La mauvaise perception des risques de longévité et de dépendance ne suffit pas à expliquer la faiblesse du marché de l'assurance dépendance (au Canada)
Bibliographic record
Abstract
Cet article étudie certaines des raisons qui pourraient expliquer la faiblesse du marché de l'assurance dépendance au Québec et en Ontario. En utilisant des données d'enquête de 2016, nous expliquons que les biais de perception des risques démographiques (probabilité de survie et de dépendance) ne peuvent à eux seuls expliquer la faible demande pour un tel produit d'assurance. En particulier, même si les perceptions individuelles sont assez hétérogènes, les individus ont tendance en moyenne à surestimer leur probabilité de survie, ainsi que celle d'entrer en maison de retraite, menant plutôt à un surinvestissement en assurance dépendance qu'à un sous-investissement. Nous avançons que la raison la plus probable de la faiblesse de la demande pour l'assurance dépendance provient du fait que les individus ne connaissent pas ce type de produit financier. Ainsi, si les pouvoirs publics souhaitent encourager l'achat d'assurance dépendance, nous préconisons des campagnes de publicité visant à informer les assurés potentiels de l'existence de tels produits. Une piste additionnelle consisterait aussi à développer des produits d'assurance couplés. Classification JEL : D82, D83, G22, I13.
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 | 0.001 | 0.006 |
| Meta-epidemiology (narrow) | 0.000 | 0.000 |
| Meta-epidemiology (broad) | 0.000 | 0.000 |
| Bibliometrics | 0.001 | 0.002 |
| Science and technology studies | 0.002 | 0.001 |
| Scholarly communication | 0.002 | 0.001 |
| Open science | 0.001 | 0.001 |
| Research integrity | 0.000 | 0.001 |
| Insufficient payload (model declined to judge) | 0.006 | 0.000 |
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".