Illicit drug prices and quantity discounts: A comparison between a cryptomarket, social media, and police data
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
BACKGROUND: Illicit drugs are increasingly sold on cryptomarkets and on social media. Buyers and sellers perceive these online transactions as less risky than conventional street-level exchanges. Following the Risks & Prices framework, law enforcement is the largest cost component of illicit drug distribution. We examine whether prices on cryptomarkets are lower than prices on social media and prices reported by law enforcement on primarily offline markets. METHODS: Data consists of online advertisements for illicit drugs in Sweden in 2018, scraped from the cryptomarket Flugsvamp 2.0 (n = 826) and collected with digital ethnography on Facebook (n = 446). Observations are advertisements for herbal cannabis (n = 421), cannabis resin, hash (n = 594), and cocaine (n = 257) from 156 sellers. Prices are compared with estimates from Swedish police districts (n = 53). Three multilevel linear regression models are estimated, one for each drug type, comparing price levels and discount elasticities for each platform and between sellers on each platform. RESULTS: Price levels are similar on the two online platforms, but cocaine is slightly more expensive on social media. There are quantity discounts for all three drug types on both platforms with coefficients between -0.10 and -0.21. Despite the higher competition between sellers on cryptomarkets, prices are not lower compared to social media. Online price levels for hash and cocaine are similar to those reported by police at the 1 g level. CONCLUSION: Mean prices and quantity discounts are similar in the two online markets. This provides support for the notion that research on cryptomarkets can also inform drug market analysis in a broader sense. Online advertisements for drugs constitute a new detailed transaction-level data source for supply-side price information for research.
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 | 0,000 | 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 | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,001 |
| Science ouverte | 0,001 | 0,001 |
| 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