La propension à innover des firmes pharmaceutiques

La propension à innover des firmes pharmaceutiques

2.3 Propension à innover

Le premier point de ce chapitre est l’évaluation d’une fonction d’innovation Ii,t où I représente la production d’innovation de la firme i durant l’année t. Dans la lignée de Hausman et al. (1984) et Blundell et al. (1999) pour une variable latente d’innovation Ii,t, nous considérons la fonction de production suivante :

  • Ii,t = f (xi,t, ηi)

où xi,t représente un vecteur de caractéristiques de la firme i à l’instant t, les effets spécifiques aux firmes et invariables dans le temps étant représentés par le terme ηi. Ce terme représente donc les différences permanentes mais inobservables entre les firmes qui peuvent affecter leur production d’innovations.

Cette activité d’innovation est mesurée successivement par les trois proxies précédemment décrites : le compte annuel des brevets déposés (non ajusté : NA), du nombre moyen de citations reçues par brevet (c’est à dire ajusté par les citations : AC) et enfin des brevets considérées comme pionniers (brevets pionniers : BP) tels que définis précédemment (cf. la figure II.1).

Parce que nous travaillons essentiellement avec des valeurs entières et non négatives comme variables dépendantes, nous optons pour des régressions de comptage comme celles décrites par Hausman et al. (1984) et Blundell et al. (1999).

Nous modélisons donc la moyenne conditionnelle comme une fonction multiplicative de facteurs explicatifs comme dans l’équation suivante :

  • où xi,t est un vecteur de variables explicatives et β est le vecteur correspondant de paramètres à estimer.

Le modèle empirique complet est donc le suivant :

  • Ii,t = exp[ β1log(ventes)i,t−1 + β2log(R&D)i,t−1 (II.3)
  • +β3 P dMi,t−1 + β4P dC + β5 Original
  • +β6 Autoi,t−1 + β7Gi,t−1 + ηi ] + εi,t
  • où Ii,t = N A, AC, BP avec i = 1, …, 77 et t = 1, …, T .

Dans cette spécification, la propension à innover des firmes est conditionnée par les valeurs retardées d’une année du niveau de l’activité commerciale (ventes), des efforts consentis en recherche et développement (R&D), de la part de marché (P dM ), de la part dans le total des citations reçues (P dC ), de l’indice d’originalité moyen du portefeuille (Original), de la propension à s’auto citer (Auto) puis du stock (G) d’innovations accumulées.

Ce stock est déprécié avec un facteur d’actualisation de 15% par an (cf. supra et Hall et al., 2001). Cette spécification est comparable à celle utilisée par Blundell et al. (1999).

2.4 Analyse dynamique

Dans la partie dynamique de notre analyse nous introduisons dans l’équation les flux d’innovations effectuées en t 1, t − 2, t − 3 et t − 4.

La spécification devient ainsi la suivante :

  • Ii,t = exp[ β1Ii,t−1 + β2Ii,t−2 + β3Ii,t−3 + β4Ii,t−4 (II.4)
  • +β5 log(ventes)i,t−1 + β6 log(R&D)i,t−1
  • +β7 P dMi,t−1 + β8P dC + β9Original
  • +β10 Autoi,t−1 + β11 Gi,t−1 + ηi ] + εi,t
  • avec toujours Ii,t = N A, AC, BP , i = 1, …, 77 et t = 1, …, T .

Cette spécification permet donc d’estimer l’effet des flux d’innovations passés de la firme sur sa propension courante à innover. Par conséquent, elle permet de vérifier d’une part s’il existe réellement une dynamique de l’innovation puis, si c’est le cas, la nature de cette dynamique.

Les rétroactions, c’est à dire l’introduction des différents retards de la variable dépendante en tant que variables explicatives, rendent compte de la persistance avec laquelle les firmes innovent.

Si les coefficients des rétroactions sont significatifs et positifs, alors il existe bien de la persistance à innover et donc une réelle dynamique de l’innovation à la condition que ces coefficients soient significatifs parallèlement à ceux des dépenses de R&D.

