Notice bibliographique
Résumé
L’objectif de cet article est de déterminer la prime pure à payer par l’agriculteur sénégalais assuré à des risques classiques. L’utilisation du modèle linéaire général (GLM) a permis de déterminer la fréquence et la sévérité en fonction des différents types de risques auxquels sont exposés les agriculteurs. Nous avons montré que le nombre de sinistres suit une loi zéro-inflation binomial négative et le coût une distribution log-normal. Nous avons aussi montré que les risques sanitaires, les invasions acridiennes (criquets pèlerins), d’animaux et de canards et d’oiseaux sauvages, la présence de nématodes et de pourriture de collet sont les risques auxquels l’agriculture est exposée. Le modèle estime une prime plus élevée que la prime observée pour les animaux sauvages, les maladies, les oiseaux granivores et les oiseaux sauvages. En revanche, la prime calculée est inférieure à celle observée pour les canards sauvages et les criquets pèlerins. La différence entre la prime observée et celle calculée s’explique par le fait que le premier est évalué à partir de la valeur du capital assuré et non du risque auquel l’agriculteur est exposé. Pour une meilleure tarification, la compagnie d’assurance devra tenir compte du type de risque auquel chaque assuré est le plus exposé et déterminer la prime correspondante. Cette segmentation permettra de déterminer la prime adéquate.
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 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,000 | 0,001 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,002 | 0,001 |
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; les deux têtes enseignantes s’accordent sur ce qui est montré ici.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».