Disentangling and demystifying converging crimes and illegal wildlife trade in South Africa, Hong Kong, and Canada
Notice bibliographique
Résumé
Illegal wildlife trade is increasingly reported as intersecting with other serious crimes, a phenomenon labelled “crime convergence”. However, there is limited empirical research on the extent and nature of these linkages. The present study seeks to understand what criminal activities converge with illegal wildlife trade, how they converge, and what factors shape crime convergence. One hundred and twelve law enforcement personnel and other experts were interviewed, predominantly in three focus jurisdictions: South Africa, Hong Kong, and Canada. Our results showed that there is evidence of illegal wildlife trade converging with a multitude of illegal activities, including drug trafficking; sex trafficking; child abuse; trafficking in human body parts; migrant smuggling; forced and bonded labour; illegal alcohol trade; arms trafficking; vehicle theft and trafficking; illegal trade in counterfeit and pirated goods; and illegal trade in mined resources, among others. Interviewees who have led large investigations confirmed that convergence is the norm, but its nature depends on the species, location, organised crime group, and stage of the supply chain. Convergences can range from opportunistic and ad hoc, to sophisticated and sustained. For the latter, adopting an organised crime approach is essential to counter illegal wildlife trade and dismantle the criminal networks involved. • Wildlife trafficking converges with many serious crimes in South Africa, Hong Kong, and Canada • Converging crimes include trafficking in drugs, arms, persons, body parts, mined goods, etc. • Convergence may involve bartering, product convergence, forced criminality, among many others • Convergence does not necessarily mean that both or either crime involved is highly organised
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 | 0,000 | 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 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 ».