用招聘数据看清经济冷暖

核心结论

招聘量是观察企业预期的高频温度计。某行业、某地区的职位发布量连续多个周期异常下降，可能意味着招聘冻结或预算收紧；回升如果只集中在少数公司或少数 AI 岗位，则更接近“局部复苏”。只要能把 LinkedIn Jobs、Indeed、Naukri 等平台的公开职位数据，按周/月聚合成时间序列，头条里的裁员与创业故事，就可以变成可计算、可复核的指标。

一、头条之外：2026 年劳动力市场的两条线索

线索一：AI 人才在“出走”，也在“再定价”。 2026 年的公开报道反复出现同一类故事：大模型、智能体、AI 科研项目的负责人、研究员甚至实习生离开大厂自立门户，不少人在正式离职前就敲定融资；投资界整理的“大厂离职创业名单”按姓名、原公司、去向、融资情况和投资方成表发布，粗略统计相关离职创业者已不下百人。海外同样如此——OpenAI 的持续“裂变”、明星科学家的相继离开，都在重复同一个模式：资本跟着人才走，支票比辞职信先到。

线索二：游戏行业在“收缩”，也在“换结构”。 同年，游戏行业的裁员持续成为焦点：GDC《2026 State of the Game Industry》对超过 2,300 名从业者的调查显示，约 28% 的受访者在过去两年经历过裁员；Reuters 报道 Microsoft 于 2026 年 7 月宣布削减约 4,800 个岗位（约占全球员工 2.1%），Xbox 业务首当其冲。与此同时，不少公司仍在给 AI、引擎、数据和基础设施岗位开出新职位。

这两条线索放在一张桌子上，就构成了 2026 年劳动力市场最典型的悖论：总量在收缩，结构在迁移。 总量下降不等于所有技能都降温；少数 AI 岗位回升，也不等于行业全面复苏。要想把这两个“都正确”的叙事拼成一张完整的图，靠的不是更多新闻，而是一套可以按周更新、按行业和地区拆分的招聘数据管道。

二、为什么招聘量比裁员新闻更早“报信”？

裁员公告记录的是“已经发生的决定”；招聘发布反映的是“正在形成的预期”。一个职位从预算立项到挂上招聘平台，中间隔着业务规划、编制审批和招聘渠道选择——所以招聘量的变化，往往比组织调整的新闻早一两个季度。

痛点之一：宏观数据慢，企业信号散。 GDP、PMI、失业率按月或按季更新，且难以细分到“某城市某类岗位”；而行业研究者恰恰需要这种颗粒度。财报能看收入，看不到“哪家公司在悄悄停招”。

痛点之二：只看新闻会漏掉“没上热搜”的变化。 新岗位发布量下降、全职转合同、远程岗位减少、招聘周期拉长——这些变化从不开发布会，却往往是冻结的前奏。等“XX 公司裁员 25%”登上头条，信号已经过期了。

痛点三：结构性分化让“总量”失去解释力。 AI 岗位扩张与传统岗位收缩同时发生时，总招聘量可能是平的，但内部已经换了血。不做技能、职级、雇佣类型和地区的拆分，就读不出真实的方向。

三、把头条变成指标：三个可计算的信号

3.1 需要哪些数据字段？

各家平台对这些字段的暴露程度不一样：薪酬与申请人数经常缺失，办公方式只在部分站点可见。做时间序列之前，务必确认字段口径随时间的稳定性——字段改名、历史区间不可回溯，都会污染基线。

3.2 三个核心指标

指标一：职位发布量指数（Hiring Volume Index, HVI）

以基准期岗位均值为 100：

HVI_t = 当期有效职位数 ÷ 基准期平均职位数 × 100

指标二：冻结信号（Freeze Signal）

某行业、地区与岗位族群的 HVI 连续多个周期下降，同时出现职位撤下加快、全职占比下降、发布公司数减少——标记为“冻结候选信号”。它不是法律意义上的“正式冻结”，而是需要用企业公告、财报与裁员新闻复核的预警。

指标三：解冻信号（Thaw Signal）

HVI 连续回升，且回升分布在多家公司、多个关键职能和相邻地区——标记为“复苏候选信号”。若回升只集中在合同岗或少数 AI 岗位，只能称为“局部解冻”。

四、动手搭一条周/月招聘量监测管道

4.1 数据接入：按行业、地区、时间窗口采集

下面的示例假设你能通过某个 HTTP 接口（自建采集服务也好、现成的数据服务也好）拿到结构化的职位记录；没有接口的话，直接把含相同字段的 JSON 导出文件喂给 4.2 的聚合脚本也能跑通。

import os
import requests
import pandas as pd

# 任意返回下列结构化字段的职位数据源均可：
# job URL / title / company / location / posted_at / applicants / description
ENDPOINT = os.environ["JOBS_API_ENDPOINT"]

def fetch_jobs(keywords: str, location: str, days: int = 7) –> list[dict]:
"""采集公开职位，用于周度/月度招聘量统计。"""
payload = {
"keywords": keywords,
"location": location,
"resultsLimit": 1000,
"postedWithinDays": days, # 1 / 7 / 30
"experienceLevel": "MID_SENIOR",
"jobType": "FULL_TIME",
"workplaceType": "REMOTE",
}
response = requests.post(
ENDPOINT,
headers={"Content-Type": "application/json"}, # 如需鉴权，在此补充 headers
json=payload,
timeout=90,
)
response.raise_for_status()
body = response.json()
return body.get("data", body.get("jobs", []))

jobs = fetch_jobs("AI OR machine learning OR LLM", "United States")
df = pd.json_normalize(jobs)
df.to_json("linkedin_jobs_weekly.json", orient="records", force_ascii=False)
print(f"Collected {len(df)} public job records")

