FUNDAÇÃO GETÚLIO VARGAS ESCOLA DE ECONOMIA DE SÃO PAULO
MESTRADO PROFISSIONAL EM FINANÇAS E ECONOMIA EMPRESARIAL
JULIANA NORIKO YAMADA
ECONOMIAS DE ESCALA E EFICIÊNCIA DE GASTOS NA SAÚDE:
NOVAS EVIDÊNCIAS
SÃO PAULO
JULIANA NORIKO YAMADA
ECONOMIAS DE ESCALA E EFICIÊNCIA DE GASTOS NA SAÚDE:
NOVAS EVIDÊNCIAS
SÃO PAULO JANEIRO DE 2011
Dissertação apresentada à Escola de Economia de São Paulo da Fundação Getúlio Vargas, como requisito para obtenção do título de Mestre em Economia.
Orientador:
Yamada, Juliana Noriko.
Economias de escala e eficiência de gastos na saúde: novas evidências/ Juliana Noriko Yamada. - 2011.
67 f.
Orientador: Verônica Inês Fernandes Orellano
Dissertação (mestrado profissional) - Escola de Economia de São Paulo.
1. Saúde pública – São Paulo (Estado). 2. Serviço público -- Avaliação. 3. Saúde pública -- Avaliação. 4. Economia da saúde. I. Orellano, Verônica Inês Fernandes. II. Dissertação (mestrado profissional) - Escola de Economia de São Paulo. III. Título.
JULIANA NORIKO YAMADA
ECONOMIAS DE ESCALA E EFICIÊNCIA DE GASTOS NA SAÚDE: NOVAS EVIDÊNCIAS
Dissertação apresentada à Escola de Economia de São Paulo da Fundação Getúlio Vargas, como requisito para obtenção do título de Mestre em Economia
Data de aprovação: ___/___/_____
Banca examinadora:
________________________________ Profa. Dra. Verônica Inês Fernandez Orellano (Orientadora)
FGV - EESP
________________________________ Prof. Paulo Roberto Arvate
FGV-EESP
AGRADECIMENTOS
Concluir mais do que uma dissertação, esse momento marca uma importante etapa da minha vida. Muita força de vontade, dedicação e, principalmente, apoio de pessoas importantes viabilizaram esse projeto de vida.
Agradeço à Deus que me permitiu fazer parte de uma família única: pais que me ensinaram o valor do estudo, do respeito e do trabalho. Que, de forma incondicional, me ofereceram suporte e apoio se tornando meus grandes ídolos. E irmãos com os quais tenho o privilégio da convivência e companheirismo.
À minha orientadora, Prof. Verônica, que não se contenta jamais em “apenas” orientar um aluno. Que busca, incansavelmente, oferecer suporte e apoio durante todo o período de preparação do trabalho. E que consegue reunir conhecimento, didática, paciência e compreensão como poucos.
Aos meus queridos amigos que me ajudaram a vencer mais esse desafio e que compartilharam altos e baixos desse ciclo.
Aos novos e bons amigos “masters” que tive a oportunidade e prazer de conhecer e conviver ao longo do curso.
Ao meu mentor Gustavo Freitas que cedeu um tempo e atenção valiosos que, sem dúvidas, me ajudaram a vencer mais este desafio.
Aos docentes que contribuíram com inspiração e ao suporte oferecido pelos funcionários da FGV.
RESUMO
Uma das mais importantes diretrizes do Sistema Único de Saúde (SUS) é a descentralização da gestão dos serviços de saúde, visando uma maior proximidade dos agentes tomadores de decisão com a população local. Contudo, um dos argumentos contrários à descentralização é de que esta pode implicar em consideráveis perdas de escala.
Este trabalho tem como objetivo investigar a existência de economias de escala no setor de saúde pública no Brasil. Alguns estudos empíricos nacionais já encontraram evidências de economias de escala na provisão de serviços públicos em geral, incluindo o caso específico do setor de saúde, como os trabalhos de Souza, Cribari-Neto e Stosic (2005) e Mattos et al. (2009).
Este estudo busca acrescentar novas evidências a esse tema, a partir de uma nova investigação que difere das anteriores em metodologia.
Inicialmente é calculado um score de eficiência (através do método DEA - Data envelopment analysis) com base em três variáveis de insumo (gastos em saúde, cobertura de
esgoto e de abastecimento de água encanada) e três variáveis de produto (mortalidade infantil, internação por doenças infecciosas e taxa de acesso ao sistema de saúde). Após o cálculo deste
score, analisa-se a relação entre tamanho da população e outras variáveis demográficas e a
eficiência dos municípios na provisão de saúde. Para isso foi feita uma regressão usando dados de painel que inclui 537 dos 645 municípios do Estado de São Paulo ao longo do período 2002-2007, o que permite o controle do efeito fixo dos municípios, além do controle de características como renda per capita, violência, educação, entre outros.
Os resultados confirmam aqueles já encontrados por outros pesquisadores a partir de outras metodologias, revelando que o tamanho do município é um importante determinante de sua eficiência na área de saúde. Assim sendo, por fim, investigam-se possíveis explicações para o forte impacto da escala na eficiência de gastos em saúde. A questão que surge é a identificação dos fatores que determinam essas economias de escala, que podem vir, por exemplo, dos gastos em infra-estrutura – como quantidade de leitos e estabelecimentos – ou de gastos com recursos humanos, equipamentos, materiais ou remédios. Parte desta questão é analisada ao se estimar um modelo de regressões aparentemente não correlacionadas, no qual se identificam diferenças relevantes na intensidade de utilização de diferentes categorias de insumos de acordo com o tamanho da população.
ABSTRACT
One of the most important guidelines regarding Sistema Único de Saúde (SUS) is the health services management descentralization which allows decision makers to be closer to local population. On the other hand, one of the arguments against descentralization is that it can imply in considerable scale losses.
The main objective of this analysis is to investigate existence of economy of scale in public health segment in Brasil. Some national empirical studies already founded evidences of economies of scale in public services, including the specific case in health segment, like Souza, Cribari-Neto and Stosic (2005) and Mattos et al. (2009). This study seeks to add new evidences to this theme, based on a new investigation that differs from the others in terms of methodology.
Initially, an efficiency score (using DEA method – Data envelopment analysis) based on three input variables (health public spending, sewer covering and canalized water supply) and three output variables (infantil mortality, infectious illness hopitalization and health system access rate). After having this score calculated, we analyze the relation between population size, demographic variables and the municipality eficiency to provide health services. To achieve it, it was applied a panel data regression including 537 of 645 municipalities in São Paulo state for the period of 2002-2007, which allowed to consider fixed effects of the them and to control specific characteristics as income, violence, education and others.
The results confirm what was concluded before using different methodologies, proving that the size of a municipality population is an important determinant of its efficiency in health area. Finally, possible explanations are investigated to justify the strong impact of scale in the efficiency regarding spending in health. The question we seek to answer is regarding the factors that determine this economy of scale, which can be considered as infra-strutucture expenses (hospital and beds) or expenses in human resources, equipments, materials or medicines. This question is partially analyzed estimating a SUR (Seemingly Unrelated Regressions) in which relevant differences in intensity of different inputs categories usage are different according to population size.
