Navegação – Mapa do site

InícioNúmeros28ArtigosInvestindo em educação para uma s...

Artigos

Investindo em educação para uma saúde melhor: uma análise espacial dos gastos municipais do Brasil

Education as a Path to Better Health: A Spatial Analysis of Municipal Expenditures in Brazil
L'éducation comme voie vers une meilleure santé: une analyse spatiale des dépenses municipales au Brésil
La educación como camino hacia una mejor salud: un análisis espacial del gasto municipal en Brasil
Ana Carolina da Silva Aguiar, Greike José Maia Aguiar e Gabrielito Menezes

Resumos

A demanda por serviços de saúde no Brasil tem aumentado em decorrência do envelhecimento da população. Como consequência, os gastos com internações hospitalares têm se tornado uma grande parcela do orçamento, o que pode levar a limitações em outras áreas, como a educação. No entanto, há uma relação interdependente entre essas áreas. Investimentos em educação podem reduzir os custos com internações hospitalares. Com o intuito de avaliar o impacto dos gastos com educação nas despesas com internações hospitalares nos municípios brasileiros em 2022, utilizou-se um modelo de econometria espacial neste estudo. O Modelo de Erro Espacial (SEM) foi aplicado, e os resultados indicaram que um aumento nos gastos com educação reduz em média R$ 0,17 os custos com internações hospitalares nos municípios brasileiros. Dessa forma, investir em educação é uma estratégia relevante para a redução dos custos com internações hospitalares no Brasil, o que pode resultar em melhor qualidade de vida para a população e mais recursos disponíveis para investimentos em outras áreas essenciais.

Topo da página

Texto integral

Introdução

1 No Brasil, os gastos hospitalares vêm aumentando em decorrência do crescimento das causas externas, com isso causando o aumento da morbimortalidade da população. O crescimento dos problemas de saúde continuará a se propagar na próxima década, em que seu crescimento ou redução será determinado pela forma como os recursos existentes possam ser otimizados (SILVA; RAMALHO, 2015).

2Ademais, é importante ressaltar que o país está passando por mudanças demográficas, tendo em vista o aumento da expectativa de vida e a redução das taxas de natalidade e de mortalidade infantil, o que resultará no envelhecimento de sua população nos próximos anos. Por exemplo, o percentual de idosos com 65 anos ou mais em 2021 foi de 10,2% (21,6 milhões) (IBGE, 2021). Com esse crescimento contínuo, haverá um aumento da demanda por serviços de saúde até 2050, em que 39% dos gastos serão destinados a internações hospitalares, representando uma grande proporção do orçamento do estado (KILSZTAJN et al., 2003).

3Perante o exposto, há uma pressão para equilibrar o orçamento e, consequentemente, há uma maior cobrança fiscal aos legisladores e aos governantes para que sejam limitados os gastos em outras áreas, inclusive na educação. Porém, educação e saúde estão intrinsicamente relacionadas, pois os gastos com educação podem reduzir as despesas com saúde. De acordo com Barnes et al. (2015), os gastos com saúde são destinados ao cuidado de pessoas que têm um nível de educação limitado, tendo em vista que essas pessoas tendem a ser mais doentes e necessitam de um cuidado mais intensivo.

4Conforme Mackenbach e Kunst (1997), indivíduos com maior nível educacional tendem a apresentar maior cuidado com a saúde, desfrutando de maior longevidade, melhores resultados de saúde, engajamento em comportamentos de promoção da saúde e acesso a exames de saúde de forma oportuna. A educação permite que os indivíduos desenvolvam várias habilidades e características, por exemplo, habilidades cognitivas, de resolução de problemas e de controle pessoal, que os predispõem a melhores resultados de saúde (MIROWSKY; ROSS, 2005). O desenvolvimento cognitivo é um processo ativo e contínuo que ocorre através de interações do sujeito com o seu ambiente, e a educação é um elemento fundamental nesse processo (PIAGET, 1952). Pois, comportamentos saudáveis possibilitam aos indivíduos reconhecerem sintomas de problemas de saúde em um menor intervalo de tempo e a procurarem ajuda médica apropriada (WILLIAMS; COLLINS, 1995).

5A lacuna de pesquisas na literatura brasileira sobre os impactos da educação nos gastos com saúde, particularmente em uma perspectiva espacial, motiva este estudo. O objetivo central é estimar, através de um modelo de econometria espacial, os efeitos dos investimentos em educação nas despesas com internações hospitalares nos municípios brasileiros no ano de 2022. Ressalta-se que a escolha deste período se deu em função da disponibilidade de dados. Almeja-se, por meio da análise, examinar a distribuição espacial e o comportamento dos gastos com internações hospitalares entre os municípios do país.

6O presente artigo se estrutura em cinco seções. A próxima seção apresenta a revisão de literatura pertinente à temática em questão. A metodologia utilizada na pesquisa é detalhada na seção subsequente. A quarta seção dedica-se à análise e discussão dos resultados obtidos. Por fim, a última seção apresenta as considerações finais do estudo.

Revisão de literatura

7A população brasileira vem passando por um processo contínuo de envelhecimento da sua estrutura etária devido à queda dos níveis de natalidade e mortalidade nas últimas décadas. De acordo com Boccolini (2017), espera-se que a expectativa de vida aumente para 81,2 anos em 2060. Dito isto, haverá um aumento da proporção de indivíduos com 73 anos ou mais e ao mesmo tempo haverá uma redução da população jovem. Esse fator vem causando uma preocupação com o aumento nos gastos em saúde. Pois, o grupo de idosos tem uma maior probabilidade de ser internado, com isso, ocasionando taxas de internação mais elevadas e, consequentemente, maiores despesas hospitalares (RECHEL et al., 2009).