Dans ce cas, ce sont bien les flux passés qui expliquent les flux courants d’innovations et non pas seulement la continuité des dépenses de R&D comme le suggère le modèle de Cohen et Klepper.

Cela implique par conséquent que les innovations sont liées entre elles, c’est à dire qu’il existe une dynamique de l’innovation propre à la firme.

Si par contre les coefficients des rétroactions sont significatifs et négatifs alors il existe bien une dynamique mais pas de persistance : le fait de ne pas innover en t est dans ce cas expliqué par le fait de l’avoir fait en t − n (autrement dit avoir innové en t − n implique une forte probabilité de ne plus le faire en t, voir Salomon & Shaver, 2005 pour une même interprétation).

Enfin, si les rétroactions ne sont pas significatives alors il n’existe pas de dynamique de l’innovation au niveau de la firme.

2.5 Méthode d’estimation

Les variables dépendantes utilisées étant des mesures de comptage, les valeurs sont entières et non négatives (en fait la variable qui correspond aux brevets ajustés par les citations n’est pas toujours entière ce qui ne peut malheureusement pas être pris en compte si l’on veut pouvoir effectuer des comparaisons entre les trois équations).

De plus, certaines variables dépendantes sont souvent proches ou égales à 0 (le compte des brevets pionniers notamment, voir les statistiques descriptives, tableau II.2) et il existe une certaine hétérogénéité parmi les firmes étudiées qui est potentiellement fonction de variables que l’on ne peut observer.

Les premières méthodes d’estimation à considérer sont donc les modèles de Poisson ou Négatif Binomial avec des effets aléatoires. Ces modèles supposent cependant que la partie inobservable du modèle (le terme d’erreur) ne soit pas corrélée avec les régresseurs (les variables explicatives).

Étant donnée la nature de la question posée dans cette étude (les firmes sont elles persistantes à innover), ces restrictions d’exogénéité ne peuvent être vérifiées.

En effet, bien que les estimateurs à effets fixes permettent généralement la corrélation avec l’effet fixe contenu dans le terme d’erreur (Hausman et al., 1984 ; Cameron & Trivedi, 1996, 1998), les modèles de Poisson et Négatif Binomial avec effets fixes font l’hypothèse que les régresseurs sont strictement exogènes mais ils ne corrigent pas les biais de simultanéité (Montalvo, 1997 ; Blundell et al., 2002).

En outre, dans les modèles dynamiques nous devons différencier car nous ne pouvons sinon utiliser des effets fixes firme (Roodman, 2006, p. 22 ; Casielli et al., 1996, p. 24, note de bas de page 8).34

Or un élément central de cette étude est l’estimation d’un modèle dynamique visant à évaluer la persistance avec laquelle les firmes pharmaceutiques innovent.

Les équations dynamiques sont alors, par nature, sujettes à un biais d’endogénéité puisque la variable dépendante retardée est corrélée avec le terme d’erreur à travers l’effet spécifique aux firmes, qui est constant dans le temps (cf. Casielli et al, 1996 et la prochaine note de bas de page).

Pour ces raisons, nous avons choisi d’utiliser la méthode des moments généralisés (GMM pour Generalized Method of Moments) comme initialement suggérée par Hausman et al. (1984), pour des analyses de ce type, puis développée par Chamberlain (1992) et Wooldridge (1991, 1997).

De manière générale, les GMM règlent les problèmes liés au traitement de l’hétérogénéité individuelle inobservable qui est corrélée également avec les variables explicatives ainsi que la présence de variables explicatives n’étant pas strictement exogènes.

Les GMM non linéaires sont une variante des GMM qui s’applique à un modèle de régression exponentiel, c’est à dire qui permet de traiter des données de comptage (valeurs entières positives).

Plus précisément nous avons recours à l’estimateur GMM non linéaire proposé et décrit par Windmeijer (2002) -ExpEndqui a été utilisé avec des spécifications comparables aux nôtres par Kim & Marschke (2005) puis Salomon & Shaver (2005).

