Uncertainty and risk: A framework for understanding pricing in online drug markets
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: The pricing of illicit drugs is typically approached within the risks and prices framework. Recent sociological and economic studies of prices in online drug markets have stressed the centrality of reputation for price formation. In this paper, we propose an account of price formation that is based on the risks and prices framework, but also incorporates internal social organization to explain price variation. We assess the model empirically, and extend the current empirical literature by including payment methods and informal ranking as influences on drug pricing. METHODS: We apply our model to estimate the prices of cannabis, cocaine, and heroin in two online drug markets, cryptomarkets (n = 92.246). Using multilevel linear regression, we assess the influence of product qualities, reputation, payment methods, and informal ranking on price formation. RESULTS: We observe extensive quantity discounts varying across substances and countries, and find premia and discounts associated with product qualities. We find evidence of payment method price adjustment, but contrary to expectation we observe conflicting evidence concerning reputation and status. We assess the robustness of our findings concerning reputation by comparing our model to previous approaches and alternative specifications. CONCLUSION: We contribute to an emerging economic sociological approach to the study illicit markets by developing an account of price formation that incorporates cybercrime scholarship and the risks and prices framework. We find that prices in online drug markets reflect both external institutional constraint and internal social processes that reduce uncertainty.
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 | 0,001 |
| 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 | 0,000 |
| 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 découle