Prices and Purchase Sources for Dried Cannabis Flower in the United States, 2019–2020
Notice bibliographique
Résumé
Introduction: The price of cannabis has major implications for public health, public safety, social equity, and government revenues. This article examines prices and sources of purchased dried cannabis flower among consumers facing different state laws in the United States. Methods: Repeat cross-sectional survey data were collected from the International Cannabis Policy Study in 2019 and 2020. U.S. respondents were recruited through online commercial panels, ages 16–65, and purchased dried flower in the past year ( n =9766). Weighted binary logistic regression models examined legal purchasing in states that had legalized recreational cannabis. Results: Compared with respondents in states with recreational stores, respondents living in “illegal,” “medical,” and “recreational” states without stores were associated with paying a higher unit price of dried flower (+20.5%, +23.6%, +27.4%, respectively; all p <0.05). The majority of respondents in states with recreational stores last purchased from stores/dispensaries (2019: 66.6%; 2020: 62.0%) and the odds of purchasing legally was greater with each additional year after stores opened (adjusted odds ratio=1.48, 95% confidence interval: 1.37, 1.60). Conclusions: Cannabis prices and purchase behaviors are strongly influenced by its legal status and presence of stores. After states legalize for recreational purposes, it takes multiple years for the legal market to become established as the number of retail stores increase and prices decrease. The findings demonstrate that consumers use sources that they are legally allowed to access, suggesting an increased number of physical retail stores and online delivery services could expand uptake of legal sources in states with recreational cannabis laws.
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 | 0,007 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,001 | 0,003 |
| Études des sciences et des technologies | 0,002 | 0,001 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,000 | 0,002 |
| 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 ».