党派型创业（指受特定政治或意识形态影响而形成的创业模式）

《JOURNAL OF FINANCE》：Partisan Entrepreneurship

　　摘要

共和党人比民主党人创立更多的企业。在2005年至2017年间对4000万具有党派标签的美国人进行的样本研究中，我们发现5.5%的共和党人和3.7%的民主党人成为了企业家。这种党派间的创业差异是随时间变化的——在共和党执政期间，共和党人的创业活动相对增多；而在民主党执政期间，则减少。在13年的样本期间，这种党派差异导致了大约17万家新企业的产生。在奥巴马总统和特朗普总统的选举前后，党派间的创业活动发生了显著变化，尤其是在那些政治参与度最高的选民中（即那些积极捐款和投票的人）这种变化最为明显。在美国，政治身份对经济预期起着核心作用：当所在政党执政时，人们对经济的乐观程度要高得多。例如，在乔治·W·布什和唐纳德·特朗普执政期间，共和党人的乐观程度明显高于民主党人（差异接近两个标准差，见图1）；但在比尔·克林顿和巴拉克·奥巴马的民主党执政期间，这种差异消失了。

在本文中，我们探讨了政治体制的变化以及由此导致的党派信仰转变是否转化为一种关键的经济行为——创业。为此，我们选取了大约4000万具有政治党派标签的美国人作为样本，这些人的居住地和所在州都拥有来自Startup Cartography Project（Andrews等人，2022年）的完整企业注册数据。研究发现，共和党人成为企业家的概率高于民主党人：在13年的样本期间，有5.5%的共和党人创办了企业，而民主党人为3.7%。即使控制了年龄、性别、种族、教育水平、收入以及县和年份的固定效应后，共和党人在任何一年里创办企业的概率仍比民主党人高出26%。为了研究政治体制变化对共和党和民主党人创业行为的影响，我们围绕两次总统选举进行了个体层面的差异-in-differences（DID）事件研究。这些分析比较了2008年和2016年政党更迭前后同一县内的共和党和民主党人的创业行为。我们发现，在奥巴马当选后的那一年，共和党人创业的概率下降了3.4%；而在特朗普当选后，这一概率上升了2.4%。我们的研究重点是政党更迭前后的几年，因此使用了不到一半的样本年份数据。在整个2005年至2017年的样本期间，我们发现，那些政治立场与执政党不一致的选民（即其政党未掌控政权的选民）创办企业的概率比执政党支持的选民低3.3%。这一效应相当于每年新增企业数量减少了1.3万家。

进一步研究发现，政治参与度最高的个体受到的影响最为显著。具体来说，投票倾向低于中位的选民创业概率下降了2.4%；而对于投票倾向高于中位的选民，这一概率下降了4.3%。如果我们使用联邦选举委员会（FEC）报告的政党捐款数据来衡量政治参与度，政治活跃个体的影响系数增加到了10%。接下来，我们分析了样本中创立的企业类型，因为企业创立时的特征已被证明能反映其成长潜力和经济影响力（Schoar, 2010; Guzman and Stern, 2020; Sterk, Sedlá?ek, and Pugsley, 2021）。我们发现，股份有限公司（Corporations）的创业概率明显高于有限责任公司（LLCs）（影响系数分别为10.7%和0.7%）。我们的主要结果在Guzman and Stern（2020）研究的企业质量分布范围内同样显著，尤其是高质量初创企业对政治体制变化的反应更为敏感。在质量分布前5%的企业中，这一效应几乎是LLCs的七倍（分别为4.8%和0.7%）。当我们考虑创始人特征时，发现了党派之间的差异，这些差异体现在性别、年龄和收入上。例如，数据中存在众所周知的性别差距：在13年的样本期间，6.6%的男性和3.2%的女性创办了企业。控制个人特征和县-年份的固定效应后，男性每年创办企业的概率比女性高出约0.4个百分点，这一差异约为年均水平的90%。这种性别差距因政党而异：在民主党控制的县中，这一差距比无党派选民的小14%；而在共和党控制的县中，则大24%。此外，男性企业家对政治体制变化的敏感性高于女性企业家，这与调查数据中的经济预期模式一致。与各自的平均水平相比，当政治立场与总统不一致时，男性企业家创业的概率低3.8%，而女性企业家仅为1.5%。目前的证据主要比较了同一县内的共和党和民主党人。我们还可以比较政党更迭前后的共和党和民主党控制县的情况。在比较县际数据时，虽然失去了个体层面的精确识别信息，但有两个优势：首先，几乎所有州都提供县级数据；其次，县级数据还包括更多的经济指标（如就业创造和企业关闭情况），这使我们能够探究选举后党派支持者的创业决策如何在地方经济层面累积。通过DID框架比较2008年和2016年总统选举前后的共和党和民主党控制县，我们发现了相同的趋势：在巴拉克·奥巴马当选后，民主党控制县的创业率上升（相对于共和党控制县）；而在唐纳德·特朗普当选后，这一趋势逆转。具体来说，2008年选举后民主党控制县的创业率年均上升了2.3%；2016年选举后则为3.5%。将这一变化推及所有县，相当于2016年选举后每年新增约4万家企业，2008年选举后新增约2.1万家企业。我们还利用美国人口普查局的Business Dynamics Statistics数据分析了现有企业的情况。尽管使用了不同的数据来源并关注了不同类型的企业，我们仍然发现了党派效应。在政治立场与执政党不一致的县中，现有企业不太可能开设新企业，更有可能关闭现有企业，甚至彻底关闭整个业务，从而导致就业净流失。例如，与执政党一致的县相比，政治立场不一致的县中现有企业的净就业创造率低6%的一个标准差。我们在事件研究中发现的创业反应在选举结果出现后一到两个季度内就开始显现，很可能在新政府采取实质性行动之前。这表明党派间的创业行为是对预期变化的响应，政治立场一致的创业者预计创业回报会高于不一致的创业者。在最后一部分，我们探讨了这些预期的正确性，即创业回报是否与他们的预期相符。通过分析选举前创立企业的员工数量、销售额以及企业主的个人收入，我们没有发现民主党人和共和党人在政党更迭时期创业回报存在差异。此外，我们发现，在对政策最敏感的行业以及地方经济与国家经济同步发展的县中，创业反应更为强烈。这些结果表明，我们记录的党派创业效应源于对政策待遇和经济结果的不同预期。总体而言，我们的发现表明，在2005年至2017年间，党派差异导致了大约17万家新企业的产生，这一数量大致相当于密西西比州在同一时期的企业总数。这些新企业也促进了当地就业增长，这与Adelino, Ma, and Robinson（2017）以及Glaeser, Kerr, and Kerr（2015）的研究结果一致。我们估计，在共和党和民主党控制县之间，分别创造了约240万个就业岗位，占样本期间年均就业量的2%。值得注意的是，这些经济变化并不均匀分布：一些州和县的创业活动激增，伴随着就业创造和投资流向的增加；而另一些州和县则出现了下降。简而言之，我们在重大选举后观察到了政治地理区域之间的经济活力变化，这对劳动力市场、生产率动态和地区不平等产生了影响（Haltiwanger, Jarmin, and Miranda, 2013; Decker et al., 2014; Clementi and Palazzo, 2016）。理解和预测这些变化有助于制定更精准的政策（Kline and Moretti, 2014）。我们的发现与关于创业和政治经济学的多个研究方向相关。在创业研究中，许多人探讨了创业决策与创始人特征（如年龄、种族、财富和性别）之间的联系（例如，Evans and Jovanovic, 1989; Holtz-Eakin, Joulfaian, and Rosen, 1994; Hurst and Lusardi, 2004; Guzman and Kacperczyk, 2019; Azoulay et al., 2020; Fairlie, Robb, and Robinson, 2022; Bellon et al., 2021; Bernstein et al., 2022b）。我们的研究表明，政治归属感也是一个重要因素，即使在控制了创始人年龄、性别、种族、地理位置和时间等因素后，它仍然占性别差异的38%。另一项相关研究探讨了创业与创始人心理特征（如认知能力、个人主义、风险承受能力和乐观态度）之间的关系（例如，Puri and Robinson, 2013; Levine and Rubinstein, 2017; Kerr, Kerr, and Dalton, 2019; Pástor and Veronesi, 2020; Barrios, Hochberg, and Macciocchi, 2021）。这些特征通常被视为成年后的固定不变因素（例如，?stebro et al., 2014）。我们的证据表明，企业主的经济乐观态度会受到党派情绪的影响而变化。我们的研究还为关于创业决策决定因素的文献做出了贡献。现有研究主要关注财务限制、风险降低政策、培训以及创业同伴的影响。我们发现了一个新的驱动因素——政治情绪，其影响力与现有研究中的冲击因素相当。例如，我们在政治立场与执政党不一致的选民中观察到的创业效应与失业保险改革（Hombert et al., 2020）、生殖医疗保健的普及（Zandberg, 2021）以及共享出行服务的引入（Barrios, Hochberg, and Yi, 2022）的影响相当。我们的研究还揭示了政治情绪对创业决策的长期影响。最后，我们的论文为关于党派政治后果的新研究提供了证据。在公司层面，多项研究发现了党派效应对信用评级、联合贷款以及员工构成影响的证据（Kempf和Tsoutsoura，2021；Dagostino、Gao和Ma，2023；Fos、Kempf和Tsoutsoura，2023；Colonnelli、Neto和Teso，2022）。在家庭层面，有强有力的调查证据表明，在选举期间党派倾向会影响经济上的乐观情绪（例如，Bartels，2002；Evans和Andersen，2006）。然而，关于这种乐观情绪对重要经济结果是否有影响的证据并不一致。一些研究报道称消费者支出与政治立场的关联性（Gerber和Huber，2009；Gillitzer和Prasad，2018；Benhabib和Spiegel，2019），而其他研究则持相反观点（McGrath，2017；Mian、Sufi和Khoshkhou，2023）。我们提供了证据，表明经济活动的一个关键驱动因素——新企业的成立——会随着党派情绪的变化而变化。本文的其余部分安排如下：第一节描述数据，第二节提供来自个体数据的证据，第三节考察县一级的数据，第四节探讨党派企业家的期望，第五节进行总结。

**数据**

A. 企业注册数据

我们使用企业注册记录来衡量新企业的成立情况，这些记录是在美国成立新公司、合伙企业或LLC所需的法律文件。企业在他们选择的司法管辖区注册，这是一种法定居住地，同时也在他们开展实际业务活动的州注册。实际上，企业倾向于选择它们的总部所在州或特拉华州作为注册地，后者由于其公司法和法院系统而受到成长型企业的青睐。我们使用了Startup Cartography Project（SCP；Andrews等人，2022）的数据，该数据包含了2005年至2017年间美国49个州和华盛顿特区的企业注册记录。由于这些数据是企业注册记录，因此没有进行正式注册的个体经营者和自雇人士不在我们的样本中。数据包括企业名称、企业类型（公司、合伙企业或LLC）、记录地址以及司法管辖区（特拉华州或当地）。我们关注营利性企业，并将它们分配到它们的总部所在州，而不考虑它们的注册司法管辖区。有33个州还包含了企业董事的名字和职位信息。我们基于这些州的数据进行分析。为了确保识别出真正的企业创始人，我们排除了那些职位表明他们仅担任行政职务的人员。尽管如此，我们识别出的一些人可能是早期员工。为了解决这个问题，在互联网附录中，我们只考虑了由单一创始人组建的企业，在这些企业的注册记录中无需区分创始人和早期员工。

**B. 选民和捐赠者数据**

我们使用了L2提供的注册选民数据，L2是一家领先的无党派数据供应商，被政治活动和学术研究广泛使用（例如，Brown和Enos，2021；Billings、Chyn和Haggag，2021；Bernstein等人，2022a；Spenkuch、Teso和Xu，2023），这些数据涵盖了我们有足够信息来确定企业创始人的33个州。对于其中21个州，L2根据选民的自我报告来分配政治归属。对于剩下的州，L2利用各种数据来源来推断党的归属，包括选民在初选中的参与情况、人口统计信息、出口调查数据以及商业生活方式数据。在大多数分析中，我们将共和党人与民主党人进行比较，因为他们的倾向具有明确的方向性。然而，在表II和图3中，我们将两组都与注册的独立选民进行了比较。

