The effect of a police crackdown on online drug sales: on the importance of targeting vendors’ reputation?
Notice bibliographique
Résumé
• This article evaluates the impact of a police crackdown on cannabis sales on anonymous drug markets using the synthetic difference-in-difference approach. • The police crackdown was associated with a decrease in cannabis sales and the number of vendors with an active listing on anonymous drug markets. • Results suggest that, to be effective, police operations should conduct activities (e.g., seizing cannabis parcels) likely to negatively affect vendors’ reputation. This article evaluates the effect of a police crackdown on cannabis vendors operating in cryptomarkets. The police seized >100 cannabis parcels in transit and arrested one runner during this crackdown. An automated web crawler was used to download, and structure content found on 30 cryptomarkets between 1 January 2015 and 26 June 2017. Data were then aggregated on a weekly basis. The synthetic difference-and-difference (SDiD) approach and its extension for event-study analysis were used to estimate the effect of the police crackdown on the number of cannabis transactions and vendors. Estimates from the SDiD models suggest that the crackdown was associated with a significant decline in cannabis transactions. The event-study analysis indicates that the effect was delayed and for a short time. Estimates from the SDiD show that the overall effect of the crackdown on vendors was not significant. The event-study analysis shows that a significant effect was observed for several time units; the effect can be characterized as abrupt and lasted for several weeks after the intervention. Results suggest that police crackdowns can effectively disrupt for cryptomarkets. Seizing parcels negatively affected vendors’ reputation and compromised the trust system on which cryptomarkets are built.
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 | 0,001 | 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 | 0,001 | 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 ».