Optimal Regulation of Noncompete Contracts¶

作者: Liyan Shi
来源: Econometrica
主题: 经济理论 / 应用
相关性: 3/10
机构绿灯: Carnegie Mellon University（US News 前 50，免分进入精读）
链接: https://doi.org/10.3982/ecta18128

一、领域脉络与小综述¶

这个方向是什么¶

本文研究的是非竞争条款（noncompete clauses）的最优监管。根本的经济学问题是：在劳动力市场中，企业投资于员工的通用人力资本（general human capital），但员工离职后该资本会被竞争对手（未来雇主）无偿使用，导致企业投资激励不足。非竞争条款（员工离职后一段时间内不得为竞争对手工作）被企业用作一种“锁定”机制，以保护其投资。然而，这种条款也限制了员工的流动性和劳动力市场的效率。本文要解决的统计/经济问题是：如何设计最优的监管政策（例如，是否全面禁止、或设定何种限制），以在“鼓励企业投资”和“促进员工流动”之间实现社会最优的权衡。该子方向在劳动经济学和契约理论中已有较长的研究历史，但本文是首次在动态契约框架下，结合新颖的合同数据，对最优监管政策进行定量刻画。

发展脉络（history）¶

根据作者的引言和参考文献，该领域的发展脉络如下：

奠基工作：人力资本投资与“锁定”问题
- Becker (1964)：开创性地区分了通用人力资本（general human capital）和专用人力资本（specific human capital）。经典结论是：在完全竞争市场中，企业不会投资于通用人力资本，因为员工离职后企业无法收回投资。这为后续研究“锁定”机制（如非竞争条款）提供了理论基础。
- Hashimoto (1981)：在专用人力资本框架下，研究了企业与员工如何通过合同分享投资回报，并分析了最优的离职决策。这为理解合同如何解决投资激励问题提供了早期模型。
主要进展：非竞争条款作为“租金抽取”工具
- Pakes & Nitzan (1983)：首次将非竞争条款建模为企业从未来雇主那里抽取租金（rent extraction）的工具。他们指出，企业通过非竞争条款，在员工离职时要求未来雇主支付“买断费”（buyout payment），这相当于对劳动力市场中的“创新”或“人才”征税，导致社会层面的过度租金抽取。
- Garmaise (2011)：利用美国各州非竞争条款可执行性（enforceability）的差异，进行了实证研究。他发现，更强的非竞争条款执行会降低高管流动性、减少企业投资（尤其是研发投资），并抑制新企业的进入。这篇论文为“非竞争条款阻碍劳动力市场效率”提供了关键的实证证据，是本文的重要实证背景。
- Starr, Prescott & Bishara (2021)：通过大规模调查，提供了关于非竞争条款使用频率和范围的更全面证据。他们发现，非竞争条款不仅限于高管，也广泛应用于低薪工人，且许多条款在法律上可能无法执行。这进一步凸显了监管的必要性。
当前 Frontier：动态契约与最优监管
- Acemoglu & Pischke (1999)：在“压缩工资结构”（compressed wage structure）的框架下，解释了为什么企业在不完全竞争市场中也会投资于通用人力资本。他们指出，由于信息不对称或搜寻摩擦，员工的工资增长低于其边际产品增长，这使得企业能够从通用人力资本投资中获利。这为理解非竞争条款的“投资激励”功能提供了更丰富的视角。
- 本文 (Shi, 2024)：作者在在职搜索（on-the-job search） 的框架下，构建了一个动态工资合同模型，其中非竞争条款被内生化。核心贡献是：① 首次在动态契约中刻画了非竞争条款如何被用于“租金抽取”，并证明了这种抽取在社会层面是过度的；② 推导出了最优监管政策的特征（例如，对买断支付设定上限）；③ 利用一份新颖的合同数据集（管理劳动力市场），对最优政策进行了定量校准，发现其数量上接近于全面禁止。本文的位置是：将理论模型从静态/两期拓展到动态，并首次提供了最优政策的定量估计。

