Narco‐Fish: Global fisheries and drug trafficking
Notice bibliographique
Résumé
Abstract This study analyses drug trafficking associated with fisheries around the globe. Records of vessel interdiction carried out between 2010 and 2017 suggest that the global trade of illicit drugs relies increasingly on fishing vessels. Fishery‐based trafficking is growing. A key obstacle to understanding the scope of this problem is the limited data on activities that are intentionally obscured, such as drug trafficking. Using a Fermi estimation technique for determining unknown values from limited data, we analyse 292 known cases of fishing boats engaged in drug shipment between 2010 and 2017. Results suggest that drug shipment sizes per vessel are becoming smaller over time, even as the total flow of drugs is increasing. Counter‐drug enforcement intensifies this effect, suggesting that drug trafficking networks adapt to interdiction efforts making use of smaller vessels to lower the risk of seizure. The use of fishing vessels in drug trans‐shipment has tripled over the past 8 years to about 15% of the global retail value of illicit drugs. Small‐scale fishers are at risk of turning to drug trade as an economic buffer against poverty, especially in contexts of mounting competition over declining fish stocks or strict marine conservation. At the same time, illicit capital flowing from the narcotics trade into fisheries may be driving over‐capitalization of fisheries and unsustainable resource use, ultimately to the detriment of resource‐dependent coastal communities and marine ecosystems. Future research is needed to better understand whether and how small‐scale fishermen turn to drug trade to counter livelihood risks of various kinds.
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 | 0,000 | 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 | 0,001 | 0,001 |
| Communication savante | 0,000 | 0,001 |
| Science ouverte | 0,000 | 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 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 ».