MétaCan
Menu
Retour à la cohorte
Enregistrement W2607054422 · doi:10.18374/ejm-13-3.9

BUSINESS RELATEDNESS IN THE EUROPEAN INSURER-BANKING INDUSTRY: SOURCES OF VALUE CREATION.

2013· article· en· W2607054422 sur OpenAlexaff
Majdi Ben Selma

Notice bibliographique

RevueEuropean Journal of Management · 2013
Typearticle
Langueen
DomaineEconomics, Econometrics and Finance
ThématiqueInsurance and Financial Risk Management
Établissements canadiensHEC Montréal
Organismes subventionnairesnon disponible
Mots-clésDiversification (marketing strategy)BancassuranceBusinessLife insuranceLine of businessBanking industryBusiness modelFinancial servicesInsurance industryCore (optical fiber)UnderwritingValue (mathematics)MarketingActuarial scienceFinanceInsurance policyKey person insuranceAuto insurance risk selectionBusiness relationship managementElectronic businessTelecommunications

Résumé

récupéré en direct d'OpenAlex

Despite that the resource-based view of the firm has provided important new insights into business relatedness, there has been only limited researches linked to the theory that handles with the case of financial services (Grandval & Vergnaud , 2006; Gregor, 2002). No study, however, treated the relatedness of business and relationship with performance, in the specific case of insurer -banks. Many European insurers are waking up to the potential offered by Insurance-Banking, following the same reasons as the banks when they entered the bancassurance market. In contrast, whereas bankers proved to be successful in establishing an insurance company from scratch, this seems a far more difficult path for insurers. The exploitation of banker s core competences and their advantages with regard to traditional insurers, during their diversifications towards related business as the life insurance, explains the success of bancassurance strategy. In this study, we focus on the actual links between insurer s core business and banking activities. We are trying to explain why insurers have not been performing as well as bankers in a deregulated banking/ insurance industry?

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 enseignants

Ni 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.

score de la tête « metaresearch » (Codex)0,005
score de la tête « metaresearch » (Gemma)0,000
Version: codex-gemma-dda1882f352aStatut de validation: machine_predicted_unvalidated
Catégories candidatesaucune
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Observationnel · Signal consensuel: aucune
GenreSignal candidat: Empirique · Signal consensuel: Empirique
Score de désaccord entre enseignants0,655
Score d'incertitude au seuil0,509

Scores Codex et Gemma par catégorie

CatégorieCodexGemma
Métarecherche0,0050,000
Méta-épidémiologie (sens strict)0,0000,000
Méta-épidémiologie (sens large)0,0000,000
Bibliométrie0,0000,001
Études des sciences et des technologies0,0000,000
Communication savante0,0000,000
Science ouverte0,0010,000
Intégrité de la recherche0,0000,000
Charge utile insuffisante (le modèle a refusé de juger)0,0000,000

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 Opus0,021
Tête enseignante GPT0,198
Écart entre enseignants0,177 · 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 tête enseignante, 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

Citations0
Publié2013
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueEuropean Journal of ManagementMême sujetInsurance and Financial Risk ManagementTravaux en français237 207