等级制度的相互依存：联邦监管，

相反，据说经济自由制度是企业家精神的关键促成因素（Bjornskov&Foss，2016；Boudreaux，2014；Bradley&Klein，2016；Kreft&17 Sobel，2005）。经济自由允许灵活性和实验性，为新企业的诞生和发展创造有利条件。总之，这表明监管和区域经济自由之间的相互作用应该在创业企业中最为突出。由于监管往往受到特殊利益集团的支持，据说对企业家尤其有害；因此，能够抵消这些危害的国家级经济自由的好处应该主要归于新企业。尽管如此，我们确实希望成熟公司也能保持这种缓和关系。经济自由可以为所有公司带来创新和增长，而不仅仅是新进入者。正如我们的市场保护联邦制理论所表明的那样，相对于国家或区域外利益集团，区域政策可以保护区域经济利益。因此，各地区的行业参与者之间也可能存在不同的利益；成熟的公司也将享受到保护市场的好处。然而，现有企业已经建立，因此可能比年轻企业更有能力组织起来打击区域间的政治竞争，而年轻企业可能通过经济自由没有抓住的区域政策。相比之下，区域经济自由倾向于在国家监管方面“平衡”区域内的竞争环境，减少任人唯亲和对决策者的坚定经验的需要，从而减少进入者获得竞争优势的障碍。

因此，虽然区域经济自由的市场保护利益具有广泛的适用性，但我们的理论指出，这些利益在企业年龄方面的规模存在异质性。因此，我们还假设：假设4：相对于成熟的老牌企业，经济自由将在更大程度上缓和年轻创业企业的监管与就业创造之间的关系。数据和方法虽然我们不认为新的或年轻的公司活动等同于创业精神，但我们承认这是创业精神的表现。18为了实施我们的研究问题，我们从2003年到2015年利用多种来源在美国建立了一个工业县小组。对于国家监管，我们使用RegData，这是一种新的监管严格程度衡量标准，量化了《美国联邦法规》文本中限制性词语的数量（例如，“应”、“必须”），并使用机器学习算法为行业分配限制。对于区域政策，我们采用了企业政策环境的综合衡量标准：国家经济自由，由弗雷泽研究所的北美经济自由指数（EFNA）衡量。尽管促进创业的具体政策举措往往失败（Acs、Astebro、Audretsch和Robinson，2016；Lerner，2009），但包括小ZF、优惠税收政策和灵活劳动力市场政策在内的经济自由具有强大的，与国家和地区的创业活动和就业增长的积极关系（McMullen等人，2008；Nikolaev，Boudreaux和Palich，2018；Nystr"om，2008）和（Calcagno和Sobel 2014；Gohmann等人，2008；Sobel 2008）。

由于我们对监管对高增长创业成果的影响感兴趣，我们使用人口普查局的季度劳动力指标（QWI）来衡量我们的净就业创造成果（Birch，1987；Davis，Haltiwanger和Schuh，1996；Haltiwanger，Jarmin和Miranda，2013）。创造就业机会是经济活力的一个关键特征，因此是众多学者关注的对象（Decker等人，2014年），也是区域企业政策的焦点。为此，QWI是我们理想的衡量指标，因为它在当地地理水平上按企业年龄报告了各主要行业的就业动态。正的净创造就业机会表明创造的就业机会数量超过了破坏的就业机会数量，而负的净创造就业机会则表明相反。19    3.1. 因变量：净就业创造我们使用质量劳动力指标（QWI）中的就业数据来构建我们的就业创造指标。每个北美行业分类系统（NAICS）行业的县级QWI数据可用，我们使用两位数的NAICS分类级别。QWI为每个季度和几个年龄段提供这些数据，包括：1）0-1年、2）2-3年、3）4-5年、4）6-10年和5）11年或以上。为了构建我们的就业创造指标，我们将每个工业县的季度数据汇总为年度数据，以便与我们的其他变量进行比较。QWI提供了多种就业衡量指标，包括年终就业、就业增加和失业。我们将最后两个指标结合起来，创建一个净就业增加（或减少）指标，我们将其表示为净就业创造。我们测量的正数表示创造了就业机会（就业增加>就业减少）；负数表示工作被破坏（工作增加<工作减少）。3.2. 自变量3.2.1。