子线索聚类¶

这些被引文献大致落在两条子线索上：

线索一：理论模型（契约理论）：侧重于构建数学模型，分析非竞争条款在解决投资激励问题中的作用，以及其对社会福利的影响。代表工作：Becker (1964), Hashimoto (1981), Pakes & Nitzan (1983), Acemoglu & Pischke (1999)。这一簇的核心问题是：在什么条件下，非竞争条款是有效率的？其租金抽取效应何时会超过投资激励效应？
线索二：实证研究（劳动经济学）：侧重于利用数据（如州际法律差异、企业合同数据）来估计非竞争条款的实际影响。代表工作：Garmaise (2011), Starr, Prescott & Bishara (2021)。这一簇的核心问题是：非竞争条款对员工流动性、企业投资、工资水平、创业活动等可观测结果有何量化影响？

这个方向在追问的核心问题¶

效率权衡：非竞争条款在“保护企业投资”和“限制员工流动”之间的效率权衡，其社会最优边界在哪里？是否存在一个“黄金区间”？
租金抽取的量化：企业通过非竞争条款从未来雇主那里抽取的租金，其规模有多大？这种抽取在多大程度上是“过度”的？
最优监管政策的形式：最优监管政策是“全面禁止”、“部分限制”（如设定买断支付上限、缩短期限、限制适用范围），还是“不干预”？其具体参数如何设定？
异质性：最优监管政策是否因行业、职业、员工技能水平、企业类型而异？例如，对高管和低薪工人是否应区别对待？

当前主流方法与已知瓶颈：主流方法包括静态/两期契约模型和基于州际差异的实证研究。瓶颈在于：① 静态模型无法捕捉在职搜索的动态性，以及合同随时间的演变；② 基于州际差异的实证研究面临内生性问题（例如，法律变化可能与企业/员工特征相关），且难以直接估计“最优”政策；③ 缺乏关于合同条款（如买断支付金额）的微观数据，使得理论模型的校准和验证困难。

⚠️ 作者的 framing¶

作者把缺口 frame 成什么：作者将现有文献的缺口 frame 为：① 缺乏一个动态框架来理解非竞争条款的租金抽取机制；② 缺乏对最优监管政策的定量刻画。因此，本文的贡献是“首次在动态在职搜索模型中刻画最优监管，并利用新颖的合同数据进行定量应用”。
哪些竞争路线被他淡化或回避了：作者淡化了不完全信息和议价能力的作用。在模型中，企业和员工在签约时对未来生产率有完全信息，且工资由企业单方面提出（take-it-or-leave-it offer）。现实中，信息不对称（如员工对自身未来生产率的了解）和议价能力差异（如工会）会显著影响合同条款和监管效果。作者在脚注中承认了这一点，但未将其纳入核心模型。
什么明显该被引 / 该存在、却没出现在 intro 里？：作者没有引用关于最优劳动市场管制的更一般性文献，例如关于“效率工资”、“最低工资”、“解雇保护”等政策的设计。这些文献探讨了类似的权衡（保护 vs. 效率），但未聚焦于非竞争条款。此外，关于搜寻与匹配模型中“合同”作用的经典文献（如 Mortensen & Pissarides (1994) 的后续拓展）也未提及。这可能是作者有意聚焦于“动态工资合同”这一特定分支。

张力¶

未见明显对立引用。文献的共识是：非竞争条款既有投资激励作用，也有租金抽取和效率损失。争议点在于净效应的大小，以及最优政策是否应为全面禁止。本文的结论（最优政策接近全面禁止）为“禁止派”提供了新的定量证据，但作者也指出，在模型中，全面禁止并非严格最优，只是数量上接近。

