本文是同名深入版的精简版。所有关键数字都经过回源核查,想看完整论证、每条结论的强弱标注和出处请读深入版。数字截至 2026 年 7 月。
它不给专业排名,不告诉你"未来十年什么最吃香"。
不是谦虚。是因为本期最硬的一条证据直接堵死了这条路。
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,是全世界唯一定期给自己打分的一家。按它自己公布的记分卡:
还有一张表最能说明问题:被 BLS 排进"未来增长最快的五分之一"的职业里,约 48% 真的落在了实际最快的五分之一(随机命中是 20%),但仍有约 19% 掉进了实际最慢的那一端。
正确的读法不是"官方预测是瞎猜"——它明显好过瞎猜,而且另有独立研究发现,过去几十年官方最看好的那批职业,后来确实比最不看好的那批涨得多得多。正确的读法是:它给出的是一个大约两倍于随机的粗信号,不是一份可以照着填志愿的名单。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。
而且要补三句:
一个很扎心的例子:数码相机来了之后,BLS 已经主动调低了对照片冲印相关岗位的预测,预计十年减两成多。实际减了六成六。即便在技术路径已经清清楚楚、已经在数据里显现的最有利情形下,官方仍然把降幅低估了约三倍。
所以结论是一条梯度:越粗的层面越可信,越细的层面越不可信——而你要做的那个决定,恰好在最细的那一端。
本文因此改做另一件事: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,把"已经发生的结构变化"和"只是被预测的东西"严格分开,最后给你一份按判据分栏的清单,和十条你自己就能验的主张。
这是全篇最硬的一节,也是唯一一条你能在一个下午亲手验完的。它不是相关性,是定义上的恒等式。
BLS 表格里那个"岗位缺口"的列名逐字是"2024–34 年年均"。它是十年里每年平均的人员流动量,不是任何一个时点上真的空着 XX 万个位子,也不是十年累计。
全职业合计,年均"缺口"约 1,886 万。这个数怎么来的?
缺口 = 年均离开这个职业的人 + 十年净增岗位 ÷ 10
代进去:1,834 万 + 52 万 = 1,886 万。
也就是说,"缺口"的 97% 来自有人离开,只有 3% 来自岗位真的变多了。
而且这个数还不包括同一职业内换个雇主的人。它和招聘网站上那个"空缺职位数"是两个完全不同的东西——BLS 自己写明两者"没有任何办法可以互相换算比较"。
那 1,834 万"离开"里,退休和退出劳动力只占 44%,另外 56% 是在职的人转去了别的职业。所谓缺口,多数不是前辈腾位子,是同行跳到别的行当去了。BLS 自己还写着:对于正在萎缩的职业,"并不是每个离开的人都需要被替补"。
这里有一条极好用的判据:如果某个职业"年均离开人数"大于"年均缺口",这个职业的十年就业总量必然是萎缩的。这在全部 832 个细分职业上都成立,零例外。
按年均缺口排序,全美前 15 名的职业里,13 个的中位年薪低于全职业中位数;6 个的十年就业其实在萎缩(零售、收银、餐厅服务、客服、办公文员、行政助理)。
BLS 在 2016 年改过一次算法。旧版表格标的是"十年合计",新版标的是"年均"。如果你把两个数直接放在一起看,会读成"缺口腰斩了 59%"——其实什么都没发生,只是一个是十年总数、一个是每年平均。BLS 自己明确写着两版"不应比较"。
一处必须诚实标注的地方:判定旧方法"有统计和概念缺陷"的,正是执行这次变更的 BLS 自己——它既是执行者又是唯一裁判。我们没有检索到针对新方法的独立公开质疑,但"没检索到"不等于"不存在"。
把全部职业按"入行通常需要什么学历"分组:年均缺口里,高中档占 36%、无学历要求档占 33%,而学士、硕士、博士三档加起来只占 21%——但这三档占了现有就业的 30%、占了十年净增岗位的 58%。
为什么缺口少?因为学历档的人离职率低:博士档年均离职率不到 5%,而无学历要求档接近 16%,是单调的梯度。
这是双刃的,两面都得说:学位类岗位更稳定,这对已经在里面的人是好消息;但它们每年向外敞开的口子也更窄,这对正要挤进去的应届生不一定是好消息。
"计算机专业已经饱和"是近三年传播最广的叙事。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。
纽约联储每年发布一张 73 个专业的表,包含失业率、"低就业率"和中位薪。"低就业"的意思是:找到了工作,但那份工作根本不需要大学文凭。
先说一条读表纪律:这张表的失业率算的是 22–27 岁所有拿学士及以上学历的人(含硕博),而中位薪只算"最高学历是学士"的全职工作者——是两拨人,不能挂在一起讲故事。
几组关键值(失业率 / 干着不需要文凭的活的比例):计算机科学 7.0% / 19.1%;计算机工程 7.8% / 15.8%;护理 2.1% / 12.8%;小学教育 1.2% / 16.2%;生物 4.3% / 51.1%;心理 5.0% / 48.3%;美术 7.7% / 58.9%;全体毕业生 4.2% / 39.4%。
几个值得单说的点:
把这张表的四个版本排开(2021→2024 年数据):CS 失业率从 4.3% 涨到 7.0%,两年涨了 2.7 个百分点;起薪从 7.8 万涨到 8.7 万美元。
三件事必须一起说:
这一点必须讲清楚,因为它决定了上面所有数字能被用到什么程度。
纽约联储在公开渠道里从来没有公布过这张表的样本量,也没有公布这些数字本身的误差范围。四份数据文件里没有相关列,交互页面和问答里全文检索零命中。更硬的一条是:纽约联储自己的方法论文献做分专业分析时用的是 13 个宽口径专业加三年合并数据,而这张网页表扩到了 73 个细分专业、单年数据——这次扩展从来没有配套发布过任何方法说明。
唯一有人替它算了误差范围的是华盛顿的一家机构(经济创新集团)。它算出来的结果是:计算机工程的失业率真值可能在 4% 到 11% 之间;物理在 2% 到 12% 之间;公共政策在 0% 到 13% 之间。作者原话是,多数情况下这些区间大到"用它们对特定专业的回报下确定结论都说不通,更别说用来做政策决策"。
