TDUEX 2017 Lau Cortes PDF
TDUEX 2017 Lau Cortes PDF
TDUEX 2017 Lau Cortes PDF
DEPARTAMENTO DE ECONOMÍA
2017
TESIS DOCTORAL
AÑO DE LECTURA
2017
AGRADECIMIENTOS
Durante mi vida pública y privada he ocupado muchos cargos de alto nivel, siendo una
de los que más me ha llenado, mi labor como profesor y tener la oportunidad de
encender la luz del conocimiento en miles de jóvenes que se han convertido en nuestro
relevo generacional. Muchos de ellos han abrazado ya la carrera docente, a los que
estimulo continuamente a realizar estudios de doctorado con el propósito de elevar el
nivel de las Universidades panameñas. No obstante, percibí que rápidamente eran
absorbidos por el mercado laboral y, aunque tenían la ilusión de hacer un doctorado, no
lo realizaban, ya que encontraban muy buenas razones para no hacerlo.
Como el ejemplo es más poderoso que la palabra, consideré mostrar el camino y hacerlo
yo, para que vieran que era posible. Sin embargo, yo mismo me ponía las mismas
barreras que ellos para no acometer la misión: la edad, el tiempo de vida productiva que
nos queda, las múltiples ocupaciones,… En fin, todo conspiraba para mantenerme en mi
zona de confort. Hasta hace 5 años, cuando visité por primera vez la Universidad de
Extremadura, en mi calidad de Director General de Planificación y Evaluación de la
Universidad de Panamá y conocí al Dr. Agustín García García, quien no solo me
estimuló a que acometiera la titánica labor de realizar un doctorado a mis 65 años de
edad, sino que se convirtió en un amigo sincero, un guía excepcional que predica con el
ejemplo y que, por amor al conocimiento y a las personas, sacrificó muchas horas de su
tiempo facilitándome material de estudio, investigaciones previas, apoyando en la
revisión. Sin lugar a dudas, sin su apoyo este trabajo no hubiera sido posible. La
brevedad de esta nota no me permite expresar todo mi agradecimiento a su esposa Elena
y a sus hijos por el tiempo que mi tesis les privó de su compañía. Muchas gracias por
sus finas atenciones al recibirme en la privacidad de su hogar.
Siempre se dice que lo más difícil para hacer una tesis es lograr un asesor al que le
importe la investigación y que no solo señale rumbo, sino que acompañe cuando sea
necesario. Mi fortuna fue doble por contar, además, con el asesoramiento del Dr. José
Manuel Cordero. Joven economista, investigador siempre atento a los detalles, con gran
disposición al trabajo terminado y experto en el tema de la eficiencia, José Manuel en
todo momento estuvo disponible a mis consultas y evidenció una generosidad sin
límites, incluyendo esas maratonianas sesiones de trabajo en casa de Agustín y Elena en
Boston, Massachusetts. Reconozco ser un hombre privilegiado por haber conocido a
dos personas extraordinarias, que son capaces hasta de sacarle agua a las piedras, y que
no me permitieron en ningún momento, a pesar del trabajo abrumador, apartarme del
objetivo central que era terminar esta tesis.
Mención especial también a Cristina Polo por su apoyo en las estimaciones. Sin ella no
tendríamos tesis que defender.
Muchas gracias a Maribel, con quien tengo la paz de un hogar sólido y a nuestros hijos
Iván Alexander y Marta, Mónica Michelle, Enrique Alberto y Luisa Fernanda, por
servirme siempre de inspiración y motor que mueve mi vida. A mis nietas Sofía
Alejandra, Andrea Valeria, Isabella y Emma Cristina por darme tantos momentos de
alegría, especialmente cuando estaba abrumado por el trabajo. A mi hermana Emilia y
Rolando por siempre estar ahí cuando los necesito. A mis progenitores, especialmente a
mi padre Enrique, por enseñarme el valor del trabajo honrado, la lealtad, el
agradecimiento y terminar lo que se comienza.
Página
INTRODUCCIÓN GENERAL .............................................................................................. 5
1
CAPÍTULO 2: TÉCNICAS PARA LA MEDICIÓN DE LA EFICIENCIA Y LA
PRODUCTIVIDAD ............................................................................................................... 67
2
CAPÍTULO 3: EFICIENCIA Y PRODUCTIVIDAD DEL SECTOR
HOSPITALARIO DE PANAMÁ EN EL PERÍODO 2005-2014 .......... 113
3
4
INTRODUCCIÓN GENERAL
5
6
La Organización Mundial de la Salud (OMS) afirma que “el goce del grado máximo de
salud que se pueda lograr es uno de los derechos fundamentales de todo ser humano”.
Además, el derecho a la salud incluye el acceso oportuno, aceptable y asequible a
servicios de atención de salud de calidad suficiente. La Salud está determinada por
múltiples factores, relacionados con las características físicas e institucionales, y con los
comportamientos y circunstancias individuales. Por esta razón, para garantizar el
derecho a la Salud se requieren acciones que van más allá del entorno sanitario y que
afectan a entorno económico, social e institucional en el que se desenvuelve la vida de
los ciudadanos.
