Analysing the dynamics of the Indian pharmaceutical industry in light of the COVID-19 pandemic
Notice bibliographique
Résumé
The COVID-19 pandemic is a global crisis that caused economic disruptions. India faced challenges like limited resources and increasing demand for essentials, including medicines and supplies. To analyze this, time-series data was extracted to study the impact of the pandemic on India’s major retail pharmaceutical companies. Net sales and total revenue significantly increased post-pandemic and were especially noticeable in the third quarter of 2020. This resulted from a spike in covid cases and price hikes on major drugs needed to treat the disease. While e-commerce has thrived in other areas, rising demand and growth opportunities are leading it to make its way to retail pharmacies. Restriction of movement led to increased users of e-pharmacy. A survey using an electronic questionnaire was conducted on 190 participants across tier 1, 2, and 3 cities to understand consumer behaviour towards e pharmacy. Common age groups were tech-savvy youth aged between 15 and 30 years. 55% of respondents were e-pharmacy users before lockdown restrictions. Other data points including feasibility and delivery time were positive in tier 1 and 2 cities as opposed to tier 3 cities which can be attributed to logistics challenges. 78.3% of the study participants are likely to recommend and use the service post the pandemic. The pandemic has had a small impact on E-Pharmacy, but a shift at its core has begun, which has a promising future as observed through primary research.
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 | 0,001 | 0,004 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,001 |
| Bibliométrie | 0,002 | 0,003 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,004 | 0,001 |
| Science ouverte | 0,000 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,002 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,005 | 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 ».