LISTA DE FIGURAS
LISTA DE GRÁFICOS
Gráfico 1 - Modelo de fronteira de eficiência FDH (Full Disposal Hull)...11
Gráfico 2 - Modelo de fronteira de eficiência DEA (Data envelopment analysis – CCR –
Retornos constantes de escala) ...11 Gráfico 3 - Modelo de fronteira de eficiência DEA – BCC (retornos variáveis de escala) ...28 Gráfico 4 - Histograma com distribuição dos municípios por faixa de score de eficiência (média dos anos 2002 a 2007)...11 Gráfico 5 - Histograma com distribuição dos municípios por score de eficiência (média dos anos 2002 a 2007)...11 Gráfico 6 - Análise de correlação entre tamanho da população e o score de eficiência...11
Gráfico 7 - Evolução do score de eficiência médio dos municípios de 2002 a 2007...11
Gráfico 8 - Correlação entre gastos com saúde per capita e tamanho da população (em logaritmo) ...11 Gráfico 9 - Correlação entre o número de estabelecimentos de saúde (hospitais, clínicas, postos segundo o DATASUS) e o tamanho da população (log) ...11 Gráfico 10 - Correlação entre o número de leitos (segundo o DATASUS) e o tamanho da
população (log) ...11 Gráfico 11 - Correlação entre o número de profissionais de saúde (técnicos, enfermeiros,
médicos e administrativos) e o tamanho da população (log) ...11 Gráfico 12 - Correlação entre o número de profissionais da saúde por estabelecimento e o
LISTA DE TABELAS
Tabela 1 – Resultados das regressões – Modelo de efeitos fixos ...36
Tabela 2 - Ranking dos municípios com maiores scores de eficiência...39
Tabela 3 - Lista dos 49 municípios com menores índices de eficiência ...41
SUMÁRIO
1. INTRODUÇÃO ...11
2. ESTUDOS EMPÍRICOS SOBRE EFICIÊNCIA NA PROVISÃO DE SERVIÇOS PÚBLICOS...14
3. CONSTRUÇÃO DA BASE DE DADOS E METODOLOGIA ...19
3.1. DADOS...19
3.2. METODOLOGIA PARA MENSURAÇÃO DA EFICIÊNCIA TÉCNICA E O MODELO ESTIMADO ...23
3.3. MODELO PARA CÁLCULO DO DEA...30
3.4. A EQUAÇÃO ESTIMADA ...32
4. OS SCORES DE EFICIÊNCIA CALCULADOS E OS RESULTADOS DAS REGRESSÕES...33
4.1. RESULTADOS DO CÁLCULO DE EFICIÊNCIA...33
4.2. RESULTADOS DAS REGRESSÕES...34
5. ANALISANDO AS ECONOMIAS DE ESCALA NO SETOR DE SAÚDE A PARTIR DE INFORMAÇÕES SOBRE UTILIZAÇÃO DE INSUMOS...44
5.1. EVIDÊNCIAS DA RELAÇÃO ENTRE ESCALA, GASTOS E UTILIZAÇÃO DE INSUMOS...44
5.2. ANALISANDO A RELAÇÃO ENTRE ESCALA E INTENSIDADE DE USO DE DIFERENTES CATEGORIAS DE INSUMOS (MODELO SUR) ...50
6. CONCLUSÕES ...54
7. REFERÊNCIAS BIBLIOGRÁFICAS ...56
1. INTRODUÇÃO
Muito tem se questionado nos últimos anos sobre o SUS, a descentralização da gestão do sistema de saúde no Brasil e seu impacto no desempenho dos municípios neste setor. Se por um lado busca-se com a descentralização um maior foco nas necessidades específicas dos munícipes, por outro se levanta o questionamento sobre a possível perda de economias de escala. Isto porque, à medida que se descentraliza a gestão do segmento, cada vez mais se incorre na gestão fragmentada dos gastos em saúde. Alguns estudos já mostraram a existência de economias de escala na provisão de serviços públicos, como os trabalhos de Souza, Cribari-Neto e Stosic (2005) e Mattos et al. (2009). Este último conclui que municípios maiores, em geral, apresentam maior eficiência e melhores desempenhos em indicadores como taxa de acesso ao sistema e prevenção de doenças infecciosas.
O Sistema Único de Saúde (SUS) vem enfrentando modificações em sua legislação desde o início da década de 1990: Constituição Federal de 1988 e Lei Orgânica de Saúde de 1990, que contaram ainda com fatores políticos relevantes para o setor da saúde pública brasileira. Tem-se, na descentralização dos gastos públicos, o objetivo de priorizar os princípios de equidade, universalidade e participação cidadã (CORDEIRO, 2001).
O SUS foi formulado junto a um espírito de modificações no setor de saúde pública, uma vez que a população brasileira e a América Latina em geral buscavam melhorias nas áreas de Reforma Sanitária, Previdência Social e Assistência Médica. A criação do SUS tinha como concepção a Seguridade Social, além de integrar recursos orçamentários e fórmulas de políticas públicas para o setor de saúde, que passaria a ser considerado de maior abrangência e escopo. Basicamente, a Constituição de 1988 priorizava: (i) participação dos trabalhadores, empregados, Governo e Órgãos Colegiados a formarem gestão quadripartite caracterizando uma administração democrática e descentralizada; (ii) ampla forma de financiamento; (iii) custeio com equidades; (iv) equivalência dos benefícios à população urbana e rural; e (v) cobertura e atendimento de forma universal (CORDEIRO, 2001).
Presidente da República Fernando Collor de Melo. A Lei Orgânica da Saúde, que passou a vigorar após a saída de Collor da presidência do Brasil, define que os recursos disponíveis para o Distrito Federal, Estados e Municípios deverão ficar no Fundo Nacional de Saúde – que recebe a verba via transferência fundo a fundo e posteriormente passa para os fundos Municipais e Estaduais. Ainda, toda a movimentação de fundo a fundo, como do Fundo Nacional da Saúde para os Fundos Municipais e Estaduais, deve ficar sob responsabilidade do Conselho Nacional de Saúde.
Assim percebe-se que uma das mais importantes diretrizes do SUS é a descentralização da gestão dos serviços de saúde, visando uma maior proximidade dos agentes tomadores de decisão com a população local. Contudo, para que a descentralização dos gastos públicos se torne possível e traga resultados benéficos e de forma igualitária, os Estados devem ser capazes de tomar decisões autônomas, assim como focar na qualidade dos bens e serviços prestados. Isso será possível com a incorporação de avanços tecnológicos e sua absorção, que deve ser capaz de compreender as necessidades regionais (CORDEIRO, 2001).
Dentro desse contexto, o objetivo deste trabalho é investigar os determinantes da eficiência na provisão de serviços de saúde nos municípios do Estado de São Paulo, com especial atenção para a relação entre escala e eficiência, uma vez que essa relação está ligada ao debate sobre descentralização da gestão e seus potenciais benefícios e problemas. A idéia é estender o estudo de Mattos el al. (2008) para o setor de saúde, a partir de uma análise empírica com algumas diferenças metodológicas. Os scores de eficiência na provisão de serviços de saúde foram
calculados a partir da técnica de Data Envelopment Analysis (DEA), tendo sido construída uma
base de dados de painel que cobre o período 2002-2007. Além disso, foi incluída uma nova variável de desempenho do setor (mortalidade infantil) e variáveis de saneamento municipal como insumos, além do gasto em saúde. Para as variáveis de insumo foi considerada a média dos últimos três anos.
Uma análise exploratória desta questão é realizada a partir da estimação de um modelo de regressões aparentemente não correlacionadas, no qual se identificam diferenças relevantes na intensidade de utilização de diferentes categorias de insumos de acordo com o tamanho da população.
Este trabalho foi dividido em 6 capítulos, além desta introdução. No segundo capítulo é apresentada uma revisão de estudos empíricos que investigaram o tema da eficiência na provisão de serviços públicos, com ênfase naqueles que estudaram a relação entre descentralização e eficiência e economias de escala. No terceiro capítulo são descritos os dados utilizados e a metodologia aplicada para cálculo do score de eficiência, assim como o modelo de dados em
painel utilizado para análise do impacto das variáveis (explicativa e de controle) neste score. No
quarto capítulo são apresentados os resultados do cálculo do score de eficiência, assim como as
2. ESTUDOS EMPÍRICOS SOBRE EFICIÊNCIA NA PROVISÃO DE SERVIÇOS PÚBLICOS
Muito se tem questionado atualmente sobre a provisão dos serviços públicos oferecidos e se, de fato, há uma forma de mensurar a eficiência dos gastos realizados. Dado o forte movimento da descentralização da gestão do serviço de saúde através do SUS, o questionamento se volta para a existência ou não de economias de escala em setores como a saúde, ou seja, unidades gestoras maiores são mais eficientes do que as menores?
