📈 economics

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

本文认为，关于美国联邦监管与企业进入之间文献中存在的矛盾研究结果，源于识别挑战，具体而言是针对性偏差以及 2000 年后跨行业监管差异的崩溃削弱了行业暴露度工具变量，并最终表明监管与进入之间存在负相关关系，而非一个确定的因果关系主张。

原作者： Salman Raza

发布于 2026-06-30

📖 1 分钟阅读☕ 轻松阅读

原作者： Salman Raza

原始论文采用 CC BY 4.0 许可（https://creativecommons.org/licenses/by/4.0/）。 ✨ 这是对下方论文的AI生成解释。它不是由作者撰写或认可的。如需技术准确性，请参阅原始论文。阅读完整免责声明

核心问题：规则是否扼杀了新企业？

想象一下，美国经济是一个巨大的花园。几十年来，经济学家们一直在争论，增加更多的“围栏”（联邦监管）是否会阻止新的植物（新企业）生长。

A 队说：“是的！围栏越多，新植物就越少。”
B 队说：“不！数据并没有显示出明确的联系。”

由萨尔曼·拉扎（Salman Raza）撰写的这篇论文并没有仅仅选边站队。相反，它像是一位侦探，正在检查其他团队用来测量花园的“工具”。其主要结论是：工具是损坏的，而且花园随着时间的推移改变了形状。

1. “针对性”陷阱（为什么最初的观察是错误的）

论文首先指出，人们通常研究这个问题时存在一个重大缺陷。

类比： 想象一位城市检查员只去最繁忙、最拥挤的交叉路口检查交通违规情况。

如果你只看数据，你可能会说：“哇！最繁忙的交叉口获得的罚单最多！”
现实情况是： 检查员并不是造成了交通拥堵；他们是因为交通已经很拥挤了才去那里的。

论文的发现：
在现实世界中，政府机构倾向于为那些已经规模庞大、正在增长或具有重要地位的行业制定规则。

天真的观点 (OLS)： 当研究人员仅仅观察数字时，他们看到受高度监管的行业实际上拥有更多的新企业。这是因为规则是跟随增长而来的，而不是相反。
修正方法 (IV)： 作者使用了一种特殊的统计“透镜”（工具变量）来将规则与自然增长区分开来。当他们这样做时，结果发生了反转。现在，数据表明更多的规则与更少的新企业相关联（规则每增加 10%，新企业进入量下降约 36%）。

教训： 其他研究中看到的“正向”联系，是由监管机构追逐活跃行业所导致的幻觉。

2. “缓慢移动”的问题（为什么答案并不简单）

即使在修复了针对性问题之后，论文也警告说，我们无法锁定一个单一、完美的数字。

类比： 想象试图通过观察一条同样流动缓慢的河流，来测量一座移动缓慢的冰川融化了多少。

如果你在测量冰川融化的同时，还要考虑到河流自身的缓慢流动，你的数学计算就会变得混乱。河流的“趋势”会吞噬掉冰川的“趋势”。

论文的发现：
监管不会在一夜之间发生变化；它们在数年内缓慢积累。新企业的增长也是缓慢变化的。

当作者试图控制这些缓慢的趋势（以确保格外谨慎）时，结果发生了变化。
在某些模型中，负面影响很强（规则扼杀进入）；
在其他模型中（使用非常具体的趋势控制），这种效应消失了，看起来趋近于零。
结论： 数据表明规则可能会阻碍进入，但由于规则和商业增长都移动得如此缓慢，因此无法得到一个单一、清晰的“因果关系”数字。这是一个“可能，但很可能如此”的情况，而不是“确定如此”。

