How frontline states tackle sanctions against Russia: Implementation and enforcement dynamics in Poland and the Baltics
Notice bibliographique
Résumé
Russia’s invasion of Ukraine in February 2022, reshaped the EU’s security landscape, prompting sanctions aimed at weakening Russia’s war capabilities. These sanctions also redefined the roles of public authorities and the private sector, introducing new challenges in a shifting geopolitical context. Public authorities, including financial intelligence units, customs, state security agencies, law-enforcement agencies, etc., must identify, prevent, and investigate sanctions evasion and circumvention. This requires robust legal frameworks, adequate resources, and expertise in sanctions evasion typologies. Similarly, businesses and financial institutions operate in legal ambiguity, often asking, “Who am I dealing with in this transaction?”, as they navigate complex compliance requirements. Both the public and private sectors need a strong framework for domestic and cross-border sharing of financial intelligence, trade data, and knowledge of sanctions evasion typologies, as well as insight into the corporate structures of sanctioned entities. However, the EU's decentralized approach of independently designed national enforcement models may hamper cooperation and cross-border financial intelligence sharing. This paper examines how Poland, Lithuania, Latvia, and Estonia that are post-Warsaw Pact EU countries bordering Russia, implement and enforce those sanctions. It explores who "does what" and whether national authorities are adapting their modi operandi to enforce sanctions effectively. The findings reveal distinct national approaches. Latvia’s FIU became Europe’s first sanctions authority, integrating intelligence and enforcement functions. Estonia’s FIU plays a significant role but shares responsibilities with other agencies. Lithuania’s FIU adopts a collaborative model, leveraging a public-private partnership with the Center of Excellence in Anti-Money Laundering. Poland has a fragmented enforcement structure and regulatory framework but is unique in implementing its own autonomous sanctions.
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 machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,002 | 0,005 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,002 | 0,003 |
| Communication savante | 0,006 | 0,002 |
| Science ouverte | 0,001 | 0,004 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,002 | 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 source (Gemma direct ou Codex distillé), 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 ».