A credibility-based yield forecasting model for crop reinsurance pricing and weather risk management
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
Purpose The purpose of this paper is to propose an improved reinsurance pricing framework, which includes a crop yield forecasting model that integrates weather variables and crop production information from different geographically correlated regions using a new credibility estimator, and closed form reinsurance pricing formulas. A yield restatement approach to account for changing crop mix through time is also demonstrated. Design/methodology/approach The new crop yield forecasting model is empirically analyzed based on detailed farm-level data from Manitoba, Canada, covering 216 crop varieties from 19,238 farms from 1996 to 2011. As well, corresponding weather data from 30 stations, including daily temperature and precipitation, are considered. Algorithms that combine screening regression, cross-validation and principal component analysis are evaluated for the purpose of achieving efficient dimension reduction and model selection. Findings The results show that the new yield forecasting model provides significant improvements over the classical regression model, both in terms of in-sample and out-of-sample forecasting abilities. Research limitations/implications The empirical analysis is limited to data from the province of Manitoba, Canada, and other regions may show different results. Practical implications This research is useful from a risk management perspective for insurers and reinsurers, and the framework may also be used to develop improved weather risk management strategies to help manage adverse weather events. Originality/value This is the first paper to integrate a credibility estimator for crop yield forecasting, and develop a closed form reinsurance pricing formula.
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.
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 | 0,000 | 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 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
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.
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 découle