Money Laundering in Global Economies: How Economic Openness and Governance Affect Money Laundering in the EU, G20, BRICS, and CIVETS
Notice bibliographique
Résumé
Purpose—This study examines the interaction of economic openness, governance, and money laundering. The paper’s main objective is to analyze how trade openness, foreign direct investment, and anti-corruption measures influence the risk of money laundering in specific economic blocs. Design/methodology/approach—This study analyzes these economic blocs (EU, G20, BRICS, and CIVETS) using annual data from the Basel Institute on Governance and World Bank statistics for 2012–2021. A panel-corrected standard errors (PCSE) estimator is employed to examine the relationships among the variables, accounting for cross-sectional dependence and ensuring robust parameter estimation. The corruption control index is a proxy for governance effectiveness, though it does not directly measure regulatory strength. Future research should incorporate more specific variables to evaluate the regulatory impact. Findings—This study reveals significant variations in money laundering risks by a country’s income category and economic bloc influenced by economic openness and governance structures. Economic growth and foreign direct investment (FDI) inflows exhibit contrasting effects on money-laundering risks; they tend to exacerbate risks in middle-income countries, while high-income nations demonstrated a lower risk of money laundering, likely due to more robust governance structures. Trade openness and anti-corruption measures generally reduced risks in wealthier countries, highlighting the importance of strong governance frameworks. These insights suggest that anti-money-laundering policies should be tailored to fit different regions’ unique economic and institutional contexts for enhanced effectiveness. Originality—This study employs a structured approach to analyzing a decade of panel data from key economic blocs, providing insights into the intricate relationships between governance, economic openness, and money laundering risks. Bridging the gap between theoretical research and practical, actionable strategies serves as a valuable resource for improving the effectiveness of anti-money-laundering (AML) measures on a global scale.
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 | 0,000 |
| 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 ».