Insuring the 'Uninsurable': Catastrophe Bonds, Pandemics, and Risk Securitization
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
In principle, governments could protect against the potential economic devastation of future pandemics by requiring businesses to insure against pandemic-related risks. In practice, though, insurers do not currently offer pandemic insurance. Although they may well be able to obtain sufficient actuarial data to set pandemic underwriting standards and rate tables, insurers are concerned that they lack sufficient capacity, as an industry, to cover those risks, which are likely to occur worldwide and to be highly correlated. Pandemics therefore are in the class of risks, like war, terrorism, and riots, that are deemed “uninsurable,” at least by private markets. This Article examines how risk securitization—a relatively recent and innovative private-sector alternative to government insurance, funded by the issuance of catastrophe (CAT) bonds—could be used to help insure pandemic-related risks. Risk securitization would utilize the “deep pockets” of the global capital markets, which have a far greater capacity than the global insurance markets, to absorb these risks. The Article also identifies and analyzes the novel legal and economic challenges that risk securitization would raise. Certain of these challenges parallel but are more complex than those arising in structuring traditional securitization transactions. Other challenges involve issues of first impression, including the extent to which risk securitization should be regulated as a form of reinsurance, the constitutionality of requiring that businesses purchase pandemic insurance, and the legality and relative prioritization of public-private risk sharing—such as Chubb’s recent government-risk-sharing proposal.
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 | 0,001 | 0,001 |
| 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) | 0,001 | 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