8Face ao exposto, há a necessidade de uma maior proporção do orçamento para suprir as despesas com saúde. Consequentemente, há uma pressão para equilibrar o orçamento, fazendo com que haja uma redução de gastos em outras áreas, inclusive, na educação (BARNES, 2015). Entretanto, saúde e educação são áreas interligadas, ou seja, investimento em educação representa investimento em saúde, tendo em vista que um maior investimento em educação pode reduzir as despesas com saúde.

9Gastar com educação é investir em saúde ao longo da vida. A educação é fundamental para oportunidades de participação na sociedade, pois ela mantém as pessoas no mercado de trabalho e apoia seu retorno caso percam o emprego, melhorando a alfabetização em saúde e fortalecendo a resiliência da comunidade. Com isso, ao trabalharem juntas, a saúde e a educação podem contribuir fundamentalmente para os indivíduos, comunidades e sociedades, reduzindo as desigualdades e apoiando o desenvolvimento humano e social (WORLD HEALTH ORGANIZATION et al., 2015).

10Segundo Grossman (1972), a educação eleva os níveis de saúde, pois um maior nível de instrução faz com que os indivíduos possam tomar melhores decisões e/ou ter melhores informações sobre saúde (KENKEL, 1991). A compreensão das pessoas sobre os riscos à saúde é de grande relevância para uma percepção de risco eficaz e intervenções de saúde. Pois, estar ciente dos riscos é uma pré-condição para uma percepção de risco precisa (RENNER, 2015).

11Lleras-Muney (2005) investigou se a educação exerce um impacto causal na saúde, utilizando dados de cortes sintéticas obtidas por meio de censos sucessivos dos Estados Unidos. A autora utilizou as leis de educação obrigatória de 1915 a 1939 como instrumento para a educação, a fim de estimar o efeito da escolaridade nas taxas de mortalidade. Os resultados indicam que a educação tem um impacto causal na mortalidade, possivelmente maior do que o estimado anteriormente na literatura.

12Ainda com relação aos Estados Unidos, ele está entre os países desenvolvidos que refletem enormes discrepâncias no status educacional nas últimas décadas. Goldman e Smith (2011) utilizaram uma amostra limitada a brancos com idades entre 40 e 64 anos para avaliar como a relação entre saúde e sucesso educacional mudou nas últimas décadas nos Estados Unidos e descobriram que os benefícios de saúde associados à escolaridade adicional aumentaram ao longo do tempo em mais de dez pontos percentuais, conforme medido pelo estado de saúde auto-relatado. Além do mais, é importante ressaltar que a expectativa de vida reduziu para as mulheres americanas brancas sem um diploma do ensino médio (MONTEZ; ZAJACOVA, 2013; OLSHANSKY et al., 2012; SHIELS et al., 2017).

13Zhong (2015) examinou as mudanças ao longo do tempo na relação entre educação e saúde nas últimas décadas na China e encontrou uma relação crescente e contínua entre essas variáveis. Outrossim, os mecanismos por trás da relação educação-saúde em países em desenvolvimento podem ser diferentes daqueles em países desenvolvidos e heterogêneos nas medidas de saúde.

14Ro et al. (2016) utilizou a Pesquisa Populacional Atual de março (2000 – 2010) para examinar se a relação entre a educação e a autoavaliação da saúde difere entre imigrantes asiáticos e se elas diferem por país de origem, duração nos Estados Unidos e status geracional. De modo geral, os asiáticos mostraram uma relação reduzida entre educação e saúde autoavaliada em comparação com os brancos americanos, que persiste ao longo da duração nos EUA e no status geracional. 

15Problemas de saúde estão relacionados a retrocessos educacionais e interferência na escolaridade devido as dificuldades de aprendizagem, absenteísmo ou distúrbios cognitivos (RO et al., 2016). Ademais, maiores gastos no sistema educacional financiados pelo setor público podem reduzir comportamentos de risco para a saúde (KINO et al., 2018) e aqueles indivíduos com boa educação têm melhor conhecimento sobre doenças (TSOU, 2017). Zajacova e Lawrence (2018) concluíram que adultos com maior escolaridade nos Estados Unidos vivem mais e são mais saudáveis ​​em comparação a pessoas menos instruídas. As disparidades são grandes e crescentes. Perante o exposto, compreender os contextos educacionais e de nível macro em que essa associação ocorre é importante para diminuir as disparidades de saúde e, assim, melhorar a saúde da população.

16Raghupathi e Raghupathi (2020) usaram uma abordagem analítica visual para explorar a associação entre educação e saúde ao longo de um período de 20 anos para países ao redor do mundo. Dito isto, os autores utilizaram dados empíricos da Organização para a Cooperação e Desenvolvimento Econômico (OCDE) e do Banco Mundial para 26 países membros da OCDE para os anos de 1995–2015. Os resultados encontrados apontam que adultos com maior escolaridade têm melhor saúde e expectativa de vida em comparação a indivíduos menos instruídos.

17Países que adotam políticas de melhoria da educação também colhem benefícios como redução dos índices populacionais de obesidade e tabagismo (RAGHUPATHI; RAGHUPATHI, 2020). Nesse sentido, a redução das disparidades e a melhoria da saúde dos indivíduos só pode ser alcançada por meio da compreensão dos benefícios que a educação promove para a saúde.

Metodologia

18Esta seção tem como objetivo apresentar os dados e a metodologia utilizada no presente estudo. A base de dados utilizada na análise será estruturada na forma de dados transversais. Essa estrutura de dados transversais representa uma amostra de unidades, tais como indivíduos, domicílios, empresas, cidades, estados, países, entre outras, selecionadas em um determinado período no tempo (WOOLDRIDGE, 2010).

Dados

  • 1 Na análise, foram considerados os municípios com hospitais que realizam internações.
  • 2 Tendo em vista a ausência de dados para o ano de 2022, foram utilizadas algumas variáveis para ao a (...)

