Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
Purpose This paper aims to analyze drug counterfeiting, explains its risk factors and operating and legal environments reviews recent legal cases and develops a multi-stakeholder prevention strategy that includes forensic accounting methods. Design/methodology/approach This is a theoretical study based on legal case studies and the best forensic accounting strategies. Findings Pharmaceutical drug counterfeiting is a fast-growing fraud that so far has attracted little attention from forensic accountants. A recent estimate projects that criminals collect around $75bn annually in illicit sales from counterfeit drugs (Bairu, 2015). Pharmaceutical counterfeiting also leads to the loss of lives when criminals use lethal chemicals in the manufacturing of fake medicines (Liang, 2006a; Brown, 2005). Because the detection of drug counterfeiting is extremely difficult after fake medicines have been ingested by patients, the strategy developed in this paper is based on early discovery by using reliable tracking technologies and inventory management controls in the supply chain, conducting effective regulatory and legitimate customs inspections, and increasing consumer awareness of basic forensic accounting tools. Research limitations/implications This paper extends previous research by integrating various factors into a single multi-stakeholder prevention framework. Practical implications The paper presents a synthesized, comprehensive view of the drug fraud epidemic and analyzes concrete steps that can be taken to protect the pharmaceutical supply chain to reduce the loss of lives and monetary injuries. Originality/value No previous research has analyzed this issue from a multi-stakeholder point of view and used forensic accounting tools to complement a prevention strategy. The drug counterfeiting prevention strategy developed in this paper addresses the supply side, the regulatory enforcement side and the demand side.
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.
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 | 0,001 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,001 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 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 découle