Newshot 引言
美国年轻大学毕业生的劳动力市场正在走弱。在拥有学士学位、年龄 22–26 岁的劳动者中，2026 年 9 月的就业人口比率为 88%，比三年前低了整整 1 个百分点，比紧邻疫情前的水平低了近 1.5 个百分点。2025 年底，该群体的失业率接近 6%——尽管现在似乎正在降温——而疫情前约为 4%。失业者寻找工作的时间也在变长：典型的失业年轻毕业生已花 12 周找工作，比几年前高三分之一。
大学毕业生这些更为疲软的就业前景，引发了人们的担忧：AI 正在减少刚刚开始职业生涯的年轻人的招聘和就业。正如我们在下一节所讨论的，尽管围绕 AI 就业影响的证据尚处早期且无定论，但这是一个值得认真对待的假设。然而，把这场放缓完全归咎于 AI 的叙事存在复杂之处。首先，正如 Ozimek 和 Goldschlag（2026）所展示的，自 2023 年以来，年轻非大学毕业生的就业也在下降，而他们较少处于使用 AI 的行业、也较少从事受 AI 影响的岗位。1 事实上，自 2019 年 12 月以来，年轻非大学毕业生的就业率降幅略大于年轻大学毕业生，而 30-49 岁的中期职业劳动者已完全恢复到疫情前水平，且有无学士学位者之间差异很小。
感谢阅读！免费订阅以接收新文章并支持我的工作。
其次，AI 远非拖累近期经济数据的唯一冲击。现代 AI 时代始于 2022 年末，与此同时其他重大经济转变也开始成形。这使得很难厘清任一因素的影响。高通胀及由此带来的更高利率可能挤压了某些行业。疫情期间的“大辞职潮”中跳槽激增，此后随着企业减少招聘和解雇，跳槽又跌至历史低点，这可能不成比例地伤害应届毕业生等新进入劳动力市场者。移民流动也出现剧烈升降，以不确定的方式改变就业动态。2
在整个这一时期，居家办公（WFH）的采用度和文化接受度都在提高。就劳动力市场而言，WFH 利弊参半。越来越多共识认为，WFH 有助于残疾劳动者和年长劳动者的就业前景。这是一项不应被忽视的巨大好处。然而，正如我们在本文中所展示的，一个取舍是 WFH 会削弱年轻人的就业：缺少面对面学习和集聚效应的好处，在如今对 WFH 有预期的岗位上，雇主更可能雇用年长劳动者。年轻劳动者自身对 WFH
与此同时，人们也担心这对年轻劳动者造成的影响。Emanuel、Harrington 和 Pallais（2026）发现，与办公室的物理接近程度会提高软件工程师获得的工作反馈，尤其是更年轻和经验较少的劳动者。3 他们的全国性分析还发现，在可远程办公的职业中，年轻毕业生的失业率相对上升。Lambert 和 Schindler（2026）发现，在控制 AI 暴露后，初级岗位招聘份额的下降与 WFH 暴露相关。Moses Sternstein 在这里有一篇很好的汇总。
许多 AI 研究也讨论了年轻劳动者的经历。Alex Imas 和 {{PERSON_z
回归的详细结果在附录中，但我们在下图中总结了我们检验的关系。左图展示了职业层面的 WFH 占比（横轴）与我们的年轻毕业生—职业生涯中期劳动者就业差距增长（纵轴）之间的关系。该关系为负且在统计上显著。2023 年至过去 12 个月之间，WFH 采用率每额外增加 10 个百分点，年轻大学毕业生的就业率增长就比中年劳动者慢 3.9 至 6.6 个百分点。
作为一项核算性（而非因果性）练习，我们利用这些结果，考察了 2023 年至 2026 年间年轻毕业生 FTE 就业人口比下降 1.23 个百分点（该指标同时计入外延边际就业和集约边际工作时间）中有多少可由 WFH 解释。答案是 0.69 至 1.08 个百分点，解释了总下降的 56% 至 88%。当仅看外延边际就业率下降（即年轻毕业生无论工时长短、只要有工作的比例）时，WFH 解释了总下降的 97% 至 153%。
中间图将 WFH 采用率替换为 AI 暴露度，作为单独的解释变量。随着工作
