图片来源：ChatGPT

文章来源：Ash E, Morelli M, Vannoni M. More Laws, More Growth? Evidence from U.S. States[J]. Journal of Political Economy, 2025: 734874.

原文链接略

本文作者引入“契约理论”，将法律视为“不完全契约”，并基于美国1965–2012年的州级面板数据展开实证研究，发现：法律细节的完善（体现在条款的增多）确实能够推动地方经济增长。其背后的机制在于，法律的细化可以降低纠纷发生后的争议（事后敲竹杠）、增加企业投资（改善营商环境），从而推动经济增长。围绕该机制，作者提出了多项可检验假说加以验证。具体而言，发现新增的经济类条款、提供情景假定的条款对增长的促进作用更为明显；同时，新增条款在法律存量较低、经济不确定性较大的情况下效应更强。此外，作者还发现新增条款对高契约密集度行业的影响更大。

在识别策略上，本文创新性地提出了一种基于法律文本的“Shift-Share”工具变量，用于识别立法活动对经济增长的因果效应。借助LDA主题模型，作者将新增法律条款划分为若干法律主题，其中，"Share" 代表某州前期（1955–1964）在各法律主题上的条款份额，而 "Shift" 使用其他州在特定主题法律上的平均新增条款数量。

本文的一大技术亮点在于其自然语言处理方法的应用。作者基于计算语言学工具，从美国各州每年（或每两年）颁布的《州议会法律汇编》（Session Laws）中提取法律条款，并通过句法依存分析将句子划分为四类立法结构：授权（delegation）、限制（constraint）、许可（permission）和权利赋予（entitlement），由此计数出新增的法律条款数量。

本文最重要的贡献在于理论层面。作者将契约理论这一传统上应用于劳动经济学与企业理论的分析框架，引入到法经济学领域，从作为“不完全契约”的法律的视角出发，解释了法律完善如何正向作用于经济增长。同时，本文突破了以往研究多依赖横截面或时间序列数据的限制，利用州级面板数据提供了更为严谨的因果证据，为“法律促进经济增长”的积极观点提供了有力支持。

对于核心解释变量——新增法律条款数，作者首先使用句子分词工具（sentence tokenizer）从法律文本中提取句子。随后，作者使用语言依存方法（syntactic dependency parser）确定句子是否属于法律条款并加以分类。

在分类过程中，作者将情态动词分为强制性（shall，must）和许可性（may，can）、将动词分为限制类（forbid，ban）和许可类（allow，permit），从而将属于法律条款的句子分为四类：授权（delegation）、限制（constraint）、许可（permission）和权利赋予（entitlement）。

以授权类条款为例，授权条款句式为“强制性情态动词+主动态动词+非否定形式”或“非许可性情态动词+授权动词+非否定形式”。例如“The worker shall act...”即属于前者，“The worker is expected to act...”属于后者。

确定法律条款数量以后，作者使用LDA（Latent Dirichlet Allocation）主题模型将法律条款分类。在正文中，作者将条款分为了18类主题从而制作“Shift-Share”工具变量。

其中，被解释变量代表州内实际人均生产总值，取对数后做差分处理；解释变量代表新增法律条款数，取对数处理。同时，控制了州和时间的固定效应并将标准误聚类到州层面。此外，本文还控制了每个州的长期趋势，从而得到立法产出对经济增长的净效应。最后在稳健性检验中，作者加入各类控制变量进行检验。

除州内实际人均生产总值外，作者还考察了其他经济产出，如基础设施建设、就业和实际生产总值的增长，数据来自BEA Regional Accounts。法律数据来自各州颁布的《州议会法律汇编》，其他数据主要来自已有文献。

在正文中，作者将法律条款分为18类（K=18）制作工具变量，即：

其中，Share为各州1955-1964年各主题的法律条款份额，Shift是剔除自身后其他49州该主题的法律条款数量的均值。分主题计算Share和Shift并相乘后，将18个结果相加，从而得到州层面的工具变量。

该工具变量体现了“法律扩散”这一学术概念，并有大量文献提供的经验证据加以支撑。已有研究强调立法者颁布新法案存在起草成本，从而倾向于参考其他州的已有立法。在借鉴过程中，立法者会重点关注其他州的成功立法，从而作为本州的立法参考。

基于该思想可以发现，份额较低的法律主题能够获得更多借鉴，即立法较不完善的州能够从全国的立法中获得较大提升。这意味着工具变量与立法产出间的负向关系。

在稳健性检验中，作者首先延续了识别检验时的安慰剂检验思想，在模型中加入前置和滞后的解释变量，发现仅有当期的立法产出影响当期经济增长。随后使用法律文本中的法律相关词汇和文本页数作为解释变量，未发现两者与经济增长的联系，从侧面证明了作者提取法律条款方法的作用。此外，作者还检查了对其他经济产出和混淆因素的影响，并证明基准结果并非由18个主题中的某一个或某一些主题驱动。最后，作者还调整了标准误的聚类层级。

在异质性检验中，作者发现该促进作用：

(1)   主要来自解决经济类纠纷的法律，而非解决社会、家庭纠纷的法律；

(2)   主要来自带有情景描述的法律条款，即提供了应对特殊情况的解决方案的条款，而非放之四海而皆准的条款；

(3)   在法律存量较低时更强，这与将法律视为“不完全契约”的思想一致，完善法律可以降低不确定性，体现了边际作用；

(4)   在高契约密集度的行业中更强，如电子工业、出版业等行业。这些行业内的交易依赖于特定的合作关系或定制化的合同，即合同更加具有专门性，故契约成本较高。完善对应行业的法律能够提供更强的支持；

(5)   在经济不确定性较强的时候更为有效。同时，作者反驳了商业周期假说，即该促进作用在衰退时作用更大，而经济不确定性实际上捕捉了商业周期的变动。

本文为法经济学中法律与经济增长关系的长期争议提供了新的因果证据。使用美国1965–2012年的州级面板数据，作者利用基于法律文本的“Shift-Share”工具变量识别立法活动对经济增长的影响。研究发现在边际意义上，法律条款数的增加推动了地方经济增长率的上升，从而支持了“促进论”的观点。作者使用传统上应用于劳动经济学与企业理论的“契约理论”，将法律视为“不完全契约”，从而对结果进行解释。

本文使用了计算语言学的自然语言处理工具，这一工具也可用于研究在专利文本中的技术扩散，或是软件项目中的代码扩散，或是社交媒体上的文本扩散。作者认为通过这些拓展方向可以更好地理解基于文本的工具变量的稳健性，以及对文本预处理方法选择的敏感性。

此外，作者提出可以基于本文的研究方法，进一步研究“法律扩散”对临近州的溢出效应。这些溢出效应即可能是正向的（如通过贸易带动周边地区经济增长），也可能是负向的（如劳动力和资本转移产生的虹吸作用）。通过对溢出效应的评估，可以更全面地考察“法律扩散”对社会福利的总体影响。

推文作者：李晓昱，深圳大学中国经济特区研究中心硕士研究生

电子邮箱略