二、最核心、最简单的例子 / 数学问题¶

第一步：把符号、模型、可观测数据交代清楚¶

符号：
- t：时间，离散或连续。本文使用连续时间。
- y：工人的产出（生产率）。是随机变量。
- w：工人的工资。
- k：企业投资的通用人力资本水平。k 是成本，也是工人未来生产率的提升。
- b：买断支付（buyout payment）。当工人离职去竞争对手时，原雇主从新雇主那里获得的支付。这是非竞争条款的核心。
- δ：非竞争条款的可执行性（enforceability）。δ ∈ [0,1]，δ=1 表示完全可执行（新雇主必须支付 b），δ=0 表示完全不可执行（新雇主无需支付）。
- V：工人的价值函数（在给定合同下的期望效用）。
- J：企业的价值函数（从雇佣工人中获得的期望利润）。
- S：社会总剩余（工人效用 + 企业利润）。
- θ：劳动力市场紧度（labor market tightness），衡量工人找到新工作的难易程度。
- λ：工人收到外部工作机会的泊松到达率。
- α：工人离职后，新雇主与原雇主之间的议价能力参数。
模型：
- 数据生成机制：这是一个在职搜索模型。工人当前受雇于一家企业，同时以泊松速率 λ 收到来自其他企业的外部工作机会。每个工作机会对应一个生产率 y，从某个分布 F(y) 中抽取。
- 合同：企业与工人签订一份动态工资合同。合同规定了：① 工资 w 如何随时间变化（可能依赖于工人的产出和外部机会）；② 非竞争条款的强度，即买断支付 b 和可执行性 δ。企业可以单方面提出合同（take-it-or-leave-it offer）。
- 投资：企业在雇佣工人时，可以选择投资 k 于工人的通用人力资本。投资成本为 c(k)（凸函数）。投资后，工人的生产率永久性地提升 k。
- 离职与租金抽取：当工人收到一个更好的外部工作机会时，他可以选择离职。如果非竞争条款可执行（δ>0），新雇主必须向原雇主支付买断费 b。这个 b 就是原雇主从新雇主那里抽取的租金。
- 社会最优：社会计划者（social planner）的目标是最大化社会总剩余 S，即工人终身期望效用与企业期望利润之和。社会计划者可以选择投资水平 k 和离职决策，但无法直接控制工资和买断支付。
可观测数据：
- 研究者实际能观测到的是什么：在本文的应用中，研究者使用了一份来自管理劳动力市场的新颖合同数据集。该数据集包含了：
  - 高管（经理）的工资和奖金。
  - 合同中是否包含非竞争条款。
  - 合同中的买断支付金额（如果非竞争条款被触发）。
  - 高管的离职和跳槽记录。
  - 企业的投资（如研发支出）和产出。
- 哪些是潜在/不可观测：
  - 工人的潜在生产率（如果没有投资 k 时的生产率）。
  - 工人收到的外部工作机会的分布 F(y)。
  - 企业的投资成本函数 c(k)。
  - 劳动力市场的搜寻摩擦参数（如 λ, θ）。
  - 企业与工人之间的议价能力参数 α。
- 识别策略：作者利用合同数据中的买断支付和工资信息，结合模型的结构，来反推（calibrate/estimate）这些不可观测的参数。例如，通过观察不同可执行性 δ 下的工资和买断支付，可以识别出企业的投资激励和租金抽取行为。

第二步：讲最小内核¶

本文的核心思路可以用一个两期、无搜寻摩擦、单一工人-企业匹配的简化模型来理解。这个最小内核剥离了动态在职搜索的复杂性，直接聚焦于“租金抽取”和“投资激励”的权衡。

