دوره 12، شماره 43 - ( 1-1400 )                   سال12 شماره 43 صفحات 236-207 | برگشت به فهرست نسخه ها

XML English Abstract Print

Download citation:
BibTeX | RIS | EndNote | Medlars | ProCite | Reference Manager | RefWorks
Send citation to:
Ghasemian N, Raghfar H, Ekhteraei F. Simulation of Demand for Orphan Drugs in Iran with the Approach of Agent-based Modeling (2018-2019). jemr 2021; 12 (43) :207-236
URL: http://jemr.khu.ac.ir/article-1-2149-fa.html
قاسمیان نرگس، راغفر حسین، اختراعی فرامرز. شبیه‌سازی تقاضای داروهای بیماری‌های خاص و صعب‌العلاج در ایران با رویکرد مدل‌های مبتنی بر عامل (1397-1398). تحقیقات مدلسازی اقتصادی. 1400; 12 (43) :207-236

URL: http://jemr.khu.ac.ir/article-1-2149-fa.html

شبیه‌سازی تقاضای داروهای بیماری‌های خاص و صعب‌العلاج در ایران با رویکرد مدل‌های مبتنی بر عامل (1397-1398)
نرگس قاسمیان1 ، حسین راغفر* 2، فرامرز اختراعی3
1- دانشگاه الزهرا (س)
2- دانشگاه الزهرا (س) ، raghfar@alzahra.ac.ir
3- شرکت طلایه‌داران صنعت فرآیند
چکیده:   (3338 مشاهده)

