盛。仅以软件行业为例,每年人才缺口多达几十万。"当年的判断是"供给质量与需求错配",不是"行业不行"。 ② 红牌 = 绝对失业人数前十。当期报道明写榜单来自"失业人数最多的前 10 位",而英语第 1、计算机第 2、法学第 3——正是当年毕业规模最大的三个专业。这个判据对大专业有机械性偏置。 ③ 承重点应移到两处更硬的地方:(i) 绿牌反转——当年被推荐去读的九个资源开采类专业,今天是劝退重灾区,这一侧没有发布方的免责声明,反转是干净的、单向的;(ii) 发布方自己写下并被证伪的外推假设——2010、2011 两版逐字载明:"据国家统计局的数据,自 2000 年以来,我国本、专科各专业大类的招生结构基本固定。在此前提下,专业的就业和失业状况具有一定的惯性,如果不做调控,出现根本性变动的可能性较小。"榜单的全部预警效力建立在这句话上,而此后十五年直接证伪了它。
⭐ 而最硬、且不依赖任何反转叙事的方法学结论是这一条:该机构自己的定义里,红牌与黄牌的表述逐字只差五个字(黄牌 = "除红牌专业外"的同一句话)。也就是说,红与黄之间没有任何实质判据差异,只是一条排名切线。而排名的第一判据是绝对失业人数,它必然是"该专业未就业比例 × 全国该专业毕业生规模"——规模项无误差且巨大,比例项有抽样误差且微小,排序结果主要由这个专业有多少人决定。榜单从未公布任何专业的样本量、置信区间或权重阈值(全书 235 页中"权重""阈值""评定标准"三词命中数均为 0;"失业量"全书仅出现 4 次且从未被定义;自述判据为"失业量、落实率、薪资和就业满意度等就业指标"——一个"等"字使判据集合本身也是开放的)。→ 红绿牌榜在结构上就无法区分"这个专业不好"和"这个专业人多",它不该被任何一个考生当作填报依据。该机构自己也写着:"红黄绿牌专业反映的是全国总体情况,各省区、各高校情况可能会有差别"——这句本身就是"不可外推到个人"的发布方自认。规则也会无说明地变:2023 版书内写"部分近年来新增数量较多的专业(如人工智能、数据科学与大数据技术、机器人工程)由于尚无成规模、成趋势的毕业生就业数据,暂未包括在内",而 2024 版榜单中机器人工程即已进入绿牌——仅隔一年,规则变更无任何说明。
利益相关:该机构是营利性商业调查公司,创始人持股 61.61%,2020 年已终止挂牌(自此再无强制信息披露义务),收入 85% 来自向高校、院系、教育厅局销售的数据监测服务;高校既是其付费客户又是其样本来源;红黄绿牌榜是其传播力最强的年度营销资产,且 2010 年红牌榜由媒体于 5 月 10 日披露、而原书正式发布会是 6 月 2 日——榜单在原书出版前三周投入高考志愿季传播;榜单的政策主张直接指向其可售服务。其全部数据均属商业调查,不可与官方统计并列承重。另须保持一个区分:关于红绿牌名单的多源确证,证的是"名单文本内容",不是对当年毕业生就业状况的多源独立测量——后者在中国不存在,也无法构造。
【多源证实(方向);Round 3 对幅度判 VETO】
湖北省教育厅与省人社厅每年发布的《湖北省中小学教师公开招聘公告》,其省级统一招聘计划数连续四年下降:2023 年 11,653 名、2024 年 9,257 名、2025 年 5,799 名、2026 年 2,740 名。
这四个数只说明一省、一条通道的变化,不等于教师岗位总量,理由有三:其一,该计划覆盖幼儿园与义务教育阶段的编制内统一招聘(含各地自主公开招聘的农村义务教育教师),但不含特岗计划、公费师范生履约安排、编外聘用、民办学校与普通高中教师;其二,2026 年的岗位表已不再设幼儿园教师岗与退役军人专岗,而 2025 年设有,两年口径不同,且两份公告均未披露分类构成,无法折算为可比口径——因此本文不给具体降幅百分比;其三,招聘计划数是编制核定与财政预算的产物,编制冻结、财政收支压力、县管校聘等因素都可能在学龄人口不变的情况下压低它。