最简特例：
- 时间：两期（t=1, 2）。
- 工人：一个工人，在第一期受雇于企业 A，第二期可能离职去企业 B。
- 企业：两个企业，A 和 B。企业 A 在第一期投资 k，成本为 c(k) = k^2/2。
- 生产率：工人的基础生产率为 y_0。投资后，第一期的生产率为 y_0 + k。第二期，如果工人留在 A，生产率为 y_0 + k；如果去 B，生产率为 y_0 + k + ε，其中 ε 是随机冲击（代表外部机会的质量），服从分布 G(ε)，均值为 0。
- 合同：企业 A 在第一期提供合同，包含工资 w_1 和买断支付 b。如果工人第二期离职去 B，B 必须向 A 支付 b。假设非竞争条款完全可执行（δ=1）。
- 议价：第二期，如果工人收到外部机会 ε，他可以选择离职。离职后，新雇主 B 的利润为 (y_0 + k + ε) - w_2 - b，其中 w_2 是 B 支付给工人的工资。假设 B 和工人通过纳什议价（Nash bargaining）分享剩余，工人获得份额 α，B 获得份额 1-α。因此，工人的第二期工资为 w_2 = α(y_0 + k + ε - b)。
- 社会最优：社会计划者选择投资 k 和离职决策（即，当 ε 大于某个阈值时允许离职），以最大化两期总剩余 S = (y_0 + k - c(k)) + E[max{ y_0 + k, y_0 + k + ε }]。这里，第一项是第一期剩余（产出减投资），第二项是第二期剩余（工人留在 A 或去 B 的期望产出）。社会最优的离职阈值是 ε > 0（即，只要外部机会更好，就应该离职）。
核心思路：
1. 企业 A 的决策：企业 A 选择 k 和 b 来最大化其两期总利润 π_A = (y_0 + k - w_1 - c(k)) + E[ b * I(ε > ε*)]，其中 I(ε > ε*) 是工人离职的指示函数，ε* 是工人离职的阈值（由 w_2 和 b 决定）。
2. 租金抽取：企业 A 通过设定 b 来从企业 B 那里抽取租金。当 b 增加时，B 的利润下降，因此 B 愿意支付的工资 w_2 也下降（因为 w_2 = α(y_0 + k + ε - b)）。这导致工人离职的激励下降（因为去 B 的净收益 w_2 - (y_0 + k) 变小了）。因此，b 起到了“锁定”工人的作用。
3. 过度投资 vs. 投资不足：社会最优要求投资 k 使得边际社会收益等于边际成本。但在分散决策中，企业 A 的投资决策受到两个扭曲的影响：
  - 投资激励：投资 k 提高了工人的生产率，从而增加了企业 A 的利润（通过 y_0 + k）和从 B 那里抽取的租金（因为 b 可以基于更高的 k 来设定）。这可能导致过度投资（相对于社会最优）。
  - 租金抽取的扭曲：企业 A 的租金抽取行为（设定 b）降低了工人离职的效率。工人可能因为 b 太高而放弃一个社会有效率的离职（ε > 0 但 w_2 < y_0 + k）。这导致投资不足（因为企业 A 无法通过投资来完全内部化社会收益）。
4. 最优监管：监管者（社会计划者）可以限制 b 的上限（例如，设定 b ≤ b_max）。通过降低 b，监管者可以：
  - 减少租金抽取，提高工人流动性。
  - 降低企业 A 的投资激励（因为从 B 那里抽取的租金变少了）。
  - 但同时也可能减少企业 A 的投资，从而降低社会总产出。
5. 结论：在本文的完整动态模型中，作者证明，由于租金抽取的扭曲效应占主导，社会最优的 b 远低于企业 A 私下选择的 b。在定量应用中，最优的 b 接近于 0，即全面禁止非竞争条款。

这个最小内核清晰地展示了本文的核心数学困难：在动态契约中，如何刻画企业通过非竞争条款进行租金抽取的机制，并证明这种抽取在社会层面是过度的，从而为最优监管（限制买断支付）提供理论基础。

