Nordeste
Resumo: A taxa de mortalidade infantil é um dos indicadores mais utilizados para avaliar
as condições de uma sociedade de determinada região, refletindo aspectos socioeconômicos da população. Tendo isso em vista, este artigo tem por objetivo investigar quais são os principais determinantes socioeconômicos da mortalidade infantil nos municípios da região Nordeste no período de 1991, 2000 e 2010. Para tanto, foi utilizado o método de estimação em dados de painel com modelo de efeito fixo com os dados coletados do PNUD. Os resultados mostram que todas as variáveis socioeconômicas possuem impactos na redução da taxa de mortalidade infantil. No entanto, a redução da taxa de fecundidade total e da taxa de analfabetismo são os principais determinantes na redução da taxa de mortalidade infantil para os municípios do Nordeste no período.
Palavras-Chave: mortalidade infantil; determinantes socioeconômicos; nordeste.
Abstract: The infant mortality rate is one of the most used indicators to evaluate the
conditions of a region of deformation, reflecting both for the companies and for the population. There is no problem of 1991, 2000 and 2010. For that, we used a method of estimation in panel data with a fixed-effect model, data and collectors of UNDP. The results show that all socioeconomic variables have an impact on the reduction of infant mortality rate. However, a reduction of total fertility and illiteracy rates are the main determinants the reduction of infant mortality rate for the Northeastern municipalities.
1 INTRODUÇÃO
A Economia da Saúde é uma área de estudo recente e tem se desenvolvido nos últimos anos, dando maior atenção a questões relacionadas ao bem-estar da sociedade, assim como a saúde da população, a qual é alcançada por meio da qualidade de vida e do bem-estar social e econômico. A Economia da Saúde utiliza-se do significado proposto pela Organização Mundial da Saúde (OMS) (2018), em que saúde não é definida apenas como a ausência de doenças, mas também como a existência de bem-estar físico, mental e social.
A taxa de mortalidade infantil é um dos indicadores mais utilizados para avaliar os aspectos sociais ou econômicos de uma sociedade, pois reflete a situação de saúde, de saneamento básico e das desigualdades sociais e de renda. A análise da taxa de mortalidade infantil é útil para se verificar os impactos das variações socioeconômicas sobre a sociedade de uma determinada região, além de contribuir no direcionamento de políticas públicas voltadas para a área da saúde e para o desenvolvimento socioeconômico (CARVALHO; 2015, NUNES et al., 2001; OLIVEIRA et al., 2017).
A taxa de mortalidade infantil nos dá o quantitativo de crianças com até um ano de idade que não deverão sobreviver a cada 1000 crianças nascidas vivas, sendo interpretada como a estimativa do risco de os nascidos vivos morrerem até completar um ano de idade. Quanto maior for a taxa de mortalidade infantil em uma determinada região, menor, por hipótese, é a qualidade dos serviços de saúde e saneamento prestados e maior é a desigualdade de renda e social (IBGE, 2018; OLIVEIRA; ALBUQUERQUE; LINS, 2004; OLIVEIRA et al., 2017). De acordo com Gomes Bezerra Filho et al. (2007) em 1993 a UNICEF passou a definir a mortalidade infantil como um problema que é causado pelo descuido com a saúde das crianças.
A OMS considera o número de 10 óbitos infantis para cada 1000 crianças nascidas vivas como um nível aceitável de mortalidade infantil. Oliveira, Albuquerque e Lins (2004) afirmam que há uma classificação dos níveis de mortalidade infantil que geralmente é utilizada, em que as taxas consideradas altas são aquelas que apresentam 50% ou mais de mortalidade, as médias estão entre 20% e 49% e as baixas menores de 20% em relação aos valores já alcançados pelas sociedades mais desenvolvidas ao longo do tempo.
Vale ressaltar que a taxa de mortalidade infantil é analisada geralmente a partir de dois componentes. O primeiro deles é a mortalidade neonatal, que são os óbitos infantis de 0 a 27 dias, subdivididos em: neonatal precoce, aqueles óbitos de 0 a 6 dias completos de vida; e neonatal tardio, que são os óbitos de 7 a 27 dias de vida. Já o segundo
componente é a mortalidade pós-neonatal, que são os óbitos de 28 dias de nascimento até um ano de idade (FRANÇA; LANSKY, 2016).
O número de mortalidade infantil reduziu-se em de forma considerável em todo o mundo desde a década de 1950. No Brasil, os números de óbitos infantis foram substancialmente reduzidos ao longo das últimas quatro décadas. Em 1980, por exemplo, a taxa de mortalidade infantil no Brasil era de 78,5 óbitos a cada 1000 crianças nascidas vivas; em 1991 esse número reduziu-se para 44,68 para cada 1000 crianças nascidas vivas; em 2000 esse número reduziu para 30,57 e em 2010 o número de óbitos infantis para cada 1000 crianças nascidas vivas chegou a 16,7, uma redução de 78,72% de 1980 a 2010. Apesar de se ter observado uma tendência decrescente da taxa de mortalidade infantil no Brasil, atualmente os números dos óbitos ainda são considerados altos, sendo acima do nível aceitável (PNUD, 2017).
