MétaCan
Menu
Retour à la cohorte
Enregistrement W4240703481 · doi:10.17323/1813-8691-2021-25-102-128

Insurance Company Performance within the Framework of Trade Agreements

2021· article· en· W4240703481 sur OpenAlexaboutno aff
Валентина Демчук

Notice bibliographique

RevueHigher School of Economics Economic Journal · 2021
Typearticle
Langueen
DomaineEconomics, Econometrics and Finance
ThématiqueInsurance and Financial Risk Management
Établissements canadiensnon disponible
Organismes subventionnairesnon disponible
Mots-clésBusinessCompetition (biology)Market shareProduction (economics)Variable (mathematics)FinanceEconomics

Résumé

récupéré en direct d'OpenAlex

In this paper, we evaluate the impact of regional integration on insurance companies' performance to assess whether integration is always favorable for the insurance market. In exi­sting literature, the most common method of evaluating the impact of integration on insurance companies has been observing how certain indicators change over time and attributing these changes to integration, with another approach consisting of using the share of the insurance lines mostly subject to foreign competition as an explanatory variable. The results, however, are mixed. As a measure of the degree of integration, we use the share of imports from other countries that are members of the trade agreement in the country's imports of direct insurance services. The evaluation is carried out using data on 64 companies from Canada, Mexico and the United States from 2005 to 2016, then verified using data on 145 companies spanning 2005- 2018. The production function is assumed to be translog. It is shown that a higher share of other member countries in the imports of direct insurance services leads to an increase in the operating expenses incurred by life insurance companies and a decrease in the operating expenses incurred by international companies, while there is no statistically significant impact on the profits of most types of companies.

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)0,001
score de la tête « metaresearch » (Gemma)0,000
Version: codex-gemma-dda1882f352aStatut de validation: machine_predicted_unvalidated
Catégories candidatesMéta-épidémiologie (sens strict), Charge utile insuffisante (le modèle a refusé de juger)
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 enseignants0,393
Score d'incertitude au seuil1,000

Scores Codex et Gemma par catégorie

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

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 Opus0,026
Tête enseignante GPT0,216
Écart entre enseignants0,190 · 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.

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
Publié2021
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueHigher School of Economics Economic JournalMême sujetInsurance and Financial Risk ManagementTravaux en français237 207