**表1. 创业和成为创始人的概率以及统计摘要**

该表报告了摘要统计数据（第一节中描述的样本）以及按人口子群体划分的两个概率。P（一年内创业）是指我们样本中18至70岁人群一年内创业的年概率。P（曾经是创始人）是指同一样本中在2005年至2017年间至少创办过一次企业的人的概率。单位为个百分点。第（1）至（3）列、第（4）至（6）列和第（7）至（9）列分别针对所有个体、民主党人和共和党人的样本进行了计算（有关党派倾向的定义，请参见第一节B）。%Sample表示具有特定特征的观察比例。Female表示女性；Educ≥College表示具有大学学位或更高学历；Low income、Middle income和High income分别表示年收入在1,000至49,999美元、50,000至99,999美元和100,000美元及以上；Age xx-yy表示年龄在xx至yy岁之间；Cohort 19xx-yy表示出生于19xx至19yy年之间。全样本

| 政治派别 | 创业概率（百分比） | 是否曾经是创始人（百分比） |
|---------|------------|-------------------|
| 共和党 | 0.50 | 100.00 |
| 民主党 | 1.48 | 100.00 |
| 男性 | 0.75 | 41.29 |
| 女性 | 0.32 | 58.71 |
| 大学及以上教育 | 0.69 | 47.13 |
| 其他教育水平 | 0.41 | 44.60 |
| 白人 | 0.47 | 35.91 |
| 黑人 | 0.35 | 33.84 |
| 西班牙裔 | 0.45 | 42.38 |
| 亚裔 | 0.90 | 37.24 |
| 低收入 | 0.24 | 21.29 |
| 中等收入 | 0.39 | 34.92 |
| 高收入 | 0.77 | 35.54 |
| 18-29岁 | 0.25 | 18.29 |
| 30-39岁 | 0.65 | 18.30 |
| 40-49岁 | 0.66 | 21.69 |
| 50-59岁 | 0.53 | 23.15 |
| 60-70岁 | 0.34 | 22.79 |

**表2. 根据个人特征划分的创业概率**

该表将个体一年内创业的概率与他们的个人特征关联起来。样本包括民主党人、共和党人和独立选民，结果表明的是一年内创业的概率。单位为个百分点。Dem表示民主党人，Rep表示其他人；Dem×Male和Rep×Female分别表示民主党人和男性及女性的组合。除了报告的系数外，第（4）至（7）列还包括缺失种族和/或缺失收入的指标，以及这些指标与Dem和Rep之间的交互作用。回归分析是在县-政党-特征-年份的单元格层面上进行的，并按每个单元格中的观察数量进行加权。标准误差按照县进行聚类。***、**和*分别表示在1%、5%和10%的水平上显著。

**图2. 政治不匹配与創業概率：民主党人与共和党人**

该图绘制了方程（1）中民主党人指标与事件季度指标之间的交互作用的系数，反映了民主党人相对于共和党选民（被省略的组）在一年内创业的指数增长概率。单位为个百分点。事件季度0涵盖总统选举的当月及随后的两个月。例如，2016年选举的事件季度0是从2016年11月到2017年1月。事件季度?2是被省略的时期。所有回归模型都控制了县×事件季度的固定效应以及选民特征（性别、年龄组、种族）。回归分析是在县-政党-特征-月份的单元格层面上进行的，并按每个单元格中的观察数量进行加权。标准误差按照县进行聚类；90%的置信区间。回归系数在互联网附录的表IA.II中报告。[彩色图表可以在wileyonlinelibrary.com查看]

**图3. 政治不匹配与創業概率：民主党人、共和党人与独立选民**

该图绘制了方程（1）修改版本中民主党人指标与事件季度指标之间的交互作用的系数，反映了民主党人（蓝色实线）和共和党人（红色虚线）相对于独立选民（被省略的组）在一年内创业的指数增长概率。单位为个百分点。事件季度0涵盖总统选举的当月及随后的两个月。例如，2016年选举的事件季度0是从2016年11月到2017年1月。事件季度?2是被省略的时期。所有回归模型都控制了县×事件季度的固定效应以及选民特征（性别、年龄组、种族）。回归分析是在县-政党-特征-月份的单元格层面上进行的，并按每个单元格中的观察数量进行加权。标准误差按照县进行聚类；90%的置信区间。回归系数在互联网附录的表IA.III中报告。[彩色图表可以在wileyonlinelibrary.com查看]

L2的数据从2014年开始覆盖了美国的所有选民。为了减少生存偏差和逆向因果关系的担忧，我们使用2014年的选民名单来分配选民的党派归属。这种策略解决了2016年选举的这些问题，并在可能的情况下减轻了2008年选举的这些问题。党派归属在很大程度上是稳定的：从共和党转变为民主党或反之的概率每年约为1.8%。我们将最近的一份L2选民文件（2020年10月）中的选民投票历史（我们需要这些信息来构建政治活跃度指标）添加到2014年的选民名单中，然后剔除了没有这些信息的选民。如果我们保留这些选民，基线结果也是相似的。我们使用L2的投票历史和政治捐款数据来识别政治上更活跃的个体。我们将活跃选民定义为那些在2020年之前，他们参加的偶数年份的全国选举和初选比例（在他们有资格参加的选举中）超过了其所在政党样本中位数的选民。L2数据包括两个描述政治捐赠行为的变量。第一个变量是FEC记录的捐赠信息。利用L2链接的FEC数据，如果到2020年他们已经进行了政治捐赠，我们将这些人分类为活跃的FEC捐赠者（占样本的2.3%）。L2数据还识别出那些家庭成员在2020年之前为任何政治事业做出贡献的个体，我们称这些人为活跃的家庭捐赠者（占我们选民的40%）。L2数据提供了一系列人口统计变量，如注册州和县、年龄、性别以及种族/族裔，我们在主要分析中使用这些变量作为控制变量。

我们从MIT选举数据与科学实验室（MIT，2018年）获得了总统选举的县级投票份额数据。我们首先保留所有18至70岁之间的选民年度观察记录。然后，我们根据姓名和县将选民与企业在商业注册数据库中的创始人进行匹配。为了进行这种匹配，我们进一步关注那些在L2数据中姓名组合在县内所有选民中都是唯一的选民。我们使用唯一姓名进行匹配，因为在选民和创始人数据集中都没有其他共同的识别标志（例如家庭地址或社会安全号码）。然而，选民数据库中的姓名唯一性并不保证所有县居民的姓名都是唯一的，因为有些人并不是注册选民。因此，我们进一步要求县内非选民中出现某个姓名组合的概率低于0.1%。在互联网附录中，我们考虑了更严格的筛选标准，这提高了姓名的唯一性，从而提高了匹配的准确性。我们的结果没有发生变化。县级唯一姓名的样本可能会过度抽样女性，因为美国女性的名字范围比男性广泛。这也可能会过度或不足抽样其他人口亚群体。为了解决这个问题，我们报告了对样本中的个体进行了加权处理，以便与整个美国选民群体的可观察特征（政党以及每个政党内的性别、种族/族裔和出生队列）相匹配。我们还在第二节D部分讨论了样本的代表性，并将其特征与所有美国选民以及样本州中的选民进行了比较（见互联网附录表IA.I）。L2数据包含了我们在33个有企业创始人及地址数据的州中的1.1亿名注册选民。在按照上述方法限制了样本中唯一姓名后，我们大约有4000万选民。其中，有190万人（4.6%）在样本期间创办了公司。假设选民和创始人都有相同的身份号码（M.I.），匹配成功的个体90%的情况下身份号码也是相同的，这表明选民和创始人数据库之间的匹配质量很高。使用身份号码作为额外的匹配标准并不会对我们的估计产生实质性影响（见互联网附录表IA.VIII），而且匹配错误可能会在我们的设置中导致偏差。

如果选民在某个时期至少注册了一家公司，我们就将其编码为在该时期创业。由此产生的样本是一个选民-时间面板，任何时间点都有大约4000万条观测记录。为了便于计算处理，我们将回归样本简化为一组完全饱和的县-政党-特征-时间单元格，每个单元格包含了县、政党身份（民主党、共和党、其他）、性别（男性、女性）、年龄（18-29岁、30-29岁、40-29岁、50-29岁、60-70岁）、种族/族裔（白人、黑人、西班牙裔、亚裔或未知）以及时间（日历年或年-月）的组合。由于所有变量都是分类指标，这种方法生成的回归估计值和标准误差与使用个人数据进行回归得到的结果相同（Theil，1954年）。表I报告了我们的样本期间每年创业的 likelihood 以及从未创业过的概率的摘要统计信息。它还报告了样本在各个政党和人口统计特征中的分布，以及这些子群体中创业的 likelihood。我们的样本在政治人口统计特征上与一般选民以及按政党划分的选民大体一致。例如，女性选民更有可能是民主党人，年轻人和少数族裔也是如此（Pew，2018b）。我们在第二节D部分进一步讨论了样本的代表性，并将其特征与所有美国选民以及样本州中的选民进行了比较（见互联网附录表IA.I）。L2数据包含了我们在有企业创始人及地址数据的33个州中的1.1亿名注册选民。在按照上述方法限制了县内唯一姓名后，我们大约有4000万选民。在这些选民中，有190万人（4.6%）在样本期间创办了公司。在选民和创始人都有相同身份号码的前提下，匹配成功的个体90%的情况下身份号码也相同，这表明选民和创始人数据库之间的匹配质量很高。使用身份号码作为额外的匹配标准并不会对我们的估计产生实质性影响（见互联网附录表IA.VIII），而且如果有的话，匹配错误可能会导致我们的设置中出现偏差。

我们通过以下方式获取总统选举的县级投票份额数据：来自MIT选举数据与科学实验室（MIT，2018年）。首先，我们保留了所有18至70岁之间的选民年度观测记录。然后，我们根据姓名和县将选民与企业注册数据库中的创始人进行匹配。为了完成这种匹配，我们进一步关注那些在L2数据中姓氏组合在县内所有选民中都是唯一的选民。我们使用唯一姓名是因为在选民和创始人数据集中没有其他共同的识别标志（例如家庭地址或社会安全号码）可以用于匹配。然而，选民数据库中的姓名唯一性并不保证所有县居民的姓名都是唯一的，因为有些人不是注册选民。因此，我们还要求某个姓氏组合在县内的非选民中的出现概率低于0.1%。在互联网附录中，我们考虑了更严格的筛选标准，这提高了姓名的唯一性，从而提高了匹配的准确性。我们的结果没有变化。在县级层面唯一姓名的样本可能会过度抽样女性，因为美国女性的名字范围比男性广泛。这也可能会过度或不足抽样其他人口亚群体。为了缓解这个问题，我们报告了对样本中的个体进行了加权处理，以便与整个美国选民群体的可观察特征（政党，以及每个政党内的性别、种族/族裔和出生队列）相匹配。我们还分别对男性和女性进行了主要分析。在第二节D部分，我们讨论了样本的代表性，并将其特征与所有美国选民以及样本州中的选民进行了比较（见互联网附录表IA.I）。L2数据包含了我们在有企业创始人及地址数据的33个州中的1.1亿名注册选民。在按照上述方法限制了县内唯一姓名后，我们大约有4000万选民。在这些选民中，有190万人（4.6%）在样本期间创办了公司。在选民和创始人都有相同身份号码的前提下，匹配成功的个体90%的情况下身份号码也是相同的，这表明选民和创始人数据库之间的匹配质量很高。使用身份号码作为额外的匹配标准并不会对我们的估计产生实质性影响（见互联网附录表IA.VIII），而且如果有的话，匹配错误可能会导致我们的设置中出现偏差。

