Money laundering conviction rate and capital formation in Nigeria
Notice bibliographique
Résumé
Drawing from the Financial Action Task Force (FATF, G7) recommendations and the Nigeria Anti-Money Laundering Act that provides the penance and dissuasion for crimes in Nigeria, this study sought to interrogate the efficacy of money laundering conviction rate as an instrument of anti-money laundering policy on capital formation in Nigeria. The study is hinged on contemporary deterrence theory. The study adopted the ex-post facto research design and used quarterly data from 1Q 2010 to 4Q 2019, which was sourced from the Nigerian Financial Intelligence Unit (NFIU), Economic and Financial Crime Commission (EFCC) and CBN statistical reports. Hence, Error Correction Model (ECM) was utilized to analyze the data. The findings indicate that the current money laundering conviction rate (MLCR) has a negative and non-significant effect on capital formation in Nigeria. Therefore, the study concludes that the current conviction rate is too weak to deter the act. Hence, it is recommended that the judicial system be rejigged with enabling legislation and autonomy to strengthen it to hasten the trial of such cases and ease conviction of culpable individuals, without necessarily putting innocent victims at jeopardy. Such autonomy should also be granted to the EFCC, ICPC, NFIU etc. and inter-agency synergy should be encouraged.
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 | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 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) | 0,000 | 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 ».