MétaCan
Menu
Retour à la cohorte
Enregistrement W1980870284 · doi:10.5539/ijef.v6n4p36

A Comparative Analysis of Customers’ Satisfaction for Conventional and Islamic Insurance Companies in Pakistan

2014· article· en· W1980870284 sur OpenAlexvenueno aff
Pervez Zamurrad Janjua, Muhammad Akmal

Notice bibliographique

RevueInternational Journal of Economics and Finance · 2014
Typearticle
Langueen
DomaineBusiness, Management and Accounting
ThématiqueCustomer Service Quality and Loyalty
Établissements canadiensnon disponible
Organismes subventionnairesnon disponible
Mots-clésIslamSERVQUALService qualityBusinessMarketingQuality (philosophy)EmpathyService (business)Actuarial sciencePsychology

Résumé

récupéré en direct d'OpenAlex

Islamic finance and insurance are penetrating in international markets especially after world economic crisis since 2008. This research is an attempt to analyze customers’ satisfaction for the services of conventional and Islamic insurance companies in Pakistan. A modified SERVQUAL model is used to measure the service quality in the constructs of reliability, responsiveness, empathy, convenience and Shariah compliance. For this purpose primary data of 400 customers, 173 from conventional and 227 from Islamic insurance companies, is estimated through propensity score matching as well as linear, non-linear and non-parametric classification techniques. The results on service quality indicate significant gap between expectation and perception of overall insurance industry. No significant difference of service quality is found between conventional and Islamic insurance companies in the constructs of reliability, responsiveness, convenience and empathy. The findings suggest a significant improvement in the service quality of conventional and Islamic insurance industry. Particularly, the conventional insurance companies need to focus on young people, private employees and lower income groups, whereas the Islamic insurance companies have to put more efforts to improve Shariah compliance and to attract self-employed and higher income groups.

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 enseignants

Ni 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.

score de la tête « metaresearch » (Codex)0,001
score de la tête « metaresearch » (Gemma)0,002
Version: metacan-v3-hybrid-931329e0061cStatut de validation: machine_predicted_unvalidated
Catégories candidatesaucune
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Observationnel · Signal consensuel: Observationnel
GenreSignal candidat: Empirique · Signal consensuel: Empirique
Score de désaccord entre enseignants0,006
Score d'incertitude au seuil0,013

Scores du classifieur distillé par catégorie (deux têtes)

CatégorieCodexGemma
Métarecherche0,0010,002
Méta-épidémiologie (sens strict)0,0000,000
Méta-épidémiologie (sens large)0,0000,000
Bibliométrie0,0010,001
Études des sciences et des technologies0,0010,000
Communication savante0,0010,000
Science ouverte0,0000,000
Intégrité de la recherche0,0000,000
Charge utile insuffisante (le modèle a refusé de juger)0,0030,000

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.

Tête enseignante Opus0,024
Tête enseignante GPT0,289
Écart entre enseignants0,265 · la distance entre les deux têtes enseignantes sur ce seul travail
Statut de validationscore_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 découle

Classification

machine, non validée

Prédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.

Les modèles n’ont appliqué aucune catégorie : rien dans la taxonomie ne correspondait à ce travail.
Devis d'étudeObservationnel
Domainenon disponible
GenreEmpirique

Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».

En bref

Citations14
Publié2014
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueInternational Journal of Economics and FinanceMême sujetCustomer Service Quality and LoyaltyTravaux en français237 207