这条也要标利益:这家机构不是中立统计机构,是政策倡导型机构,由科技投资人出资创办,长期主张扩大高技能移民。"CS 就业市场没崩塌"这个结论方向和它的立场同向。这不否定它的统计工作(方法正当、代码公开),但引用时得说出来。
误差有多大,还能换个方式感受:2023 到 2024 一年之间,73 个专业的失业率变化中位数是 1.25 个百分点,有 20 个专业变化超过 2 个百分点。幼儿教育从 1.3% 跳到 6.6%,营养科学从 0.4% 跳到 4.5%,外语反着从 4.0% 掉到 1.6%。相比之下 CS 只动了 0.9 个百分点。
所以"CS 高失业率稳定复现"这句话必须降一档:CS 的当前高位只由连续两次读数支撑;计算机工程的高位干脆就是一次单年跳变造出来的(前一年才 2.3%),而它两年的读数落在同一个误差区间内,"复现"在统计上等于没提供额外信息。
这里要防一个双标:如果你用"噪声"去解释艺术史一年翻车,就得用同一把尺子看 CS 的两年高位。
2025 年那篇引爆讨论的商业媒体报道,文末带着一句更正声明:图表数据错了,事后被订正——而病毒式传播的恰恰主要是那张图。
真正的口径事故也要说准:那篇报道写清楚了分专业数据的来源和年份;出问题的是它同时放上去的另一个数字,来自完全不同的一套月度调查、经过季节调整、参照期是单个月份。事故在于"两套调查并排而只标了一套",不在于"没标年份"。这两套确实不能并排:同一个日历年,月度调查口径的应届生失业率比社区调查口径高 0.74 个百分点。
还有一份被广泛当成"第二家机构印证"的报告(乔治城大学),给出 CS 应届失业率 7.2%。它和纽约联储用的是同一套底层数据,只是年龄窗和合并方式不同,不构成独立测量。只能说"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",不能说"两家机构互证"。(这家机构立场明确亲学位,资助方也以提高学位获得率为纲领。)
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。任何给你具体百分比的说法,都超出了证据能支撑的范围。
一是"理论上能不能被 AI 干"。代表作是 OpenAI 团队那篇论文。它测的是"在同等质量下、理论上用大模型能把耗时砍一半的任务有多少"。作者自己在摘要里写着:"我们不对这类模型的发展或普及时间表做任何预测。"正文另写"技术上可行不保证会转化为生产率或自动化结果"。而且它的打分质量本身有硬伤:人和模型的一致率只有六成到八成,模型把 86 个职业标为"完全暴露"而人工只标了 15 个;打分的人是公司内部人员和外包标注员,没有一个是对应职业的从业者。
二是厂商的产品使用日志。观测单位是"对话",不是人;发布方自己承认它不代表全社会的 AI 使用,也没法确定用户是不是在用它干工作。
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。
还有一个引用链问题:很多看起来"互相印证"的研究,共享的其实是同一套自变量(同一份机器打分的 AI 暴露度),不是数据也不是结论。它们能互证的只是"按这套分数分组后就业出现分化",不能互证"这套分数量的确实是 AI 的影响"。链条上最讽刺的一条:两篇下游研究用的,正是原作者论文里明说"我们的主要结果用的是人工标注"的那套机器标注。
这里的利益关系是反直觉的,必须单独写出来:高暴露度那一端是三位 OpenAI 作者;"AI 用量在上升"那一端是某厂商用自家日志加自家分类器;而主张"AI 没在杀入门级岗位"的那份最系统的反驳,是由 Google 首席经济学家与其团队的 AI 与经济负责人撰写的,致谢名单里有 Alphabet 总裁兼首席投资官、Alphabet 总法律顾问和 Google 高级副总裁。→ "厂商=夸大 AI 影响"这条直觉不成立;最深的厂商指纹恰恰在"AI 没影响"那一侧。
不是专家在打架,是两台镜子在看不同的东西。
低倍镜(耶鲁预算实验室,用月度人口调查看全经济的职业构成):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,变动速度还在历史上电脑、互联网普及时的区间内,而且这个变动在 AI 大规模进入职场之前就开始了。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。
但这台镜子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。这不是外人挑刺,是它自己承认的:这个调查对"22–27 岁应届毕业生"这种小群体的分析力度不足。
高倍镜(丹麦的企业级研究):同一时间、同一国家,上了 AI 的公司和没上的公司,员工收入和工时有没有分岔?答案是没有,而且测得很准。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。作者自己也承认这一点。
两台镜子都没看到东西,不等于没有东西。它们有一块共同盲区: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。
美国人口普查局的研究人员用失业保险行政记录做了测量:把年龄切开之后,ChatGPT 发布之后,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,而且几乎全部来自"不招了"而不是"裁了"。
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 2.5 万名劳动者、7 千家职场的调查,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:丹麦高暴露职业的初级岗位确实在减少,但减少的不是那些采纳了 AI 的公司。他们算过上限:AI 采纳最多只能解释总降幅的约四分之一。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。