三、这篇论文做了什么¶

三句话¶

研究了什么问题：本文研究了在动态在职搜索模型中，非竞争条款的最优监管问题，旨在量化“保护企业投资”与“促进员工流动”之间的效率权衡。
核心工具/方法：构建了一个连续时间、在职搜索、动态工资合同的结构模型，并利用新颖的管理劳动力市场合同数据集，通过模拟矩估计（SMM） 方法校准模型参数，进而模拟最优监管政策的效果。
主要结论：企业通过非竞争条款从未来雇主那里抽取的租金在社会层面是过度的；最优监管政策是限制买断支付，且在定量上接近于全面禁止非竞争条款。

关键设定与假设¶

在第二节最小记号的基础上，补全完整设定：

模型设定：
- 连续时间：时间 t ∈ [0, ∞)。
- 工人：风险中性，无限寿命，贴现率为 r。工人当前受雇于一家企业，同时以泊松速率 λ 收到外部工作机会。每个机会对应一个生产率 y，从分布 F(y) 中独立同分布抽取。
- 企业：风险中性，无限寿命，贴现率为 r。企业可以雇佣无限数量的工人（规模报酬不变）。企业投资 k 于工人的通用人力资本，成本为 c(k) = k^2/2。
- 合同：企业提供一份动态工资合同。合同由两部分组成：① 一个工资路径 w(t)，可以依赖于工人的产出历史和外部机会；② 一个非竞争条款，由买断支付 b 和可执行性 δ 刻画。合同是完全承诺的（企业不能单方面更改）。
- 离职与租金抽取：当工人收到外部机会 y' 时，他可以选择离职。如果离职，新雇主必须向原雇主支付 δ * b（如果 δ=1，则支付全额 b）。新雇主和工人通过纳什议价分享剩余，工人获得份额 α。
- 均衡：本文求解的是马尔可夫完美均衡（Markov Perfect Equilibrium），其中企业的策略（投资、合同设计）和工人的策略（离职决策）只依赖于当前的状态（如工人的当前生产率、外部机会的分布）。
关键假设：
- 完全信息：企业和工人在签约时对未来生产率分布 F(y) 和搜寻参数 λ 有完全信息。没有信息不对称。
- 企业单方面提出合同：工人只能接受或拒绝企业提出的合同，没有议价能力。这简化了模型，但可能高估了企业的租金抽取能力。
- 通用人力资本：投资 k 完全通用，即它同等程度地提高工人在所有企业的生产率。这排除了专用人力资本的情况。
- 线性生产函数：工人的产出等于其生产率 y。没有团队生产或互补性。
- 外生搜寻：工人收到外部工作机会的速率 λ 是外生的，不受企业投资或合同的影响。这简化了模型，但忽略了企业可能通过投资来影响工人搜寻行为的可能性。
相比已有文献的放宽或强化：
- 放宽：相比静态/两期模型（如 Pakes & Nitzan, 1983），本文允许合同随时间动态调整，工人可以多次跳槽，更贴近现实。
- 强化：相比基于州际差异的实证研究（如 Garmaise, 2011），本文通过结构模型，可以明确区分“投资激励效应”和“租金抽取效应”，并直接估计最优政策。但代价是模型假设更强。