然而，这一分析的结论并不是说居家办公解释了年轻毕业生就业方面的所有现象，而AI什么也没解释。我们的模型是提示性的，而非真正因果性的。此外，AI暴露度与远程办公可行性彼此高度相关，这使得难以明确区分这两个因素（尽管当我们将职业AI暴露度作为控制变量纳入时，居家办公仍然显著），更不用说我们在此未检验的其他因素，例如更高的利率和过去的招聘激增。AI研究，乃至AI本身作为一种通用技术，仍处于早期阶段，即便总体就业保持高位，AI也可能取代特定行业和职业。此外，AI对劳动力市场的全面影响可能要到下一次衰退才会完全显现，就像互联网对旅行社的影响那样。事实上，短期窄幅替代与长期总体增强之间的这种权衡，与历次技术冲击的历史完全一致。正如我们此前所强调的，在AI部署的这一早期阶段，研究人员应保持开放的心态。
方法论附录
CPS分析
Stripe对CPS的分析将2023年1月至12月期间与截至2026年9月的12个月进行比较。我们将10月从两个时期中排除，因为由于美国联邦政府停摆，2025年10月未收集CPS数据，因此每个样本期有11个月。我们考察两个时期之间的就业增长。我们的两种替代方法对就业的衡量略有不同：我们偏好的集约边际设定将主要工作中的通常每周工时除以40转换为全职等效口径，然后将其作为队列人口的百分比。通常工时可变的工作者按其实际工时计。另一种广延边际方法仅考察二元就业（占总人口的比例），职业按主要工作分配。在两种情况下，我们都仅限于CPS中有薪（即非自雇）工作的工作者。
我们关注的队列是“年轻大学毕业生”，即22至26岁、满足以下条件者：
- 恰好拥有学士学位；
- 未在学；且
- 未报告残疾。
用于比较的对照组为30至49岁、任何教育程度、非残疾人群。6 关注的结果变量是22至26岁人群的就业-人口指标增长率（百分比，而非百分点）减去30至49岁人群的相应增长率。
居家办公的衡量方式是：在2025-26样本期的后一阶段，某一职业与人口普查局分区交叉单元格中，在CPS中报告有任何远程办公的就业占比。为控制可能的内生性，模型2、4、8和10加入了Dingel和Neiman（2020）的疫情前居家办公可行性评分作为控制变量。
我们使用的AI职业暴露度指标来自Gimbel、Kendall和Kulsakdinun（2026）：它是六个独立指标的第一主成分。我们使用的AI采用指标基于行业，来自美国人口普查局商业趋势与展望调查，汇总了2026年1月至6月各期数据。
我们使用Coglianese、Murray和Nekarda（2026）的调整方法，针对2026年前的人口控制对CPS调查权重进行了调整。我们还应用了单岁年龄构成调整，将年龄人口结构固定为2025年11月至2026年9月的比例。报告的标准误为稳健标准误。
完整结果如下。表1是我们偏好的设定，使用FTE与人口之比的增长率作为因变量。表2使用有薪就业-人口比率的增长率。
在截至2026年9月的11个月里，年龄22至26岁、非残疾且未入学、恰好拥有学士学位的人，所在行业的平均AI采用率为27.9%；而22至26岁、学历低于学士学位的人所在行业的平均AI采用率为18.5%。Gimbel、Kendall和Kulsakdinun（2026）的职业AI暴露主成分得分平均值分别为0.52和-0.30，表明年轻大学毕业生所从事工作的平均AI暴露程度高于非毕业生。这两项差异均具有统计显著性。
最近，贸易政策（例如美国关税变化）以及伊朗战争导致的地缘政治紧张局势和能源价格上涨等因素，也可能正在影响劳动力市场。
Emanuel及其同事的全国性分析比较了疫情前后年轻和年长大学毕业生在可远程与非可远程职业中的情况。它衡量的是失业，而不是本文的就业人口比结果。
我们的主模型基于通常工时，以全职等效（每周40小时）衡量工资就业，以同时捕捉集约边际和广延边际。我们还测试了更传统的就业人口比，它只捕捉工资就业的广延边际。
观察支出相对于GDP的比例有两个目的：它实际上起到通胀调整的作用，并有助于控制WFH之外可能影响青年就业的区域经济因素。
我们还测试了一个替代对照组：年龄30至49岁、非残疾且拥有学士学位或更高学历的人。模型7中的WFH系数从显著变为略低于90%显著性水平；其他模型的解释与我们的基准方法大致相同。