👤 同一博主

🎬 为何没人愿意招聘 Z 世代

（原标题：Why No One Wants to Hire Gen Z） 📊 核心观点 当前 Z 世代求职困难并非源于其自身特质或单一因素，而是由前所未有的经济不确定性导致的劳动力市场“深度冻结”。企业因对未来缺乏信心而减少招聘和培训投入，使得作为未来投资的年轻求职者首当其冲。 🔍 关键事实与论据 市场现状严峻：职位发布到录用的平均时间创疫情前新高；50% 的职位空缺最终未产生录用（2018 年为 20%）；单个岗位申请者约 250 人，成功率仅 0.4%。 AI 影响有限：尽管 CEO 常将裁员归咎于 AI，但经济学家未发现 AI 显著替代劳动力的数据证据。LinkedIn 数据显示自 2025 年以来申请量激增 45%，但这主要增加了双方的繁琐工作和沟通混乱。 学历过剩论存疑：虽然近期大学毕业生失业率上升较快，但 Adam Ozimek 和 Nathan Goldschlag 的研究指出，许多无学位的年轻人已停止求职，导致数据低估了整体困境。这表明问题在于年轻群体普遍难就业，而非学位过多。 “软技能”争议的历史循环：调查显示 25% 的管理者因缺乏沟通等软技能而不愿录用应届生；18% 的管理者因管理 Z 世代员工感到压力巨大甚至考虑离职；30% 宁愿职位空缺也不招 Z 世代。然而，历史上对 X 世代（懒散）、千禧一代（自我中心）和婴儿潮一代（反叛）也有类似批评，表明“年轻即不确定”是代际共性。 不确定性冲击：地缘政治波动、关税变化及社会动荡导致经济政策不确定性指数处于非衰退期最高水平。企业倾向于保留现有员工而非投资新人，因为新员工被视为对未来的投资，在局势不明朗时风险过高。 💡 结论 AI 焦虑、学历贬值或代际文化冲突虽有一定影响，但无法解释当前的就业困境。根本原因在于经济缺乏稳定性和可预测性。只要企业看不清“明天”的模样，就不会投资于代表未来的年轻劳动力，从而导致 Z 世代陷入求职僵局。

🎬 你是否应该被允许购买中国汽车？

（原标题：Should You Be Allowed To Buy a Chinese Car?） 🚗 核心观点 美国消费者目前难以购买中国汽车，主要受政治、商业及国家安全因素阻碍。尽管中国车企（如吉利）提供高性价比且技术领先的车辆，但福特CEO Jim Farley等业界领袖担忧其低价和补贴优势将摧毁美国本土汽车工业。与此同时，美国国内汽车价格高昂、选择减少，部分经济学家认为引入竞争或能缓解这一困境。 📊 关键事实与论据 产品竞争力：吉利银河 M9 被 Edmunds 专家评价为极具竞争力，具备强劲动力、长续航及迷你冰箱等配置。在中国售价约 $25,000，仅为美国同级竞品（如起亚 Telluride）的一半。 行业担忧：Jim Farley 指出，由于劳动力成本低及政府巨额补贴，中国车企产能足以替代全美销量，导致“不公平竞争”。此外，车载传感器数据回传引发国家安全顾虑，加上 100% 关税，实质上构成了禁令。 美国车市现状：新车均价从 2012 年的 $30,000+ 升至近 $50,000；通胀调整后，$25,000 以下的车型从约 12 款减至 4 款。维修成本飙升（平均超 $800），且消费者被迫接受长达 6 年以上的贷款。 价格上涨成因：经济学家 Clifford Winston 指出，车企为追求高利润弃廉价车改推豪华 SUV；保护主义削弱了本土创新效率；“享乐调整”意味着现代汽车更安全舒适但技术捆绑导致溢价；消费者偏好转向大型 SUV 和皮卡。 💡 结论 汽车可负担性危机由车企策略、政策及消费趋势共同造成。虽然存在贸易公平与安全争议，但中国汽车的高品质不容忽视。部分经济学家建议效仿 80 年代日本车模式：允许销售但附加条件（如在美国建厂、雇佣本地员工、削减补贴）。尽管中国国企背景使谈判复杂化，但这可能是促进竞争、创新并降低美国消费者购车成本的有效折中方案。