19A base de dados é composta por 3101 municípios1 brasileiros durante o ano de 2022. Todas as variáveis em unidades monetárias foram deflacionadas pelo Índice Nacional de Preços ao Consumidor Amplo (IPCA)2. É importante ressaltar que a escolha dos dados foi realizada à luz da literatura. Os dados utilizados nesse estudo são provenientes da Base de Finanças Municipais do Brasil (FINBRA), da Secretaria do Tesouro Nacional (STN), do Sistema Nacional de Informações sobre Saneamento (SNIS), do Sistema de Informações Ambulatoriais do SUS (SIASUS) e do Sistema de Informações Hospitalares do SUS (SIHSUS), ambos obtidos da base de dados do Departamento de Informática do Sistema Único de Saúde (DATASUS).

Descrição das variáveis

20A variável dependente deste estudo é o gasto total com internações hospitalares nos municípios brasileiros, obtido do DATASUS, enquanto a variável explicativa de interesse é o gasto total com educação, obtido do FINBRA, Tesouro Nacional. O Quadro 1 apresenta a descrição das variáveis explicativas utilizadas na análise, juntamente com a literatura utilizada e a relação causal esperada.

Quadro 1: Descrição das variáveis explicativas

Quadro 1: Descrição das variáveis explicativas

Fonte: Elaborado pelos autores com base nos dados da pesquisa.

21É importante ressaltar que a transformação das variáveis em per capita não resulta em ganhos efetivos, pois a disponibilidade de hospitais adequados para internação não é uniforme em todos os municípios do país. Além disso, a ausência de determinada especialidade médica em um hospital pode levar os indivíduos a buscar assistência em outras localidades. Portanto, a demanda por serviços de saúde não é exclusiva de um único hospital em um determinado município. A tabela 1 apresenta as estatísticas descritivas das variáveis em estudo.

Tabela 1: Estatísticas descritivas das variáveis por município

Tabela 1: Estatísticas descritivas das variáveis por município

Fonte: Elaborado pelos autores com base nos dados do estudo e no software R.

22A partir dos dados apresentados na Tabela 1, pode-se observar que as despesas hospitalares com internações apresentam uma grande variação entre os municípios, o que indica a presença de heterogeneidade nos dados. Para lidar com essa heterogeneidade e a dependência espacial, será utilizado um modelo econométrico espacial, considerando a estrutura de dados de corte transversal. Esse modelo permitirá analisar os efeitos espaciais dos dados, isto é, a dependência e a heterogeneidade espacial.

Estimação dos modelos

23Conforme Anselin (1988), é essencial considerar os efeitos espaciais de forma funcional durante a especificação do modelo, a fim de identificar corretamente as questões inerentes aos efeitos de transbordamento entre regiões. Portanto, será utilizado o método de Ordinary Least Squares (OLS) para analisar a presença de autocorrelação espacial no modelo, por meio do teste de I de Moran nos resíduos.

24Caso seja identificada a presença de autocorrelação espacial, a análise por OLS não levará em consideração os problemas de autocorrelação e heterogeneidade espaciais, o que pode gerar resultados inconsistentes e/ou ineficientes. Portanto, é necessária a utilização de um modelo econométrico espacial. Nesse sentido, é fundamental apresentar os modelos econométricos espaciais e realizar testes adequados para selecionar o modelo mais apropriado para o estudo em questão.

25Com base em Almeida (2012), de início, será estimado o clássico modelo Ordinary Least Squares (OLS). Este modelo pode ser representado pela equação 1. Porém, ele não leva em consideração os efeitos espaciais.

26A ocorrência de dependência espacial será verificada utilizando o I de Moran (LESAGE; PANCE, 2009), em que este verifica se há autocorrelação espacial nos resíduos da regressão. Para isso, será utilizada a matriz de pesos espaciais mais adequada para analisar a dependência espacial entre as áreas. Algebricamente, o I de Moran é dado pela equação 2:

  • 3 A matriz queen foi a escolhida tendo em vista que, se comparada às demais matrizes de ponderação es (...)

27Para verificar se existe dependência espacial, foram analisadas as matrizes de contiguidade (rainha e torre) e de -vizinhos. Estas matrizes foram escolhidas com base no estudo realizado por Stakhovych e Bijmolt (2009), em que estes autores analisaram diversas matrizes e chegaram à conclusão de que as matrizes citadas apresentam os melhores resultados. A matriz escolhida foi a “queen” com uma defasagem3.

28Para selecionar o modelo econométrico espacial com valor estatístico mais significativo, é necessário utilizar os testes robustos do Multiplicador de Lagrange (ML), conforme recomendado por Lesage e Pace (2009) e Almeida (2012). Portanto, serão testados os seguintes modelos:

(1) Modelo Espacial Auto Regressivo – SAR:

29Neste modelo é incorporada a variável dependente defasada para captar a autocorrelação espacial (LESAGE; PACE, 2009). Ele pode ser representado pela equação 3:

30Além disso, é a variável dependente, a variável espacial autorregressiva e a matriz de peso espacial.

(2) Modelo de Erro Espacial – SEM:

31Com base em Almeida (2012), a dependência espacial está presente no termo de erro. Em outras palavras, a defasagem espacial está presente no erro. Ele pode ser escrito com base na equação 4:

(3) Modelo Durbin Espacial (SDM):

32Este modelo considera a variável dependente defasada e a defasagem espacial das variáveis explicativas . Ele pode ser representado pela equação 7:

33 O modelo proposto combina as características dos dois modelos anteriores, pois inclui a defasagem espacial tanto na variável dependente quanto no termo de erro.

34Portanto, a escolha do modelo adequado para este estudo será baseada nos resultados dos testes de dependência espacial. Na próxima seção, serão apresentados os resultados desses testes e analisados os resultados do modelo estimado.