A redução da taxa de mortalidade é observada em todas as regiões brasileiras, mas se dá de maneira desigual, de forma que regiões que possuem menores níveis de desenvolvimento apresentam maiores números de mortalidade infantil. As maiores taxas encontradas em 2010 foram nas regiões Norte, com 21,0 para cada 1000 crianças nascidas vivas; Nordeste, com 19,1 para cada 1000 crianças nascidas vivas e; Centro-Oeste, com 15,9 para cada 1000 crianças nascidas vivas.
Segundo Gomes Bezerra Filho et al. (2007), a tendência de diminuição do número de óbitos infantis no Brasil se deu de forma diferente ao que aconteceu nos países desenvolvidos, onde tanto o setor público como o privado investiam em melhorias sociais. No Brasil e nos países subdesenvolvidos, essa diminuição se deu principalmente por meio das ações do poder público direcionadas a prestação de serviços de saneamento básico e médico, sendo o baixo nível de fecundidade outro fator relevante para essa diminuição.
De acordo com Gomes Bezerra Filho et al. (2007) e o Trata Brasil (2018), as doenças diarreicas são as principais causas dos óbitos infantis, uma vez que as crianças, quando contaminadas, perdem nutrientes necessários para sua sobrevivência. A contaminação ocorre principalmente em regiões que são menos favorecidas, com destaque para as regiões Norte e Nordeste do Brasil, que são as regiões que possuem forte concentração de renda e baixos níveis de acesso aos serviços de saúde e saneamento, já que as desigualdades socioeconômicas criam ambientes favoráveis ao aparecimento de doenças.
Cerca de 3.000 mortes por dia no mundo de crianças com até um ano de idade são causadas pelas doenças diarreicas, as quais são transmitidas pela via feco-oral, ou seja,
pela falta dos serviços adequados de saneamento básico. Segundo Ribeiro e Rooke (2010), a água contaminada pode conter substâncias como bactérias, radioatividade, substâncias tóxicas, como também os resíduos gerados a partir da utilização da água e da matéria orgânica. Se não houver tratamento de esgoto adequado, a contaminação pode ocorrer por meio do solo e de alimentos também contaminados, sendo a implementação de abastecimento de água e esgotamento sanitário adequados o meio de prevenção da contaminação.
Segundo Gomes Bezerra Filho et al. (2007), a região Nordeste apresenta altas taxas de mortalidade infantil, apesar de existir uma tendência a sua redução, por ser uma região com níveis altos de desigualdade social e concentração de renda, o que reflete no menor nível de educação, qualidade de vida e acesso aos serviços de saúde e de saneamento. Por sua vez, Turolla (2002) afirma que é perceptível a diferença entre os índices de mortalidade infantil em países com e sem os serviços de saneamento e que a distribuição geográfica mostra que países mais pobres sofrem mais com a falta desses serviços.
Menezes (2011) afirma que a diminuição das taxas de mortalidade infantil alcançou níveis baixos (20%) em relação às taxas anteriores apenas com a implantação dos programas de saúde materno infantil, que foram ampliados pela implementação do Sistema Único de Saúde (SUS).
Para Gomes Bezerra Filho et al. (2007), tanto os fatores sociais quanto os fatores econômicos são relevantes na determinação da taxa de mortalidade infantil, uma vez que a renda familiar e a escolaridade da mãe são determinantes das condições de vida das crianças, ou seja, possuem relação direta com a qualidade de vida da criança.
Esses aspectos sociais acabam por refletir se a criança terá acesso aos serviços de saúde, tanto de tratamento quanto de prevenção, saneamento, alimentação adequada, higiene adequada, etc.
Em estudo realizado por Oliveira et al. (2017), foi verificado que populações que possuíam baixo nível de escolaridade apresentaram níveis mais altos de mortalidade infantil. Para Formiga (2002), as condições socioeconômicas, principalmente a escolaridade, estão associadas diretamente ao estado de saúde de uma sociedade e podem ser reveladas a partir das suas condições de morbimortalidade. Já em Carvalho et al. (2015), o determinante social da saúde da criança é o ambiente urbano em que vive, visto que o risco de óbito infantil está associado aos indicadores demográficos e socioeconômicos.
Tendo isso em vista, identificar quais são os fatores socioeconômicos mais relevantes na determinação da redução do número de óbitos infantis torna-se indispensável para o conhecimento e criação de políticas públicas direcionadas para as áreas que possibilitem uma melhora na qualidade de vida e no bem-estar socioeconômico. O objetivo deste artigo é identificar quais fatores socioeconômicos influenciam a taxa de mortalidade infantil nos municípios do Nordeste brasileiro.
2 METODOLOGIA
2.1 ESPECIFICAÇÃO DO MODELO
A análise dos determinantes socioeconômicos da taxa de mortalidade infantil nos municípios do Nordeste está baseada na literatura da economia da saúde, a qual argumenta que as desigualdades sociais, econômicas e geográficas são os principais determinantes das diferenças em saúde, sendo a taxa de mortalidade infantil um dos principais indicadores utilizados pela literatura como proxy para o status de saúde da população de uma determinada região.
