📈 economics

Regulation and Firm Entry in the U.S. Federal Build-Out Era: Targeting Bias and the Limits of Industry-Exposure Identification

Questo articolo sostiene che i risultati contrastanti in letteratura riguardanti la regolamentazione federale statunitense e l'ingresso delle imprese derivino da sfide di identificazione, specificamente dal bias di targeting e da un crollo della variazione normativa intersettoriale post-2000 che indebolisce gli strumenti di esposizione settoriale, suggerendo infine un'associazione negativa tra regolamentazione ed ingresso piuttosto che una definitiva affermazione causale.

Autori originali: Salman Raza

Pubblicato 2026-06-30

📖 5 min di lettura🧠 Approfondimento

CC BY 4.0

Autori originali: Salman Raza

Articolo originale sotto licenza CC BY 4.0 (https://creativecommons.org/licenses/by/4.0/). ✨ Questa è una spiegazione generata dall'IA dell'articolo qui sotto. Non è stata scritta né approvata dagli autori. Per precisione tecnica, consulta l'articolo originale. Leggi il disclaimer completo

La Grande Domanda: Le Regole Uccidono le Nuove Imprese?

Immaginate l'economia statunitense come un enorme giardino. Per decenni, gli economisti hanno discusso se l'aggiunta di più "recinzioni" (regolamentazioni federali) impedisca la crescita di nuove piante (nuove imprese).

Il Team A dice: "Sì! Più recinzioni significano meno nuove piante."
Il Team B dice: "No! I dati non mostrano un legame chiaro."

Questo documento, scritto da Salman Raza, non si limita a scegliere una fazione. Agisce invece come un detective che ispeziona gli strumenti che gli altri team hanno usato per misurare il giardino. La conclusione principale è: gli strumenti erano difettosi e il giardino ha cambiato forma nel tempo.

1. La Trappola del "Targeting" (Perché il Primo Approccio Era Sbagliato)

Il documento inizia evidenziando un grande difetto nel modo in cui le persone solitamente studiano questo fenomeno.

L'Analogia: Immaginate un ispettore cittadino che visita solo gli incroci più trafficati e affollati per controllare le violazioni del codice della strada.

Se guardate solo i dati, potreste dire: "Wow! Gli incroci più trafficati hanno più multe!"
La Realtà: L'ispettore non ha causato il traffico; è andato lì proprio perché il traffico era già intenso.

Il Risultato del Documento:
Nel mondo reale, le agenzie governative tendono a scrivere regole per settori che sono già grandi, in crescita o importanti.

Visione Naive (OLS): Quando i ricercatori guardano semplicemente i numeri, vedono che i settori altamente regolamentati hanno in realtà più nuove imprese. Questo accade perché le regole hanno seguito la crescita, e non viceversa.
La Soluzione (IV): L'autore utilizza una speciale "lente" statistica (un istamento) per separare le regole dalla crescita naturale. Quando lo fa, il risultato si ribalta. Ora, i dati suggeriscono che un aumento delle regole è associato a meno nuove imprese (un calo di circa il 36% nelle nuove entrate per ogni aumento del 10% delle regole).

La Lezione: Il legame "positivo" visto in altri studi era un'illusione causata dai regolatori che inseguivano settori attivi.

2. Il Problema del "Movimento Lento" (Perché la Risposta Non è Semplice)

Anche dopo aver corretto il problema del targeting, il documento avverte che non possiamo stabilire un singolo numero perfetto.

L'Analogia: Immaginate di cercare di misurare quanto un ghiacciaio in lento movimento si stia sciogliendo osservando un fiume che scorre anch'esso lentamente.

Se cercate di misurare lo scioglimento del ghiacciaio tenendo conto anche del flusso naturalmente lento del fiume, la vostra matematica diventerà complicata. Il "trend" del fiume inghiottirà il "trend" del ghiacciaio.

Il Risultato del Documento:
Le regolamentazioni non cambiano da un giorno all'altro; si accumulano lentamente nel corso degli anni. Anche le nuove imprese cambiano lentamente.

Quando l'autore cerca di controllare questi trend lenti (per essere extra cautelativo), il risultato cambia.
In alcuni modelli, l'effetto negativo è forte (le regole uccidono l'ingresso di nuove imprese).
In altri modelli (utilizzando controlli di trend molto specifici), l'effetto scompare e sembra essere pari a zero.
La Conclusione: I dati suggeriscono che le regole probabilmente scoraggiano l'ingresso, ma poiché sia le regole che la crescita delle imprese si muovono così lentamente, è impossibile ottenere un singolo, pulito numero di "causa-effetto". È una situazione di "forse, ma probabilmente sì", non di "sicuramente sì".

3. Il "Giardino è Cambiato" (Perché gli Studi Vecchi Non Corrispondono ai Nuovi)

Questa è la parte più critica del documento. Spiega perché gli studi degli anni '80 discordano con quelli degli anni 2010.