Em estudos empíricos sobre a eficiência na provisão de serviços públicos, autores buscam formas e metodologias de mensurar scores de forma a calcular quanto de insumo está se
investindo e quanto se está conseguindo produzir através deste insumo. Muitos deles realizam essa análise com base em comparação entre unidades gestoras deste setor, contrastando os insumos e produtos resultantes deste processo entre municípios.
Para analisar a eficiência de gastos públicos entre os países, Herrera (2005) estuda indicadores de saúde e educação de 140 países no período de 1996 a 2002 e utilizando como metodologias não paramétricas de cálculo de score o DEA (Dara Envelopement analysis) e o FDH (Full Disposable Hull). Constata-se, então, que, variáveis como o nível de urbanização
(efeito positivo), incidência de epidemias de AIDS (efeito negativo) e problemas na distribuição de renda (efeito negativo) impactam e explicam o índice de eficiência de determinado país. O autor ressalta ainda que, mesmo os países identificados como mais eficientes, podem buscar um aumento de eficiência resultando em mais produto dado o mesmo nível de insumo consumido.
De modo semelhante, Afonso e Aubyn (2004) analisam os setores de saúde e educação dos países da OECD aplicando as mesmas técnicas não paramétricas adotadas por Herrera (2005), adotando como inputs quantidade de horas na escola por ano, número de professores para cada
100 alunos, número de médicos, de enfermeiros e de leitos. Como output, os autores utilizaram o
desempenho do PISA (Program for International Student Assessment), expectativa de vida e a
taxa de sobrevivência infantil. Os scores de eficiência foram calculados separadamente para os
são bastante similares, apontando como países de destaque nos dois cenários Japão, Suécia e Coréia.
Em uma análise feita para os países Colômbia e Bolívia, Faguet e Sachez (2008) procuram evidenciar os efeitos da descentralização nos produtos gerados pelo setor público. Se por um lado observou-se na Colômbia que a descentralização da gestão do orçamento público levou a um maior índice de matrículas nas escolas públicas, por outro, observou-se na Bolívia que este movimento fez com que o governo agisse com maior responsabilidade no redirecionamento do investimento público para áreas mais necessitadas. Neste país, observou-se que houve um investimento maior (e desproporcional) no setor de educação em áreas com os piores indicadores de desempenho, em resposta às reais necessidades locais da população. Para o caso da Colômbia, conforme mencionado anteriormente, a descentralização levou a um maior índice de crianças freqüentando as escolas. Embora não seja um índice direto de melhora do desempenho deste setor, o mesmo é mencionado por Faguet e Sanchez (2008) como uma proxy. Os autores reafirmam
ainda que o aumento deste índice não é só resultado de um maior investimento no setor, mas sim devido à forma e locais onde o mesmo foi feito.
Já Barankay e Lockwood (2005), em um estudo sobre eficiência de gastos do governo e eficiência produtiva, realizam uma análise através de uma base de dados de cantões suíços. Nele os autores mostram, através de dados em painel, que uma maior descentralização está positivamente relacionada a uma maior eficiência na educação. O estudo contradiz um resultado anterior encontrado por Treisman (2002) que, através de uma análise cross section, identifica uma
relação negativa entre a descentralização e a governança.
De acordo com Campbell (2001), essa tendência de descentralização acabou incentivando uma postura de liderança por parte dos governantes, fazendo com que exista uma participação maior da população.
Para estudar a eficiência de gastos públicos no Brasil, Boueri (2006) utiliza a metodologia DEA (Data envelopment analysis) aplicando tanto o modelo CCR (retornos constantes de escala)
quanto o BCC (retornos variáveis de escala) orientados ao insumo (ou seja, obter o mesmo produto consumindo menos insumo). O autor utilizou como insumo no cálculo do score de
eficiência a despesa do município e como produto a cobertura de coleta de lixo, o índice de crianças matriculadas e número de internações registradas em hospitais municipais (todos os dados referentes ao ano de 2000 e considerando 3.206 municípios brasileiros). No modelo CCR foi constatada maior ineficiência em municípios menores e, através do modelo BCC, verificou-se evidências de perda de escala em serviços públicos. Além disso, o autor estima uma perda de aproximadamente 50,6 bilhões de reais dados os níveis de ineficiência e considerando retornos constantes de escala. No caso de se considerar perdas de escala nesse setor, essa perda passa a ser de 34 bilhões de reais.
Ainda, para reforçar a teoria da presença de economias de escala nos gastos públicos, Sampaio de Souza e Ramos (1999) analisam dados de despesas dos municípios no ano de 1991 e consideram os municípios com mais de 100 mil habitantes das regiões Nordeste e Sudeste. Através das técnicas DEA e FDH, utilizam como output alguns indicadores de serviços como o
número de domicílios com rede de abastecimento de água e com coleta de lixo, o inverso do número de analfabetos e o número de alunos matriculados. Neste estudo, os autores identificam uma diferença significativa entre os resultados de eficiência calculados com o FDH e com o DEA e argumentam que a mesma se deve, entre outros fatores, pelo fato de FDH ser calculado com base em registros reais (e denominando um município como eficiente quando não há outro com o qual possa ser comparado) enquanto que o DEA cria uma fronteira e, portanto, compara o desempenho deste com um registro “calculado”.
Analisando especificamente a eficiência de gastos públicos no setor de saúde, Mattos et al. (2009) realizam um estudo no qual são utilizados como medidas de desempenho a taxa de acesso à rede pública (calculado como o percentual de óbitos dentro do sistema sobre o total de óbitos) e o índice de internações por doenças infecciosas (calculado como o número de internações per capita por doenças infecciosas por local de residência), utilizando como metodologia o FDH (Full disposable hull). São calculados um score de eficiência para cada medida de desempenho e um a
de determinado município. Concluem, desta forma, que municípios menores, além de terem maior gasto per capita em saúde, oferecem piores condições de acesso ao sistema. Com isso os autores defendem a idéia de que a excessiva descentralização na gestão pode levar à perda de eficiência.
Já Sampaio de Souza, Cribari-Neto e Stosic (2005) analisam os determinantes da eficiência na provisão municipal de serviços públicos e estimam os scores através da técnica de DEA (Data Envelopment Analysis), aplicando tanto a versão com retornos constantes de escala quanto a com
retornos variáveis. As variáveis utilizadas como indicadores de desempenho do serviço público (output indicators) são nove e medem o desempenho em educação, saneamento e coleta de lixo.
Além disso, os autores utilizam a população total residente como um output, argumentando que
esta seria uma proxy para as várias tarefas que devem ser desempenhadas especialmente por
cidades grandes, como o controle do crime. Esses autores já tinham chegado a um resultado semelhante ao de Mattos el al. (2009), pois concluem que o tamanho e densidade da população afetam positivamente os scores de eficiência.
De forma semelhante aos estudos citados anteriormente, uma análise feita por Santos (2008) sobre a eficiência dos gastos em saúde, utilizando como input os gastos públicos com
saúde e saneamento (este último considerado pelo fato do autor acreditar num forte impacto dos investimentos neste setor nos indicadores de saúde) entre os anos de 1997 a 2000, período adotado por serem antecedentes às informações divulgadas pelo CENSO de 2000. O autor comparou a eficiência de gastos de 3.370 municípios brasileiros adotando como técnica a Fronteira Estocástica. Com isso, o mesmo visava comparar os municípios que melhor aproveitavam os recursos destinados à saúde pública. Como insumos foram consideradas variáveis que afetam a qualidade dos bens e serviços prestados pelos municípios à população, tais como: condições de saneamento básico, educação, renda média do município, gastos totais com a saúde pública, habitação, entre outras. Em contrapartida, adotou-se como output dos insumos a própria eficiência
correlação positiva entre parcerias com hospitais privados que atendem ao SUS com menor variância da ineficiência. Desta forma, dentre todos os 3.370 municípios avaliados, os que apresentaram mais eficiência nos gastos públicos destinados à saúde foram os Estados de São Paulo (incluindo a Capital), Paraná e Rio Grande do Sul. Em contrapartida, os municípios do Estado de Minas Gerais ficaram com o pior desempenho.