Laurent et al. (2005) afirma que a taxa de mortalidade infantil é uma boa proxy para a saúde, já que reflete as condições socioeconômicas da sociedade. De modo, quando há um nível elevado do número de óbitos infantis, haveria um baixo nível de desenvolvimento. Alves e Belluzzo (2004), em seu estudo sobre os determinantes da taxa de mortalidade infantil no Brasil, utilizaram variáveis como renda, escolaridade e saneamento básico para estimar um modelo estático e outro dinâmico. Como resultado, obtiveram os coeficientes esperados pela literatura. Os resultados também apresentaram grandes desigualdades no número de mortalidade infantil entre as regiões.
Com o intuito de verificar de forma mais abrangente os possíveis fatores de influência na mortalidade infantil, foram selecionadas variáveis que contemplassem as seguintes dimensões: demografia; educação; vulnerabilidade e habitação. Na Tabela 1 é possível observar as variáveis coletadas no Atlas do Desenvolvimento Humano do Programa das Nações Unidas (PNUD) para o período de 1991, 2000 e 2010 que correspondem aos censos demográficos para todos os municípios do Nordeste, assim como sua descrição e os respectivos sinais esperados pela literatura em relação à mortalidade infantil.
Tabela 1 - Variáveis Coletadas
Fonte: elaboração própria.
A variável TMI é a variável resposta. As variáveis FECTOT e T_DENS representam a dimensão demográfica, por captar as mudanças da composição da população e sua distribuição territorial. Para representar a dimensão educação são utilizadas as variáveis E_ANOSESTUDO e T_ANALF15M como proxy para o nível de escolaridade. Já a dimensão vulnerabilidade é representada pelas variáveis PMPOBCRI e RDPC, enquanto que as variáveis AGUA_ESGOT, T_LIXO e T_LUZ constituem a dimensão habitação, por capitar as condições de infraestrutura e moradia.
2.2 MODELO ECONOMÉTRICO
A metodologia utilizada para analisar os fatores socioeconômicos de influência na taxa de mortalidade infantil dos municípios do Nordeste é a de dados em painel. Ao total, a amostra é composta por 1794 municípios e três pontos no tempo: 1991, 2000 e 2010.
A equação do modelo de dados em painel apresenta-se da seguinte forma: 𝑦𝑖𝑡 = ∝𝑖+ 𝛽1𝑖𝑡𝑥1𝑖𝑡+ ⋯ + 𝛽𝑛𝑖𝑡𝑥𝑘𝑖𝑡+ 𝑢𝑖𝑡, (1)
Taxa de Mortalidade
infantil TMI Número de crianças que não deverão sobreviver ao primeiro ano de vida em cada 1000 crianças nascidas vivas.
Taxa de fecundidade total FECTOT É o número médio de filhos que uma mulher deverá ter ao terminar o período reprodutivo. + Percentual da população
que vive em domicílios com densidade superior
a 2 pessoas
T_DENS
Razão entre a população que vive em domicílios particulares permanentes com densidade superior a 2 e a população total residente em domicílios particulares permanentes
multiplicado por 100. +
Expectativa de anos de estudo aos 18 anos de
idade E_ANOSESTUDO Número médio de anos de estudo que deverá completar ao atingir 18 anos de idade. - Taxa de analfabetismo
da população de 15 anos
ou mais de idade T_ANALF15M
Razão entre a população de 15 anos ou mais de idade que não sabe ler nem escrever e o total de pessoas nesta faixa
etária multiplicado por 100. + Proporção de crianças
pobres PMPOBCRI
Proporção dos indivíduos com até 14 anos de idade que têm renda domiciliar per capita igual ou inferior a R$ 140,00
mensais, em valores reais de 2010. + Renda per capita média RDPC Razão entre o somatório da renda de todos os indivíduos residentes em domicílios particulares permanentes e o
número total desses indivíduos. Em valores reais de 2010. - Percentual de pessoas em domicílios com abastecimento de água e esgotamento sanitário inadequados AGUA_ESGOT
Razão entre as pessoas que vivem em domicílios cujo abastecimento de água não provem de rede geral e cujo esgotamento sanitário não é realizado por rede coletora de esgoto ou fossa séptica e a população total residente em domicílios particulares permanentes multiplicado por 100.
+ Percentual da população
que vive em domicílios urbanos com serviço de
coleta de lixo
T_LIXO Razão entre a população que vive em domicílios com coleta de lixo e a população total residente em domicílios particulares permanentes multiplicado por 100. - Percentual da população
que vive em domicílios
com energia elétrica. T_LUZ
Razão entre a população que vive em domicílios particulares permanentes com iluminação elétrica e a população total residente em domicílios particulares permanentes multiplicado por 100.
em que y é a variável dependente, ∝ é um componente que capta a heterogeneidade não observável entre as unidades de análise (suposto fixo no tempo), i denota os diferentes indivíduos, t o período de tempo, βs são os parâmetros a serem estimados, x's são as covariáves, e 𝑢𝑖𝑡 é o termo de erro idiossincrático. O modelo de
dados em painel foi utilizado por permitir controlar, ao longo do tempo, o efeito individual não observável das unidades cross-section (HSIAO, 2014; WOOLDRIDGE, 2008).