🎬 企业裁员的真正原因

（原标题：The Real Reason Companies Are Shedding Workers） 📊 核心观点 企业裁员潮并非主要由AI带来的即时生产力提升所致，而是CEO们为了提振股价、规避政治风险以及维持巨额投资回报预期而构建的叙事策略。目前的AI应用尚未在宏观层面显著替代人力，反而常因“工作垃圾”（work slop）增加审核负担并降低效率。 📉 关键事实与论据 就业市场低迷：2025年就业增长低于前一年平均水平，为2009年以来最差表现；2026年亚马逊、Salesforce、Pinterest和Klarna等科技巨头继续裁员。Block宣布裁减半数员工，扎克伯格计划裁掉Meta 20%的员工。 生产力悖论：宾夕法尼亚-沃顿预算模型估算2025年AI仅带来0.01%的生产力提升；超6000名高管调查显示90%认为AI对生产力或就业无影响。MIT数据显示95%的工作场所AI试点项目失败。 实际效率下降：Block虽代码产量增40%，但95%的AI生成代码需人工修改，导致人类审查时间增加91%。员工被迫使用AI常导致任务耗时更长及质量下降。 动机分析： 股价驱动：Block宣布“AI驱动”裁员后股价上涨20%；OpenAI估值超Netflix、雪佛龙和麦当劳，尽管尚未盈利。 政治避险：相比归咎于关税或经济低迷可能招致特朗普政府关注，将裁员归因于技术效率更为安全。 投资回报压力：美国经济部分依赖AI支出支撑，唯有大规模替代人力才能证明数千亿美元投资的合理性。 💡 结论 当前AI并未如CEO所言使人类工人过时，“AI清洗”（AI washing）更多是掩盖业务下滑或过度招聘后果的手段。鉴于巨额投入与微薄产出之间的巨大落差，企业急于通过裁员叙事来安抚投资者并维持市场信心，而非基于真实的效率革命。

🎬 预测市场不愿让你知道的真相

（原标题：What Prediction Markets Don't Want You to Know） 📊 核心观点 预测市场（Prediction Markets）虽被视为比传统民调更准确的预测工具，但其本质是零和博弈。其繁荣依赖于“输家”不断入场为赢家买单，而内幕交易的存在加剧了普通玩家的不利地位。尽管监管宽松且存在争议，但通过广告和社区营销吸引新散户是其维持运转的关键机制。 🔍 关键事实与论据 “耶稣债券”案例：Polymarket 上关于“基督在年底前重返地球”的合约概率为 4%。若押注不发生，每投入 $1,000 可获利约 $40，风险极低，收益类似美国国债。但这引出了核心问题：谁在为这些几乎确定的赔付买单？ 监管灰色地带：在美国，预测市场被归类为衍生品而非赌博，由商品期货交易委员会（CFTC）监管，而非证券交易委员会或州博彩法管辖。这种宽松环境导致了内幕交易频发。 内幕交易实例： 2025年10月，诺贝尔和平奖公布前几小时，有人押注冷门候选人 Maria Corina Machado 获奖。 随后，匿名用户在 Google 年度搜索人物揭晓前押注音乐人 David 获胜。 委内瑞拉总统马杜罗被美军推翻前夕，有人获利超 $400,000。 美以对伊朗发动战争前一天，出现异常密集的投注。 零和博弈困境：与传统股市不同，预测市场类似扑克，一方盈利必然对应另一方亏损。若专业玩家或内幕知情者持续获胜，普通玩家将因意识到劣势而退出，导致市场流动性枯竭（Catch-22）。 💡 结论与建议 可持续性依赖营销：为了留住“输家”以维持资金池，行业通过博客、播客和直播等渠道进行大量宣传，鼓励散户保持乐观并持续入场。 社会价值存疑：虽然预测市场能产生更准确的概率评估（如企业减少浪费），但缺乏广泛的实际社会效益证据，且部分研究质疑其准确性。内幕交易者的巨额获利恰恰证明了原有预测的错误。 个人建议：应将预测市场视为赌博而非投资。参与者应适度参与，仅使用可承受损失的资金。正如扑克谚语所言：“如果你环顾四周看不出谁是傻瓜，那傻瓜就是你。”