所以正确的说法是"AI 至多解释了其中一小部分",不是"AI 对入门级零效应"。
还有个制度问题必须一起讲:证实"AI 没砍初级岗"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;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。上述几份研究全部没有经过同行评审。
传播最广的那份"AI 正在压缩年轻人就业"的量化研究,本期被否决,它的全部口径数字不进正文。能保留的弱结论只到这一步:
在一份覆盖数百万美国薪酬记录的私营数据里(客户企业构成不代表全美经济),2022 年底以来,被一套由大模型打分的"AI 暴露度"排在最高档的职业中,22–25 岁在职者人数相对同公司低暴露职业出现了下滑,而 30 岁以上没有。这是一个描述性事实,不是因果结论。
而且同一批作者已经公开承认:加入最完整的宏观控制之后,这个下滑只在 2024 年之后才显著;把样本回溯到 2018 年,这套指标标出的"最暴露"职业早在 2020 年——生成式 AI 出现之前——就已经增长偏慢了。现有的统计设计无法区分"AI 替代了入门岗位"和"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。它至今仍是未经同行评审的工作论文,数据是专有的,外部无法复制。数据方是该实验室的付费企业伙伴,论文没有利益冲突声明。
独立对照给出的量级散度非常大: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),并明说数据"并未显示 AI 造成广泛的劳动力市场破坏";耶鲁和另一家机构用不同暴露度指标,都没找到暴露度和就业的关系;两家机构各自用招聘广告数据直接检验"同一个高暴露职业内部,初级岗是不是比高级岗掉得更多",独立得出的答案都是没有;还有研究发现高暴露职业的恶化早在 2022 年初就开始了,比 ChatGPT 早几个月;纽约联储另一项研究干脆把年轻大学毕业生失业率上升的 64% 归给了远程办公。
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"某个职业的工作活动有多大比例会出现在聊天记录里"。按这个口径,教育类职业的重合度明显高于医疗照护类。
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,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。论文明说它不知道用户本人的职业;它的流程甚至专门标注了"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作业推高的那一格。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:把高分读成会被自动化、会掉工作或掉工资,"那会是个错误"。(五位作者全部来自该公司研究院,数据是自家日志,分类器是自家模型,伦理审查是内部的,验证用的三名人类标注者就是论文作者本人,原始对话不可释出、外部无法复现任何一格数字。)
所以本文只从中保留一句机制判断,不保留任何数字:
教学工作里可以被文字化的那部分(备课、讲解、出题、批改、写材料、答疑),和当前聊天机器人的能力高度重合;护理工作里可以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和工资实测数据才能回答的问题。
而且要一并写明一条反证:国际劳工组织的工作论文(基于近三万项职业任务抽样、1,640 名在职者调查和专家组,完全不使用任何 AI 产品日志)把小学教师、中学教师、护理专业人员、全科医生四者归入了同一个"未暴露"类别。"教育接近知识工作"在这套口径下同样不成立。
最后一条,也是最重要的:任何按职业逐条打分的"AI 暴露度排行"都不可信。第三方审计显示,不同平台之间的职业排序相关性只有 0.43 到 0.79(还是在粗到只有 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。
这一节的落点:再说一遍,因为它最容易被断章取义——招聘转冷是真的,原因、幅度和持续时间都不知道。本文不用这一节劝阻或劝进任何具体专业。
"学生按当期就业信号追涨、四年后集体毕业撞上供给过剩"——这不是理论演绎,是可以逐年点数的历史。
按美国律师协会的强制披露数据:2013 届的 46,776 名法学院毕业生里,只有 57% 在毕业约九个月时拿到了"须通过律师资格考试"的全职长期岗位。剔掉法学院自己出钱雇佣的岗位,是 55%。另一个完全独立的机构(全美法律就业协会)用自己的调查体系测出的同届数字是有记录以来最低。两套问卷、两个机构、两种分母,指向同一个谷底、同一个拐点年份。
到 2025 届,同一口径回到了 83%。但这条回升弧线的三分之二来自分母,不是分子:岗位数只从 26,653 增到 29,928(涨 12%),毕业生数却从 46,776 降到 36,206(降 23%)。如果 2025 届的班级还是 2013 届那么大,这个比例是 64%,不是 83%。修复的主要方式不是行业多要了人,是学院少送了人。
几条必须带的限定:
当前的形势是背离: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(大所暑期实习招聘收缩,2026 年暑期二年级项目的 offer 中位数是有记录以来最低;入门级法律岗位总量至今仍比 2007 年少约 5%)。这恰恰是上一轮错配的前置条件。用"预警"而不是"验证"来收这一段。
还有一处必须纠正的流行说法:2026 年那个广为流传的"法学院申请人 +33%",是季初约 15% 样本的读数,发布方自己标注为"极早期数据""至多只有方向性参考";到 2026 年 6 月中,同比只剩约 +8.5%。只引 33% 不引 8.5% 属于选择性引用。
