征用、财产没收和新的离岸实体：

附录中的表A.3列出了我们样本中的53个国家或司法管辖区，这些国家或司法管辖区至少被其中一项研究归类为避税天堂。3.2 GDELT数据和财产分配我们关于征用和财产分配的数据来自GDELT 1.0数据库。GDELT项目从“世界广播、印刷和网络新闻”中收集每日新闻事件信息，几乎每个国家的每个角落都有100多种语言的新闻（Leetaru和Schrodt，2013）。通过与Google Ideas的合作，其他语言的新闻报道被翻译成英语。每个新闻报道都会被输入一个分类算法，该算法会自动提取有关事件发生时间和地点的信息，并对其进行分类，确定相关参与者。GDELT项目根据冲突和调解事件观察（CAMEO）事件和参与者代码本使用20个主要事件分类。对于主要解释变量conficionimy的构造，我们使用了CAMEOcategory“1711：conficity属性”中的所有事件这些事件的特点是动词“强迫控制他人的财产、没收、征用”为简单起见，我们通常将这些事件称为财产没收，但应记住，它们包括征用。对于每个事件，GDELT定义一个来源和一个目标参与者。我们排除了所有没有参与者信息的活动，以及来源和目标参与者来自不同国家的活动。GDELT数据的一个主要优点是高时间分辨率，这允许构建月聚合。使用月度而非年度总量至少有两个优势。

首先，从理论角度来看，有关房地产公司（propertycon fifications）的新闻报道可能会立即改变人们的观念，从而有可能促使人们做出成立离岸实体的决定。使用月度数据比年度数据更容易捕捉到这种即时效应。其次，从方法论的角度来看，使用月度总量可以利用房地产分类和相应新闻报道中的年内和国家差异。GDELT数据的一个警告是，它们来源于在线新闻报道和自动编码。因此，数据覆盖率和质量可能会随着时间的推移而变化。自2000年以来，GDELT数据中报告了3306宗财产损失。图3显示了2000年至2012年报告的年度财产损失数量。图3在这里。我们于2016年9月检索了GDELT数据，其中包括截至2013年底的观察结果。对于2013年的大多数观察，GDELT未包含任何关于事件参与者的信息。因此，我们在分析中省略了最后一年。2007年之前，每年仅报告约100宗财产损失。然后，从2007年起，有一个强劲而稳定的增长。2012年报告的房地产公司数量达到峰值，共有661家公司。2007年之前报告的房地产损失发生率较低可能有不同的原因。主要原因是，一旦采用了改进的算法，GDELT在早期比在后期更难检测到有关财产损失的新闻报道。

因此，我们在随后的分析中重点关注2007年至2012年。此外，我们将使用各种固定效应来解释数据覆盖率和质量方面的国家和时间特定冲击。图4记录了按国家报告的房地产损失柱状图。图4在这里。分布再次向右倾斜。有27%的国家没有关于财产分配的报告。报告的财产损失平均数为17，中位数为4。报告财产损失最多的国家是澳大利亚（135个）和美国（694个）。许多报告的财产损失发生在同一个国家和月份，或在同一个国家连续几个月发生。图5提供了按国家和月份报告的财产损失数量的信息。图5在这里。在所有报告的财产损失为正数的国家月份中，39%的月份报告的财产损失超过一次。在美国，一个月内报告的最大不动产损失为27起。与此相关的是，图6记录了财产没收的持续时间，我们将其定义为一个国家内报告的财产没收数量为正数的连续月份的时间段。图6在这里。27%的报告财产损失是连续几个月发生的。对于美国，我们观察到的财产没收期最长，持续时间为65个月。总的来说，我们观察到782起独立财产损失，相当于报告财产损失总数的63%。我们将ConficationImyas定义为一个二元变量，表示一个房地产扩散期的开始。我们将此变量设置为“在个月内丢失”，这是从上个月开始的ongoingproperty Confication咒语的一部分。