Resultados

35Nesta seção, será analisada a possível dependência espacial global das variáveis explicativas dos municípios vizinhos em relação à variável dependente dos gastos com internações hospitalares. Para isso, será utilizado o índice de Moran para verificar a existência de autocorrelação global e os Indicadores Locais de Associação Espacial (LISA) para examinar a correlação espacial local. Por fim, serão apresentados os resultados obtidos por meio dos modelos econométricos espaciais utilizados no presente estudo.

Análise global

36A estatística I de Moran varia entre [-1,+1], quando é próxima de +1 indica que existe uma autocorrelação positiva, ou seja, valores altos (baixos) tendem a estar localizados ao redor de valores altos (baixos). Por outro lado, se for próximo de -1, valores altos estarão ao redor de valores baixos, e vice-versa. Além disso, quando o mesmo é zero, não existe autocorrelação espacial (ALMEIDA, 2012). O quadro 2 apresenta os resultados das estatísticas globais do I de Moran bivariado entre a variável dependente e as variáveis explicativas. Observa-se que todas as variáveis apresentam autocorrelação espacial.

Quadro 2: Resultados da análise global univariada

Quadro 2: Resultados da análise global univariada

Fonte: Elaborado pelos autores a partir dos dados da pesquisa e do software Geoda.

37Com base no valor do I de Moran, observa-se que os gastos com internações hospitalares são autocorrelacionados no espaço através dos municípios brasileiros. Além disso, há evidências de autocorrelação positiva, ou seja, municípios com gastos com internações hospitalares acima da média são também vizinhos de municípios com elevados gastos com internações hospitalares, ou, municípios com gastos com internações hospitalares abaixo da média são vizinhos de municípios com reduzidos gastos com internações hospitalares. Com relação as demais variáveis explicativas, estas também apresentam autocorrelação positiva com os custos com internações.

Análise local

38O I de Moran local é considerado um indicador LISA (Local Indicator of Spatial Association), ele apresenta clusters de alto ou baixo níveis (“high-high” e “low-low”) de gastos com internações hospitalares e os chamados enclaves, municípios com altos níveis de despesas com internações cercados por vizinhos com baixo nível de despesas com internações, ou o contrário, vizinhos de baixo nível cercados por vizinhos de alto nível (“high-low” e “low-high”). Dito isto, a figura 1 apresenta os resultados do I de Moran Local Univariado para aos gastos com internações hospitalares no ano de 2022.

Figura 1: Resultado da estatística I de Moran Local Univariado

Figura 1: Resultado da estatística I de Moran Local Univariado

Fonte: Elaborado pelos autores com base nos dados do estudo e no software Geoda.

39É possível observar que há um número total de 4885 municípios que se apresentam como não significativos, ou seja, não foi possível observar a presença de clusters para eles, pois estes apresentam valores para os gastos com internações hospitalares não diferentes, estatisticamente, da média de todos os municípios.

40Nota-se que existem alguns cluster do tipo low-high (LH) para os gastos com internações hospitalares localizados nas regiões do país, ou seja, municípios que gastam pouco com internações hospitalares cercados por municípios que apresentam valores acima da média. Por exemplo, na região norte há um cluster que envolve 6 municípios, sendo eles: Novo Airão, Presidente Figueiredo, Rio Preta da Eva, Itacoatiara, Careiro da Várzea e Iranduba.

41Além disso, na região centro-oeste também há um cluster que engloba 6 municípios sendo estes: Nova Alvorada do Sul, Ribas do Rio Pardo, Sidrolândia, Terenos, Rochedo e Jaraguari. Na região sudeste há um cluster que compreende municípios como: Matias Barbosa, Lima Duarte, Santos Dumont, Bias Fortes, Oliveira Fortes e Goianá.

Resultados econométricos

42Nesta terceira parte da seção, apresentam-se os resultados da análise dos efeitos da educação sobre os gastos com internações hospitalares nos municípios brasileiros. Para isso, foram utilizados os modelos espaciais previamente apresentados, e selecionou-se o mais indicado para a análise com base nos testes realizados. A tabela 2 apresenta os resultados dos modelos OLS, SAR, SEM e SDM utilizando Máxima Verossimilhança (MV).

Tabela 2: Modelos Econométricos – Máxima Verossimilhança

Tabela 2: Modelos Econométricos – Máxima Verossimilhança

Fonte: Elaborado pelos autores através do software R versão 4.0.5. Nota: Os níveis de significância são representados por *** p<0.01, ** p<0.05, * p<0.1; O valor entre parênteses representa o erro-padrão.

43Com base no teste de normalidade dos resíduos de Arderson-Darling foi verificado que os erros não seguem uma distribuição normal. Sendo assim, a tabela 3 apresenta os resultados dos modelos espaciais estimados pelo Método Generalizado dos Momentos (GMM) e por Quase Máxima Verossimilhança (QMV) (KELEJIAN; PRUCHA, 1999), fazendo com que as estimativas para os erros-padrão sejam robustas à dependência espacial entre os termos de erro (ALMEIDA, 2012).

Tabela 3: Modelos Econométricos Espaciais Robustos

Tabela 3: Modelos Econométricos Espaciais Robustos

Fonte: Elaborado pelos autores através do software R versão 4.0.5. Nota: Os níveis de significância são representados por *** p<0.01, ** p<0.05, * p<0.1; O valor entre parênteses representa o erro-padrão robusto.

44O melhor modelo especificado é aquele que atende a duas condições sequencialmente: o modelo não pode apresentar autocorrelação espacial nos resíduos e deve exibir o menor critério de informação Akaike (AIC) (ALMEIDA, 2012). Com base na tabela 3, o modelo selecionado é o SEM, pois atende aos critérios de escolha e apresenta o menor valor de AIC.