国家法规我们的监管措施来自RegData（McLaughlin&Sherouse，2016）。该数据集量化了1970年至2017年美国联邦管理法规《联邦法规》中的监管限制数量。RegData提供了多个行业级别的行业监管年度衡量指标（2至6位数NAIC）；我们利用2位NAICS与QWI数据进行匹配。该变量首先衡量《联邦法规》第20小节（“部分”）中限制性词语的数量——“应”、“必须”、“不得”、“禁止”和“要求”。然后，数据集的作者利用机器学习来分配一个概率，即某一小节中的限制适用于给定的行业。计算每个行业的限制性词语乘以概率的乘积，然后对给定年份的所有子部分进行求和，得出联邦监管的衡量标准（Al-Ubaydli&McLaughlin，2017）。该数据集还报告了发布监管限制的机构。此外，该数据集包括总字数，而不是限制，作为替代行业监管措施。我们使用这种替代监管措施来测试我们结果的稳健性。3.2.2.  区域经济自由我们使用弗雷泽研究所北美经济自由指数（EFNA）中的经济自由度指标（Stansel、Torra和McMahon，2017）。经济自由包括三个方面的九个变量：（1）政府支出，（2）税收，（3）劳动力市场自由。第一个领域是政府支出，衡量的是政府消费、转移和补贴以及保险和退休付款的程度。

第二个领域是税收，通过收入和工资税收入、最高边际所得税税率、财产税税率和营业税收入来衡量。第三个领域使用最低工资立法、政府就业和工会密度来衡量劳动力市场自由度。我们使用国家以下各级的指数，从零（低经济自由度）到10（高经济自由度）进行衡量。参见Berggren（2003）和Hall and Lawson（2014）对经济自由文献的优秀评论。我们使用次国家指数，这是单个国家内比较的首选指数（Stansel、Torra和McMahon，2017）。另一种衡量指标是“所有政府”指数，该指数由其他变量和领域组成。有关更多详细信息，请参阅《北美经济自由报告》。https://www.fraserinstitute.org/studies/economic-freedom-of-north-america-201721   3.3. 控制我们包括几个变量来控制相关的县级差异。为了控制当地经济的健康，我们使用了县家庭收入中值、失业率（%）和贫困率（%）。我们预计，当地经济健康的县将创造更多就业机会。我们还包括一些人口控制。我们使用人口和人口密度来控制集聚经济（Duranton&Puga，2004；Porter，1996；Rosenthal&Strange，2004），并代理城市环境（Griffith，1981；McDonald，1989）。最后，我们还将公司数量作为当地竞争密度的代表（Voss&Voss，2008）。一个竞争激烈的市场可能会降低利润，这可能会导致企业增长和就业机会减少。所有控制措施均来自美国人口普查局。我们的样本包括463474个总观察值。

样本选择包括以下内容：我们首先从QWI收集所有可用的净就业创造数据。该样本代表1043924个县的工业年观察结果。然后，我们将这些数据与EFNA指数进行匹配，由于缺少数据，我们丢失了104359个观察值。接下来，我们将该数据集与RegData进行匹配，由于RegData遗漏了某些行业，我们损失了280655个观察值。最后，我们将我们的数据集与美国人口普查的对照组进行匹配，这将我们的样本减少195436个观察值，总计463474个观察值。然而，由于数据的可用性，不同公司年龄类别内的观察数量从313552到447556不等。--------------------------------在此处插入表1--------------------------------表1总结了这些数据。平均而言，一个县每年创造的就业机会超过48个。经济自由的平均水平为7，从5.25的低点到22.8.46的高点不等。行业层面的法规有很大差异。一个行业的平均限制数量为60247，从4558的低点到209220的高点不等。平均每户家庭收入中位数为42849美元。最后，平均每个县有89347名居民，即每平方英里175人（密度），贫困率为15.69%，失业率为6.5%，还有209家公司。表2提供了这些变量的相关矩阵。大多数变量与其他变量的相关性不高，这减少了对多重共线性的担忧。我们现在开始讨论我们的估算方法。----------------------------------------在此处插入表2----------------------------------3.4。

评估方法为了检验我们的假设，我们将创造就业作为几个解释变量的函数进行建模：JCijt= α + β1.Rijt+ β2.EFijt+ β3(Rijt × EFijt) + X′ijtδijt+ λi+ θj+ Πt+ uijt      （1） 结果变量JC表示第一县工业j和第t年的净就业创造。等式右侧包括监管（R）、经济自由（EF）、它们之间的相互作用，以及第t年第一县工业j每次观察的控制向量（X）。用β测量的参数反映了每个变量对就业创造的影响。特别是，β1和β2反映了监管和经济自由的直接影响，而β3反映了它们之间相互作用的影响。参数δ捕捉控制向量（X）中每个变量的影响。参数λ、θ和∏反映了县、行业和年份的异质性。这些固定效应用于控制共同的宏观经济趋势和未观察到的区域和行业特质（Bournakis、Papanastassiou和Pitelis，2018）。参数u是扰动项，假设为独立且同分布（iid）。然而，我们通过使用在县一级聚集的稳健标准误差来控制潜在的23异方差。除国家经济自由度（指数）外，我们在日志中表示所有解释变量。这将所有系数估计转化为弹性，从而简化了对我们研究结果的解释。4、结果4.1。主要结果：支持调节效应。表3说明了国家管制和区域经济自由对净就业创造的直接影响，以及区域经济自由对管制与就业创造关系的调节效应。在这里，我们测试并找到对假设1、2和3的支持。

