MétaCan
Menu
Retour à la cohorte
Enregistrement W3032531605 · doi:10.3386/w28209

Rules, Discretion, and Corruption in Procurement: Evidence from Italian Government Contracting

2020· preprint· en· W3032531605 sur OpenAlexaff
Francesco Decarolis, Raymond Fisman, Paolo Pinotti, Silvia Vannutelli

Notice bibliographique

RevueNational Bureau of Economic Research · 2020
Typepreprint
Langueen
DomaineDecision Sciences
ThématiqueAuction Theory and Applications
Établissements canadiensUniversité de MontréalKellogg's (Canada)
Organismes subventionnairesnon disponible
Mots-clésDiscretionProcurementLanguage changeGovernment procurementGovernment (linguistics)BusinessPolitical scienceLawMarketingArt

Résumé

récupéré en direct d'OpenAlex

The benefits of bureaucratic discretion depend on the extent to which it is used for public benefit versus exploited for private gain.We study the relationship between discretion and corruption in Italian government procurement auctions, using a confidential database of firms and procurement officials investigated for corruption by Italian enforcement authorities.We show that discretionary procedure auctions (those awarded based on negotiated rather than open bidding) are associated with corruption only when accompanied by limits to competition.We further show that, while these "corruptible" discretionary auctions are chosen more often by officials who are themselves investigated for corruption, they are used less often in procurement administrations in which at least one official is investigated for corruption.These findings fit with a framework in which more discretion leads to greater efficiency as well as more opportunities for theft, and a central monitor manages this trade-off by limiting discretion for high-corruption procedures and locales.Overall, our results suggest that competition may allow procurement authorities to extract the benefits of discretion while limiting the resultant risks of abuse.

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 machine sur la base complète

Imitation des enseignants

Ni prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.

score de la tête « metaresearch » (Codex)0,010
score de la tête « metaresearch » (Gemma)0,051
Version: metacan-v3-hybrid-931329e0061cStatut de validation: machine_predicted_unvalidated
Catégories candidatesaucune
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Observationnel · Signal consensuel: Observationnel
GenreSignal candidat: Empirique · Signal consensuel: Empirique
Score de désaccord entre enseignants0,024
Score d'incertitude au seuil0,051

Scores du classifieur distillé par catégorie (deux têtes)

CatégorieCodexGemma
Métarecherche0,0100,051
Méta-épidémiologie (sens strict)0,0000,000
Méta-épidémiologie (sens large)0,0010,001
Bibliométrie0,0020,005
Études des sciences et des technologies0,0010,002
Communication savante0,0020,001
Science ouverte0,0010,001
Intégrité de la recherche0,0010,001
Charge utile insuffisante (le modèle a refusé de juger)0,0040,001

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.

Tête enseignante Opus0,629
Tête enseignante GPT0,581
Écart entre enseignants0,048 · la distance entre les deux têtes enseignantes sur ce seul travail
Statut de validationscore_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 découle

Classification

machine, non validée

Prédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.

Les modèles n’ont appliqué aucune catégorie : rien dans la taxonomie ne correspondait à ce travail.
Devis d'étudeObservationnel
Domainenon disponible
GenreEmpirique

Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».

En bref

Citations69
Publié2020
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueNational Bureau of Economic ResearchMême sujetAuction Theory and ApplicationsTravaux en français237 207