同一方向在其他独立口径上得到印证:江西省教育厅、省人社厅的年度招聘公告显示全省计划数由 2023 年 7,821 名逐年降至 2024 年 3,957 名、2025 年 2,146 名、2026 年 1,190 名;教育部办公厅与财政部办公厅下达的全国农村义务教育"特岗计划"规模,则由 2024 年 37,000 名降至 2025 年 20,976 名、2026 年 8,594 名。
因此这条证据只支持一个方向性判断:中国部分省份编制内教师补充通道正在收紧。它不能证明中国小学教师岗位总量已经萎缩,也不能由一省外推全国。
特别地,不得把招聘缩减与小学招生下降并列宣称共同证明"岗位已在萎缩"——因果时序对不上:2024 年小学招生下降影响的是当年入学的一年级,这批人要到 2030 年前后才走完小学;2026 年的招聘缩减在机制上不可能由 2024 年招生下降"已经"造成,它至多是前瞻性的编制收缩。把预期性政策动作说成已发生的存量变化,是时态错误。
⭐ 阴性产出如实写:已对"是否存在任一省份 2026 年省级教师招聘计划回升"做专项检索,未发现任何反向官方公告——可写"未见反向案例",不得写成"全国无一例外"。
利益相关:发布主体是省教育厅与省人社厅,公告服务于引才工程——发布方若有偏差,动机方向是高报而非低报,所以下降信号不太可能是发布方制造的。但传播链的利益冲突很重:"多地腰斩""某学科竞争比数百比一"这整套叙事的载体是升学规划类自媒体账号,其变现模式直接受益于制造专业选择焦虑;三席合计只坐实一个省份,且该幅度已被否决。这条应当按"从高利益冲突来源清单中幸存的单点"对待,而不是按"独立证据"对待。
【多源证实,三席分别抓取同一发布页,19 个行业门类 × 2 套口径逐格一致】据国家统计局《2025 年城镇单位就业人员年平均工资情况》(2026-05-15):
四条口径注,缺一不可:(a) 工资总额是税前,包含个人缴纳的税、社保、公积金以及房费水电费等;(b) 只覆盖就业人数 5 人及以上的法人单位,个体工商户与自由职业者不在样本内——而这两类正是青年就业的重要吸纳池;(c) 该发布页通篇无"中位数"三字,是加权算术平均;(d) 为全部在岗就业人员平均,非应届生起薪。
跨国比较的构念差异:统计局确实公布居民人均可支配收入中位数,但不公布分行业工资中位数;而美国分专业表给的是中位数。平均数与中位数不是同一个量,不可并列。本文只比方向:两边都显示 IT 相对优势仍在但增速已被其他行业赶上。
【单源已核 + 多源证实】考研三连降与国考首次缩招同时发生:2026 年全国硕士研究生招生考试报名 343 万人,较 2025 年的 388 万减少 45 万(−11.6%),自 2024 年起连续第三年下降,应表述为"2020 年(341 万)以来最低"(完整序列:2019 年 290 万 → 2020 年 341 万 → 2021 年 377 万 → 2022 年 457 万 → 2023 年 474 万峰值 → 2024 年 438 万 → 2025 年 388 万 → 2026 年 343 万)。同期国考 2026 年度计划招录 3.81 万人,较上年度的 3.97 万减少 1,602 人,是 2019 年以来首次缩招;通过资格审查 371.8 万人(创历史新高,+8.8%),过审与录用计划之比约 98:1(上年度约 86:1)——这个抬升同时来自分子上升与分母收缩,两头夹击。另注:一般职位年龄上限由 35 周岁放宽至 38 周岁、应届硕博由 40 放宽至 43,官方理由是渐进式延迟退休;年龄放宽会机械性推高报名基数,而官方未拆分其中多少来自年龄放宽。
口径提醒:371.8 万是通过资格审查人数,不是报名人数,更不是录取率;考研的报名数与国考的过审数口径不同,不可并列比较。可以承重的推论只有一条:"考研 −11.6% 与国考 +8.8% 同时发生",否定了"青年整体退出竞争"这个叙事。(某通讯社《报考回归理性》一文的副题即"专家分析",它是约请专家给出的解读框架,不是官方解读——教育部当天的通稿只给数字、不作任何解读。这反而强化了"两种解释都无法证伪"这个立论。)
