Essays on the regulation of sin goods
Bibliographic record
Abstract
Cette thèse explore la capacité des marchés légaux à lutter contre les marchés noirs par mécanisme de compétition. Les deux premiers articles s’intéressent au marché du cannabis. Le troisième examine comment des visas de travail temporaires peuvent lutter contre l’immigration irrégulière. En quoi un gouvernement peut-il légaliser le cannabis et pousser les dealers hors du marché ? Le premier article propose un environnement théorique pour modéliser les choix des consommateurs de cannabis en situation de risque, avant et après la légalisation. La légalisation affaiblit le marché noir mais induit un boom de la consommation, principalement à travers des effets liés au risque et à la disponibilité des produits. Une telle hausse de la consommation n’est pas nécessairement désirable d’un point de vue politique. Associer la légalisation à des sanctions contre le marché noir permet de dépasser le compromis entre les politiques prohibitives coûteuses et l’accroissement de la consommation associé à la légalisation. Cet article propose une stratégie d’éviction aux gouvernements souhaitant évincer le marché noir en régulant un marché de détail du cannabis. Des applications numériques soulignent l’importance d’instaurer de hauts standards de qualité et investiguent la compatibilité de divers objectifs politiques considérés par les politiques de légalisation existantes. En proposant un cadre et des outils pour réfléchir aux politiques de régulation du cannabis, ce projet vise à mieux comprendre les politiques d’aujourd’hui – et leurs échecs – ainsi qu’à construire consciencieusement celles de demain. Le deuxième article s’inscrit dans la continuité de ce travail. Il porte un regard empirique sur les réponses stratégiques du marché noir à la suite de la légalisation, ainsi que sur les conditions selon lesquelles le marché légal peut le contrecarrer en entrant en compétition contre lui. Cet article tire profit d’une base de données nouvellement assemblée pour documenter les réponses d’équilibre du marché noir aux politiques de légalisation et estimer l’influence des prix et de la qualité (mesurée par la teneur en THC) sur les choix des consommateurs. Je montre que légaliser l’usage récréatif du cannabis cause une chute des prix de marché noir de 20% et une augmentation de leur qualité de 1.4% en moyenne. Par ailleurs, l’effet de la légalisation sur le prix est hétérogène à travers les catégories de produits à différentes teneurs en THC : il est porté par les produits à teneur moyenne, alors que le prix des produits les plus forts ne décroît pas. Ce résulat est nouveau pour la littérature. Il suggère qu’à la suite de la légalisation, le marché noir ne se différencie pas seulement en termes de prix. Ses réponses stratégiques sont plus complexes et incluent aussi des ajustements en termes de qualité. L’une des inquiétudes résultantes post-légalisation serait que le marché noir cible la demande pour les produits les plus forts, qui sont plus dommageables. Pour mieux comprendre l’influence du prix et de la qualité sur les choix des consommateurs de cannabis légal et illégal, j’utilise un modèle de choix discret pour estimer la sensibilité des consommateurs au prix et à la teneur en THC pour les deux secteurs : légal et illégal. Les élasticités-prix croisées indiquent peu de substitution entre les deux secteurs basée sur des changements de prix. Toutefois, une hausse de 10% de la qualité sur le marché de détail légal induit une baisse de la demande sur le marché noir de 5%. À cet égard, je calcule les fonctions de meilleure réponse du marché noir aux changements du prix et de la qualité du cannabis légal et je présente la qualité comme un outil crédible pour évincer les détaillants illégaux. Le troisième article utilise un environnement similaire au premier et modélise les choix de migrants potentiels peu qualifiés et l’offre de passage de clandestins. Comment des schémas de visas temporaires peuvent-ils être appliqués pour éradiquer les passeurs ? Ce travail montre que les contrôles – et les sanctions qui leur sont inhérentes – ne sont pas incompatibles avec des politiques plus libérales, mais les complémentent. Ainsi, associer un marché régulé pour des visas temporaires à un contrôle des frontières permet de dépasser l’opposition entre contrôle des flux migratoires et libres frontières. Fixer la durée et le prix de ces visas à des niveaux d’éviction peut mettre les passeurs en faillite. Ces scénarios d’éviction sont calibrés sur deux routes : Sénégal-Espagne et République Démocratique du Congo-Afrique du Sud. Les résultats soulignent les défis impliqués par de telles politiques, en particulier sur des routes Sud-Nord, sur lesquelles les différences de revenu rendent les individus plus sensibles aux variations de risque et plus enclins à dépasser la durée légale de leurs visas.
Fetched live from OpenAlex and de-inverted. Abstracts are not stored in this database: the inverted indexes are 8.6 GB of the frame’s 9.3 GB of text, and the host has 13 GB free.
How this classification was reachedexpand
Full frame machine prediction
Teacher imitationNot calibrated prevalence, not ground truth. Human validation pending. The Gemma side is a direct model label for every work in the frame, read from the title-only record. The Codex side is a classifier learned from the 10,348 direct Codex labels and calibrated to design-weighted sample rates; fields without enough sample support carry no Codex call. Candidate is the union of the two sides; consensus is their intersection. These outputs are machine_predicted_unvalidated and are not human labels.
Distilled classifier scores by category (both heads)
| Category | Codex | Gemma |
|---|---|---|
| Metaresearch | 0.002 | 0.004 |
| Meta-epidemiology (narrow) | 0.001 | 0.000 |
| Meta-epidemiology (broad) | 0.000 | 0.001 |
| Bibliometrics | 0.002 | 0.002 |
| Science and technology studies | 0.004 | 0.011 |
| Scholarly communication | 0.006 | 0.005 |
| Open science | 0.001 | 0.003 |
| Research integrity | 0.004 | 0.003 |
| Insufficient payload (model declined to judge) | 0.022 | 0.002 |
Machine scores (provisional)
The two teacher heads of the student model, read on this work. A score orders the frame for review; it never asserts a category, and the validation status ships verbatim with every row.
Baseline scores from an immature model (maturity gate not passed, 7 training rounds). Scores rank; they never assert a category.
score_only:v0-immature-baseline · verbatim from the scoring run: score_only means the number may rank works, and no category label ships from itClassification
machine, unvalidatedMachine predicted; a candidate call from one source (direct Gemma or distilled Codex), not a consensus.
How this classification was reached, model by model and score by score, is at the end of the page under "How this classification was reached".