45Verifica-se que, com exceção da variável "gastos com lixo", todas as outras variáveis apresentaram um impacto, com sinal esperado, sobre os custos com internações hospitalares. Os resultados evidenciam que os gastos com educação apresentam um efeito negativo nos custos com internações hospitalares, indicando que um aumento de R$1 nos gastos com educação reduz em R$0,17 os custos com internações. Isso pode ser justificado pelo fato de que a educação proporciona uma melhor conscientização geral da saúde pessoal, tornando os cuidados de saúde mais acessíveis (VIJU; RAGHUPATHI, 2020).

46Observou-se que as variáveis relacionadas à saúde, tais como UTI, UCI, gastos hospitalares, diárias e leitos, apresentaram uma relação positiva e significativa com os custos de internações hospitalares nos municípios brasileiros. Estes resultados sugerem que quanto maiores forem essas variáveis, maiores serão os custos com internações hospitalares. Estes achados estão em consonância com estudos anteriores, como os de Nangino (2012), Rossi et al. (2006), Matos (2002), Silveira et al. (2013) e Morimoto e Costa (2019).

47A variável demográfica, população, apresentou uma relação positiva com os gastos com internações, ou seja, o aumento da população eleva os gastos com internações hospitalares. Isso pode estar relacionado ao fato de que, quanto maior o número de indivíduos, maior a probabilidade de ocorrência de doenças e lesões, o que pode levar a um aumento no número de hospitalizações necessárias (DE SOUZA, 2018; AGUIAR, 2019).

48Com relação às variáveis de saneamento, gastos com água potável e gastos com lixo, como esperado, a variável gastos com água apresentou uma relação negativa com os custos com internações, em que o aumento de R$ 1 nos gastos com água reduz os custos com internações em R$ 0,58. O consumo de água não tratada pode causar uma série de doenças e problemas de saúde que podem exigir tratamento hospitalar, o que pode aumentar os custos com cuidados de saúde (UHR, et.al, 2016; OKOH, et.al, 2010).

49Porém, a variável custos com lixo apresentou uma relação diferente da esperada, em que, o aumento de R$ 1 nos gastos com lixo eleva os gastos com internações hospitalares em R$ 0,62. Esse resultado pode estar relacionado à prática do descarte irregular do lixo, causando, por exemplo, contaminação de lençóis freáticos, dos solos e poluição atmosférica, assim, ocasionando problemas de saúde na população e, consequentemente, aumentando os custos com internações hospitalares (ALVES-MAZZOTTI; GEWANDSZNAJDER, 2000; REIS; FERREIRA, 2008).

50Por último, a arrecadação tributária apresentou uma relação negativa com os custos com internações, indicando que o aumento de R$ 1 na arrecadação municipal reduz os custos com internações em R$ 0,33. Uma maior arrecadação tributária pode elevar os investimentos em políticas públicas de saúde, assim, contribuindo para a redução dos custos com internações hospitalares, por exemplo, através de prevenção de doenças, diagnóstico precoce ou tratamento mais efetivo (REEVES, et al., 2015).

51Em síntese, os resultados obtidos evidenciam a relevância das variáveis analisadas no contexto dos custos com internações hospitalares nos municípios brasileiros, tendo em vista que todas elas apresentaram significância estatística. Ademais, excetuando-se a variável referente aos gastos com lixo, todas as demais mostraram-se associadas, conforme o esperado, aos custos com internações.

Considerações finais

52Prevê-se que o envelhecimento da população brasileira resultará em um aumento da demanda por serviços de saúde até 2050, com grande parte dos gastos direcionados a internações hospitalares. Isso pode levar a uma pressão para equilibrar o orçamento, o que pode resultar em uma limitação de gastos em outras áreas, inclusive na educação. Entretanto, é importante destacar que a educação e a saúde estão interligadas, uma vez que o aumento nos gastos com educação pode contribuir para a redução dos gastos com internações hospitalares.

53Sendo assim, tendo em vista a carência de estudos na literatura brasileira que abordam a questão dos efeitos da educação sobre os gastos com saúde, principalmente do ponto de vista espacial, o objetivo deste trabalho foi estimar, a partir de um modelo de econometria espacial, os efeitos dos gastos com educação nas despesas com internações hospitalares nos municípios brasileiros no ano de 2022.

54Para tal análise foi verificado qual o modelo de econometria espacial mais adequado. Vale ressaltar a importância da realização de testes para indicar o modelo mais adequado ao estudo, pois a utilização de modelos inadequados pode levar a resultados equivocados, com isso, levando a resultados enganosos quanto aos efeitos da educação sobre a redução de custos com saúde. Dito isto, após os testes, foi escolhido como mais indicado o modelo espacial SEM.

55Após a análise dos resultados do modelo, verificou-se que todas variáveis são significativas. Com relação a variável de interesse, que é o gasto com educação, indicou que um aumento de R$1 nos gastos com educação reduz em R$ 0,17 os custos com internações hospitalares nos municípios brasileiros.

56Ademais, as outras variáveis de controle, com exceção dos custos com lixo, apresentaram o resultado esperado. Os resultados indicam que o aumento de R$ 1 nos gastos com lixo eleva os gastos com internações hospitalares em R$ 0,62. Tal fato pode estar acontecendo em razão da prática do descarte irregular do lixo, ocasionando problemas de saúde na população e, consequentemente, aumentando os custos com internações hospitalares.

57Portanto, os resultados indicam que o aumento dos gastos com educação reduzem os custos com internações hospitalares nos municípios brasileiros. Desse modo, é necessária a implementação de políticas públicas voltadas para a educação, como por exemplo, investir em educação preventiva, ou seja, investir em programas educacionais que proporcionem a saúde e a prevenção de doenças. Uma segunda medida seria investir em programas de formação para profissionais de saúde, assim, melhorando a qualidade dos serviços de saúde ofertados.