而且发布方自己列的驱动因素里根本没有"法律岗位需求上升";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"。
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"追涨杀跌"的模型更值得警惕,不是更不值得。
按美国国家教育统计中心的长序列(计算机与信息科学学士学位授予数):
这里有个关键的因果读法:互联网泡沫 2000 年 3 月破裂,学位数峰值却在 2003-04,差了四年。这不是"反应迟钝",这是四年学制的管道延迟——2003-04 毕业的那批人,是 1999 到 2000 年、在泡沫顶点或之前做的专业选择。真正的行为反应从 2004-05 才开始在数据上显现,而那 36% 的下滑正是从那里开始的。这对"追涨"的论证是加强,不是削弱。
中国"数据科学与大数据技术"的开设院校数,从 2017 年度的峰值约 250 校降到 2024 年度的十几校,八年衰减逾九成,峰值出现在这个专业开设后的第二年。(逐年数字不可逐字引用,媒体汇编的序列口径逐年不一致;但峰值、末年和衰减幅度这个大结论是稳的。)
这条曲线对本文的推断规则是反例,不是支持证据。因为大数据布点在 2017 年前后见顶,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。而且衰减后稳定在每年约 30 校的地板而非归零,累计到 2023 年约 790 所——约等于全国本科高校的六成。"衰减九成"这个修辞把这一点遮住了。
这是本文必须诚实交代的一处:"过热—崩塌—收缩—修复"这个形态有历史证据,它的参数(几年一个周期、反应有多强)没有证据。
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,全长只有两页、只有一张图,通篇没有数据表、没有回归、没有系数、没有任何统计估计,措辞是"市场可能会停在 b 点",那张图的自注还写着改编自一个经济学科普博客。
至于学生到底有多爱追涨:一项美国研究发现,某个专业的学位完成数与"三年前的工资"关系最强(也就是学生大一时看到的工资)——但这篇论文没报告任何标准误,而且三年前的工资只解释了学位产出变化的约 2%。一项法国研究模拟"预期收入涨 10%",得到的反应也很小,作者定性为"非常低,这意味着专业选择主要由非金钱因素驱动"。
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。
流行判据是:"这行需要执照 → 供给受限 → 不会过剩。"这条判据不成立,三个反例:
正确的判据是:
决定会不会过热的,不是"执业端有没有执照",而是"培养端的产能是否受物理或人力约束",以及"多开一个专业点的边际成本有多高"。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热(护理:临床实习席位、带教老师和师资同时受限)。而且认证机构本身会在热潮里顺周期放宽。
同时要把"过热几乎必然被抑制"降级为:产能受限只能拉长滞后、削平振幅,不能保证过热不发生。
这条判据是本文的推理产物,不是任何机构的结论——如实标注。
支撑数据是美国护理院校协会连续三年公布的"被拒申请份数":2023 年 65,766 → 2024 年 80,162 → 2025 年 92,672,拒收原因自陈是师资、临床场地、教室空间、带教老师和预算不足。
这个数字必须带三条:
利益相关必须随数字出现:美国护理院校协会是本科及以上护理院校的行业协会,它的说明表明确写着自己在为师资发展项目争取联邦拨款、长期游说相关立法。被拒申请份数(分子)越大,越有利于它的拨款诉求;而它选择公布"份数"而不是"人数"这件事本身,就得随数字一起披露。
这是本篇学术证据最强的一节——三篇《经济学季刊》,全部已发表并过同行评审。但跨国外推限制极重。
学校效应:早期研究发现,进了更好学校的学生,和"被同等学校录取但去了次优学校"的人相比,收入并没有更高。更新版改用社保行政记录重估后,连"学费更贵的学校回报更高"这一条也一起归零了。
但上尾是例外:2026 年 2 月发表的研究发现,读常春藤加斯坦福、MIT、杜克、芝加哥这 12 所,而不是"平均水平的旗舰公立大学",能让学生进入收入前 1% 的概率提高 50%、进入精英研究生院的概率接近翻倍、进入名企的概率接近三倍。但同一篇论文的空结果同样重要:对"进入收入前 25%"的概率,影响"小且统计上不显著";对收入本身的影响也不大。均值上那个"33 岁平均收入高 10 万美元",原文自己领起的句子就是"作为这些上尾影响的结果"——均值是被上尾抬起来的。
专业效应:挪威用几乎全部高考集中录取记录、以分数线断点做识别的研究,摘要写着"不同专业的回报差异巨大……对许多专业来说,这个差异可以与上大学本身的溢价相比"。
但常被漏引的后半句必须一起写:"选理科而不是人文,早期收入几乎是三倍。相比之下,选理科而不是工程或商科,几乎没有回报。"——也就是说,"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。
跨国外推警告:挪威是集中录取、公立免学费、工资差距被显著压缩的劳动力市场,专业间的收入差本来就被压小了。把这个结论直接搬到中美是危险的。
专业内的差距不比专业之间小:有研究发现,在同一个专业内部,从收入后 25% 到前 25%,一辈子累计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。同一份报告还说:在收入第 10 百分位上,不同专业的终身收入差约 50 万美元;在第 90 百分位上,这个差超过 350 万美元。这两句话逻辑上完全相容(是同一个分布的不同切面),但只引第一句会得出"选专业无所谓",只引第二句会得出"专业决定一切"。