【多源证实】专业撤销与停招的口径事实:教育部 2025-04-22 逐字:"全国高校共新增专业点 1839 个,调整学位授予门类或修业年限专业点 157 个,停招专业点 2220 个,撤销专业点 1428 个";2026-04-28 逐字:"'十四五'期间,全国高校新增本科专业布点 1.02 万个、撤销或停招 1.22 万个……累计调整比例超 30%,今年全国高校专业调整比例首次突破 10%"。本科专业目录现共涵盖 13 个门类、92 个专业类、883 种专业;全国本科专业布点共 6.28 万个。
三条口径提醒:单位是专业点不是人;停招 ≠ 撤销;全国目录总共才 883 种专业——用于反衬"三千多个专业被砍"这类媒体误读。布点存量的正确读法是:在招布点在收缩、存量布点仍在净增(2024 年度净增 411 个),同时毕业生人数在增加(2021 届 909 万 → 2024 届 1,179 万 → 2025 届 1,222 万 → 2026 届教育部预计 1,270 万)。目录结构上专业种数是干净的净增 38 种,无一种被删;被重组的是门类与专业类的框架。
⭐ 锁定的政策链条表述:就业率过低是官方明示的"停招"触发条件,撤销的明示条件是"连续五年未招生"——二者由同一条政策链相连。一手依据:教高〔2012〕9 号第二十六条"……就业率过低等情况,高校主管部门须责令有关高校限期整改、暂停招生";教高〔2023〕1 号第 13 条"对办学条件严重不足、教学质量低下、就业率过低的,要责令暂停招生、限期整改",第 16 条"对高校连续五年未招生的专业予以撤销处理";教高司函〔2025〕3 号"对本地区布点量大、就业率过低的专业及相近专业,原则上不再支持增设";教就业〔2024〕5 号"对就业质量不高的专业实行红黄牌提示制度""将高校毕业生就业状况作为高校办学资源配置、教学质量评估、招生计划安排的重要依据"。→ 因此"撤销/停招多 = 就业差"不是民间脑补,是政策设计的预期结果。真正需要提醒考生的是滞后性——从就业率过低到最终撤销可长达五年以上。
⚠️ 本条对读者伤害最大的地方在撤销榜:【未验证,底表来源不明】教育部 2023、2024 两个年度的通知附件里根本没有撤销名单(两份附件全文检索"撤销"命中次数均为 0),现有各类"撤销 Top5"榜单底表来源不明。锁定表述:专业名字里有没有"信息/计算/网络"字样,与它是不是计算机类、与它是否被淘汰,都是三件事。撤销数居前的是挂着信息名号的管理学与数学类专业(信息管理与信息系统属管理学、信息与计算科学属理学),以及公共事业管理、市场营销、产品设计等完全不带 IT 字样的专业;计算机类核心专业未出现在任何一套 Top5 中。引用任何撤销榜必须同时说明三件事:①无撤销率分母(没有任何一处给出撤销率);②停招不进撤销榜(同年停招 2220 个多于撤销 1428 个,而停招往往是撤销的前置动作);③底表来源不明。
【商业调查】招聘平台的榜单是获客与品牌传播产品,数据分母是自家平台用户,无外部审计,方法论未披露。四条构念警告:
另有一条可以写死的口径事实:某平台"已获 offer 比例"的分母逐字是"在有求职计划的应届毕业生中",已排除升学、考公备考、慢就业者,因此不能反推就业率。而其行业增速榜是行业职位数同比,不是专业、不是招聘人数——把行业增速当专业推荐依据,正是本文要批判的构念滑移;而且该报告自带一句反内卷限定语:"增速大不等于岗位总量最大",引增速榜而不引这句,等于替发布方做了它自己都没做的推断。
⚠️ 先把这一节的性质说死:下面这份清单是本文的组织方式,不是任何机构的结论。它不按"热门/冷门"排序,不给任何专业打分,也不预测哪个专业十年后会好。它做的是把前面十节的结论应用到三条可迁移的判据上——判据比清单更重要,因为四年后清单会过时,判据不会。
三条判据分别是:技能的可编码性、培养端产能约束、供给弹性与当前渗透率。每一栏下的"可承重证据"都只挂到该栏判据本身,不承诺任何就业结果。