Com base na literatura, o modelo empírico utilizado é dado por: 𝑇𝑀𝐼 = 𝛼 + 𝛽1𝑿𝟏+ 𝛽𝟐𝑿𝟐+ 𝛽𝟑𝑿𝟑+ 𝛽4𝑿𝟒+ 𝑢𝑖𝑡 (2)
TMI é a variável dependente e os vetores 𝑿𝟏, 𝑿𝟐, 𝑿𝟑, 𝑿𝟒 contêm as variáveis
explanatórias especificados na Tabela 2. As variáveis de controle foram alocadas nos vetores de acordo com as suas dimensões estabelecidas com base na literatura. O modelo é estimado com todas as variáveis em nível.
Tabela 2 - Descrição dos Vetores
Vetores Dimensão Variáveis
𝑿𝟏 Demografia FECTOT T_DENS
𝑿𝟐 Educação E_ANOSESTUDO T_ANALF15M
𝑿𝟑 Vulnerabilidade PMPOBCRI RDPC
𝑿𝟒 Habitação AGUA_ESGOTO T_LIXO
T_LUZ
Fonte: elaboração própria.
A estimativa em dados de painel é condicional à hipótese adotada quanto à correlação entre o efeito individual não observável e os regressores. A estimativa via efeitos fixos admite a possibilidade de uma correlação não nula entre a heterogeneidade latente e os regressores; já a estimava via efeitos aleatório supõe nula essa correlação (WOOLDRIDGE, 2010).
Para a verificação da presença de distúrbios não esféricos, que podem gerar autocorrelação e heterocedasticidade, são utilizados os testes descritos no Quadro 1. Além disso, testa-se também o grau de multicolinearidade. Caso seja identificado a presença de distúrbios não esféricos, as estimativas serão realizadas considerando-se erros padrão robustos.
Quadro 1 – Hipóteses dos testes Wooldridge, Wald e Vif
Teste Hipótese nula (H0) Hipótese alternativa (H1)
Wooldridge Não possui autocorrelação. Possui autocorrelação.
Wald Não possui heterocedasticidade. Possui heterocedasticidade.
VIF Menor que 10 = não há problema de multicolinearidade.
Fonte: elaboração própria.
3 ANÁLISE E DISCUSSÃO DOS RESULTADOS
Primeiramente, foi realizado o teste Shapiro Wilk univariado, uma alternativa ao histograma, para verificar se os dados apresentam distribuição normal. De acordo com a Tabela 1, rejeita-se a hipótese nula de que a distribuição univariada é normal.
Tabela 3 - Teste Shapiro-Wilk
Variável Obs W V z Prob>z
TMI 5382 0.9503 143.566 13.062 0.0000 FECTOT 5382 0.9404 172.408 13.543 0.0000 T_DENS 5382 0.9913 24.996 8.465 0.0000 E_ANOSESTUDO 5382 0.9834 47.964 10.179 0.0000 T_ANALF15M 5382 0.9878 35.076 9.356 0.0000 PMPOBCRI 5382 0.9467 154.141 13.249 0.0000 RDPC 5382 0.8521 427.642 15.932 0.0000 AGUA_ESGOTO 5382 0.9002 288.638 14.898 0.0000 T_LIXO 5382 0.8675 383.282 15.644 0.0000 T_LUZ 5382 0.8681 381.317 15.631 0.0000
Fonte: elaborado própria.
Na Tabela 4 é possível observar as estatísticas descritivas das variáveis. Os municípios nordestinos apresentaram em média 5 óbitos a cada 1000 crianças nascidas vivas, sendo que a menor taxa de mortalidade infantil (13,4) foi observada nos municípios de Caicó, no Rio Grande do Norte e, em Fernando de Noronha, em Pernambuco, no ano de 2010. A maior taxa foi constatada nos municípios de Fátima, João Dourado e Jussara, no estado da Bahia, no ano de 1991. Vale ressaltar que mesmo o número mínimo da TMI encontrado na amostra é considerado relativamente alto, visto que ultrapassa o número de óbitos aceitável pela OMS.
Nota-se que houve redução da TMI nos municípios do Nordeste, todavia o número de óbitos infantis ainda continua em um patamar elevado para o período. Os fatores que influenciaram na diminuição da TMI podem estar ligados à melhoria da educação, demografia, renda e habitação.
Com relação à taxa de densidade e à fecundidade total, em média, os municípios apresentaram 4,7 e 3,4 respectivamente. O município de Campo Lindo do Piauí/PI apresentou a maior densidade, com 89,61, já o município de Santo Amaro do Maranhão/MA apresentou a maior fecundidade total (8,14).
A expectativa de anos de estudo para o período, em média, foi de 7,1 enquanto a média de porcentagem de analfabetos com 15 anos ou mais foi de 37,6%, um número preocupante. O município que apresentou no período a maior taxa de analfabetismo com essa faixa etária foi Curral Novo do Piauí/PI e o que apresentou menor taxa foi Salvador/BA.
