Lightcast का डेटाबेस 2.5 अरब से अधिक जॉब पोस्टिंग, 40 करोड़ पेशेवर प्रोफ़ाइल और 150 से अधिक देशों के सौ से ज़्यादा सरकारी स्रोतों को समेटता है (Lightcast, 2025)। आपकी टीम जो भी वेतन-बेंचमार्किंग डैशबोर्ड, टैलेंट इंटेलिजेंस स्क्रीन या "इस भूमिका के लिए और कौन भर्ती कर रहा है" वाला दृश्य खोलती है, वह लगभग हमेशा वेब से जुटाए गए इसी जॉब पोस्टिंग डेटा की परत पर बना होता है।
NBER के एक नए वर्किंग पेपर ने लगभग सर्वव्यापी Burning Glass पोस्टिंग को प्रतिनिधि Job Openings and Labor Turnover Survey से मिलाया और पाया कि औसत प्रतिष्ठान की पोस्टिंग को वास्तविक रिक्तियों से मेल कराने के लिए 6.2 से गुणा करना पड़ता है — और यह भी कि पोस्टिंग-आधारित संकेंद्रण माप यह लगभग तीन गुना बढ़ाकर दिखाते हैं कि किसी एक कर्मी के लिए प्रतिस्पर्धा करने वाले नियोक्ता कितने कम हैं (Dalton, Kahn और Mueller, NBER, 2026)।
दो निष्कर्ष, एक नहीं। कौशल-मांग का स्तर और उसका चक्रीय व्यवहार सुधार के बाद भी अक्षुण्ण रहता है। नियोक्ताओं की संख्या वाला पाठ नहीं रहता। और इसकी वजह यह है कि डेटा से जो कंपनियाँ ग़ायब हैं, वे आपके ही आकार की हैं।
एक पोस्टिंग का वास्तविक मूल्य क्या है
यहाँ शोध-डिज़ाइन मायने रखता है, क्योंकि यह पहली बार है जब किसी के पास खाते के दोनों पक्ष मौजूद हैं। माइकल डाल्टन (BLS), लिसा कान और आंद्रेयास मुलर ने Burning Glass पोस्टिंग को प्रतिष्ठान-स्तर पर JOLTS से जोड़ा — वही प्रतिष्ठान, वही महीने — जिससे ऑनलाइन प्रकाशित होने वाली चीज़ और वास्तव में मौजूद रिक्तियों के बीच का अंतर मापा जा सका।
वे इस अंतर को तीन गुणात्मक हिस्सों में बाँटते हैं:
- विस्तारित मार्जिन — क्या रिक्ति वाला प्रतिष्ठान उसे ऑनलाइन डालता भी है या नहीं। ऐतिहासिक सुधार लगभग पूरा यहीं हुआ, और अवधि के अंत तक यह अब भी करीब 3 है।
- गहन मार्जिन — एक पोस्टिंग कितनी रिक्तियों का प्रतिनिधित्व करती है। पूरी अवधि में लगभग 2 पर स्थिर।
- एक व्यवधान-अंश — वे पोस्टिंग जो JOLTS की किसी रिक्ति से मेल नहीं खातीं। लगभग 0.6 पर स्थिर, अर्थात् करीब 40 प्रतिशत पोस्टिंग उन प्रतिष्ठान-महीनों से आती हैं जिनमें सर्वे में कोई संगत रिक्ति ही नहीं है।
2011-2019 की अवधि में — यही वह खिड़की है जो इस डेटा पर आधारित बहुतांश प्रकाशित शोध को समेटती है — समेकित समायोजन कारक औसतन 6.2 है। 2011 में यह लगभग 10 था और 2019 तक घटकर करीब 4 रह गया। ऑनलाइन पोस्टिंग समय के साथ अधिक प्रतिनिधि हुई — लेखक यह स्पष्ट कहते हैं — लेकिन वे कभी जनगणना नहीं बनीं।
संरचनात्मक निष्कर्ष यही याद रखने लायक है: Burning Glass रिक्तियों का वितरण अच्छी तरह दर्ज करता है और भर्ती करने वाले नियोक्ताओं का वितरण ख़राब तरह। बड़े नियोक्ता अधिकांश रिक्तियाँ पोस्ट करते हैं और उनका कवरेज अच्छा है। पर अधिकांश नियोक्ता छोटे और मध्यम आकार के हैं, और उनका नहीं।
वह एक पाठ जिसमें जॉब पोस्टिंग डेटा गंभीर रूप से चूकता है