🎬 关于租金管制，他们不想让你知道的事

（原标题：What They Don't Want You To Know About Rent Control） 📊 核心观点 价格管制（如租金控制、电价上限）虽能短期降低特定群体的生活成本，但经济学家普遍持反对态度。他们认为价格是反映供需状况的关键信号，人为压低价格会消除生产者的供给激励，导致短缺加剧或恶化。尽管公众强烈支持，但历史经验和经济理论表明，长期实施价格管制往往弊大于利。 📝 关键事实与论据 经济学家的共识： Harold Demsetz 比喻用价格管制对抗通胀如同“打碎温度计来控制天气”。 Assar Lindbeck 称租金控制是“除轰炸外摧毁城市最高效的技术”。 David Autor 指出价格管制虽能控制价格，但是个糟糕的主意。 住房市场现状： 近半数租房者属于“成本负担过重”（住房支出超过收入的 30%）。 高房价源于住房短缺，自 Great Recession 以来新房建设未能跟上增长。 “NIMBYism”（邻避效应）及 zoning/permitting 等非市场约束阻碍了新建房屋。 历史案例与数据： 1970年代初：尼克松政府实施价格上限，导致农民因成本上升且无法提价而减少生产，引发广泛短缺。当时约 75% 的选民支持该措施。 1994年旧金山：通过租金控制法后，房源减少，租金反而上涨。 2023年阿根廷：废除租金控制法后，可用房源几乎翻倍，许多市民租金降低。 当前政策动向： 纽约市长 Zoran Mamdani 提议冻结租金。 新泽西州长 Mikey Sherrill 限制电力费率。 Bernie Sanders 和 Josh Hawley 联合提案将信用卡利率上限设为 10%。 ⚖️ 结论 选民渴望立即缓解可负担性危机，而价格管制似乎是唯一能迅速见效的工具。部分政策制定者试图通过“临时冻结+大力激励建设”来抵消风险。然而，经济学家警告一旦实施便难以撤销：受益者会极力维护特权，而大众需承担短缺和后续价格飙升的后果。尽管政客不愿告诉选民他们错了，但强行推行可能导致少数幸运者获益、多数人受损的局面。

🎬 大多数人尚未知晓的税收减免优惠

（原标题：Most People Haven't Heard of These Tax Breaks） 📊 核心观点 许多人在入职填写福利表格时，常因困惑而忽略税务优惠账户（如 HSA、FSA、529），导致错失实质性的税收减免。这些“税前”账户并非仅适用于富人，而是旨在帮助人们用税后收入更少的钱支付原本就需要承担的医疗、教育或通勤费用。关键在于理解其规则并根据个人预算进行规划，而非将其视为剩余资金的额外投资。 💡 关键事实与论据 FSA（灵活支出账户）：通过工资扣除存入税前资金，用于支付处方药、共付额等医疗费用或托儿费。主要限制是“不用即作废”，需在年底前花完，部分计划允许少量结转。适合有规律医疗或照护支出的人群。 HSA（健康储蓄账户）：类似 FSA 但资金可逐年累积并可投资增值，实现三重免税（存入、增长、提取均免税）。需具备高免赔额医疗保险方可开设。雇主常提供匹配贡献，且无提前支取用于医疗的罚金，兼具退休储蓄功能。 529 教育储蓄计划：投资收益及用于合格教育支出时免税。复利效应显著：从出生起每月存入 143 美元至 18 岁，可覆盖公立大学约 50,000 美元的四年学费。 通勤福利：部分雇主提供税前账户支付停车或公共交通费用。 实际案例测算：以美国家庭中位数收入 84,000 美元为例，若每年花费 1,000 美元医疗及 6,000 美元托儿费，通过 HSA 和依赖护理 FSA 可节省 840 美元；若最大化贡献，税收减免接近 2,000 美元。 🎯 结论 税务优惠账户不应被视为“有钱人的游戏”或预算盈余后的选项，而应纳入日常必要支出的规划中。尽管表格和缩写令人头疼，但花时间厘清自身需求（如医疗、教育、通勤）并选择合适的账户，能显著降低长期生活成本。建议仔细审阅员工福利文件，咨询疑问，利用税前收入支付既定开销，从而提升长期的财务舒适度。

