1. Introducción
A principios de 2020, la humanidad enfrentó la pandemia por Covid-19, uno de los desafíos más grandes de las últimas décadas, siendo necesario construir estructuras resilientes, flexibles y adaptables con las instituciones que dieran una respuesta eficaz y eficiente, al tiempo que pudieran sobreponerse con el me‑nor impacto social ante situaciones traumáticas, como la generada por el virus. El 11 de marzo de 2020, la Organización Mundial de la Salud (OMS) declaró una pandemia global al evidenciar una clara transmisión altamente peligrosa del virus SARS-CoV-2 (Organización Panamericana de la Salud [OPS, 2021]). Las medidas de control fueron la base principal de la prevención: reducción de su propagación mediante la higiene de manos, y al toser, precauciones de transmisión estándar de contacto y aérea; así como establecer medidas de aislamiento.
A finales de abril de 2020, a nivel mundial se reportaban más de 3.1 millones de casos y 217 132 personas fallecidas; para el mes de agosto, estas cifras alcanzaron los 21.1 millones de casos y 750 660 muertes. En abril de 2021, el número de contagios fue de 147.2 millones y 3.1 millones de fallecidos; en mayo del mismo año, las cifras aumentaron de manera alarmante, a nivel mundial se contabilizaban cerca de 176 millones de casos, y casi 4 millones de personas fallecidas. Las cifras dan muestra de un proceso infeccioso altamente transmisible, su facilidad de contagio por partículas nasales o bucales detuvo al planeta (véase Tabla 1).
Región | Casos | Casos por 100 mil hab | Muertes | Muertes por 100 mil hab |
---|---|---|---|---|
África | 5 087 990 | 391 | 135 047 | 10 |
América del Norte | 34 720 246 | 9 645 | 622 967 | 173 |
América Latina y el Caribe | 35 248 418 | 5 595 | 1 213 426 | 192 |
Asia | 38 427 004 | 937 | 536 011 | 13 |
Europa | 53 609 712 | 7 344 | 1 125 119 | 154 |
Medio Oriente | 9 126 481 | 2 226 | 160 297 | 39 |
Oceanía | 78 099 | 186 | 1 387 | 3 |
Total mundial | 176 297 950 | 3 794 254 |
Fuente: elaboración propia con base en BBC (2021).
Bajo este panorama, se tuvo un desconocimiento generalizado sobre las causas, consecuencias y, sobre todo, la forma en la que las instituciones de salud respondían y ofrecían la seguridad necesaria a la población, de hecho, la comunidad científica advirtió que la presencia de pandemias serán más frecuentes y sus consecuencias más devastadoras con altos niveles de contagio y mayor mortalidad (IPBES, 2020; Han et al., 2015 y 2016; Menachery et al., 2015; Allen et al., 2017). Se estima que existen cerca de 1.7 millones de virus no descubiertos, de los cuales, más de 850 mil con capacidad de contagio humano (IPBES, 2020); un futuro desolador parece inminente, haciéndose necesario orientar los esfuerzos hacia la prevención en el campo de la salud.
El servicio de salud entendido como un derecho, cuenta con elementos constitutivos que el Estado debería garantizar, como satisfacción de una de las necesidades básicas, así como de justicia social e igualdad (Vanhulst, 2015). Al respecto, la OMS y la OPS han desarrollado una serie de indicadores que determinan umbrales mínimos para que los servicios de salud correspondan con efectividad en atención, los más usuales son: el gasto público corriente en salud per cápita y los gastos de bolsillo.1 Se ha encontrado también que por cada mil habitantes se requieren 2.28 profesionales sanitarios y 2.4 camas en el sistema de salud, para alcanzar una cobertura mínima de atención del 80% (OMS, 2006).
La Tabla 2 muestra que Argentina y Brasil tienen el gasto en salud per cápita más alto de América del Sur, mientras que en el gasto de bolsillo, Ecuador, Paraguay y Venezuela muestran un porcentaje mayor, aunque en el caso de Venezuela, este gasto ha ido disminuyendo.
Países | Gasto de bolsillo en salud como % del gasto total | Gasto corriente en salud per cápita en ppa | ||||
---|---|---|---|---|---|---|
2013 % | 2014 % | 2015 % | 2013 $ | 2014 $ | 2015 $ | |
Argentina | 19 | 19 | 18 | 1 287.70 | 1 268.30 | 1 389.80 |
Bolivia | 30 | 26 | 23 | 348.20 | 384.90 | 445.80 |
Brasil | 22 | 21 | 20 | 1 275.60 | 1 365.30 | 1 391.50 |
Colombia | 14 | 15 | 18 | 765.40 | 856.00 | 852.80 |
Chile | 32 | 32 | 31 | 1 677.70 | 1 774.10 | 1 903.10 |
Ecuador | 40 | 40 | 42 | 942.00 | 994.40 | 980.20 |
Paraguay | 38 | 36 | 35 | 593.40 | 682.90 | 724.30 |
Perú | 31 | 28 | 31 | 572.60 | 621.80 | 671.00 |
Uruguay | 17 | 16 | 16 | 1 690.80 | 1 754.10 | 1 747.80 |
Venezuela | 35 | 31 | 28 | 641.60 | 640.10 | 579.40 |
Fuente: elaboración propia con base en OPS (2020).