衰减是职业的属性,不是专业的属性:2020 年《经济学季刊》的研究发现,计算机与工程专业早期收入高约 45%,到 50 岁只高 33%;商科从 38% 降到 20%;而生命科学、物理科学、社会科学的溢价反而随时间增长。作者自己给出的机制是本节最有用的一句:"相对回报的下降是 STEM 职业的特征,不是 STEM 专业的特征。"计算机与工程专业的人在 STEM 职业里的就业份额,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。
"对口"是三个不同的问题,分子分母各不相同,任何跨口径的加减都是错的:①受访者自评"工作和我的最高学历相关吗"(只以本科为最高学历的人里,约 25% 说"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%)。
还有一处最常见的错读:在那份城市工资研究里,"岗位要求本科学历"对应约 +25% 的工资,"岗位与专业对口"是在此之上再对应约 +5%——两者是嵌套的两道门槛,系数之比不等于重要性之比。而且这两个系数不是因果估计。
这是本篇跨国比较唯一诚实的落脚点。
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——没有分专业失业率、没有分专业起薪、没有分专业学历错配率。
但"中国没有官方分专业就业数据"是过强的说法。分专业就业数据在体制内确实存在、被采集,并且正在被用于行政处置(红黄牌、责令停招、撤销)。官方也公开发布过排序型产物,只是公开出来的是名单,不是数字:
省和校两级确实有公开的分专业落实率:江西以落实率低于 50% 亮黄牌、连续两年低于 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。
最硬的正面证据在教育部自己的文件里:《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"的指标分解逐字是"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门类级。同一页官方自陈这个指标"不能完全反映毕业生人岗匹配的实际情况"——这是官方承认自己没有"干着不需要文凭的活"这类指标的最好一手依据。
→ 所以正确的落点是:中国有分专业数据但不公开数值;美国的分专业数据来自普查局的社区调查,任何人可以下载重算,纽约联储那张表就是加工品。不对称在可复现性,不在存在性。
并且本文不把中美的数字放进同一张表、同一根轴、同一个句子。理由是构念完全不同: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,"干着不需要文凭的活"的分母是在业毕业生。这是三个不同的东西。并列它们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"。
按 2021 年版的《高校毕业生毕业去向界定及标准》(这份决定"什么算就业"的操作文件是依申请公开件,不在教育部主动公开目录里):
承重点在这里:官方落实率里最宽的那一档,认定材料由毕业生本人提供,由本校就业部门自行审定——审核者和被考核者同属一个单位。
同一份文件还写着:"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。"——这条数据发布管制条款,是由被计量方自己写的。
而且文件里那"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),恰恰是官方自陈存在指标摊派的证据。
要说清楚的是:"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。这两件事得分开说。另外,2024 年起换了新的分类体系,门槛在执行层面已经加严(其他录用形式就业要求聘期不低于 6 个月,电商创业须提供交易流水)。
流传最广的算法是把官方灵活就业率和某商业调查的数字相除,得出"三四倍撕裂"。这个算法是错的,本文不用。因为官方口径的"灵活就业"和商业调查的"灵活就业"是两个几乎不重叠的集合(官方把创业算成创业率不算灵活就业,商业调查算进去;官方把无合同但有工资流水的算灵活就业,商业调查归入"受雇全职")。唯一的交集是"自由职业",而官方从不公开这一项的单列数。
有独立测量、可以承重的替代结论是这个: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。
这个方向和教育部自己 2023 年"重点核查灵活就业等相关数据"的表态一致。结论:灵活就业确实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。
关于造假,官方的表态和空白同样可查:2023 年 8 月教育部通稿写明对"虚假签约、虚假证明"要以"零容忍"态度严肃查处。但穷尽检索"处理结果通报""查实数量",返回的全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。→ 可以写"承认有假、未见公布查出多少假"。
另外:能校验高校上报数据的官方独立测量是存在的——每年 9 月教育部委托国家统计局做毕业生就业状况抽样调查。而这项调查的制度设计里就写死了它"通过函件形式反馈"给各省教育行政部门。→ 唯一能校验行政数据的官方独立测量,从不公开发布。
旧口径的终点是 2023 年 6 月的 16–24 岁城镇调查失业率 21.3%(有统计以来最高,发布后一个月宣布暂停);新口径的起点是 2023 年 12 月不含在校生的 14.9%。这两个数之差不可读作改善——它们不可比。
关键的空白是有据可查的:官方那份口径说明通篇没有出现任何一个失业率数字,也没有任何新旧口径并列、重叠期双算或折算系数。它给出的唯一定量素材是分母存量:16–24 岁城镇人口中在校学生约 6200 万、非在校学生约 3400 万。→ 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。
