Is It Whom You Know or What You Know? An Empirical Assessment of the Lobbying Process
Notice bibliographique
Résumé
What do lobbyists do? Some believe that lobbyists' main role is to provide issue-specific information and expertise to congressmen to help guide the law-making process. Others believe that lobbyists mainly provide the firms and other special interests they represent with access to politicians in their "circle of influence" and that this access is the be-all and end-all of how lobbyists affect the lawmaking process. This paper combines a descriptive analysis with more targeted testing to get inside the black box of the lobbying process and inform our understanding of the relative importance of these two views of lobbying. We exploit multiple sources of data covering the period 1999 to 2008, including: federal lobbying registration from the Senate Office of Public Records, Federal Election Commission reports, committee and subcommittee assignments for the 106th to 110th Congresses, and background information on individual lobbyists. A pure issue expertise view of lobbying does not fit the data well. Instead, maintaining connections to politicians appears central to what lobbyists do. In particular, we find that whom lobbyists are connected to (through political campaign donations) directly affects what they work on. More importantly, lobbyists appear to systematically switch issues as the politicians they were previously connected to switch committee assignments, hence following people they know rather than sticking to issues. We also find evidence that lobbyists that have issue expertise earn a premium, but we uncover that such a premium for lobbyists that have connections to many politicians and Members of Congress is considerably larger.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,002 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,001 |
| Communication savante | 0,001 | 0,002 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,000 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,002 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».