En el marco de los países América Latina, las acciones relacionadas con la Salud se ven
especialmente afectadas por el entorno. Los altos niveles de desigualdad social, la
pobreza, la exclusión social, la falta de oportunidades de empleo, la mala calidad de la
educación o la existencia de barreras geográficas, culturales, religiosas, étnicas o
políticas que marginan a sectores importantes de población, terminan condicionando y
reduciendo los niveles de bienestar y de salud, y, en muchos casos, generan un caldo de
cultivo propicio para los disturbios sociales y la inestabilidad institucional. Por este
motivo, existe una preocupación permanente en los gobiernos por asegurar servicios de
salud de calidad a la población (Declaración de Alma Ata, en septiembre de 1978) 1 y
por cambiar la dinámica negativa. El desarrollo económico y social favorecen el clima
para que la población tenga mejor salud y, además, un pueblo sano es más productivo,
por lo que se genera un ciclo virtuoso entre desarrollo económico, social y salud. Si a
estos elementos se le suma el aumento en la participación de personas y comunidades
en el autocuidado de la salud, adoptando estilos de vida saludable y previniendo
enfermedades, se puede mejorar paulatinamente la calidad de vida de la población,
manteniendo la paz social y el equilibrio institucional.
1
Declaración de Alma Ata-URSS. The Pan American Health Organization Promoting Health in the
Americas (6-12 septiembre 1978).
7
valoración del grado de inversión BBB (Fitch Rating, 2016). Sin embargo, cabe
plantearse si el país ha aprovechado esta bonanza económica para mejorar la salud de
sus ciudadanos. Si analizamos el compromiso por los objetivos del Milenio, suscrito por
los países miembros de las Naciones Unidas, encontramos una mejora en algunos
indicadores. Por ejemplo, en el año 2015, hubo importantes mejoras en la esperanza de
vida al nacer, la nutrición infantil, la cobertura de vacunación, la calidad de vida y la
calificación del desarrollo humano (PNUD, 2015). Sin embargo, el país no logró
cumplir con las metas pactadas de disminuir la mortalidad materna, la mortalidad
infantil, la mortalidad de niños menores de 5 años y las enfermedades emergentes y
reemergentes, como la tuberculosis y VIH-SIDA.
Como condición necesaria para mejorar la Salud, los informes sobre los sistemas
sanitarios han proliferado en los últimos años, utilizando como medida indicadores
similares a los anteriores, cuya vinculación con la sanidad no es perfecta. La asistencia
sanitaria, si bien no es el único factor relevante, sí que se constituye en un pilar básico
de este proceso que lleva hacia una mayor Salud. Por este motivo, es fundamental
analizar si la mayor disponibilidad de recursos en el país ha mejorado la asistencia
sanitaria ofrecida a la población. Es importante conocer si los mayores recursos
económicos han sido adecuadamente gestionados por el gobierno, que es el encargado
de planificar, organizar, ejecutar y evaluar el servicio prestado.
A pesar de que es generalmente admitido el rol que tiene la atención primaria en elevar
los niveles de salud de la población, en Panamá (como en otros países de América
8
Latina) se insiste en dirigir la mayoría de los recursos económicos del gasto público
social y el gasto en salud a la curación de enfermedades. En este esquema, los hospitales
consumen hasta el 80% del presupuesto asignado a cada región del país.
Las características específicas del servicio público hospitalario hacen muy difícil
evaluar su desempeño, más allá del uso tradicional de los criterios de eficacia basados
en la consecución de una serie de objetivos delimitados por una serie de índices.
Normalmente estas evaluaciones no tienen en cuenta los recursos humanos o materiales
utilizados, lo que genera una tendencia creciente en los presupuestos, tanto en su
vertiente de costo de personal (cuanto más mejor), como en lo relativo a las mejoras
tecnológicas, que suelen incorporarse sin un análisis coste-beneficio, ya que los
hospitales públicos no atienden a criterios basados en la rentabilidad económica. En este
sentido, parece evidente que uno de los principales problemas de los sistemas de salud
en los países latinoamericanos es la ineficiencia de los programas públicos. Los gestores
tradicionalmente no han puesto mucha atención a la eficiencia y su preocupación se
centraba en los problemas de financiamiento y mecanismos de pago.
9
en salud, nos abocamos a realizar el presente estudio, mediante el que pretendemos
examinar el sistema de hospitales del país a lo largo de un período de once años (2005-
2015), intentando conocer el grado de eficiencia y productividad de las unidades
hospitalarias que configuran el sistema panameño. A través del análisis propuesto se
pretenden detectar los motivos de ineficiencia, lo que ayuda a una mejor gestión y la
consiguiente reducción de costos.
Para lograr este propósito, se aplicaron técnicas no paramétricas como el DEA (Data
Envelopment Analysis) y su extensión al ámbito dinámico (DEA window), que han sido
ampliamente utilizadas en otras investigaciones previas para medir eficiencia de
hospitales. Con el fin de reforzar los resultados obtenidos, también se utilizó una
aproximación alternativa a los modelos anteriores, denominada StoNED (Stochastic
Nonparametric Envelopment of Data), que permite combinar las ventajas que presentan
las técnicas paramétricas junto con la flexibilidad propia de las técnicas no
paramétricas. Finalmente, también se plante un estudio centrado en la productividad
hospitalaria mediante el empleo de los denominados índices de Malmquist, tanto en su
versión original como en su versión robusta, incluyendo intervalos de confianza que
permitan identificar de un modo más preciso la importancia de los diferentes
componentes que forman parte de dicho índice, como son el cambio tecnológico, las
mejoras en términos de eficiencias o los cambios vinculados a la escala de producción.