而且必须同时给同比:2026 年 6 月是 14.9%,2025 年 6 月同口径是 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 月到 6 月的季节性形状;同比方向是上升的。只给环比不给同比会造成实质误导。
利益相关: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,这个时序本身要向读者交代。
一、计算机类的供给端在五年内被显著放大。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),两个专业年毕业生规模合计逾 10 万人;2018 到 2022 年计算机类新增专业点 1047 个,在所有专业类中居首。这来自教育部的备案与审批记录,是行政统计而不是抽样调查——这是本节唯一不需要打折的部分。
二、编制内教师补充通道在部分省份正在收紧(只作方向,不给幅度)。湖北省级统一招聘计划数连续四年下降;江西同样连续下降;全国农村义务教育"特岗计划"规模也在逐年下降。但这只说明部分省份的一条通道,不等于教师岗位总量。因为它不含特岗计划外的其他通道、不含编外聘用和民办学校;两年之间岗位类别构成还变过(2026 年不再设幼儿园教师岗和退役军人专岗,2025 年有),口径不同,所以本文不给具体降幅百分比。而且招聘计划数是编制核定与财政预算的产物,编制冻结和财政压力都可能在学龄人口不变的情况下压低它。
一个必须纠正的时态错误:不能把 2026 年的招聘缩减和 2024 年小学招生下降并列宣称"共同证明岗位已在萎缩"。2024 年入学的一年级,要到 2030 年前后才走完小学;2026 年的缩减在机制上不可能由它"已经"造成,它至多是前瞻性的编制收缩。
这条证据还有个传播链问题要点出:"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,其变现模式直接受益于制造专业选择焦虑。本文只坐实了方向,幅度不给。
三、IT 工资溢价在缩窄,但远未消失。按国家统计局 2025 年城镇单位就业人员平均工资:信息传输、软件和信息技术服务业在非私营口径居首,IT 高出总平均 92%;私营口径高出 79%。→ "IT 不赚钱了"在统计局口径上不成立。但溢价确在缩窄:IT 的年增速(私营 +4.0%、非私营 +4.1%)双双低于制造业和教育。另有一格值得知道:IT 行业内部,非私营口径是私营口径的 1.94 倍,比全国总体的 1.81 倍还悬殊——说明 IT 的"高薪印象"高度依赖非私营样本。
四条口径注:这是税前工资总额(含个人缴的税和社保公积金);只覆盖 5 人及以上的法人单位,个体户和自由职业者不在样本内——而这两类恰恰是青年就业的重要吸纳池;是平均数不是中位数;是全部在岗人员的平均,不是应届生起薪。
有一件事读者必须知道: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"。
而在最常被引用的那家机构自己的数据里,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、外语这些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。
这家机构必须具名,因为机构本身就是故事的一部分: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%,付费客户正是被它调查、被它评价的高校本身,其公开材料中未见利益披露。它的技术报告只报了 13.5 万的样本量,从未公开邀请函发放总量和回收率——分子没有分母;对"就业的人更愿意答题"这个最要命的偏差,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,没说明比较变量、检验方法和显著性;全书没有出现过一次误差范围,所以它给某专业类和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、就业满意度、工作与专业相关度全部高于本科平均,它下属的六个专业近五年反复入选"绿牌"。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。
关于它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都有用:
公平起见也得写一句:不能说"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着"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"——当年的判断是"供给质量与需求错配",不是"行业不行"。
先把这份清单的性质说死:它是本文的组织方式,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。
分界线不是"技术 vs 非技术",也不是"教育 vs 护理"。
| 专业方向 | 位置 | 依据 |
|---|---|---|
| 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) | 两套厂商日志测量和一套完全不用 AI 产品日志的独立测量一致把护理归入低暴露;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 |
| 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 |
| 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 | 讲解与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。本栏不给任何可排序数字 |