🎬 我们购买了一款AI产品，以此解释为何在线购物已陷入困境

（原标题：We Bought An AI Product To Explain Why Online Shopping Is Broken） 🛒 核心观点 在线购物存在严重的“信息不对称”，卖家掌握更多商品真实情况，而买家仅能依赖可能被操纵的图片、描述和评论。尽管法律允许一定的广告夸张（Puffery），但AI技术的普及使得虚假宣传更加逼真且难以辨别。虽然消费者试图通过查看评论来降低风险，但评论系统本身也容易被刷单和伪造，导致信任危机。 📊 关键事实与论据 信息不对称与法律模糊性：经济学中的“信息不对称”让卖家占据优势。法律上允许广告进行风格化修饰（如汉堡照片比实物大），只要不误导“理性消费者”。AI生成的超现实产品图（如机器人小狗）常被视为夸张，但许多买家仍误以为技术已成熟。 评论系统的漏洞：世界经济论坛估计约4%的在线评论为假，影响全球每年超过1500亿美元的支出。造假手段包括卖家诱导好评、海外评论中介批量刷五星等。尽管亚马逊和Google Maps使用AI检测算法，但骗子总能找到对策。 规模效应与平台激励：亚马逊拥有约6亿个商品列表，Google Maps有2亿多个地点。巨大的体量使得欺诈行为容易隐藏。诈骗成本低廉（生成图片、廉价制造、刷评），即使被下架也能迅速重来获利。平台因Section 230条款免受第三方内容责任，且从每笔销售中抽取佣金，因此缺乏彻底清理假货的强烈动力。 医疗领域的信任误区：75%的患者在寻找新医生时首先查看用户评论，但多项研究显示在线评分与实际护理质量几乎零相关。 💡 结论与建议 面对复杂的在线购物环境，完全依赖平台内的用户评论存在风险。建议消费者参考Wirecutter和Consumer Reports等以信誉为核心资产的独立评测机构，或向现实生活中认识的人寻求推荐。对于重大生活决策（如选择医生、律师），屏幕上的信息往往不足以反映真实情况，传统的人际信任依然重要。

🎬 降低电费的一个奇特计划

（原标题：A Strange Plan to Lower Your Electric Bill） 💡 核心观点 美国电费上涨的主要推手是数据中心，尤其是人工智能（AI）带来的巨大算力需求。 尽管过去二十年美国电力消费因能效提升而保持平稳，但近期数据中心能耗激增，导致电网承压及居民电费上升。 传统的定价结构存在不公，普通居民需分摊为服务数据中心而扩建的基础设施成本。 通过设计具备“灵活电力需求”的数据中心（在低需求时多用电，高需求时少用电），有望在不增加电网峰值容量的前提下，降低整体每千瓦时电价。 📊 关键事实与论据 能耗现状：美国过去二十年电力消费持平，但近期因AI训练（如ChatGPT每日超25亿次查询）导致数据中心能耗飙升。一个超大规模数据中心年耗电量相当于10万户家庭。 价格影响：彭博社研究显示，过去五年电价上涨的节点中，约四分之三位于主要数据中心活动区域50英里内。弗吉尼亚州拥有约150个超大规模数据中心，耗电量相当于1000多万户家庭；巴尔的摩电价因此上涨125%。 未来预测：预计2035年数据中心行业能源需求将翻倍，占美国总电力消费的9%，这是自20世纪中叶空调普及以来最大的能源需求增长。 成本构成：美国居民电费中高达50%用于支付配送费用（基础设施更新、维护及扩建）。例如，德州电网运营商ERCOT因应对极端天气花费数十亿美元升级电网，成本由所有客户分摊。 政策变动：2025年国会通过的法案大幅削减了绿色技术激励措施，可能导致数据中心更多依赖天然气、核能甚至煤炭。 📉 结论与建议 当前困境：若数据中心建设延迟或AI行业泡沫破裂，新建的基础设施成本将完全由现有居民承担。 潜在解决方案：杜克大学研究提出，若数据中心能具备灵活用电能力（如通过电池存储或重定向请求），可在不显著增加峰值容量的情况下接入电网，并通过分摊维护成本降低整体电价。 实施障碍：目前电网结构难以隔离或控制数据中心用电量，需依赖其自愿减排。德州已立法允许在紧急情况下切断数据中心电源，但全面推广需政府、企业及消费者团体达成妥协。

