Corruption networks and anti-corruption mechanisms: the case of Kenya
Notice bibliographique
Résumé
Purpose This paper explores how strong corruption networks, consisting of members of the Kenyan political elite, senior bureaucrats and their corporate cronies, work around anti-corruption mechanisms and render them ineffective. Design/methodology/approach We collect and analyse our data using multiple methods, including field interviews, direct observations and archival data from various sources. Findings Corruption persists in Kenya largely because of the lack of political will at various levels to operationalise proactive anti-corruption measures. Furthermore, the deeply entrenched sociocultural expectations and weak public sector governance structures give rise to inadequate transparency and accountability, resulting in more significant opportunities for corruption. Practical implications Undoubtedly, winning the fight against corruption in any setting (Africa or otherwise) requires strong political will. The fight against corruption needs a policy shift, with more emphasis on reactive anti-corruption mechanisms such as raids and surveillance, which again requires a strong political will. We propose that future research energies can be directed at understanding how political will in fighting corruption can be enhanced in sub-Saharan Africa. Originality/value We extend the literature on corruption by presenting a strong case that shows that enacting anti-corruption laws and regulations alone is not enough to eradicate corruption. We provide insights into how strong corruption networks can impede government programs and legitimise questionable practices that allow network members to make substantial private gains at the expense of the general population in an African setting.
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 | 0,048 | 0,013 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,002 | 0,001 |
| Bibliométrie | 0,001 | 0,002 |
| Études des sciences et des technologies | 0,012 | 0,002 |
| Communication savante | 0,006 | 0,005 |
| Science ouverte | 0,002 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,005 |
| 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; les deux têtes enseignantes s’accordent sur ce qui est montré ici.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».