श्रम-बाज़ार संकेंद्रण हर्फ़िंडाल-हिर्शमैन सूचकांक से मापा जाता है — किसी स्थानीय व्यावसायिक बाज़ार में नियोक्ताओं के हिस्सों के वर्गों का योग, जहाँ 10,000 का अर्थ एकमात्र नियोक्ता है और कम मूल्य उसी कर्मी के लिए अधिक प्रतिस्पर्धा दर्शाते हैं। अज़ार, मारिनेस्कू, स्टाइनबॉम और टास्का ने Burning Glass के सहारे दिखाया था कि अमेरिकी स्थानीय श्रम-बाज़ार आश्चर्यजनक रूप से संकेंद्रित दिखते हैं, जहाँ विशिष्ट सूचकांक 2,500 से ऊपर है (Azar et al., Labour Economics, 2020) — यह काम अकादमिक और प्रतिस्पर्धा-नीति की बहस को नियोक्ता बाज़ार-शक्ति की दिशा में खींच लाया।
समायोजन कारक लगाइए और तस्वीर आधे से अधिक बदल जाती है (Dalton, Kahn और Mueller, NBER, 2026):
| बाज़ार संकेंद्रण, 2011-19 | पोस्टिंग से मापा गया | प्रतिनिधित्व के लिए संशोधित |
|---|---|---|
| औसत HHI (बाज़ारों को समान भार) | 6,289 | 2,327 |
| माध्यिका HHI (बाज़ारों को समान भार) | 5,927 | 1,937 |
| "अत्यधिक संकेंद्रित" बाज़ारों का हिस्सा | 80% | 38% |
| औसत HHI (रोज़गार-भारित) | 2,666 | 1,133 |
| "अत्यधिक संकेंद्रित" हिस्सा (रोज़गार-भारित) | 35% | 13% |
ये क्रमशः 63 और 57 प्रतिशत की कमी है। सीमाएँ 2010 के DOJ/FTC Horizontal Merger Guidelines की मानक सीमाएँ हैं, जहाँ 2,500 से ऊपर अत्यधिक संकेंद्रित और 1,500-2,500 मध्यम संकेंद्रित माना जाता है (DOJ और FTC, 2010)।
ढलान इसे कहने का सबसे साफ़ तरीका है: पोस्टिंग से मापे गए संकेंद्रण में एक इकाई की वृद्धि, संरचना के सुधार के बाद केवल लगभग एक-तिहाई इकाई की वृद्धि के बराबर बैठती है। HHI बाज़ार-हिस्सों का वर्ग करता है, जिससे वह छोटे और मध्यम नियोक्ताओं की लंबी पूँछ के प्रति अत्यंत संवेदनशील हो जाता है — ठीक वही पूँछ जो ऑनलाइन पोस्ट नहीं करती। यह परिणाम 10 से कम कर्मचारियों वाले प्रतिष्ठान हटाने पर, बाज़ारों को रोज़गार से भारित करने पर, और चतुर्थक के अनुसार बाज़ार-आकार स्थिर रखने पर भी टिकता है।
जो हेड ऑफ़ ऑपरेशंस पोस्टिंग-आधारित डैशबोर्ड पर पढ़ता है कि "इस महानगरीय क्षेत्र में इस भूमिका के लिए भर्ती करने वाले हम कुछ गिने-चुने नियोक्ताओं में से हैं", वह एक ऐसा आँकड़ा पढ़ रहा है जो लगभग तीन गुना अधिक संकेंद्रित है।
जो कंपनियाँ ग़ायब हैं, वे 50 से 250 कर्मचारियों वाली हैं
आकार-प्रवणता वही हिस्सा है जो व्यक्तिगत रूप से चुभना चाहिए, क्योंकि यह उस दिशा में एकदिश नहीं है जिसे लगभग सभी मान लेते हैं।
प्रतिष्ठान-आकार के अनुसार समायोजन कारक इस तरह चलता है: 2-9 कर्मचारियों पर लगभग 6.0, 10-49 पर 6.3, 50-249 पर 7.7, 250-999 पर 6.0 और 1,000-4,999 पर 4.2, और सबसे बड़े प्रतिष्ठानों पर घटकर करीब 3.6 (Dalton, Kahn और Mueller, NBER, 2026)। मध्यम बैंड को सबसे बड़े प्रतिष्ठानों के मुकाबले लगभग दोगुना स्केलिंग कारक चाहिए। पूरे आकार-वितरण में सबसे ख़राब प्रतिनिधित्व वाले प्रतिष्ठान सबसे छोटे नहीं हैं। वे 50 से 250 कर्मचारियों वाले हैं।