Sin embargo, no se establecen parámetros de eficiencia; más bien se ha logrado identificar ineficiencias de entre el 20 y 40% de los recursos asignados al campo de la salud (OMS, 2010).
La eficiencia debe ser concebida como la capacidad para producir con recursos limitados, midiéndose en la cantidad de bienes y servicios que pueden ser obtenidos por cada unidad de recurso utilizado (Mankiw, 2012). Hurley (2000), por su parte, indica que resulta significativo discutir la eficiencia de un servicio, bien o actividad si se ha articulado un objetivo explícito contra el cual se puede evaluar dicha eficiencia.
Farrell (1957) manifiesta la necesidad de medir la eficiencia productiva en una industria determinada para conocer qué tanto, dicha unidad de producción, puede aumentar su producto simplemente con el incremento de su eficiencia, sin absorber más recursos de los que cuenta.
Hurley (2000) y Cid et al. (2016) distinguen a la ET como aquella que se alcanza al producir un output dado con la mínima utilización de inputs, entendiéndose como el uso adecuado y óptimo de los recursos en la producción, existiendo varias combinaciones de inputs para alcanzar un output determinado. Soto y Casado (2019) contribuyen indicando que la ET se alcanza al lograr el máximo resultado a partir de unos recursos dados, o que, estos resultados sean, al menos, tan elevados como el coste de oportunidad, o bien, que si produciendo los mismos resultados, se consuma una menor cantidad de recursos.
Santelices (2017) encuentra, sobre una muestra de 32 hospitales públicos en Chile, durante el periodo 2011-2013, una eficiencia promedio de 77%; otra muestra de 40 unidades durante 2012, una eficiencia del 86%. En Colombia, Fontalvo (2017) indica que, 12 de las 17 unidades analizadas presentan una eficiencia óptima; por su parte Meza (2018) observó en su estudio que sólo 14.5% de las 29 entidades colombianas estudiadas tienen una eficiencia del 100%.
Rodríguez et al. (2015) midieron la ET de cuatro clínicas especializadas en enfermedades neurológicas en Cuba, encontrando una media de eficiencia de escala de 66.8% en 2012 y del 78.7% en 2013. En Ecuador, Suin et al. (2021) encuentran mayor ET en el sistema público que en el sistema privado de salud; sin embargo, advierten que podría deberse a la naturaleza misma del servicio privado reflejado en las variables utilizadas.
Estudios de carácter multinacional, como el de Maza y Vergara (2017), que analiza la eficiencia en hospitales y clínicas de alta complejidad de Latinoamérica, durante el periodo 2010-2011, encontraron que 65% de las unidades son totalmente eficientes y 48% experimentaron crecimientos en su productividad por aumentos de su eficiencia y mejoras tecnológicas. Sanmartín et al. (2019), cuantificaron la eficiencia relativa del gasto total en salud de 62 países de América Latina y el Caribe (ALC) y de la Organización para la Cooperación y el Desarrollo Económicos (OCDE), encontrando que para el 2014, los países más eficientes de ALC fueron Chile, Cuba, República Dominicana, Venezuela y Jamaica, y de la OCDE Japón, Luxemburgo y Turquía.
El Banco Interamericano de Desarrollo (Banco Interamericano de Desarrollo [BID], 2018), que mide niveles de eficiencia de los sistemas de salud de ALC y de países de ingreso medio de la OCDE, encontró que América Latina muestra grandes variaciones en términos de eficiencia, siendo Chile el país mejor posicionado (octavo lugar), compartiendo con la mayoría de países de la OCDE en el 25% superior; mientras que otros 22 de los 27 países se sitúan en la mitad inferior de la eficiencia promedio. Los países con más bajo desempeño fueron Bolivia, Ecuador, Guatemala, Guyana, Panamá y Suriname.
En el uso de variables en la Tabla 3, diferentes estudios han empleado el Análisis Envolvente de Datos (DEA, por sus siglas en inglés) en el análisis de la ET; se usa esta metodología con distintos tipos de datos por su gran versatilidad.