A renda média per capita, em média, foi de R$ 188,24 e apresentou valor máximo de R$ 1.144,26 em Recife/PE, enquanto que a proporção de crianças pobres foi maior nos municípios de Curral de Cima, Riachão e Santa Helena, no estado da Paraíba, e Boa Vista do Tupim, no estado da Bahia. Com relação às variáveis que refletem as condições de moradia da população, observa-se que os municípios de Bodó/RN, Fernando Pedroza/RN e Manari/PE apresentaram, no período, as maiores taxas de serviços inadequados de abastecimento de água e esgotamento sanitário, enquanto o estado da Paraíba foi o que apresentou o maior número de municípios (26) com as melhores taxas de coleta de lixo, e os estados do Rio Grande do Norte e Pernambuco apresentaram o maior número de municípios (6) com a maior taxa de acesso à energia elétrica no período.
Tabela 4 - Estatísticas Descritivas
Fonte: elaborado própria.
Os gráficos de dispersão apresentados na Figura 1 auxiliam a perceber a relação não condicional entre a variável dependente TMI e as demais variáveis explanatórias que serão utilizadas na análise econométrica. Os resultados obtidos a partir dos gráficos de dispersão mostram que as variáveis correspondentes à dimensão demografia (T_DENS e a FECTOT) apresentam uma aparente relação positiva com a TMI. Na dimensão
Variável Observações Média Desvio Padrão Mínimo Máximo
TMI 5382 50.8241 22.9399 13.4 120.12 T_DENS (%) 5382 47.8863 14.6106 11.3 89.61 FECTOT 5382 3.4104 1.1965 1.35 8.14 E_ANOSESTUDO 5382 7.1316 1.7886 0.91 11.09 T_ANALF15M (%) 5382 37.6331 12.5840 3.97 87.46 PMPOBCRI (%) 5382 73.3311 16.0935 0 100 RDPC 5382 188.2465 101.6494 33.24 1144.26 AGUA_ESGOTO (%) 5382 27.2604 21.3349 0 100 T_LIXO (%) 5382 64.5206 33.1823 0 100 T_LUZ (%) 5382 75.4177 24.7437 0 100
educação, a relação entre a variável E_ANOSESTUDO e TMI foi visivelmente negativo, enquanto a T_ANALF15M apresentou uma possível relação uma relação positiva.
As variáveis da dimensão vulnerabilidade apresentaram comportamento similar. A RDPC, por hipótese, possui uma relação negativa com a TMI, visto que, quanto maior for a renda dos pais, tanto eles quanto os filhos terão acesso a serviços importantes para o status de saúde, como, cuidados médicos preventivos, informação, etc., ao passo que a PMPOBCRI apresenta uma relação, por hipótese, positiva, já que quanto maior for o nível de pobreza menor serão as condições de vida da população, o que irá refletir em uma maior TMI.
Com relação às variáveis da dimensão habitação, essas também apresentam uma relação aparentemente em conformidade com a literatura, sendo que AGUA_ESGOTO apresenta uma relação visivelmente positiva enquanto que as variáveis T_LIXO e T_LUZ apresentam uma relação negativa.
Figura 1 – Gráfico de dispersão entre a TMI e as covariáveis.
Fonte: elaboração própria.
Na Figura 2 estão os gráficos Box Plot das variáveis, é possível visualizar que, em geral, as variáveis apresentaram maior dispersão no ano de 1991 com destaque para as variáveis TMI, FECTOT, AGUA_ESGOTO e T_LUZ. Com relação aos outliers, todas as variáveis apresentaram valores extremos, a T_LIXO foi a que apresentou maior número no ano de 2010.
Figura 1 – Gráficos de Dispersão Fonte: elaboração própria.
20 40 60 80 10 0 12 0 TMI 2 4 6 8 FECTOT 20 40 60 80 10 0 12 0 TMI 0 20 40 60 80 100 T_DENS 20 40 60 80 10 0 12 0 TMI 0 5 10 E_ANOSESTUDO 20 40 60 80 10 0 12 0 TMI 0 20 40 60 80 T_ANALF15M 20 40 60 80 10 0 12 0 TMI 0 20 40 60 80 100 PMPOBCRI 20 40 60 80 10 0 12 0 TMI 0 500 1000 1500 RDPC 20 40 60 80 10 0 12 0 TMI 0 20 40 60 80 100 AGUA_ESGOTO 20 40 60 80 10 0 12 0 TMI 0 20 40 60 80 100 T_LIXO 20 40 60 80 10 0 12 0 TMI 0 20 40 60 80 100 T_LUZ
Antes de realizar a análise econométrica foi aplicado o teste de Hausman para a identificação de qual método de estimativa seria utilizado, se efeitos aleatórios ou efeitos fixos. Conforme a Tabela 4, o modelo de efeitos aleatórios não é recomendado, o que é um suporte para o uso do modelo de efeitos fixos. Além disso, toda a população de municípios nordestinos está sendo utilizada como amostra, o que também é um suporte para a estimativa via efeitos fixos.
Tabela 4 - Teste Hausman
Teste de Hausman 1949.90
0.0000
Fonte: elaboração própria.
Na Tabela 5 é possível observar os resultados obtidos para o teste de Wooldridge e o de Wald. Os dois testes foram estatisticamente significativos a 1%, o que indica a
Figura 2 –Gráficos Box Plot.
presença de autocorrelação e heterocedasticidade, o que já é esperado devido as disparidades apresentadas pela região Nordeste.