Los resultados obtenidos del presente estudio nos permiten ofrecer una primera
aproximación sobre el grado de eficiencia y productividad de los hospitales en Panamá,
permitiendo elaborar un ranking de hospitales e identificando tendencias a lo largo del
período estudiado. Asimismo, buscamos conocer si hay diferencias significativas entre
hospitales según su tamaño o el sistema de gestión al que pertenece. En particular,
consideramos de gran relevancia identificar si la dependencia del Ministerio de Salud o
de la Caja del Seguro Social tiene un carácter determinante sobre los resultados.
Igualmente pretendemos analizar el grado de influencia que pueda tener la inversión en
tecnología en el desempeño de los hospitales.
10
diseño y la adecuada construcción de una base de datos que permita a los gestores del
sistema disponer de información relevante, oportuna y accesible, contribuyendo al
desarrollo de una cultura centrada en la calidad de los servicios prestados a los pacientes
y elevando la eficacia de la gestión de los hospitales del país. El sistema sanitario debe
incorporar mejoras en la gobernanza, como la transparencia y la rendición de cuentas;
así como fomentar la participación de los actores sociales en las decisiones, y reforzar
las buenas prácticas profesionales en todos los niveles del sistema. En este proceso, la
disponibilidad de medidas fiables sobre la eficiencia es básica para la toma de
decisiones.
11
12
CAPÍTULO 1: EL SISTEMA HOSPITALARIO EN
PANAMÁ
13
14
1.1. INTRODUCCIÓN
El propósito de este capítulo inicial es ofrecer una visión general sobre el entorno en el
que se desarrolla la presente investigación, cuyo objetivo principal es medir los niveles
de eficiencia y productividad de los hospitales que constituyen el sistema sanitario
público de la República de Panamá. Para ello, se considera relevante comenzar el
capítulo ofreciendo un breve repaso sobre datos demográficos y económicos que ayuden
a conocer la realidad del país objeto de estudio, así como su estructura administrativa
interna.
Una vez expuestas estas cuestiones iniciales, el capítulo ofrece una visión panorámica
de la organización del Sistema de Salud de Panamá y la forma en la que éste se organiza
alrededor de dos instituciones públicas que actúan como pilares básicos del sistema, el
Ministerio de Salud y la Caja del Seguro Social, que se encargan de la prestación de los
servicios sanitarios a la mayor parte de la población. Asimismo, se ofrece una
comparativa entre la situación del sistema sanitario panameño y otros países del entorno
cercano tomando como referencia diferentes indicadores.
Tras analizar las principales cifras del presupuesto de estas dos instituciones, se
exponen las líneas generales en las que se basa la organización y el funcionamiento del
sistema de salud, distinguiendo entre los diferentes niveles de atención que existen en el
país y las distintas organizaciones sanitarias que se encargan de la prestación de los
servicios sanitarios a los ciudadanos.
Por último, en el último bloque se ofrece una amplia descripción de las unidades que
integran el sistema hospitalario público. La identificación de estos centros y sus
principales características (ubicación, nivel de atención, tamaño, institución a la que
pertenecen) constituyen un requisito indispensable para ayudar a interpretar los
resultados que se derivan de la aplicación empírica presentada en el capítulo tercero, en
el que se analizará el desempeño de una muestra representativa de estos hospitales
mediante el uso de los enfoques metodológicos que se presentan en el capítulo segundo
de esta tesis doctoral.
15
1.2. ANTECEDENTES
En el año 1501, Rodrigo de Bastidas toca por primera vez costas panameñas,
encontrándose con un poblado de pescadores amerindios con los que realizó trueques.
Posteriormente, el 10 de 0ctubre de 1502, en su cuarto viaje, Cristóbal Colón toca
nuevamente tierras en el Caribe Panameño, bautizando como Portobelo o Puerto Bello a
una hermosa bahía en el área que en la actualidad constituye la provincia de Colón. No
fue hasta 1510 cuando Vasco Núñez de Balboa funda la primera ciudad en tierra firme
en el continente americano, entre Colombia y Panamá, después de vencer al Cacique
Cemaco. Esa ciudad fue bautizada con el nombre de Santa María La Antigua del
Darién, la cual se convirtió en la capital del Reino de Castilla de Oro hasta 1519, cuando
la colonia Española refunda allí mismo la ciudad de Panamá, siendo su primer
gobernador el militar sevillano Pedro Arias de Ávila, mejor conocido como Pedrarias
Dávila. Desde entonces hasta nuestros días diversos acontecimientos han ido
configurando lo que Panamá es hoy como nación, con vocación transitista, sirviendo al
comercio mundial y centro donde convergen personas, mercancías, dinero, tecnologías
y conocimiento.