模型1显示了我们的基线结果，其中包括我们的控制变量，但不包括监管措施或经济自由。模型2通过纳入监管和经济自由的措施来扩充该模型。结果表明，更多的监管与更少的净创造就业相关（β=–14.12；p<0.001），而经济自由与更多的创造就业相关（β=31.12；p<0.001）。模型3添加了一个交互项来检验我们的假设，即经济自由会调节监管的效果。比较模型2和3的似然比（LR）检验表明，模型之间的差异具有统计学意义，这表明交互模型是合适的。结果继续支持假设1和2，同时也支持假设3。具体而言，模型3表明，监管与创造的净就业岗位减少相关（β=–57.85；p<0.001），但这种影响随着经济自由度的增加而减少（β=6.24；p<0.001）。例如，在经济自由度平均水平较高的州，监管力度提高1%，就会导致1424个工作岗位被摧毁。然而，对于经济自由度的一个标准差增长，监管对净就业创造的负面影响因获得了四个工作岗位而减弱（净减少了四个工作岗位）。---------------------------------在此插入表3--------------------为了更好地理解区域经济自由的调节效应，我们在图1中绘制了不同经济自由水平下监管对净就业创造的边际效应以及95%的置信区间。

纵轴表示对净创造就业数量的影响，而横轴表示经济自由的质量；请注意，我们将操作和预测限制在样本范围内，而不是指数范围（0到10），以避免外推。该图表明，当经济自由度较低时，监管对净就业创造的负面影响更大。在经济自由分布的底部（EF=5），监管增加1%与其他同等条件下创造的净就业岗位减少20个相关。然而，在经济自由度超过平均水平（EF>7）的地区，监管增加1%几乎不会减少创造的净就业机会。事实上，在高于平均水平的经济自由度下，基于95%的标准置信区间，监管的效果在统计上与零没有显著差异。----------------------------------------在此处插入图1------------------------------------4.2。分解EFNA指数，我们通过取平均经济自由度（7）并乘以调节效应（6.236），即43.65，得出这个数字。然后，我们从限制对数的估计值中减去这个数字（-57.85），得出的差值为-14.2。经济自由的标准差为0.62，经济自由的调节效应为6.236。因此，一个标准差的增加将减少3.87（0.62 x 6.236）个净损失的工作岗位。我们把这四项工作分成四项。25虽然我们没有对其进行单独假设，但我们也报告了三个EFNA分项指数的结果，以调查经济自由不同方面影响的潜在异质性。表3的模型4-6给出了分解结果。

按照标准实践（例如，Wennberg、Pathak和Autio，2013），我们将EFNA汇总指数替换为其三个组成部分（即政府支出、税收和劳动力市场自由度）中的每一个，并分别包括与每个子指数的相互作用。首先，我们注意到，监管仍然是负面的，并且在统计上对净就业创造有显著的危害，进一步支持假设1。与我们对经济自由的简要衡量结果一致，我们观察到税收自由（β=28.79；p<0.001）和劳动力市场自由（β=32.17；p<0.001）缓和了监管对净就业创造的影响。此外，我们发现这两个经济自由因素的直接影响具有正的和显著的系数。相比之下，我们没有发现任何证据表明，政府支出自由部分会缓和监管对净就业创造的影响。这进一步验证了先前研究中确定经济自由异质性的发现（Bjornskov&Foss，2016）。有趣的是，我们发现，在模型4-6中，政府支出自由对净就业创造的直接影响都是负面的，且显著。4.3. 按企业年龄的结果比较我们现在检查监管对不同年龄企业净就业创造的影响，以检验假设4。表4将我们的数据分为不同的公司年龄类别，包括年轻公司（年龄小于一年）和成熟公司（年龄大于10年）。我们关注这两个类别，因为它们与我们的理论结构最为一致，并且与使用QWI数据的先前文献一致（Curtis&Decker，2018）。表4的模型1-4我们还估计了QWI数据集提供的其他年龄类别（2-3岁、4-5岁和6-10岁）的这些模型。