🎬 礼品卡为何对商家有利，对消费者不利

（原标题：Why Gift Cards Are Good For Stores, Bad For You） 📊 核心观点 礼品卡虽解决了传统礼物“无效损耗”问题，但存在显著的经济弊端，对消费者不利。 大量未兑换的礼品卡余额最终转化为零售商的“折损收入”，实质上是消费者向商家提供的无息贷款。 尽管有监管保护，礼品卡仍面临商家破产、欺诈等风险，现金或详细愿望清单可能是更优的送礼替代方案。 📈 关键事实与论据 市场占比：礼品卡占美国消费者全年礼物支出的55%以上，是最受欢迎的礼物类别。 无效损耗：经济学家Joel Waldfogel在1990年代估算，圣诞季礼物造成的年度无效损耗为40亿至130亿美元。 兑换率：约70%的礼品卡在6个月内被兑换，但此后兑换率急剧下降；估计高达3%的礼品卡价值永远不会被兑换。 资金规模：美国每年在礼品卡上花费超过3000亿美元，未兑换资金相当于美国集体“杂物抽屉”中的巨额资产。 商家收益：2024年，Starbucks披露其每年通过折损收入获得约2亿美元，这部分资金被视为收入。 监管现状：联邦法律规定礼品卡有效期至少5年，12个月内不得收取不活跃费；加州允许余额低于10美元时兑换现金，纽约州将折损收入存入州控账户。 风险案例：Joann's Fabrics、Forever 21和Bed Bath & Beyond破产后拒绝兑付礼品卡，因为无担保债权人（持卡人）在破产清算中排在最后。 欺诈数据：每年约有2.17亿美元的礼品卡相关欺诈行为，包括扫描货架上未激活卡片的条形码进行盗刷。 💡 结论与建议 替代方案：现金具有内在价值、永不过期且无无效损耗风险；或建立详细的愿望清单分享给亲友，以确保礼物符合接收者需求。 情感价值：送礼的核心在于加强情感纽带，而非单纯追求成本效益最大化；尝试挑选礼物本身具有情感意义，即使存在经济低效也是值得的。 行动建议：消费者应检查州未认领资金网站，查询名下是否有未兑换的礼品卡余额。

🎬 职场固守”如何毁掉你的职业生涯

（原标题：How "Job Hugging" Could Tank Your Career） 📌 核心观点 “Job Hugging”（职场固守）指员工因恐惧或对未来不确定而留在不喜欢的职位上，这种被动行为可能对个人、雇主及整体经济产生负面影响。 尽管当前经济环境充满不确定性，但长期停滞会损害职业发展和心理健康，建议保持技能更新并抓住机会。 就业关系已从长期的“忠诚互惠”转变为短期的“自由代理”，这种转变导致了双方忠诚度的缺失。 📊 关键事实与论据 数据支持：2025年7月 Eagle Hill 的研究显示，计划在未来六个月留在现职的工人比例持续上升，同时劳动力市场悲观情绪加剧。 历史背景：20世纪上半叶，美国员工常终身服务于一家公司，双方享有稳定工资、保险及退休福利；1970-80年代滞胀及新自由主义兴起后，企业转向“裁员与分配”，利润更多用于股东分红而非员工投入。 理论引用： Spencer Johnson 的《谁动了我的奶酪》被批评为鼓励员工适应变化的“裁员宣传”，旨在淡化管理层决策的责任。 人类学家 Ilana Gershon 指出，缺乏忠诚感的员工只关注个人市场价值，避免学习特定技能，导致生产力下降。 市场现状：疫情后雇主因招聘困难而不敢裁员，形成“Great Stay”（大留任）现象，但这是出于恐惧而非忠诚，易引发“Quiet Quitting”（安静辞职）及职场毒性。 💡 结论与建议 风险提示：被动固守工作可能导致生产力下滑、职场关系紧张，并在经济回暖时引发新一轮大规模离职潮。 行动建议： 避免自满，持续学习新技能并建立新的人脉关系。 在招聘放缓期，利用内部人脉了解目标公司。 当机会出现时，尤其是职业生涯早期，应积极把握，因为多样性和能量对发现自身优势至关重要。 最终观点：虽然未来不可预测令人恐惧，但停滞不前的代价更高，会损害职业前景与心理健康。