判据来源:第 4 节。分界线不是"技术 vs 非技术",也不是"教育 vs 护理",而是"工作内容中有多少是可被文本化的信息生产"。
| 专业/方向 | 该栏内的位置 | 可承重证据 | 证据分级 |
|---|---|---|---|
| 护理、康复治疗、医学影像技术等动手型医疗照护 | 可编码性低端(稳健) | 两套厂商日志测量与一套非厂商测量(国际劳工组织,基于职业任务抽样与在职者调查,不使用任何 AI 产品日志)一致把护理类归入低暴露;翻身、移位、抽血、监测生命体征在文本对话里原理上不可能出现 | 【多源证实(方向)】+【厂商口径(两套)】+【单源已核(非厂商测量)】 |
| 中小学教育 | 低端,但与上一格的差距远小于流行说法 | 唯一的非厂商测量把小学教师、中学教师、护理专业人员、全科医生归入同一个"未暴露"类别 | 【单源已核】 |
| 高等教育教学、写作、翻译、初级法务文书、通用文案 | 可编码性高端 | 教学与讲解、写材料本来就是聊天机器人输出的默认形态;三套数据一致显示大学与研究生教学的暴露面显著高于中小学教学 | 【厂商口径 + 单源已核】该栏不得给任何可排序数字 |
| 软件工程 / 计算机科学 | 内部分裂,不可整体归档 | 官方十年预测里,软件开发者单列的增速高于含质量保证与测试的合并组——最易被自动化的测试部分增长更慢,这是分裂发生在专业内部的直接证据;招聘广告侧的净增量集中在资深岗与 AI 相关职称 | 【多源证实(官方预测口径)】+【商业调查(广告侧)】 |
这一栏的最强限定:任何按职业逐条打分的"AI 暴露度"都不可承重——三套测量在细分职业层面的秩相关只有 0.427;第三方审计显示跨平台秩相关 0.43–0.79(还是在 22 个大类层面),同一厂商自己的排序 14 个月内 22 个大类有 9 个跨越五分位。换一家厂商的日志、甚至换一个季度,排序就会变。【单源已核,第三方方法学审计】
判据来源:第 6 节。问的是"开一个新专业点,学校需要额外投入什么",不是"这一行要不要执照"。
| 专业/方向 | 该栏内的位置 | 可承重证据 | 证据分级 |
|---|---|---|---|
| 护理、医学、部分需实验室/认证床位的工科 | 扩张受物理与人力约束 | 行业协会连续三年的拒收申请序列;拒收原因自陈为师资、临床场地、教室空间、带教老师与预算 | 【多源证实(数值)】但利益相关必须随数字出现:发布方是行业协会,拒收份数越大越有利于其拨款诉求;且它公布的是"份数(applications)"不是"人数(applicants)",括注是它自己加的,媒体转述时普遍丢掉;硕博层次约占其中五分之一,用总数说本科瓶颈高估约 22% |
| 同上 | 但"瓶颈正在恶化"不成立 | 同一页写着 2025 年的师资空缺率 7.2% 低于十年均值 7.64% | 【单源已核】这两个数必须成对出现 |
| 法学、管理学、多数计算机类、多数文科 | 扩张的边际成本低 | 三个反例:美国法学需认证院校加执照仍是过冲教科书案例;药学三重门槛齐备仍近乎翻倍并过剩;执业护师项目十年内数倍增长。中国侧:计算机类 2018–2022 新增专业点居所有专业类之首 | 【多源证实(三反例各有一手)】+【商业调查一手件(中国侧新增点数)】 |
| 判据本身 | — | "执业端有没有执照"不构成判据;执照卡在毕业之后(律考、药师考)对招生端毫无约束,卡在入口的才抑制过冲;且认证机构在热潮中会顺周期放宽 | 本文的推理产物,如实标注;不是任何机构的结论 |
这一栏的最强限定:产能受限只能拉长滞后、削平振幅,不能保证过冲不发生。"过冲几乎必然被抑制"是错的,正确表述是"幅度更小、速度更慢"。
判据来源:第 5、10 节。问的是"在你入学到毕业这四年里,有多少人会和你拿到同一个标签"。
| 专业/方向 | 该栏内的位置 | 可承重证据 | 证据分级 |
|---|---|---|---|
