La bonne gouvernance et les réformes de marché: étude sur le Bangladesh
Bibliographic record
Abstract
Résumé Dans les pays en développement, la « bonne gouvernance » est de plus en plus considérée comme indispensable au développement. Les six indicateurs reconnus dans le monde entier comme étant les outils de mesure de la « bonne gouvernance » les plus efficaces sont la possibilité de s’exprimer et l’obligation de rendre des comptes ; la stabilité politique et l’absence de violence ; l’efficacité du gouvernement ; la qualité de la réglementation ; l’État de droit et le contrôle de la corruption (Kaufmann, Kray & Lobaton, 2003 : 8-9). Dans cet article, nous examinons l’influence que peut avoir l’absence de « bonne gouvernance » sur le succès et la viabilité des réformes de marché mises en œuvre dans le secteur de l’agriculture au Bangladesh. Les réformes ont été associées à une augmentation de la production de céréales vivrières, une amélioration des conditions de sécurité alimentaire et un accès aisé pour les agriculteurs aux facteurs de production agricole. Un grave problème est toutefois apparu récemment : la vente de facteurs de production agricole de mauvaise qualité et de poids insuffisant à des prix parfois plus élevés est devenue habituelle. Ce problème compromet non seulement l’impact positif des réformes, mais il menace également leur viabilité. Dans cette communication, nous soutenons que les problèmes liés à la qualité de la réglementation, à l’État de droit et au contrôle de la corruption – des indicateurs de bonne gouvernance – sont à l’origine de ce problème. Étant donné les pressions croissantes des donateurs pour appliquer des réformes de marché, nous soulignons, dans cette communication, que la mise en place d’une gouvernance intégrée établissant un lien entre le gouvernement, les entreprises et la société civile est indispensable si l’on veut promouvoir la bonne gouvernance et garantir ainsi le succès et la viabilité des réformes.
Fetched live from OpenAlex and de-inverted. Abstracts are not stored in this database: the inverted indexes are 8.6 GB of the frame’s 9.3 GB of text, and the host has 13 GB free.
How this classification was reachedexpand
Full frame distilled prediction
Teacher imitationNot calibrated prevalence, not ground truth. Human validation pending. Learned from the 10,348 direct Codex labels and 10,348 direct Gemma labels. Candidate is the union of thresholded teacher heads; consensus is their intersection. These outputs are machine_predicted_unvalidated and are not human labels or direct frontier model labels.
Codex and Gemma teacher scores by category
| Category | Codex | Gemma |
|---|---|---|
| Metaresearch | 0.002 | 0.000 |
| Meta-epidemiology (narrow) | 0.000 | 0.000 |
| Meta-epidemiology (broad) | 0.000 | 0.000 |
| Bibliometrics | 0.000 | 0.000 |
| Science and technology studies | 0.001 | 0.004 |
| Scholarly communication | 0.000 | 0.001 |
| Open science | 0.001 | 0.000 |
| Research integrity | 0.000 | 0.000 |
| Insufficient payload (model declined to judge) | 0.002 | 0.000 |
Machine scores (provisional)
The two teacher heads of the student model, read on this work. A score orders the frame for review; it never asserts a category, and the validation status ships verbatim with every row.
Baseline scores from an immature model (maturity gate not passed, 7 training rounds). Scores rank; they never assert a category.
score_only:v0-immature-baseline · verbatim from the scoring run: score_only means the number may rank works, and no category label ships from itClassification
machine, unvalidatedMachine predicted; a candidate call from one teacher head, not a consensus.
How this classification was reached, model by model and score by score, is at the end of the page under "How this classification was reached".