Itulah judul Buku Putih USC baru oleh Darren Filson, Karen Van Nuys, Darius Lakdawalla dan Dana Goldman dengan subtitle “Berapa pendapatan yang mendorong pengembangan obat baru?”
Apa elastisitas inovasi?
Ini mengukur persentase perubahan dalam inovasi – menggunakan aliran persetujuan obat baru, atau fase 1, 2, atau 3 dimulai – disebabkan oleh perubahan persentase dalam pendapatan, yang biasanya diharapkan
pendapatan di masa depan.
Dalam praktiknya, perubahan dalam keuntungan yang penting, tetapi pendapatan di masa depan jauh lebih dapat diamati dan dapat diprediksi daripada laba di masa depan. Dengan demikian, penulis fokus pada elastisitas inovasi sehubungan dengan pendapatan daripada keuntungan.
Seberapa besar pendapatan di masa depan yang berdampak pada kemungkinan pengembangan obat baru?
Semua studi menyimpulkan bahwa elastisitasnya positif – yaitu, pendapatan yang lebih rendah menyebabkan lebih sedikit R&D— tetapi perkiraan sangat bervariasi. Namun, kami berpendapat bahwa elastisitas jangka panjang khas yang terkait dengan pendapatan AS terletak dalam kisaran 0,25 hingga 1,5, menyiratkan bahwa untuk setiap pengurangan 10% dalam pendapatan yang diharapkan, kami dapat mengharapkan 2,5% hingga 15% lebih sedikit inovasi farmasi.
Apa yang mendorong variabilitas dalam estimasi ini?
Salah satu pertanyaan utama adalah mengapa ada kisaran besar dalam perkiraan ini? Tentu saja desain studi yang berbeda materi (lihat di bawah). Para penulis juga mengklaim bahwa faktor-faktor seperti “cakrawala waktu yang dipelajari, ukuran perubahan harga, biaya pengembangan obat, hambatan harga berbasis nilai, dan faktor-faktor pasar lainnya” semuanya berdampak besarnya elastisitas inovasi.
Metodologi apa yang digunakan dalam literatur untuk memperkirakan elastisitas inovasi?
- Cross sectional: Eksploitasi variasi dalam pendapatan di seluruh kelas terapi (atau unit analisis lainnya) untuk memperkirakan elastisitas. Misalnya, mereka dapat membandingkan kelas “pendapatan tinggi” vs “pendapatan rendah” untuk menyimpulkan elastisitas (contoh: Lichtenberg (2005) dan Civan dan Maloney (2009)).
- Rangkaian waktu agregat: Variasi eksploitasi dalam pendapatan tingkat industri dari waktu ke waktu (Contoh: Giaccotto, Santerre dan Vernon (2005))
- Pendekatan data panel: termasuk “efek tetap” kelas narkoba dan perbedaan yang sulit untuk diukur dan persisten dalam karakteristik kelas. Intinya, pendekatan pendekatan ini berfokus pada perubahan pendapatan dalam kelas sebagai pendorong perubahan inovasi di dalam kelas. Analisis ini biasanya memerlukan penggunaan “eksperimen alami” yang menyebabkan perubahan pendapatan yang berbeda di berbagai segmen pasar. Contoh percobaan alami termasuk perubahan demografis di masa depan atau munculnya Medicare Part D. (Contoh: Acemoglu dan Linn (2004); Dubois et al. (2015); Blume-Kohout dan Sood (2013)))
- Model komputasi yang diparameterisasi (model struktural alias): Tentukan fungsi objektif perusahaan, set strategi dan fitur dari lingkungan bisnis, dan ketika model mencakup banyak perusahaan, model biasanya mensyaratkan bahwa pasar berada dalam kesetimbangan. Parameter dipilih untuk mencocokkan yang ada di dunia nyata (misalnya, biaya R&D rata-rata) dan dikalibrasi sedemikian rupa sehingga output model juga cocok dengan hasil dunia nyata (misalnya, aliran rata-rata obat baru). (Contoh: Abbott dan Vernon (2007); Filson (2012); Adams (2021))
Para penulis berpendapat bahwa pendekatan panel dan model komputasi yang parameter lebih disukai.
Untuk studi dengan panel yang disukai atau pendekatan komputasi, elastisitas individu mana yang mereka hadapi?
Para penulis memiliki meja bagus yang merangkum temuan yang saya tempel di bawah ini.
Kerja bagus oleh kolega saya di USC! Saya tentu saja mendorong Anda untuk membaca artikel lengkap di sini.
RisalahPos.com Network
