Lightcast 的数据库覆盖超过 25 亿条职位发布、4 亿份职业档案，以及 150 多个国家的一百多个政府数据源（Lightcast, 2025）。你的团队打开的几乎每一个薪酬对标看板、每一个人才情报界面、每一个"还有谁在招这个岗位"的视图，都建立在这层从网络抓取的职位发布数据之上。
一篇新的 NBER 工作论文将近乎全量的 Burning Glass 职位发布与具代表性的 Job Openings and Labor Turnover Survey 进行匹配，发现平均而言，一家机构的职位发布数必须乘以 6.2 才能对应其实际空缺岗位——而基于职位发布的集中度指标，把"争夺同一个劳动者的雇主有多少"这件事高估了近三倍 (Dalton, Kahn & Mueller, NBER, 2026)。
两个结论，不是一个。技能需求的水平与周期性在修正后完好无损。关于雇主数量的那个读数则没有。原因在于：数据里缺失的企业，规模正和你一样。
一条职位发布究竟值多少
这里的研究设计很关键，因为这是第一次有人同时拿到账簿的两面。Michael Dalton（BLS）、Lisa Kahn 和 Andreas Mueller 在机构层面把 Burning Glass 职位发布与 JOLTS 对接——同一批机构、同一批月份——从而得以测量线上发布内容与实际存在的空缺之间的落差。
他们把这个落差拆解为三个乘法分量：
- 外延边际——一家有空缺的机构是否会把它发布到线上。几乎全部的历史改善都发生在这里，而到样本期末它仍约为 3。
- 内涵边际——一条职位发布代表多少个空缺。整个期间稳定在约 2。
- 一个干扰份额——不对应任何 JOLTS 空缺的职位发布。稳定在约 0.6，意味着大约 40% 的职位发布来自调查中没有对应空缺的机构-月份。
在 2011—2019 年这一覆盖了基于该数据的大多数已发表研究的窗口期内，合并调整系数平均为 6.2。该系数 2011 年约为 10，到 2019 年降至约 4。线上职位发布随时间变得更具代表性——作者对此有明确说明——但它从未成为一次普查。
真正该记住的是那个结构性结论：Burning Glass 很好地刻画了空缺的分布，却很差地刻画了招聘雇主的分布。大雇主发布了大多数空缺，覆盖良好。然而大多数雇主是中小型的，它们没有被覆盖。
职位发布数据唯一严重出错的那个读数
劳动力市场集中度用赫芬达尔-赫希曼指数衡量——即某个本地职业市场中各雇主份额的平方和，10,000 代表只有一个雇主，数值越低表示争夺同一劳动者的竞争越激烈。Azar、Marinescu、Steinbaum 和 Taska 曾用 Burning Glass 表明，美国本地劳动力市场看起来出人意料地集中，典型指数高于 2,500（Azar et al., Labour Economics, 2020）——这项研究把学术界与反垄断政策的讨论推向了雇主市场势力。
套用调整系数后，整幅图景变化超过一半（Dalton, Kahn & Mueller, NBER, 2026）：
| 市场集中度，2011-19 | 由职位发布测得 | 经代表性修正后 |
|---|---|---|
| 平均 HHI（各市场等权） | 6,289 | 2,327 |
| 中位 HHI（各市场等权） | 5,927 | 1,937 |
| "高度集中"市场占比 | 80% | 38% |
| 平均 HHI（按就业加权） | 2,666 | 1,133 |
| "高度集中"占比（按就业加权） | 35% | 13% |
分别下降 63% 和 57%。这里的门槛采用 2010 年 DOJ/FTC《横向合并指南》的标准：高于 2,500 为高度集中，1,500—2,500 为中度集中（DOJ & FTC, 2010）。
斜率是最干净的表述方式：由职位发布测得的集中度每上升一个单位，在修正组成结构后只对应约三分之一个单位的上升。 HHI 对市场份额取平方，这让它对中小雇主的长尾极为敏感——而那正是不在线上发布职位的那条长尾。该结果在剔除员工少于 10 人的机构、按就业而非等权加权市场、以及按四分位固定市场规模的检验下均成立。
一位运营负责人若在基于职位发布的看板上读到"在这个都会区，我们是少数几家在招这个岗位的雇主之一"，他读到的是一个大约集中了三倍的数字。
缺失的企业，正是 50 到 250 人那一档
规模梯度是最该让人切身一震的部分，因为它并不沿着几乎所有人假定的方向单调变化。