如果选民在某个时期至少注册了一家公司，我们就将其编码为在该时期创业。由此产生的样本是一个选民-时间面板，任何时间点都有大约4000万条观测记录。为了便于计算处理，我们将回归样本简化为一组完全饱和的县-政党-特征-时间单元格，每个单元格包含了县、政党身份（民主党、共和党、其他）、性别（男性、女性）、年龄（18-29岁、30-29岁、40-29岁、50-29岁、60-70岁）、种族/族裔（白人、黑人、西班牙裔、亚裔或未知）以及时间（日历年或年-月）的组合。由于所有变量都是分类指标，这种方法生成的回归估计值和标准误差与使用个人数据进行回归得到的结果相同（Theil，1954年）。表I报告了我们的样本期间每年创业的 likelihood 以及从未创业过的概率的摘要统计信息。它还报告了样本在各个政党和人口统计特征中的分布，以及这些子群体中创业的 likelihood。我们的样本在政治人口统计特征上与一般选民以及按政党划分的选民大体一致。例如，女性选民更有可能是民主党人，年轻人和少数族裔也是如此（Pew，2018b）。我们在第二节D部分进一步讨论了样本的代表性。在我们的样本中，有超过4000万选民，大约有4.6%的人在2005年至2017年期间至少创办了一家公司。在给定年份创业的 likelihood 大约为0.5%。当我们按政党划分数据时，一个一致的主题显现出来：共和党人比民主党人更有可能创办公司。例如，在我们的数据中，5.5%的共和党人曾经创办过公司，而只有3.7%的民主党人这样做。在给定年份，共和党人创业的概率为0.6%，而对于民主党人来说这个概率为0.4%。当我们考察不同人口统计特征下的创业率时，我们注意到一些差异。首先，与Fairlie、Robb和Robinson（2022年）的先前研究结果一致，白人在一年中创办公司的可能性比黑人和西班牙裔更高，大学毕业生也是如此（Hurst和Lusardi，2004年）。其次，创业率在我们年龄分布的中间部分（30至49岁）最高，一年中创办公司的概率为0.7%，这与Azoulay等人（2020年）使用美国人口普查局数据描述的模式一致。正如预期的那样，收入较高的人更有可能创办公司（Evans和Jovanovic，1989年）。最后，男性在一年中创办公司的可能性是女性的两倍多，这一估计与之前关于性别差距的研究结果相似（例如，Guzman和Kacperczyk，2019年）。为了超越摘要统计，我们在表II中估计了创业可能性作为政党归属和人口统计特征函数的回归。所有回归都包括了县-年固定效应。第（1）列显示，相对于政治独立人士，民主党人在一年中创办公司的可能性低0.08个百分点，而共和党人则高0.16个百分点。这种共和党人和民主党人之间的创业可能性差异显著，占结果均值的49%。第（2）列加入了年龄控制变量，并确认了个体在30至49岁之间创办公司的可能性最高。然而，加入年龄控制变量对缩小政党间的创业差距作用不大。第（3）列支持了之前在性别和创业方面的模式：在其他条件相同的情况下，男性在一年中创办公司的可能性比女性高0.4个百分点以上，这接近于平均可能性的90%。在控制了性别因素后，政党间的创业差距从49%缩小到39%，反映出男性在创业者中占的比例较高。第（4）列加入了种族控制变量，显示亚裔选民创办公司的可能性比白人高90%的平均值。第（5）列进一步加入了教育控制变量——大学毕业生创办新公司的可能性显著更高——第（6）列显示即使对于最高收入群体也是如此。在控制了所有这些可能与政党相关的协变量后，这些协变量可能会部分吸收感兴趣的差异，政党间的创业差距仍然很大（占平均值的26%），并且在统计上是显著的。最后，第（7）列探讨了政党与性别之间的相互作用，显示独立选民之间的创业性别差距与平均值相似，而民主党人的差距较小，共和党人的差距较大。总体而言，我们的样本似乎很好地反映了美国的普遍创业模式，同时提供了关于创业与政治身份之间关系的新事实。即使在控制了个体特征和县-年固定效应后，共和党人仍然比民主党人更有可能创办公司。此外，众所周知的性别在创业方面的差距在共和党和民主党人之间也存在。

A. 选举与乐观情绪

为了说明我们的分析，考虑图1的A面板，该面板通过彭博消费舒适指数（CCI）绘制了共和党和民主党人在经济观点上的差异。该指数是根据对1000个人的电话调查（每周250人，持续四周）构建的，并以四周的滚动平均值的形式报告。受访者被要求在一个从“优秀”到“差”的范围内对国民经济、个人财务状况和购买环境进行评分。彭博将他们的答案汇总成一个0-100点的指数。如图所示，共和党和民主党人在CCI上的差异在不同政治体制下有显著差异。例如，在乔治·W·布什和唐纳德·特朗普的共和党执政期间，共和党的CCI平均值几乎是民主党人的两倍标准差，而在巴拉克·奥巴马执政期间则低于民主党人的CCI。此外，在党派变动的总统选举之后，共和党和民主党人的观点出现了剧烈波动，特别是在奥巴马（2008年）、特朗普（2016年）和拜登（2020年）的选举之后。非党派变动的选举和中期选举似乎对经济乐观情绪几乎没有影响。创业是一项面向未来的活动，因此企业家决定创办公司的决定可能与其对当前和未来经济环境的看法有关（例如，Bengtsson和Ekeblom 2014年）。实际上，在B和C面板中，我们展示了2008年至2016年间企业主的相关模式——我们在第四节C部分详细讨论了这个证据。鉴于调查证据显示共和党和民主党人在不同政治体制下的信念存在显著差异，特别是在党派变动的选举期间，我们研究了创业是否遵循相同的模式。

B. 个体层面的事件研究证据

我们首先在事件研究DID框架内比较了共和党人相对于民主党人在创办公司可能性上的变化。接下来，我们比较了同一县内不同政党在总统选举前后的个体差异。这使我们能够避免可能对共和党或民主党地区产生差异的混淆因素。此外，我们还可以控制与创业相关的创始人特征，如性别、年龄和种族。我们估计了OLS回归：

$$
Y_{it}=\sum_{t=-8}^{7} \beta_{t}\times Dem_i + \mathbf{\gamma^{\prime} X_{it}+\alpha_{c(i),t}+\epsilon_{it}.
$$
因为我们正在估计季度系数，季节性是一个潜在的混淆因素，所以我们通过减去特定政党的县×年度月平均值和县的年度趋势来去季节化结果变量$Y_{it}$。结果变量$Y_{it}$是个体$i$在时间$t$创办公司的超额可能性，相对于总统选举的周期数。我们将$t=0$定义为选举月后的三个月周期，并省略$t=-2$作为基准期。由于联邦选举每两年举行一次，因此在事件研究中包含的时间段受到限制，以避免引入前一次或后一次选举的混淆效应。为了减少这些效应的影响，我们在感兴趣的总统选举前七个季度开始事件窗口，并在选举后七个季度结束（2016年的选举由于数据限制有四个季度）。我们的处理变量是$D_e^{mi}$，如果个体$i$是民主党人则等于1，如果是共和党人则等于0。我们包括了县×时间固定效应$\alpha_{c(i),t$，以控制特定县的随时间变化的创业可能性。向量$X_{it}$包含了性别、种族和年龄组的信息。

我们感兴趣的系数是$\beta_t$，它反映了总统选举对居住在同一县并在党派变动选举期间同一时间的民主党人（相对于共和党人）创办公司可能性的影响。我们的结果表明，个体会根据政治体制的变化调整他们的创业倾向。图2绘制了βt$\beta _{t}$系数，比较了在同一县居住的、具有相同人口统计特征的共和党和民主党人开始创业的意愿在2008年和2016年总统选举前后的变化。互联网附录中的表IA.II报告了回归系数。23

在2008年末奥巴马总统当选后，民主党人相对于共和党人，在12个月内的创业意愿平均增加了3.4%。如果这种趋势在美国全国范围内推广，这意味着共和党和民主党之间的创业差距缩小了大约13,000名创业者。24在选举前的趋势没有显示出差异。对于2016年的总统选举，图2中的前期估计也支持了趋势平行的假设。选举后，共和党人的创业意愿平均增加了2.4%，导致创业差距扩大了大约11,000名创始人。我们记录的创业反应几乎是立即出现的，在唐纳德·特朗普当选的同一季度以及巴拉克·奥巴马当选后的季度内就显现了出来。这种反应的速度与其他关于冲击后新企业成立的研究结果一致。例如，Fazio等人（2021年）和Haltiwanger（2022年）都记录了在美国COVID-19大流行开始后的企业成立数量显著增加的情况。为了理解共和党和民主党在总统选举后对创业差距变化的相对贡献，我们将独立选民作为对照组。图3绘制了每个党的βt$\beta _{t}$估计值。该图表表明，2008年选举后党派创业差距的缩小是由于共和党人的创业率相对于独立选民有所下降。相比之下，2016年选举后差距的扩大约有40%来自于共和党人创业率的上升，而60%则来自于民主党人创业率的下降。C. 全样人群体的党派倾向与创业

我们的DID事件研究关注的是紧邻党派更换的总统选举年份，因此使用的样本年份不到一半。在这一部分，我们使用了整个样本（2005年至2017年）来估计创业与与现任总统的政治不匹配之间的平均关系。为此，我们利用了个体层面数据的面板结构，并进行了估计

Yi?t=βM?i?s?m?a?t?c?hi?t+γDD?e?mi+γx′?Xi+αc?(i),t+εi?t,$$\begin{equation} \text{Y}_{it}= \beta \: Mismatch_{it} + \gamma _D \: Dem_i + \mathbf {\gamma _x^{\prime } X_i} + \alpha _{c(i),t} + \epsilon _{it}, \end{equation}$$(2)其中Y_{it}$是一个指标，如果个体i在年份t开始创业，则等于1；D?e?mi是一个指标，对于民主党人等于1，对于共和党人等于0；M?i?s?m?a?t?c?hi?t$Mismatch_{it}$是一个指标，当个体i的党派认同与年份t的总统党派不同时等于1（即，在2009年至2016年期间对于共和党人，在2005年至2008年和2017年期间对于民主党人）；αc?(i),t表示县×年份的固定效应；Xi$\mathbf {X_i}$是一个包含人口统计特征（性别、年龄和种族）的向量。标准误差按县进行聚集。25

我们关注的系数是β$\beta$，它估计了个体的党派归属与现任总统不匹配时创业概率的平均差异，与党派匹配时的差异相比。C.1. 主要估计结果

表III报告了方程（2）的估计结果。第（1）列使用了所有注册的共和党和民主党选民的数据。Mismatch的系数为负且显著：在给定年份，党派不在执政中的个体创业的可能性比政治上与他们对齐的个体低0.017个百分点。这是一个相当大的效应，相当于样本均值的3.3%。如果这一效应在美国全国范围内推广，相当于党派差距每年缩小了大约13,000名创始人，或者在我们13年的样本中大约减少了170,000名创始人。表III. 政治不匹配与创业概率

该表格探讨了个体每年的创业概率与与现任总统政治不匹配之间的关系。样本包括民主党和共和党人，结果是一个指标，表示在某一年是否创业。单位是以百分比点计的。M?i?s?m?a?t?c?hi?t$Mismatch$是一个指标，如果个体的政党与现任总统的不同（在2009年至2016年期间对于共和党人，在2005年至2008年和2017年期间对于民主党人），则等于1；D?e?m$Dem$是一个民主党人的指标；A?c?(i),t$Active$是一个政治活跃个体的指标，即（i）如果他们在截至2020年的偶数年份的普通选举和初选中投票的比例高于中位数（见第（2）和（6）列），（ii）如果该家庭在2020年之前至少进行过一次政治捐赠（见第（3）和（7）列），（iii）如果该个体在2020年之前至少进行过一次FEC捐赠（见第（4）和（8）列）。标准误差按县进行聚集。25

