A Comprehensive Approach through Robust Regression and Gaussian/Mixed-Markov Graphical Models on the Example of Maritime Transportation Accidents: Evidence from a Listed-in-NYSE Shipping Company
Notice bibliographique
Résumé
The main objective of this article is to determine the internal factors of maritime transportation accidents using a comprehensive approach through robust regression and Gaussian/mixed-Markov graphical models. Globally, this could be a strong incentive for the employees to negotiate higher compensation and for the insurance companies to impose higher premiums to cover the risk for these kinds of accidents. The article uses a dataset consisting of 166 real cases (human injuries) in the period 2014–2022 in different ships owned by a shipping company indexed in the New York Stock Exchange. The results of the study support the hypotheses as have been set in the article, connecting the internal factors with the injuries of any type. The practical implementation of the study is its ability to be used by policy makers in shipping to compensate employees depending on the risk of their work on board and at the same time to calculate the insurance premiums in a more accurate way. The originality of the research lies in the fact that this is a unique study in maritime transportation related to human accidents and not on ship or cargo casualties. The idea came from the results of another study conducted on a bibliometric analysis of the factors related to maritime transportation accidents. The findings of the current study can provide valuable insights to stakeholders and shipping planners in formulating effective policies for better wage packages and insurance premiums.
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 | 0,002 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,001 |
| 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 découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».