Ao se pesquisar estudos empíricos sobre eficiência na provisão de saúde em outros países, é importante citar o estudo de Evans at al (2000) no qual os autores buscam construir um método de mensurar e monitorar o índice de eficiência do sistema de saúde. São analisados 191 países (integrantes do WHO – World Health Organization), considerando como insumo o gasto com
saúde per capita e como produto a expectativa de vida para o período de 1993 a 1997. A análise foi feita com base em uma regressão na qual se relacionou como a performance de saúde varia com o input. Com esse estudo, os autores concluem que existe uma relação positiva entre o nível
de eficiência e gasto per capita com saúde e que países com alta incidência de portadores de doenças como a AIDS apresentam expectativa de vida significativamente reduzida. Finalmente, esse estudo é bastante interessante por mensurar um valor mínimo de gasto em saúde per capita para o qual se pode perseguir um nível mínimo de eficiência em saúde. Além disso, enfatiza o fato de que, além do gasto mínimo com saúde, é necessária uma alocação ótima de recursos com base em eficiência de gastos.
Para contrapor resultados de estudos feitos com base nos 191 países do WHO (World Health Organization), como o de Evan et al, Greene (2003) argumenta que o que foi apresentando
3. CONSTRUÇÃO DA BASE DE DADOS E METODOLOGIA
3.1. DADOS
A base de dados analisada neste trabalho abrange os municípios do Estado de São Paulo para os quais existiam dados de gastos com saúde e informações sobre saneamento básico, tendo sido coletadas informações para o período de 2002 a 2007. A análise ficou restrita ao Estado de São Paulo para facilitar a comparação com os resultados obtidos por Mattos et al. (2009). Sendo
assim, foram analisados 537 dos 645 municípios do Estado de São Paulo. Foram utilizadas três variáveis de insumos no cálculo do DEA:
1) Gastos em saúde (dado coletado ano a ano por município no DATASUS), considerando
as três esferas de recursos (municipal, estadual e federal). Assumindo que gastos em saúde tem impacto nos indicadores de anos subsequentes (ou seja, mesmo não apresentando gastos altos em t, ele pode ter bons resultados neste período por ter gasto mais em t-1), a variável gastos em saúde foi construída com base em média móvel dos últimos três anos. Isto é, para o ano de 2002, por exemplo, a média foi calculada considerando os anos de 2000 a 2002. Além disso, esses dados de gastos foram descontados da inflação do período (ano a ano) com base no índice IPCA.
localidades e o tratamento dos mesmos acaba sendo contabilizado no dado deste município.
2) Variáveis de saneamento: comparativamente ao estudo realizado por Mattos et al. (2009),
foram incluídas duas variáveis referentes a saneamento, já que entende-se que exista uma forte influência das condições de rede de esgoto e abastecimento de água nos indicadores de mortalidade infantil e de doenças infecciosas. Desta forma, foram incluídas como insumo no cálculo do score de eficiência as seguintes variáveis (todas obtidas no
DATASUS):
a. Cobertura da rede de esgoto: indicador calculado como a razão entre domicílios
assistidos por rede de esgoto e o total da população do município.
b. Cobertura de abastecimento de água: indicador calculado como a razão entre
domicílios assistidos por rede de abastecimento de água e o total da população do município.
Como variáveis de produto para o cálculo do DEA foram utilizadas três variáveis:
1) Taxa de acesso: indicador calculado como a razão entre o número de óbitos de residentes
no sistema (hospitais e outros estabelecimentos de saúde) e o número total de óbitos (ambos extraídos da base de dados do DATASUS). Este indicador também é utilizado no modelo de Mattos et al. (2009) e foi mantido por se acreditar que essa é uma boa medida
de qualidade do sistema de saúde, por captar a real abrangência do sistema no sentido de atender a todos os cidadãos.
2) Internações por doenças infecciosas: o indicador é calculado como a razão entre o
número de internações por doenças infecciosas e a população do município (novamente, extraídos do DATASUS e considerando apenas residentes do município). Este indicador também foi mantido com relação ao estudo de Mattos et al. (2009) e objetiva considerar no score de eficiência o impacto de ações preventivas dos municípios.
3) Mortalidade infantil: este indicador foi calculadocomo a razão entre o número de óbitos
municípios no mesmo, o qual é bastante influenciado pelas condições de saneamento e educação. No presente estudo, foi possível incluir esta variável, pois o mesmo, além de incluir vários controles, utiliza dados de painel e, portanto, controle pelos efeitos fixos. Ambas as variáveis utilizadas para a construção deste indicador (óbitos até 1 ano e total de nascimentos) foram extraídos do DATASUS.
Nas regressões geradas para análise de impacto de variáveis explicativas no score de
eficiência (DEA), a principal variável de interesse foi o tamanho do município com relação à sua população. Essa informação é estimada ano a ano pelo IBGE com base na projeção da população constatada nos censos.
Além das variáveis DEA e de população, foram utilizadas algumas variáveis de controle
dentro das seguintes categorias:
1. Controles demográficos:
a. População urbana: de acordo com o estudo realizado por Mattos et al., o coeficiente
desta variável apresentou diferentes efeitos no score de qualidade e de prevenção.
Por um lado, a mesma tem impacto positivo em qualidade, ou seja, quanto maior o percentual de população urbana, maior a qualidade do serviço. Com relação ao
score de prevenção, a mesma apresentou um efeito negativo, levando à
interpretação de que, quanto maior a população urbana, mais difícil é a prevenção de doenças infecciosas.
b. Proporção de idosos e crianças na população: essas variáveis também foram consideradas no estudo de Mattos et al., no entanto não apresentou resultados
consistentes sobre impacto positivo ou negativo no score de eficiência. A
manutenção das mesmas no modelo se justifica para controlar a possível influência da proporção de crianças, adultos e idosos no cálculo de eficiência.
A variável concentração populacional também foi utilizada como controle na regressão de Mattos et al.(2009), mas não foi analisada neste estudo por indisponibilidade do dado ano a ano.
2. Controles de renda: para que os gastos privados (e os recursos disponíveis de um modo geral) possam ser considerados no modelo, assumindo a hipótese de que os mesmos têm impacto direto nos indicadores de produto (mortalidade infantil, taxa de acesso e internação por doenças infecciosas), foram consideradas as seguintes variáveis como Proxy deste efeito:
a. Renda per capita
b. Percentual de residências com energia elétrica
c. Percentual da população com plano de saúde privado.
3. Controle de vacinação: cobertura de vacinação nos residentes de cada município sobre o
total da população. Esta variável foi mantida como controle, pois se pressupõe que uma maior cobertura de imunização pode levar a um índice de internações por doenças infecciosas e/ou de mortalidade infantil menores.
4. Controle de educação: no modelo de Mattos et al., a variável utilizada como controle foi
o analfabetismo. No entanto, como essa informação não está disponível ano a ano por município, optou-se por uma proxy deste efeito utilizando o dado de percentual de
docentes com título do ensino superior lecionando no ensino fundamental e médio.
5. Controle de violência: a variável incidência de mortes por causas externas também foi
mantida com o objetivo de isolar as características de violência de cada município.
Além das variáveis citadas acima, Mattos et al. incluem variáveis de controle climático
(temperatura e chuvas) e controle ideológico (partido político governante do município). A indisponibilidade desses dados ano a ano e por município nos leva a não mantê-los no modelo. Além disso, como o modelo em questão é um painel, possíveis efeitos destas variáveis são minimizados considerando o efeito fixo ao longo dos anos.
