<scp>S</scp><scp>OLVENCY</scp> A<scp>NALYSIS AND</scp> P<scp>REDICTION IN</scp> P<scp>ROPERTY</scp>–<scp>C</scp><scp>ASUALTY</scp> I<scp>NSURANCE</scp>: I<scp>NCORPORATING</scp> E<scp>CONOMIC AND</scp> M<scp>ARKET</scp> P<scp>REDICTORS</scp>
Notice bibliographique
Résumé
Abstract This article extends the insolvency prediction literature by incorporating macroeconomic conditions and state‐specific factors. The models achieve greater generalizability and predictive accuracy than earlier research while giving fewer false positives. At the firm level, we find insurers with less diversified business, sufficient cash flow, high return on equity, lower leverage, fewer failed Insurance Regulatory Information System ratio tests, and membership in a larger group are less likely to become insolvent. Our findings support the argument that insolvency likelihood increases for insurers domiciled in states with stricter solvency supervision and/or states with less favorable insurance market conditions, and during soft markets; insolvency risk is negatively related to the slope of the yield curve. Our findings also imply that insurers respond efficiently to changes in such market factors as market return, inflation, and catastrophic losses.
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 machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,001 | 0,012 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,001 |
| Bibliométrie | 0,003 | 0,002 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,003 | 0,001 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,130 | 0,022 |
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 source (Gemma direct ou Codex distillé), 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 ».