🎬 预测经济衰退的最怪异方式

（原标题：The Weirdest Ways to Predict A Recession） 📊 核心观点 美国劳工统计局（BLS）的数据是评估经济状况的“黄金标准”，具有非党派性和客观性，是制定财务决策的可靠依据。 存在多种非传统、甚至荒诞的经济指标（如内衣销量、裙摆长度、口红销量等），虽具趣味性，但缺乏严谨性，不可作为投资依据。 政治干预经济数据会引发严重后果，如投资者信任崩塌、借贷成本上升及社会动荡，因此维护数据独立性至关重要。 📈 关键事实与论据 传统指标失效风险：特朗普解雇BLS局长，理由是就业数据被操纵，这引发了对经济数据可信度的担忧。 非传统指标案例： 内衣与裙摆：Alan Greenspan曾提出男士内衣销量反映经济健康；“裙摆指数”认为裙摆长度与信心相关。 口红效应：Estee Lauder前主席发现2001年911事件及2008年金融危机后，口红等小奢侈品销量上升，因人们削减大额支出。 零食与酒精：经济衰退时，糖果销量可能上升，而啤酒销量高于昂贵威士忌，迷你酒瓶销量增加。 摩天大楼效应：Andrew Lawrence提出，经济过热时易出现超高层项目，如大萧条前的帝国大厦、滞胀前的世贸中心。 其他指标：脱衣舞娘收入、名人面部特征偏好（经济好时偏好幼态，差时偏好成熟）、咖啡店客流、约会APP使用率、泻药销量等。 数据操纵后果： 阿根廷2007年因篡改通胀数据遭全球投资者抛弃。 希腊2004年因伪造数据加入欧盟，导致高额借贷费用和严厉紧缩措施。 BLS的可靠性：由大量非党派员工编制，难以被单一导演操纵；但大规模裁员可能长期影响数据中立性。 ⚖️ 结论 尽管存在各种“怪异”指标，它们多为轶事证据，受多重变量影响（如健康趋势、个人天赋），无法替代BLS严谨收集和分析的数据。 BLS数据作为公共产品，对政策制定者、企业主及普通民众具有巨大实用价值。 即使数据看似可靠，任何关于偏见的建议都会造成市场不确定性和增长停滞。 目前官方数据仍是最佳指标；若未来看到经济学家测量裙摆，则需警惕经济异常。

🎬 如果房东制度被禁止会怎样

（原标题：What If Landlords Were Illegal?） 🏠 核心观点 彻底废除房东制度在短期内极不现实，若立即实施将导致经济系统遭受灾难性冲击。 住房危机的根本原因是住房短缺，而非单纯的租赁市场存在。 消除租金收益可能抑制开发商建设新房的积极性，反而加剧住房短缺。 政府应通过监管减少剥削，而非完全取代市场机制。 📊 关键事实与论据 经济冲击风险：美国有4500万租房家庭，若房东制度被禁，超过半数的租赁单元因有抵押贷款将被迫出售，导致房价暴跌、大规模止赎及社会混乱。 政策替代方案： 税收调整：削减房东的抵押贷款利息、折旧等扣除项，或实施“地租主义”（Georgism），对土地所有权征税以消除被动收益。 租金管制：在纽约、旧金山等城市实施租金冻结或涨幅限制，虽能短期防止低收入者被驱逐，但长期可能阻碍住房投资。 住房短缺数据：美国需新建400万至700万套住房才能恢复到大衰退前的库存水平，目前进展缓慢。 公共住房案例： 美国困境：公共住房常与贫困、衰败挂钩，部分原因是政策限制（如仅限低收入者居住）及私人开发商的竞争压力。 新加坡模式：约半数人口居住在高品质的政府建设高层公寓中，部分售价超过100万美元，证明混合收入公共住房的成功可能性。 租房优势：部分人群偏好租房的灵活性，避免维护麻烦，且将储蓄投入股市的历史回报率高于房地产。 ⚖️ 结论与建议 政府角色：在缺乏房东的情况下，政府需承担提供临时住房和融资建设数百万套新房的责任，但这在巨额债务背景下极具挑战性。 监管重点：政府应制定规则以最小化剥削，确保住房安全、及时维修，并限制歧视、骚扰及不当驱逐。 最终立场：不应盲目仇恨房东（市场参与者），而应致力于改变游戏规则，通过合理的监管和住房建设来解决危机。

