Diverses alternatives pour déterminer les facteurs significatifs de la fréquence d’accidents dans l’assurance automobile
Bibliographic record
Abstract
Les accidents de circulation sont un des plus graves problèmes que l’on trouve actuellement dans les pays industrialisés. Le but de cet article est d’analyser les éléments qui contribuent à expliquer le nombre d’accidents de ce genre. Cette question est très utile pour le secteur de l’assurance automobile. La littérature spécialisée signale que les modèles de comptage sont les plus utilisés dans cet important domaine de l’industrie de l’assurance. Traditionnellement, la régression de Poisson et le modèle binomial négatif ont été les méthodes employées le plus fréquemment. Cependant, les modèles à expansion de zéros pourraient être plus appropriés pour expliquer les processus sous-jacents aux distributions d’accidents automobiles. Dans cette étude, nous utilisons une base de données fournie par une compagnie d’assurance privée espagnole. Après avoir fait une analyse descriptive complète de ces données, nous comparerons les résultats que l’on obtient de l’application des trois types de modèles de comptage développés dans le papier. Finalement, nous discuterons des différences en soulignant les avantages généraux des modèles à expansion de zéros. Néanmoins, les résultats sont qualitativement très ressemblants, et ils suggèrent en plus l’existence de problèmes d’aléa moral et d’antisélection dans le marché de l’assurance automobile.
Fetched live from OpenAlex and de-inverted. Abstracts are not stored in this database: the inverted indexes are 8.6 GB of the frame’s 9.3 GB of text, and the host has 13 GB free.
How this classification was reachedexpand
Full frame machine prediction
Teacher imitationNot calibrated prevalence, not ground truth. Human validation pending. The Gemma side is a direct model label for every work in the frame, read from the title-only record. The Codex side is a classifier learned from the 10,348 direct Codex labels and calibrated to design-weighted sample rates; fields without enough sample support carry no Codex call. Candidate is the union of the two sides; consensus is their intersection. These outputs are machine_predicted_unvalidated and are not human labels.
Distilled classifier scores by category (both heads)
| Category | Codex | Gemma |
|---|---|---|
| Metaresearch | 0.012 | 0.042 |
| Meta-epidemiology (narrow) | 0.002 | 0.001 |
| Meta-epidemiology (broad) | 0.002 | 0.005 |
| Bibliometrics | 0.005 | 0.005 |
| Science and technology studies | 0.001 | 0.001 |
| Scholarly communication | 0.004 | 0.003 |
| Open science | 0.002 | 0.001 |
| Research integrity | 0.002 | 0.002 |
| Insufficient payload (model declined to judge) | 0.012 | 0.002 |
Machine scores (provisional)
The two teacher heads of the student model, read on this work. A score orders the frame for review; it never asserts a category, and the validation status ships verbatim with every row.
Baseline scores from an immature model (maturity gate not passed, 7 training rounds). Scores rank; they never assert a category.
score_only:v0-immature-baseline · verbatim from the scoring run: score_only means the number may rank works, and no category label ships from itClassification
machine, unvalidatedMachine predicted; a candidate call from one source (direct Gemma or distilled Codex), not a consensus.
How this classification was reached, model by model and score by score, is at the end of the page under "How this classification was reached".