我们感兴趣的系数是β$\beta$，它估计了当个体的党派归属与现任总统不匹配时，与党派匹配时相比，创业概率的平均差异。C.1. 主要估计结果

表III报告了方程（2）的估计结果。第（1）列使用了所有注册的共和党和民主党选民的数据。Mismatch的系数为负且显著：在给定年份，党派不在执政中的个体创业的可能性比政治上与他们对齐的个体低0.017个百分点。这是一个相当大的效应，相当于样本均值的3.3%。如果这一效应在美国全国范围内推广，相当于党派差距每年缩小了大约13,000名创始人，或者在我们13年的样本中大约减少了170,000名创始人。表III. 政治不匹配与创业概率

该表格研究了个体每年的创业概率与与现任总统政治不匹配之间的关系。样本包括民主党和共和党人，结果是一个指标，表示在某一年是否创业。单位是以百分比点计的。M?i?s?m?a?t?c?hi?t$Mismatch$是一个指标，如果个体的政党与现任总统的不同（在2009年至2016年期间对于共和党人，在2005年至2008年和2017年期间对于民主党人），则等于1；D?e?m$Dem$是一个民主党人的指标；A?c?(i),t$Active$是一个政治活跃个体的指标，即（i）如果他们在截至2020年的偶数年份的普通选举和初选中投票的比例高于中位数（见第（2）和（6）列），（ii）如果该家庭在2020年之前至少进行过一次政治捐赠（见第（3）和（7）列），（iii）如果该个体在2020年之前至少进行过一次FEC捐赠（见第（4）和（8）列）。标准误差按县进行聚集。“单元格层面的回归”等同于未加权的个体层面回归；它在县-政党-特征-年份的单元格层面进行，并根据每个单元格中的观测数量进行加权。“加权个人层面的回归”在个体层面进行，每个观测的权重使得重新加权样本中的协变量均值与美国选民人口的均值相匹配。匹配的特征包括民主党和在每个政党内的男性、种族/族裔群体以及出生队列的比例（详见第II.D节）。如果我们将样本均值与样本县中所有选民的均值进行匹配，结果也是相似的。***、**和*分别表示在1%、5%和10%的水平上显著。单元格层面的回归

加权个人层面回归

常规选民

活跃选民

捐赠选民

FEC选民

常规选民

活跃选民

捐赠选民

FEC选民

（1）

（2）

（3）

（4）

（5）

（6）

（7）

（8）

Mismatch

?0.0165***

?0.0119***

?0.0138***

?0.0150***

?0.0179***

?0.0138***

?0.0156***

?0.0162***

（0.0017）

（0.0019）

（0.0019）

（0.0016）

（0.0019）

（0.0019）

（0.0015）

Mismatch × Active

?0.0097***

?0.0067***

?0.0360***

?0.0080***

?0.0058***

?0.0330***

（0.0020）

（0.0021）

（0.0128）

（0.0019）

（0.0021）

（0.0122）

Dem

?0.1641***

?0.1653***

?0.1644***

?0.1507***

?0.1706***

?0.1712***

?0.1716***

?0.1560***

（0.0069）

（0.0085）

（0.0076）

（0.0065）

（0.0071）

（0.0079）

（0.0067）

Dem × Active

?0.0049

0.0093*

?0.7080***

?0.0052

0.0103*

?0.7046***

（0.0071）

（0.0052）

（0.0371）

（0.0072）

（0.0054）

（0.0369）

活跃

0.1112***

0.0507***

1.6428***

0.1135***

0.0481***

1.6266***

（0.0082）

（0.0045）

（0.0651）

（0.0079）

（0.0044）

（0.0623）

男性

0.4349***

0.4363***

0.4341***

0.4208***

0.4069***

0.4083***

0.4060***

0.3936***

（0.0207）

（0.0208）

（0.0207）

（0.0202）

（0.0188）

（0.0189）

（0.0187）

（0.0183）

18-29岁

?0.0472***

?0.0014

?0.0354***

?0.0095*

?0.0574***

?0.0102

?0.0464***

?0.0205***

（0.0064）

（0.0071）

（0.0064）

（0.0066）

（0.0071）

（0.0067）

（0.0059）

30-39岁

0.3403***

0.3747***

0.3497***

0.3695***

0.3463***

0.3819***

0.3555***

0.3749***

（0.0158）

（0.0158）

（0.0163）

（0.0169）

（0.0163）

（0.0163）

（0.0167）

（0.0173）

40-49岁

0.3316***

0.3551***

0.3349***

0.3519***

0.3354***

0.3598***

0.3387***

0.3554***

（0.0140）

（0.0140）

（0.0142）

（0.0142）

（0.0142）

（0.0144）

（0.0150）

50-59岁

0.2041***

0.2156***

0.2047***

0.2141***

0.2046***

0.2165***

0.2052***

0.2144***

（0.0083）

（0.0083）

（0.0083）

（0.0083）

（0.0083）

（0.0083）

（0.0086）

亚洲人

0.2508***

0.2616***

0.2511***

0.2555***

0.2580***

0.2695***

0.2583***

0.2631***

（0.0199）

（0.0207）

（0.0199）

（0.0196）

（0.0198）

（0.0205）

（0.0197）

（0.0195）

黑人

?0.1590***

?0.1564***

?0.1521***

?0.1432***

?0.1585***

?0.1555***

?0.1517***

?0.1423***

（0.0216）

（0.0216）

（0.0216）

（0.0213）

（0.0211）

（0.0216）

（0.0216）

（0.0213）

（0.0210）

西班牙裔

?0.2151***

?0.2015***

?0.2060***

?0.1976***

?0.2120***

?0.1978***

?0.2030***

?0.1938***

（0.0264）

（0.0269）

（0.0263）

（0.0255）

（0.0254）

（0.0259）

（0.0253）

Mismatch作为平均值百分比

3.33

2.4

2.8

3.03

3.68

2.85

3.21

3.33

Mismatch × Active作为平均值百分比

—

1.94

1.35

7.26

—

1.64

1.19

6.78

R2$R^2$

0.105

0.070

0.071

0.082

0.005

0.005

0.005

结果平均值

0.495

0.495

0.495

0.495

0.485

0.485

0.485

观测数量

327,127,995

326,699,233

327,127,995

327,127,995

327,127,995

326,699,233

327,127,995

327,127,995

群集数量（县）

2,120

2,120

2,120

2,120

2,120

2,120

2,120

2,120

县×年份固定效应

Y

Y

Y

Y

Y

Y

Y

Y

为了测试政治情绪是否驱动了创业行为的差异，我们比较了定期党派支持者与更活跃的党派支持者，即那些投票更频繁或捐赠更多的人（见第I.B节的定义）。由于活跃的党派支持者在政治上投入更多，我们假设政治权力的变化会对他们的乐观情绪和创业决策产生更强的影响。我们在方程（2）中加入了一个活跃党派支持者的指标（及其交互作用），并重新估计了模型。第（2）列中Mismatch× Active的负面且显著的系数意味着，当他们的党派不在执政时，活跃的选民在同一个县和年份创业的可能性比不那么活跃的选民低0.01个百分点（平均值的2%）。换句话说，活跃选民的创业决策与政治不匹配之间的关系比不那么活跃的党派支持者强82%。26

转向活跃的捐赠者，第（3）和（4）列表明，家庭捐赠者和FEC捐赠者分别在不匹配的情况下，创业的可能性比非活跃的对应者低0.007和0.04个百分点。这分别相当于平均每年新企业成立概率的额外1.4%和7.3%。尽管FEC捐赠者的效应要大得多，但他们只是注册选民中的一个小部分：2.3%的个体是FEC捐赠者，而50%是活跃的选民，40%属于捐赠家庭。我们认为那些努力向政治活动捐赠的个体更有可能积极参与党派活动。一个自然的担忧是财富和捐赠倾向可能是相关的，富裕人群之间的不匹配效应可能更大。在互联网附录的由于财富与创业能力相关（例如，Evans和Jovanovic，1989；Fairlie，1999；Hurst和Lusardi，2004），互联网附录表IA.V分别考虑了年收入超过和低于10万美元的个体。虽然高收入个体的不匹配系数更大，但相对效应实际上在低收入个体中更大（4.2%对3.9%）。C.3. 企业类型的异质性

接下来，我们考虑样本中成立的企业类型。企业在成立时的特征可以预测其成长潜力、生存能力和对就业的贡献，这反映了创始人 ambition 和项目潜力的异质性（Schoar，2010；Sterk、Sedlá?ek和Pugsley，2021）。Guzman和Stern（2020）指出，作为公司而非有限责任公司（LLC）成立的企业在注册后六年内上市或被收购的可能性是前者的三倍。对于在第一年就申请专利的企业，这一数字上升到49倍。Guzman和Stern（2020）将这些成立特征合并成一个“创业质量”的衡量标准，我们用它来检验党派情绪所引发的创业活动的质量。

我们首先在图4中绘制了企业质量与党派和性别的关系。图表显示，民主党人比共和党人更有可能创办最高质量的企业，而男性创办高质量企业的可能性也高于女性。图4显示了按党派和性别划分的企业质量分布。此图根据Guzman和Stern（2020）的创业质量指数，按创始人党派和性别划分了企业质量的五分位数。第一分位数对应最低质量。[彩色图表可以在wileyonlinelibrary.com查看]

接着，我们重新考虑了不同预期质量企业的主要规格。具体来说，表V用企业类型指标替换了表III中的结果变量。第（1）列考察了LLC，而第（2）列则关注公司。我们观察到对公司而言，不匹配效应的规模更大：政治上不匹配的个体创办LLC的可能性仅比公司低0.7%，而对于公司则低10.7%。表V. 政治不匹配与创办不同类型企业的概率

该表探讨了个体每年创办不同类型企业的概率与与现任总统在政治上不匹配之间的关系。它与表III中的第（1）列规格相同，只是因变量是某一年创办特定类型企业的指标，这一指标因列而异。单位是百分比点。“LLC”指的是在其总部（或当地）州管辖范围内注册的有限责任公司。“公司”指的是在地方州管辖范围内注册的公司。“VC支持”指的是曾经接受过风险投资的公司。“专利公司”指的是根据美国专利商标局（USPTO）数据曾经申请过专利的公司。“Q: xx”指的是在创业质量某一百分位数范围内得分的企业（Guzman和Stern，2020）。***、**和*分别表示在1%、5%和10%的水平上显著。LLC；公司；VC支持；专利公司；Q: top 5%；Q: 80?100%；Q: 60?80%；Q: 40?60%；Q: 20?40%；Q: 0?20%

（1）（2）（3）（4）（5）（6）（7）（8）（9）（10）

不匹配 ?0.003* ?0.014???*** ?0.0000 ?0.0001 ?0.001???*** ?0.004???*** ?0.003???*** ?0.002???*** ?0.001??*** ?0.003??***

Dem ?0.124??*** ?0.042??*** ?0.0000 ?0.0006??*** ?0.004??*** ?0.022??***

（男性）0.308??*** 0.130??*** 0.0003??*** 0.0026??*** 0.0078??*** 0.087??*** 0.093??***

（18?29岁）?0.024??*** ?0.023??*** ?0.0000* ?0.0006??*** ?0.003??***

（30?39岁）0.249??*** 0.094??*** 0.0002??*** 0.0007??***

（40?49岁）0.237??*** 0.097??*** 0.0002??***

（50?59岁）0.150??*** 0.055??*** 0.0007??***

（亚洲人）0.124??*** 0.129??*** 0.0003??***

（黑人）?0.141??*** ?0.018* ?0.0001??***

（西班牙裔）?0.186??*** ?0.028*


表VI. 政治不匹配与创办企业的概率：总统与州长不匹配

该表考察了个体每年创办企业的概率与与现任总统（政治不匹配）和现任州长（州长不匹配）在政治上的不匹配之间的关系。样本包括2005年至2017年间至少有一次州长党派变更（从民主党变为共和党或反之）的州的选民。所有其他变量定义和规格都与表III的第（1）列相同。标准误差按县进行聚类。***、**和*分别表示在1%、5%和10%的水平上显著。