Il s’agit d’un modèle de Poisson robuste (les écarts types ne sont pas sous estimés à la deuxième étape des estimations, voir Windmeijer, 2002) qui présente la transformation de Wooldridge (1991) dans le cas de rétroactions linéaires.35

34 Dans un système GMM, l’estimateur en différences est combiné avec un estimateur en niveau, sous l’hypothèse supplémentaire que les différences retardées ne sont pas corrélées avec l’effet fixe spécifique.

35 Formellement, notre modèle suppose donc que E(ηi εi,t ) = 0 ; E(εi,t εi,τ ) = 0 avec τ = t ; et xi,t prédéterminé tel que E(xi,t εi,t+j ) = 0, j ≥ 0 et E(xi,t εi,t−τ ) = 0 avec τ ≥ 1. Wooldridge (1991) propose alors la transformation dite en “quasi différence” pour éliminer l’effet fixe firme : qi,t = Ii,t prédéterminé), la condition des moments suivante est alors vérifiée : E(qi,t | εi,t−τ ) = 0 avec τ ≥ 1 (repris depuis Windmeijer, 2002 pp. 3-4).

Les instruments utilisés sont les propres retards des régresseurs (c’est à dire les variables explicatives retardées dans le temps) auxquels nous ajoutons le stock de capital de la firme séquentiellement entre t − 2 et t − 1 (cf. Windmeijer, 2002) ainsi que des effets fixes temporels et le stock de brevets retardé.

Le choix de ce type d’instrument est considéré par la littérature comme étant le plus proche de l’estimateur GMM optimal (voir notamment Crépon & Duguet, 1997 ou encore Newey, 1990).

Plusieurs instrumentations alternatives ont aussi été testées et celles utilisées ici sont apparues être les plus efficaces vis-à-vis des tests de Hansen-Sargan de suridentification des restrictions et d’Arelano et Bond concernant l’auto-corrélation du premier et du second ordres (cf. infra).

Les autres spécifications qui ont été testées, à partir de différentes instrumentations, se sont avérées neutres dans la détermination des résultats globaux que nous allons présenter.

Le modèle est estimé en deux étapes, les résidus de la première étape du calcul étant utilisés pour calculer la matrice pondérée optimale qui est ensuite utilisée dans la deuxième étape des estimations (voir Wooldridge, 1997 et Windmeijer, 2000 pour des détails).

Pour tester la validité des instruments, nous appliquons les tests d’Arellano & Bond (1991) pour l’auto-corrélation des résidus au premier et au second ordres (AR(1) et AR(2)) dans la différence des termes d’erreur (les tests sont rapportés en bas de chaque tableau).

La différence des résidus doit être caractérisée par une auto-corrélation négative du premier ordre (AR(1)), par construction, et l’absence d’auto-corrélation au second ordre (AR(2)), ce qui est le cas dans toutes nos équations.

Ensuite, le test de Hansen-Sargan de sur-identification des restrictions est appliqué pour tester la corrélation comprise entre les instruments qui sont exclus de la deuxième étape du modèle et les résidus des estimations.

Inspiré de Hansen (1982) et Sargan (1985), ce test vérifie l’hypothèse d’exogénéité des instruments. Le non rejet de cette hypothèse indique que les instruments sont valides et supporte ainsi la validité de la spécification du modèle employé. C’est le cas dans toutes les équations présentées.

3. Présentation des Résultats

Le tableau II.1 présente quelques statistiques sur les données utilisées dans les régressions. Elles montrent qu’en moyenne, sur l’ensemble de la période et pour l’ensemble des firmes, le chiffre d’affaires (milliers de dollars base 100 en 1994) est de $ 2 786 tandis que les dépenses de R&D sont de plus de $ 283.

La part de marché moyenne est de 0.5% avec un écart type relativement important de 0,9, la firme la plus importante ayant une part de marché de près de 5% (ce qui est cohérent avec les résultats de DiMasi, 2000 qui rapporte que la même firme, Pfizer, a une part de marché de 6,5% en 1999 ; cf. le chapitre introductif).

Au niveau des variables d’innovation, les brevets non ajustés (NA) sont beaucoup plus fréquents que les brevets pionniers (BP) de telle sorte que pour dix brevets déposés un seul en moyenne est pionnier.

