📈 economics

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

Dit artikel betoogt dat tegenstrijdige bevindingen in de literatuur met betrekking tot Amerikaanse federale regulering en bedrijfsintredes voortvloeien uit identificatieproblemen, specifiek targeting-bias en een na 2000 ingezette instorting van de cross-industriële variatie in regulering die instrumenten voor industrie-blootstelling verzwakt, wat uiteindelijk wijst op een negatieve associatie tussen regulering en intrede in plaats van een definitieve causale claim.

Oorspronkelijke auteurs: Salman Raza

Gepubliceerd 2026-06-30

📖 5 min leestijd🧠 Diepgaand

CC BY 4.0

Oorspronkelijke auteurs: Salman Raza

Oorspronkelijk artikel gelicentieerd onder CC BY 4.0 (https://creativecommons.org/licenses/by/4.0/). ✨ Dit is een AI-gegenereerde uitleg van het onderstaande artikel. Het is niet geschreven of goedgekeurd door de auteurs. Raadpleeg het oorspronkelijke artikel voor technische nauwkeurigheid. Lees de volledige disclaimer

De Grote Vraag: Doden Regels Nieuwe Bedrijven?

Stel je de Amerikaanse economie voor als een enorme tuin. Decennialang hebben economen gedebatteerd over de vraag of het toevoegen van meer "hekken" (federale regelgeving) de groei van nieuwe planten (nieuwe bedrijven) tegenhoudt.

Team A zegt: "Ja! Meer hekken betekenen minder nieuwe planten."
Team B zegt: "Nee! De data laten geen duidelijk verband zien."

Dit artikel, geschreven door Salman Raza, kiest niet simpelweg een kant. In plaats daarvan fungeert het als een detective die de instrumenten inspecteert die de andere teams gebruikten om de tuin te meten. De belangrijkste conclusie is: De instrumenten waren kapot, en de tuin veranderde van vorm over de tijd.

1. De "Targeting" Valstrik (Waarom de Eerste Blik Verkeerd Was)

Het artikel begint door een grote fout aan te stippen in de manier waarop mensen dit gewoonlijk bestuderen.

De Analogie: Stel je een stadinspecteur voor die alleen de drukste, meest overvolle kruispunten bezoekt om verkeersovertredingen te controleren.

Als je alleen naar de data kijkt, zou je kunnen zeggen: "Wauw! De drukste kruispunten hebben de meeste boetes!"
De Realiteit: De inspecteur heeft het verkeer niet veroorzaakt; hij ging daarheen omdat het verkeer er al zwaar was.

De Bevinding van het Papier:
In de echte wereld hebben overheidsinstanties de neiging om regels te schrijven voor industrieën die al groot, groeiend of belangrijk zijn.

Naïeve Blik (OLS): Wanneer onderzoekers alleen naar de cijfers kijken, zien ze dat sterk gereguleerde industrieën feitelijk meer nieuwe bedrijven hebben. Dit komt omdat de regels de groei volgden, en niet andersom.
De Oplossing (IV): De auteur gebruikt een speciale statistische "lens" (een instrument) om de regels te scheiden van de natuurlijke groei. Wanneer hij dit doet, draait het resultaat om. Nu suggereert de data dat meer regels geassocieerd zijn met minder nieuwe bedrijven (een daling van ongeveer 36% in de nieuwmaking bij een toename van 10% in regels).

De Les: De "positieve" link die in andere studies werd gezien, was een illusie veroorzaakt door toezichthouders die actieve industrieën achtervolgden.

2. Het "Traag bewegende" Probleem (Waarom het Antwoord Niet Simpel Is)

Zelfs nadat de targeting-kwestie is opgelost, waarschuwt het artikel dat we niet één enkel, perfect getal kunnen vaststellen.

De Analogie: Stel je voor dat je probeert te meten hoeveel een traag bewegende gletsjer smelt door te kijken naar een rivier die ook langzaam stroomt.

Als je probeert de smelt van de gletsjer te meten terwijl je ook rekening houdt met de natuurlijke langzame stroming van de rivier, wordt je wiskunde rommelig. De "trend" van de rivier slokt de "trend" van de gletsjer op.