总之，表VI不仅显示了我们的主要结果对州级选举的稳健性，还提供了政治错位影响创业的另一个维度的证据。D. 稳健性

D.1. 样本构建

接下来，我们考虑样本的代表性。回想一下，我们关注的是在县内拥有唯一名字的选民，以确保选民档案和商业注册数据之间的准确匹配。为了检查这个唯一名字样本与完整的选民档案之间的差异，互联网附录表IA.I报告了2014年全美选民人口（A组，1.6亿选民）的个体特征（B组，33个州，1.08亿选民），以及我们回归样本中的选民（C组，4000万选民）的个体特征。A组和B组非常相似，表明我们样本中的州在我们能够测量的选民特征方面是具有代表性的。然而，C组与其他两组之间存在一些差异。这可能是由于我们用于生成样本的唯一名字过滤器的结果。例如，女性和黑人的名字更有可能是唯一的，而西班牙裔则不太可能。为了确保我们样本与美国选民人口之间的差异不会影响我们的结果，在表III的第（5）到（8）列中，我们使用个体级数据和熵平衡方法（Hainmueller，2012）重新估计了前四列的规格，该方法对每个观察值进行加权，以便重组样本中的协变量均值与美国选民人口的均值相匹配。例如，由于我们的回归样本中男性代表性不足，这个程序会增加对男性观察值的权重以纠正这一点。第（5）到（8）列中的估计值与未加权的结果非常相似，这支持了我们的估计代表了党派创业的潜在动态的观点。在本文的其余部分，我们报告了未加权的结果。还要注意，我们在县级（第三节.A）和使用人口普查局商业动态统计（第三节.C）时也得到了一致的结果，这两者都没有施加任何名字唯一性限制，并分别涵盖了45个州和50个州以及哥伦比亚特区。我们还在表IA.VIII中对我们的匹配程序进行了几项稳健性检查。前五列使用逐渐严格的名字唯一性要求进行估计——将基线0.1个百分点的阈值（第（1）列）替换为0.05个百分点、0.01个百分点、0.001个百分点和0.0001个百分点（第（2）到（5）列）。为了解决我们的匹配过程在人口稀少的县中更有效的担忧，我们仅使用选民档案中至少有300,000名注册选民的县来复制我们的基线规格（大约是美国县的第95百分位）。在我们的主要分析中，我们没有使用M.I.来选择唯一名字的选民或将选民与创始人匹配，因为SCP数据中M.I.的缺失率在各州之间差异很大（例如，在亚利桑那州为10%，而在科罗拉多州为60%）。然而，在这个表格中，我们使用M.I.来定义具有唯一名称的选民，并将选民与创始人匹配，在M.I.缺失率至少为50%的州（第7列），M.I.缺失率至少为40%的州（第8列），以及所有州（第9列）中；在其余州，我们不使用M.I.来匹配个人。在最后一列中，我们排除了那些由多名创始人共同创建公司的个人。专注于单一创始人可以减少SCP数据中列出的人是早期员工而非创始人的可能性。在所有规格设置中，结果都是相似的。

D.2. 季节性

虽然年内季节性不会影响第II.C.1节中的年度政治不匹配估计，但它可能会影响图2中的事件研究估计。例如，如果共和党主导行业中的创业活动在年初可预测地增加，那么选举结果后看起来像是共和党创业活动的相对高峰可能仅仅是季节性模式的表现。因此，我们根据第II.B.3节的描述对创业活动指标进行了去季节性处理。

图IA.1考虑了图2中的事件研究估计对季节性调整的稳健性。具体来说，图IA.1的A和B面板展示了未进行季节性调整的结果变量事件研究估计，而其余四个面板（C至F）提出了调整季节性的替代方法。2008年选举期间（B面板）可以观察到季节性模式，但2016年选举期间的季节性变化似乎相对较小（A面板）。C和D面板通过减去前一年同月的相应值来调整季节性，而E和F面板则减去前两年同月的平均值。对于2016年，C面板显示选举前两个季度民主党的创业活动有所下降，尽管这种下降在统计上并不显著。这种模式在图2或A、E面板中并不存在。对于2008年，减去前一年的年度图表（D面板）显示出更大的差异性和更大的标准误差，导致统计显著性降低（选举前后效应之间的差异在10%的水平上显著）。总之，事件研究模式是相似的，尽管动态对季节性调整的实施方式有些敏感。另一种解决年内季节性的方法是使用与季度版本相同时间窗口的年度事件研究。在图IA.2中，A和B面板展示了这些年度估计，这些估计与图2中的季度估计一致。如果我们将前期扩展到包括前两年（总是中期选举年），我们得到2014年的负系数（-0.0090，标准误差为0.0047）。这一结果可能与民主党企业家对共和党在中期选举中获胜的负面情绪反应一致。然而，如果中期选举与总统选举有类似的影响，我们应该在2015年看到负面效应，但实际上并没有。图1中的调查数据也不一致支持这一解释，因为在三个面板中只有一个显示2014年左右民主党企业家的相对乐观度下降。

III. 来自县级数据的证据

到目前为止，非调查证据比较了同一县内不同政治体制下的共和党和民主党个体。在本节中，我们比较了共和党和民主党的县。这种分析有其优点和缺点。县级分析的主要缺点是我们失去了对个体层面的精确识别，在这一点上我们无法比较总统党派变化时同一县内共和党和民主党的行为。然而，它有三个优点。首先，几乎所有州都有县级数据，因此我们不受限于只有33个我们有企业创始人数据可以匹配选民名单的州。其次，使用县级数据我们不需要施加匹配创始人和选民数据时所需的唯一名称约束。第三，县级还存在更多经济数据——如就业创造和企业关闭等——因此我们可以更好地理解党派创始人的创业选择如何累积影响当地经济，以及是否对现有企业有影响。

A. 来自创业地图项目的县级证据

与我们在个体层面的事件研究DID分析类似，在这个小节中，我们比较了2008年和2016年选举前后45个州内民主党和共和党倾向的县。我们将一个县分类为民主党倾向的（为简洁起见，称之为“民主党县”），如果其民主党在上一届总统选举中的得票率高于样本中位数；否则为共和党倾向的。我们关注的结果是创业率：即每10万县居民每月注册的新企业总数。如果一个县在某个月份没有新企业，我们将其编码为零。由于我们正在估计季度系数，季节性是一个潜在的混杂因素，因此我们通过使用2004年（针对2008年选举）和2012年（针对2016年选举）的数据，将创业率对县×月份指标和县年度线性趋势进行回归来去季节性处理。我们将结果变量称为超额创业率。我们运行以下OLS规范：

Yct = ∑t=-87βt×Dec+γ′Xct+αc+αt+εct,

其中Yct是时间t县c的超额创业率，t是距离每次总统选举决定时的时间段（即2008年11月和2016年11月）。我们的处理变量Dec是在县c被分类为民主党倾向时值为1，否则为0。向量Xct包括县的年度失业率、人均收入以及每个两位数NAICS行业的就业份额，作为控制变量，以考虑当时的经济条件和行业重要性。我们包括县固定效应αc和事件时间固定效应αt，以吸收县的平均创业率和全国注册趋势。我们将标准误差按县进行聚类。虽然数据是按月份收集的，但为了精确性和清晰度，我们估计了季度平均值，并在互联网附录中报告了月度版本。我们定义t=0为选举月份后的三个月时期。例如，2016年的t=0为2016年选举后的三个月时期。我们省略了t=-2的指标以形成我们的基期。与个体层面的DID类似，我们将βt系数解释为总统选举对创业的因果效应，假设在没有选举的情况下，共和党和民主党倾向的县会平行移动。正如我们将展示的，没有差异性的前期趋势。另一种解决年内季节性的方法是使用与季度版本相同时间窗口的年度事件研究来完全避免它。在图IA.2中，A和B面板展示了这些年度估计，它们与图2中的季度估计一致。如果我们将前期扩展到包括前两年（总是中期选举年），我们得到2014年的负系数（-0.0090，标准误差为0.0047）。这一结果可能与民主党企业家对共和党在中期选举中获胜的负面情绪反应一致。然而，如果中期选举与总统选举有类似的影响，我们应该在2015年看到负面效应，但实际上并没有。图1中的调查数据也不一致支持这一解释，因为只有三个面板显示2014年左右民主党企业家的相对乐观度下降。

III. 来自县级数据的证据

到目前为止，非调查证据比较了同一县内不同政治体制下的共和党和民主党个体。在本节中，我们比较了共和党和民主党的县。这种分析有其优缺点。县级分析的主要缺点是我们失去了对个体层面的精确识别，即当总统党派变化时，我们无法比较同一县内共和党和民主党的行为。然而，它有三个优点。首先，几乎所有州都有县级数据，因此我们不限于只有33个我们有企业创始人数据可以匹配选民名单的州。其次，使用县级数据，我们不需要施加匹配创始人和选民数据所需的唯一名称约束。第三，县级存在更多的经济数据——例如就业创造和企业关闭——因此我们可以更好地理解党派创始人的创业选择如何累积影响当地经济，以及是否对现有企业有影响。

A. 来自创业地图项目的县级证据

与我们在个体层面的事件研究DID分析类似，在本小节中，我们比较了2008年和2016年选举前后45个州内民主党和共和党倾向的县。我们将一个县分类为民主党倾向的（简称为“民主党县”），如果其在上一届总统选举中的得票率高于样本中位数；否则为共和党倾向的。我们关注的结果是创业率：即每10万县居民每月注册的新企业总数。如果一个县在某个月份没有新企业，我们将其编码为零。因为我们在估计季度系数，所以季节性是一个潜在的混杂因素，因此我们通过将创业率对县×月份指标和县年度线性趋势进行回归来去季节性处理，使用的数据从2004年（针对2008年选举）和2012年（针对2016年选举）开始。我们将结果变量称为超额创业率。我们运行以下OLS规范：

Yct = ∑t=-87βt×Dec+γ′Xct+αc+αt+εct,

其中Yct是时间t县c的超额创业率，t是相对于每次总统选举决定的时间段（即2008年11月和2016年11月）。我们的处理变量Dec是在县c被分类为民主党倾向时值为1，否则为0。向量Xct包括县的年度失业率、人均收入和每个两位数NAICS行业的就业份额（不包括不可分类的机构），作为控制变量，以考虑同时期的经济条件和行业重要性。我们包括县固定效应αc和事件时间固定效应αt，以吸收县的平均创业率和全国注册趋势。我们将标准误差按县进行聚类。虽然数据是按月份收集的，但为了精确性和清晰度，我们估计了季度平均值，并在互联网附录中报告了月度版本。我们定义t=0为选举月份后的三个月时期。例如，2016年11月到2017年1月构成了2016年选举的t=0。我们省略了t=-2的指标以形成我们的基期。与个体层面的DID类似，我们将βt系数解释为总统选举对创业的因果效应，假设在没有选举的情况下，共和党和民主党倾向的县会平行移动。正如我们将展示的，没有差异性的前期趋势。在图5中，A和B面板绘制了估计的βt系数。与图2中的结果类似，民主党县在奥巴马总统选举后相对于共和党县的创业率有所增加，而在特朗普总统选举后共和党县的相对创业率有所增加。具体来说，2008年选举后，民主党县平均每个县每10万居民多出18家企业（占平均值的2.3%）；2016年选举后，共和党县平均每个县每10万居民多出35家企业（占平均值的3.5%）。选举效应的时间通常与个体层面的分析一致，除了在第-1季度的县级数据中有轻微的预期效应。这可能是由于不同地区对特朗普获胜可能性的感知不同。图5在图查看器中打开。

政治不匹配和新企业：民主党和共和党县。这个图的A和B面板绘制了方程（3）中民主党倾向指标与事件季度指标之间交互作用的系数，捕捉了这些县相对于共和党倾向县的创业率变化。C和D面板则使用“紫色”县作为被遗漏的组。结果变量是超额创业率：即一个县内19岁以上每10万人中新增注册企业的数量。紫色县是指在上一次选举中获胜优势小于10个百分点的县。事件季度0包括总统选举的月份及其后的两个月。例如，对于2016年选举，事件季度0是2016年11月到2017年1月。事件季度-2是被遗漏的时期。所有回归都控制了县固定效应、事件季度固定效应和县经济条件（每月失业率、人均年收入和按NAICS-2行业划分的年度就业份额）。回归按20岁及以上的县人口进行加权。标准误差按县进行聚类；90%置信区间。A和B面板的回归系数在互联网附录表IA.IX的列（1）和（2）中报告。[彩色图可以在wileyonlinelibrary.com查看]