Tabela 5- Teste de Autocorrelação e Heterocedasticidade
Teste Wooldridge Teste Wald em efeito fixo F (1, 1793) = 765.343 chi2 (1794) = 1.5e+07
Prob > F = 0.0000 Prob>chi2 = 0.0000
Fonte: elaboração própria.
Outro teste realizado foi o VIF, e seus resultados podem ser observados na Tabela 6. O VIF é realizado para medir o quanto a variância de um coeficiente é inflacionada dada a sua colinearidade. Como os resultados foram abaixo de 10, não há indicativo de problemas de multicolinearidade.
Tabela 6 - Teste VIF
Variáveis VIF 1/VIF
FECTOT 3.89 0.2571 T_DENS 3.96 0.2522 PMPOBCRI 8.81 0.1134 RDPC 6.02 0.1661 E_ANOSESTUDO 3.30 0.3027 T_ANALF15M 3.93 0.2542 AGUA_ESGOTO 1.53 0.6545 T_LIXO 2.39 0.4181 T_LUZ 3.18 0.3143 Média VIF 4.11
Fonte: elaboração própria.
A partir dos resultados encontrados nos testes foi realizada a estimação do modelo via efeitos fixos e com os erros-padrão robustos. A Tabla 7 apresenta as estimações para as variáveis explanatórias que correspondem as seguintes dimensões: demografia; educação; vulnerabilidade e habitação, com relação a TMI. Para Quiroga e Rezende (2002), é necessário realizar a análise das relações das variáveis sociais, econômicas e demográficas para se ter o entendimento sobre as causas da taxa de mortalidade infantil e assim poder obter a sua redução.
Tabela 7 – Resultados da estimação por dados em painel para os municípios do
Nordeste; 1991, 2000 e 2010.
TMI Coeficiente Erro padrão robusto P-valor DDemografia T_DENS .2478 .0324 0.000 FECTOT 4.0792 .3255 0.000 Educação E_ANOSESTUDO -.7659 .1655 0.000 T_ANALF15M .9347 .0434 0.000 Vulnerabilidade PMPOBCRI .1148 .0296 0.000 RDPC -.0163 .0045 0.000 Habitação AGUA_ESGOTO .0274 .0090 0.002 T_LIXO -.0407 .0087 0.000 T_LUZ .0161 .0142 0.257 Const. -9.3423 3.8896 0.016
Fonte: elaboração própria.
De modo geral, todas as variáveis apresentam os sinais esperados e são estatisticamente significativas ao nível de 1%, com exceção apenas da variável T_LUZ, da dimensão habitação, que não apresentou significância e o sinal apresentado foi contrário ao esperado pela literatura.
A variável FECTOT apresenta um impacto médio relativamente forte, com uma redução esperada de quatro óbitos para cada diminuição marginal na taxa de fecundidade. Uma menor taxa de fecundidade total pode traduzir-se em maior assistência, atenção e cuidados com as crianças, proporcionado melhores condições de vida.
Costa et al. (2003) afirma que a fecundidade total impacta na redução da taxa de mortalidade infantil por meio da diminuição de nascimento de crianças em famílias em situação de vulnerabilidade, pois estas seriam mais propensas a morrer em seu primeiro ano de vida devido às condições precárias de vida e o não acesso a serviços de saúde. Outro meio de impactos na TMI seria também pela diminuição dos nascimentos prematuros, a menor demanda por serviços de saúde, sejam eles preventivos ou curativos, e pela maior dedicação da mãe aos seus filhos.
Segundo Gomes Bezerra-Filho et al. (2007), a diminuição da mortalidade infantil em países desenvolvidos é alcançada a partir de investimentos destinados a melhoria social, mas no Brasil e em países em desenvolvimento um dos determinantes eficientes para essa diminuição é a redução da fecundidade.
A variável T_DENS, também pertencente à dimensão demografia, apresentou o comportamento esperado, com um impacto médio estimado de -0,247 na TMI para cada redução percentual na taxa de densidade.
As variáveis que mensuram o nível de escolaridade no modelo também apresentam o sinal esperado. Há uma redução esperada de 0,76 óbitos para cada aumento de um ano médio de estudo (o que é uma magnitude relativamente baixa), e uma redução esperada de quase um óbito na TMI para cada redução marginal na taxa de analfabetismo. Tendo em vista o alto nível de analfabetismo encontrado na região Nordeste e o seu forte impacto estimado, pode-se inferir que essa é uma variável prioritária para a redução da TMI frente à busca pelo aumento dos anos médios de estudo da população.
Desde o pioneiro estudo de Stevenson (1928 apud Silva, Freire e Pereira, 2016) uma série de estudos na literatura internacional tem encontrado evidências dos benefícios da educação para as condições de saúde e longevidade da população.
No âmbito nacional, Ferreira (1992), verifica que o nível de escolaridade materno possui forte influência sobre a TMI, já que mães com maior nível de instrução tem mais informações sobre os possíveis riscos que uma criança possui em um ambiente não favorável, assim como sobre os cuidados de higiene necessários, amenizando os riscos de contaminação de doenças infectocontagiosas, que são as principais causas da TMI. Formiga e Ramos (2002) ainda afirmam que a alfabetização é fundamental para a redução dos níveis da TMI, sendo até mesmo mais importante que a renda.
