From Dirty Money to Luxury Goods: Money Laundering in UK Luxury Goods Sectors
Notice bibliographique
Résumé
This PhD thesis examines money laundering risks within UK luxury goods sectors and identifies ways in which these risks can be significantly reduced. In analysing the UK anti money laundering (AML) regime, the thesis adopts a thematic approach based upon the obligations placed on dealers within the MLRs. In particular, the analysis is conducted in relation to obliged entities, registration, the risk-based approach, Customer Due Diligence (CDD), Suspicious Activity Reporting (SAR), and supervision. The thesis employs a mixed methodology which includes doctrinal and qualitative empirical research methods. The qualitative empirical study gathers insights from dealers with semi-structured interviews. \n \nThe study is organised into five parts. The first part provides the theoretical background for the study. This includes consideration of the international and national legislation and policies impacting the UK AML regime. The second part acknowledges money laundering risks in relation to the obligations contained within the MLR and the application of the regime within UK luxury goods sectors. The third part examines compliance challenges faced by dealers in implementing the MLRs. The fourth part considers practices within AML regimes in the US, Cayman Islands, Trinidad and Tobago, Japan, and Canada, which are helpful in evaluating the issues identified within the UK. The final part advances proposals to reduce money laundering risk within UK luxury goods sectors.
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 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,000 | 0,001 |
| Science ouverte | 0,003 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,003 | 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 ».