Como as variáveis listadas abaixo não estão disponíveis ano a ano, foram utilizados dados do ano de 2007 (que se refere ao ano mais recente do período analisado) e foram obtidas no banco de dados do DATASUS.
• Número de estabelecimentos de saúde: considera hospitais, clínicas e postos; • Número de leitos: quantidade de leitos em estabelecimentos de saúde;
• Número de profissionais de saúde: considera técnicos, enfermeiros, médicos e
administrativos;
Essas variáveis foram divididas pelo tamanho da população para obter uma medida per capita.
• Capital empregado: número de equipamentos de saúde em estabelecimentos dividido pelo
número de profissionais de saúde.
3.2. METODOLOGIA PARA MENSURAÇÃO DA EFICIÊNCIA TÉCNICA E O
MODELO ESTIMADO
A busca pela definição de municípios eficientes e ineficientes com relação à utilização de recursos na provisão de serviços de saúde à população esbarra, inevitavelmente, no conceito de eficiência. Esta palavra deriva do latim efficientia, que significa virtude ou força para a produção
de um dado resultado. Uma das dimensões de eficiência analisadas neste estudo é a eficiência técnica, que pode ser interpretada como a maximização do produto produzido dado os insumos utilizados, ou minimização dos insumos dado o produto resultante do processo analisado. Sob outro ponto-de-vista, analisa-se a eficiência alocativa, que está diretamente relacionada à alocação de recursos (insumos a serem consumidos) de forma balanceada resultando em maximização do resultado/produto produzido.
paramétricas. Os métodos paramétricos definem uma determinada forma funcional da fronteira de eficiência e suas variações se dão através de suposições sobre a forma da fronteira eficiente e a distribuição da ineficiência e do erro. Já os modelos não paramétricos não definem uma função para a fronteira de eficiência, já que constroem uma fronteira com base nos dados dos registros analisados.
Dentre os métodos paramétricos, podem ser destacados: A) Stochastic Frontier Approach (SFA)
O modelo de análise estocástica de fronteira foi apresentado por Aigner, Lovell and Schmidt (1977) e Meeusen e Van den Broeck (1977) o qual assume que o modelo de fronteira de produção pode ser definido da seguinte forma:
Yi = f(xi; )*TEi Onde:
Yi é o produto observado
f(xi; ) é a fronteira de produção
é o parâmetro do vetor de tecnologia a ser estimado
TEi é a eficiência técnica (representando a distância entre o produto observado e o produto máximo possível de ser obtido dado um índice de insumo)
Este método paramétrico trabalha na especificação de uma forma funcional para a fronteira de eficiência com base em inputs e outputs. O modelo permite a aleatoriedade do erro e assume
Assim como a SFA, este método também especifica uma forma para a fronteira, mas
consegue isolar os erros aleatórios das ineficiências, assumindo a estabilidade da ineficiência ao longo do tempo e a tendência do erro a zero.
C) Thick Frontier Approach (TFA):
Este método também especifica uma forma da fronteira, isolando os efeitos de ineficiência e erros com base em quartis dos desvios.
Dentre os métodos não paramétricos, podem ser citados: A) FDH – Free Disposal Hull
Método que analisa as combinações insumo-produto e define uma fronteira de eficiência de produção desconsiderando a convexidade da função definida, ou seja, assume que as retas que unem as DMUs (Decision making unit) é a própria fronteira.
Como pode ser visualizado no gráfico acima, o método FDH traça uma fronteira através da união dos pontos de máxima eficiência (mínimo insumo / máximo produto). Desta forma, é possível verificar que as DMUs (Decision Making Units) 1, 3 e 4 são as mais eficientes. A DMU 2
não é parte da fronteira já que a mesma consome mais insumo do que 1 (X(2) > X(1)) e produz menos produto (Y(2) < Y(1)). Seguindo esse racional, as DMUs 5 e 6 também são consideradas ineficientes.
Para esta análise de eficiência, a mensuração da ineficiência pode ser feita sob duas óticas: distância do produto do DMU para o produto da fronteira traçada como eficiente ou a distância entre o insumo consumido à distância de insumo consumido pelo ponto da fronteira. Desta forma, um indicador de ineficiência do ponto 2 seria:
1) Ineficiência (produto) = Y(1) – Y(2)
Neste caso, a DMU 2 produz menos produto do que poderia caso atingisse a fronteira de eficiência.
2) Ineficiência (insumo) = X(2) – X(1)
Para o caso de insumos, a DMU 2 gasta mais insumos do que deveria, dado o nível de produção (produto final) que a mesma apresenta.
B) DEA – Data envelopment analysis
Método que considera a convexidade da suposta fronteira de eficiência, atribuindo a característica de retornos constantes, crescentes ou decrescentes de escala.
De acordo com a literatura, existem dois tipos de cálculo de fronteira utilizando-se o DEA:
e insumos. Estes pesos variam de DMU para DMU, já que os mesmos são calculados com base nos próprios dados e não arbitrados.
b) Modelo BCC (Banker et al. -1984) – considera retornos variáveis de escala, ou seja, a
medida em que se tem um aumento da quantidade de insumos aplicada, pode-se ter uma variação maior ou menor no produto produzido. No gráfico a seguir pode ser visualizada uma possível fronteira construída com base neste modelo:
Gráfico 3 - Modelo de fronteira de eficiência DEA – BCC (retornos variáveis de escala)
Assim sendo, o modelo BCC do DEA permite a incorporação do pressuposto de economias de escala com relativa facilidade. Ainda assim, neste estudo será utilizado o CCR. O motivo desta escolha reside no fato de que as medidas de produção de saúde não são medidas de volume de produção. Os outputs utilizados, ao invés de medir volume produzido, procuram medir
a qualidade média do sistema de saúde como um todo. Ao realizar um estudo sobre o setor de agrícola, por exemplo, é muito fácil imaginar medidas não só sobre o volume de produção, mas também sobre o volume total dos gastos e dos principais insumos utilizados. No caso do setor de saúde, medir volume de produção é muito mais complicado. É uma tarefa quase impossível, a não ser que se considere como produtos variáveis como o total de consultas ou internações, as quais não necessariamente medem qualidade do serviço. Assim sendo, as variáveis de output são
medidas de qualidade média e as variáveis de input são medidas em termos per capita, sejam os
gastos ou outros insumos.
Índice de insumos
Assim sendo, quando se fala em economias de escala no setor de saúde, é preciso tecer algumas considerações. O que se observa é uma relação negativa entre o tamanho da população atendida e o gasto per capita. Isto é, o gasto total de um município, por exemplo, não parece
crescer na mesma proporção que a sua população e há evidências de que isso acontece sem uma piora da qualidade média.
Em 2008, Santos realizou um estudo no qual os municípios brasileiros foram analisados quanto à eficiência de gastos em saúde utilizando-se o método paramétrico com fronteira estocástica. Nele, Santos conclui que existe economia de escala na saúde e que fatores como utilização mais intensiva em tecnologia, a participação das transferências na receita do município, os programas Saúde da Família e Agentes Comunitários da Saúde estão correlacionados com a ineficiência de alguns municípios.
Este estudo tem como objetivo realizar uma análise alternativa utilizando um método não paramétrico (DEA) e dados em painel. O DEA apresenta as seguintes vantagens com relação ao
método paramétrico de fronteira estocástica:
(i) O método permite utilizar vários outputs sem a necessidade de se atribuir pesos a cada
um deles para a realização de uma média ponderada. Na área de saúde isso é importante, uma vez que é impossível definir um único produto relevante.