| 中国的计算机科学与技术、软件工程 | 渗透率已极高 | 开设计算机科学与技术的高校 955 所、软件工程 661 所(官方平台口径,截至 2025 年 11 月),两专业年毕业生规模合计逾 10 万人;2018–2022 计算机类新增专业点 1047 个居首 | 【官方平台口径,行政记录,不受抽样问题影响】——本节最强的一格 |
| 中国的人工智能 | 标签已不稀缺 | 到 2024 年度批次为止,全国已有约 626 所普通本科高校备案该专业,约占全国 1,257 所普通本科学校的一半 | 【单源已核(一手附件点数)】唯一稳健的含义是:该标签本身已不具备稀缺性。它不能告诉你 2030 年的岗位供求 |
| 美国的计算机与信息科学 | 已走完两轮完整周期,正处第三轮高位 | 四十年长序列:两轮峰谷分别 −42.1% 与 −36.1%,第三轮自谷底 +186%;学位管道有四年延迟,行为反应比崩盘晚约四年才在授予数上显现 | 【多源证实,三席逐格核对全部 58 个学年行】 |
| 美国法学 | 唯一走完四步的完整案例,当前是"供给再扩张 + 需求走软"的背离 | 2013 届谷底由两个机构、两套问卷、两种分母独立算出;修复的三分之二来自分母;2025 年秋一年级 42,817 人为 2012 年以来最大;大所放缓有三条独立佐证 | 【多源证实(UPGRADE_MULTISOURCE)】 |
| 中国的师范类(编制内通道) | 一条通道在收紧,但幅度不可信 | 三个独立口径(两省省级招聘公告 + 中央两部委特岗计划)方向一致,专项检索未发现任何反向省级公告 | 【多源证实(方向)】幅度被方法学审计席否决,本文不给降幅百分比;不能由一省外推全国 |
| 资源开采与重工类(采矿、石油、船舶等) | 历史反转的样本 | 2010–2011 年被商业调查机构列为绿牌并建议扩招的九个专业,今天是劝退重灾区;这一侧没有发布方的免责声明,反转是干净的、单向的 | 【多源证实(名单文本)】但注意:名单的多源确证是"文本内容"的确证,不是就业状况的独立测量 |
| 判据本身的弱点 | — | 蛛网的形态有历史证据,它的参数没有:被广泛引用的"四年调整周期"出自一份两页、无任何统计估计的附录;学生对薪资信号的弹性很低(一项美国研究 R² 只有 0.02,另一项法国研究的作者定性为"very low",主因是非金钱因素) | 【单源已核 + 多源证实(工作论文版)】两组弹性不可跨国并列 |
其一,回报的来源在哪里(第 7 节):院校效应在控制自选择后基本归零(上尾除外——名校主要影响进入收入前 1%、精英研究生院、名企的概率,对进入前 25% 的概率影响"小且统计上不显著");专业间差距真实,但主要由"理科 vs 人文"这一端撑起,理工商三者之间几乎无差别;同一专业内部从 25 分位到 75 分位,终身收入通常翻倍甚至翻三倍,而且低收入专业的这个跨度更大。【多源证实 + 已过同行评审】跨国外推限制:挪威是集中录取、公立免学费、工资压缩显著的市场,专业间收入差本就被压缩,估计本身是断点附近顺从者的局部效应;美国的分位研究含兼职者与全年有失业经历者,而衰减研究限"全职在职"——两者并置时这个差别是决定性的。
其二,回报衰减是职业的属性,不是专业的属性:计算机与工程专业在 STEM 职业的就业份额从 26 岁的 59% 降到 50 岁的 41%,这 18 个百分点几乎完全被转入非 STEM 管理职业所抵消。"选了这个专业就一辈子干这个"这个前提,数据本身就不支持。【多源证实 + 已过同行评审】
最后一次强调:上面每一格挂的都是判据证据,不是就业承诺。这份清单最正确的用法,是拿它去检验你在别处读到的推荐,而不是拿它当推荐。
按证据强度排序。
这一小节是本期方法学最有价值的产出,所以放在最前面。
(一)教育部年度批次里"人工智能专业新增了多少所学校"。
很多人会告诉你去盯这个数,看它有没有下降。这个建议听上去可检验,实际不可用,理由有四:
作为对照:"数据科学与大数据技术"的布点在 2016–2017 年见顶,但数据岗位的需求在此后又增长了五年以上。领先指标提前五年发出假警报,是这类行政计数的常态,不是例外。