3. “花园改变了”（为什么旧研究与新研究不匹配）

这是论文中最关键的部分。它解释了为什么 20 世纪 80 年代的统计研究与 2010 年代的统计研究存在分歧。

类比：

1970 年代–1990 年代（“建设期”）： 想象一位园丁在特定的花朵（如玫瑰或郁金香）周围种植特定的、沉重的围栏。有些花得到了巨大的围栏，而另一些则没有。这创造了你可以衡量的明显差异。
2000 年代–现在（“积累期”）： 现在，想象园丁停止建造特定的围栏。相反，他们在整个花园里均匀地撒了一层薄薄的“围栏粉尘”。每朵花都得到了同样微小的粉尘。

论文的发现：

2000 年之前： 监管是“有针对性的”。一些行业受到重创，而另一些则较轻。这创造了足够的差异供科学家进行测量。
2000 年之后： 监管变得“广泛化”。规则几乎均匀地堆积在所有行业中。
结果： 由于现在的“围栏粉尘”分布得如此均匀，行业之间不再有足够的差异来衡量其影响。那种在 1970 年代和 80 年代行之有效的统计“引擎”在 2000 年后熄火了。近期年份的数据过于“平坦”，以至于无法告诉我们当前的规则是否正在损害新企业的创建。

核心要点总结

偏差确实存在： 早期的研究被误导了，因为监管机构会针对增长中的行业。当你修正这一点时，证据指向规则会损害新企业的进入。
没有完美的数字： 因为规则和商业增长同步缓慢移动，我们无法计算出一个单一、精确的“损失数值”。这种效应很可能存在，但很难被完美地分离出来。
时代已经改变： 适用于 20 世纪的统计方法并不适用于 21 世纪。自 2000 年以来，监管在各行业之间变得过于统一，以至于无法再利用这类数据来衡量其对新企业的具体影响。

最终裁定： 这篇论文并没有给当今的监管下达最终的“有罪”或“无罪”判决。相反，它绘制了我们可以在哪里看到这种效应（在过去），以及我们在哪里处于盲区（在现在），并解释了为什么专家们一直在争论这么久。

技术摘要：美国联邦建设时代（Federal Build-Out Era）的监管与企业进入

问题与动机
关于美国联邦监管对商业活力影响的文献存在显著分歧。一些研究发现，高强度监管会抑制企业进入（例如 Bailey and Thomas, 2017），而另一些研究则发现并无显著联系（例如 Goldschlag and Tabarrok, 2018）。这一争论背后的一个核心脆弱性在于内生性：监管并非随机分配。机构倾向于为规模大、增长快或具有政治敏感性的行业制定规则。因此，幼稚的估计往往会将监管的影响与诱发监管的经济状况混淆，可能导致向上偏差，即由于监管较多的行业本身更具活力，从而使这些行业看起来进入率更高。本文重新界定了这一问题，不再寻求一个纯粹的因果结论，而是评估行业暴露度设计（industry-exposure designs）的识别极限，特别考察了针对性偏差（targeting bias）以及监管变化性质的变化如何影响实证结果。

数据与方法论
本研究利用了 1978 年至 2023 年间 254 个四位 NAICS 行业的面板数据。

监管数据： 监管暴露度的主要衡量标准来自 RegData U.S. (QuantGov)，该工具将《联邦法规汇编》（CFR）转化为年度限制计数和复杂性指标。行业暴露度通过监管文本适用性的概率加权和来计算。数据集延伸至 2025 年（RegData 6.0），但企业结果数据仅提供至 2023 年。
结果数据： 企业进入与动态数据提取自美国人口普查局的商业动态统计（BDS），包括企业进入、退出、企业数量以及初创企业创造就业的情况。
实证策略： 基准模型将对数进入率与对数监管量进行回归，并包含行业和年份固定效应。为了解决内生性问题，作者采用了机构暴露度份额移动份额工具变量（遵循 Goldsmith-Pinkam, Sorkin, and Swift, 2020; Borusyak, Hull, and Jaravel, 2022）。该工具变量通过计算行业 $j$ 对机构 $a$ 的基准暴露份额（固定在样本起始点）与机构 $a$ 在 $t$ 年全国性规则制定的乘积之和，来预测行业 $j$ 的监管情况。
诊断方法： 本文通过检查冲击集中度（Rotemberg 权重）、排他性约束（子样本分析）以及估计值对趋势控制的敏感性（应对 Meer 和 West, 216 指出的“缓慢移动处理”问题）来严格测试该设计的有效性。