Ainsi, la part des brevets pionniers dans le total des brevets déposés est de moins de 10%. En moyenne les firmes disposent d’un stock actualisé de 25 brevets durant leur période de recensement dont (approximativement) 3 pionniers et 22 non pionniers.

Il est important ici de rappeler que nous ne traitons que des brevets déposés dans les classes relatives aux médicaments. La plupart des brevets de médicaments sont obtenus par des programmes de recherche reposant sur la chimie, ce qui est une caractéristique importante de l’ère du “random screening”.

Les firmes pharmaceutiques qui déposent généralement beaucoup de brevets le font donc principalement en chimie durant la période qui est considérée ici (à partir du milieu des années 1990, l’émergence du “rational drug design” repose moins sur la chimie et plus sur les biotechnologies ; cf. le chapitre introductif).

Les brevets pharmaceutiques déposés par les firmes de l’échantillon se trouvent donc déjà relativement en aval du processus d’innovation.

TAB. II.1 – Statistiques Descriptives

77 Firmes déposant des brevets (T>3)ObservationsMoyenneÉcart TypeMinimumMaximum
Chiffre d’affaires10852786,4165362,877043992,59
Part de Marché1085,5094704,913340304,717773
Investissements en R&D1085283,2219546,9704833,788
Indice d’Originalité1085,0950629,175440,8175583
Citations Reçues (Norm.)108578,10945216,222702098,684
Brevets10855,62119814,670090115
Brevets Pionniers1085,45622121,493272021
Autres Brevets10855,16497713,579320108
Part des Citations1085,0069771,01867470,1871287
Stock de Brevets108525,3575368,663870536,527
Citations par Brevet10856,11683413,787520135
Stock Citations/Brevets108522,9275652,567650352,5332
Stock de R&D10851084,8762269,905015166,15
Stock Brevets Pionniers10852,6230587,080935056,64452
Stock Autres Brevets108522,7344862,203540485,4362

Source : Base de données utilisée dans les régressions (USPTO, Compustat).

Les brevets reçoivent en moyenne 6 citations contre 135 au maximum avec un écart type de 13,7. Cette première exploration des données indique donc que les innovations les plus importantes en termes d’influence technologique sont aussi les plus rares.

On peut voir en outre une certaine hétérogénéité au sein de l’échantillon tant au niveau des variables économiques que des variables de brevet ce qui nous informe déjà sur la diversité des firmes qui composent notre panel.

Le tableau II.2 présente les caractéristiques des 12 brevets les plus cités de notre échantillon.36 Nous présentons pour chacun de ces brevets l’année du dépôt, le nombre de citations faites, le nombre de citations reçues, l’indice d’“Originalité” et le nom de la firme déposante.

36 La présentation complète de ces brevets, avec leurs caractéristiques individuelles et leur description complète, peut être obtenue à l’adresse suivante :http://www.uspto.gov/patft/

TAB. II.2 – Les 12 Brevets les Plus Cités

Numéro duBrevetAnnée du dépôtCitationsFaitesCitationsReçuesIndice d’OriginalitéNom de la Firme Déposante
3845770197403390,52ALZA CORPORATION
4647447198742620,45SCHERING
3916899197512310,4ALZA CORPORATION
4418068198372250,3ELI LILLY & Co
4327725198252010,41ALZA CORPORATION
3797494197401930,58ALZA CORPORATION
4105776197851910,67BRISTOL-MYERS SQUIBB
3598122197101800,4ALZA CORPORATION
3773919197301760,74E. I. DU PONT DE NEMOURS
3598123197101680,53ALZA CORPORATION
48808041989141560,34E. I. DU PONT DE NEMOURS
4200098198031520,36ALZA CORPORATION

Source : Propres calculs depuis le NBER Patent Data File ; Hall et al. (2001).

Certains des brevets du tableau II.2 ont été déposés antérieurement à notre période d’analyse (5 sur 12 ont été déposés avant 1975), cela s’explique par le fait que, dans le calcul des stocks de brevets des firmes, nous tenons compte des brevets ayant pu être déposés dès 1965 afin de ne pas considérer des stocks nuls en début de période.