Input | Output | |
---|---|---|
Variables operacionales | ||
Personal sanitario | 1, 3, 4, 5, 7, 9, 10, 11, 12, 14, 18, 19, 21, 23 | |
Número de camas | 1, 3, 4, 5, 6, 7, 9, 10, 11, 12, 13, 14, 18, 20, 21, 23 | |
Personal administrativo | 4, 5, 7, 9, 10, 11, 14, 21, 23 | |
Dependencias varias | 4, 6, 7, 10, 18, 20, 21 | |
Antigüedad-construcción-tecnología | 12, 4 | |
Egresos | 1, 4, 5, 6, 7, 9, 10, 11, 12, 13, 14, 18, 19, 20, 23 | |
Actividades y servicios | 4, 5, 6, 7, 10, 11, 14, 18, 19, 20, 21 | |
Indicadores de salud | 3, 4, 8, 13, 22 | |
Estancia hospitalaria | 7, 9, 13, 15, 20 | |
Satisfacción del usuario | 18, 21 | |
Ocupación hospitalaria | 12, 13 | |
Reingreso | 20 | |
Variables administrativas | ||
Activo | 2, 16, 17 | |
Costo de ventas | 2 | |
Gastos operacionales | 2, 4, 20, 21, 23, 5, 14, 7, 9, 15, 13, 18, 19 | |
Gasto público | 3, 8, 22 | |
Ingresos | 16, 17, 21 | |
Utilidad bruta | 16, 2 |
Fuente: elaboración propia con base en 1. Barahona (2011); 2. Fontalvo et al. (2015); 3. Gómez et al. (2019); 4. Peñaloza (2003); 5. Pérez et al. (2017); 6. Pinzón (2003); 7. Portillo et al. (2018); 8. Sanmartín et al. (2019); 9. Martín y Ortega (2016); 10. Paredes y Cutipa (2017); 11. Lau (2017); 12. Maza y Vergara (2017); 13. Perera (2018); 14. Pérez et al. (2019); 15. Meza (2018); 16. Fontalvo (2017); 17. Franco y Fullana (2020); 18. Franco y Fullana (2018); 19. Ferrándiz (2017); 20. Vivas (2019); 21. Santelices (2017); 22. BID (2018) y 23. Rodríguez et al. (2015).
Bajo este panorama, el objetivo del presente estudio es determinar la existencia de una relación causal y su nivel de incidencia de la ET de los sistemas de salud, en su respuesta y manejo de la mortalidad ocasionada por la presencia, a nivel mundial, de la pandemia por Covid-19.
En la formalidad del documento, su estructura consta de cinco secciones: la primera es el campo introductorio con una revisión de la literatura. En la sección segunda se hace una explicación de las metodologías utilizadas, además de una referencia completa de los datos que sirvieron de base para el análisis. En la tercera, se presentan los resultados obtenidos, así como su interpretación y aporte desde la investigación realizada. La cuarta sección proporciona una discusión de los resultados, y refiere a las limitaciones y nuevas alternativas de investigación desde otras ópticas y recursos metodológicos. Finalmente, la sección quinta trae a colación las conclusiones de la investigación realizada.
2. Materiales y métodos
Eficiencia Técnica (ET)
La ET de los sistemas de salud se midió usando el DEA, que es un método de frontera, determinístico y no paramétrico, muy utilizado por la versatilidad en el uso de variables, sobre todo cuando la información es escasa e incompleta (Peñaloza, 2003; García, 1997; Martín, 2008; Yates, 1983).
La metodología, presentada por Farrell (1957), propone la existencia de Unidades Tomadoras de Decisiones (DMU, por sus siglas en inglés, Decision Making Units) y la utilización de inputs y outputs, que crean una frontera de producción empírica y midiendo la distancia hacia la DMU para obtener una medida relativa de eficiencia. Charnes et al. (1978 y 1997) construyen ratios resultantes del cociente de la suma ponderada de los outputs para la suma ponderada de los inputs y bajo criterios paretianos, obtener un valor de eficiencia entre 0 (cero) o nada eficiente y 1 (uno) o totalmente eficiente, dando origen al DEA, que supone rendimientos constantes a escala (CRS, por sus siglas en inglés, Consistent Returns at Scale).
Además, Charners et al. (1978) obtienen dos versiones más del DEA: la primera que minimiza la cantidad de inputs para obtener el mismo output (orientación al input), y la segunda que, manteniendo la misma cantidad de inputs, maximiza el output (orientación al output). Por su parte Banker et al. (1984) proponen modelos duales y agregan una restricción de convexidad obteniendo el DEA con rendimientos variables a escala (VRS, por sus siglas en inglés, Variable Returns at Scale). Para el análisis en este estudio, se utilizaron modelos con CRS y VRS, con orientación input, cuyas expresiones matemáticas son:
Donde:
Ø : Función objetivo. Medida de la eficiencia
Yrj: output i-ésimo de la DMU j-ésima
Xij: input i-ésimo de la DMU j-ésima
Variables utilizadas
La información utilizada proviene de la base abierta del Banco Mundial (2021). La Tabla 4 presenta como DMU a una muestra total de 108 países, haciendo una distinción por su gasto en salud per cápita, dividiéndose en 40 y 68 países respectivamente, esto para ubicar a cada país dentro de su esca‑la de producción. En cuanto a los inputs y outputs, las variables utilizadas parten de las propuestas por el BID (2018) y Sanmartín (2019), resaltando que el número empleado en cada uno de los cálculos considera la fórmula propuesta por Banker et al. (1984) para garantizar una correcta discriminación entre cada DMU.