3.3. MODELO PARA CÁLCULO DO DEA
Conforme mencionado anteriormente, com o DEA como método de cálculo de eficiência
não é necessário a arbitragem sobre pesos das variáveis de insumo e produto. Esta ferramenta automaticamente calcula um índice combinado dos insumos (no caso deste estudo os dados de gastos com saúde e de saneamento) e um de produtos (mortalidade infantil, taxa de acesso e internações por doenças infecciosas). Estes índices são calculados de modo que maximizem o
score de eficiência de cada um dos municípios e então se estipula o ranking dos municípios com
relação à eficiência. Desta forma, tem –se:
1) Matriz de insumos:
2) Matriz de produtos:
De tal forma que:
Índice de insumo = a1 * x11 + a2 * x12 + … + aw * xnn
Índice de produto = b1 * y11 + b2 * y12 + … + bw * ynn
O modelo DEA-CCR fará iterações de modo a calcular os índices que maximizem o score
de eficiência de cada DMU com base na seguinte equação (produtos/insumos), ou seja:
Max = produto/insumo = (b1 * y11 + b2 * y12 + … + bw * ynn) / (a1* x11 + a2 * x12 + … + aw * xnn) Sujeito à seguintes condições:
(b1 * y11 + b2 * y12 + … + bw * ynn) / (a1* x11 + a2 * x12 + … + aw * xnn) 1 a1, a2, ...; aw 0
b1, b2, ...; bw 0
onde se permite que o índice máximo de eficiência seja 1.
3.4. A EQUAÇÃO ESTIMADA
Para analisar se de fato existem economias de escala em saúde no sentido colocado na seção 3.2, foram feitas análises de regressão para avaliar o impacto do tamanho da população no
score de eficiência dos municípios (para o período de 2002 a 2007).
Desta forma, o modelo de dados em painel (para os anos de 2002 e 2007) estimado foi o seguinte:
DEAit = *LOG(POPULAÇÃOit) + *CONTROLESit+ EFi + t + it
Sendo,
DEAit o índice de eficiência do município i no ano t
LOG(POPULAÇÃOit) é o logartimo da população do município i no ano t
CONTROLESit corresponde ao vetor das variáveis de controle de renda, educação, violência entre outros do município i no ano t
EFi é o efeito fixo do município i ao longo dos anos analisados t é o vetor de dummies de ano
4. OS SCORES DE EFICIÊNCIA CALCULADOS E OS RESULTADOS DAS REGRESSÕES
4.1. RESULTADOS DO CÁLCULO DE EFICIÊNCIA
Quando se faz o cálculo do DEA com base nos insumos e produtos mencionados no
capítulo 3, chega-se à seguinte distribuição de score de eficiência (considerando que o mesmo
varia entre 0 e 1):
1) Modelo considerando como produtos a taxa de acesso e a taxa de internações por doenças infecciosas:
2) Modelo considerando como produtos a taxa de acesso, a taxa de internações por doenças infecciosas e a mortalidade infantil
Para ambos os modelos mencionados anteriormente, observa-se uma média para o score de
eficiência de 0,36 e uma mediana de 0,34.
4.2. RESULTADOS DAS REGRESSÕES
Para efeito de comparação, foram gerados quatro modelos de dados em painel incluindo e excluindo a variável mortalidade infantil (já que a mesma não foi utilizada no modelo de Mattos et
0,2 a 0,4
0 a 0,2 0,4 a 0,6 0,6 a 0,8 0,8 a 1
4 22
157 303
51
al.) e considerando e desconsiderando os efeitos temporais através da utilização de dummies de
ano.
1) Modelo considerando no cálculo do DEA as variáveis de insumo gastos com
saúde,cobertura de esgoto e abastecimento de água e como variáveis de produto a taxa de acesso e internações por doenças infecciosas. Neste modelo, as dummies de ano não foram consideradas.
2) Modelo considerando no cálculo do DEA as variáveis de insumo gastos com saúde,
cobertura de esgoto e abastecimento de água e como variáveis de produto a taxa de acesso e internações por doenças infecciosas. A este modelo foram incluídas dummies de ano para isolar
efeitos pontuais ano a ano.
3) Modelo considerando no cálculo do DEA as variáveis de insumo gastos com
saúde,cobertura de esgoto e abastecimento de água e como variáveis de produto a taxa de acesso, internações por doenças infecciosas e mortalidade infantil. Neste modelo, as dummies de ano não
foram consideradas.
4) Modelo considerando no cálculo do DEA as variáveis de insumo gastos com
saúde,cobertura de esgoto e abastecimento de água e como variáveis de produto a taxa de acesso, internações por doenças infecciosas e mortalidade infantil. A este modelo foram incluídas
dummies de ano para isolar efeitos pontuais ano a ano.
Tabela 1 – Resultados das regressões – Modelo de efeitos fixos
DEA (com 2 variáveis de produto(1)) DEA (com 3 variáveis de produto(2))
Variáveis
Sem dummies de ano
Com dummies de ano
Sem dummies de ano
Com dummies de ano
População (log) 0,997*** 0,650*** 1,014*** 0,640***
(0,061) (0,061) (0.060) (0,060)
Controles demográficos
População urbana -0,039*** -0,019* -0,042*** -0,021*
(0,011) (0,011) (0,011) (0,011)
Idosos 0,804*** 0,308* 0,859*** 0,324**
(0,152) (0,160) (0,152) (0,158)
Crianças 0,654*** 0,434*** 0,624*** 0,391***
(0,125) (0,118) (0,125) (0,118)
Controles de renda
PIB per capita 0,074*** -0,006 0,078*** -0,009
(0,012) (0,012) (0,013) (0,012)
Eletricidade -0,067* -0,144*** -0,063* -0,143***
(0,037) (0,036) (0,035) (0,034)
Saúde privada 0,069*** 0,019 0,074* 0,020
(0,026) (0,025) (0,027) (0,025)
Cobertura vacinação -0,053*** 0,011 0,051*** 0,013
(0,012) (0,013) (0,012) (0,013)
Controle educacional
Docentes com curso superior -
ensino fundamental -0,040*** -0,008 -0,042*** -0,004
(0,007) (0,008) (0,007) (0,007)
Docentes com curso superior -
ensino médio 0,008* 0,004 0,012*** 0,003
(0,004) (0,007) (0,004) (0,007)
Controle de violência
Mortes por causas externas 0,0024 0,004 0,002 0,003
(0,004) (0,004) (0,004) (0,004)
Controle de programas sociais
PACS 0,009 0,006 0,010 0,008
(0,007) (0,006) (0,007) (0,006)
PSF -0,011** -0,012** -0,012** -0,013
(0,005) (0,005) (0,005) (0,005)
Dummies de ano
d_2003 0,021*** 0,021***
(0,002) (0,002)
d_2004 0,017*** 0,018***
(0,003) (0,003)
d_2005 0,049*** 0,053***
(0,003) (0,003)
d_2006 0,040*** 0,044***
(0,004) (0,004)
d_2007 0,047*** 0,049***
(0,008) (0,009)
Constante -4,277*** -2,470*** -4,362*** -2,410***
(0,275) (0,283) (0,272) (0,279)
(1) Considera como variáveis de produto a taxa de acesso e internações por doenças infecciosas
(2) Considera como variáveis de produto a taxa de acesso, internações por doenças infecciosas e mortalidade infantil * Significativo a 10%
De acordo com as regressões geradas, os resultados reforçam a idéia de que o tamanho da população é um importante determinante da eficiência dos gastos em saúde1.
Embora os gastos com saúde não sejam apenas com residentes de determinado município e isso possa “prejudicar” o desempenho dos municípios maiores (conforme citado no capítulo 3), ainda assim a regressão mostra que a escala influencia positiva e significativamente o score de
eficiência dos municípios.
Assim sendo, reafirma-se a hipótese de economias de escala em saúde, já que, pelas estimações dos coeficientes referentes à variável população (log), estes se apresentam positivos e altamente significantes. É constatada uma grande diferença nesse coeficiente quando se comparam os modelos com e sem dummies de ano. Isso pode ser explicado, provavelmente, pelo fato de o
tamanho da população ser correlacionado com essas dummies, já que o tamanho da população
tende a ser crescente no tempo. Nos modelos em que se omitem essas variáveis relevantes (dummies de ano) e correlacionadas com a variável mantida no modelo (população),
provavelmente ocorre um viés no coeficiente da variável mantida (também conhecido como o viés de omissão).