58Além das medidas mencionadas anteriormente, outras ações podem ser adotadas pelo governo para enfrentar o desafio dos custos com internações hospitalares. Uma delas é o incentivo à pesquisa médica, que pode levar a avanços significativos na prevenção e tratamento de doenças, reduzindo a demanda por internações hospitalares. Outra medida importante seria o fortalecimento da educação básica, uma vez que a formação de cidadãos mais conscientes e responsáveis por sua saúde e a do próximo pode contribuir para a adoção de hábitos saudáveis e para a prevenção de doenças. Por fim, estimular a cooperação intermunicipal pode ser uma alternativa viável para compartilhar recursos educacionais e programas de formação de profissionais de saúde, além de possibilitar a implementação de políticas públicas mais eficientes e efetivas para a saúde da população.

59Uma limitação presente nesse estudo é a ausência de dados relacionados a algumas variáveis que são importantes para a pesquisa e que poderiam contribuir para a apuração de resultados mais robustos para analisar os efeitos nos municípios brasileiros. Além disso, para trabalhos futuros, seria interessante a criação de um indicador que mensurasse os efeitos de políticas públicas voltadas para a educação na saúde, a longo prazo.

Topo da página

Bibliografia

AGUIAR, Dijalma Guedes et al. Internação hospitalar de motociclistas acidentados no estado da Bahia/Hospital hospitalization of bikers in the state of Bahia. Brazilian Journal of Health Review, v. 2, n. 2, p. 1018-1038, 2019.

ALAM, Pervez; AHMADE, Kafeel. Impact of solid waste on health and the environment. International Journal of Sustainable Development and Green Economics (IJSDGE), v. 2, n. 1, p. 165-168, 2013.

ALMEIDA, E. S. DE. Econometria Espacial Aplicada. 1° ed. Campinas: Alínea Editora, 2012.

ALVES-MAZZOTTI, Alda Judith; GEWANDSZNAJDER, Fernando. O método nas ciências naturais e sociais: pesquisa quantitativa e qualitativa. In: O método nas ciências naturais e sociais: pesquisa quantitativa e qualitativa. 2000. p. 203-203.

ANSELIN, L. (1998). Spatial Econometrics: methods and models. Boston: Kluwer Academic.

ARBIA, Giuseppe; BALTAGI, Badi H. (Ed.). Spatial econometrics: Methods and applications. Springer Science & Business Media, 2008.

BARNES, Andrew J. et al. Investments in Education are investments in health: The State Perspective. Virginia Commonwealth University, Center on Society and Health, 2015. Disponível em < https://societyhealth.vcu.edu/media/society-health/pdf/EHI4BusinessBrief.pdf >. Acessado em 07 janeiro de 2023.

BOCCOLINI, C. S. Morbimortalidade por doenças crônicas no Brasil: situação atual e futura-um estudo comparativo da Pesquisa Nacional de Saúde, Carga Global de Doenças e Sistema de Informação de Mortalidade. Saúde Amanhã. Fiocruz. Micro-oficina sobre parcerias para o desenvolvimento produtivo. Rio de Janeiro: Fiocruz, p. 143-175, 2017.

BOWERS, Alex J. Reconsidering grades as data for decision making: More than just academic knowledge. Journal of Educational Administration, 2009.

DE SOUZA, Séres Costa et al. Número de internações hospitalares, custos hospitalares, média de permanência e mortalidade por insuficiência cardíaca nas regiões brasileiras, no ano de 2017. Revista de Ciências Médicas e Biológicas, v. 17, n. 3, p. 376-380, 2018.

GOLDMAN, Dana; SMITH, James P. The increasing value of education to health. Social science & medicine, v. 72, n. 10, p. 1728-1737, 2011.

GOVERNO FEDERAL. Serviços e informações do Brasil. (2021). Disponível em <https://www.gov.br/pt-br/noticias/financas-impostos-e-gestao-publica/2021/08/populacao-brasileira-chega-a-213-3-milhoes-de-habitantes-estima-ibge>. Acessado em 10 janeiro de 2023.

GROSSMAN, Michael. On the concept of health capital and the demand for health. Journal of Political economy, v. 80, n. 2, p. 223-255, 1972.

IBGE. Instituto Brasileiro de Geografia e Estatísticas. (2021). Disponível em < https://www.ibge.gov.br/estatisticas/sociais/trabalho/9171-pesquisa-nacional-por-amostra-de-domicilios-continua-mensal.html?=&t=downloads >. Acessado em 08 de janeiro de 2023.

KELEJIAN, Harry H.; PRUCHA, Ingmar R. A generalized moments estimator for the autoregressive parameter in a spatial model. International economic review, v. 40, n. 2, p. 509-533, 1999.

KENKEL, Donald S. Health behavior, health knowledge, and schooling. Journal of Political Economy, v. 99, n. 2, p. 287-305, 1991.

KILSZTAJN, Samuel et al. Serviços de saúde, gastos e envelhecimento da população brasileira. Revista Brasileira de Estudos de População, v. 20, n. 1, p. 93-108, 2003.

KINO, Shiho; BERNABÉ, Eduardo; SABBAH, Wael. The role of healthcare and education systems in co-occurrence of health risk behaviours in 27 European countries. The European Journal of Public Health, v. 28, n. 1, p. 186-192, 2018.

LESAGE, James; PACE, Robert Kelley. Introduction to spatial econometrics. Chapman and Hall/CRC, 2009.

LLERAS-MUNEY, Adriana. The relationship between education and adult mortality in the United States. The Review of Economic Studies, v. 72, n. 1, p. 189-221, 2005.

MACKENBACH, Johan P.; KUNST, Anton E. Measuring the magnitude of socio-economic inequalities in health: an overview of available measures illustrated with two examples from Europe. Social science & medicine, v. 44, n. 6, p. 757-771, 1997.

MATOS, Afonso José de. Gestão de Custos Hospitalares: Técnicas, análise e tomada de decisão. São Paulo: Editora STS, 2002.