DMU | Variables input | Etiqueta | Variables output | Etiqueta | Número de variables |
---|---|---|---|---|---|
Países cuyo gasto en salud per cápita es mayor a US$500 | Gasto en salud per cápita | i_gastsalpib | Esperanza de vida al nacer | o_esvinacdi | 68 ≥ [3 ; 12] |
Gasto en salud como % PIB | i_gastsalpcap | Mayores de 65 años (%) | o_masesycina | ||
Tasa supervivencia infantil | o_tassuperv | ||||
Países cuyo gasto en salud per cápita es menor a US$500 | Gasto en salud per cápita | i_gastsalpib | Esperanza de vida al nacer | o_esvinacdi | 40 ≥ [3 ; 12] |
Gasto en salud como % PIB | i_gastsalpcap | Mayores de 65 años (%) | o_masesycina | ||
Tasa supervivencia infantil | o_tassuperv |
Fuente: elaboración propia con base en Banco Mundial (2021) y de la actualización diaria sobre el avance de la pandemia de la British Broadcasting Corporation (BBC, 2021).
Los modelos matemáticos aplicando DEA, quedan planteados de la siguiente manera:
dea i_gastsalpib = o_esvinacdi o_masesycina o_tassuperv, rts(crs)ort(in) stage(2)
dea i_gastsalpib = o_esvinacdi o_masesycina o_tassuperv, rts(crs) ort(in) stage(2)
dea i_gastsalpcap = o_esvinacdi o_masesycina o_tassuperv, rts(vrs) ort(in) stage(2)
Análisis de regresión
Para determinar la relación entre la ET de los sistemas de salud de los países y la mortalidad ocasionada por la pandemia por Covid-19, se utilizaron Mínimos Cuadrados Ordinarios (MCO), Mínimos Cuadrados Generales (MCG) y Mínimos Cuadrados en 2 Etapas (MC2E).
El MCO -atribuible a Carl Friedrich Gauss- es uno de los más eficaces y populares del análisis de regresión debido a sus propiedades estadísticas y supuestos: varianza homocedástica; las variables explicativas no comparten información, y los errores no están correlacionados entre sí. Sin embargo, si existe evidencia de heterocedasticidad, se debe cambiar por mcg, lo que ayudará a corregir la falta de eficiencia de los estimadores de MCO (Gujarati y Porter, 2009; Girón, 2017).
Por otra parte, si las inconsistencias se presentan por una probable correlación entre la variable explicativa estocástica y el término de perturbación estocástico, pueden utilizarse variables instrumentales y aplicar MC2E, desarrollado por Arnold Zellner y Henri Theil (1962) y Robert Basmann (1957).
Finalmente se debe decir que MCG presentará resultados similares a MCO. MC2E hará lo mismo si la ecuación explica toda la variabilidad de los datos en torno a la media (Gujarati y Porter, 2009; Girón, 2017).
Variables utilizadas
La variable dependiente será la tasa de mortalidad causada por Covid-19 y la variable independiente será el índice de ET de los sistemas de salud, además se usaron variables de control (véase Tabla 5).
Variables | Etiqueta | Especificación | Concepto y justificación |
---|---|---|---|
Dependiente | muecovid | Muertes por Covid | Número de muertes ocasionadas por Covid-19 por cada 100 mil habitantes |
Independiente | eftecppcvrs | Eficiencia Técnica | Input gasto en salud per cápita y rendimientos variables |
eftecpibvrs | Eficiencia Técnica | Input gasto en salud como % PIB y rendimientos variables | |
eftecpibcrs | Eficiencia Técnica | Input gasto en salud como % PIB y rendimientos constantes | |
De control | denpobl | Densidad poblacional | Población dividida por km2. Variable que se justifica por la capacidad de transmisión y de infección del virus. |
gasbolsil | Gasto de bolsillo | Gasto en salud mediante pagos de bolsillo per cápita en dólares. Variable que se justifica por la capacidad de acceso de la población a la atención en sistemas de salud privados. | |
crecpib | Crecimiento PIB | Tasa de crecimiento del PIB en dólares constantes de 2010. Variable que se justifica como indicador de la capacidad económica de un país para enfrentar crisis. | |
desnut | Desnutrición | Porcentaje de la población cuya ingesta de alimentos es insuficiente para satisfacer las necesidades de energía alimentaria de forma continua. Variable que se justifica por las condiciones de salud de las personas al momento de enfrentar el virus. | |
gini | Índice de Gini | Medida en que la distribución del ingreso, entre individuos u hogares dentro de una economía, se desvía de una distribución perfectamente equitativa. Variable que se justifica al reflejar el nivel o índice de desarrollo humano, y que envuelve a factores sociales clave. |
Fuente: elaboración propia con base en Banco Mundial (2021).
