首发于微信公众号东哥夜谈。欢迎关注东哥夜谈，让我们一起聊聊个人成长、投资、编程、电影、运动等话题。
本帐号所有文章均为原创。文章可以随意转载，但请务必注明作者。如果觉得文章有用，欢迎转发朋友圈分享。
1. 缘起
在 Bing 上面通过限定时间的方法，大致搜了一下「知识变现」，发现是大致从2015年2月份知乎推出「值乎」服务开始流行起来的。接着，分答、知乎 Live、喜马拉雅付费音频，甚至各种小密圈社群，一大波知识付费袭来。
李笑来先生总强调概念的重要性，所以咱也应该先分析一下这些概念。现在这个所谓知识变现，含义其实很狭隘的。就像「老司机」这个词指的不是现实中的驾龄很长的司机师傅一样，知识变现的指向也是其在互联网领域的一个局部含义，大致是指通过互联网，把自己的知识通过付费问答、讲座等形式卖出去。这样的方式自然是一种知识变现的方式，但知识变现显然不仅仅是这些。
首先，我们必须面对的现实是，这种知识变现不是所有人都能操作的。二八分布普遍存在于各行各业，而在互联网里面，由于信息传播的边际成本几乎为零，所以二八分布尤为明显。所谓赢家通吃，指的就是这个意思。同样的时间，为什么不去听罗辑思维，为什么不去读和菜头，而要在你这里花费时间？任何无法回答这个问题的知识变现，都很难长久。
其次，我们必须承认的是，大 V 之所以牛逼，是因为其思想的确有彪悍的地方。有人说李笑来能达到现在的程度纯粹是因为运气好，在恰当的时间买了比特币而已。而实际上，李笑来之前做销售的时候，就是个非常好的销售，后来甚至成为销售培训师，专门教人怎么搞销售。后来去新东方当老师，同样是个很好的英语老师，他自己写书，本本都是畅销书和长销书。
直到今天，李笑来每年还能拿到 100 万的图书版税。说他做什么都是好运气，怕还真站不住脚。就在写文章的档口，我看了看李笑来在得到 APP 上的订阅数，17 万 5522 人，每人199元，算下来就是 3490 万订阅费用。一年利用业余时间轻松赚了 1700 万，显然不应该只是运气所致。
所以，凭自己读过的一枕头高的书就想当大 V，也太把这行当看低了一些。对于绝大多数普通人来说，还得另寻出路。而实际上，知识变现的概念也的确不应该如此狭隘。
比如说，小明出生在某边远地区的农村，通过自己努力考上大学，后来在一个大城市谋了一份不错的工作，彻底的离开了自己父辈面朝黄土背朝天的生活，算不算知识变现？前两年回老家一趟，当年一起拖着鼻涕长大的发小已经琢磨着孩子结婚的事情了，一年下来大概收入一到俩万。我觉得我现在画画图赚点钱，应该也算是自己的知识变现了。
所以，对于绝大多数普通人来说，依靠现在流行的「知识变现」的概念去变现，难度极大；而突破这个思维局限，从更广义的角度去思考知识变现，会更有意义一些。
2. 分析
2.1 城市的价值
从经济学的角度说，市场是最有效的资源配置工具，价格这只看不见的手最能反映社会对价值的认可。所以，我们可以从多个维度，对人们的平均收入进行分析，看看怎样才能让一个个体实现最大程度的自我价值。
首先从城市的角度来看看。东哥曾经做过的一个最失败的选择，就是大学毕业的时候没有选择留在北上广深这些大城市，而是为了一个看起来不错的工作选择了东北。大城市承载了很多人的梦想，那里才有激荡的人生。
只是啊，人生没他妈那么多如果啊。
在 51Job 上分别选定长春和上海，就其上面的薪水做个统计分析。由于只限定这一个条件，其结果应该涵盖了城市里面很多行业，算是比较准确的反应了城市的整体面貌罢。
先说明一下，这个地方更高大上的方法应该是用 API 或者爬虫，但民科出身的东哥的 Python 现在还是蹩脚的初级 Python，现学爬虫显然时间成本太高，所以数据准备过程用的是搜索，然后对结果复制粘贴，共搜集了250条信息，用 pandas 进行 PK。
首先，我们过滤掉收入太低（小于5W 的）和收入太高的（大于80W）的数据。对于东哥夜谈的读者，这应该是一个比较合适的覆盖范围 —— 有低于这个下限或高于这个上限的也可以和我聊聊，我会很高兴自己的覆盖面已经如此广的。
其次，我们确定通过均值来考察收入情况。均值和中位值是统计过程中时常需要争执的指标。就东哥这个分析而言，由于已经限定收入范围为 5W~80W，所以中位值和均值差异应该不会太大。百万年薪是好，人家也不能要我啊；5W 年薪咱也不能去啊。
看，市场就是高效的把每个人配置在了合适的价格上。不过话说，东哥现在失业，应该怎么算价值捏？