所以本文不把它列为检验信号。如果你在别处看到有人拿这个数告诉你 AI 专业"已经见顶",那是一条你现在可以自己拆掉的论证。
一个你会撞上的制度事实(值得知道,但它不是信号):从 2025 年度批次起,教育部改变了发布颗粒度——2026 年 4 月只公布了《本科专业目录(2026 年)》,没有随文公开逐校名单;政策文件库以"本科专业备案和审批结果"检索标题仅返回 2017–2024 八份。名单下发到了省厅和高校,但公众要靠省级教育厅的通稿和第三方机构的不完全汇编去拼。"发布颗粒度收窄"本身值得知道,但它不能替代一个信号。
(二)任何单一年份的专业就业率排行榜。
理由见第 10.2 节:国内榜单的主指标分子含升学,升学率高的专业天然显得"就业好";而红黄牌的第一判据是绝对失业人数,它主要由这个专业有多少人决定。这类榜单在结构上就无法区分"这个专业不好"和"这个专业人多"。
(三)"某职业十年缺口 XX 万"。
理由见第 2 节:这个数是十年年均流量,其中 97.2% 来自分离,而分离里 55.5% 是转去别的职业。缺口大几乎从不意味着机会多,它主要意味着人走得快。
证据强度:★★★★★【多源证实,恒等式,读者可完全复现】
你自己就能做的检验:打开美国劳工统计局就业预测的 occupation.xlsx,找 Table 1.10。任取一个你在志愿指导里看到"缺口巨大"的职业,把它那一行的 annual openings 与 total separations 相除。若比值 ≥ 1,这个职业的就业总量在未来十年是萎缩的——所谓"缺口"全部来自人往外走。再把 openings 与该职业 2024 年的就业存量相除,你会得到它的年周转率;周转率越高,"缺口"越大,与"这个行业在扩张"没有关系。中国侧的对应动作:看某专业的就业质量报告时,先问"这个数的分母是谁"——是全体毕业生,还是"有求职计划的毕业生",还是"已受雇全职者"。三者会给出完全不同的画面。
证据强度:★★★★★【多源证实,多周期官方评估,带朴素基准,against-interest】
检验方式:去 bls.gov/emp/evaluations,打开任意一轮"Occupational Projections Evaluation"。先看大类记分卡,再看 detailed occupations 记分卡,比较官方与朴素模型的胜负比。你会亲眼看到同一份评估在两个聚合层级上给出的差距。更快的一个动作:找出十年前那一版预测里"增长最快的 20 个职业"名单,逐个查它们今天的实际就业。注意基线:338 个职业里随机抽 20 个,期望命中约 1.2 个——判断标准不是"命中率高不高",而是"命中率是不是明显高于 1.2/20"。
证据强度:★★★★☆【判据为本文推理产物,但三个反例与协会数据均为一手】
检验方式:对你考虑的每个专业问三个问题——①开一个新专业点,学校需要额外投入什么?只需要教室、PPT 和几个转岗教师(法学、管理、多数计算机类)→ 供给可以极快扩张;需要临床实习席位、带教老师、实验室、认证床位(护理、医学、部分工科)→ 扩张受物理约束。②约束卡在入口还是出口?卡在毕业之后的执照对招生端毫无约束。③认证机构在热潮中会不会顺周期放宽?(历史答案:会。)可观察的公开数据:美国看护理院校协会每年公布的"被拒申请份数"与"师资空缺率"——注意 applications ≠ applicants,且要与十年均值比而不是与去年比;中国看你所在省份教育厅每年发布的急需专业清单与专业预警清单,以及某专业在你省的开设院校数——院校数逼近全省本科高校总数时,这个标签的稀缺性就没了。
证据强度:★★★★☆【多源证实 + 已过同行评审,但跨国外推限制重】