Los modelos matemáticos de la regresión, quedan planteados de la siguiente manera:
Los modelos se interpretarían como la relación entre el número de muertes ocasionadas por Covid-19 y la eficiencia técnica de los sistemas de salud de los países muestra. Se colocan variables de control para ratificar los resultados obtenidos.
Las variables de control utilizadas fueron seleccionadas en función a lo que la OMS (2009 y 2017) define como los Determinantes Sociales de la Salud, al referirse al conjunto de factores sociales, políticos, económicos, ambientales y culturales que ejercen gran influencia en el estado de salud, obviando aquellas que aluden a la condición per se de salud.
3. Resultados
Eficiencia Técnica
En el Apéndice, las Tablas A1 y A2 muestran los resultados de la ET de los sistemas de salud de 40 y 68 países, respectivamente, diferenciados por el gasto en salud per cápita, mientras que la Tabla A3 da cuenta de los países utilizados como muestra. En el primer grupo se encuentran Bangladesh, Yibuti, Samoa, Marruecos, Honduras, Islas Salomón y Vietnam, que mantienen una ET del 100%; mientras que Gabón y República de África Central son los de menor eficiencia.
En el grupo 2, Singapur, Japón y Qatar se muestran 100% eficientes; los dos primeros en los tres escenarios considerados. Mientras que Kuwait con 14%, Sudáfrica con 25% y Namibia con 21%, son los países de menor eficiencia en el uso de recursos. Los valores dependen de los inputs y de los modelos utilizados (CRS o VRS).
Análisis de regresión
Los resultados se presentan en la Tabla 6 y muestran una relación inversa entre la ET y la mortalidad por Covid-19, a excepción del panel B cuyos t-value, indican que los resultados obtenidos no son confiables. En el panel A, en todos los escenarios propuestos, los resultados se ubican con un t-value significativo a un nivel menor al 1%, y aunque el R2 apenas logra alcanzar 22%, la relación existente entre las dos variables se presenta confiable. Estos resultados son respaldados y muestran un comportamiento similar en el panel C, que utiliza las 108 observaciones, la relación inversa entre las variables se mantiene; sin embargo, el valor del parámetro de la variable independiente cambia; pasa, teniendo en cuenta el valor absoluto, de un mínimo de 61.17838 a un máximo de 127.88 dependiendo del input que se utilizó para el cálculo de la ET y del modelo usado: VRS o CRS.
Gasto en salud per cápita | Gasto en salud como % PIB | ||
---|---|---|---|
Modelo VRS | Modelo VRS | Modelo CRS | |
Panel A: Países con gasto en salud per cápita mayor a US$500 | |||
Eficiencia Técnica | -127.88 *** | -83.72164 *** | -95.27453 *** |
[27.25197] | [30.55511] | [30.18117] | |
Constante | 145.1589 *** | 117.9721 *** | 120.9956 *** |
R2 | 0.2212 | 0.0857 | 0.099 |
Número de observaciones | 68 | 68 | 68 |
Panel B: Países con gasto en salud per cápita menor a US$500 | |||
Eficiencia Técnica | -4.820077 | 5.167789 | -8.703761 |
[12.19875] | [9.414235] | [9.859381] | |
Constante | 17.47132 ** | 11.19243 | 19.62029** |
R2 | 0.0026 | 0.0032 | 0.0070 |
Número de observaciones | 40 | 40 | 40 |
Panel C: Todos los países | |||
Eficiencia Técnica | -71.35872 *** | -61.17838 *** | -65.23424 *** |
[18.52188] | [20.12675] | [30.18117] | |
Constante | 91.40339 *** | 86.81011 *** | 120.9956*** |
R2 | 0.0889 | 0.0659 | 0.0607 |
Número de observaciones | 108 | 108 | 108 |
Nota: valor p: *** p < 0.01; ** p < 0.05; * p < 0.1; errores estándar en corchetes.
Fuente: elaboración propia con base en resultados mediante uso de STATA.
Estas deducciones se pusieron a prueba con la utilización de variables de control en dos escenarios: el primero utilizando sólo tres variables: Densidad Poblacional, Gastos de Bolsillo y Crecimiento del PIB; mientras que en el segundo se agregaron el Índice de Desnutrición y el Índice de Gini (véanse Tablas 7, 8 y 9). Se ha prescindido de los países con un gasto en salud per cápita menor a US$500 al mostrar resultados no confiables en la relación entre variables.
