Evolución de la Cobertura del del Sistema de seguros y Pensiones en el Perú en Términos de Inclusión y Profundidad periodo : 2012 - 2017
Bibliographic record
Abstract
La presente investigación tiene como objetivo determinar la evolución de la cobertura \nde los sistemas de Seguros y Pensiones, en términos de la inclusión y profundización \nfinanciera en el Perú, la delimitación temporal abarca los años 2012 al 2017. La hipótesis \nplantea que “El mayor acceso y uso de los servicios de seguros y pensiones en el Perú ha \ngenerado la mayor profundidad financiera en la economía peruana”. El estudio es de tipo \ndescriptivo longitudinal, en donde se contrasta las teorías de la inclusión financiera, para \ncomprender la evolución de los seguros y pensiones, ello implicó en analizar la cantidad \nde asegurados en el Perú y cómo evolucionó para luego confirmar si hubo mayor \ninclusión de peruanos en el los sistemas de seguros y pensiones. Los resultados \ncorroboran la relación planteada en la hipótesis, el signo positivo de la pendiente del \nmodelo estimado determina que la mayor inclusión financiera medida por los nuevos \nafiliados influye positivamente en la mayor tasa de aportantes en relación a la PEA. En \ntal sentido se acepta la hipótesis como válida. La tesis concluye por el lado de la inclusión \nfinanciera que la tasa de crecimiento en el periodo fue de 26.20%; respecto a la \npenetración financiera la tasa de crecimiento de los aportantes/PEA que registró un \n14.41% determinando la mejor posición del sistema de seguro y pensiones; de igual modo \nel modelo estimado es coherente con la teoría referida a que la mayor inclusión financiera \ngenera mayor penetración financiera, al observar el valor de R2 = 0.8329 se determina \nque dicha correspondencia es alta, afirmando que las variables inclusión de la penetración \nfinanciera se encuentran altamente interrelacionadas evidenciando la importancia que \ntiene la mayor incorporación de nuevas personas al sistema de pensiones y seguros para \nel sistema financiero, para la población y la economía en general.
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 distilled prediction
Teacher imitationNot calibrated prevalence, not ground truth. Human validation pending. Learned from the 10,348 direct Codex labels and 10,348 direct Gemma labels. Candidate is the union of thresholded teacher heads; consensus is their intersection. These outputs are machine_predicted_unvalidated and are not human labels or direct frontier model labels.
Codex and Gemma teacher scores by category
| Category | Codex | Gemma |
|---|---|---|
| Metaresearch | 0.003 | 0.003 |
| Meta-epidemiology (narrow) | 0.001 | 0.001 |
| Meta-epidemiology (broad) | 0.002 | 0.001 |
| Bibliometrics | 0.001 | 0.001 |
| Science and technology studies | 0.001 | 0.000 |
| Scholarly communication | 0.002 | 0.002 |
| Open science | 0.001 | 0.001 |
| Research integrity | 0.001 | 0.001 |
| Insufficient payload (model declined to judge) | 0.001 | 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; both teacher heads agree on what is shown here.
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".