The Efficient Deployment of Police Resources: Theory and New Evidence from a Randomized Drunk Driving Crackdown in India
警力资源的有效部署：来自印度随机酒驾严打的理论与新证据AI 解读 ↓
← 返回论文列表与筛选
阅读说明
本页整理公开书目信息，不生成学术质量评分。AI 解读根据题名及所注明的摘要或原文片段生成，未完成全文核验，可能有误；具体假设、证明与结论请核对原文。摘要保留来源文本，未经模型改写。
DOI 首次登记不等于接收或发表日期。部分更正、评论等条目没有独立摘要；缺少可靠材料时保留待补状态。
引用量采用 OpenAlex 单条关联记录，不合计多个记录；关联记录可能包含正式发表版本，不等于此版本单独引用。缺失不视为零，引用指标不代表论文质量。
关注作者按书目中的完整姓名匹配，同名和姓名变体需人工辨别。相关论文先按共享细分方向和具体方法排列，再参考通用方法与发表日期。
分类依据与纠错
AI 根据所提供的论文材料归类：摘要明确提到随机对照实验与结构估计，分别对应因果推断和结构估计两个方向。
反馈分类问题
正在核对关联版本…
代码、数据与补充材料
正在核对对应版本的资源…
警力资源的有效部署：来自印度随机酒驾严打的理论与新证据
- 研究问题
- 警察执法应集中于少数地点高强度投放，还是广泛分散但强度适中？摘要称批评者认为高强度热点执法主要只是转移而非减少犯罪，论文要检验这一争议并评估不同部署方式的效应。
- 方法与思路
- 作者提出一个刻画犯罪者学习行为的多臂老虎机模型，并用印度拉贾斯坦邦随机对照酒驾严打实验的数据进行结构估计；实验中各警局把酒驾检查点要么在三个地点轮换、要么固定在最优地点，同时交叉随机化执法强度。
- 材料陈述的贡献
- 摘要称检查点总体上使夜间事故减少17%、夜间死亡减少25%，但固定检查点没有显著效应；结构估计显示存在明显的驾驶员学习与策略性反应，作者据此参数模拟不同环境下的最优执法政策。
- 阅读关注点
- 应核对随机化与交叉随机化的具体设计、固定与轮换检查点的可比性、事故与死亡数据的来源和样本量、多臂老虎机模型的识别假设与结构估计的拟合情况，以及最优政策模拟所依赖的参数外推是否稳健。
- 阅读边界
- 摘要未说明实验的具体时间跨度、地点数量、统计功效、标准误与置信区间，也未给出结构模型的关键识别假设、参数估计值和模拟政策的具体形式；因此仅凭摘要无法判断结论的外部有效性与政策建议的可靠性。
原文摘要
Should police activity be narrowly focused and high force, or widely dispersed but of moderate intensity? Critics of intense “hotspot” policing argue it primarily displaces, not reduces, crime. But if learning about enforcement takes time, the police may take advantage of that period to intervene intensively in the most productive location. We propose a multi-armed bandit model of criminal learning and structurally estimate its parameters using data from a randomized controlled experiment on an anti–drunken driving campaign in Rajasthan, India. In each police station, sobriety checkpoints were either rotated among three locations or fixed in the best one, and the intensity of the crackdown was cross-randomized. Overall, checkpoints reduced night accidents by 17% and night deaths by 25%, but fixed checkpoints had no significant effects. In structural estimation, we show clear evidence of driver learning and strategic responses. We use these parameters to simulate environment-specific optimal enforcement policies.