Concentration and Competition in the Pharmaceutical Sector in an Era of Challenges
Notice bibliographique
Résumé
In 2018, the Central Bureau of Statistics noted that the pharmaceutical industry grew 7.36 percent and slowed by 5.59 percent during the Covid-19 pandemic in 2020. Fluctuations in the growth of the pharmaceutical sector before and during the Covid-19 pandemic encouraged increased competition and concentration. This study examines the concentration and competition of pharmaceutical businesses listed on the Indonesia Stock Exchange from the first quarter of 2018 to the third quarter of 2020. The method used in this study is a quantitative approach with a concentration ratio model (CR) and the Hirschman-Herfindahl index (HHI). The calculation results show that the Kalbe Farma company controls over 65 percent of the market share, while 9 pharmaceutical companies contest the other 35 percent. KLBF is a company with the most sustainable competitive advantage compared to others; this can be seen from product differentiation, use of technology, and a superior market share of 65.39%. In addition, from the aspect of market competition, it shows that the pharmaceutical industry before and during the Covid-19 pandemic was in a tight oligopoly market with scores of 99.20 and 99.22. The results show the implications that pharmaceutical sector actors can carry out our policies related to competitive price competition. Another procedure is that companies must constantly observe and analyze the actions of other pharmaceutical companies in making business decisions.
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 distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,001 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
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 tête enseignante, 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 ».