Strategic Decision Making under Uncertainty: R&D and Pricing Strategies in Biopharmaceuticals
Notice bibliographique
Résumé
This symposium explores the antecedents, drivers, and impacts of product decision making in the biopharmaceutical industry. While research in strategy and economics has explored how policies impact new product development and how firms compete, many gaps remain in terms of our understanding of decision making and performance. The papers featured are aimed at addressing these gaps. This session will feature the presentation of three papers focusing on: (1) the effect of intellectual property policy change on neglected disease research, (2) the relationship between research portfolio depth and breadth and firm performance, and (3) the drivers of price increases of patented pharmaceuticals. A discussant will unify the themes presented across the papers, provide developmental commentary, and suggest related avenues from future research on product development and portfolio management in the biopharmaceutical sector. Firm-Level Pricing Strategy: When Irrelevant Products Are Relevant Presenter: David Ridley; Duke U. Presenter: Colleen M Cunningham; Duke U. Search Processes and Product Development Success: Evidence from the Global Pharmaceutical Industry Presenter: Nilanjana Dutt; Bocconi U. Presenter: Elena Vidal; Baruch College-The City U. of New York Intellectual Property Rights and Research on Neglected Diseases Presenter: Keyvan Vakili; London Business School
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 | 0,011 | 0,027 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,001 | 0,003 |
| Études des sciences et des technologies | 0,002 | 0,006 |
| Communication savante | 0,014 | 0,007 |
| Science ouverte | 0,001 | 0,003 |
| Intégrité de la recherche | 0,004 | 0,003 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,006 | 0,001 |
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 ».