The search for new drugs: a theory of R&D in the pharmaceutical industry
Notice bibliographique
Résumé
Purpose The purpose of this paper is to use a dynamic model of optimal patent design and, in the presence of information externalities, to study the evolution of technological progress in the context of a pharmaceutical industry. Design/methodology/approach A theoretical analysis approach is adopted to drive the paper’s findings. Findings Pharmaceutical firms with an active drug discovery program behave strategically in their R&D and in the product markets. It is shown that a firm holding an earlier-expiring patent only chooses to proceed with R&D activates when the patent it holds expires if the expected discounted payoff net of R&D costs yielded by this action is positive. The expected discounted payoff net of R&D costs obtained by this firm is then decreasing in R&D costs, increasing in the cumulative quality discovered in the past R&D activates, and decreasing in the number of past R&D activities, etc. Originality/value The preceding literature on the topic works with only one brand, the brand with the highest quality. As well, the demand is assumed to be completely inelastic. In the conventional models of patent design, the role of competitive fringe firms is discussed implicitly. The model presented in this research is a rigorous continuous in-time dynamic model. It considers several differentiated products. Furthermore, the demand for a brand is taken to be a function of income, its price, and the prices of other brands. The interaction of the fringe firm with other patent-holding firms is also explicitly considered under this framework.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,002 | 0,004 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,002 | 0,002 |
| Bibliométrie | 0,002 | 0,002 |
| Études des sciences et des technologies | 0,001 | 0,005 |
| Communication savante | 0,005 | 0,006 |
| Science ouverte | 0,002 | 0,002 |
| Intégrité de la recherche | 0,004 | 0,003 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,014 | 0,002 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».