De Bevinding van het Papier:
Regulering verandert niet van de ene op de andere dag; het bouwt zich langzaam op over jaren. Nieuwe bedrijven veranderen ook langzaam.

Wanneer de auteur probeert deze langzame trends te controleren (om extra voorzichtig te zijn), verandert het resultaat.
In sommige modellen is het negatieve effect sterk (regels doden nieuwmaking).
In andere modellen (met zeer specifieke trendcontroles) verdwijnt het effect en lijkt het op nul.
De Conclusie: De data suggereren dat regels nieuwmaking waarschijnlijk ontmoedigen, maar omdat zowel regels als bedrijfsgroei zo langzaam bewegen, is het onmogelijk om één enkel, helder "oorzaak-gevolg" getal te krijgen. Het is een "misschien, maar waarschijnlijk wel" situatie, geen "absoluut zeker" situatie.

3. De "Tuin Veranderde" (Waarom Oude Studies Niet Matchen Met Nieuwe)

Dit is het meest cruciale deel van het artikel. Het legt uit waarom studies uit de jaren '80 verschillen van studies uit de jaren 2010.

De Analogie:

De Jaren 1970–1990 (Het "Bouw-fase" Tijdperk): Stel je een tuinman voor die specifieke, zware hekken plant rond specifieke soorten bloemen (zoals rozen of tulpen). Sommige bloemen krijgen enorme hekken; andere krijgen er geen. Dit creëert een duidelijk verschil dat je kunt meten.
De Jaren 2000–Heden (Het "Accumulatie" Tijdperk): Nu stel je je voor dat de tuinman stopt met het bouwen van specifieke hekken. In plaats daarvan strooit hij een beetje "hekkenstof" gelijkmatig over de gehele tuin. Elke bloem krijgt evenveel stof.

De Bevinding van het Papier:

Vóór 2000: Regulering was "gericht". Sommige industrieën werden hard getroffen, andere licht. Dit creëerde genoeg variatie om wetenschappers een duidelijk effect te laten zien.
Na 2000: Regulering werd "breed". Regels stapelden zich gelijkmatig op in bijna alle industrieën.
Het Resultaat: Omdat de "hekkenstof" nu zo gelijkmatig is verspreid, is er niet langer genoeg verschil tussen industrieën om het effect te meten. De statistische "motor" die werkte voor de jaren '70 en '80, sloeg af na 2000. De data voor de recente jaren zijn te "vlak" om ons te vertellen of regels vandaag de dag nieuwe bedrijven schaden.

Samenvatting van de Belangrijkste Punten

Bias Bestaat: Vroege studies werden misleid omdat toezichthouders groeiende industrieën targeten. Wanneer je dit corrigeert, wijst het bewijs erop dat regels de nieuwmaking van bedrijven schaden.
Geen Perfect Getal: Omdat regels en bedrijfsgroei langzaam samen bewegen, kunnen we geen enkel, precies "schadegetal" berekenen. Het effect bestaat waarschijnlijk, maar is moeilijk perfect te isoleren.
Het Tijdperk Is Veranderd: De statistische methoden die werkten voor de 20e eeuw, werken niet voor de 21e eeuw. Sinds 2000 is de regulering te uniform geworden over de industrieën om hun specifieke impact op nieuwe bedrijven te meten met behulp van dit type data.

Het Eindoordeel: Het artikel geeft geen definitief "schuldig" of "onschuldig" vonnis voor de huidige regulering. In plaats daarvan brengt het in kaart waar we het effect kunnen zien (in het verleden) en waar we blind zijn (in het heden), en legt het precies uit waarom experts hier al zo lang over discussiëren.

