Detta arbete syftar till att undersöka det kausala sambandet mellan antalet apotek per invånare och antalet expedierade läkemedel per invånare. För att göra detta behöver antalet expedieringar per invånare påverkas enbart av antalet apotek. Eftersom detta inte är
fullständigt möjligt givet datatillgången används en fixed effects-modell som ska kompensera för förändringar i beteende annars kan störa tolkningen av resultatet. Sambandet mellan apotek och expedieringar i vissa särskilda kommuner samt särskilda läkemedel testas för att få en mer detaljerad bild av hur antal apotek kan påverka expedieringar av läkemedel. Detta minskar också risken att tolka de systematiska fel som kan uppenbara sig vid dataanalys.
Difference-in-difference metoden som används jämför en observerbar förändring med det hypotetiska scenariot att förändringen inte skedde. I fallet med apoteksmarknaden jämförs effekten av ökningen i antalet apotek med det kontrafaktiska scenariot att antalet apotek inte ökade. Eftersom det inte går att se eller mäta det kontrafaktiska scenariot ska i stället de faktorer som påverkar den mätta effekten minimeras. Givet den stora ökningen i antal apotek bedöms effekten av omregleringen vara tydlig, den förändringen hade inte kunnat ske
organiskt. Därigenom kan ökningen i antal apotek ses som en effekt av omregleringen, även den som skedde efter 2010. Huruvida antalet expedieringar påverkats av ökningen i antalet apotek tolkas matematiskt, detta görs genom korrelationskoefficienten. Koefficienten i sin tur kommer av en uträkning som jämför antalet apotek per 1000 invånare med antalet
expedieringar per 1000 invånare. Utöver koefficienten ges mätvärden på förklaringsgraden och den statistiska signifikansen. Dessa värden förklarar hur stor säkerhet resultatet har och huruvida det går att dra större slutsatser resultatet än de som kommer av just dessa data.
Variablerna apotek per 1000 invånare och expedieringar per 1000 invånare kan visa ett systematiskt starkare eller svagare samband än det egentliga kausala sambandet om de båda beror av en, från analysen utomstående, variabel. I fallet med omregleringen av
apoteksmarknaden kan detta vara särskilt viktigt att tänka på då policyreformen inte enkom
22
ökade antalet apotek utan även öppnade upp för generösare öppettider, möjlighet till billigare läkemedel i och med generikareformen och så vidare. Just generikareformen berör särskilt då möjligheten till billigare generikaläkemedel kan öka antalet expedieringar samtidigt som köp av generikaläkemedel leder till en större vinstmarginal hos apotekare och därmed ett
potentiellt incitament att öppna fler apotek. I det nämnda fallet är det alltså en utomstående variabel som påverkar både expedieringar och apotek positivt, det ger illusionen att de har en starkare kausalitet medan samvariationen egentligen beror på den utomstående påverkande variabeln: generikareformen. Prisminskningen av läkemedel gör att effekterna av en närmre fysisk tillgänglighet skulle kunna överskattas då effekten av billigare läkemedel också kan öka konsumtionen av läkemedel. Samtidigt gör det införda pristaket att den motsatta relationen, att en prisökning hämmar effekten av ökad fysisk tillgänglighet på läkemedel, förefaller osannolik. Effekter som kan tänkas påverka beteenden inom en hel sektor samtidigt (och därmed påverka både analysens beroende och oberoende variabel) kan också skapa tolkningsproblem. Exempelvis kan förändrade förskrivningsrekommendationer påverka antalet läkemedelsförskrivningar och därmed antalet expedieringar.
4.1. Paneldata
Ingenting sker i ett vakuum. I fallet med omregleringen av apoteksmarknaden genomfördes som beskrivet flera samtida reformer med syfte att påverka hur apoteksmarknaden fungerade.
Detta gör att en analys av effekten av en oberoende variabel på en beroende variabel i någon mån kommer att påverkas av hur andra mer eller mindre mätbara variabler utvecklas
samtidigt. Den sanna effekten av hur antalet apotek i en kommun påverkar antalet
expedieringar av läkemedel kan bara mätas ifall andra påverkande variabler hålls konstanta.
För att räkna bort den effekt som utomstående tidsfixa variabler (till exempel förändrade förskrivningsrekommendationer) har, anordnas observationerna som paneldata där varje kommun räknas som en enhet och förändringen över tid räknas per år. På så sätt kan en effekt som påverkar den beroende eller oberoende variabeln samtidigt i flera olika kommuner räknas bort till förmån för en tydligare tolkning av den kausala effekten mellan apotek per invånare och expedieringar per invånare. Detta innebär dock att ifall den beroende eller oberoende variabeln i sig förändras på samma sätt samtidigt i flera kommuner så kan detta
23
misstolkas som en utomstående tidsfix effekt. Därmed kan en simultan förändring i apotek eller expedieringar i flera kommuner i själva verket hämma tolkningen av sambandsanalysen.
Det är därmed till fördel att antalet apotek per invånare (den oberoende variabeln) förändrats så annorlunda i kommunerna. Ifall detta mätts med procentuell förändring i stället för apotek per invånare hade denna variabel kunnat påverka analysen ytterligare. Eftersom utvecklingen är så pass olika i olika kommuner är därmed en analys ur paneldata att föredra.