🎬 学编程”如何反噬了一代人

（原标题：How "Learn to Code" Backfired on a Whole Generation） 📊 核心观点 2025年初纽约联邦储备银行研究显示，计算机科学与工程专业毕业生失业率位居美国前列，甚至高于艺术史、哲学及新闻学等人文学科专业。 “学习编程是职业保险”的传统观念受到挑战，人工智能（AI）正在取代初级编码工作，导致科技行业入门级岗位需求减少。 部分经济学家认为，除了AI影响，科技行业人才供过于求以及后疫情时代投资者资金枯竭导致的裁员也是重要原因。 人文学科培养的适应性、批判性思维等“软技能”在快速变化的经济环境中可能更具长期价值，且其薪资在职业生涯后期往往能追平科技从业者。 📈 关键事实与论据 市场数据：科技板块曾占美国股市总市值的30%以上，但近期毕业生失业率上升趋势早在2009年（ChatGPT出现前）已开始显现。 AI影响：微软、谷歌等巨头承认大量初级编码工作已由AI完成；AI同样正在替代文案、副律师、初级分析师等入门级岗位。 供需失衡：计算机科学长期为热门专业，导致技能同质化严重；利率上升后，企业为满足股东盈利要求而裁员，AI成为削减成本的借口。 薪资对比：虽然科技行业起薪较高，但求职者需发送数百份申请或接受无薪实习；研究显示人文学科毕业生起薪较低，但后期薪资追平且职业路径更宽（如法律、商业、管理）。 替代领域：建筑服务、土木工程（应对住房短缺和基础设施老化）及护理行业（应对老龄化）目前就业状况优于科技行业，且预计未来几年增长快于平均水平。 💡 结论与建议 单一技能专业化风险增加，掌握适应性强、可迁移的软技能比掌握特定技术工具更明智。 计算机技能依然重要，但具体技能需求因AI影响而难以预测；教育应注重全面发展以应对职业转型。 就业满意度与低失业率或高薪资无必然联系，个人兴趣与职业稳定性需平衡考量。 建议关注建筑、工程及医疗护理等需求稳定且增长的行业，作为科技行业的替代选择。

🎬 警惕这些全新骗局

（原标题：Don't Fall For These Brand New Scams） 📊 核心观点 诈骗之所以有效，是因为骗子利用恐惧、希望和爱等强烈情绪，诱导受害者在非理性状态下做出快速决定。保护家人免受侵害的最佳策略并非解释每种骗局的细节，而是建立一套简单的三步应对流程：减速、核实与沟通。此外，打破羞耻感并公开分享经历，有助于提升公众对新型诈骗的警惕性。 📝 关键事实/论据 受害群体与损失数据：FBI 报告显示，2023 年老年欺诈受害者平均损失超过 3.3 万美元；60 岁以上成年人共提交超 10 万份报告，集体被骗金额逾 34 亿美元。整体金融诈骗报告数量较前一年上升 11%。 常见骗局形式： 冒充亲友：骗子可能利用生成式 AI 模仿声音或通过网络搜集家庭成员信息，谎称孙子/孙女入狱或遭遇车祸急需汇款。 冒充权威机构：如伪装成政府特工、银行客服。2023 年，《The Cut》的一位财经专栏作家因轻信自称 FTC 员工的骗子损失 5 万美元，对方通过伪造号码并威胁“告知他人会有法律风险”来孤立受害者。 其他类型：包括虚假工作机会（索要银行账户以发薪实则盗刷）、加密货币或股市投资骗局、以及耗时数月建立的浪漫关系诈骗（杀猪盘）。 代际差异：尽管存在针对老年人的刻板印象，但 Bankrate 调查显示，过去一年中 Z 世代最有可能因诈骗损失金钱，部分原因可能是骗子使用了生成式 AI 和加密钱包等技术工具。 💡 结论与建议 面对可疑联系，应遵循以下三步法： 减速（Slow down）：警惕紧迫感，在回复陌生来电或短信前暂停片刻，理清思路后再行动。 核实（Verify）：挂断电话后直接拨打官方号码确认身份；与家人预设不易被搜索到的“暗号”以验证紧急情况；对网络交友对象进行反向图片搜索。 沟通（Talk to someone）：鼓励长辈与情绪客观的亲友讨论异常情况。若对方要求保密，即为危险信号。 一旦受骗，应向 FTC 或 FBI 互联网犯罪投诉中心报告，并通过分享经历帮助他人识别骗局，利用人际连接共同抵御诈骗风险。