生产环境不要把 REMOTE、MID_SENIOR 固定为唯一口径：全职/合同、远程/混合/到岗、初级/高级应分别跑切片并保存查询条件，否则“招聘下降”可能只是筛选变窄。

4.2 聚合周度招聘量并计算变化率

import pandas as pd

jobs = pd.read_json("linkedin_jobs_weekly.json")
jobs["posted_at"] = pd.to_datetime(jobs["posted_at"], errors="coerce", utc=True)
jobs = jobs.dropna(subset=["posted_at"])
jobs["week"] = jobs["posted_at"].dt.to_period("W").astype(str)

weekly = (
jobs.groupby(["week", "location"], dropna=False)
.size()
.reset_index(name="job_count")
.sort_values(["location", "week"])
)
weekly["wow_change_pct"] = (
weekly.groupby("location")["job_count"]
.pct_change()
.mul(100)
.round(2)
)
weekly.to_csv("weekly_hiring_volume.csv", index=False)

监测游戏行业时，把关键词拆成 game developer、game designer、technical artist、game producer、Unity、Unreal，再单独跑 AI engineer、ML engineer、LLM、data infrastructure——这样才能区分“游戏岗位整体收缩”与“游戏公司向 AI 能力迁移”。

4.3 多源招聘数据的合并纪律

LinkedIn 覆盖全球职业网络与跨国公司，但并不覆盖所有市场——比如印度本地岗位大量沉淀在 Naukri 一类平台上。补齐第二数据源之后，真正的工程量不在“采”，而在“合”：统一格式、频率与口径之后，先归一化职位标题、公司名称、地点与发布时间，再做去重。跳过这一步，平台差异就会被误读成招聘增长。

4.4 同一套工作流：从外贸获客到人才情报

这套流程其实是“通用情报工作流”的一个切面：建立关键词库 → 建立采集任务 → 精准筛选。外贸团队用它筛国家、品类、公司与联系方式；换成人才情报场景，只需要把关键词换成 AI engineer、game developer、Unity、LLM，再把地区、公司、经验级别、办公方式写进任务参数，最后按规则过滤无效记录。

同理，如果要交叉验证的是人才流向而不只是岗位数量，还可以补充领英个人主页上公开的职业经历与技能标签——前提同样是合规与去重。行业在变，真正难的不是采集动作本身，而是关键词体系、时间窗口、去重规则与解释框架的设计。

五、冻结，还是短期噪音？

在实际操作中，“招聘量”是最容易被误读的指标之一：一个大型雇主集中关闭职位，会让城市曲线瞬间下坠；一个 AI 项目集中放出上百个岗位，又会制造虚假的复苏感。更可靠的做法，是同时观察岗位数量、发布公司数、职位族群、雇佣类型和地区分布，并对极端值做公司层面的拆分——宏观判断要广度，单点事件要克制。

六、合规与数据边界

这套方法处理的都是公开招聘信息。招聘数据可用于劳动力市场研究、竞争情报、人才规划与经济分析；但不应被用来推断个人敏感属性、绕过登录保护、采集私密资料，或对个人候选人做未经授权的自动化决策。

平台字段、展示方式与历史数据可得性都会随时间变化：数据新鲜度取决于采集渠道与请求类型，历史可用性取决于具体来源。请保存每次查询的关键词、地区、筛选条件、时间戳与结果数量，建立可追溯基线——这也是把“头条叙事”变成“可复核证据”的第一步。

七、问与答

问：招聘岗位数量真的能代表经济周期吗？
答： 它是高频代理指标，不是 GDP、失业率或裁员人数的替代品。连续多周期下降，叠加发布公司数、全职占比、薪资与地区分布，才能构成冻结候选信号；最终仍需宏观数据与企业公告复核。

问：怎么按周或按月统计招聘量？
答： 对 LinkedIn Jobs、Indeed、Naukri 等公开招聘数据，按固定关键词、地区与筛选条件周期采集，再按 posted_at 聚合到周/月维度。关键是每次查询都保存条件与结果数量，形成前后一致的统计口径。

问：采集时需要哪些筛选维度？
答： 至少包括关键词、地点、结果数量、经验级别、工作类型、办公方式、发布时间窗口、公司名称、最低薪资等；返回侧应尽量覆盖职位标题、公司、地点、发布时间、申请人数与描述等字段。

问：为什么要多个平台一起采？
答： 不同平台覆盖的人群和市场不同：LinkedIn 适合全球职业网络与跨国公司观察，Naukri 补充印度本地市场。多源采集后必须归一化职位标题、公司名称、地区与发布时间并去重，否则平台差异会被误读成招聘增长。

问：如何区分 AI 招聘增长与行业全面复苏？
答： 把 AI、机器学习、LLM、数据基础设施岗位与传统岗位分组，分别观察职位量、发布公司数、职级、雇佣类型与地区。只有少数 AI 岗位回升、而传统岗位与公司覆盖面仍下降时，准确说法是“局部技能复苏”，而非行业全面复苏。

别等裁员登上热搜，才想起看劳动力市场。 固定口径、按时采集、留存每一次查询条件——职位列表就能变成一支每周可读数的温度计，头条叙事也才能变成可复核的时间序列。