Utöver de tidsfixa variablerna korrigeras även för kommunfixa variabler. Dessa är sådana som är olika i olika kommuner men konstanta över tid. Om en viss kommun till exempel är friskare över lag och därav konsumerar mindre receptläkemedel så påverkar detta relationen till antalet apotek som finns i den kommunen. Då detta beteende är konstant över tid räknas den inte in i den kausala uppskattningen av relationen mellan apotek och
läkemedelsexpedieringar.
Paneldatametoden sker genom modellen 𝑌!" = 𝛽#𝑋!"+ 𝛼! + 𝛼"+ 𝑢! där 𝑌!" är antalet expedieringar per 1000 invånare per kommun och år, 𝛽# ger i hur stor utsträckning antalet apotek per 1000 invånare per kommun och år (𝑋!") påverkar antalet expedieringar. 𝛼! ger den fixa effekten per kommun och 𝛼" per år, 𝑢! fungerar som en felterm som samlar de
påverkansvariabler som inte kan mätas genom 𝛽#. Denna modell gör att effekten av större förändringar mellan kommuner och år till viss del elimineras ur resultatet, relationen mellan antal apotek per 1000 kommuninvånare och antal expedieringar av receptbelagda läkemedel per 1000 kommuninvånare.
Ett grundantagande som görs för att en kausal relation ska kunna säkerställas är att feltermen, summan av påverkanseffekten av alla oberäknade eller utomstående variabler blir noll. Detta beskrivs av 𝐸(𝑢|𝑋) = 0 som ger att feltermen 𝑢 inte förväntas ha någon relation till den oberoende variabeln 𝑋. Då tids- och kommunfixa effekter kontrolleras för i fixed effects-modellen skulle detta kunna vara variabler som att en ort får fler apotek utan att ha en efterfrågan som samtidigt kan få utlopp för sig genom att öka antalet expedieringar av läkemedel i orten. Ifall en apotekskedja fann det nödvändigt att öppna apotek på en ort för representationens skull utan i sig möjliggöra för fler expedieringar (exempelvis genom korta
24
öppettider och dålig lagerhållning) skulle detta kunna orsaka felslut i analysen. Det går inte att utesluta att feltermen inte är lika med noll då det inte går att uppskatta alla de variabler som kan tänkas påverka delar av den analytiska metoden. På samma sätt går det inte rakt av att anta att tids- och kommunfixa variabler till fullo kompenseras för av den statistiska modellen. Detta till trots kan fixed effects-modellen och feltermsantagandet anses vara tillräckligt välformulerade för att en någorlunda kausal ska kunna dras om sambandet mellan den beroende och den oberoende variabeln.
4.2. Skillnader mellan olika kommuner och olika läkemedel
Sveriges kommuner skiljer sig vitt åt. Som har konstaterats har ungefär hälften av
kommunerna endast ett eller två apotek medan ett fåtal kommuner besitter över tjugo apotek.
På grund av deras geografiska och demografiska variationer kan dessa kommuner tänkas fungera på olika sätt. Av denna anledning är det värt att undersöka effekten av antal apotek per 1000 invånare på expedieringar per 1000 invånare i olika särskilda typer av kommuner.
Eftersom befolkningstätheten är den variabel som kan särskilja olika typer av kommuner och hur deras tillgång är till apotek studeras de tio mest och minst tätbefolkade kommunerna i kluster för sig. Resultatet kan ge en visning på hur befolkningstäthet påverkar apoteks- och läkemedelsmarknaden generellt men även hur olika sorters kommuner svarar på förändringen i antal apotek.
Förutom att olika kommuner kan se olika mönster i sina expedieringar kan expedieringarna av olika läkemedel tänkas förändras på olika sätt. För att testa hur olika läkemedel kan påverkas av deras efterfrågeelasticitet och andra egenskaper testas hur expedieringarna av olika läkemedel beror av antalet apotek per invånare i kommunen.
Som nämnt i kapitel två räknas insulin ofta som en vara med fullständigt oelastisk
efterfrågan, därför kan det tänkas att variabeln antal apotek i en kommun inte bör ha någon effekt på expedieringarna av läkemedlet insulin. Ibuprofen å andra sidan är ett läkemedel med något högre efterfrågeelasticitet än insulin. Således kan det tänkas att expedieringarna av ibuprofen bör kunna förändras mer då det blir mer eller mindre tillgängligt. Som diskuterat är
25
det dock möjligt att expedieringar av receptförskriven ibuprofen (den mätta variabeln) påverkats negativt av möjligheten att köpa ibuprofen utanför öppenvårdsapoteken.
Ketoprofen, ett smärtlindrande preparat, bör ha en efterfrågeelasticitet liknande den hos ibuprofen (på grund av dess ickevitala natur). Ketoprofen finns dock till skillnad från ibuprofen inte tillgängligt utanför öppenvårdsapotek och kräver recept för uthämtning.
(Läkemedelsverket, 2011) Därför kan ketoprofen tänkas samvariera i högre grad med antalet apotek per invånare i en kommun. De tre nämnda läkemedlen ovan granskas också med fixed effects, för alla kommuner under samma år som de övriga variablerna, det vill säga 2011 och 2014.