No gráfico a seguir é possível verificar a forte correlação positiva entre o tamanho da população e o score de eficiência.
1
Em análise futura seria interessante obter as mesmas estimações utilizando-se o bootstrap, técnica através da qual se
0 2 4 6 8
0,00 0,25 0,50 0,75 1,00 1,25
P
op
ul
aç
ão
(
lo
g)
DEA
Além disso, verifica-se que todos os anos subsequentes a 2002 possuem coeficientes maiores, indicando uma maior eficiência média destes anos com relação a 2002 e alguma tendência crescente desses coeficientes (o coeficiente de 2007 se apresenta bastante superior ao de 2003). Embora este crescimento não seja realmente contínuo, pode-se inferir que há evidências de crescimento da eficiência média ao longo do tempo (ver gráfico abaixo).
Analisando o ranking a seguir gerado através do comparativo de scores de eficiência
(DEA), nota-se que, dentre os 10 municípios com melhores índices de eficiência, 8 deles
apresentam uma população maior do que 50.000 habitantes.
Tabela 2 - Ranking dos municípios com maiores scores de eficiência
Município DEA População
Carapicuíba 1,00 376.485 Ferraz de Vasconcelos 0,94 166.560 Várzea Paulista 0,92 104.280 Itaquaquecetuba 0,92 329.453 Mogi das Cruzes 0,79 360.105 Socorro 0,73 33.597 Fernandópolis 0,71 63.958 Votuporanga 0,71 80.671 Igarapava 0,69 27.621 Botucatu 0,68 117.892 0,00
0,05 0,10 0,15 0,20 0,25 0,30 0,35 0,40 0,45 0,50 0,55
2002 2003 2004 2005 2006 2007
+15%
Reforçando a conclusão de que existem economias de escala em saúde, verificamos na tabela a seguir que, dentre os 49 municípios com menores scores de eficiência (DEA < 20%), 45
Tabela 3 - Lista dos 49 municípios com menores índices de eficiência
Município DEA População
Analândia 0,19 3.920
Cruzália 0,19 2.544
Taciba 0,19 5.453
São Caetano do Sul 0,19 136.939
Buritizal 0,19 3.655
Turmalina 0,19 2.145
Pontes Gestal 0,18 2.348
Arapeí 0,18 2.741
Alto Alegre 0,18 4.019
Buritama 0,18 14.466
Holambra 0,18 8.292
Castilho 0,18 15.170
Barueri 0,18 248.829
São João de Iracema 0,18 1.711
Borebi 0,18 2.200
Pedrinhas Paulista 0,18 2.976
Suzanápolis 0,18 2.961
São João do Pau d'Alho 0,18 1.901
Bertioga 0,17 39.489
Rubiácea 0,17 2.235
Brejo Alegre 0,17 2.470
Ilha Solteira 0,17 25.004
Taquaral 0,17 2.860
Mesópolis 0,17 1.869
Pracinha 0,17 1.623
Ilha Comprida 0,17 8.754
Altair 0,17 3.611
Florínia 0,17 3.132
Mira Estrela 0,16 2.563
Colômbia 0,16 6.261
Santa Cruz da Esperança 0,16 1.826
Monções 0,16 2.032
Nova Independência 0,16 2.162
Lourdes 0,16 2.147
Trabiju 0,16 1.445
Turiúba 0,15 1.822
Ilhabela 0,15 24.465
Iepê 0,15 7.134
Dirce Reis 0,15 1.497
Fernão 0,14 1.326
Santa Salete 0,14 1.379
Sandovalina 0,14 3.404
Bento de Abreu 0,14 2.450
Nantes 0,14 2.258
São Sebastião 0,13 69.917
Cubatão 0,13 117.647
Zacarias 0,12 1.988
Nova Castilho 0,11 1.026
Finalmente, os scores de alguns municípios podem ser considerados inesperados como,
por exemplo, o de grandes centros como São Paulo, Campinas, Ribeirão Preto e São José dos Campos, que aparecem com score inferior a 0,40.
Isso pode ser parcialmente explicado pelo fato de o estudo considerar apenas indicadores de residentes (taxa de acesso, internações por doenças infecciosas e mortalidade infantil), mas considerar gastos com saúde totais. Uma hipótese seria a de que esses grandes centros acabam atraindo casos mais graves de outros municípios da região.
Os resultados das regressões no que se refere às variáveis de controle estão resumidos a seguir.
1) Variáveis de controles demográficos:
a. População urbana: em todos os modelos gerados, a variável população urbana apresentou coeficiente negativo, ou seja, quanto maior o percentual de população na zona urbana de determinado município, menor o score de eficiência. Isso reforça o
resultado apresentado por Mattos et al. (2009) e se justifica, por exemplo, pelo fato de
ser mais difícil controlar a incidência de doenças infecciosas em municípios com maior concentração de pessoas na zona urbana.
b. Percentual de crianças e idosos na população: nos quatro modelos apresentados acima, ambas as variáveis apresentam um efeito positivo no indicador de eficiência, o que é contraditório ao esperado. Diferente do resultado apresentado pelo estudo de Mattos et al.(2009), esses coeficientes se mostraram estatisticamente significantes.
2) Variáveis de controles de renda
a. A variável PIB per capita deixa de ser estatisticamente significante após a inclusão das
dummies de ano. Este resultado reforça o estudo referenciado, no qual esses
coeficientes apresentaram um coeficiente com amplitude não relevante e não significativo estatisticamente.
era de que, utilizando essa variável como uma proxy de renda da população, quanto
maior esse indicador, maior a eficiência do município.
c. Saúde privada: trata-se de mais uma proxy de riqueza da população. A variável foi
construída como a razão entre o número de beneficiários de plano de saúde privado e a população do município e verificou-se um resultado dentro do esperado, isto é, quanto maior esse percentual, melhor o indicador de eficiência (o impacto direto se dá nos produtos utilizados para o cálculo do DEA).
3) Variável de controle de cobertura de vacinação: nos modelos em que foram incluídas
dummies de ano, essa variável não se mostrou estatisticamente significante.
4) Variáveis de controles de educação: assim como a variável cobertura de vacinação, os coeficientes das variáveis de controles de educação (docentes com curso superior - ensino fundamental e médio) não se mostraram estatisticamente significantes.
5) Variáveis de controle de violência (mortes por causas externas): reafirmando os resultados apresentados por Mattos et al., o coeficiente desta variável não se apresentou estatisticamente
significativa para nenhum dos quatro modelos apresentados, levando ao entendimento de que a mesma não chega a impactar o índice de eficiência dos municípios.
6) Variáveis de controle de programas sociais de saúde (Programa Saúde da Família – PSF e Programa dos Agentes Comunitários de saúde – PACS): a variável PSF não apresenta um coeficiente estatisticamente significante. Por outro lado, a variável PACS apresenta uma correlação negativa com relação ao score de eficiência, ou seja, municípios com maior cobertura
do programa apresentam menos eficiência nos gastos com saúde.
5. ANALISANDO AS ECONOMIAS DE ESCALA NO SETOR DE SAÚDE A PARTIR DE INFORMAÇÕES SOBRE UTILIZAÇÃO DE INSUMOS
Dados os resultados apresentados anteriormente, de que o tamanho da população tem relação positiva com o score de eficiência de gastos em saúde, procurou-se fazer neste capítulo
uma análise exploratória dos fatores que determinam as economias de escala no setor.
Parte-se do pressuposto de que os gastos em saúde são compostos por algumas categorias como: gastos em recursos humanos (profissionais de saúde e administrativos), gastos em infra-estrutura (estabelecimentos, leitos, etc), gastos em equipamentos, gastos com materiais e gastos com medicamentos, entre outros.