检验方式:任何给你"专业收入排行榜"的地方,追问它给不给分位数。只给中位数或均值的榜单,系统性地隐藏了对你最重要的信息——同一专业从 25 分位到 75 分位,终身收入通常翻倍甚至翻三倍,而且低收入专业的这个跨度更大。具体动作:在纽约联储的"Outcomes by Major"表里,同时看早期与中期两列,再看该专业的低就业率。低就业率高而失业率低的专业(如生物 51%、心理 48%、美术 59%),说明它的毕业生找得到工作,但找不到需要这个学位的工作——这比失业率更能预测你的实际处境。
证据强度:★★★★☆【多源证实 + 2026 年已发表;但对照组是作者自有样本的 9 所旗舰公立】
检验方式:问自己"我想要的结果落在分布的哪一段"。若目标是进入收入前 1%、精英研究生院或名企,院校选择有实质影响;若目标是进入前 25%,现有最好的研究测到的效应是"小且统计上不显著"。可观察的信号:看你目标院校发布的毕业生去向报告时,不要看平均薪资,看上尾去向的绝对人数(进入某几家目标雇主或项目的人数),再除以该院校该专业的毕业生总数。
证据强度:★★★★☆【多源证实,四十年长序列;法学院四步弧线双源】
检验方式:任何"某专业正在降温/回暖"的说法,要求它给出至少连续五年的序列。单年方向不构成信号——分专业失业率的跨年中位绝对变化约 1.25pp,73 个专业里有 20 个的年变化超过 2pp。美国侧可查:国家教育统计中心《教育统计摘要》的计算机与信息科学学位授予长序列(1964-65 至今),你会看到两轮完整的 −42% 与 −36%。中国侧可查:各省招生考试院每年发布的分专业招生计划书(逐校可数,直接对应人头供给),以及目标专业录取位次与分数线的逐年变化(各省一分一段表 + 院校专业组投档线)——这两项是你在报考季本人就能直接查到的一手数据,且没有"学校数 ≠ 人数"的单位错配问题。
证据强度:★★★☆☆【政策链条条文为多源证实;榜单底表为未验证】
检验方式:撤销是比新增更硬的行为证据,因为它有实际成本。教育部每年公布的年度批次里含撤销与停招数据(2024 年度全国撤销 1,428 个、停招 2,220 个专业点)。但引用任何撤销榜之前必须先问三个问题:①有没有给撤销率的分母?(至今没有任何一处给出)②停招进不进榜?(不进,而停招往往是撤销的前置动作)③底表哪来的?(2023、2024 两个年度的教育部附件里根本没有撤销名单。)更贴近你的动作:查你所在省份的专业预警清单与急需专业清单(已覆盖 473 种专业),以及你目标院校的该专业是否进过省级黄牌或红牌(江西以落实率低于 50% 亮黄牌、连续 2 年低于 50% 亮红牌责令停招)。省级清单比全国的新增校数更贴近你要做的那个决定。
另有一个只能作辅助、且必须写明覆盖范围的东西:教育部政务服务平台每年 8–9 月发布的《本科专业申报材料公示》,是"高校今年想往哪儿挤"的最早读数。⚠️ 但它只覆盖国控与目录外新专业(即审批类),不含备案类——人工智能专业走的是备案,根本不在公示范围内。所以它不能用来看 AI 专业。
证据强度:★★★★☆【多源证实,规范性文件逐字条文,双链路字符级验全等】
检验方式:不要用全国灵活就业率做基准去做减法(那会把定义差异误当造假)。正确动作:打开你目标院校的《毕业生就业质量报告》,做同校内横向比较——看某个专业的"灵活就业 + 待就业 + 暂不就业"三项合计,以及它的灵活就业占比是否显著高于同校其他专业。同校内横向比较不受口径差异影响,这才是可用的判据。制度背景:自由职业的审核依据是"毕业生本人签字确认的证明材料,由校、院两级就业部门负责同志审定"——认定材料由被统计者出具,审核者是被考核者本人所在单位;电子商务创业计入落实率且不需达到最低工资。
证据强度:★★☆☆☆【方向存争,大量厂商口径,量化表述被 Round 3 三重否决】
检验方式:任何"软件岗位在回暖/在崩塌"的说法,先问三件事:①基期是哪一天?(那条广为流传的反弹幅度,基期恰是序列谷底,而且是某 AI 厂商的产品发布日。)②水平面在哪?(即便反弹后,软件开发岗位广告仍比 2020 年 2 月低约 27%。)③增量来自哪个资历层?(2025-05 至 2026-05 的净增量中,资深岗占 71%、AI 相关职称占 37%,且两类重叠——增长集中于资深岗与 AI 相关岗,对入门口最不利。)你自己可查:该平台研究部门的公开数据仓库按行业提供日频序列,你可以自己换基期重算。警告:这套指数会被回溯修订,同一句"自 X 日以来 +Y%"在不同抓取时点会给出不同数字——任何引用都必须锁定截取日期。