16
la Organización Meteorológica Mundial como un país con pocos problemas de escasez
de agua, ya que cuenta con 500 ríos, ubicados en 52 cuencas hidrográficas, de los que
350 se encuentran en el litoral Pacífico y 150 en el Atlántico. En 1996, a través de la
Convención de la Organización de Naciones Unidas (ONU) sobre Derecho del Mar,
renunció a las 200 millas náuticas, adoptando las 12 millas impuestas
Internacionalmente. Su espacio aéreo posee una superficie de 395.340,7 kilómetros
cuadrados.
Une, como puente biológico, el centro y el sur del continente americano, mediante un
territorio configurado a nivel del mar, con solo una elevación de dos metros por encima
del mismo en la costa Atlántica caribeña. Su región más alta está ubicada al oriente, en
la provincia de Chiriquí y parte de Veraguas, siendo el Volcán Barú, con 3.474 m. sobre
el nivel del mar su punto más elevado. Es importante señalar que el país entero sufre de
una falla tectónica que lo hace vulnerable a sismos de gran envergadura, como el
ocurrido el 7 de septiembre de 1882, con una intensidad de 7,9 en la escala de Richter.
17
El país también recibió personas desplazadas durante las guerras mundiales. Existe una
población afrodescendiente que arriba al istmo con la construcción del canal de Panamá.
Algunos de ellos se asimilaron a las costumbres norteamericanas y fueron tratados
como personas de segunda clase (“silver roll”). Otros, los llamados “cimarrones”, se
rebelaron y huyeron a las montañas mezclándose con los indígenas. Además, hay en
Panamá otros grupos étnicos, entre los que se incluyen los chinos, que llegaron al país
para la construcción del ferrocarril transístmico en 1850. Muchos de ellos murieron a
causa de enfermedades tropicales, mientras que otros se suicidaron como consecuencia
de la depresión y el síndrome de abstinencia por la supresión del opio. Finalmente, otro
grupo se quedó para participar en la construcción del canal de Panamá y posteriormente
trajeron a sus familiares desde China. Se estima que actualmente representan el 6% de
la población del país. El mosaico étnico incluye, además, aunque en menor proporción,
indostanes, hebreos y centroamericanos (en su mayoría procedentes de Nicaragua) y de
otras zonas del Caribe, especialmente cubanos y dominicanos. Actualmente hay un flujo
migratorio de personas predominante de Suramérica, en su mayoría colombianos y
venezolanos. Recientemente también se han generado olas de migrantes de África y el
Caribe (Cuba) en busca del llamado “sueño americano”, que utilizan el istmo rumbo a
los Estados Unidos. Por todo ello, podemos decir que Panamá es actualmente un crisol
de razas.
18
Figura 1.1 Proceso de Transición Demográfica. Estructura Comparativa de la Población
de la República, por sexo y edad según Censo 1960-1980-2000
2
Esta provincia fue creada el 1 de enero de 2014.
19
Figura 1.2. Mapa de Panamá con distribución de provincias y comarcas indígenas
20
- Ministerio de Salud
- Ministerio de Trabajo y desarrollo laboral
- Ministerio de vivienda y ordenamiento Territorial
- El Ministerio Público, que vela por que los intereses particulares no vayan en
detrimento de los colectivos. Es el organismo encargado de investigar para que el
órgano judicial administre justicia en nombre de la nación.
Desde el siglo XIX y durante el siglo XX, Estados Unidos monopolizó las
comunicaciones de las costas del atlántico y pacífico de la región Centroamericana,
principalmente a raíz de la construcción del Canal de Panamá, el cual inició su actividad
en 1914, aunque no fue hasta 1920 cuando todos los trabajos estuvieron terminados,
con el objetivo de favorecer el comercio estadounidense y de sus aliados. Esto
condicionó el desarrollo económico del país, deformándolo con la implantación de
oligopolios y monopolios extranjeros (bananeras, gasoducto, zona franca,…),
21
fundamentalmente dedicados a actividades que no respondían a la economía interna
tradicional 3.
Durante la última década, Panamá ha sido una de las economías de más rápido
crecimiento en todo el mundo, siendo el segundo país más competitivo de América
Latina y el país latinoamericano con mayor crecimiento económico, según datos del
Banco Mundial 4. Durante los últimos 10 años ha experimentado un elevado y sostenido
crecimiento económico, con incrementos en el PIB superiores al 6% anual (Figura 1.3).
No se trata, por tanto, de un país pobre, si bien la mala distribución del ingreso perpetúa
3
Además de las bases militares para la “protección del Canal de Panamá”.
4
http://data.worldbank.org/data-catalog/GDP-ranking-table
22
la existencia de cinturones de pobreza y pobreza extrema que afectan la calidad de vida
de la población más vulnerable, afectando especialmente a la población indígena.
Figura 1.3 Crecimiento del PIB a precios constantes. Panamá y América Latina y Caribe
(1990 – 2014)
Por otra parte, la política fiscal relacionada con el comercio internacional cambió con la
globalización, que produjo la apertura de mercados, con los tratados de libre
comercio y la profundización de la tendencia privatizadora de las empresas. Todo
este proceso profundizó en la dependencia exterior de la economía panameña. En este
sentido, se puede decir que el arancel panameño es proteccionista para algunas
actividades específicas, fundamentalmente del sector agrícola, la ganadería, la
agroindustria y algunas actividades tradicionales de corte extractivo, como el cemento y
algunas manufacturas. Actualmente la economía de Panamá se sustenta en torno a la
empresa estatal con régimen especial del Canal de Panamá. La región interoceánica
actualmente sustenta el 75% de la economía del país, predominando el sector servicios.