Infelizmente o DATASUS não fornece informações de gastos discriminados por categoria. Contudo, conforme foi colocado no capítulo 3, para o ano de 2007 estão disponíveis informações sobre as quantidades utilizadas de alguns importantes insumos da função de produção de saúde. Os insumos para os quais há informação disponível são: número de estabelecimentos de saúde, número de leitos, número de profissionais de saúde e número de equipamentos de saúde em estabelecimentos dividido pelo número de profissionais de saúde.
Apesar de essas informações serem incompletas e agregadas em categorias muito amplas, estas foram utilizadas para fazer uma análise exploratória da relação entre o tamanho da população e a intensidade de uso desses insumos necessários para produzir os serviços de saúde.
5.1. EVIDÊNCIAS DA RELAÇÃO ENTRE ESCALA, GASTOS E UTILIZAÇÃO DE
INSUMOS
0 50 100 150 200 250 300 350 400 450 500 550 600
0 1 2 3 4 5 6 7 8
Log_pop Gasto_capita
A correlação negativa revelada no gráfico 8 poderia ser explicada por diversos fatores. Dada a tecnologia de produção, é possível que ocorram economias de escala em algumas categorias de gastos, enquanto em outras categorias não.
No gráfico a seguir, no qual se expõe a relação entre o tamanho de um município (população) e o número de estabelecimentos (per capita *1000), verificamos que, quanto maior o município, menor a quantidade de estabelecimentos per capita. Uma interpretação bastante intuitiva seria a de que municípios maiores possuem grandes centros de saúde, concentrando no mesmo local uma maior quantidade de recursos físicos e humanos. Desta forma, esses municípios estariam poupando em infra-estrutura.
Para confirmar a hipótese acima, investigou-se se a quantidade de leitos per capita (*1000) seguiria a lógica citada acima (de grandes centros de saúde em municípios maiores). No entanto, constatou-se que existe uma correlação positiva entre o número de leitos per capita e o tamanho da população.
Gráfico 9 - Correlação entre o número de estabelecimentos de saúde (hospitais, clínicas, postos segundo o DATASUS) e o tamanho da população (log)
Gráfico 10 - Correlação entre o número de leitos (segundo o DATASUS) e o tamanho da população (log)
0 5 10 15 20 25 30 35 40
0 1 2 3 4 5 6 7 8
leitos
Log_pop
0,0 0,5 1,0 1,5 2,0 2,5 3,0 3,5 4,0 4,5 5,0
0 1 2 3 4 5 6 7 8
número estabelecimentos
Por outro lado, quando se analisa a relação entre o número de profissionais per capita (*1000) e o tamanho do município, verifica-se que existe uma fraca relação negativa, sugerindo que municípios maiores possuem menos profissionais de saúde per capita ou provavelmente por
existir um ganho de sinergia dentro de estabelecimentos maiores.
0 2 4 6 8 10 12 14 16 18 20 22 24 26 28 30 32 34
0 1 2 3 4 5 6 7 8
número de profissionais
Log_pop
Com base nos gráficos apresentados acima, a interpretação mais provável é a de que municípios maiores, por possuírem maiores estabelecimentos per capita, e pelo fato de os mesmos concentrarem uma maior quantidade de leitos e profissionais, acabam tendo ganhos de sinergia e necessitando de um número menor de profissionais per capita. Finalmente, para confirmar esta hipótese, investigou-se qual a correlação entre o número de profissionais de saúde por estabelecimento e o tamanho da população.
0 10 20 30 40 50 60 70 80 90 100 110 120 130 140
0 1 2 3 4 5 6 7 8
número de profissionais/estabelecimento
Log_pop
Como era esperado, verifica-se que existe uma concentração maior de profissionais de saúde em estabelecimentos de municípios maiores, uma vez que estes estabelecimentos tendem a ser maiores. Isso nos leva a acreditar que existe um ganho (economia) de infra-estrutura, já que nos municípios com melhores resultados existem mais profissionais por estabelecimento, embora a quantidade de profissionais per capita seja menor.
Quando analisamos a proporção do capital empregado, isto é, a razão entre tecnologia (equipamentos) e pessoal (profissionais da saúde), verificamos que em municípios maiores a proporção de capital empregado em tecnologia é maior.
0 10 20 30 40 50 60 70 80 90 100 110 120 130 140
0 1 2 3 4 5 6 7 8
número de profissionais/estabelecimento
Log_pop
Quando analisamos esse mesmo indicador com relação ao índice de eficiência, verificamos que existe uma correlação positiva do mesmo com o índice de eficiência, isto é, quanto maior o número de equipamentos por profissional de saúde, maior a eficiência nos gastos.
0,0 0,1 0,2 0,3 0,4 0,5 0,6 0,7 0,8 0,9 1,0 1,1 1,2 1,3
0 1
equipamento/profissionais
DEA
5.2. ANALISANDO A RELAÇÃO ENTRE ESCALA E INTENSIDADE DE USO DE
DIFERENTES CATEGORIAS DE INSUMOS (MODELO SUR)
O modelo de regressões aparentemente não relacionadas (SUR) foi utilizado para verificar a relação entre o tamanho da população e a intensidade de uso de diferentes categorias de insumos. Poderia ter sido estimada uma regressão para cada categoria de insumo, mas o modelo SUR foi escolhido por permitir que os resíduos das diferentes regressões sejam correlacionados. Dada a indisponibilidade das variáveis de interesse ano a ano, o modelo gerado é um cross section com
referência no ano de 2007.
Desta forma, o seguinte conjunto de equações simultâneas foram estimadas:
Gastos com saúde per capita = 1*LOG(POPULAÇÃO) + 1*CONTROLESi + i
Estabelecimentos per capita = 2*LOG(POPULAÇÃO) + 2*CONTROLESi + i
Leitos per capita= 3*LOG(POPULAÇÃO) + 3*CONTROLESi + i
Profissionais per capita= 4*LOG(POPULAÇÃO) + 4*CONTROLESi + µi
Profissionais por estabelecimento = 5*LOG(POPULAÇÃO) + 5*CONTROLESi + i
Equipamentos por profissional = 6*LOG(POPULAÇÃO) + 6*CONTROLESi + i
Sendo que as variáveis dependentes são gastos com saúde per capita, número de estabelecimentos per capita, leitos per capita, profissionais per capita, profissionais de saúde por estabelecimento e equipamentos por profissional de saúde.
LOG(POPULAÇÃOit) é o logartimo da população do município, variável explicativa utilizada em todas as equações.
CONTROLESi corresponde ao vetor das variáveis de controle de renda, educação, violência entre outros do município i.
i, i, i, µi, i e i são os resíduos das equações que podem ser correlacionados.
Resultados do modelo de regressões simultâneas (SUR)
com saúde e que, quanto maior o tamanho da população, menor o número de estabelecimentos per capita e maior o número de leitos. Isto é, os municípios maiores, apesar de terem mais leitos per capita, têm menor gasto per capita. Diferentemente da análise gráfica, a análise de regressão revela que o número de profissionais per capita aumenta com o tamanho da população. Estas evidências nos levam a concluir que um importante fator de ganhos de escala, quando se analisa gastos em saúde, é o fato de municípios maiores terem menos estabelecimentos per capita, mas com uma estrutura maior, com mais profissionais por estabelecimento e usando uma tecnologia mais intensiva em capital, dada a maior intensidade de equipamentos por profissional de saúde. O ganho, desta forma, estaria no fato de municípios maiores possivelmente terem grandes centros de atendimento de saúde, se aproveitando da possibilidade de diluir os custos fixos de infra-estrutura em mais atendimentos e da possibilidade de concentrar mais equipamentos.
É preciso evitar que a descentralização da gestão da saúde leve, por exemplo, a um gasto exagerado em infra-estrutura em municípios muito pequenos.