主要结果¶

本文的主要结果是理论刻画和定量应用两部分。

理论结果（命题 1-3）：
- 命题 1（均衡合同的特征）：在均衡中，企业提供的合同具有以下特征：① 工资 w 是工人当前生产率 y 的增函数，但低于其边际产品（w < y），因为企业需要回收投资成本；② 买断支付 b 是工人当前生产率 y 的增函数，且 b > 0；③ 工人离职的阈值 y* 高于社会最优的阈值（即，工人离职过少）。
- 命题 2（租金抽取的过度性）：企业私下选择的买断支付 b 高于社会最优的 b*。这是因为企业只考虑自己的利润，而忽略了租金抽取对工人流动性和新雇主投资激励的负面影响。社会计划者会选择一个更低的 b 来促进效率。
- 命题 3（最优监管政策）：最优监管政策是对买断支付设定一个上限 b_max。这个上限低于均衡中的 b，并且随着搜寻摩擦 λ 的增加而降低（因为搜寻摩擦越大，工人越容易被锁定，租金抽取的扭曲效应越强）。
定量结果（应用部分）：
- 数据：使用一份来自管理劳动力市场的新颖合同数据集，包含约 10,000 份高管合同，记录了工资、奖金、非竞争条款和买断支付。
- 校准方法：采用模拟矩估计（SMM），选择一组矩条件（如平均工资、工资方差、离职率、买断支付均值等），使模型模拟的矩与数据中的矩相匹配。
- 核心量化结论：
  - 基准校准：模型能够很好地拟合数据中的关键矩。估计得到的搜寻参数 λ 和议价能力参数 α 在合理范围内。
  - 反事实模拟：模拟了三种政策场景：① 现状（无监管，δ=1）；② 全面禁止（δ=0，即非竞争条款不可执行）；③ 最优监管（设定最优的 b_max）。
  - 结果：
    - 与现状相比，全面禁止使工人平均工资提高约 5%，企业投资下降约 10%，但社会总福利（工人效用 + 企业利润）提高约 2%。
    - 最优监管的效果与全面禁止非常接近：社会总福利提高约 1.8%，最优的 b_max 非常接近于 0。作者因此得出结论：最优政策在数量上接近于全面禁止。
- 稳健性检验：作者对关键参数（如搜寻摩擦 λ、投资成本函数 c(k) 的凸性）进行了敏感性分析，发现主要结论（最优政策接近全面禁止）是稳健的。

证明路线与技术技巧¶

整体路线：
1. 求解均衡合同：首先，在给定劳动力市场条件（λ, F(y)）下，求解企业的最优合同设计问题。这是一个动态规划问题，需要求解企业的价值函数 J(y) 和工人的价值函数 V(y)。作者利用汉密尔顿-雅可比-贝尔曼（HJB）方程来刻画价值函数的动态。
2. 刻画均衡：在均衡中，所有企业都采用相同的合同策略，且工人的离职决策与企业的合同设计一致。作者通过求解一个不动点问题来得到均衡的工资函数 w(y) 和买断支付函数 b(y)。
3. 比较静态与最优监管：在得到均衡后，作者分析外生参数（如 λ, δ）的变化如何影响均衡结果。然后，引入社会计划者的问题，求解最优的 b_max。社会计划者的目标函数是最大化社会总剩余 S，其约束是企业的均衡行为（即，给定 b_max，企业会如何调整其合同）。
4. 定量应用：将模型离散化，使用 SMM 进行校准，然后进行反事实模拟。
关键跳跃点：
- 从个体最优到均衡：最大的难点在于，企业的合同设计会影响工人的离职决策，而工人的离职决策又反过来影响企业的投资激励和合同设计。这是一个循环依赖问题。作者通过假设一个对称均衡（所有企业相同）来简化问题，并利用值函数迭代（value function iteration）算法来数值求解均衡。
- 租金抽取的过度性证明：证明企业私下选择的 b 高于社会最优的 b* 是理论部分的核心。作者通过比较企业和社会计划者的一阶条件来证明这一点。企业的 FOC 只包含其自身利润的边际收益和边际成本，而社会计划者的 FOC 还包含了租金抽取对工人流动性和新雇主利润的外部性。通过比较这两个 FOC，可以证明 b > b*。
技术技巧点名：
- 动态规划 / HJB 方程：用于求解企业和工人的价值函数，是处理连续时间动态契约问题的标准工具。
- 不动点定理：用于证明均衡的存在性和唯一性。
- 模拟矩估计（SMM）：用于校准模型参数，是结构估计的常用方法。
- 反事实模拟：用于评估不同政策的效果，是政策分析的核心工具。

