Factors Affecting Fraud in the Procurement of Government Goods/Services (PBJP): Empirical Study on BPKP in Indonesia
Notice bibliographique
Résumé
This research looks at how BPKP auditors feel about the following factors: the PBJP committee's quality, its income, BPJB systems and procedures, the PBJP's ethics, and its environment. All of these factors have a big effect on procurement fraud in government agencies. The population comprises all PBJP assurance auditors, with a research sample of 141 individuals chosen through purposive sampling. Validity assessment, reliability assessment, multicollinearity analysis, heteroscedasticity testing, multiple regression analysis, hypothesis testing, and finding the coefficient of determination are all parts of testing data. The results show that all of these separate factors have a statistically significant effect on fraud. The PBJP environment has a positive effect on fraud, while the quality of PBJP committees, the income of PBJP officials, PBJP systems and procedures, and PBJP ethics all have a negative effect. Due to the limited scope of this study, extrapolating the results to other countries is not feasible. This study provides important strategic guidelines for policymakers to develop frameworks for better fraud prevention development. This study adds to the literature, particularly on the factors influencing fraud. There is still little research on this topic, particularly in Indonesia. The unique feature of this research is the use of a dataset of professional auditors who investigate most procurement issues.
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 | 0,004 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,001 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,001 |
| 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 ».