🎬 汽车保险公司正在“宰客

（原标题：Car Insurance Companies Are Ripping You Off） 📊 核心观点 汽车保险费率并非不可控的固定支出，而是基于保险公司对驾驶者未来风险的预测算法。虽然年龄、性别、信用评分等个人数据会影响保费，但消费者可以通过调整保单结构、改变行为习惯及定期比价来主动降低费用。关键在于根据自身财务状况和风险承受能力，在“节省保费”与“财务保障”之间找到平衡点。 💡 关键事实/论据 折扣利用：保险公司提供多种折扣（如年里程少于10,000英里、拥有房产、子女成绩优异等），部分需主动申请而非自动应用。 提高免赔额：将免赔额从500美元提升至1,000美元，据《消费者报告》估算可使保费平均降低20%至25%。若年保费为1,000美元，两年内的节省金额即可覆盖免赔额的差额。 调整保障范围：对于老旧或廉价车辆，可降级为仅责任险（Liability Only），其成本通常不足全险的一半。但需注意，最低限额可能不足以应对诉讼风险，法院可扣押资产或工资以补足差额。 捆绑与行为监控：多保单捆绑（如车险+家财险）可享折扣；参加防御性驾驶课程（约25美元、5小时）可获得10%保费减免。基于使用的保险（UBI）通过GPS和加速度计监测驾驶习惯，安全驾驶者可获益，但需注意隐私泄露风险（如2024年《纽约时报》报道部分车辆自动收集数据并出售）。 比价策略：建议直接致电保险公司代表或咨询代理人以获取更精准的折扣信息，避免使用可能贩卖数据的比价网站。购车前可让保险公司评估不同车型对保费的影响。 🎯 结论 车险是一项可控的支出，生活状况的变化（如结婚、搬家、新增驾驶员）都会影响费率计算。消费者不应被动接受算法定价，而应至少每年检查一次保单，根据最新情况调整策略，确保在获得必要财务保护的同时最大化节省成本。

🎬 你还没用上这些巧妙的省钱技巧

（原标题：You Aren't Using These Sneaky Budget Tricks） 📊 核心观点 财务决策中90%受情绪驱动，仅10%基于逻辑。财务压力会损害认知能力，因此进行财务审计时需保持冷静、休息充足并设置定时休息。建立清晰的现金流认知是缓解财务焦虑的关键，通过计算储蓄率和必需品支出占比，可判断问题是源于收入不足还是消费失控。 💰 关键事实与论据 案例背景：Adrian（20多岁）年薪7.5万美元，税后月薪约5,460美元。 收支分析技巧： 必需品及债务支出（住房、水电、车贷等）每月2,650美元。 储蓄计算需扣除信用卡负债增长。Adrian过去半年储蓄账户增加2,500美元，若无信用卡债增加，月均净储蓄为416美元。 剩余约2,394美元为自由支配支出（餐饮、订阅等）。 健康比率评估： 储蓄率：目前为6.6%（416/6,250），专业建议目标为20%（即每月存1,250美元）。 必需品支出占比：目前占收入48%。若该比例超过55-60%，通常意味着生活成本高于薪资，应优先寻求加薪；若在30-40%仍感压力，则多为消费习惯问题。 财务基础建设步骤： 储备1个月支出的紧急基金（Adrian已有）。 为既定承诺储蓄（如旅行、婚礼），每月预留100美元。 偿还债务或增加应急基金至3个月支出。Adrian选择先还清8.9%利率的车贷，暂缓低息学生贷款还款以尽早开始401k投资。 ✅ 结论 通过调整订阅、餐饮等自由支配支出，Adrian将每月现金流缺口提升至1,000美元，逐步向20%储蓄率目标靠拢。财务审计的三步法为：分析现金流去向、计算储蓄与必需品比率以评估健康状况、修补财务基础漏洞（紧急基金、债务、长期投资）。明确现状并可持续地调整支出，比追求完美更能有效缓解财务压力。