База Lightcast охватывает более 2,5 млрд вакансий, 400 млн профессиональных профилей и более ста государственных источников в более чем 150 странах (Lightcast, 2025). Почти каждая панель бенчмаркинга вознаграждения, каждый экран talent intelligence и каждое представление «кто ещё нанимает на эту роль», которое открывает ваша команда, построены на этом слое собранных из сети данных вакансий.
Новая рабочая статья NBER сопоставила практически исчерпывающие вакансии Burning Glass с представительным опросом Job Openings and Labor Turnover Survey и обнаружила, что вакансии среднего предприятия нужно умножать на 6,2, чтобы они соответствовали фактическим открытым позициям, — и что показатели концентрации, построенные на вакансиях, завышают почти втрое то, насколько мало работодателей конкурирует за одного и того же работника (Dalton, Kahn & Mueller, NBER, 2026).
Два вывода, а не один. Уровень и цикличность спроса на навыки переживают поправку без изменений. Прочтение о числе работодателей — нет. И причина в том, что компании, отсутствующие в данных, размером с вашу.
Сколько на самом деле стоит одна вакансия
Дизайн исследования здесь важен, потому что впервые у кого-то есть обе стороны реестра. Майкл Далтон (BLS), Лиза Кан и Андреас Мюллер связали вакансии Burning Glass с JOLTS на уровне предприятия — те же предприятия, те же месяцы, — что позволяет измерить разрыв между тем, что публикуется онлайн, и открытыми позициями, которые существуют в действительности.
Они разлагают этот разрыв на три мультипликативные части:
- Экстенсивная маржа — публикует ли предприятие с открытой позицией её онлайн вообще. Именно здесь произошло почти всё историческое улучшение, и к концу периода она всё ещё около 3.
- Интенсивная маржа — сколько открытых позиций представляет одна вакансия. Стабильно около 2 на всём периоде.
- Шумовая доля — вакансии, которым не соответствует ни одна позиция в JOLTS. Стабильно около 0,6, то есть примерно 40 процентов вакансий приходят от предприятий-месяцев, где в опросе нет соответствующей открытой позиции.
За 2011-2019 годы — окно, покрывающее большую часть опубликованных исследований на этих данных, — усреднённый поправочный коэффициент составляет 6,2. В 2011 году он был около 10 и к 2019-му упал примерно до 4. Онлайн-вакансии со временем стали представительнее — авторы говорят об этом прямо, — но никогда не стали переписью.
Структурный вывод стоит запомнить: Burning Glass хорошо передаёт распределение открытых позиций и плохо — распределение нанимающих работодателей. Крупные работодатели публикуют большинство позиций и охвачены хорошо. Большинство же работодателей — малые и средние, и они не охвачены.
Единственное прочтение, в котором данные вакансий ошибаются грубо
Концентрация рынка труда измеряется индексом Херфиндаля-Хиршмана — суммой квадратов долей работодателей на локальном профессиональном рынке, где 10 000 означает единственного работодателя, а более низкие значения — большую конкуренцию за одного и того же работника. Азар, Маринеску, Штайнбаум и Таска использовали Burning Glass, чтобы показать, что локальные рынки труда США выглядят на удивление концентрированными, с типичным индексом выше 2500 (Azar et al., Labour Economics, 2020) — работа, сместившая академическую и антимонопольную дискуссию в сторону рыночной власти работодателей.
Примените поправочный коэффициент — и картина изменится более чем вдвое (Dalton, Kahn & Mueller, NBER, 2026):
| Концентрация рынка, 2011-19 | Измеренная по вакансиям | С поправкой на представительность |
|---|---|---|
| Средний HHI (рынки с равными весами) | 6289 | 2327 |
| Медианный HHI (рынки с равными весами) | 5927 | 1937 |
| Доля «высококонцентрированных» рынков | 80% | 38% |
| Средний HHI (взвешенный по занятости) | 2666 | 1133 |
| Доля «высококонцентрированных» (взвешенная по занятости) | 35% | 13% |
Это снижение на 63 и 57 процентов соответственно. Пороги — стандартные из Horizontal Merger Guidelines DOJ/FTC 2010 года, где выше 2500 означает высокую концентрацию, а 1500-2500 — умеренную (DOJ & FTC, 2010).
Наклон — самая чистая формулировка: рост концентрации на одну единицу, измеренный по вакансиям, соответствует росту лишь примерно на треть единицы после поправки на состав. HHI возводит рыночные доли в квадрат, что делает его крайне чувствительным к длинному хвосту малых и средних работодателей — именно к тому хвосту, который не публикует вакансии онлайн. Результат сохраняется при исключении предприятий менее 10 сотрудников, при взвешивании рынков по занятости и при фиксации размера рынка по квартилям.
Head of Operations, который читает на панели, построенной по вакансиям, «мы один из немногих работодателей, нанимающих на эту роль в этой агломерации», читает число, примерно втрое более концентрированное, чем следует.
Отсутствующие компании — это те, где 50-250 сотрудников
Градиент по размеру — та часть, которая должна задеть лично, потому что он немонотонен в том направлении, которое предполагают почти все.
Поправочный коэффициент по размеру предприятия таков: около 6,0 для 2-9 сотрудников, 6,3 для 10-49, 7,7 для 50-249, 6,0 для 250-999 и 4,2 для 1000-4999, снижаясь примерно до 3,6 у крупнейших предприятий (Dalton, Kahn & Mueller, NBER, 2026). Средней полосе нужен масштабирующий коэффициент примерно вдвое больший, чем крупнейшим. Хуже всего представленные предприятия во всём распределении по размеру — не самые маленькие. Это те, где 50-250 сотрудников.