La devolución de la soberanía del Canal supuso un hito histórico5. Por primera vez en la
historia de la República hubo un acuerdo nacional entre todas las fuerzas políticas. A
través de un referéndum nacional se incluyó un título constitucional que declaraba
al Canal de Panamá como patrimonio inalienable de la nación, persona jurídica
5
El Canal fue reintegrado formalmente al Estado panameño por Estados Unidos en 1999, tras largas
negociaciones y una transición de más de veinte años.
23
de derecho público, con funciones de administración, funcionamiento,
conservación, mantenimiento y modernización. Se le dota de un sistema de gobierno
con participación social y rendición de cuentas (sin control previo de la Contraloría
General de la República, pero con un potente control interno a través del Inspector
general), pero blindado a la intervención de los partidos políticos, con el fin de que
prevalezca la meritocracia en sus operaciones.
Con el fin de materializar la idea de que Panamá es mucho más que un canal, los
últimos gobiernos han definido en el plan estratégico de gobierno 2015-2019
(Ministerio de Economía y Finanzas, 2014) la diversificación y productividad de la base
económica:
6
Estadísticas portuarias extraídas de “Georgia Tech Panama, Logistic Innovation & Research Center”
(http://www.gatech.pa/es/).
24
3. Turismo: El objetivo es modificar la tipología de los viajes de negocios (con
estancias en el país de 2 días de promedio) al turismo de sol y playa, geográfico,
étnico, cultural, de salud, religioso, de convenciones, deportivo, de espectáculos,
gastronómico. Para ello se promueven actividades que inciten la prolongación de
la estadía en el país. Con tal fin se ha aumentado la oferta hotelera y se realizan
adecuaciones del aeropuerto internacional, con inversiones superiores a 1.200
millones de dólares en la construcción de un nuevo puerto adicional al existente
en el aeropuerto internacional de Tocumen, para servicio a aeronaves y con el
fin de aumentar el tránsito de pasajeros a más de 20 millones de personas al año.
Además de los nuevos puertos de cruceros y los 5 aeropuertos remodelados, que
pretenden crear una infraestructura robusta, complementada con la formación
del capital humano en servicio al cliente, turismo, hotelería, gastronomía y
ocio.
25
construcción de la línea uno y dos del Metro de Panamá y la culminación de la
última fase de la autopista Panamá-Colón, entre otras.
El país ha obtenido, desde el año 2010, el Grado de Inversión por parte de las
principales calificadoras de riesgo del mundo. En el más reciente Informe Global de
Competitividad (World Economic Forum, 2016), Panamá resaltó como el segundo país
más competitivo de América Latina y primero en Centroamérica. En ese informe se
menciona que, entre los desafíos que deben ser acometidos y resueltos, está el deterioro
de las instituciones democráticas como consecuencia de las prácticas populistas y
clientelares de los partidos políticos que incumplen sus promesas al electorado. Se
aprecian, además, acciones de gobernantes que buscan control absoluto del poder, con
la injerencia en los otros órganos del Estado. Por otro lado, el sistema de pesos y
contrapesos, tiene el incentivo perverso de la inacción, ya que los diversos órganos del
Estado se controlan entre sí. El resultado es que al final parece existir un pacto de no
agresión entre instituciones, lo cual genera poco avance en el fortalecimiento de las
instituciones democráticas. Por esta razón parece urgente profundizar en la
independencia del sistema judicial, en la lucha contra la corrupción, contra la
ineficiencia de la burocracia del gobierno, mejorar la seguridad pública y la calidad de
la educación. Igualmente es necesario combatir la ineficiencia y baja productividad de
los servicios de salud, que presentan viejos problemas no resueltos, como la falta de
medicamentos e insumos médico-quirúrgicos, mora quirúrgica, lentitud para el
otorgamiento de citas médicas, saturación de los servicios de urgencias con la
consecuente insatisfacción de la población. También subsisten otros problemas
relacionados son el uso deficiente del talento y de la capacidad de innovación, así como
la poca disponibilidad de científicos e ingenieros, el alto costo de la vida, y los
incrementos de precios de la canasta básica familiar. Todos estos problemas le ponen
presión a la convivencia pacífica de la población.
a) Ministerio de Salud
b) Caja de Seguro Social
c) Instituto de Acueductos y Alcantarillados Nacional
d) Autoridad Nacional de Aseo Urbano y Domiciliario
27
e) Instituto Conmemorativo Gorgas de Estudios de Salud
f) Centro Nacional de Estudios y Técnicas de Imágenes Moleculares (CENETIM)
Para alcanzar los niveles de salud que requiere la población es importante reconocer que
la tarea no es responsabilidad exclusiva de las agencias que forman parte del Ministerio
de Salud. Se requieren acciones interinstitucionales e intersectoriales, en las que
participen diversas instituciones, como el Instituto de Acueductos y Alcantarillados
Nacionales, responsable de la dotación de agua potable y manejo de aguas servidas, o el
Ministerio de Educación, que debe promover en la cultura nacional la adopción de
hábitos saludables, así como el conocimiento básico de medidas de salud pública.
