Price discrimination in the medical device industry: An Empirical Analysis.

This Master thesis attempts to contribute to the ongoing debate on price discrimination in the Italian medical device markets by trying to empirically identify the factors that influence the degree of price dispersion before assessing whether price differences based on these factors constitute price discriminatory practices. I use medical device price data from 2010 to 2014 that has been gathered by the “Consorzio di Bioingegneria e Informatica Medica”(CBIM) for a medical device price benchmarking service that CBIM offers to public procurers of medical devices. Compared to previous studies on this subject, our data is extremely precise in capturing differences in product characteristics, which is very important given the highly differentiated nature of the medical device markets. In a first analysis, I find average coefficients of variation of prices ranging from 12 to 22 percent, depending on the specification of the comparison group. Subsequently, I use two empirical methods to identify the determinants of price dispersion: First, I use simple OLS to regress several variables related to the public procurer of the device, together with a proxy for product age and a dummy denoting whether the product was sold by an independent intermediary on different continuous measures of intragroup overpricing. I find that procurers from the Italian macroregions South and Islands pay significantly higher prices than those located in the Centre or North, centralized procurers pay lower prices than single hospital purchasers and ASLs seem to pay more for identical devices than AOs. In addition, I find a very robust negative effect of product age on final prices. In order to gain even deeper insights about the most important dependencies between the variables, in a second step, I use a score-based learning method to learn a Bayesian network from the data. While the OLS regression seems to be more adequate to identify average partial effects, the Bayesian network analysis gives a very good grasp about the dependencies between our variables and offers further interesting insights such as a much higher prevalence of independent intermediaries as final suppliers in Southern and Island regions. Finally, as to answer my second research question, using informal theoretical reasoning, I find that it is very likely that price differences that are based on the statistically significant variables from above stem from price discriminatory practices, given that most of these factors do probably not have a significant impact on manufacturers’ cost.

Questa tesi di laurea tenta di contribuire all’attuale dibattito sulla discriminazione di prezzo nei mercati Italiani dei dispositivi medici. Provo a identificare empiricamente i fattori che influenzino il grado di dispersione dei prezzi, prima di valutare se differenze di prezzo basati su soli questi fattori costituiscono pratiche di discriminazione di prezzo. Uso dati di prezzi di dispositivi medici degli anni 2010 a 2014 che sono stati raccolti dal “Consorzio di Bioingegneria e Informatica Medica” (CBIM) per un servizio benchmarking di prezzi che CBIM offre alle aziende sanitarie pubbliche acquirenti di dispositivi medici. Rispetto a studi precedenti su questo soggetto, i nostri dati sono molto precisi in riflettere differenze di caratteristiche di prodotto, un fatto molto importante, vista la forte differenziazione dei mercati di dispositivi medici. In un’analisi preparatoria trovo dei coefficienti di variazione medi di prezzi in un intervallo tra 12 e 22 per cento, a seconda della specificazione del gruppo di riferimento. In seguito, uso due metodi empirici per identificare i fattori determinanti della dispersione dei prezzi: Prima, eseguo una semplice regressione OLS di diversi variabili di caratteristiche dell’acquirente, insieme a una variabile proxy per “l’età” del prodotto e una variabile dummy che rifletta se il dispositivo e stato venduto da un fornitore commerciale indipendente dal produttore su delle misure di sovraprezzo rispetto al gruppo di riferimento. Trovo che gli acquirenti provenienti dalle macro-regioni Sud e Isole pagano prezzi significativamente più alti che quelli situati al Centro o al Nord, acquisti centralizzati sono meno costosi che acquisti da un azienda sanitaria singola e gli ASL sembrano di pagare prezzi più alti che le AO per gli stessi dispositivi medici. Inoltre trovo un effetto negativo molto robusto dell’età di un prodotto sul prezzo finale. Per approfondire la comprensione delle dipendenze tra le variabili più importante, in una seconda fase uso un metodo di “score-based learning” per imparare la struttura e i parametri di una rete Bayesiana dai dati. Mentre la regressione OLS è il metodo più adeguato per identificare gli effetti parziali medi, l’analisi basata sulle reti Bayesiane da un’intuizione molto profonda sulle dipendenze che esistono tra le nostre variabili e offre informazioni supplementari interessanti, per esempio il fatto che l’uso di distributori commerciali indipendenti sembra di essere molto più prevalente nelle regioni Sud e Isole. Finalmente, per quanto riguarda la mia seconda domanda di ricerca, concludo che è molto probabile che differenze di prezzi basati sugli fattori che secondo l’analisi empirica sono statisticamente più significativi, sono in effetti il risultato di pratiche di discriminazione di prezzo, visto che quasi tutti questi fattori probabilmente non influenzano in modo rilevante il costo dei produttori.