Debunking Lien Myths: Empirical Evidence for an Essential Tool in the Fight against Wage Theft
Notice bibliographique
Résumé
Wage lien laws have immense potential to help workers collect owed wages. Because liens can secure rights to property before full adjudication, workers can rest assured that real assets will exist should they prevail and scofflaw employers cannot easily hide assets from collections. Despite the proven usefulness of wage lien laws, opponents frequently argue that broad lien regimes would restrict credit.We use a difference in differences regression analysis to test this argument, using data from the US Small Business Administration 7(a) loan program. We look to two multistate metropolitan areas in the United States with divided wage lien regimes – Chicago and Washington DC. In each case, wage lien laws are permitted in one state (Wisconsin and Maryland, respectively) and not allowed in others (Illinois and Indiana for Chicago, Virginia for Washington).We test the argument against wage liens through regression analysis, looking at gross approvals and interest rates as a reflection of risk. We also aggregate observations by 4-digit NAICS code, by lending institution, and by ZIP postal code and reran regression analyses. The wage lien law treatment did not lower the gross approval amount of 7(a) loans in either market, and did not increase the interest rate faced by borrowers. Indeed, results, while mostly statistically insignificant, in some cases showed the opposite effect. Although these tests do not definitively prove that wage lien laws do not constrict credit flows to small businesses, they provide absolutely no evidence to support such an argument either. The findings thus support the position of advocates supporting wage lien laws as a common-sense tool in the arsenal against wage theft, while casting substantial doubt on oppositional claims against wage liens.AbstractThis article evaluates the impact on business access to credit of wage lien laws, which are an important tool for low-wage workers to reduce wage theft. Worker advocates have tried to expand access to wage liens. Opponents argue that wage liens negatively impact business access to credit. Using data from the Small Business Administration 7(a) loan program, one of the only detailed sources of business loan data, we assess whether lien laws affect business access to credit in two states—Wisconsin and Maryland—using a difference-in-differences framework. We find no evidence to support wage lien opponents’ claims that lien laws reduce credit access. The findings contribute to the understanding of wage liens and provide evidence in support of policies that protect workers.
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 machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,014 | 0,146 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,002 | 0,002 |
| Études des sciences et des technologies | 0,003 | 0,013 |
| Communication savante | 0,006 | 0,007 |
| Science ouverte | 0,002 | 0,003 |
| Intégrité de la recherche | 0,004 | 0,005 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,020 | 0,002 |
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 source (Gemma direct ou Codex distillé), 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 ».