Wpływ pandemii Covid-19 na rynek apteczny w Polsce
Aleksandra Alicja Olejarz
Wydział Nauk Ekonomicznych, Uniwersytet Warmińsko-Mazurski w Olsztyniehttps://orcid.org/0000-0002-9178-3471
Abstrakt
Wybuch pandemii wywołanej przez wirusa SARS-CoV-2 spowodował zwiększenie zapotrzebowania na leki oraz higieniczne środki ochrony osobistej. Wzrost zapotrzebowania na produkty lecznicze powinien wpłynąć na zwiększenie obrotów aptek. Postawiono więc hipotezę, że wystąpienie pandemii COVID-19 wywołało szoki na rynku aptecznym w Polsce. Za cel przyjęto zidentyfikowanie oraz określenie charakteru szoków na rynku aptecznym w Polsce oraz porównanie ich z okresem przed pandemią. Przedmiotem badania była wartość sprzedaży w aptekach otwartych w Polsce w latach 2010–2021. Do identyfikacji szoków i weryfikacji postawionej hipotezy wykorzystano automatyczną procedurę TRAMO-SEATS. Otrzymane wyniki pozwoliły na jednoznaczne potwierdzenie postawionej hipotezy, przy czym zmiany były lepiej widoczne w przypadku analizowania wartości sprzedaży całkowitej w aptekach otwartych wyrażonej w cenach bieżących niż w cenach stałych. Szoki były efektem zwiększonego popytu na leki oraz higieniczne środki ochrony osobistej, wynikającego z paniki w obliczu niespotykanego dotąd zagrożenia, jakim jest SARS-CoV-2.
Słowa kluczowe:
COVID-19, sprzedaż leków, apteki, szok rynkowyBibliografia
Baka, K. (2011). Ustawa o refundacji leków, środków spożywczych specjalnego przeznaczenia żywieniowego oraz wyrobów medycznych – komentarz do wybranych przepisów. Aptekarz Polski, 59, 4-10. Google Scholar
Balke, N.S. (1993). Detecting Level Shifts in Time Series. Journal of Business & Economic Statistics, 11(1), 81-92.
Crossref
Google Scholar
Blinder, A.S., & Rudd, J.B. (2013). The Supply-Shock Explanation of the Great Stagflation Revisite. National Bureau of Economic Research, University of Chicago Press, p. 1-81. Retrieved from https://www.nber.org/books-and-chapters/great-inflation-rebirth-modern-central-banking. Google Scholar
Chang, C., Tiao, G.C., & Chen, C. (1988). Estimation of Time Series Parameters in the Presence of Outliers. Technometrics, 30(2), 193-204.
Crossref
Google Scholar
Chen, C., & Liu, L.M. (1993). Joint Estimation of Model Parameters and Outlier Effects in Time Series. Journal of the American Statistical Association, 88(421), 284-297.
Crossref
Google Scholar
Coibion, O., Gorodnichenko, Y., & Weber, M. (2020). The cost of the COVID-19 crisis: lockdowns, macroeconomic expectations, and consumer spending. NBER Working Paper 27141, 1-51. Cambridge: National Bureau of Economic Research. Retrieved from http://www.nber.org/papers/w27141.
Crossref
Google Scholar
Fox, A.J. (1972). Outliers in Time Series. Journal of the Royal Statistical Society, B (Methodological), 34(3), 350-363. Retrieved from https://www.jstor.org/stable/2985071.
Crossref
Google Scholar
Gardocka-Jałowiec, A., Śleszyńska-Świderska, A., & Szalonka, K. (2020). Wpływ SARS-CoV-2 na konsumpcję leków OTC w Polsce. In W. Nowak & K. Szalonka (Eds.). Zdrowie i style życia. Determinanty długości życia. E-Monografie Uniwersytetu Wrocławskiego, 170, 175-191. Google Scholar
Handbook on Seasonal Adjustment (2018). Luxembourg: Publications Office of the European Union. Google Scholar
Hawkins, D. (1980). Identification of Outliers. Series: Monographs on statistics and Applied Probability. Dordrecht: Springer. https://doi.org/10.1007/978-94-015-3994-4.
Crossref
Google Scholar
Healy, M.J.R. (1968). Multivariate Normal Plotting. Applied Statistics, 17, 157-161.
Crossref
Google Scholar
Hussain, R., Dawoud, D.M., & Babar, Z. (2021). Drive-thru pharmacy services: A way forward to combat COVID-19 pandemic. Research in Social and Administrative Pharmacy, 17, 1920-1924.
Crossref
Google Scholar
Liu, S., Luo, P., Tang, M., Hu, Q., Polidoro, J.P., Sun, S., & Gong, Z. (2020). Providing pharmacy services during the coronavirus pandemic. International Journal of Clinical Pharmacy, 40, 299-304. https://doi.org/10.1007/s11096-020-01017-0.
Crossref
Google Scholar
Muirhead, C.D. (1986). Distinguishing Outlier Types in Time Series. Journal of Royal Statistical Society, B (Methodological), 48(1), 39-47.
Crossref
Google Scholar
Odlanicka-Poczobutt, M. (2012). Specyfikacja kanałów dystrybucji leków biofarmaceutycznych zagranicznej firmy produkcyjnej na rynku polskim. Zeszyty Naukowe Politechniki Śląskiej, Organizacja i Zarządzanie, 60, 249. Google Scholar
Olejarz-Wahba, A.A., & Rutkowska-Ziarko, A. (2015). Wykorzystanie metody TRAMO SEATS do modelowania tendencji rozwojowej sprzedaży refundowanej w aptekach ogólnodostępnych w Polsce. Roczniki Kolegium Analiz Ekonomicznych, 36, 471-479. Google Scholar
Shibayama, T., Sandholzer, F., Laa, B., & Brezina, T. (2021). Impact of COVID-19 lockdown on commuting: a multi-country perspective. European Journal of Transport and Infrastructure Research, 21(1), 70-93. https://doi.org/10.18757/ejtir.2021.21.1.5135. Google Scholar
Sławatyniec, Ł. (Ed.) (2013). Prawo farmaceutyczne i refundacja leków. Warszawa: Wolters Kluwer Polska. Google Scholar
Szarucki, M., Noga, G., & Kosch, O. (2021). Wpływ pandemii COVID-19 na modele biznesu przedsiębiorstw sektora MŚP w Polsce. Horyzonty Polityki, 12(40), 95-114.
Crossref
Google Scholar
Trzęsiok, M. (2016). Identyfikacja obserwacji oddalonych w szeregach czasowych. Studia Ekonomiczne. Zeszyty Naukowe Uniwersytetu Ekonomicznego w Katowicach, 265, 95-105. Google Scholar
Wydział Nauk Ekonomicznych, Uniwersytet Warmińsko-Mazurski w Olsztynie
https://orcid.org/0000-0002-9178-3471
Licencja
Utwór dostępny jest na licencji Creative Commons Uznanie autorstwa – Użycie niekomercyjne – Bez utworów zależnych 4.0 Międzynarodowe.
Każdy Autor składa oświadczenie, że praca nie była wcześniej publikowana (pod tym samym lub innym tytułem, nie stanowi również części innej publikacji) oraz nie narusza praw autorskich innych osób. Jednocześnie Autor przenosi na wydawcę wyłączne prawo wydania i rozpowszechniania tego utworu drukiem w formie zwartej publikacji czasopisma oraz w formie publikacji elektronicznej.
Czasopismo udostępnione jest na licencji Creative Commons CC-BY-NC-ND
