Efficacy of Demonetisation in Eliminating Black Money: An Analysis of Indian Demonetisation November 2016
Notice bibliographique
Résumé
Indian demonetisation 2016 targeted to eliminate black money and counterfeit currency has been questioned in the economic and political discourse on the ground of hardship faced by millions and return of 98.96% of banned currency to the system. It was a popular expectation that a good proportion of banned currency would not return to the system as the black money holders might destroy them to avoid legal consequences. While the demonetisation strategy is dubbed as a failure based on ‘cash seizure’ parameter, this article reviewed its efficacy using five broader perspectives: • data mining to trace the sources of disproportionate cash holding, • improved tax collection, • balancing currency circulation, • uninterrupted flow of foreign direct investment despite short run economic down turn and• public perception. Economic growth and corruption are found to be negatively correlated except the ‘Asian Paradox’ observed in few research studies. In general, Indian economy is smudged by high level of corruption, tax evasion and accumulated black money which has been reflected in the continuing low rank of India in the Corruption Perception Index. Demonetisation failed in ‘cash seizure’ parameter as the black money held in banned currency was traded with organised money laundering groups at a high discount which then were deposited back to the system. The success of the demonetisation strategy is primarily linked to the success of ‘operation clean money’ launched by the tax authority under which the depositors with unaccounted wealth is traced back through data mining from disproportionate deposits during the transition period.
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 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 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 ».