Os resultados para a dimensão vulnerabilidade de certa forma corroboram a ideia de Formiga e Ramos (2002), se levarmos em conta o esforço necessário para se elevar a renda média domiciliar e reduzir a taxa de domicílios pobres frente a uma redução na taxa de analfabetismo. Com base nas magnitudes encontradas, há um suporte para o argumento de que a dimensão educação possui um impacto maior do que a renda.
De todo modo, de acordo com Gomes Bezerra Filho et al. (2007) a renda familiar é um fator relevante, pois é a partir dos níveis de renda familiar que é mensurado os níveis de acesso a serviços de saúde etc., enquanto Ferreira (1992) cita que os maiores níveis de mortalidade infantil são observados em famílias com menor nível de renda.
Em relação à dimensão habitação, observa-se também um sinal esperado de acordo com a literatura, porém as magnitudes são relativamente fracas.
Ademais, foi realizado o teste F para cada dimensão, apresentados na Tabela 8. Apesar da não significância individual da variável T_LUZ, quando em conjunto, a dimensão é estatisticamente significativa a 1%.
Os serviços de abastecimento de água, esgotamento sanitários e coleta de lixo são importantes para a criação de um ambiente favorável e consequentemente para a redução da TMI, posto que as crianças com até um ano de idade são mais sensíveis ao ambiente em que vivem. Portanto, essas variáveis estão relacionadas a um melhor estado de saúde por meio da diminuição da probabilidade de ocorrência de doenças infectocontagiosas e parasitárias, uma vez que impactam na diminuição das doenças diarreicas que são as principais causas da TMI (MENDONÇA e MOTTA, 2008).
O acesso à energia elétrica está associado à qualidade de vida e bem-estar social da população, assim como a oportunidade de ter acesso aos serviços de saúde e a informações relevantes para a redução da TMI, como meios de prevenção de contaminação de doenças hídricas, higiene pessoal, serviços médicos entre outros. Para Mosley e Chen (1984), fatores sociais, econômicos e culturais como a educação e a renda, por exemplo, são determinantes imediatos de doenças como a diarreia que causam óbitos.
Tabela 8 - Teste de Significância para cada Dimensão.
Dimensão Testes Demografia FECTOT = 0 T_DENS = 0 F (2, 3579) = 166.56 Prob > F = 0.0000 Educação E_ANOSESTUDO = 0 T_ANALF15M = 0 F (2, 1793) = 253.26 Prob > F = 0.0000 Vulnerabilidade PMPOBCRI = 0 RDPC = 0 F (2, 1793) = 41.86 Prob > F = 0.0000 Habitação AGUA_ESGOTO = 0 T_LIXO = 0 T_LUZ = 0 F (3, 3579) = 12.82 Prob > F = 0.0000 Fonte: elaboração própria.
Pode-se inferir, a partir das análises realizadas, que as dimensões analisadas são importantes para o comportamento da taxa de mortalidade infantil. Duas políticas possíveis para a redução da taxa mortalidade infantil de forma mais direta seriam em educação, por meio da alfabetização da sociedade, e a conscientização da importância da diminuição dos da fecundidade total da região.
CONSIDERAÇÕES FINAIS
Este trabalho teve por objetivo a identificação a partir de variáveis socioeconômicas dos fatores de influência da taxa de mortalidade infantil nos municípios da região Nordeste no período de 1991, 2000 e 2010.
A partir dos resultados obtidos na análise descritiva, percebe-se que as variáveis apresentam as relações esperadas pela literatura e que a taxa de mortalidade infantil sofreu uma redução ao longo dos tempos. Outra observação diz respeito ao valor mínimo apresentado pela TMI, que ainda é maior do que aquele aceitável pela OMS, de 10 óbitos infantis a cada 1000 crianças nascidas vivas. De modo geral, observa-se que os municípios apresentam disparidades em relação as variáveis e suas dimensões.
Com relação ao modelo econométrico estimado, as variáveis, na sua maioria, apresentaram sinais esperados e foram estatisticamente significativas. Destaque vai para os seguintes fatores: taxa de fecundidade total e taxa de analfabetismo da população de 15 anos ou mais de idade. Variações na fecundidade e no analfabetismo teriam possivelmente impactos imediatos e diretos.
As variáveis socioeconômicas são relevantes no combate à taxa de mortalidade infantil, sendo as dimensões demografia e educação as que devem receber investimentos imediatos para se obter maiores resultados sobre a redução da TMI em regiões menos favorecidas, como o Nordeste.
REFERÊNCIAS
ALVES, D. e BELLUZZO, W. Infant mortality and child health in Brazil. Economics and
Human Biology, v. 2 n. 3, p. 391-410, 2004.
CARVALHO, R. A. S. et al. Desigualdades em saúde: condições de vida e mortalidade infantil em região do nordeste do Brasil. Revista de Saúde Pública, v. 49, p. 1-9, 2015.
COSTA, M.C. N. et al. Mortalidade infantil no Brasil em períodos recentes de crise econômica. Revista de Saúde Pública, v. 37, p. 699-706, 2003.
