← 宏观经济学

失业：不是所有失业都一样

4 / 9

青年失业率21%后官方停止发布：低失业数字掩盖了什么？

2023年，中国青年失业率一度超过21%，随后官方暂停发布这项数据。同期，美国整体失业率维持在3.5%的历史低位，但劳动经济学家却在警告：这个”低失业”数字掩盖了数百万”离开劳动力市场”的人。什么样的失业才需要政府干预？什么样的低失业率其实是个陷阱？

一、失业率是怎么算的

美国失业率历史趋势

美国历史失业率：每一个峰值都对应一次经济衰退——2008 年金融危机和 2020 年疫情冲击尤为显著。

1.1 基本定义

失业率（Unemployment Rate）= 失业人数 ÷ 劳动力总数 × 100%

其中：

这意味着：失业率只捕捉到了故事的一部分。

1.2 统计的盲区

美国劳工统计局（BLS）除了发布主要失业率（U-3），还有一个更宽口径的 U-6 指标，包括：

2024 年，美国 U-3 失业率约 4%，但 U-6 约 7.5%——两者差距说明有相当一部分劳动力处于”灰色地带”：不算失业，但也谈不上充分就业。

中国的失业数据情况更复杂。城镇调查失业率是官方主要指标，但不覆盖农村劳动力，也无法完整反映灵活就业群体（外卖骑手、网约车司机、自媒体从业者）的就业质量。

二、三种失业的本质不同

政策能不能解决失业，首先要看失业的类型。2020年疫情造成的失业，政府发钱、企业复工就能恢复；但美国”锈带”制造业工人的长期失业，发再多的补贴也无法改变技能错配的根本问题。诊断错类型，开错药方，是历史上无数失业政策失败的共同原因。

2.1 摩擦性失业（Frictional Unemployment）

这是最”正常”的失业，指的是劳动力在换工作过程中的短暂空档。

典型情形：

这类失业是市场经济的摩擦成本，无法消灭，也不需要消灭。信息不对称——雇主和求职者需要时间互相找到对方——是它存在的根本原因。互联网招聘平台（智联招聘、LinkedIn、Indeed）的核心价值之一，就是降低摩擦性失业的持续时间。

2.2 结构性失业（Structural Unemployment）

这类失业最复杂，也最难解决。它来自劳动力技能与市场需求之间的长期错配。

当一个产业被技术或全球化改变，工人拥有的技能变得过时，他们无法简单地”换个工作”——因为新岗位需要的技能他们没有。

历史案例：

AI 驱动的结构性失业（2024-2025）：这轮争议的焦点是生成式 AI（如 ChatGPT、Claude、Gemini）对白领工作的冲击。翻译、简单代码、客服、文案、初级数据分析——这些曾经被认为安全的工种正在被重新评估。麦肯锡全球研究院 2023 年的报告估算，生成式 AI 可能影响全球约 3 亿个全职岗位的部分工作内容，是历史上影响最广的一次技术替代。

结构性失业的政策应对不是刺激需求，而是再培训（Retraining）和教育升级——政府需要帮助受冲击的工人学会新技能。但这需要时间，往往以年为单位，对已经五六十岁的工人来说更是艰难。

2.3 周期性失业（Cyclical Unemployment）

这类失业和**经济周期（Business Cycle）**直接挂钩：经济衰退时总需求下降，企业订单减少，裁员增加；经济复苏时需求回升，企业重新招聘。

2008 年全球金融危机后，美国失业率从 5% 飙升到 10%（2009 年峰值）——这是典型的周期性失业爆发。工人的技能并没有失效，只是经济活动整体萎缩，岗位暂时消失了。政府的应对工具是刺激总需求——降息（货币政策）或扩大财政支出（财政政策），这两篇内容分别在 Session 4 和 Session 5 详细展开。

失业类型原因持续时间政策能否解决
摩擦性信息摩擦、求职过渡短暂不需要，也难以消灭
结构性技能错配、产业变迁长期需要再培训、教育政策
周期性总需求不足随周期波动可以，靠宏观刺激政策

三、自然失业率与菲利普斯曲线

3.1 “充分就业”不等于失业率为零

经济学家用**自然失业率（Natural Rate of Unemployment，NAIRU）**描述一个没有通胀压力的”正常”失业水平。它等于摩擦性失业 + 结构性失业，通常在 4-5% 左右（发达国家）。

当实际失业率低于自然失业率，意味着劳动力市场过热：工人有更强的议价能力，工资快速上涨，企业成本上升，最终推高物价——这就触发了 Session 2 讲的工资-价格螺旋。

2022-2023 年美联储激进加息，核心逻辑就是：失业率降到 3.5% 以下，已经明显低于自然失业率，劳动力市场过热是通胀居高不下的重要原因，必须通过加息给经济降温，让失业率回升到更可持续的水平。