我们选取的前 250 个结果，算是一个样本。在对样本分析之前，需要进行一些假设。根据直觉，工资太高和太低的都应该是少数，大多数人应该是出于一个比较中间的状态，所以可以用正态分布模拟收入。对于正态分布的样本，当我们想根据样本进行推断性统计，通过样本推断总体水平时，就需要用到置信区间的概念。
置信区间貌似是个不太容易理解的概念。知乎上搜了一下，都涉及到哲学的层面了。该说是知乎的格调太高呢，还是自己水平太渣呢？就东哥朴素的理解，所谓置信区间，就是指能满足多大概率的一个区间。比如置信区间95%，就是指在 95% 的置信度下，总体均值对样本均值的偏差，满足 x - ME < u < x + ME，行不？
貌似还没有解释清楚。u 作为样本均值，比如平均工资，假设15W，ME呢是误差范围，比如2W，在 ME 误差范围内，也就是13W 和17W 之间，总体和样本的偏差概率小于 5%，这样是不是容易理解一些？
好像也没有哈。概率这东西挺搞人，加上统计一起，就更搞人了。东哥也只是皮毛，不过倒是不妨碍咱接着分析。
通过样本得到总体，自然少不了Bootstrap方法。咱设置信区间为 95%，重复对这250个样本进行抽样 1000 次，再计算器均值。
def bootstrap(data, times):
meanboots = []
for i in range(times):
boot = pd.Series(np.random.choice(data, size=len(data)))
meanboots.append(boot.mean())
boot = pd.Series(meanboots)
alpha = 0.05
bmin = boot.quantile(alpha/2)
bmax = boot.quantile(1-alpha/2)
return (bmin, bmax)
不过结果倒是挺出乎我的意料的。
上面第一幅图是收入直方图。关于各种统计图表，之前的文章已经聊过，咱不多说。就这个图形可以很明显的看出，上海不仅中位值大于长春，高收入利群之更是远大于长春。这应该就是大城市的最大魅力所在，他可以给你一种可能，一种拿到更高收入、创造更多价值的可能。
不过这个样本仅仅是 51Job 上的，覆盖面不够广，自然就存在偏差。比如上海的互联网覆盖率高，是个单位就上网招聘，阿猫阿狗的，自然把市价拉了下来；而长春只有很彪悍的企业才可能去这种招聘网站，所以无形中就提高了表面的收入水平。就我自己的感觉，长春这个价格，至少得乘个 0.6 的系数。
2.2 行业的红利
提到行业，很自然的就想到用基建行业的结构工程师和 IT 行业的研发工程师 PK 一下。
为啥从这俩个角度出发？因为东哥自己是搞建筑结构设计的，所以对这个角度比较感兴趣。另一方面，每个时代都有每个时代的特色，比如文艺复兴，比如工业革命，比如二战和冷战。现在的这个世界，是科技爆发及统治世界的时代。程序员便是这个大航海时代的水手，所以这个 PK自然就比较有趣了：传统的结构工程师 .VS. 新兴的研发工程师。
虽说是 360 行行行出状元，但知道真相的东哥还是忍不住掉下泪来。
很明显，大多数结构工程师都聚集在 10W 左右，而研发工程师则集中在 20W 左右区域。而且其离群值也远超结构工程师。
从箱图上看，程序员的中位数，比结构工程师的 0.75 中位数都要高。这里的图形是限制在了 80W 以下，而实际上，100W 以上的薪酬里面，程序员很多，而结构工程师几乎没有……
计算一下其平均值，结构工程师的平均年薪为 143905.79 元，程序员为 214566.80。
我欲哭无泪。男怕选错行，真他妈的差异巨大啊。咱不说那些牛逼人物，就平均值而言，程序员的收入搞出结构工程师 50% 啊！
我们大结构也一直很努力好不好！
2.3 本科 VS 硕士
既然谈到知识变现，知识的另一表现形式，学历，就不能不拿出来聊聊。在 51Job 上限定为本科和硕士分别进行数据收集，在 250 个样本中，挑出有效样本约为 240 个。进行分析，其结果如下图所示
然后进一步计算可以得出，本科的年均收入为 164947.37 元，硕士为 201075.11 元。硕士比本科高了约 25%。
说知识变现，还有比这个更明显的么。多读两年书，在接下来的几十年里面，你将比少读了这两年书的人，每年多收入 25%。相比之下，那点学费，完全可以忽略不计了吧？
更何况，高学历对以后的进一步发展也更有好处。而且经过两年的学术锻炼，研究生们掌握了一套如何进行研究的方法论，从而可以针对任何自己感兴趣的课题深入学习，这是没有经过这些训练的小本们很难匹敌的优势。
3. 思考
看着这些数据，我发了会儿呆。
3.1 城市
