 Measuring Small Business Dynamics and Employment with Private-Sector Real-Time DataAndré Kurmann, Etienne Lalé (elale@yorku.ca) and Lien Ta CIRANO Working Papers from CIRANO Abstract: The COVID-19 pandemic has led to an explosion of research using private-sector datasets to measure business dynamics and employment in real-time. Yet questions remain about the representativeness of these datasets and how to distinguish business openings and closings from sample churn – i.e., sample entry of already operating businesses and sample exits of businesses that continue operating. This paper proposes new methods to address these issues and applies them to the case of Homebase, a real-time dataset of mostly small service-sector sector businesses that has been used extensively in the literature to study the effects of the pandemic. We match the Homebase establishment records with information on business activity from Safegraph, Google, and Facebook to assess the representativeness of the data and to estimate the probability of business closings and openings among sample exits and entries. We then exploit the high frequency / geographic detail of the data to study whether small service-sector businesses have been hit harder by the pandemic than larger firms, and the extent to which the Paycheck Protection Program (PPP) helped small businesses keep their workforce employed. We find that our real-time estimates of small business dynamics and employment during the pandemic are remarkably representative and closely fit population counterparts from administrative data that have recently become available. Distinguishing business closings and openings from sample churn is critical for these results. We also find that while employment by small businesses contracted more severely in the beginning of the pandemic than employment of larger businesses, it also recovered more strongly thereafter. In turn, our estimates suggests that the rapid rollout of PPP loans significantly mitigated the negative employment effects of the pandemic. Business closings and openings are a key driver for both results, thus underlining the importance of properly correcting for sample churn. La pandémie de COVID-19 a conduit à une explosion de la recherche utilisant des ensembles de données du secteur privé pour mesurer la dynamique des entreprises et l'emploi en temps réel. Plusieurs questions restent posées quant à la représentativité de ces ensembles de données et à la manière de distinguer les créations et les fermetures d'entreprises du roulement de l'échantillon - c'est-à-dire l'entrée dans l'échantillon d'entreprises déjà en activité et la sortie de l'échantillon d'entreprises qui continuent à fonctionner. Cet article propose de nouvelles méthodes pour résoudre ces problèmes et les applique au cas de Homebase, un ensemble de données en temps réel composé principalement de petites entreprises du secteur des services qui a été largement utilisé dans la littérature pour étudier les effets de la pandémie. Nous apparions les établissements présents dans les données de Homebase avec des informations sur l'activité commerciale provenant de Safegraph, Google et Facebook afin d'évaluer la représentativité des données et d'estimer la probabilité de fermetures et de créations d'entreprises parmi les sorties et les entrées de l'échantillon. Nous exploitons ensuite la haute fréquence et le détail géographique des données pour étudier si les petites entreprises du secteur des services ont été plus durement touchées par la pandémie que les grandes entreprises, et analyser les effets du programme de prêts d’urgence (Paycheck Protection Program, PPP) sur la survie et l’emploi des petites entreprises. Nous constatons que nos estimations en temps réel de la dynamique et de l'emploi des petites entreprises pendant la pandémie sont remarquablement représentatives et correspondent étroitement aux résultats obtenus à partir de données administratives qui sont devenues disponibles récemment. La distinction entre les fermetures et les créations d'entreprises et le renouvellement de l'échantillon est essentielle pour ces résultats. Nous constatons également que si l'emploi des petites entreprises s'est contracté plus fortement au début de la pandémie que celui des grandes entreprises, il s'est également rétabli plus rapidement par la suite. Par ailleurs, nos estimations suggèrent que le déploiement rapide des prêts du PPP a considérablement atténué les effets négatifs de la pandémie sur l'emploi. Les fermetures et créations d'entreprises sont un facteur clé pour ces deux résultats, soulignant ainsi l'importance de corriger correctement le taux de rotation de l'échantillon. Keywords: Economics of small and medium enterprises; Labor turnover; Sampling bias; Matched data; COVID-19; Sector policies; Economie des petites et moyennes entreprises; Rotation de la main d’œuvre; Biais d’échantillonnage; Données appariées; COVID-19; Politiques sectorielles (search for similar items in EconPapers) Downloads: (external link) Related works: Export reference: BibTeX RIS (EndNote, ProCite, RefMan) HTML/Text Persistent link: https://EconPapers.repec.org/RePEc:cir:cirwor:2022s-23 Access Statistics for this paper More papers in CIRANO Working Papers from CIRANO Contact information at EDIRC. |
Is your work missing from RePEc? Here is how to contribute.
Questions or problems? Check the EconPapers FAQ or send mail to econpapers@oru.se.
EconPapers is hosted by the
School of Business at Örebro University.