3.2 菲利普斯曲线（Phillips Curve）

**菲利普斯曲线（Phillips Curve）**是宏观经济学里最著名也最有争议的关系之一：在短期，通胀和失业之间存在负相关——想要更低的失业率，往往要接受更高的通胀；想要压通胀，往往要接受更高的失业率。

失业率 ↓  ←→  通胀 ↑
失业率 ↑  ←→  通胀 ↓

这个权衡关系让宏观政策永远是两难选择。2022 年美联储的处境最典型：为了压通胀，他们愿意接受失业率上升的代价；外界争议的核心是”要压多狠、要把失业率推多高才够”。

但这个关系在长期并不成立——如果通胀预期发生变化（比如工人开始预期高通胀），菲利普斯曲线会上移，出现高通胀和高失业并存（即 1970 年代的滞胀）。这是它最大的局限。

四、中国的青年失业问题

青年就业困境——结构性失业的全球现象 图注：城市职场场景。失业从来不是均匀分布的——年轻人、低技能者、特定地区的工人，往往在经济下行或结构转型时承受不成比例的冲击。2023年中国16-24岁青年失业率创历史新高，背后是高校扩招、经济下行与就业市场结构错配同时叠加的系统性问题。

4.1 21.3%：一个让人震动的数字

2023 年 6 月，中国国家统计局公布的 16-24 岁城镇青年失业率达到 21.3%，这是有数据记录以来的历史新高，随即引发广泛关注。此后国家统计局暂停发布这一指标，数月后调整口径重新发布（剔除了在校学生，只统计已入劳动力市场的青年）。

4.2 背后是什么

这个数字是多重因素叠加的结果：

供给端——毕业生规模历史性扩张：2023 年中国高校毕业生首次超过 1000 万（1076 万），2024 年继续创新高（约 1179 万）。大学扩招带来的是”学历通胀”——越来越多人有学位，但对应的岗位并没有同步扩张。

需求端——白领岗位增长放缓：

结构性错配：高校毕业生普遍期望进入白领工作，但制造业和服务业基层岗位大量空缺。这是典型的结构性失业问题——不是岗位不存在，而是求职者不想要那些岗位。中国的技能匮乏（Skill Gap）和学历预期之间的断层，短期内难以用简单的政策工具解决。

4.3 与美国的对比

2024 年美国劳动力市场的主旋律与中国截然不同：整体失业率维持在 4% 附近，很多行业（医疗、餐饮、建筑）反而面临招工困难。这在一定程度上是因为 2020-2021 年大量工人退出劳动力市场（Early Retirement 潮），供给减少推高了在职工人的议价能力。2024 年美国工人实际工资增速连续跑赢通胀，这在欧洲和日本都没有出现。

五、失业的社会代价

失业率是一个冷冰冰的数字，但背后是真实的人的遭遇。经济学研究一再确认：

这些社会代价，是宏观数据无法完全捕捉的——这也是 Session 1 谈到 GDP 局限性时的另一个回响。

六、2026 年视角：AI 对就业市场的冲击正在兑现

结构性失业的加速：2025-2026 年，生成式 AI 对白领就业的冲击从预测变为现实。翻译、基础编程、客服、内容写作、初级数据分析等岗位的需求明显下降。麦肯锡 2025 年的更新报告估计，AI 可能在 2030 年前影响全球约 12% 的工作时间——这不意味着 12% 的人失业，而是大量岗位的工作内容被重新定义。

中国青年就业的结构性挑战：2026 年高校毕业生规模预计再创新高。传统的”名校-大厂-高薪”路径在互联网行业收缩和 AI 替代双重压力下变得更加狭窄。同时，制造业升级对技术工人的需求持续旺盛，但高校毕业生的技能结构和就业期望与之不匹配——这是教科书级的结构性失业案例。

AI 创造的新岗位：值得注意的是，AI 也在创造新的职业类别：AI 训练师、提示工程师、AI 安全研究员、人机协作设计师等。历史上每一次技术革命都经历了”旧岗位消失、新岗位出现”的过渡期，关键问题是过渡期有多长、谁承受了转型的代价。

菲利普斯曲线在 2025-2026 年的表现：美国失业率维持在 4% 左右但通胀仍高于目标，中国失业率统计上”正常”但通缩压力持续——这两个案例都在挑战传统菲利普斯曲线的预测能力，提醒我们短期权衡关系在不同经济结构下的表现可能截然不同。

为什么重要

理解了三种失业的区别，就能看穿很多经济政策讨论的核心逻辑：

“发钱刺激消费”能帮助周期性失业工人，但对结构性失业工人没有根本用处——因为问题不是他们没钱花，而是他们的技能已经不匹配市场。中国青年失业问题的本质是后者，但很多短期刺激政策瞄准的是前者，这是政策效果不及预期的原因之一。

下一篇（Session 4）讲货币政策，会看到央行在设定利率时，“充分就业”是一个明确目标——美联储的双重使命（Dual Mandate）就是价格稳定 + 最大就业。通胀和失业的权衡关系，是货币政策最核心的决策依据。

延伸阅读

↑ 返回《宏观经济学》目录