C和D面板重复了之前的分析，但现在我们明确地比较了民主党和共和党倾向的县与政治分歧更大的县（所谓的“紫色县”），而不是相互比较，以探讨哪些地区在推动选举效应。我们将紫色县定义为在上一届选举中获胜优势小于10个百分点的县。两个面板都表明，县级选举效应是由共和党县驱动的：它们在2016年选举前后经历了创业活动的急剧增加，在2008年选举前后经历了急剧减少。这些结果通常与我们在图3中比较同一县内的个别共和党和民主党选民与独立选民时发现的结果相似，尤其是在2008年选举期间。个体层面和县级分析的幅度相似，但它们暗示了不同的效应大小。实际上，民主党和共和党县之间的平均差异为30个百分点的得票率，使得我们的估计是县从零变为100%民主党的效应的30%。考虑到这些规模差异，县级估计大约是个体层面估计的2.3倍（奥巴马选举）和4.9倍（特朗普选举）。县级效应幅度大于县级内（个体）效应幅度的原因至少有两个。第一个可能是共和党和民主党在县内的意识形态差异与它们在县间的差异不同。例如，阿拉巴马州谢尔比县的共和党和加利福尼亚州洛杉矶县的共和党可能有很大不同，因此在洛杉矶县的民主党和共和党之间的意识形态距离可能小于在同一县的民主党和共和党选民之间的差异。换句话说，地理可能是选民在意识形态谱系中位置的另一个信号。另一个可能是选举结果可能导致当地需求冲击，当地企业家会对这些地方冲击作出反应。为了探索这种可能性，我们使用基于公司名称的词标记方法将公司分类为两位数NAICS行业——详见互联网附录II。然后我们在图IA.7中作为事件研究比较了可贸易行业和不可贸易行业的创业反应。我们没有发现这两个行业之间的创业反应差异：效应大小相当，可贸易行业的效应可能略大。

B. 来自BLS数据的县级证据

接下来，我们使用劳工统计局（BLS）的季度就业和工资普查（QCEW）数据在县级评估政党变化选举的影响。该数据集提供了所有公司（即新公司和现有公司）在狭窄（六位数NAICS）行业内的季度就业和机构数据，这使我们能够吸收行业季度的变化，以便在县级更精确地进行识别。在图IA.8中，我们报告了2016年和2008年选举前后人均机构数量变化和就业增长率的事件研究DID系数。为了考虑季度数据的显著季节性，我们关注的是年度变化而不是水平变化。虽然在选举前第二年（在某些面板中）一些系数显著，但结果的整体模式与其他县级分析相似。在A和B面板中，我们关注人均机构数量。在奥巴马当选后的第二年，与人均企业数量的平均值相比，共和党控制的县区报告的企业数量比民主党控制的县区少8.1%。相比之下，在特朗普当选后的七个季度中，共和党控制的县区的人均企业数量平均增加了5%。当我们考虑就业增长时，也观察到了类似的模式：在奥巴马当选后，共和党控制的县区的就业增长平均每个季度下降了0.25个百分点；而在特朗普当选后的两年内，就业增长则平均每个季度增加了0.25个百分点。这项分析为政党选举效应提供了支持性证据，这些效应在政治地理区域乃至特定行业内部都表现出来。

我们的主要分析集中在新创业企业上，即创业活动的广泛影响。之前使用QCEW数据进行的分析同时考虑了新企业和现有企业。美国人口普查局（Census Bureau）的商业动态统计（BDS）数据使我们能够分别分析所有50个州加上哥伦比亚特区在县级层面的新企业和现有企业。具体来说，这些数据允许我们研究现有企业的扩张、收缩和消失如何与县区在选举期间的政治立场相互关联。BDS报告了每个县区的新企业和现有企业的数量、新开业和关闭的现有企业的数量，以及按企业年龄划分的就业创造率。

我们运行的回归方程为：
$$
Y_{ct}= \beta Mismatch_{ct} + \mathbf {\gamma ^{\prime }X_{ct}} + \alpha _c + \alpha _t + \epsilon _{ct},
$$
其中$Y_{ct}$是第$t$年县$c$的BDS数据中的感兴趣变量，$Mismatch_{it}$是一个指标，当县$c$的政治立场与第$t$年在任总统的政党不同时该指标等于1。我们包括了一个包含县级、随时间变化的变量向量$X_{ct}$，其中包含年度失业率、年度人均收入以及每个两位数NAICS行业的就业份额（不包括NAICS = 99），以控制经济条件和行业在该县的存在情况。对于现有企业，我们还包括了企业年龄的固定效应。我们还包括了县级固定效应$\alpha_c$和年度固定效应$\alpha_t$，以消除县区之间的持续差异以及商业动态的全国趋势。我们感兴趣的系数是$\beta$，它估计了与在任总统政党不匹配的县区与政治立场匹配的县区在商业动态上的平均差异。表VII报告了方程（4）的估计结果。第（1）列证实了我们在不同数据集中关于新企业的早期结果，并显示在政治立场不匹配的县区，每10万名县居民中的新企业数量大约比匹配的县区少5个，占结果平均值的2.9%。从经济规模来看，县区的政治立场不匹配与新企业创造之间的关系大约相当于当地失业率上升2.2个百分点。

该表格研究了2005年至2018年间，雇主企业的进入、退出、扩张和收缩与县区在政治上与在任总统立场不匹配之间的关系。“企业进入”指的是每年每10万名20岁及以上的县居民中的新企业数量，“企业开业”指的是现有企业中新开业的企业数量，“企业关闭”指的是现有企业中新关闭的企业数量，“企业死亡”指的是已经关闭所有企业的企业数量。“就业创造率”是指第$t$年新创造的就业岗位数量占第$t$年和$t-1$年平均就业岗位数量的百分比。“净就业创造率”是指第$t$年新创造的就业岗位数量与第$t$年和$t-1$年新销毁的就业岗位数量之间的差异占第$t$年和$t-1$年平均就业岗位数量的百分比。对于“就业创造率”和“净就业创造率”这两个结果，回归权重是第$t$年和$t-1$年的平均就业岗位数量；对于其他结果，回归权重是20岁及以上的县区人口数量。第（1）列和第（2）列控制了县级固定效应、年度固定效应以及县区经济条件（年度失业率、人均收入和NAICS-2行业的就业份额）。第（3）列至第（7）列用按年份划分的企业年龄固定效应替换了年度固定效应。标准误差按县区分组。***、**和*分别表示在1%、5%和10%的水平上显著。

转向边际效应，第（3）列至第（5）列显示，在政治上与在任总统立场不匹配的县区，企业开设的新企业数量较少（平均值的1%），关闭的企业数量较多（平均值的1.1%），企业死亡的数量也较多（平均值的1.4%）。这些商业动态对劳动力市场有影响，因为第（6）列中显示，在不匹配的县区，现有企业的净就业创造率（创造就业岗位数量减去销毁的就业岗位数量）比匹配的县区低0.33个百分点，相当于标准差的6%。综合新企业和现有企业的数据（第（7）列），政治上不匹配的县区的净就业创造率每年平均减少了0.32个百分点。总体而言，第（1）列和第（5）列的广泛影响意味着在政治上匹配的县区大约新增了82,000家雇主企业，而在不匹配的县区在13年内有超过10,000家雇主企业死亡。

IV. 政党创业者的预期
图2显示，在我们的事件研究中，创业反应几乎是即时的，可能在任何实际政策或经济变化发生之前就已经出现。这种即时性表明我们记录的结果是对变化的预期的反应，政治立场匹配的创业者预期从创业中获得的回报更高，这促使他们开始新的企业。在本节中，我们将进一步探讨这些预期。在IV.A部分，我们检验这些预期是否正确——实际的创业回报是否与这些预期相符。在其余的小节中，我们寻找关于预期与政策变化（第IV.B部分）和经济增长（第IV.C部分）相关的证据。

我们的证据表明，当选举产生了新当选的共和党总统时，共和党的创业活动相对于民主党会增加（反之亦然）。这种增加既体现在新企业的数量上（表III），也体现在现有企业的扩张上（表VII）。在本节中，我们探讨这些投资是否反映了创业回报的变化。换句话说，我们知道当共和党总统上任时，共和党相对于民主党会进行更多的投资。这可能是因为共和党人的预期是合理的，而且相对于民主党人来说，共和党创业的回报确实增加了。然而，也有可能政党预期存在偏差，选举后创业的相对回报并没有太大变化。为了测试政党更迭后的共和党或民主党企业表现是否不同，我们希望拥有类似Compustat的数据集来分析我们样本中的企业，这些企业几乎都是私有的。不幸的是，这样的数据集并不存在。作为替代，我们使用了Reference USA（Infogroup）提供的私营企业销售和就业数据（类似于Dunn & Bradstreet的数据集），以及Experian提供的个人收入数据，并将其与L2数据进行了匹配。在继续之前，我们注意到在选举后不久成立的企业不太可能是随机的。考虑到这一点，我们专注于在政党更迭选举之前成立的企业，以确定选举后民主党与共和党投资回报的变化。

图6展示了Reference USA的数据，表明在2008年和2016年选举之前成立的共和党和民主党企业如果在选举中获胜，似乎会在选举后雇佣更多的员工，但它们的生产率似乎没有差异。A和C面板显示，在奥巴马当选后，民主党企业的员工数量增加，在特朗普当选后减少。这一增加与我们在使用Census BDS数据时发现的结论一致：获胜党的创业者在选举后扩大了他们的企业，从而增加了投资。B和D面板则使用Reference USA数据集中唯一可用的指标——即每员工的销售额——来考虑这种投资的生产率。与假设“真正的创业回报没有变化”一致的是，在每次选举后的至少三年内，前存在的共和党和民主党企业的每员工销售额之间没有明显差异。表IA.VIII报告了相应的估计结果。

一个更直接的测试我们问题的方法是考虑投资的盈利能力（而不是每个员工的產业）。由于我们无法从Reference USA数据中构建盈利能力，我们使用了Experian提供的创业者收入数据。L2提供了从2015年开始的Experian数据，因此我们研究了2016年选举前后企业家的收入情况。如果特朗普当选后，共和党成立的企业相对于民主党成立的企业，投资回报确实增加了，我们预计这种更高的回报会平均体现在企业家的收入上。我们将样本限制在拥有“穿透实体”（即非 corporations）的企业家中，以最大化企业年收入流向企业主的可能性。表IA.VIII的第（5）列显示，在特朗普当选前后，民主党企业家相对于共和党企业家的收入没有减少的迹象。实际上，2016年后民主党企业家的收入略有增加，尽管增幅很小。这些分析提供的信息各有不同。Reference USA的优势在于它提供了企业雇员和销售额的数据，但没有成本数据，因此我们无法计算企业收入。Experian数据的优势在于我们有收入数据（而非销售额数据），但这些数据是创始人的收入，可能包括非商业收入。尽管如此，两种数据来源都指向了一个类似的结论：在选举结果之后，不同政党之间的创业回报没有差异。

B. 政策预期

企业主可能在政党赢得选举后立即创业的一个原因是他们预计新总统会实施偏向于他们党派的政策。例如，特朗普2017年的减税和就业法案设定了10,000美元的州和地方税收上限，这对蓝州的纳税人造成了不成比例的伤害，而2010年的平价医疗法案可能对民主党控制地区的益处大于共和党控制地区。我们通过在全球两个政策经常针对的领域——地理和行业——进行测试，来研究企业主的预期是否预见到了未来的政策。Mian、Sufi和Khoshkhou（2023年）的研究发现，在美国总统选举前后，县和州层面的税率、个人收入增长和转移支付几乎没有变化。此外，为了考察党派支持者的经济状况是否有所不同，他们使用了按邮政编码和月份划分的固定效应模型，假设同一邮政编码内的人受到相同的政府政策影响。同样，我们重新估计了方程（2），但增加了详细的地理-时间固定效应，例如通过同一人口普查区块组内民主党人和共和党人的差异来进行识别。如果政策是有针对性的，那么随着我们纳入这些固定效应，我们预计主要结果会发生变化。然而，我们发现几乎没有证据表明这种情况发生了。在表VIII中，我们逐步增加了更详细的地理-年份固定效应，从州层面（第（1）列）到人口普查区块组层面（第（5）列）。在这些不同的地理×年份固定效应下，各种点的估计值与主规格（第（2）列）中的估计值相似。互联网附录表IA.XI对政治活跃选民和捐赠者选民进行了同样的测试，得出了类似的结果。此外，如果政策因收入群体而异（例如税收政策），那么按邮政编码、人口普查区域或区块组划分的年份固定效应也会吸收这种差异。