附录中的表A.2报告了每个国家报告的财产损失数量。我们使用2000年至2012年的所有年份进行稳健性测试（见附录中的表A.5）。3.3其他数据来源为了调查影响的异质性，我们使用了世界发展指标中的人均GDP（当前美元），以及各种衡量腐败、政府效能和法治的指标。对于治理和制度质量的这三个维度中的每一个，我们使用考夫曼等人（2011年）的全球治理指标（WGIs）中的单个指标以及常用的替代指标。我们使用WGI腐败控制和透明国际（TI）的腐败感知指数来衡量腐败。为了衡量政府效能，我们使用了《国际国家风险指南》（ICRG）中的WGI政府效能和政府质量指标，可以说，这可能包含了稍微宽泛的政府效能概念。我们还使用了工作组和自由之家的法治指标。3.4描述性统计表1报告了2007-2012年期间两个主要变量的描述性统计。这里是表1。A组包括所有160个国家。在一个平均国家和月份，财产分散期开始的概率为7%，至少一个离岸实体被合并的概率为27%。B组不包括所有被Hines（2010）或Johannesen和Zucman（2010）归类为避税港的国家。

我们发现，开始的财产分散期更为常见，但在非避税天堂国家的样本中，离岸实体的合并却不太常见。4经验规范我们的第一个目标是估计房地产扩张开始对离岸实体当月在同一国家成立的概率的影响。我们担心反向因果关系和遗漏的变量会混淆两者之间的关系。为了解释这些问题，我们估计了以下线性概率模型：O ffshoreimy=αiy+βconfictionimy+εimy。（2） 工作组基于不同组织提供的许多变量，这些变量都衡量对治理或机构质量某些方面的看法。然后使用未观察到的组件模型构建各个WGI。附录中的表A.4报告了2000年至2012年较长样本的描述性统计数据。下标i、m和y分别表示国家、月份和日历年。主要关注的参数是β。我们利用国内和年内的变化来确定这个参数。国家年以最灵活的方式模拟了αiycontrol，以应对日历年和国家内不变的所有混杂因素。这包括在年度粒度上可用的所有国家级变量，如GDP、人口、机构质量、治理、税收等。在其他规范中，还包括控制季节性影响的月模型γmto和可解释年内和国家内未观察到的滞后依赖变量。误差项εimyabsorb吸收离岸实体合并中无法解释的变化。我们在国家一级对估计系数的标准误差进行聚类。上述规范旨在确定一种同期影响。

换言之，我们的猜测是，关于没收和征用的新闻报道会导致在同一个月内成立离岸公司。其基本原理是离岸公司成立的速度和条件。许多代理商在互联网上公开提供他们的服务。建议代理人成立Anoff shore公司的过程大约需要十分钟。在几天内，代理人准备文件并注册成立。虽然固定效应和滞后因变量控制了未观察到的异质性，但反向因果关系仍然是一个问题。可以设想这样一种情况，即个人或组织合并了离岸实体，然后导致政府征用国内资产，以纠正该法案所犯的避税和逃税行为，或者在“坏”政府征用尚未转移的资产的情况下。我们的规范利用了不同的时间框架来组建离岸实体和征用资产。要使反向因果关系导致我们的结果，需要在反向导致没收或征用的公司当月报告没收或征用。散射过程通常需要很长时间。首先，必须对公司进行检测和确认。如果发生这种情况，通常需要一段时间，甚至一个月，因为执法机构没有观察到离岸实体及其幕后人员的成立。注册离岸公司的一个主要吸引力是保密。

巴拿马文件中确定的两个主要目标国家，英属维尔京群岛和巴拿马本身，在当前的金融安全指数（税收司法网，2018年，Cobham等人，2015年）中位列前20位，隐私法严格。为了让ZF检测实体与当地人或控制实体的公司之间的关系，在大多数情况下都需要泄漏。在调查期间，没有发生系统性的大规模泄漏（例如巴拿马报纸的泄漏）。此外，只要找到两个目的地，就可以使用所谓的无记名股票。无记名股票的实际持有人控制公司，所有者的姓名未记录在股东名册或其他任何地方。对于潜在的反向因果关系，仅仅在同一个月内合并是不够的。实际的没收或征用过程必须至少在新闻报道的同一个月内演变。通常，在没收或征用发生之前，需要经过漫长的法律程序。因此，我们的规范实际上排除了反向因果关系。我们的第二个目标是研究影响的异质性。关键问题是，在ZF相对诚实有效的国家，还是在治理薄弱的国家，财产分配报告的开始是否主要导致离岸实体的成立。在前一种情况下，β>0符合这样一种观点，即可疑人物利用离岸实体保护非法获得的财富，使其免受意图合理且运作良好的ZF机构的侵害，而这些ZF机构已变得更加认真地执行规则。在后一种情况下，β>0符合这样一种观点，即即使诚实的个人也会利用离岸实体来保护自己的财富，使其免受掠夺成功企业和个人的利维坦ZF的影响。