城市，承载了我们很多希望，很多梦想。大城市所拥有的，不仅是更完善的硬件，还有更强的人，更多的机会，更好的氛围。
人在强，强不过环境。一个人在小城市是孤军奋战，在大城市却很容易聚集到更多志同道合的人，大家在的那种互相激励和影响，会形成一个向上的漩涡。在这个漩涡里，即使睡着也能进步。
资源有聚集效应，更好的资源都会自动去寻找价值集群高的地方聚集；在价值群更高的地方，个人也就能创造更多的价值。卡尔·马克思有一句名言：一切价值都可以还原为时间。在大城市，单位时间的价值，显然比小城市要高很多。这也就成就了每个个体的价值。
这就是城市的红利吧。想要知识变现，最好的方法，其实就是去这些价值集群高的地方。在那里，才会有更多的可能。
3.2 行业
应该正视的是，行业的差距的确存在。信息技术行业，就是比传统行业要好。而且这个差距很大，从均值的程度上说，都能达到 50%。所谓男怕入错行，选对好的行业，踏准时代的脚点，在一个行业内，个人就可以轻易胜出其他行业。
都说现在是信息时代，也有人说是金融时代，不管到底是什么时代，显然都不再是传统的工业、制造业等行业的时代了。传统行业渐渐没落，尤其诸如电力、冶金等基础行业，已经不仅仅能用日渐衰微来说，简直就是状如长江大河，日夜浑浑趋于下而不能止。
这便是时代大势吧。所谓选择决定生活，而学识可以决定选择。通过自己的努力，进入到一个好的行业，用相应的知识创造无限可能，是不是很美好？
3.3 学历
其实，在对比知识变现的时候，最应该第一比较的，其实就应该是学历。
学历不等于知识，不等于真才实学之类的论调，我都没法 100% 反驳。不过倒是有一句话可以问问，否定了学历了知识的关联，谁能找出一个更具广泛性、普遍性的关联来？
世间万事儿，想要绝对正确都是不可能的。学历不是一个绝对的指标，但在统计意义上，高学历就是意味着高收入，这是谁也抹煞不了的事实。招聘网站上老板们肯给出的价格就已经投出票了，硕士学历比本科学历的收入就是要高 25%。
你说咱费劲心思换个什么 7.7% 的收益率，有意义么？25% 的收益率，这才是知识变现的正确打开方式罢。
4. 总结
今天我们从 51job 上的招聘数据入手，用 Python 对工作薪酬进行了城市、行业、学历三个维度的分析。统计数据明确直白的告诉我们
- 大城市 > 小城市
- 新兴行业 > 传统行业
- 高学历 > 低学历
以上分析结果好像是很显然的废话，但却是我们关注投资、关注成长的人应该认真思考的一些问题。因为知识变现这一件事儿，绝不仅仅是在网上开个讲座那么简单 —— 何况开讲座也不是随便一个普通人能做的了的。我们可以从更广义的层面去想这个问题。
之前很长一段时间里，我一直在思考一个很让我困惑的问题：生活在这样一个快速变换的时代，焦虑似乎成了一种常态，那自己的核心竞争力是什么？是什么让自己能在江湖立足，行走天下？想来想去想不出个满意的答案，最后得出的结论是，我们大多数人的可替代性太强，本质上而言大多的我们都没有太多绝对的核心竞争力，作为一个普通人，我们必须承认和接受这个现实。
但看着这些数据，我觉得自己漏掉了一个很重要的部分。大多数人都没有什么真正的核心竞争力，说明肯定有少数人是的确是具有自己的核心竞争力。既然在自己当下的层面没有办法解决，就应该去更高的层面寻找答案，而不是无奈的接受什么操蛋的现实。
比如昨天读完的一本书《区块链：技术驱动金融》，后面是这样介绍译者蔡凯龙的
蔡凯龙，点石资产管理创始人，厦门抬钱论道资产管理公司执委会主席，互联网金融千人会联合创始人，百度支付海外顾问，恒生电子海外投资高级顾问。注册金融分析师（CFA）,金融风险管理师（FRM）,经济和计算机双硕士，金融博士生。曾任联想控股旗下P2P翼龙贷副总裁，互联网金融千人会执行秘书长，德意志银行（美国）战略科技部副总裁，美国能源公司MXEnergy风控经理，美国休斯顿大学商学院金融系助理教授。《金融时报》（中文版）、《新浪财经》等财经媒体的专栏作者，曾发表多篇关于互联网金融的文章。编辑出版《智慧众筹：互联网金融早餐会》一书。
读这些介绍的时候，感觉就像三体里面遭遇降维打击一样。一向自诩的勤奋、阅读、思考、写作，在这样金光闪闪的简历面前变得轻飘飘没有了一丝的力道。其实自己那些所有的努力，都不过是在一个很低的 level 上的努力。就像在一群井底之蛙里面当个大个儿，又有什么意义呢？知识改变命运，这才是最牛逼的知识变现途径罢。
哎，早些年明白这个道理就好了。青春不再，恨白头啊。
5. 来源
- 《通往财富自由之路》，李笑来
- 《一课经济学》，亨利·黑兹利特
- 《区块链技术驱动金融》，阿尔文德·纳拉亚南