Technische Samenvatting: Regulering en Bedrijfsentree in het Amerikaanse Federale Build-Out Tijdperk

Probleem en Motivatie
De literatuur over de impact van de Amerikaanse federale regulering op bedrijfsdynamiek wordt gekenmerkt door aanzienlijke onenigheid. Sommige studies vinden dat hogere regulering de intrede van bedrijven onderdrukt (bijv. Bailey en Thomas, 2017), terwijl andere geen significante link vinden (bijv. Goldschlag en Tabarrok, 2018). Een centrale kwetsbaarheid die ten grondslag ligt aan dit debat is endogeniteit: regulering wordt niet willekeurig toegewezen. Instanties hebben de neiging om regels te schrijven voor industrieën die groot, groeiend of politiek relevant zijn. Gevolgelijk verwarren naïeve schattingen vaak de effecten van regulering met de economische omstandigheden die de regulering uitlokten, wat potentieel kan leiden tot een opwaartse bias waarbij meer gereguleerde industrieën simpelweg een hogere intredesnelheid lijken te hebben omdat ze dynamisch zijn. Dit artikel herformuleert de vraag van het zoeken naar een zuivere causale claim naar het evalueren van de identificatielimieten van industrie-blootstellingsontwerpen, waarbij specif으로 wordt gekeken naar hoe targeting-bias en de veranderende aard van de regulatoire variatie de empirische resultaten beïnvloeden.

Data en Methodologie
De studie maakt gebruik van een panel van 254 viercijferige NAICS-industrieën van 1978 tot 2023.

Regulatiegegevens: De primaire maatstaf voor regulatoire blootstelling komt uit RegData U.S. (QuantGov), die de Code of Federal Regulations (CFR) omzet in jaarlijkse restrictie-aantallen en complexiteitsmetrieken. Industrie-blootstelling wordt berekend als een proportioneel gewogen som van de toepasbaarheid van de tekst van de regelgeving. De dataset strekt zich uit tot 2025 (RegData 6.0), hoewel gegevens over bedrijfsresultaten beschikbaar zijn tot 2023.
Resultaatgegevens: Intrede van bedrijven en dynamiek zijn afkomstig van de Business Dynamics Statistics (BDS) van het Census Bureau, inclusief de intrede van vestigingen, uittreding, aantal bedrijven en de creatie van banen door startups.
Empirische Strategie: De baseline-specificatie relateert de logaritme van intrede aan de logaritme van regulering met industrie- en jaar-effecten. Om endogeniteit aan te pakken, gebruikt de auteur een agency-exposure shift-share instrument (volgens Goldsmith-Pinkam, Sorkin en Swift, 2020; Borusyak, Hull en Jaravel, 2022). Het instrument voorspelt de regulering voor industrie $j$ door de som te nemen van het product van het basisblootstellingsdeel van industrie $j$ aan instantie $a$ (vastgesteld aan het begin van de steekproef) en de nationale regelgeving van instantie $a$ in jaar $t$ .
Diagnostische Aanpak: Het artikel test de validiteit van dit ontwerp rigoureus door de concentratie van schokken (Rotemberg-gewichten), exclusie-restricties (subsample-analyses) en de gevoeligheid van schattingen voor trend-controles (het adresseren van het "slow-moving treatment" probleem geïdentificeerd door Meer en West, 2016) te onderzoeken.

Belangrijkste Resultaten

Bewijs van Targeting Bias en Tekenomkering:
OLS-schattingen laten een kleine, positieve coëfficiënt zien, wat suggereert dat regulatoren dynamische industrieën volgen. Echter, het shift-share instrument keert dit teken om. De instrumentele variabele (IV) schatting geeft aan dat een toename van 10% in regulatoire blootstelling geassocieerd is met een afname van ongeveer 3,6% in de intrede van vestigingen en een afname van 3,1% in het aantal bedrijven. Deze tekenomkering levert bewijs dat consistent is met een opwaartse bias in naïeve schattingen door regulatoire targeting.
Decompositie van Intredesnelheden versus Aantallen:
Hoewel intredessnelheden (intrede relatief aan de voorraad vestigingen) vaak lijken te stijgen in gereguleerde sectoren, laten de IV-resultaten zien dat absolute intrede-aantallen en het totale aantal vestigingen dalen. De stijging in snelheden is een mechanisch artefact van het feit dat de industriële basis sneller krimpt dan de instroom van nieuwe ondernemingen. De negatieve associatie is consistent met het feit dat de opbouw van regulering samenvalt met industriële krimp.
Gevoeligheid voor Trend-controles:
De negatieve schatting is reëel maar begrensd en zeer gevoelig voor de specificatie van trends.