FERREIRA, Carlos Eugenio Carvalho de. Saneamento e mortalidade infantil. São Paulo
em perspectiva, v. 6, n. 4, p. 62-69, 1992
FORMIGA, M. C.; RAMOS, P. C. F. Influência dos fatores socioeconômicos na sobrevivência de crianças menores de 5 anos de idade, no Estado do Rio Grande do Norte. In: XIII Encontro Nacional de Estudos Populacionais, Anais do XIII Encontro Nacional de Estudos Populacionais, Ouro Preto – MG, 2002. p. 1-25.
FRANÇA, E.; LANSKY, S. Mortalidade infantil neonatal no Brasil: situação, tendências e
perspectivas. Anais XVI Encontro Nacional de Estudos Populacionais, Caxambú-MG,
2016. p. 1-29.
Fundo das Nações Unidas para a Infância (UNICEF). Situação Mundial da Infância 2008:
Caderno Brasil. [Internet] Brasilía (DF): UNICEF; 2008. Disponível em:
http://www.unicef.org/brazil/pt/ cadernobrasil2008.pdf Acesso em: 04 de janeiro de 2018. GOMES BEZERRA FILHO, et al. Mortalidade infantil e contexto socioeconômico no Ceará, Brasil, no período de 1991 a 2001. Revista. Bras. Saúde Matern. Infant. Recife, 7 (2):
135-142, 2007.
HSIAO, C. Analysis of panel data. 3. ed. New York: Cambridge University Press, 2014.
IBGE – Instituto Brasileiro de Geografia e Estatística. Disponível em:
<https://ww2.ibge.gov.br/home/>. Acesso em: 04 de janeiro de 2018.
LAURENTI, R.; JORGE, M. H. P. M.; LEBRÃO, M. L. e GOTLIEB, S. L. D. Estatística de
saúde. São Paulo, EPU, 2005.
MENDONÇA, M.J.C., MOTTA, R.S. Saúde e Saneamento no Brasil. R. Plan. Pol. Púb. V.
x, n. y, p. 15-29, 2008.
MENEZES, T. A.; UCHOA, F. Mortalidade Infantil, Saneamento Básico e o Impacto da
Saúde sobre o Crescimento Econômico Brasileiro. In: XXXIX Encontro da ANPEC 2011,
Anais XXXIX Encontro da ANPEC, Foz do Iguaçi- PR, 2011. p. 1-16.
MOSLEY WH.; CHEN LC. An analytical framework for the study of child survival in developing countries. In Mosley WH, Chen LC. Child survival: strategies for research. Pop Dev Rev 1984, p. 25-48.
NUNES A, SANTOS JR, BARATA RB, VIANNA SM. Medindo as desigualdades em
saúde no Brasil: uma proposta de monitoramento. Brasília: Organização Pan-Americana
da Saúde, Instituto de Pesquisa Econômica Aplicada; 2001.
OLIVEIRA, J. C.; ALBUQUERQUE, F. R. P. C.; LINS, I. B. Projeção da População do
Brasil por sexo e idade para o período de 1980 - 2050 – Revisão 2004. Rio de Janeiro,
outubro de 2004.
OLIVEIRA, M. N. D. de et al. Características dos óbitos infantis em um munícipio de médio porte da região Nordeste do Brasil. Journal of Health & Biological Sciences, v. 5, n. 2, p.
160-164, 2017.
OMS - Organização Mundial de Saúde. Disponível em:< http://www.who.int/water_sanitation_health/publications/glaas_report_2014/en/>. Acesso em: 04 de janeiro de 2018.
QUIROGA, J.; REZENDE, S. A mortalidade infantil por causas de morte no Vale do
Jequitinhonha-MG. In: X Seminário sobre a Economia Mineira, Anais do X Seminário
PNUD – Programa das Nações Unidas para o Desenvolvimento. Brasília: organização
das Nações Unidas. Atlas do desenvolvimento humano no Brasil. Disponível em:
http://www.atlasbrasil.org.br/2013/. Acesso em: 12 de janeiro de 2018.
RIBEIRO, W. J.; ROOKE, J. M. S. Saneamento e sua Relação com o Meio Ambiente e
a Saúde Pública. Juiz de Fora, 2010.
SILVA, L. E. da; FREIRE, F. H. M.de A. & PEREIRA Rafael H. M. Diferenciais de mortalidade por escolaridade da população adulta brasileira, em 2010. Cadernos
de Saúde Pública [online]. 2016, vol.32, n.4,
TRATA BRASIL. Saneamento no Mundo. 2016. Disponível em:<
hrrp://www.tratabrasil.org.br/saneamento-no-mundo/>. Acesso em: 04 de janeiro de 2018.
TUROLLA, A. F.. Política de Saneamento Básico: Avanços Recentes e Opções Futuras
de Políticas Públicas. IPEA, Brasília, n° 922, p. 1-29, dez. 2002.
WOOLDRIDGE, J. M. Introdução a econometria: uma abordagem moderna. 1th. ed. São
Paulo: Cengage Learning, 2008.
WOOLDRIDGE, J. M. Econometric analysis of cross section and panel data. MIT