L'Analogia:

Anni '70–'90 (L'Era della "Costruzione"): Immaginate un giardiniere che pianta recinzioni specifiche e pesanti attorno a tipi specifici di fiori (come rose o tulipani). Alcuni fiori ricevono recinzioni enormi; altri ne ricevono nessuna. Questo crea una differenza chiara che si può misurare.
Anni 2000–Presente (L'Era dell' "Accumulo"): Ora, immaginate che il giardiniere smetta di costruire recinzioni specifiche. Invece, sparge un po' di "polvere di recinzione" uniformemente su tutto il giardino. Ogni fiore riceve la stessa piccola quantità di polvere.

Il Risultato del Documento:

Prima del 2000: Le regolamentazioni erano "mirate". Alcuni settori venivano colpiti duramente, altri leggermente. Ciò creava una variazione sufficiente per permettere agli scienziati di vedere un effetto chiaro.
Dopo il 2000: Le regolamentazioni sono diventate "ampie". Le regole si sono accumulate uniformemente in quasi tutti i settori.
Il Risultato: Poiché la "polvere di recinzione" è ora distribuita in modo così uniforme, non c'è più abbastanza differenza tra i settori per misurarne l'effetto. Il "motore" statistico che funzionava per gli anni '70 e '80 si è inceppato dopo il 2000. I dati per gli anni recenti sono troppo "piatti" per dirci se le regole stiano danneggiando le nuove imprese oggi.

Sintesi dei Punti Chiave

Il Bias Esiste: Gli studi iniziali sono stati ingannati perché i regolatori mirano ai settori in crescita. Quando si corregge questo aspetto, l'evidenza punta verso le regole che danneggiano l'ingresso di nuove imprese.
Non Esiste un Numero Perfetto: Poiché le regole e la crescita delle imprese si muovono lentamente insieme, non possiamo calcolare un singolo, preciso "numero di danno". L'effetto probabilmente esiste, ma è difficile da isolare perfettamente.
L'Era è Cambiata: I metodi statistici che funzionavano per il XX secolo non funzionano per il XXI secolo. Dal 2000, le regolamentazioni sono diventate troppo uniformi tra i vari settori per misurare il loro impatto specifico sulle nuove imprese utilizzando questo tipo di dati.

Il Verdetto Finale: Il documento non fornisce un verdetto definitivo di "colpevole" o "innocente" per le regolamentazioni odierne. Invece, mappa dove possiamo vedere l'effetto (nel passato) e dove siamo ciechi (nel presente), spiegando esattamente perché gli esperti hanno discusso così a lungo.

Sintesi Tecnica: Regolamentazione e Ingresso di Imprese nell'Era del "Federal Build-Out" Statunitense

Problema e Motivazione
La letteratura riguardante l'impatto della regolamentazione federale statunitense sulla dinamicità delle imprese è caratterizzata da un significativo disaccordo. Alcuni studi rilevano che una maggiore regolamentazione deprime l'ingresso di nuove imprese (ad es. Bailey e Thomas, 2017), mentre altri non trovano alcun legame significativo (ad es. Goldschlag e Tabarrok, 2018). Una vulnerabilità centrale sottostante questo dibattito è l'endogeneità: la regolamentazione non viene assegnata casualmente. Le agenzie tendono a scrivere norme per settori che sono grandi, in crescita o politicamente rilevanti. Di conseguenza, le stime naive spesso confondono gli effetti della regolamentazione con le condizioni economiche che l'hanno sollecitata, portando potenzialmente a un bias verso l'alto dove settori più regolamentati appaiono avere tassi di ingresso più elevati semplicemente perché sono dinamici. Questo documento inquadra la questione non nel cercare un'affermazione causale netta, ma nel valutare i limiti di identificazione dei design basati sull'esposizione del settore, esaminando specificamente come il bias di targeting e la natura mutevole della variazione regolamentare influenzino i risultati empirici.

Dati e Metodologia
Lo studio utilizza un panel di 254 industrie NAICS a quattro cifre dal 1978 al 2023.

Dati sulla Regolamentazione: La misura primaria dell'esposizione regolamentare proviene da RegData U.S. (QuantGov), che converte il Codice dei Regolamenti Federali (CFR) in conteggi annuali delle restrizioni e metriche di complessità. L'esposizione del settore è calcolata come una somma ponderata per probabilità della applicabilità del testo regolamentare. Il dataset si estende al 2025 (RegData 6.0), sebbene i dati sulle imprese siano disponibili fino al 2023.
Dati sugli Esiti: L'ingresso delle imprese e la loro dinamicità sono tratti dai Business Dynamics Statistics (BDS) del Census Bureau, inclusi l'ingresso/uscita di stabilimenti, il numero di imprese e la creazione di posti di lavoro da parte delle startup.
Strategia Empirica: La specifica di base relaziona il log dell'ingresso con il log della regolamentazione con effetti fissi di settore e di anno. Per affrontare l'endogeneità, l'autore impiega uno strumento shift-share di esposizione all'agenzia (seguendo Goldsmith-Pinkham, Sorkin e Swift, 2020; Borusyak, Hull e Jaravel, 2022). Lo strumento predice la regolamentazione per l'industria $j$ sommando il prodotto della quota di esposizione di base dell'industria all'agenzia $a$ (fissa all'inizio del campione) e la produzione normativa nazionale dell'agenzia $a$ nell'anno $t$ .
Approccio Diagnostico: Il documento testa rigorosamente la validità di questo design esaminando la concentrazione degli shock (pesi di Rotemberg), i vincoli di esclusione (analisi di sottocampioni) e la sensibilità delle stime ai controlli dei trend (affrontando il problema del "trattamento a lento movimento" identificato da Meer e West, 2016).