También el Ministerio de Seguridad Pública, permitiendo ambientes seguros para que la
población pueda disfrutar de los espacios públicos, promoviendo la asistencia de los
niños a las escuelas, en lugar de ser atrapados por las pandillas de los barrios.
Igualmente, en la obtención de salud tienen responsabilidad otras instituciones como el
Ministerio de Desarrollo Social, de Protección Civil, el Ministerio de Desarrollo
Agropecuario, de Obras Públicas, el Ministerio de Trabajo, etc. En resumen, se
requieren acciones articuladas estratégicamente de múltiples instituciones.
28
Caja del Seguro Social (CSS). El subsector público atiende cerca del 85% de la
población, con una dotación de camas en hospitales de 2,2 por cada 1000 personas. El
restante 15 % de la población utiliza el subsector privado, el cual ha ido evolucionando
positivamente en los últimos años, especialmente con la adopción de nuevas tecnologías
diagnósticas y terapéuticas, logrando algunos de sus hospitales ser certificados por la
“Joint Comission” de los Estados Unidos (sistema de acreditación sanitaria
internacional) 7.
Como ente rector de la salud pública, es responsable de dictar las políticas de salud, de
habilitar, acreditar, fiscalizar a los profesionales y recurso humano en salud, al igual que
a todas las instalaciones del país, desde los puestos de salud, hasta los hospitales
públicos y privados, e institutos de la más alta complejidad. Además de ser regulador,
juega el rol de ente financiador, proveedor de servicios mediante su red de instalaciones
y de aseguramiento de la calidad. Tiene competencia en la vigilancia y control de
riesgos para la salud, incluyendo en sus competencias los medicamentos, cosméticos y
alimentos consumidos en el país, así como acciones sobre el ambiente, control de
7
Es una fundación sin ánimo de lucro que ha acreditado a alrededor de 21.000 instituciones sanitarias y
programas en Estados Unidos y el resto del mundo, tras certificar el cumplimiento de unos estándares de
calidad en el desarrollo de sus actividades.
29
vectores y de enfermedades transmisibles, el manejo de materiales peligrosos y todos
los riesgos que afecten la salud pública.
b) Caja de Seguro Social. Es una entidad de Derecho Público autónoma que tiene a su
cargo la administración de la Seguridad Social. Está fundamentada en la Ley N°51 del
27 de diciembre de 2005, cuyos artículos establecen que se brindará atención para
preservar y restaurar la salud de la población asegurada y dependientes a través de una
atención integral en el ámbito de la red de servicios de atención institucional, con
enfoque biopsicosocial en salud a través de cuatro áreas programáticas: Gestión y
Capacitación, Promoción y Prevención, Recuperación y Rehabilitación de la Salud y
Salud de los Trabajadores y el Ambiente. Tiene por objeto garantizar a los asegurados el
derecho a la seguridad de sus medios económicos de subsistencia frente a la afectación
de éstos medios en caso de retiro por vejez, enfermedad, maternidad, invalidez,
subsidios de familia, viudez, orfandad, auxilio de funerales y riesgos profesionales, ya
sean accidentes laborales o enfermedades profesionales. Provee servicios de salud al
84% de la poblacion, entre asegurados, beneficiarios, y no asegurados que se atienden
mediante convenio de compensacion de costos con el Ministerio de Salud. La CSS
entrega servicios de atención directa a la población protegida, incluye las prestaciones
por enfermedad y maternidad, el programa de riesgos profesionales, así como los
servicios de prestación económica, a través del desarrollo de los programas de invalidez,
vejez y muerte.
Se estima que, para el año 2016, la población protegida por el sistema de Seguridad
Social alcanzaba casi el 75% del total del país. De ellas, alrededor del 42% eran
asegurados cotizantes, dentro de los cuales se encontraban unos 200.000 pensionados
(7%) por vejez, invalidez, vejez anticipada, sobreviviente, riesgo profesional y jubilado,
y el 58% restante eran beneficiarios dentro de las categorías de hijo(a), esposa o
compañera, padre o madre, esposo(a) o invalido(a). Sin embargo, le corresponde al
Ministerio de Salud ser un importante prestador de servicios dentro de la red ya que
aporta el 91% de instalaciones de salud. Entre las dos entidades financiadoras de la
atención médica en el país (el MINSA y la CSS) aportan cerca del 70% de los recursos
utilizados, dejando un 30% al gasto de bolsillo de los ciudadanos (OPS/OMS, 2007).
30
1.3.2. Elementos generales de contexto
Este nivel de gasto público (social), que a finales del 2014 ya se situaba cerca de un
15% del PIB en el promedio de la región, aún parece insuficiente para poder cubrir
debidamente la brecha de desigualdad e inequidad en el acceso a los servicios sociales
más básicos, de los cuales especialmente dependen los grupos sociales más vulnerables
en la mayor parte de los países de la región. La desigualdad es evidente si este valor lo
comparamos, por ejemplo, con la media porcentual de gasto social documentado para el
conjunto de los países de la Organización para la Cooperación y el Desarrollo
Económico (OCDE), tal y como se observa en la Figura 1.4.
