【香樟推文3512】不以规矩，不能成方圆：法律完善与经济增长

使用文本分析量化法律完善程度

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。