Risultati Chiave

Evidenza di Bias di Targeting e Inversione di Segno:
Le stime OLS mostrano un coefficiente positivo contenuto, suggerendo che i regolatori seguano settori dinamici. Tuttavia, lo strumento shift-share inverte questo segno. La stima della variabile strumentale (IV) indica che un aumento del 10% dell'esposizione regolamentare è associato a una diminuzione di circa il 3,6% dell'ingresso di stabilimenti e di un 3,1% del numero di imprese. Questa inversione di segno fornisce evidenza coerente con un bias verso l'alto nelle stime naive dovuto al targeting regolamentare.
Decomposizione dei Tassi di Ingresso rispetto ai Conteggi:
Mentre i tassi di ingresso (l'ingresso relativo allo stock di stabilimenti) spesso sembrano aumentare nei settori regolamentati, i risultati IV mostrano che i conteggi assoluti di ingresso e il numero totale di stabilimenti diminuiscono. L'aumento dei tassi è un artefatto meccanico del fatto che la base industriale si contrae più velocemente del flusso di nuovi entranti. L'associazione negativa è coerente con il fatto che il build-out regolamentare coincide con la contrazione del settore.
Sensibilità ai Controlli dei Trend:
La stima negativa è reale ma limitata e altamente sensibile alla specifica dei trend.

Escludendo le industrie già in declino, l'associazione negativa persiste.
Sotto i trend industriali a tre cifre, la stima rimane negativa ma imprecisa.
Sotto i trend settoriali a due cifre e i trend industriali a quattro cifere, la stima si attenua verso lo zero.
Il documento sostiene che, poiché l'esposizione regolamentare è un trattamento a lento movimento e trendizzato, i trend specifici per unità possono assorbire la variazione di interesse, facendo sì che la stima oscilli tra circa -0,44 e lo zero a seconda della specifica.

Collasso Storico della Variazione Identificativa:
Un risultato critico è che il potere identificativo del design crolla dopo l'anno 2000.

Debolezza del Primo Stadio: La statistica F del primo stadio scende da 33,8 (t-statistic di 5,8) per il campione completo a uno strumento debole (t-statistic di 0,7) per il periodo 2000–2023.
Collasso della Dispersione: La dispersione cross-industry della crescita regolamentare è quasi dimezzata dal periodo degli anni '70 agli anni 2000. La regolamentazione è passata da un "build-out" mirato e specifico per settore a un'accumulazione generalizzata che ricade uniformemente su tutti i settori.
Implicazione: L'associazione negativa è identificata principalmente dalla variazione a bassa frequenza del ventesimo secolo. Il design non può recuperare una stima pulita per il periodo post-2000, spiegando perché studi che coprono epoche diverse raggiungano conclusioni differenti.

Concentrazione dello Strumento:
Lo strumento shift-share è fortemente concentrato. L'Agenzia per la Protezione dell'Ambiente (EPA) detiene circa l'80% del peso identificativo, con le prime tre agenzie che ne rappresentano l'87%. Il numero effettivo di agenzie che guidano lo strumento è di circa 1,5. Sebbene l'associazione persista nei sottocampioni non manifatturieri e non pesanti per l'EPA, le stime in questi sottogruppi sono spesso imprecise a causa di strumenti più deboli.

Significato e Rivendicazioni
Il documento non pretende di fornire una singola, pulita stima causale dell'effetto della regolamentazione sull'ingresso. La sua importanza risiede nel mappare i confini di ciò che i design di esposizione industriale possono e non possono identificare:

Conferma del Bias: Dimostra che il bias di targeting è un fenomeno reale e con un segno definito nella letteratura, dove le stime naive sono probabilmente distorte verso l'alto.
Contesto Storico: Spiega il disaccordo nella letteratura precedente come una funzione della natura mutevole della regolamentazione. L'era del "build-out" (pre-2000) offriva sufficiente variazione cross-industry per l'identificazione, mentre l'era moderna della "accumulazione generalizzata" non lo fa.
Cautela Metodologica: Evidenzia come, per trattamenti a lento movimento, i controlli dei trend standard possano meccanicamente assorbire l'effetto del trattamento, portando a una gamma di stime piuttosto che a una stima puntuale.
Direzione Futura: Il documento conclude che valutazioni credibili della regolamentazione contemporanea richiedono l'identificazione a livello di singola norma piuttosto che l'esposizione cross-industry, poiché quest'ultimo design cessa di essere informativo nel periodo post-2000.

Lo studio estende il campione al 2023 (e i dati regolamentari al 2025) per confermare che il crollo della variazione identificativa post-2000 è robusto e che l'associazione negativa principale rimane una caratteristica dell'intero campione storico, guidata dai decenni precedenti.