Причина скорее механическая, чем загадочная. Самые малые предприятия публикуются онлайн реже, но значительная доля вакансий, которые они всё же создают, не соответствует ни одной позиции JOLTS, так что две ошибки частично компенсируют друг друга. У средних предприятий такой компенсации нет.
Ещё два градиента ещё круче и усугубляют проблему:
- Зарплаты. Квинтиль наименее платящих предприятий несёт поправочный коэффициент 17,5; наиболее платящих — 2,4. Разрыв примерно в шесть раз.
- Урбанизация. Неосновные территории требуют коэффициента около 15,9 против 4,4 для крупных центральных агломераций — градиент в 3,5 раза, устойчивый к контролю на местный уровень навыков и экономическое состояние территории.
Если вы работодатель на 150 FTE, платящий по рынку, а не на его верхней границе, и находитесь вне крупной агломерации, вы на пересечении всех трёх условий. Вы почти невидимы в наборе данных, на котором построены зарплатные бенчмарки ваших конкурентов, — и столь же невидимы работодатели, которым вы на самом деле проигрываете кандидатов.
Что уцелело и почему это тоже важно
Это не статья, обесценивающая данные вакансий, и такое прочтение само было бы ошибкой.
Поскольку крупные предприятия генерируют большинство открытых позиций и хорошо представлены, уровень и цикличность спроса на навыки выдерживают перевзвешивание (Dalton, Kahn & Mueller, NBER, 2026). Измеренные требования к навыкам снижаются скромно, а не существенно. Авторы также воспроизводят результат Хершбейна и Кан о том, что требования к навыкам, связанным с автоматизацией, выросли после Великой рецессии, и он выдерживает поправку, несмотря на привязку к 2007 году, когда представительность менялась быстрее всего.
Ранжирования тоже уцелели. В сравнении «ранг-ранг» между рынками наклон между процентилями концентрации по вакансиям и скорректированной концентрации равен 0,9 — и 1,0 при взвешивании рынков по занятости. Данные вакансий надёжно говорят, какие рынки более концентрированы, чем другие. И ненадёжно говорят, насколько концентрирован каждый из них.
Это различение и есть вся операционная нагрузка. Тренд и порядок — пригодны. Уровень — нет, без поправки.
Честные ограничения
Четыре, названные прямо.
Это рабочая статья. Рабочие статьи NBER распространяются до рецензирования, и авторы указывают это на титуле. Результат по HHI устойчив во всех проведённых проверках, но ещё не прошёл через журнал.
Окно — 2011-2019. Представительность в тот период ещё улучшалась, и поправочный коэффициент к 2019 году упал примерно до 4. Никто не измерял, каков он сейчас. Удалённые вакансии после 2020 года, написанные ИИ объявления и консолидация агрегаторов, вероятно, сдвинули его — в неизвестных направлениях.
Предприятие — не фирма. Анализ ведётся на уровне предприятия. Если ваш конкурентный вопрос — о работодателях со множеством площадок, соответствие вашей ситуации слабее, чем подсказывает заголовок.
Большинство работников никогда не было на высококонцентрированных рынках. При взвешивании по занятости концентрация существенно ниже даже до поправки, что согласуется с более ранними результатами о рыночной власти на рынке труда. Трёхкратное завышение реально; но то, что завышалось, было меньше, чем подразумевала невзвешенная статистика.
Стоит назвать и это: расхождение между вакансиями и открытыми позициями из опроса велико в обе стороны — много позиций без вакансий, много вакансий без позиций. Авторы относят это к ошибке измерения и определительным разрывам, сосредоточенным в малых фирмах, а не к чистому сигналу с известным смещением.
Что изменить до закрытия следующей зарплатной вилки
Четыре шага, ни один из которых не требует покупки другого продукта данных.
- Понизьте любое прочтение «числа работодателей» и «концентрации» до чисто направленного. Если панель сообщает, сколько работодателей конкурирует за роль, считайте уровень непригодным, а порядок — пригодным. Сравнивайте одну агломерацию с другой; не назначайте вознаграждение по абсолютному значению.
- Перестаньте позволять показателям концентрации оправдывать более низкую вилку. «Здесь не так много других работодателей на эту роль» — это и есть раздутый вывод, и именно он с наибольшей вероятностью тихо финансирует предложение ниже рынка — и проигранный контроффер, который вы спишете на качество кандидатов.
- Пересоберите реальный круг конкурентов из местной реальности. Куда уходят сотрудники по данным выходных интервью, причины отказа от офферов и компании, названные в историях ваших собственных кандидатов, выявят средних работодателей, которых нет ни в одном собранном из сети потоке.
- Продолжайте использовать данные вакансий для того, что они измеряют. Какие навыки появляются в требованиях и насколько быстро — это тот результат, который поправка оставила в силе. Направьте инструмент на спрос на навыки, а не на структуру рынка.
Базовая дисциплина — знать, какая часть числа несёт вес, а какая является артефактом способа сбора. По той же причине модель скоринга Scovai отделяет половину, вычисляемую арифметически из заявленных требований роли — покрытие навыков с весом по критичности, соответствие уровню, реалистичность вознаграждения, — от половины, возвращаемой как явно помеченное суждение модели, вместо публикации единой смешанной цифры. Число, которое нельзя разложить, — это число, которое нельзя проверить.
Откройте последнюю зарплатную вилку, которую вы утвердили. Найдите фразу, оправдывавшую её тем, как мало других работодателей нанимает на эту роль. Эта фраза несёт втрое больший вес, чем способны вынести стоящие за ней данные.