表III第（1）列的稳健性检验在各种地理-年份固定效应下进行了测试。各规格与表III第（1）列相同，只是每列现在包含了一组不同的地理-年份固定效应。第（1）至（5）列分别包括州-年份、县-年份、邮政编码-年份、人口普查区域-年份和人口普查区块组-年份的固定效应。标准误差按县进行分组。***、**和*分别表示在1%、5%和10%的水平上显著。

转向行业方面，我们使用了第III.A节中介绍的分类方法，并根据Hassan等人（2019年）的研究，将行业按照政策敏感度分为三个层级。然后我们重新估计方程（2），但将因变量改为个体是否在某一政策敏感度层级行业内创业的指示器。表IX的第（1）至（3）列显示，政策敏感度较高的行业内的企业，政治不匹配效应通常更高，这表明对未来政策的预期可能影响了我们观察到的党派偏好型创业现象。然而，政策预期不能是唯一的驱动因素，因为低敏感度和中等敏感度的行业组的不匹配效应在经济和统计上都是显著的。此外，在互联网附录表IA.XII中，我们展示了样本中12个最人口众多的行业的估计结果。我们观察到几乎所有行业中的不匹配企业主都存在效应，包括根据Hassan等人（2019年）研究具有最低政策敏感度的零售业。我们的结果在不同行业间的稳健性也与当我们包括人口普查区块组×年份固定效应时，Mismatch估计值的数量上相似性一致（见表VIII）。后者可以理解为捕捉了一些行业×年份固定效应的变化，因为在我们的数据中，由同一人口普查区块组内两位随机选择的创始人创办的企业平均有25%的机会属于同一行业。

表VIII展示了在不同地理×年份固定效应下的稳健性检验结果。互联网附录表IA.XI对政治活跃选民和捐赠者选民进行了同样的测试，得出了类似的结果。此外，如果政策因收入群体而异（例如税收政策），那么按邮政编码、人口普查区域或区块组划分的年份固定效应也会吸收这种针对性。

表IX按行业展示了政治不匹配效应的异质性，通过考察个体在不同政治风险水平行业（第（1）至（3）列）以及在这些行业的县中创业的倾向（第（4）至（6）列）。例如，如果一个县的50%就业来自行业A，50%来自行业B，那么该县的敏感度就是A和B行业政治风险的加权平均值。“金融与保险”（NAICS 52）行业被排除在外。所有规格和变量定义均与表III第（1）列相同。***、**和*分别表示在1%、5%和10%的水平上显著。

转向行业，我们使用第III.A节中介绍的分类方法，并根据Hassan等人（2019年）的研究，将行业按照政策敏感度分为三个层级。然后我们重新估计方程（2），但将因变量改为个体是否在某一政策敏感度层级的行业内创业的指示器。表IX的第（1）至（3）列显示，政策敏感度较高的行业内的企业，政治不匹配效应通常更高，这表明对未来政策的预期可能影响了我们观察到的党派偏好型创业现象。然而，政策预期不能是唯一的驱动因素，因为低敏感度和中等敏感度的行业组的不匹配效应在经济学和统计学上都是显著的。此外，在互联网附录表IA.XII中，我们展示了样本中12个最人口众多的行业的估计结果。我们观察到，在几乎所有行业中，包括根据Hassan等人（2019年）研究具有最低政策敏感度的零售业，不匹配的企业主都存在效应。我们在不同行业间结果的稳健性也与我们的Mistmatch估计值在包括人口普查区块组×年份固定效应时数量上相似一致（见表VIII）。后者可以理解为捕捉到了一些行业×年份固定效应的变化，因为在我们的数据中，由同一人口普查区块组和同一年份内两位随机选择的创始人创办的企业平均有25%的概率属于同一行业。

表IX按行业展示了政治不匹配效应的异质性，通过考察个体在不同政治风险水平行业（第（1）至（3）列）以及在这些行业的县的就业加权政治风险较低、中等和较高的县（第（4）至（6）列）中创业的倾向。例如，如果一个县的50%就业来自行业A，50%来自行业B，那么该县的敏感度就是A和B行业政治风险的加权平均值。“金融与保险”（NAICS 52）行业被排除在外。所有规格和变量定义均与表III第（1）列相同。***、**和*分别表示在1%、5%和10%的水平上显著。

表IX的第（4）至（6）列展示了另一种衡量企业政策暴露程度的方法，这种方法不需要将每个企业分类到特定行业，允许我们使用整个样本。我们根据县的就业暴露程度将县分为三个层级，然后对每个县级子样本估计方程（2）。我们发现，低敏感度和中等敏感度的县也有明显的不匹配反应，而且中等敏感度县的反应与高敏感度县的反应没有区别。

C. 经济预期

选举后党派在创业方面的差异另一个潜在原因是党派对未来经济状况的信念存在分歧。例如，对未来经济持乐观态度的企业主可能会预期需求会更强劲，因此更有可能创业。同样，乐观的企业主可能认为他们有更可靠的安全网：如果他们的企业失败，他们可能会认为劳动力市场是一个更好的备选方案（例如，Barrios、Hochberg和Yi，2022年；Gottlieb、Townsend和Xu，2022年）。回想一下，图1的A面板显示，在政党更迭的总统选举后，经济预期出现了明显的党派差异。为了证明企业主中也存在类似的模式，我们使用了2008年至2016年盖洛普美国每日对1000名成年人的调查数据。我们关注2008年的总统选举，因为2016年后受访者数量大幅减少到每天只有30人。重要的是，受访者会说明他们的政党（38%是民主党人，37%是共和党人）以及他们是否是企业主（2%）。

在图1的B和C面板中，我们展示了受访者对经济和生活水平的预期，分别针对企业主和非企业主。B面板绘制了对“你如何评价当今国家的经济状况？”这一问题的平均回答。C面板绘制了选择“正在改善”这一回答的受访者比例，针对“目前，你感觉你的生活水平是在改善还是恶化？”这一问题。两个面板都显示，民主党企业主的乐观情绪（相对于共和党企业主）在2008年总统选举后上升，并在随后几年中保持强烈。此外，企业主的反应至少与非企业主一样强烈，甚至更高。回想一下表IV，我们记录的政治不匹配效应在男性中的幅度是女性中的两倍。在考察经济预期时，我们也发现男性的党派差异更大。具体来说，图7绘制了在巴拉克·奥巴马当选前后，盖洛普美国每日调查中男性和女性对问题的季度性党派差异。虽然在奥巴马2008年获胜之前，男性与共和党相比的差异大于女性，但在他的整个总统任期内，这一差异降低并保持在较低水平。

最后，虽然图1显示了全国范围内的党派乐观情绪波动，但大多数创业活动依赖于当地经济（例如，Schoar，2010年）。因此，如果经济预期驱动了党派创业，我们会预期那些经济增长与全国经济联系最紧密的地区受到政党更迭选举的影响最大，这些地区的党派创业者也对这些选举反应最强烈。这正是我们在表X中发现的，当我们根据各县GDP增长与全国GDP增长的相关性对个体进行排序并重新运行方程（2）时所得到的结果。效应大小随着地方与全国相关性的增加而单调增加。例如，估计的政治不匹配效应在相关性最低的四分位数中为平均值的1.6%，在最高四分位数中增加到3.7%。**GDP增长**

**第一**
**第二**
**第三**
**第四**

（1）
（2）
（3）
（4）

**不匹配**

?0.0060??$^{**}$
?0.0124???$^{***}$
?0.0145???$^{***}$
?0.0206???$^{***}$

（0.0030）
（0.0033）
（0.0036）
（0.0025）

**性别**

?0.1405???$^{***}$
?0.1651???$^{***}$
?0.1327???$^{***}$
?0.1841???$^{***}$

（0.0130）
（0.0149）
（0.0113）
（0.0109）

**男性**

0.3034???$^{***}**
0.3559???$^{***}**
0.3632???$^{***}**
0.5280???$^{***}$

（0.0182）
（0.0228）
（0.0330）
（0.0346）

**年龄 18?29**

?0.0188???$^{***}**
?0.0485???$^{***}**
?0.0376???$^{***}**
?0.0545???$^{***}$

（0.0066）
（0.0086）
（0.0127）
（0.0105）

**年龄 30?39**

0.2618???$^{***}**
0.2956???$^{***}**
0.2853???$^{***}**
0.4019???$^{***}$

（0.0176）
（0.0232）
（0.0252）
（0.0267）

**年龄 40?49**

0.2347???$^{***}$
0.2776???$^{***}**
0.2854???$^{***}**
0.3951???$^{***}$

（0.0144）
（0.0191）
（0.0252）
（0.0229）

**年龄 50?59**

0.1518???$^{***}**
0.1696???$^{***}**
0.1781???$^{***}**
0.2420???$^{***}$

（0.0089）
（0.0100）
（0.0162）
（0.0134）

**亚洲人**

0.1559???$^{***}**
0.1666???$^{***}**
0.2730???$^{***}**
0.2727???$^{***}$

（0.0224）
（0.0332）
（0.0533）
（0.0264）

**黑人**

?0.2270???$^{***}**
?0.1752???$^{***}$
?0.1006???$^{***}**
?0.1739???$^{***}$

（0.0386）
（0.0400）
（0.0229）
（0.0378）

**西班牙裔**

?0.2059???$^{***}**
?0.1962???$^{***}**
?0.2169???$^{***}**
?0.2228???$^{***}$

（0.0210）
（0.0193）
（0.0192）
（0.0433）

**不匹配百分比（平均值）**

1.56
2.76
3.34
3.65

**R2$R^2**

0.039
0.065
0.097
0.159

**结果平均值**

.383
.449
.435
.565

**观测数量**

35,914,427
51,788,941
80,490,173
158,934,454

**聚类数量（县）**

566
517
519
518

**县 × 年份固定效应**

Y
Y
Y
Y
Y

总体而言，我们发现了两种证据支持这样的假设：特定政党的经济预期推动了我们观察到的党派支持者之间的创业差异。在调查中，企业主的经济预期与我们的党派创业结果一致，当他们的政党执政时，企业主的预期更为乐观。我们在男性中发现了更强的调查证据，这与我们关于党派创业的实证证据相符。此外，我们在对国家经济增长最敏感的县中发现了最强的党派创业效应。

**结论**

本文记录了政治身份与创业之间的关系，控制了一系列其他特征后，共和党人在特定年份创业的可能性比民主党人多出26%以上。这种党派创业差距是随时间变化的，当共和党人控制总统职位时差距扩大，而当民主党人控制时差距缩小。我们的研究表明，当他们支持的政权掌权时，政治党的支持者会表现出显著的经济行为变化。因此，这些结果可能具有与以往研究不同的政策含义。大多数现有文献侧重于政治联系和政府资源的分配（例如，Fisman，2001；Faccio，2006；Robinson和Verdier，2013），政策建议旨在减少裙带关系和监管俘获。相比之下，我们记录的政派效应似乎是通过党派预期自然产生的。目前尚不清楚哪些政策措施最能缓解对失败党派支持的地区的经济抑制效应，或者这些政策是否会对福利有所帮助。最后，美国的政治两极分化在许多方面都在加剧（例如，Abramowitz和Saunders，2008；Gentzkow，Shapiro和Taddy，2019；Alesina，Miano和Stantcheva，2020）。如果两极分化继续加剧，政治身份在创业决策中的作用会变得更加重要吗？我们将这些问题留给未来的研究。