कारण रहस्यमय नहीं, यांत्रिक है। सबसे छोटे प्रतिष्ठान ऑनलाइन कम बार पोस्ट करते हैं, लेकिन वे जो पोस्टिंग करते भी हैं उनका एक बड़ा हिस्सा JOLTS की किसी रिक्ति से मेल नहीं खाता, इसलिए दोनों त्रुटियाँ आंशिक रूप से एक-दूसरे को काट देती हैं। मध्यम आकार के प्रतिष्ठानों को ऐसी कोई भरपाई नहीं मिलती।
दो और प्रवणताएँ इससे भी तीखी हैं और समस्या को बढ़ाती हैं:
- वेतन। सबसे कम वेतन देने वाले पंचमक का समायोजन कारक 17.5 है; सबसे अधिक देने वाले का 2.4। लगभग छह गुना का अंतर।
- शहरीकरण। गैर-कोर क्षेत्रों को लगभग 15.9 का कारक चाहिए, जबकि बड़े केंद्रीय महानगरीय क्षेत्रों को 4.4 — 3.5 गुना की प्रवणता, जो स्थानीय कौशल-स्तर और आर्थिक स्वास्थ्य के नियंत्रणों के बाद भी बनी रहती है।
अगर आप 150 FTE वाले नियोक्ता हैं, बाज़ार के शिखर पर नहीं बल्कि बाज़ार के बराबर वेतन देते हैं, और किसी बड़े महानगरीय क्षेत्र से बाहर हैं, तो आप इन तीनों के संगम पर बैठे हैं। जिस डेटासेट पर आपके प्रतिस्पर्धियों के वेतन-बेंचमार्क खड़े हैं, उसमें आप लगभग अदृश्य हैं — और वे नियोक्ता भी, जिनके हाथों आप वास्तव में उम्मीदवार गँवा रहे हैं।
क्या बचता है, और वह भी क्यों मायने रखता है
यह ऐसा शोधपत्र नहीं है जो पोस्टिंग डेटा को अमान्य ठहरा दे, और उसे वैसा पढ़ना अपने आप में एक ग़लती होगी।
चूँकि बड़े प्रतिष्ठान अधिकांश रिक्तियाँ पैदा करते हैं और उनका प्रतिनिधित्व अच्छा है, कौशल-मांग का स्तर और चक्रीय व्यवहार पुनर्भारण के बाद भी टिका रहता है (Dalton, Kahn और Mueller, NBER, 2026)। मापी गई कौशल-अपेक्षाएँ मामूली रूप से घटती हैं, सारगर्भित रूप से नहीं। लेखक हर्शबाइन और कान के उस निष्कर्ष की भी पुनरावृत्ति करते हैं कि स्वचालन-संबंधी कौशल-अपेक्षाएँ महामंदी के बाद बढ़ीं, और वह समायोजन के बाद भी टिकता है — भले ही वह 2007 पर आधारित है, जब प्रतिनिधित्व सबसे तेज़ी से बदल रहा था।
क्रम भी बचते हैं। बाज़ारों के बीच रैंक-रैंक तुलना में, पोस्टिंग-आधारित और संशोधित संकेंद्रण के शतमकों के बीच ढलान 0.9 है — और रोज़गार-भारित होने पर 1.0। पोस्टिंग डेटा विश्वसनीय रूप से बताता है कि कौन-से बाज़ार दूसरों से अधिक संकेंद्रित हैं। यह अविश्वसनीय रूप से बताता है कि उनमें से कोई कितना संकेंद्रित है।
यही भेद पूरा परिचालन भार उठाता है। प्रवृत्ति और क्रम: उपयोग योग्य। स्तर: सुधार के बिना नहीं।
ईमानदार सीमाएँ
चार, साफ़ शब्दों में।
यह एक वर्किंग पेपर है। NBER वर्किंग पेपर सहकर्मी-समीक्षा से पहले प्रसारित होते हैं, और लेखक मुखपृष्ठ पर यह लिखते हैं। HHI का परिणाम उनके किए सभी परीक्षणों में मज़बूत है, लेकिन अभी किसी जर्नल से नहीं गुज़रा है।
अवधि 2011-2019 है। उस दौर में प्रतिनिधित्व अभी सुधर ही रहा था, और समायोजन कारक 2019 तक करीब 4 पर आ गया था। आज यह कितना है, यह किसी ने नहीं मापा। 2020 के बाद की रिमोट पोस्टिंग, AI से लिखे जॉब विज्ञापन और एग्रीगेटर्स का एकीकरण — इन सबने इसे संभवतः हिलाया है, पर अज्ञात दिशाओं में।
प्रतिष्ठान फ़र्म नहीं है। विश्लेषण प्रतिष्ठान-स्तर पर है। अगर आपका प्रतिस्पर्धात्मक प्रश्न अनेक स्थलों पर चलने वाले नियोक्ताओं से जुड़ा है, तो आपकी स्थिति से इसका मेल शीर्षक के सुझाव से ढीला है।