| 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——最容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 |
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。不同数据源之间的职业排序相关性只有 0.43–0.79,而且这还是在只有 22 个大类的粗层面;同一家的排序 14 个月内就有 9 个大类跨越了五分位。
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 | 位置 | 依据 |
|---|---|---|
| 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,拒收原因是师资、临床场地、教室、带教老师与预算。但:发布方是行业协会,拒收份数越大越有利于它争取拨款;它公布的是"份数"不是"人数";硕博层次约占五分之一,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%。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:美国法学有认证加执照仍是过剩教科书案例;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 |
| 判据本身 | — | 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热;而且认证机构在热潮中会顺周期放宽。这是本文的推理产物,不是任何机构的结论 |
最强限定:产能受限只能拉长滞后、削平振幅,不能保证过热不发生。
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 | 位置 | 依据 |
|---|---|---|
| 中国的计算机科学与技术、软件工程 | 渗透率已极高 | 955 所 / 661 所高校开设,年毕业生合计逾 10 万人;2018–2022 新增专业点居首。行政记录,不受抽样问题影响——本栏最强的一格 |
| 中国的人工智能 | 标签已不稀缺 | 到 2024 年度批次为止,约 626 所普通本科高校备案该专业,约占全国的一半。唯一稳健的含义是:这个标签本身已经不稀缺。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% 与 −36%,第三轮自谷底 +186%;学位管道有四年延迟 |
| 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 | 谷底由两个机构、两套问卷独立算出;修复的三分之二来自分母;2025 年秋一年级是 2012 年以来最大的一届 |
| 中国的师范类(编制内通道) | 一条通道在收紧,但幅度不可信 | 三个独立口径方向一致,专项检索未发现任何反向省级公告。幅度不给;不能由一省外推全国 |
| 资源开采与重工类 | 历史反转的样本 | 2010–2011 年被商业机构列为绿牌并建议扩招的九个专业,今天是劝退重灾区 |
| 判据本身的弱点 | — | "过热—崩塌"的形态有历史证据,参数没有:被广泛引用的"四年周期"出自一份两页、无任何统计估计的附录;学生对薪资信号的反应很弱、很慢 |
一、回报的来源。学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;而同一专业内部从后 25% 到前 25%,终身收入通常翻倍甚至翻三倍,低收入专业的这个跨度还更大。
二、回报衰减是职业的属性,不是专业的属性。计算机与工程专业的人在 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。
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。
按证据强弱排序。每一条都配一个你自己能做的动作。
(一)"教育部今年新批了多少所学校开人工智能专业"。
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:
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——名单下发到了省厅和高校,但公众要靠省级通稿和第三方的不完全汇编去拼。发布颗粒度收窄这件事本身值得知道,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。
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,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"。
这个数是十年年均流量,其中 97% 来自有人离开,而离开里 56% 是转去了别的职业。缺口大几乎从不意味着机会多,它主要意味着人走得快。
你自己就能做的检验:打开 BLS 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,把这一行的年均缺口和年均离开人数相除。如果离开人数 ≥ 缺口,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。再把缺口除以这个职业 2024 年的就业人数,你会得到它的年周转率。周转率越高,"缺口"越大,和"这个行业在扩张"没有关系。
中国侧的对应动作:看任何一份就业质量报告时,先问"这个数的分母是谁"——是全体毕业生?是"有求职计划的毕业生"?还是"已经受雇的全职者"?三者会给出完全不同的画面。
检验方式:去 bls.gov/emp/evaluations,打开任意一轮评估。先看大类的记分卡,再看细分职业的记分卡,比较官方与"什么都不预测"的懒惰模型的胜负比。你会亲眼看到同一份评估在两个层级上给出的巨大差距。