编辑：Antoinette Schoar, Urban Jermann, Leonid Kogan, Jonathan Lewellen, 和 Thomas Philippon。

1. 截至2016年，这33个州涵盖了美国69%的GDP。
2. 我们发现，与州长的党派不匹配也会影响创业的可能性，并且这种效应是累加的。换句话说，当一个人的党派与总统和州长的党派相同时，他们最有可能创业。
3. 公司更适合吸引投资者，更有可能成为雇主企业，不太可能被用作通道实体，而有限责任公司（LLC）则不然。
4. 关于财务限制，例如，可以参考Bertrand, Schoar和Thesmar（2007）；Kerr和Nanda（2009）；Chatterji和Seamans（2012）；Robb和Robinson（2014）；Kerr, Kerr和Nanda（2015）；Adelino, Schoar和Severino（2015）；Schmalz, Sraer和Thesmar（2017）；关于风险降低、培训和同伴效应，可以参考Gottlieb, Townsend和Xu（2022），Karlan和Valdivia（2011）；Drexler, Fischer和Schoar（2014）；Fairlie, Karlan和Zinman（2015）；Fehder和Hochberg（2021）；Lerner和Malmendier（2013）；以及Nanda和S?rensen（2010）。
5. 我们估计的政治不匹配效应范围从3%到10%。Zandberg（2021）表明，堕胎权利可获得性增加一个标准差可以预测女性成为企业家的概率相对增加5.9%。Hombert等人（2020）显示，在法国实施支持创业的失业保险改革后，新企业创建数量相比改革前增加了大约10%。最后，Barrios, Hochberg和Yi（2022）表明，通过提供失败时的备用选择，共享出行减少了3%到6%的创业活动。
6. 最近的论文将党派倾向与家庭决策联系起来，例如逃税、股票市场交易、退休投资和居住选择（Cullen, Turner和Washington，2021；Cookson, Engelberg和Mullins，2020；Addoum和Kumar，2016；Meeuwis等人，2022；Dahl, Lu和Mullins，2022；Bernstein等人，2022a；McCartney, Orellana-Li和Zhang，2024）。
7. 我们排除的职位包括：公司创始人、申请人、秘书、职员、财务主管、董事和普通合伙人。我们还包括律师和其他形式的注册代理人。我们进一步排除了在一年内出现在五个不同公司注册中的名称，因为这些人很可能没有实际操作角色。当我们不施加这些限制时，我们的结果在数量上仍然相似。79%的创始人拥有以下职位：总裁、经理（有限责任公司）、首席执行官、首席财务官、董事总经理、副总裁、所有者、组织者和成员。其余职位是特定于州的；例如，代理人是科罗拉多州和蒙大拿州唯一注册的职位。此外，我们随机选取了100家2017年成立的公司，我们可以识别出它们的在线存在并手动验证创始人的身份。我们在87个案例中确认被编码为创始人的个人确实是创始人，在10个案例中可能是创始人，在3个案例中不是创始人。
8. 互联网附录可以在《金融杂志》网站的在线版本中找到。
9. 这些州是：阿拉巴马州、阿拉斯加州、亚利桑那州、阿肯色州、加利福尼亚州、科罗拉多州、康涅狄格州、佛罗里达州、乔治亚州、夏威夷州、爱达荷州、印第安纳州、爱荷华州、肯塔基州、路易斯安那州、马萨诸塞州、明尼苏达州、密西西比州、密苏里州、蒙大拿州、新墨西哥州、俄亥俄州、俄勒冈州、宾夕法尼亚州、罗德岛州、田纳西州、德克萨斯州、犹他州、佛蒙特州、弗吉尼亚州、华盛顿州和怀俄明州。
10. 我们的样本中有43%的创业者来自这些州。L2的党派推断根据每个州的特点而有所不同。例如，在乔治亚州、印第安纳州和德克萨斯州等州，州政府提供选民参与党派初选的机制，L2利用这些初选来推断政治党派。然而，在明尼苏达州、密苏里州和蒙大拿州等州，州政府不提供表明可能党派归属的信息，L2根据它独立收集的特征来推断每个选民的党派。
11. L2数据受到政治竞选活动的重复测试。此外，学术论文也验证了选民文件中党派信息的准确性：Bernstein等人（2022a）通过将州文件中的党派信息与L2数据进行比较来验证L2党派的准确性，Brown和Enos（2021）进行了一项调查来验证L2党派，Pew（2018a）将选民文件数据与Pew全国调查的微观数据进行了比较。
12. 从2018年的选民文件开始，投票历史被附加到数据中，但对每个选民都是全面的。
13. 在一些州，选民在注册时报告他们的种族，但在其他州L2推断种族数据；有15%的回归样本缺少种族信息。Bernstein等人（2022a）使用HMDA验证了L2的种族数据的准确性。Pew（2018a）通过将其与他们的全国调查微观数据匹配，发现商业选民注册数据在种族方面的准确性很高。
14. 在样本构建中，我们不使用中间名（M.I.），因为与我们关注的33个SCP州中的只有45%的个人有记录在案的中间名不同，而且这一比例在各州之间从10%到60%不等。如果我们使用中间名进行匹配，那么对于那些仔细记录中间名的州的人来说，我们会设置更高的标准，而对于没有记录中间名的州的人来说也是如此。
15. 估计这种可能性需要关于未注册个体的假设。首先，我们假设注册和未注册个体的名字组合概率是相同的。其次，我们假设这些概率在各个地理区域是相同的。在这些假设下，我们使用二项式公式计算每个县中未注册个体的每种名字组合的概率。
16. 《时代》杂志2016年5月10日的文章《为什么女孩的名字如此多》。
17. 在两个数据集中都有中间名的个体，如果他们的中间名不匹配，实际上可能是同一个人。例如，婚姻有时会触发名字的变化，这些变化被记录为中间名。
18. 为了使估计值不偏向于零，我们需要匹配错误与党派倾向、创业概率以及选举结果相关联。我们还估计了县级结果，这些结果不需要任何匹配。
19. 有记录曾经创业的选民比例（4.6%）小于年创业率乘以样本年份数（0.5% × 13），因为连续创业者在多个年份创业。连续创业者占我们样本中所有创业者的18.4%（类似于Lafontaine和Shaw，2016年的研究）。
20. 在2008年选举前的12个月，共和党的乐观情绪有所下降，这表明人们对奥巴马候选人的胜利有一定预期。这与他在2008年选举前的预测市场中的领先地位一致。
21. 为了去除季节性影响，我们使用2004年（针对2008年选举）或2012年（针对2016年选举）的数据。我们在第II.D.2节中讨论了我们对季节性的稳健性。
22. 在我们考虑的个体特征中，只有年龄组可能是随时间变化的。为了计算上的可行性，我们将回归样本合并为完全饱和的县-党派-特征-月份单元格，并根据每个单元格中的个体数量对其进行加权（详见第I.C节）。
23. 图IA.I报告了图2的替代版本，这些版本使用了年度变化来考虑季节性，并提供了一个不进行季节性调整的版本。
24. 这个计算是通过将第1到第4季度的系数总和乘以三（将月平均值转换为季度总数），然后乘以美国人口的三分之一（假设民主党人、共和党和独立选民的比例相等），再除以100（将结果单位从pp调整为one）来获得的。
25. 为了计算上的可行性，我们在县-党派-特征-年份单元格级别上进行回归。我们根据每个单元格中的观察数量对其进行加权。
26. 互联网附录Figure IA.III绘制了活跃共和党人和民主党人的事件研究图表。2008年选举的效果对于活跃选民来说更强，2016年选举的效果也稍强。
27. 本质上，这个衡量指标——在Guzman和Stern（2020）中也称为创业质量指数——使用商业注册记录中可用的初创企业特征，如公司形式、管辖权、名称和知识产权，来创建样本外的估计，以预测实现股权结果的概率（即首次公开募股或收购）。这些估计具有很高的预测能力：质量分布前1%的初创企业占了36%的股权结果，前5%的初创企业占了所有样本股权结果的53%。
28. 我们发现的高质量企业的大型效应可能与增长型创业的周期性有关（Nanda和Rhodes-Kropf，2013；Howell等人，2020）。如果政治不匹配降低了创始人对未来资本可用性的预期，可能会导致以增长为导向的企业减少进入市场。
29. 在互联网附录Table IA.VII中，我们展示了公司（相对于其他初创企业法律形式）的成立对总统不匹配的响应，但对州长不匹配没有响应。这可能是因为公司规模更大，更注重增长，因此对全国经济的敏感度高于对地方经济的敏感度。
30. 我们匹配的特征是民主党人的比例，以及在每个党派内部，男性、西班牙裔、黑人、亚洲人和白人的比例。
31. 此外，在Figure IA.2中，我们展示了排除了多创始人的企业的事件研究估计。
32. 包括按季度固定的行业效应将吸收行业特定的季节性。然而，我们不能包括行业固定效应，因为样本中的绝大多数选民不会创业，而我们的分析是在进入门槛处的。换句话说，没有创业的人无法被归类到某个特定行业中。
我们注意到，在2006年中期选举中，民主党的胜利并没有引发显著的创业活动响应。
由于我们无法将这些州中的超过50%的企业分配到各个县，因此我们排除了密歇根州（MI）、内华达州（NV）、缅因州（ME）、阿拉巴马州（AL）和华盛顿特区（DC）（剩下45个州）。
如果我们使用共和党的投票份额来界定县的党派倾向，结果也不会受到影响。
在图IA.4中，我们采用另一种方法来考虑季节性因素，即通过比较当年的创业率与前一年同期的变化（同比变化）。结果非常相似。
互联网附录中的图IA.5以月度频率展示了相同的回归分析，并强烈支持了“平行趋势”假设。实际上，我们在图5中看到2016年选举时第四季度的系数略为负值，这完全是由选举前的那个月（2016年10月）的政治动荡所导致的——当时FBI局长科米就克林顿候选人的电子邮件问题致函国会。在另一项稳健性测试中，我们从方程（3）中移除了同期经济控制变量，得出了定量上相似的估计结果（图IA.6）。
我们使用这种词汇标记方法确定了样本中55%企业的所属行业。根据Mian和Sufi（2014年）以及Adelino、Ma和Robinson（2017年）的研究，我们将非贸易部门定义为零售贸易（两位数NAICS代码44-45）和住宿及食品服务（两位数NAICS代码72）。
由于BDS数据是以县-年度为单位提供的，我们无法纳入企业层面的控制变量。不过，我们确实像文中描述的那样加入了县层面的控制变量。请注意，即使排除同期经济控制变量，我们的结果仍然具有稳定性；详见表IA.X。
需要注意的是，净就业创造率是一个净值变量，其均值接近零，因此平均值作为基准并不合适——这就是为什么我们将估计值与标准差进行比较的原因。
尽管使用BDS数据得出的党派倾向对企业成立的相对影响与表III中的主要效应相似，但这些企业数量的总体估计值要小得多，因为BDS数据仅涵盖了雇主企业。
在计算这些数字时，我们做出了一个简化假设：共和党和民主党的县平均人口和/或就业水平相同。
我们将“现有”的SCP企业定义为那些在前一期之前成立的企业，即2008年选举期间是在2001年至2004年间成立的，2016年选举期间是在2009年至2012年间成立的。我们根据企业名称、地址和成立年份将它们与Reference USA数据库进行匹配，分别得到了2008年和2016年选举的57,000家和51,000家企业样本。
在标准竞争市场假设下，除非创业回报发生变化，否则增加雇佣并不会增加利润。然而，如果一家初创企业在选举前的边际收入等于边际成本，并且其面临的是向上倾斜的成本曲线，那么生产力与盈利能力是直接相关的。
平均而言，每个邮政编码区域有10,000人，每个普查区有4,000人，每个普查区块组有1,500人。
企业主不一定是企业创始人，但在盖洛普调查中，这几乎是可识别出的最接近企业家的群体。