为了解决这个问题，我们将样本按照治理（和经济发展）的各种措施进行分割，然后再估计各个子样本的方程式（2）。5实证结果5.1主要结果表2记录了我们的主要估计结果。这里是表2。小组A使用了2007-2012年样本期的所有观察结果。在第（1）列中，我们报告了二元普通最小二乘回归的结果。我们发现，房地产分散期的开始与离岸实体成立的概率之间存在正相关关系。然而，这种相关性在统计上并不显著。我们依次增加了模型的复杂性。在第（2）列中，我们包括年份和国家固定影响。在第（3）列中，我们将国家年份固定影响纳入估算规范2。这使我们能够解释在一个日历年内不变但在各国各日历年内可能不同的未观测变量（如宏观经济和政治发展的度量）。这两列中的估计系数均为正值，且在统计学上具有显著意义，其大小非常相似。他们认为，财产分割期的开始会将离岸实体的合并概率提高3个百分点。例如，请参见美国国务院（2018年）、透明国际（2015年）和巴特尔（2010年），分别了解美国、欧盟和澳大利亚的流程描述。然后，我们在第（4）列中添加固定月效应，并在第（5）列中添加滞后因变量作为对照。

估计系数下降约0.5个百分点，但在第（5）栏中报告的最苛刻规范中，在5%的水平上仍然具有统计意义。在表2的B组、C组和D组中，我们分别报告了Hines（2010）、Johannesen和Zucman（2010）或这两项研究中的任何一项得出的被列为避税天堂的国家的估算结果。虽然第（1）列中的简单二元估计值因避税港的省略而受到很大影响，但所有其他列中的估计值都非常相似。这种模式表明，我们的识别策略可以解释大量国家间和年份间未观察到的异质性。更重要的是，这些结果表明，新闻报道开始对房地产公司合并产生的积极影响并不是由避税港（主要是小型避税港）推动的。附录中的表A.5报告了2000-2012年期间的估算结果。结果在质量上相似，但影响的大小稍小。5.2影响异质性我们现在来看异质性影响，首先根据2006年（即在我们的样本期之前）的人均GDP是否高于或低于中值，对未被归类为避税天堂的国家进行样本分割。结果见表3。这里是表3。第（2）列至第（5）列中的系数估计表明，房地产扩张期的开始会使相对富裕国家成立离岸实体的可能性增加约四个百分点，但相对贫穷国家仅增加约一个百分点。

相对富裕国家的大多数估计值在统计上具有显著性，而相对贫穷国家的估计值在统计上不具有显著性。现在，我们来谈谈关于财产分配的新闻报道的开始是否主要导致在治理良好和制度健全的国家或制度化程度较低的国家成立离岸实体的问题。为此，我们根据2006年腐败程度高于或低于中位数，对非避税天堂国家的样本进行了划分。我们在表4中使用了A组和B组中的WGI腐败控制，以及C组和D组中的TI腐败感知指数。这里是表4。第（2）列至第（5）列中的系数估计表明，在腐败程度相对较低的国家（a组和C组），房地产公司的开始会将成立离岸实体的可能性提高三到六个百分点。当使用WGI腐败控制来分割样本时，这些估计在统计上并不显著，但当使用TI的腐败感知指数时，这些估计在统计上显著。对相对腐败的国家来说，影响的程度要小得多，在统计上并不显著（B组和D组）。在表5中，我们根据ZF在A组和B组中使用WGIZF效能的效果，以及ICRG在C组和D组中的ZF质量指标来划分样本。表5如下。第（2）列至第（5）列中的系数估计表明，在ZF相对有效的国家（a组和C组），房地产扩张期的开始会导致离岸实体成立的概率在统计上显著增加五到七个百分点。