MCO | MCG | MC2E | |
---|---|---|---|
Panel A: 3 variables de control | |||
Eficiencia Técnica | -97.27008 *** | -97.27008 *** | -97.27008 *** |
[35.57986] | [29.47611] | [35.57986] | |
Densidad Poblacional | -0.0065469 | -0.0065469 *** | -0.0065469 |
[0.0073445] | [0.0023551] | [0.0073445] | |
Gasto de Bolsillo | 0.0355446 ** | 0.0355446 ** | 0.0355446 ** |
[0.0177603] | [0.0144314] | [0.0177603] | |
Crecimiento PIB | -2.029535 | -2.029535 | -2.029535 |
[2.997956] | [2.604703] | [2.997956] | |
Constante | 117.6005*** | 117.6005*** | 117.6005*** |
R2 | 0.1554 | 0.1554 | |
Número de observaciones | 68 | 68 | 68 |
Panel B: 5 variables de control | |||
Eficiencia Técnica | -129.4118 ** | -129.4118 ** | -129.4118 ** |
[57.24287] | [50.64491] | [57.24287] | |
Densidad Poblacional | 0.0088023 | 0.0088023 | 0.0088023 |
[0.0757527] | [0.0949092] | [0.0757527] | |
Gasto de Bolsillo | 0.0123035 | 0.0123035 | 0.0123035 |
[0.022711] | [0.0144922] | [0.022711] | |
Crecimiento PIB | -3.01469 | -3.01469 | -3.01469 |
[4.399288] | [4.569196] | [4.399288] | |
Índice Desnutrición | -6.281668 ** | -6.281668 ** | -6.281668 ** |
[2.386539] | [1.813643] | [2.386539] | |
Índice de Gini | 1.010878 | 1.010878 | 1.010878 |
[1.127851] | [1.377753] | [1.127851] | |
Constante | 163.9679 ** | 163.9679 ** | 163.9679 ** |
R2 | 0.2984 | 0.2984 | 0.2984 |
Número de observaciones | 40 | 40 | 40 |
Nota: valor p: *** p < 0.01; ** p < 0.05; * p < 0.1; errores estándar en corchetes.
Fuente: elaboración propia con base en resultados mediante uso de STATA.
Variables | MCO | MCG | MC2E |
---|---|---|---|
Panel A: 3 variables de control | |||
Eficiencia Técnica | -61.41377 *** | -61.41377 *** | -61.41377 *** |
[21.90137] | [18.52394] | [21.90137] | |
Densidad Poblacional | -0.0074658 | -0.0074658 *** | -0.0074658 |
[0.00643673] | [0.0022019] | [0.00643673] | |
Gasto de Bolsillo | 0.0516782 *** | 0.0516782 *** | 0.0516782 *** |
[0.01406] | [0.0166841] | [0.01406] | |
Crecimiento PIB | -2.156442 | -2.156442 | -2.156442 |
[1.773367] | [1.62062] | [1.773367] | |
Constante | 81.04987 *** | 81.04987 *** | 81.04987 *** |
R2 | 0.2019 | 0.2019 | 0.2019 |
Número de observaciones | 107 | 107 | 107 |
Panel B: 5 variables de control | |||
Eficiencia Técnica | -94.82057 *** | -94.82057 *** | -94.82057 *** |
[37.75897] | [36.08694] | [37.75897] | |
Densidad Poblacional | 0.0188223 | 0.0188223 | 0.0188223 |
[0.040936] | [0.0366725] | [0.040936] | |
Gasto de Bolsillo | 0.0147634 | 0.0147634 | 0.0147634 |
[0.0195646] | [0.0140777] | [0.0195646] | |
Crecimiento PIB | -6.299436 | -6.299436 | -6.299436 |
[3.834391] | [3.991093] | [3.834391] | |
Índice Desnutrición | -4.118347 *** | -4.118347 *** | -4.118347 *** |
[1.449592] | [1.434888] | [1.449592] | |
Índice de Gini | 1.198691 | 1.198691 | 1.198691 |
[0.08835683] | [1.103968] | [0.08835683] | |
Constante | 132.0499 *** | 132.0499 ** | 132.0499 *** |
R2 | 0.4050 | 0.4050 | 0.4050 |
Número de observaciones | 56 | 56 | 56 |
Nota: valor p: *** p < 0.01; ** p < 0.05; * p < 0.1; errores estándar en corchetes.
Fuente: elaboración propia con base en resultados mediante uso de STATA.
