Enhancing and Validating a Framework to Curb Illicit Financial Flows (IFFs)
Notice bibliographique
Résumé
This article examines illicit financial flows (IFFs) perpetuated in financial statements to develop a framework to curb IFFs. IFFs create opacity, impeding economic progress through investment deterrents and financial uncertainty. Through a comprehensive literature review and the synthesis of sets of qualitative propositions, the researchers previously developed a conceptual framework to address IFFs, and the purpose of the present article is to strengthen and validate the framework among stakeholders in the financial and audit sectors. Following a mixed inductive and deductive research approach and a qualitative methodological choice, the researchers conducted interviews among practitioners to enhance the framework, followed by a focus group to validate the framework. IFF challenges that emerged are tax evasion, for example, investments in untraceable offshore accounts, harming the economy, and bitcoins not being subject to regulation everywhere in the world and being used by cryptocurrency criminals to transfer IFFs to nations with lax regulations. Internationally, IFF risks are also determined by geographical position, trade links, and porous borders among countries that emerged as further challenges, calling for entities to execute existing policies, improve tax enforcement methods, apply cross-border coordination, and practice financial reporting transparency aimed at combatting IFF practices. On the strength of these, the industry surveys significantly enhanced the conceptual framework.
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 enseignantsNi 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.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,152 | 0,138 |
| Méta-épidémiologie (sens strict) | 0,002 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,002 |
| Bibliométrie | 0,017 | 0,007 |
| Études des sciences et des technologies | 0,009 | 0,027 |
| Communication savante | 0,015 | 0,024 |
| Science ouverte | 0,005 | 0,011 |
| Intégrité de la recherche | 0,007 | 0,005 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,006 | 0,001 |
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.
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 source (Gemma direct ou Codex distillé), 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 ».