Wanneer industrieën die al in verval waren worden uitgesloten, blijft de negatieve associatie bestaan.
Onder driecijferige industrie-trends blijft de schatting negatief maar onprecies.
Onder tweecijferige sector-trends en viercijferige industrie-trends vlakt de schatting af naar bijna nul.
Het artikel betoogt dat omdat regulatoire blootstelling een traag bewegende, trendende behandeling is, industrie-specifieke trends de variatie van belang kunnen absorberen, waardoor de schatting varieert van ongeveer -0,44 tot bijna nul, afhankelijk van de specificatie.

Historische Ineenstorting van de Identificerende Variatie:
Een cruciale bevinding is dat het identificatievermogen van het ontwerp na het jaar 2000 instort.

Zwakheid van de First-Stage: De first-stage F-statistiek daalt van 33,8 (t-statistiek van 5,8) in de volledige steekproef naar een zwak instrument (t-statistiek van 0,7) voor de periode 2000–2023.
Ineenstorting van de Dispersie: De cross-industrie dispersie van de groei van de regulering halveerde ruwweg van de jaren '70 naar de jaren 2000. Regulering verschoof van gerichte, industrie-specifieke "build-out" naar een brede accumulatie die gelijkmatig over alle industrieën landt.
Implicatie: De negatieve associatie wordt primair geïdentificeerd door de laagfrequente variatie in de twintigste eeuw. Het ontwerp kan geen zuivere schatting herstellen voor de periode na 2000, wat verklaart waarom studies die verschillende tijdperken beslaan, tot verschillende conclusies komen.

Instrument Concentratie:
Het shift-share instrument is zwaar geconcentreerd. De Environmental Protection Agency (EPA) draagt ongeveer 80% van het identificatiegewicht, waarbij de top drie instanties samen 87% accounten. Het effectieve aantal instanties dat het instrument drijft is ongeveer 1,5. Hoewel de associatie standhoudt in niet-productie en niet-EPA-zware subgroepen, zijn de schattingen in deze subgroepen vaak onprecies door zwakkere instrumenten.

Betekenis en Claims
Het artikel claimt niet één enkele, zuivere causale schatting van het effect van regulering op intrede te bieden. In plaats daarvan ligt de betekenis in het in kaart brengen van de grenzen van wat industrie-blootstellingsontwerpen wel en niet kunnen identificeren:

Bevestiging van Bias: Het demonstreert dat targeting-bias een reëel en richtinggegeven fenomeen is in de literatuur, waarbij naïeve schattingen waarschijnlijk opwaarts vertekend zijn.
Historische Context: Het verklaart de onenigheid in de voorgaande literatuur als een functie van de veranderende aard van regulering. Het "build-out" tijdperk (pre-2000) bood voldoende cross-industrie variatie voor identificatie, terwijl het moderne tijdperk van "brede accumulatie" dat niet doet.
Methodologische Voorzichtigheid: Het benadrukt dat voor traag bewegende behandelingen, standaard trend-controles mechanisch een effect kunnen absorberen, wat leidt tot een reeks schattingen in plaats van een punt-schatting.
Toekomstige Richting: Het artikel concludeert dat geloofwaardige beoordelingen van hedendaagse regulering vereisen dat er op regel-niveau wordt geïdentificeerd in plaats van via cross-industrie blootstelling, aangeما het laatstgenoemde ontwerp na de periode 2000 niet langer informatief is.

De studie breidt de steekproef uit tot 2023 (en de regulatoire data tot 2025) om te bevestigen dat de ineenstorting van de identificatievariatie na 2000 robuust is en dat de algemene negatieve associatie een kenmerk blijft van de volledige historische steekproef, gedreven door eerdere decennia.