Variables | MCO | MCG | MC2E |
---|---|---|---|
Panel A: 3 variables de control | |||
Eficiencia Técnica | -59.39136 *** | -59.39136 *** | -59.39136 *** |
[22.00209] | [17.5452] | [22.00209] | |
Densidad Poblacional | -0.0065612 | -0.0065612 *** | -0.0065612 |
[0.0065141] | [0.0021361] | [0.0065141] | |
Gasto de Bolsillo | 0.045497 *** | 0.045497 *** | 0.045497 *** |
[0.013999] | [0.0153225] | [0.013999] | |
Crecimiento PIB | -2.114709 | -2.114709 | -2.114709 |
[1.782879] | [1.701794] | [1.782879] | |
Constante | 79.9014 *** | 79.9014 *** | 79.9014 *** |
R2 | 0.1977 | 0.1977 | 0.1977 |
Número de observaciones | 107 | 107 | 107 |
Panel B: 5 variables de control | |||
Eficiencia Técnica | -96.61758 *** | -96.61758 *** | -96.61758 *** |
[34.58586] | [32.11552] | [34.58586] | |
Densidad Poblacional | 0.0183775 | 0.0183775 | 0.0183775 |
[0.0402342] | [0.033232] | [0.0402342] | |
Gasto de Bolsillo | 0.0103406 | 0.0103406 | 0.0103406 |
[0.0194206] | [0.0134213] | [0.0194206] | |
Crecimiento PIB | -7.37595 * | -7.37595 * | -7.37595 * |
[3.714136] | [4.31656] | [3.714136] | |
Índice Desnutrición | -3.186764 ** | -3.186764 ** | -3.186764 ** |
[1.380618] | [1.462169] | [1.380618] | |
Índice de Gini | 1.249489 | 1.249489 | 1.249489 |
[0.8674487] | [1.120615] | [0.8674487] | |
Constante | 125.7329 *** | 125.7329 ** | 125.7329 *** |
R2 | 0.4207 | 0.4207 | 0.4207 |
Número de observaciones | 56 | 56 | 56 |
Nota: valor p: *** p < 0.01; ** p < 0.05; * p < 0.1; errores estándar en corchetes.
Fuente: elaboración propia con base en resultados mediante uso de STATA.
En la Tabla 7 se observan los resultados del modelo para la muestra de países con un gasto en salud per cápita superior a US$500 con la inclusión de las variables de control, la variable dependiente y la independiente mantienen su relación inversa, tanto para cálculo mediante MCO, MCG y MC2E. El panel A muestra confianza estadística, aunque su R2 se ha reducido al 15.54. El panel B mantiene la relación inversa entre las variables dependiente e independiente, conservando su significancia estadística, además su R2 sube al 29.84. Es importante anotar que los valores del parámetro β varían dependiendo del número de variables de control incluidas, sin existir diferenciación entre los modelos de regresión utilizados.
Este comportamiento se mantiene cuando se usan todas las observaciones y la ET es calculada tanto con el gasto en salud como porcentaje del PIB, como con el gasto en salud per cápita, ambos con VRS, valores que se observan en las Tablas 8 y 9. Los resultados no varían, la relación entre las variables dependiente e independiente continúa siendo inversa y los valores mantienen su significancia estadística en todos los escenarios propuestos. Finalmente, es importante anotar que el ajuste del modelo mejora conforme existe un mayor número de observaciones, terminando con un R2 de 42.70.
4. Discusión
La ET muestra valores con un comportamiento esperado; existe una mayor diferencia cuando los cálculos realizados usan modelos CRS o VRS, aunque dicha diferencia no es mayor; de la misma manera, al cambiar el input, los resultados no sufren mayores alteraciones. En la muestra de países con un gasto en salud menor a US$500, Bangladesh es el único que mantiene una ET del 100% en todos los escenarios propuestos, ocurre lo mismo con Singapur y Japón, en la muestra de países con un gasto en salud superior a US$500.
Por su parte, en el análisis de regresión, las pruebas realizadas para los tres tipos de muestras, y utilizando tanto MCO, MCG y MC2E, los resultados se revelan homogéneos y estadísticamente significativos. La variable independien‑te Muertes por Covid, tiene una relación inversa con la variable dependiente ET, aunque vale mencionar que, para los países con gasto en salud menor a US$500, las deducciones no son confiables.
Los resultados finalmente se traducen en que un incremento en 1% en la ET de los sistemas de salud de los países tomados como muestra, disminuiría entre 61 y 127 fallecidos por Covid-19, por cada 100 mil habitantes. Estos resultados son respaldados cuando se toma como muestra a todos los países: el regresor de la variable independiente mantiene su relación inversa y su significancia estadística, lo que indica que los valores y, sobre todo, las deducciones que se puedan alcanzar a partir de estos resultados, son estadísticamente confiables.
Los resultados muestran también la importancia de mantener altos porcentajes de ET para atender las necesidades de la población, de hecho, Gómez et al. (2019) indican que cambios positivos en los niveles de ET, provocarán incrementos de productividad de los factores operativos y financieros de los sistemas nacionales de salud de 28 países de la Unión Europea.
De la misma manera, el BID (2018) sugiere que varios países de América Latina podrían mejorar considerablemente los indicadores de productos de salud, manteniendo estable su presupuesto actual. El análisis indica que, de ser eficientes, la región alargaría en cuatro años su esperanza de vida; la mortalidad de los menores de cinco años podría reducirse en 10 muertes por cada mil nacidos vivos; los Años de Vida Ajustados por Discapacidad (AVAD) perdidos por todas las causas podrían reducirse en promedio en 6.1432 por cada 100 mil habitantes; la atención especializada durante el parto podría mejorarse en un 4.4% y las tasas de inmunización DTP2 podrían alcanzar el 96.9%.