关键结果

针对性偏差与符号反转的证据：
普通最小二乘法（OLS）估计显示出一个微小的正系数，表明监管者倾向于跟随动态行业。然而，份额移动工具变量（IV）使该符号发生了反转。IV 估计表明，监管暴露度增加 10%，会导致企业进入减少约 3.6%，企业数量减少约 3.1%。这种符号反转提供了证据，支持了由于监管针对性导致的幼稚估计存在向上偏差的观点。
进入率与数量的分解：
虽然进入率（进入量相对于现有企业存量）往往在受监管部门中呈现上升趋势，但 IV 结果显示，绝对进入数量和总企业数量是在下降的。进入率的上升是机械性的产物，即行业基数缩减的速度快于新进入者的流入速度。这种负相关关系与监管建设期与行业收缩期重合是一致的。
对趋势控制的敏感性：
负向估计是真实的，但受到限制，且对趋势的设定高度敏感。

当排除已经在衰退中的行业时，负向关联依然存在。
在三位行业趋势下，估计值保持为负，但缺乏精确性。
在两位行业部门趋势和四位行业趋势下，估计值趋于接近零。
本文认为，由于监管暴露度是一种缓慢移动且具有趋势性的处理变量，特定单位的趋势可以吸收感兴趣的变动，导致估计值根据设定不同而在约 -0.44 到接近零之间波动。

识别变动性的历史性崩溃：
一个关键发现是，该设计的识别能力在 2000 年后发生了崩溃。

第一阶段弱化： 全样本中的第一阶段 F 统计量从 33.8（t 统计量为 5.8）降至 2000–2023 年期间的弱工具变量水平（t 统计量为 0.7）。
离散度崩溃： 监管增长在行业间的跨行业离散度从 20 世纪 70 年代到 2000 年代大幅减半。监管从针对性的、行业特定的“建设”（build-out）转向了均匀分布在各行业的广泛累积。
启示： 负向关联主要由 20 世纪低频次的变动所识别。该设计无法恢复 2000 年后时期的清晰估计，这解释了为什么跨越不同时代的研究所得出的结论各不相同。

工具变量集中度：
该份额移动工具变量具有高度集中性。环境保护署（EPA）承担了约 80% 的识别权重，前三大机构合计占 87%。驱动该工具变量的有效机构数量约为 1.5 个。虽然在非制造业和非 EPA 重度依赖的子样本中，这种关联依然存在，但由于工具变量较弱，这些子组的估计往往缺乏精确性。

意义与主张
本文并不声称提供了一个关于监管对进入影响的单一、纯粹的因果估计；其意义在于描绘了行业暴露度设计能够识别什么以及不能识别什么的边界：

偏差确认： 它证明了针对性偏差是文献中一个真实且有符号特征的现象，即幼稚的估计很可能存在向上偏差。
历史背景： 它通过监管性质的变化解释了先前文献中的分歧。 “建设”时代（2000 年前）提供了足够的跨行业变动用于识别，而现代的“广泛累积”时代则不然。
方法论警示： 它强调，对于缓慢移动的处理变量，标准的趋势控制会机械地吸收处理效应，从而导致估计值呈现为一个范围而非一个点估计。
未来方向： 本文总结道，对当代监管进行可靠评估需要基于规则层面的识别，而非跨行业暴露度，因为后者在 2000 年后已不再具有信息含量。

本研究将样本扩展至 2023 年（监管数据扩展至 2025 年），以证实 2000 年后识别变动性崩溃的现象是稳健的，并且主要的负向关联仍是整个历史样本的一个特征，并由早期几十年所驱动。