دارو به عنوان یک کالای استراتژیک و مشمول یارانه در کشور و نیاز اساسی بیماران، همواره از اهمیت خاصی برخوردار بوده است و در سیستم سلامت یک جامعه جایگاه و نقش ویژه‌ای دارد. از سوی دیگر، یکی از شاخص¬های ارزیابی رفاه خانوار میزان هزینه¬ای است که برای تامین نیازهای گوناگون خود صرف می¬کند و هرچه سهم هزینه انجام شده برای رفع نیازهای اولیه¬ای مانند خوراک، مسکن، پوشاک و آموزش بالاتر باشد، می¬توان انتظار داشت که سهم کمتری برای مخارج سلامت باقی بماند. در مورد تقاضای دارو بسته به نگرش و نوع بیماری افراد و کشش‌های درآمدی و قیمتی آن‌ها، ممکن است تقاضا برای داروهای مختلف متفاوت باشد. هدف ما در این مقاله بررسی تقاضای داروهای بیماری‌های خاص و صعب العلاج (اورفان) برای گروه‌های مختلف درآمدی در ایران با استفاده از مدل‌های مبتنی بر عامل (ABM) است. در این مقاله پویایی رفتار متقاضیان داروهای اورفان و تغییرات تقاضای آن‌ها در سناریوهای مختلف قیمتی ناشی از تورم و تغییرات نرخ ارز، با استفاده از مدل‌های مبتنی بر عامل، بررسی شده است. بدین منظور، 1000 خانوار متقاضی داروهای اورفان که از مرکز آمار ایران استخراج شده‌اند، در پنج بیستک درآمدی و هزینه‌ای جای گرفته‌اند و با استفاده از نرم افزار شبیه‌سازی نت لوگو عکس‌العمل آن‌ها در برابر افزایش قیمت داروی مورد نیازشان پیش‌بینی می‌شود. نتایج نشان می‌دهد، میانگین کشش قیمتی تقاضا برای داروهای ژنریک و برند به ترتیب  39/0- و 05/1- درصد بوده است؛ به همین میزان از تقاضای دارو این دو گروه کاسته شده است. در پایین‌ترین بیستک درآمدی مشاهده می‌شود که با افزایش قیمت داروهای اورفان ژنریک و برند، مخارج تخصیص یافته برای آن‌ها به ترتیب  3/3و 85/31  درصد کاهش یافته است. می‌توان دلیل اصلی آن را در بودجه‌ پایین خانوار بیمار و تخصیص آن به نیازهای ضروری زندگی مانند خوراک و مسکن جستجو کرد. شدت کاهش مخارج صرف شده در گروه داروهای برند بخاطر آن است که، می‌توان در صورت افزایش قیمت آن، داروی ژنریک را جایگزین نمود.
واژه‌های کلیدی: تقاضای داروهای اورفان، شبیه‌سازی، مدل‌های مبتنی بر عامل
متن کامل [PDF 2414 kb]   (1330 دریافت)    
نوع مطالعه: كاربردي | موضوع مقاله: بخش عمومی
دریافت: 1399/11/29 | پذیرش: 1400/3/31 | انتشار: 1400/6/21
فهرست منابع
1. Auchincloss, A.H. & Diez Roux, A, V., (2008), A New Tool for Epidemiology: The Usefulness of Dynamic-Agent Models in Understanding Place Effects on Health. American Journal of Epidemiology, 168(1): 1-8. [DOI:10.1093/aje/kwn118]
2. Akbarpour. M, Torabi. A. & Ghavamifar. A., (2020), Designing an Integrated Pharmaceutical Relief Chain Network Under Demand Uncertainty, Transportation Research Part E Journal, 136: 1366-5545. [DOI:10.1016/j.tre.2020.101867]
3. Bayati. M, Ahadinejad. B, Mathematics. F. & Beigi, N., (2018), Estimation of Household Pharmaceutical Expenditure in Iran, Jahad University Scientific Information Center, 17(2) :128-121. (in Persian)
4. Boero.R. (2015), Behavioral Computational Social Science, Los Alamos National Laboratory, New Mexioco, USA. [DOI:10.1002/9781119106173]
5. Chin. A.T., (2010), Consumer Learning and Heterogeneity: Dynamics of Demand for Prescription Drugs after Patent Expiration, International Journal of Industrial Organization, 28(6): 619-638. [DOI:10.1016/j.ijindorg.2010.02.004]
6. Divino. V, DeKoven. M, Kleinrock. M, Wade. R.L & Kaura,S., (2016), Orphan Drug Expenditures In The United States: A Historical And Prospective Analysis 2007-18, Journal of Health Affairs, 35(9). [DOI:10.1377/hlthaff.2016.0030]
7. Dorri. A, Jurdak. R, Kanhere. S., (2018), Multi Agent System: A survey, IEEE journal, 6: 2167-3536. [DOI:10.1109/ACCESS.2018.2831228]
8. Einav, L., Finkelstein, A., & Tebaldi, P., (2018). Market Design in Regulated Health Insurance Markets: Risk Adjustment VS. Subsidies. MIT Working Paper.
9. Emadzadeh. M, Samadpour. N, Ranjbar. H. & Azizi. F., (2013), The Effect of Education on Health in Iran: Production Function Approach, Journal of Economic Modeling Research Kharazmi University, 4(15):147-178. (in Persian)
10. Food and Drug Administration of Iran (IFDA). (in Persian)
11. Hamill. L. & Gilbert. N., (2016), Agent-Based Modeling in Economics, Center for Research in Social Simulation (CRESS), University of Surrey UK. [DOI:10.1002/9781118945520]
12. Hernandez I. C, Gonzales lopez. B, Morris. S, Melnychuk. M & Aba'solo Alesso'n. I., (2019), The Effect of a Change in Co-Payment on Prescription Drug Demand in a National Health System: The Case of 15 Drug Families by Price Elasticity of Demand, PloS One journal, 14(3). [DOI:10.1371/journal.pone.0213403]
13. Hosseini-Jebli. S, Arian-Khasal. A, Baroni. Mohsen, Heidari-Arjloo. P, & Khakian. M., (2013), Estimation of Drug Demand Function for Specific Diseases in Iran through Household Budget, Journal of Health and Development of Kerman University of Medical Sciences, 2 (2) 0-89. (in Persian)
14. Marshal. B, Galea. S., (2015), Formalizing the Role of Agent-Based Modeling in Causal Inference and Epidemiology, American Journalof Epidemiology, 181: 92-99. [DOI:10.1093/aje/kwu274]
15. Meshcheriakova. E, Goodall. S, Street. D, & Viney, R., (2020), PNS55 The Effect of Pharmaceutical Policy on Demand for Branded Medicines: A Discrete Choice Experiment from Australia, Value in Health Regional Issues Journal, 22: 591. [DOI:10.1016/j.vhri.2020.07.474]
16. Mestre Ferrandiz. J, Palaska. Ch, Kelly. T, Hutchings. A & Parnaby. A., (2019), An analysis of orphan medicineexpenditure in Europe, Orphanet Journal of Rare Diseases, 14:287. [DOI:10.1186/s13023-019-1246-7]
17. Models for Medicines through Wireless Sensor Networks Data and Topic Trend Analysis, International Journal of Distributed Sensor Network, No.1.
18. Panahi. H, Sojoudi. S & Marandian, M., (2016), Estimation of Price and Income Elasticities of Drug Import Demand in Iran, Journal of Economic Research, University of Tehran, 51(4): 799-777. (in Persian)
19. Panahi. H, Fallahi. F, Imani. A, & Nasib parast. S., (2018), Investigating The Induced Demand of Psychiatrists in East Azerbaijan Province: A Hierarchical Linear Modeling Approach (HLM), Journal of Economic Modeling Research Kharazmi University, 8(31): 165-196. (in Persian) [DOI:10.29252/jemr.8.31.165]
20. Pharmaceutical Statistics of the Iran., (2017), Food and Drug Administration, Ministry of Health, Treatment and Medical Education. (in Persian)
21. Quintiles IMS Institute., (2017), Orphan Drugs in the United States: Providing Context for Use and Cost.
22. Sobhanian. M.H, MehrAra. M, & Ebadi. J., (2016), Investigating the Effective Components of General Practitioners' Outcome for Entering the Family Physician Plan, Case Study: Tehran, Journal of Economic Modeling Research Kharazmi University, 7(26): 7-40. (in Persian) [DOI:10.18869/acadpub.jemr.7.26.7]
ارسال نظر درباره این مقاله : نام کاربری یا پست الکترونیک شما:
CAPTCHA
ارسال پیام به نویسنده مسئول

بازنشر اطلاعات
Creative Commons License این مقاله تحت شرایط Creative Commons Attribution-NonCommercial 4.0 International License قابل بازنشر است.

کلیه حقوق این وب سایت متعلق به فصلنامه تحقیقات مدلسازی اقتصادی می باشد.

طراحی و برنامه نویسی : یکتاوب افزار شرق

© 2024 CC BY-NC 4.0 | Journal of Economic Modeling Research

Designed & Developed by : Yektaweb