Il apparaît néanmoins que près de la moitié des 12 brevets ayant eu le plus d’influence technologique sont relativement anciens.

Malgré les problèmes de troncation mentionnés plus haut, cela montre cependant que l’industrie connaît bien un ralentissement de l’innovation : l’année moyenne de dépôt des 12 brevets les plus importants est ainsi 1978.

Un seul brevet est proche de la fin de notre période d’analyse : le brevet 4 880 804 déposé par Du Pont de Nemours (traitement contre l’hypertension et les attaques cardiaques).

En comparaison avec le tableau II.1, il apparaît que ces brevets reçoivent, en moyenne, plus de 214 citations contre 6 seulement pour l’ensemble de l’échantillon. Il apparaît par ailleurs que la firme Alza a déposé plus de la moitié des 12 brevets les plus cités.

3.1 Propension à innover

Le tableau II.3 présente les résultats de l’équation d’innovation (II.3) estimant le modèle de la propension à innover des firmes.

Les colonnes 1-2 présentent les résultats des régressions concernant la propension qu’ont les firmes à déposer des brevets, les colonnes 3-4 celles sur la propension à déposer des brevets ajustés par les citations et les colonnes 5-6 celles sur la propension à déposer des brevets “pionniers” selon notre critère d’identification (cf. la figure II.1).

TAB. II.3 – GMM-Wooldridge à deux étapes — Propension à Innover

Brevets Non-AjustésBrevets Ajustés parBrevets Pionniers
(NA)les Citations (AC)(BP)
Log (Chiffre d’Affaires)t−10.2758***0.2507***-0.2335***-0.2192***-0.3081*-0.3456**
(0.0638)(0.0623)(0.0164)(0.0215)(0.1584)(0.1549)
Log (R&D)t−10.1846***0.2146***0.3058***0.3629***0.9776***1.0400***
(0.0550)(0.0405)(0.0142)(0.0238)(0.1477)(0.1814)
Part de Marché t−10.5459***0.3713***-0.2075***-0.2879***-0.2428-0.4529
(0.0298)(0.0522)(0.0135)(0.0213)(0.3115)(0.4604)
Part des Citations t−19.2923***6.8644***0.6351***-2.4173***47.06136.1456
(0.6046)(0.6976)(0.0626)(0.1667)(27.5860)(19.2542)
Indice d’Originalité t−11.6099***1.5240***0.3372***0.1583***3.5190**4.0000***
(0.0985)(0.0729)(0.0106)(0.0278)(1.3130)(.9435)
Auto-Citations t−10.4379***0.2014***0.1502***-0.4582***1.51761.1011
(0.0601)(0.0636)(0.0067)(0.0645)(1.4166)(1.1012)
Stock de Brevets0.0053***
Non Ajustés t−1Stock de Brevets(0.0005)0.0067***
Ajustés par les Citations t−1Stock de Brevets(0.0001)0.1327**
Pionniers t−1(0.0547)
AR(1)-2.2778**-2.3046**-2.0369**-2.1770**-1.2404-1.2474
AR(2)1.47691.4097-1.0756-1.64210.62150.5661
Hansen (sur-identification)39.986641.477644.600743.060714.693614.7414
DOF414141411414
Nombre d’observations845845845845845845
Nombre de firmes777777777777

Écarts types robustes entre parenthèses

  • significatif à 10% ; ** significatif à 5% ; *** significatif à 1%.

Estimations faites à partir d’ExPend sous GAUSS (Windmeijer, 2002).

Les résultats indiquent que l’influence des technologies internes à la firme (la propension à s’auto-citer) n’est significative que pour expliquer les dépôts de brevets ajustés et plus particulièrement les dépôts non ajustés.

Ainsi les firmes tendent à développer, ou tout du moins utiliser, les molécules qu’elles ont elles-mêmes précédemment brevetées lorsqu’elles déposent des brevets non pionniers et, dans une moindre mesure, des brevets ajustés par les citations.

L’impact est en effet non significatif pour les brevets pionniers tandis qu’il est le plus fort pour les dépôts non ajustés (colonnes 1, 3 et 5).

