Combatting corruption and collusion in public procurement: Lessons from Operation Car Wash
Notice bibliographique
Résumé
This article examines the question of how a nation can combat corruption and collusion and prevent these practices from plaguing and undermining public procurement processes. This matter is especially important to Brazil where Operation Car Wash exposed widespread corruption and collusion affecting public procurement. Although focusing on Brazil, this article reflects on a broader academic and policy debate as to how a nation can escape from a ‘high-corruption’ equilibrium, especially one strengthened by its interaction with supplier collusion. In particular, whether endemic corruption can be combatted through an invigorated law enforcement push, combined with incremental reform, or whether some ‘big bang’ approach, with complete institutional overhaul, is required to establish a new equilibrium. The article notes that the Brazilian experience provides support for the hypothesis that, where corruption is endemic, better laws and law enforcement may be insufficient on their own to break a cycle and to remove the incentives and opportunities for corruption and collusion that exist. However, it also recognizes that, for many jurisdictions, wholesale big bang reform is unlikely to be feasible. It thus proposes a multi-pronged, and self-reinforcing, set of reforms to trigger change, concentrated on weaknesses diagnosed in the system. In particular, it suggests that where corruption affects public procurement, beyond specific adjustments to procurement, competition and anti-corruption laws, procurers, anti-corruption and competition enforcement agencies need to work closely together to coordinate policies, achieve synergies and to combat incentives and opportunities for corruption and collusion within procurement processes. Such reforms must be combined with measures to tackle broader factors contributing to systemic corruption. Although inspired by the Brazilian case study, the diagnosis and proposed reform strategy provides a workable model for use in other jurisdictions.
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 | 0,000 | 0,000 |
| 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 | 0,001 | 0,000 |
| Communication savante | 0,000 | 0,001 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,002 | 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 ».