MIROWSKY, John; ROSS, Catherine E. Education, learned effectiveness and health. London Review of Education, 2005.

MONTE, Edson Zambon; LARGURA, Thayane Pinheiro. DESPESAS PÚBLICAS COM SAÚDE E EDUCAÇÃO NOS MUNICÍPIOS DO ESPÍRITO SANTO: uma investigação empírica. Revista de Políticas Públicas, v. 20, n. 1, p. 85-101, 2016.

MONTEZ, Jennifer Karas; ZAJACOVA, Anna. Trends in mortality risk by education level and cause of death among US white women from 1986 to 2006. American journal of public health, v. 103, n. 3, p. 473-479, 2013.

MORIMOTO, Tissiani; COSTA, Juvenal Soares Dias da. Análise descritiva dos gastos com internações por condições sensíveis à atenção primária. Cadernos Saúde Coletiva, v. 27, p. 295-300, 2019.

NANGINO, Glaucio de Oliveira et al. Impacto financeiro das infecções nosocomiais em unidades de terapia intensiva em hospital filantrópico de Minas Gerais. Revista Brasileira de Terapia Intensiva, v. 24, p. 357-361, 2012.

OKOH, Anthony I.; SIBANDA, Thulani; GUSHA, Siyabulela S. Inadequately treated wastewater as a source of human enteric viruses in the environment. International journal of environmental research and public health, v. 7, n. 6, p. 2620-2637, 2010.

OLSHANSKY, S. Jay et al. Differences in life expectancy due to race and educational differences are widening, and many may not catch up. Health affairs, v. 31, n. 8, p. 1803-1813, 2012.

PIAGET, Jean e cols. As origens da inteligência nas crianças. Nova York: International Universities Press, 1952.

RAGHUPATHI, Viju; RAGHUPATHI, Wullianallur. The influence of education on health: an empirical assessment of OECD countries for the period 1995–2015. Archives of Public Health, v. 78, n. 1, p. 1-18, 2020.

RAZALI, Nornadiah Mohd et al. Power comparisons of shapiro-wilk, kolmogorov-smirnov, lilliefors and anderson-darling tests. Journal of statistical modeling and analytics, v. 2, n. 1, p. 21-33, 2011.

RECHEL, Bernd et al. How can health systems respond to population ageing?. 2009.

REEVES, Aaron et al. Financing universal health coverage – effects of alternative tax structures on public health systems: cross-national modelling in 89 low-income and middle-income countries. The Lancet, v. 386, n. 9990, p. 274-280, 2015.

REIS, J. P. A. Aspectos sanitários relacionados à apresentação do lixo urbano para coleta pública. (Mestrado em Engenharia Ambiental) - Universidade Católica de Goiás. Goiânia-GO, p. 43-52. 2008. Disponível em <sites.pucgoias.edu.br/home/>. Acessado em 09 de abril de 2023.

RENNER, Britta, Martina GAMP, Ralf SCHMÄLZLE, Harald T. SCHUPP, 2015. Health risk perception. In: WRIGHT, James D., ed.. International encyclopedia of the social & behavioral sciences. 2. ed.. Amsterdam [u.a.]:Elsevier, pp. 702-709. ISBN 978-0-08-097086-8. Available under: doi: 10.1016/B978-0-08-097086-8.14138-8

RO, Annie et al. Educational gradients in five Asian immigrant populations: Do country of origin, duration and generational status moderate the education-health relationship?. Preventive medicine reports, v. 4, p. 338-343, 2016.

ROSSI, Carlotta et al. Variable costs of ICU patients: a multicenter prospective study. Intensive care medicine, v. 32, p. 545-552, 2006.

SHIELS, Meredith S. et al. Trends in premature mortality in the USA by sex, race, and ethnicity from 1999 to 2014: an analysis of death certificate data. The Lancet, v. 389, n. 10073, p. 1043-1054, 2017.

SILVA JÚNIOR, J.B. e RAMALHO, W.M. :Cenário epidemiológico do Brasil em 2033: uma prospecção sobre as próximas duas décadas. Rio de Janeiro: Fundação Oswaldo Cruz, 2015. 16 p.– (Textos para Discussão ; n. 17). Disponível em <http://saudeamanha.fiocruz.br/textos-para-discussao/>. Acessado em 05 de janeiro de 2023.

SILVEIRA, Rodrigo Eurípedes da et al. Gastos relacionados a hospitalizações de idosos no Brasil: perspectivas de uma década. Einstein (São Paulo), v. 11, p. 514-520, 2013.

SIQUEIRA, Mariana Santiago et al. Internações por doenças relacionadas ao saneamento ambiental inadequado na rede pública de saúde da região metropolitana de Porto Alegre, Rio Grande do Sul, 2010-2014. Epidemiologia e Serviços de saúde, v. 26, p. 795-806, 2017.

STAKHOVYCH, Stanislav; BIJMOLT, Tammo HA. Specification of spatial models: A simulation study on weights matrices. Papers in Regional Science, v. 88, n. 2, p. 389-408, 2009.

TSOU, Meng-Ting. Association of Education, health behaviors, concerns, and knowledge with metabolic syndrome among urban elderly in one medical Center in Taiwan. International Journal of Gerontology, v. 11, n. 3, p. 138-143, 2017.

UHR, Júlia Gallego Ziero; SCHMECHEL, Mariana; UHR, Daniel de Abreu Pereira. Relação entre saneamento básico no Brasil e saúde da população sob a ótica das internações hospitalares por doenças de veiculação hídrica. Revista de Administração, Contabilidade e Economia da Fundace, v. 7, n. 2, 2016.

WILLIAMS, David R.; COLLINS, Chiquita. US socioeconomic and racial differences in health: patterns and explanations. Annual review of sociology, v. 21, n. 1, p. 349-386, 1995.