Por otra parte, mientras el crecimiento del PIB en los países de América Latina y el
Caribe ha tenido un desempeño relativamente constante y ascendente, el gasto social
proporcional a este último ha sido mucho más fluctuante y, al parecer, más dependiente
de las políticas de recorte presupuestario que se originan como consecuencia de ciertas
situaciones macroeconómicas globales, de problemas fiscales o de intereses políticos
que afectan a las finanzas públicas de estos países y que los hacen muy dependientes de
sus exportaciones de materias primas (Figura 1.5).
31
Figura 1.4. Evolución del gasto público social total y por funciones en América Latina
(18 países) y países de la OCDE (34 países): Promedio simple (en porcentajes del PIB)
Figura 1.5. América Latina y el Caribe: gasto social y PIB per cápita (en porcentajes del
PIB e índice 1990=100)
32
vacunación hexavalente en menores de 1 año, que pone en evidencia una dramática
disminución de la cobertura en Panamá entre los años 2010 y 2014. En el año 2010, de
77 distritos, solo 7 tenían cobertura de vacunación inferior al 90%. En cambio, en el año
2014, de 79 distritos, 56 presentaron cobertura inferior al 90%.
Uno de los principales determinantes del gasto social es el gasto en salud, toda vez que
se le considera como uno de los elementos más sensibles de toda política social y de
protección social, sobre la cual hay permanente y crecientes demandas poblacionales,
presión política y de inversión, tanto pública como privada. En el entorno de la región
latinoamericana, el registro del gasto total en salud como porcentaje del PIB es bastante
heterogéneo, como puede verse en la Tabla 1.1, extraída del Informe sobre la Situación
de Salud en Las Américas (OPS/OMS, 2016). Y más aún si se considera el gasto
público como parte del gasto total, con casos como el de Haití, donde solo se invierte en
recursos públicos el 1,7% del PIB. En el extremo contrario está Cuba, cuya inversión
pública reporta cifras superiores al 10% del PIB.
Tras ocho meses de estudio, durante el año 2017, 14 gremios de la salud, pacientes, la
Caja del Seguro Social y el Ministerio de Salud de Panamá, en la llamada Mesa del
Diálogo Nacional por la Salud, concluyeron que, entre las razones del deterioro del
Sistema Sanitario, está la escasa atención prestada a los Determinantes de la Salud,
definidos como el “conjunto de factores personales, sociales, económicos y ambientales
que determinan el estado de salud de los individuos y de las poblaciones”. Lo anterior
nos lleva a considerar seriamente las cifras de 2016 de la Contraloría General de la
República, que además del dato ya citado del Índice de Desarrollo Humano ajustado por
desigualdad, muestra otros datos demográficos interesantes, como el 1,44% de
crecimiento anual de la población, los 19,43 nacimientos por 1000 habitantes, las 4,65
muertes por 1000 habitantes o los 0,42 migrantes por mil habitantes; así como los datos
ya comentados de pobreza extrema (14,2% de la población). En el informe presentado
al gobierno de la nación se identifica como nudo crítico la escasa coordinación entre
sectores vinculados a los determinantes de la salud de la población. La gestión del 90%
del presupuesto público en salud, destinado a la atención de enfermedades, logra solo
una reducción del 11 % de las muertes, frente al impacto 6 veces mayor obtenido por la
promoción de estilos de vida saludable, a la que se le asignó solo un 3% de los recursos.
33
Tabla 1.1. Análisis comparado del gasto público y privado en salud en Las Américas (2014)
En relación con otro tipo de indicadores, el citado informe evidencia una posición
intermedia de Panamá, aunque por debajo del promedio regional de América Latina y el
Caribe en materia de disponibilidad de médicos, enfermeras y odontólogos, siendo para
estos tres casos la cifra registrada de 16 por 10.000, 13,6 por 10.000 y 3,1 por 10.000,
respectivamente (Tabla 1.2). Sin embargo se aprecia inequidad en la distribución de los
médicos a nivel nacional. En el contexto centroamericano estas cifras solo son
superadas por las de Costa Rica. Por otra parte, sigue manteniéndose Cuba, y de lejos,
como el país con la mayor proporción de este tipo de personal en toda la región de las
Américas (76,6 por 10.000, 81 por 10.000 y 14 por 10.000, respectivamente) seguida, a
distancia por Uruguay y Argentina.
34
Tabla 1.2. Habitantes por médicos especialistas según área (MINSA-CSS) en Panamá
(año 2014)
35
Tabla 1.3. Comportamiento comparado enfermedades de notificación obligatoria en la
región de Centroamérica y Caribe (2016)
La mortalidad materna ha permanecido estable durante el período del 2005 al 2014, con
aproximadamente un 24%. Esta situación resulta inaceptable, por cuanto el embarazo no
debe ser una condición de alto riesgo que ponga en peligro la vida de una mujer por el
mero hecho de estar gestando. La resolución de este problema representa un gran
desafío para el sistema de salud panameño, que debe mejorar el control prenatal, así
como la atención profesional del parto.
36
La esperanza de vida al nacer en hombres es de 74,6 años y de 80,7 años en las mujeres.