अधिकांश कर्मी कभी अत्यधिक संकेंद्रित बाज़ारों में नहीं थे। रोज़गार से भारित करने पर संकेंद्रण समायोजन से पहले भी काफ़ी कम है, जो श्रम-बाज़ार शक्ति पर पहले के निष्कर्षों के अनुरूप है। तीन गुना अधिक दिखाना वास्तविक है; पर जिसे अधिक दिखाया जा रहा था, वह अभारित आँकड़ों के संकेत से छोटा था।
यह भी कहने लायक है: पोस्टिंग और सर्वे-रिक्तियों के बीच बेमेल दोनों दिशाओं में बड़ा है — बहुत सी रिक्तियाँ बिना पोस्टिंग, बहुत सी पोस्टिंग बिना रिक्ति। लेखक इसे छोटी फ़र्मों में केंद्रित माप-त्रुटि और परिभाषा के अंतर से जोड़ते हैं, किसी ज्ञात पूर्वाग्रह वाले साफ़ संकेत से नहीं।
अगला वेतन-बैंड तय होने से पहले क्या बदलें
चार कदम, और इनमें से कोई भी नया डेटा उत्पाद ख़रीदने की माँग नहीं करता।
- "नियोक्ताओं की संख्या" और "संकेंद्रण" के हर पाठ को केवल दिशासूचक दर्जे पर उतार दें। अगर कोई डैशबोर्ड बताता है कि किसी भूमिका के लिए कितने नियोक्ता प्रतिस्पर्धा कर रहे हैं, तो स्तर को अनुपयोगी और क्रम को उपयोगी मानिए। इस महानगर की उस महानगर से तुलना कीजिए; निरपेक्ष मूल्य पर वेतन तय न कीजिए।
- संकेंद्रण के आँकड़ों को कम बैंड का बहाना बनने देना बंद कीजिए। "यहाँ इस भूमिका के लिए और ज़्यादा नियोक्ता नहीं हैं" — यही फुलाया हुआ निष्कर्ष है, और यही सबसे अधिक संभावना से चुपचाप एक बाज़ार-से-कम ऑफ़र को वित्त दे रहा है — और एक हारा हुआ काउंटर-ऑफ़र, जिसे आप आगे उम्मीदवार-गुणवत्ता की समस्या के रूप में दर्ज करेंगे।
- अपना वास्तविक प्रतिस्पर्धी समूह स्थानीय ज़मीनी सच्चाई से फिर से बनाइए। एग्ज़िट इंटरव्यू में दर्ज गंतव्य, ऑफ़र-अस्वीकृति के कारण और आपके ही उम्मीदवारों के इतिहास में नामित कंपनियाँ — ये मध्यम आकार के वे नियोक्ता सामने लाएँगी जो वेब से जुटाई किसी भी फ़ीड में नहीं हैं।
- जॉब पोस्टिंग डेटा का उपयोग उसी के लिए जारी रखें जो वह मापता है। कौन-से कौशल अपेक्षाओं में प्रकट हो रहे हैं और कितनी तेज़ी से — यही वह निष्कर्ष है जिसे समायोजन ने खड़ा छोड़ा। औज़ार को कौशल-मांग पर तानिए, बाज़ार-संरचना पर नहीं।
अंतर्निहित अनुशासन यह है कि जानिए एक आँकड़े का कौन-सा हिस्सा भार उठाता है और कौन-सा हिस्सा संग्रह-विधि की उपज मात्र है। इसी कारण Scovai का स्कोरिंग मॉडल उस आधे हिस्से को — जो भूमिका की घोषित अपेक्षाओं से गणितीय रूप से निकाला जाता है: महत्ता-भारित कौशल कवरेज, वरिष्ठता-अनुरूपता, वेतन-यथार्थवाद — उस आधे हिस्से से अलग रखता है जो स्पष्ट रूप से मॉडल-निर्णय के रूप में चिह्नित होकर लौटता है, बजाय एक मिला-जुला एकल आँकड़ा छापने के। जिस संख्या को आप खोल नहीं सकते, वह ऐसी संख्या है जिसकी आप जाँच नहीं कर सकते।
आपने जो आख़िरी वेतन-बैंड मंज़ूर किया था, उसे खोलिए। वह वाक्य ढूँढिए जो उसे इस आधार पर उचित ठहराता था कि उस भूमिका के लिए भर्ती करने वाले और नियोक्ता कितने कम हैं। वह वाक्य अपने पीछे के डेटा की वहन-क्षमता से तीन गुना भार उठा रहा है।