L’interprétation est simple : les développements de produits conduisent à des innovations généralement de faible amplitude (car elles sont cumulatives) qui auront tendance à exercer une influence technologique relativement faible au niveau sectoriel mais pas au niveau individuel (firme). Ainsi, les auto-citations rendraient compte essentiellement d’innovations de faibles importances.

Plusieurs remarques s’imposent néanmoins. Tout d’abord la causalité est vraisemblablement fragilisée par le fait qu’il s’agisse d’une variable retardée. En effet nous expliquons ici les flux de l’année t avec un indice calculé pour l’année t − 1.

Des régressions additionnelles ont donc été effectuées sans introduire de retards sur la variable auto-citations (il a été fait de même avec la variable Indice d’Originalité) et les résultats obtenus restent inchangés au niveau des seuils de significativité et des signes tandis que les coefficients restent très comparables.

Il semble par ailleurs que cette variable capture des effets propres aux innovations passées ce qui la rend peu stable pour une analyse dynamique.

Il est en effet intéressant de noter que l’introduction du stock déprécié d’innovation a pour effet d’inverser le signe du coefficient évaluant la relation entre dépôts de brevets ajustés et propension à s’auto-citer (colonnes 2 et 4).

Le même phénomène s’observe d’ailleurs sans retarder la variable auto-citations. Il semble donc qu’une fois le stock pris en compte, les auto-citations aient une influence inverse et ce seulement pour les brevets ajustés par les citations.

Comme nous l’avons mentionné précédemment, il semblerait donc que cette variable capture des effets propres à la dynamique de l’innovation car, de toute évidence, les auto-citations font référence au stock de brevets de la firme.

Les dépenses de R&D sont quant à elles toujours significatives et positives pour expliquer les différentes propensions à innover même si l’on peut observer des différences substantielles selon la variable dépendante considérée.

Ainsi les coefficients croissent avec le niveau de qualité des innovations considérées : les brevets pionniers s’expliquent alors par les dépenses de R&D les plus importantes (coefficient de 0.98) puis les brevets ajustés par les citations (coefficient de 0.31) et enfin les brevets non ajustés (coefficient de 0.18).

Il apparaît ainsi que les innovations les plus significatives sont naturellement celles qui cristallisent aussi le plus d’efforts de R&D et par conséquent que les dépôts de brevets non ajustés sont les innovations pour lesquelles les efforts de R&D sont les plus faibles.

Cela soutient l’hypothèse selon laquelle l’importance du nombre de brevets non ajustés peut refléter une utilisation loin de considérations réellement liées à l’innovation et donc potentiellement stratégique et anti-concurrentielle (voir aussi la section 3.3 Extensions sur ce point).

Concernant la diversification de la R&D notre indicateur donne des résultats intéressants. La variable “Originalité” est un indice montrant si les citations faites sont diversifiées en termes de classes technologique ou pas (cf. l’équation II.1).

Il apparaît qu’elle est toujours significative pour expliquer les différentes propensions à innover ce qui est conforme aux suggestions de la littérature sur ce point : les laboratoires ayant les sources de connaissance les plus diversifiées ont une plus forte productivité en R&D grâce aux économies de gamme (Henderson & Cockburn, 1996 ; Henderson et al., 1998 et Cockburn & Henderson, 1998).

L’effet est particulièrement élevé pour les brevets pionniers (coefficient de 3.52) et est plus faible pour les brevets ajustés (0.34) tandis qu’il est intermédiaire pour les brevets non ajustés.

Il est important de noter que, dans le cas des brevets non ajustés, l’importance du coefficient de l’indicateur d’originalité peut en réalité tenir du fait que les firmes déposant beaucoup de brevets innovent cumulativement : elles font donc beaucoup de citations ce qui accroît la diversification moyenne de celles-ci.

Nous trouvons des résultats importants concernant le pouvoir de marché des firmes : celui-ci explique fortement les dépôts de brevets non ajustés mais est négativement corrélé avec les dépôts ajustés.