按机构规模的调整系数为：2—9 人约 6.0，10—49 人 6.3，50—249 人 7.7，250—999 人 6.0，1,000—4,999 人 4.2，到最大规模的机构降至约 3.6（Dalton, Kahn & Mueller, NBER, 2026）。中间这一档所需的放大系数大约是最大机构的两倍。整个规模分布中代表性最差的机构不是最小的那些，而是 50 到 250 人那一档。
原因偏机械，而非神秘。最小的机构更少在线上发布，但它们确实发出的职位中有相当大比例并不对应任何 JOLTS 空缺，于是两类误差部分相互抵消。中型机构没有任何这样的抵消。
另外两个梯度更为陡峭，并加剧了这一问题：
- 薪酬水平。 薪酬最低的那一五分位机构的调整系数为 17.5；最高的为 2.4。相差约六倍。
- 城市化程度。 非核心地区需要约 15.9 的系数，而大型中心都会区为 4.4——一个 3.5 倍的梯度，且在控制当地技能水平与经济状况后依然存在。
如果你是一家 150 名全时当量员工的雇主，薪酬随行就市而非位于市场高位，且不在大型都会区，那么你正处在这三个条件的交叉点上。在你的竞争对手用来构建薪酬对标的那个数据集里，你几乎是隐形的——而你实际上正在把候选人输给的那些雇主，同样是隐形的。
哪些结论幸存，以及为什么这也重要
这不是一篇否定职位发布数据的论文，那样读它本身就是另一种错误。
由于大机构产生了大多数空缺且代表性良好，技能需求的水平与周期性在重新加权后依然成立（Dalton, Kahn & Mueller, NBER, 2026）。测得的技能要求下降幅度温和，并不实质。作者还复现了 Hershbein 与 Kahn 关于与自动化相关的技能要求在大衰退后上升的结论，尽管其基准年是代表性变化最快的 2007 年，该结论在调整后仍然成立。
排序也幸存下来。在市场之间的秩-秩比较中，基于职位发布的集中度百分位与修正后集中度百分位之间的斜率为 0.9——按就业加权时为 1.0。职位发布数据能可靠地告诉你哪些市场比其他市场更集中；但无法可靠地告诉你其中任何一个有多集中。
这个区分就是全部的操作性载荷。趋势与排序：可用。水平值：不经修正则不可用。
诚实的局限
四点，直说。
这是一篇工作论文。 NBER 工作论文在同行评审之前即行流通，作者也在封面上明示了这一点。HHI 结果在他们所做的全部稳健性检验中都成立，但尚未经过期刊评审。
窗口期是 2011—2019 年。 该期间代表性仍在改善，调整系数到 2019 年已降至约 4。没有人测量过它今天是多少。2020 年之后的远程职位发布、由 AI 撰写的招聘广告以及聚合平台的整合，都很可能已经让它发生了移动——方向未知。
机构不等于企业。 分析是在机构层面进行的。如果你的竞争问题针对的是多场所经营的雇主，那么它与你处境的对应关系比标题暗示的更松散。
大多数劳动者从来就不在高度集中的市场里。 一旦按就业加权，即便在调整之前集中度也明显更低，这与此前关于劳动力市场势力的研究结论一致。三倍高估是真实的；但被高估的那个东西，本来就比未加权统计所暗示的更小。
还有一点值得点明：职位发布与调查空缺之间的不匹配在两个方向上都很大——许多空缺没有发布，许多发布没有空缺。作者将其归因于集中在小企业的测量误差与定义差异，而非一个带有已知偏差的干净信号。
在下一个薪酬带定下来之前该改什么
四个动作，没有一个需要另外购买数据产品。
- 把所有关于"雇主数量"和"集中度"的读数降级为仅供定向参考。 如果一个看板告诉你有多少雇主在争夺某个岗位，就把水平值当作不可用、把排序当作可用。拿这个都会区和那个都会区比较；不要照着绝对值定价。
- 不要再让集中度读数为更低的薪酬带背书。 "这里没有多少其他雇主在招这个岗位"正是那个被夸大的结论，也最有可能在无声中资助一份低于市场的薪酬方案——以及一次你最后会记成"候选人质量问题"的反要约失败。
- 用本地实况重建你真正的竞争对手名单。 离职访谈里的去向、拒绝录用的理由，以及你自己候选人履历中出现过的公司，都会浮现出任何网络抓取数据流都不包含的中型雇主。
- 继续把职位发布数据用在它确实能测量的地方。 哪些技能开始出现在岗位要求中、出现得有多快——这正是调整之后依然站得住的结论。把工具对准技能需求，而不是市场结构。
底层的纪律是：知道一个数字中哪一部分承重，哪一部分只是采集方式留下的痕迹。这也正是 Scovai 的评分模型把两半分开的原因——一半由岗位所声明的要求算术计算得出（按关键程度加权的技能覆盖度、资历匹配度、薪酬现实性），另一半作为明确标注的模型判断返回，而不是发布一个混在一起的单一数值。无法拆解的数字，就是无法审计的数字。
打开你最近签批的那个薪酬带。找出用"这个岗位没多少其他雇主在招"来为它背书的那句话。那句话正承担着三倍于其背后数据所能承担的重量。