真实例子与应用¶

用的什么数据/场景：管理劳动力市场（managerial labor market），具体是美国上市公司高管的合同数据。数据集来自一家名为 Equilar 的数据提供商，包含了约 10,000 份高管雇佣合同，时间跨度约为 2000-2015 年。
怎么把本文方法用上去：作者首先从数据中提取关键矩（如平均工资、工资方差、离职率、买断支付均值、买断支付与工资的比率等）。然后，将模型离散化（将连续时间模型转化为离散时间近似），并编写程序模拟模型在给定参数下的行为。接着，使用 SMM 算法，通过最小化模拟矩与数据矩之间的加权距离，来估计模型的结构参数（如 λ, α, c(k) 的参数等）。
得到什么结果：如上所述，校准后的模型能够很好地拟合数据。反事实模拟显示，全面禁止非竞争条款或实施接近全面禁止的最优监管，可以小幅提高社会总福利（约 2%），主要来自工人工资的提高。
这个例子想说明什么：这个例子旨在验证理论模型的有效性（模型能拟合真实数据），并展示理论结果的政策相关性（最优政策在定量上接近全面禁止，为政策制定者提供了具体的量化依据）。它表明，即使在管理劳动力市场（通常认为非竞争条款对保护企业投资很重要）中，租金抽取的负面效应也占主导，使得全面禁止成为接近最优的选择。

🔎 结论是否比证明窄¶

结论比证明窄的地方：作者在理论部分（命题 2）严格证明了，在模型假设下，企业私下选择的买断支付 b 高于社会最优的 b*。然而，在定量应用中，作者只对管理劳动力市场这一特定场景进行了校准。作者在结论中声称“最优政策在数量上接近于全面禁止”，这个结论严格依赖于该特定场景的校准结果。对于其他行业（如科技行业、低薪服务业），由于搜寻摩擦、投资成本、议价能力等参数不同，最优政策可能并非接近全面禁止。作者在文中也承认了这一点，指出“结果可能因行业而异”。
泛化的 claim：作者在摘要和引言中使用了“最优监管政策”这一泛化表述，但严格来说，本文只证明了在管理劳动力市场这一特定应用下，最优政策接近全面禁止。这是一个定量结论，而非一个普遍的理论定理。读者应注意到，本文的理论贡献（租金抽取的过度性）是普遍的，但定量结论（接近全面禁止）是场景依赖的。

四、开放问题¶

异质性行业的最优政策：本文的定量结论仅适用于管理劳动力市场。对于科技行业（投资强度高、搜寻摩擦大）或低薪服务业（投资强度低、搜寻摩擦小），最优监管政策是否仍接近全面禁止？这需要针对不同行业进行类似的校准研究。扎根于本文的“应用”部分，作者明确提到“结果可能因行业而异”。
不完全信息与议价能力：本文假设完全信息和企业单方面提出合同。如果引入信息不对称（如工人对自身未来生产率有私人信息）或工人议价能力，最优监管政策会如何变化？例如，更强的工人议价能力可能会削弱企业的租金抽取能力，从而降低监管的必要性。扎根于本文的“模型设定”部分，作者在脚注中承认了这些假设的局限性。
动态监管与学习：本文考虑的是静态的最优监管政策（设定一个固定的 b_max）。如果监管者可以动态调整政策（例如，根据市场条件的变化），或者企业可以学习监管者的政策并做出反应，最优政策会如何设计？这需要将模型拓展到动态博弈框架。扎根于本文的“结论”部分，作者没有讨论动态监管的可能性。
合同数据的更广泛应用：本文使用的新颖合同数据集（Equilar）主要覆盖高管。如果能获得更广泛的合同数据（如涵盖不同行业、不同职位的工人），就可以对模型进行更全面的校准，并检验理论预测的普适性。这属于数据层面的开放问题。扎根于本文的“数据”部分，作者指出了数据的局限性。

Maintained by 陈星宇 · Homepage · Source on GitHub