证据强度:★★★★☆【多源证实,三套口径均有一手定义】
检验方式:每次看到"对口率"或"专业相关度",先定位它是哪一套:①受访者自评与最高学历的相关程度(仅本科为最高学历者中 25.3% 报告"完全不相关");②分析师交叉编码判定是否直接对口本科专业(约 27% 直接对口,计算机科学 33%);③是否在 STEM 职业就业(工程 52%、计算机/数学/统计 51%、心理 10%)。三者分子分母定义各不相同,任何跨口径的加减或对比都是错的。中国侧的"工作与专业相关度"分母是已受雇全职者,不是全体毕业生,也不是行政意义上的"对口就业率"。另注意一处最常见的错读:"岗位要求本科学历"对应约 +25% 的工资,"岗位与专业对口"在此之上再对应约 +5%——两者是嵌套的两道门槛,系数之比不等于重要性之比。
原定的"AI 新增校数"信号被否决后,审计席指定的替代信号构念更贴近你真正关心的量:
| 替代信号 | 为什么它更好 | 在哪里查 |
|---|---|---|
| 分专业招生计划人数 | 直接对应人头供给,无"机构计数 ≠ 人头供给"的单位错配 | 各省招生考试院年度招生计划书,逐校可数 |
| 目标专业录取位次与分数线的逐年变化 | 直接反映考生集体判断,且你在报考季自己就能查到 | 各省一分一段表 + 院校专业组投档线 |
| 年度批次中撤销/停招名单里相关代码的出现 | 撤销是比新增更硬的行为证据,因为它有实际成本 | 教育部年度《备案和审批结果》 |
| 各省"急需专业清单"与"专业预警清单" | 已覆盖 473 种专业;你所在省份把哪个专业放进预警名单,比全国的新增校数更贴近你要做的那个决定 | 各省教育厅,按教高司函〔2025〕3 号要求于每年 7 月 31 日前发布 |
| 每年 3–4 月本省教育厅/人社厅的《中小学教师公开招聘公告》总计划数 | 可逐年自查,且是行政一手件 | 各省教育厅/人社厅。⚠️ 必须同时核对岗位类别是否与上一年一致——口径不一致时不要比百分比 |
最后一条方法学纪律,给你也给我自己:本文在第 5.3 节写下过一条预注册规则——若将来取到更完整的布点数据,只有同时满足"单一年度变化超过 ±3 倍""连续两个年度同向""使用官方年度口径并同时报告全篮子相关专业以排除换标签""以尚未开设该专业的院校数为分母报告发生率"这四条,才允许说"布点扩张确已转向",且仍只能作为辅助描述,不得作为择业建议依据。规则先写、数据后看,这是本文对自己的唯一约束方式,也是你评价任何一份专业推荐时可以套用的标准:它的判断规则是在看到数据之前定的,还是之后定的?
occupation.xlsx Table 1.10 / Table 1.2;BLS 官方评估页《Occupational Projections Evaluation: 2006–2016》《2012–2022》《2014–2024》;BLS 方法说明页(separations.htm、replacements.htm);《Monthly Labor Review》2005-07 的外部评估文与 2025-02 的 AI 案例研究(均属 BLS 自办刊物,非同行评审);2014–24 与 2016–26 两版历史表格。多数 BLS 一手件经网页存档的原始快照取得。本文承重论断经 180 票三票对抗验证与 24 席单源双席审计,10 项核心数字被撤下或降级;转述保真不等于事实为真,证据分级已逐条标注。站内相关研究:AI 时代的初级工程师还有位置吗?(入门级岗位的另一面)、「95% 试点失败」体检(读调查数字的口径阶梯)、学习科学:什么方法真的有效(进了大学之后怎么学)、这轮 AI 资本开支是不是 1999?(你毕业时会撞上什么样的宏观周期)。