Les coefficients concernant le niveau d’activité des firmes (le chiffre d’affaires) corroborent aussi l’hypothèse selon laquelle l’importance technologique des innovations est inversement proportionnelle à l’importance économique de la firme : les firmes avec le niveau d’activité commercial le plus faible sont celles ayant l’influence technologique la plus forte.

Le niveau d’activité commerciale explique ainsi négativement la propension à être pionnier (colonne 5-6) puis la propension à être technologiquement influent (colonne 3-4) alors qu’il est positivement corrélé avec la propension à déposer des brevets (colonne 1-2).

Ces résultats ont plusieurs implications. Tout d’abord, ils supportent les conclusions du modèle de “cannibalisation” de Reinganum (1983) : les firmes économiquement dominantes (c’est à dire ayant déjà une forte activité commerciale) ont moins d’incitations que les autres à être innovantes parce qu’elles craignent que des conflits dans leurs portefeuilles de produits ne provoquent des chevauchements dans leurs sources de profit.

On peut penser par exemple qu’une firme jouissant déjà des revenus procurés par un médicament à succès (un blockbuster) ait relativement moins d’incitations à être innovante qu’une firme ne jouissant pas de tels revenus.

Ensuite on peut supposer que ces mêmes firmes préfèrent optimiser leurs revenus courants en améliorant les produits déjà présents sur le marché et/ou en se protégeant de la concurrence, notamment des génériques, via une utilisation stratégique du brevet.

C’est cette utilisation du brevet qui les conduirait alors à faire de nombreux dépôts sans pour autant être pionnières ni technologiquement influentes.

En ce sens ces firmes déposent des brevets sans être réellement innovantes (voir les statistiques du chapitre introductif qui corroborent cette hypothèse, notamment vis-à-vis de la période considérée ici).

En considérant le rôle joué par les stocks de brevets on peut voir que leur influence est toujours positive sur les différentes mesures de l’innovation.

On remarquera cependant que le coefficient des stocks de brevets pionniers (colonnes 6) est très important relativement aux stocks de brevets non ajustés et ajustés (colonnes 2 et 4), vraisemblablement parce qu’il y en a peu (seulement 10% des brevets sont pionniers).

Cela indique cependant que les firmes faisant des innovations pionnières sont souvent les mêmes (puisqu’elles en ont déjà déposé et qu’il y en a peu), ce sur quoi nous reviendrons plus tard en examinant la dynamique des comportements d’innovation (section suivante).

Dans l’ensemble, les estimations du tableau II.3 suggèrent que ce ne sont pas les firmes importantes (niveau d’activité commerciale, part de marché) qui génèrent les innovations les plus influentes mais au contraire celles qui font les innovations les plus “petites” ou les moins significatives technologiquement.

Dans une certaine mesure, les résultats tendent à supporter l’hypothèse selon laquelle les firmes les plus importantes font une utilisation du brevet qui semble parfois stratégique car, en moyenne, leurs brevets concentrent relativement peu d’investissement en R&D.

Un premier résultat important à retenir, concernant la propension des firmes à innover, est donc que l’importance technologique des innovations est inversement proportionnelle à l’importance économique des firmes qui en sont à la source.

Nous nous intéressons maintenant aux effets rétroactifs de nos différentes mesures de l’innovation sur les comportements des firmes, c’est à dire à la persistance avec laquelle elles innovent.

Pour citer ce mémoire (mémoire de master, thèse, PFE,...) :
📌 La première page du mémoire (avec le fichier pdf) - Thème 📜:
Innovation et stratégies d’acquisitions dans l’industrie pharmaceutique
Université 🏫: L’Université de Paris I Panthéon-Sorbonne
Auteur·trice·s 🎓:
M. Gautier DUFLOS

M. Gautier DUFLOS
Année de soutenance 📅: Thèse Pour obtenir le grade de Docteur - Discipline : Sciences Économiques - 4 Juillet 2007
Rechercher
Télécharger ce mémoire en ligne PDF (gratuit)

Laisser un commentaire

Votre adresse courriel ne sera pas publiée. Les champs obligatoires sont indiqués avec *

Scroll to Top