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:从 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"。
检验方式:对你考虑的每个专业问三个问题——
可观察的数据:美国看护理院校协会每年公布的"被拒申请份数"和"师资空缺率"——注意份数不等于人数,而且要和十年均值比,不要和去年比。中国看你所在省份教育厅每年发布的急需专业清单和专业预警清单,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。
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。只给中位数或平均数的榜单,系统性地隐藏了对你最重要的信息。
具体动作:在纽约联储的"Outcomes by Major"表里,同时看早期和中期两列,再看这个专业"干着不需要文凭的活"的比例。这个比例高、但失业率低的专业(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。
检验方式:问自己"我想要的结果落在分布的哪一段"。如果目标是进入收入前 1%、精英研究生院或名企,院校选择有实质影响;如果目标只是进入前 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(进了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。
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变化约 1.25 个百分点,73 个专业里有 20 个的年变化超过 2 个百分点。
美国侧可查:国家教育统计中心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(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,而且没有"学校数 ≠ 人数"的单位错配问题。
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》,做同校内的横向比较——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。
制度背景值得记住: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";电商创业计入落实率且不需要达到最低工资标准。
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 Top5"榜单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,现有各类榜单的底表来源不明。)
而且要记住:专业名字里有没有"信息/计算/网络"字样,和它是不是计算机类、和它是否被淘汰,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、产品设计这些完全不带 IT 字样的专业;计算机类核心专业没有出现在任何一套 Top5 中。
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),以及你目标院校的这个专业是否进过省级黄牌或红牌。省级清单比全国的新增校数更贴近你要做的那个决定。
还有一条政策链:就业率过低是官方明示的"停招"触发条件,而"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。所以"撤销/停招多 = 就业差"不是民间脑补,是政策设计的预期结果。真正需要提醒你的是滞后性:从就业率过低到最终撤销,可以长达五年以上。
这是本文证据最弱的一条,列在这里是因为它最常被问。
任何"软件岗位在回暖/在崩塌"的说法,先问三件事:
利益相关:这是招聘平台的数据,平台的商业利益就在于"岗位广告数是有意义的劳动力市场信号";指数只覆盖它自有的岗位,平台份额漂移会污染指数。而且它会持续修订并回溯历史数据,同一句"自 X 日以来涨了 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。
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:
三者的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",分母是已受雇的全职者,不是全体毕业生,也不是行政意义上的"对口就业率"。
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"是在此之上再加约 +5%——两者是嵌套的两道门槛,不是竞争关系,系数之比不等于重要性之比。
| 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,没有"学校数 ≠ 人头"的错配 | 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 | 直接反映考生的集体判断,而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 |
| 年度批次里撤销/停招名单中相关代码的出现 | 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,每年 7 月 31 日前发布 |
| 本省《中小学教师公开招聘公告》的总计划数 | 可逐年自查,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 |
最后一条纪律,给你也给我自己:评价任何一份专业推荐时,都可以套用同一个标准——它的判断规则,是在看到数据之前定的,还是看到数据之后定的?