Itulah judul buku putih USC baru oleh Darren Filson, Karen Van Nuys, Darius Lakdawalla dan dana Goldman dengan subtitle “Apa 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 pendapatan, yang biasanya diharapkan
pendapatan masa depan.
Dalam praktiknya, perubahan dalam keuntungan penting, tetapi pendapatan di masa depan dapat diamati dan dapat diprediksi daripada laba di masa depan. Dengan demikian, penulis berfokus pada elastisitas inovasi sehubungan dengan pendapatan daripada laba.
Berapa banyak 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 pada kisaran 0,25 hingga 1,5, menyiratkan bahwa untuk setiap pengurangan 10% dalam pendapatan yang diharapkan, kami dapat mengharapkan inovasi farmasi 2,5% hingga 15% lebih sedikit.
Apa yang mendorong variabilitas dalam perkiraan ini?
Salah satu pertanyaan utama adalah mengapa ada rentang besar dalam perkiraan ini? Tentu saja, bahan desain studi yang berbeda (lihat di bawah). Para penulis juga mengklaim bahwa faktor-faktor seperti “cakrawala waktu yang sedang dipelajari, pengukuran perubahan harga, biaya pengembangan obat, hambatan harga berbasis nilai, dan faktor pasar lainnya” semuanya berdampak pada jumlah elastisitas inovasi.
Metodologi apa yang digunakan dalam literatur untuk memperkirakan elastisitas inovasi?
- Cross sectional: Eksploitasi variasi pendapatan di semua kelas terapi (atau analisis unit lainnya) untuk memperkirakan elastisitas. Misalnya, mereka dapat membandingkan kelas “berpenghasilan tinggi” vs “berpenghasilan rendah” dengan elastisitas (misalnya: Lichtenberg (2005) dan Civan dan Maloney (2009)).
- Rangkaian waktu agregat: Variasi eksploitasi dalam pendapatan tingkat industri dari waktu ke waktu (misalnya: Giaccotto, Santerre dan Vernon (2005))
- Pendekatan data panel: Termasuk “efek tetap” dari kelas obat dan perbedaan yang sulit diukur dan persisten dalam karakteristik kelas. Intinya, pendekatan pendekatan ini berfokus pada perubahan pendapatan di kelas sebagai pendorong perubahan inovasi di kelas. Analisis ini biasanya membutuhkan 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 Bagian D. (Contoh: Acemoglu dan Linn (2004); Dubois et al. (2015); Blume-Kohout dan Sood (2013))))));
- Model komputasi yaitu paarameterisasi (Alias Model Struktural): Tentukan fungsi objektif perusahaan, menetapkan strategi dan fitur dari lingkungan bisnis, dan ketika model mencakup banyak perusahaan, model biasanya mensyaratkan bahwa pasar berada dalam kesetimbangan. Parameter dipilih untuk mencocokkan apa yang ada di dunia nyata (misalnya, biaya litbang rata -rata) dan dikalibrasi sedemikian rupa sehingga model output 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 lebih disukai parameter.
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.
NewsRoom.id