Por otra parte, el R2 resulta relativamente bajo, el modelo no se alcanza a ajustar a la variable dependiente; no obstante, aunque el modelo no explica fehacientemente la variabilidad de los datos, las causas de la mortalidad parten desde situaciones particulares de salud de cada persona, resultando lógico el valor del R2.
En cuanto a las variables de control, cuando sólo se usan tres, los Gastos de Bolsillo muestran una relación directa con las muertes por Covid-19, además que su valor resulta confiable; en este caso, su comportamiento podría explicarse que un sistema de salud deficiente provoca mayores Gastos de Bolsillo. Finalmente, cuando se emplean cinco variables de control, el Índice de Desnutrición mantiene significancia estadística, aunque con una relación inversa a la variable dependiente, lo que se podría explicar por factores de salud propios de cada persona y la relación con el Covid-19.
El estudio presenta, ante la falta de datos completos, actualizados y relevantes, una mayor limitación, dado que no existe información de calidad disponible, sobre todo en países de América Latina y África y, en algunos casos, incluso de países de primer mundo. Lo anterior dificulta trabajar con un mayor número de variables para contrastar resultados.
El DEA presenta también, por su esencia misma, la dificultad de contrastar hipótesis al no poseer características estadísticas como la presencia del error, traduciendo cualquier desviación de los datos en un comportamiento ineficiente de la DMU, sin embargo, es un método válido y utilizado en la investigación científica.
En cuanto al análisis de regresión, trabajar con pocas observaciones se traduce en un R2 poco significativo. El escaso conocimiento y el carácter heterogéneo de la variable dependiente, hace que el modelo no la alcance a explicar de manera fehaciente; sin embargo, hay que entender que la variable explicada dependerá de factores médicos, que tampoco han alcanzado a explicarla de manera contundente.
En cuanto al alcance, el estudio no realiza un análisis de slacks, por lo que desconoce exactamente las variables que son fuente de ineficiencias. Finalmente, no se han estandarizado las tasas de mortalidad por grupo etario, para conocer el nivel de respuesta ante esta condición en cada país y poder compararlos.
5. Conclusiones y recomendaciones
El estudio alcanza a establecer una relación entre las muertes por Covid-19 y la ET de los sistemas de salud. Y es que, mientras de mejor manera se utilicen los recursos disponibles, más preparados estarán los países para afrontar situaciones como las ocurridas en los dos últimos años. El estudio muestra que un incremento en 1% en la ET de los sistemas de salud de los países analizados, disminuiría entre 61 y 127 fallecidos por Covid-19, por cada 100 mil habitantes.
Hay que resaltar, además, que la heterogeneidad de los países, la estructura de los sistemas de salud, las condiciones físicas de las personas, el comportamiento y vertiginosa mutación del virus, así como la estructura y el desarrollo económico de los Estados, tuvieron un papel preponderante en la efectividad en el combate a la pandemia; teniendo al principio, como principal reto, atenuar y contener el acelerado avance de la epidemia.
La extensa literatura indica que las pandemias continuarán. Existen altas posibilidades de que la humanidad vuelva a enfrentar otras emergencias sanitarias, mismas que se prevén serán mayormente catastróficas y devastadoras. Ante este panorama, resulta necesario un nuevo planteamiento y orientación de las políticas públicas en el campo de la economía de la salud, actuando desde una visión más proactiva, preparando y mejorando la capacidad de respuesta de los sistemas de salud en aras de enfrentar, con el mínimo impacto, las consecuencias que traigan estas nuevas epidemias.
Resulta importante poner en manos del responsable político, las herramientas técnicas que ayuden a tomar decisiones que puedan prevenir y corregir las consecuencias que traen situaciones como la presencia del Covid-19, sobre todo, en cuanto al uso y destino del capital. Pues no se trata sólo de incrementar o destinar mayores recursos al campo de la salud -al menos en primera instancia-, sino de mejorar su destino y uso.
La eficiencia del gasto se vuelve entonces trascendental, no sólo en garantizar el derecho de las personas a un libre acceso y a una alta cobertura en atención médica, sino también, en lograr que los servicios y el sistemas de salud respondan de una manera eficiente y oportuna ante las necesidades y los requerimientos de la población, siendo resilientes y logrando sobreponerse con el menor impacto posible ante situaciones adversas y de alta vulnerabilidad como la vivida por la reciente pandemia.
Resulta impostergable comenzar a dilucidar sobre una nueva forma de actuar. El propósito no está en obtener más recursos disponibles, sino en obtener más, de los recursos disponibles -sobre todo por su escasez en contraposición con las ilimitadas necesidades-, siendo cautelosos, pragmáticos y flexibles en cuanto a la priorización del gasto y en la correcta asignación de recursos.