WILLINGHAM, Warren W.; POLLACK, Judith M.; LEWIS, Charles. Grades and test scores: Accounting for observed differences. Journal of Educational Measurement, v. 39, n. 1, p. 1-37, 2002.

WONG, R. L. R. et al. A estrutura da população brasileira no curto e médio prazos: evidências sobre o panorama demográfico com referência às políticas sociais, particularmente as de saúde. Rede Interagencial de Informações para Saúde. Demografia e saúde: contribuição para análise de situação e tendências. Brasília, DF: OPAS, p. 37-63, 2009.

WOOLDRIDGE, Jeffrey M. Econometric analysis of cross section and panel data. MIT press, 2010.

WORLD HEALTH ORGANIZATION et al. Health 2020: education and health through the life-course: sector brief on education. World Health Organization. Regional Office for Europe, 2015.

ZAJACOVA, Anna; LAWRENCE, Elizabeth M. The relationship between education and health: reducing disparities through a contextual approach. Annual review of public health, v. 39, p. 273-289, 2018.

ZHONG, Hai. An over time analysis on the mechanisms behind the education–health gradients in China. China Economic Review, v. 34, p. 135-149, 2015.

Topo da página

Notas

1 Na análise, foram considerados os municípios com hospitais que realizam internações.

2 Tendo em vista a ausência de dados para o ano de 2022, foram utilizadas algumas variáveis para ao ano de 2021. Portanto, os dados de 2021 foram deflacionados com base no ano de 2022.

3 A matriz queen foi a escolhida tendo em vista que, se comparada às demais matrizes de ponderação espacial, esta apresentou o maior I de Moran, sendo este igual a 0,0407.

Topo da página

Índice das ilustrações

Título Quadro 1: Descrição das variáveis explicativas
Créditos Fonte: Elaborado pelos autores com base nos dados da pesquisa.
URL http://journals.openedition.org/espacoeconomia/docannexe/image/28389/img-1.png
Ficheiro image/png, 97k
Título Tabela 1: Estatísticas descritivas das variáveis por município
Créditos Fonte: Elaborado pelos autores com base nos dados do estudo e no software R.
URL http://journals.openedition.org/espacoeconomia/docannexe/image/28389/img-2.png
Ficheiro image/png, 80k
URL http://journals.openedition.org/espacoeconomia/docannexe/image/28389/img-3.png
Ficheiro image/png, 8,6k
URL http://journals.openedition.org/espacoeconomia/docannexe/image/28389/img-4.png
Ficheiro image/png, 59k
URL http://journals.openedition.org/espacoeconomia/docannexe/image/28389/img-5.png
Ficheiro image/png, 3,3k
URL http://journals.openedition.org/espacoeconomia/docannexe/image/28389/img-6.png
Ficheiro image/png, 11k
URL http://journals.openedition.org/espacoeconomia/docannexe/image/28389/img-7.png
Ficheiro image/png, 2,2k
Título Quadro 2: Resultados da análise global univariada
Créditos Fonte: Elaborado pelos autores a partir dos dados da pesquisa e do software Geoda.
URL http://journals.openedition.org/espacoeconomia/docannexe/image/28389/img-8.png
Ficheiro image/png, 45k
Título Figura 1: Resultado da estatística I de Moran Local Univariado
Créditos Fonte: Elaborado pelos autores com base nos dados do estudo e no software Geoda.
URL http://journals.openedition.org/espacoeconomia/docannexe/image/28389/img-9.png
Ficheiro image/png, 119k
Título Tabela 2: Modelos Econométricos – Máxima Verossimilhança
Créditos Fonte: Elaborado pelos autores através do software R versão 4.0.5. Nota: Os níveis de significância são representados por *** p<0.01, ** p<0.05, * p<0.1; O valor entre parênteses representa o erro-padrão.
URL http://journals.openedition.org/espacoeconomia/docannexe/image/28389/img-10.png
Ficheiro image/png, 169k
Título Tabela 3: Modelos Econométricos Espaciais Robustos
Créditos Fonte: Elaborado pelos autores através do software R versão 4.0.5. Nota: Os níveis de significância são representados por *** p<0.01, ** p<0.05, * p<0.1; O valor entre parênteses representa o erro-padrão robusto.
URL http://journals.openedition.org/espacoeconomia/docannexe/image/28389/img-11.png
Ficheiro image/png, 89k
Topo da página

Para citar este artigo

Referência eletrónica

Ana Carolina da Silva Aguiar, Greike José Maia Aguiar e Gabrielito Menezes, «Investindo em educação para uma saúde melhor: uma análise espacial dos gastos municipais do Brasil»Espaço e Economia [Online], 28 | 2025, posto online no dia 05 fevereiro 2025, consultado o 12 junho 2025. URL: http://journals.openedition.org/espacoeconomia/28389

Topo da página

Autores

Ana Carolina da Silva Aguiar

Doutoranda em Economia Aplicada pelo Programa de Pós-Graduação em Organizações e Mercados (PPGOM) da Universidade Federal de Pelotas (UFPEL). E-mail: anacarol.economista@gmail.com

Greike José Maia Aguiar

Doutorando em Economia Aplicada pelo Programa de Pós-Graduação em Organizações e Mercados (PPGOM) da Universidade Federal de Pelotas (UFPEL). E-mail: greike.aguiar@gmail.com

Gabrielito Menezes

Professor do Programa de Pós-Graduação em Organizações e Mercados (PPGOM) da Universidade Federal de Pelotas (UFPEL). E-mail: gabrielitorm@gmail.com

Topo da página

Direitos de autor

CC-BY-NC-SA-4.0

Apenas o texto pode ser utilizado sob licença CC BY-NC-SA 4.0. Outros elementos (ilustrações, anexos importados) são "Todos os direitos reservados", à exceção de indicação em contrário.

Topo da página
Pesquisar OpenEdition Search

Você sera redirecionado para OpenEdition Search