El valor global ha aumentado en dos años a lo largo de los últimos 10 años, situándose
por encima de la media de la región, en la que solo aumentó un año. Persiste una tasa de
9,6 muertes neonatales por 1.000 nacidos vivos, mientras que el vecino país de Costa
Rica presenta 7,8. Es, por tanto, necesario fortalecer la atención perinatal y el control
del embarazo para detección temprana de complicaciones. En materia de enfermedades
crónicas no transmisibles, la obesidad en adultos aumentó de 59,1% en 2010 a 62,2% en
2014, poniendo en evidencia la urgencia por desarrollar programas de atención
primaria, con la adopción de hábitos de vida saludable para prevenir la hipertensión
arterial sistémica y diabetes melitus, que son los mayores contribuyentes en la
producción de insuficiencia renal crónica y muerte por enfermedades crónicas no
transmisibles.
En la Tabla 1.4 se aprecian las principales causa de muerte de los panameños. En ella se
evidencia un cambio en el perfil epidemiológico durante los últimos 20 años, en los que
se ha ido migrando de las enfermedades infecciosas a enfermedades crónicas no
transmisibles. En estas enfermedades, los factores asociados a las defunciones son la
obesidad, diabetes y la hipertensión arterial no controlada. Esta tendencia es consistente
con las investigaciones que dicen que actuar sobre el sistema sanitario tiene menor
impacto en la reducción de la mortalidad, frente a las intervenciones relacionadas con
estilos de vida saludable.
37
Figura 1.6. Los determinantes de la Salud
Tabla 1.4. Principales causas de muerte por sexo (Panamá, año 2012)
Sexo
razón Índice
CAUSA Total Masculino Femenino
H/M APMP
Núm. Tasa Núm. Tasa Núm. Tasa
TOTAL* 17350 458 10160 53.4 7190 38.2 1.4
Tumores Malignos 2927 77.3 1597 83.9 1330 70.6 1.2 102.2
Enfermedades Isquémica del Corazón 1672 44.1 999 52.5 673 35.7 1.5 31.6
Accidentes, Suicidios, Homicidios y Otras
1896 50.1 1657 87.1 239 12.7 6.9 204.5
Violencias
Enfermedades Cerebrovasculares 1380 36.4 760 39.9 620 32.9 1.2 20.5
Diabetes Mellitus 1071 28.3 458 24.1 613 32.5 0.7 23.9
Otras enfermedades del corazón 1039 27.4 566 29.7 473 25.1 1.2 26.6
Neumonía 626 16.5 337 17.7 289 15.3 1.2 33.8
Enf. Crónicas de Vías Respiratorias Inferiores 495 13.1 252 13.2 243 12.9 1 6.5
Enfermedad por VIH 478 12.6 358 18.8 120 6.4 3 44.4
Ciertas afecciones originadas en el periodo perinatal. 428 11.3 264 13.9 164 8.7 1.6 86.4
Todas las demás Enfermedades 5338 141 2912 153 2426 129 1.2
Fuente: Contraloría General de la República de Panamá. Año 2012
Esta descripción nos lleva a concluir que el sistema panameño es un sistema de salud
centrado en curar, con dos instituciones verticales, que ejercen funciones de ente
financiador, comprador y proveedor de servicios de salud, con poca comunicación
operativa entre ellas y escasa planificación sectorial. Todo esto lleva al MINSA y la
CSS a planificar de forma independiente, produciendo con frecuencia duplicación en los
servicios. Igualmente, el servicio es fragmentado, con una fuerte injerencia de los
partidos políticos en el poder. Los gestores políticos desarrollan una curva de
aprendizaje que, en promedio, toma dos años. Cuando adquieren competencias para la
gestión ya ha transcurrido gran parte de la legislatura. Desde el arribo de la democracia
38
ningún partido político ha sido reelegido, por lo que se produce mucha rotación de los
directivos del sistema y muy poca continuidad en los planes y programas, que
habitualmente son más “de gobierno” y no “de Estado”. A pesar de todo ello, el país
mantiene unos indicadores de salud aceptables en comparación con la región, con la
característica de presentar uno de los mayores volúmenes de gasto público social del
continente.
Panamá registró en el año 2014 un gasto total en salud del 8,1% del PIB, del cual un
5,9% corresponde a recursos públicos, incluidos la parte de salud correspondiente a la
Seguridad Social (MINSA y CSS). El gasto público en salud pasó del 26% del gasto
público social en 2005 a más del 35% en el presupuesto del año 2017. El gasto per
cápita casi se ha triplicado en los últimos diez años, pasando de 348,44 dólares en 2005
a 958,48 dólares en 2014, año en el que dicho gasto representaba un 8% del PIB. Ese
valor estaba muy cercano al 9% de España y era superior al de la mayoría de los países
del continente.
El gasto en salud está constituido por un 73,8% del gasto público social, del que se
emplea un 79,3% en funcionamiento y el resto en inversiones, especialmente en la
construcción de nuevas instalaciones de salud (hospitales). Si comparamos el gasto
público en salud de Panamá con los países de la región, e incluso con algunos países de
la OCDE, tenemos niveles de gasto público en salud similares, aunque con resultados
inferiores. Por esta razón debemos reflexionar sobre la capacidad gerencial de los
operadores del sistema público de salud panameño.
El resto del gasto corresponde al gasto privado de la población en salud, cuyo volumen
ha aumentado notablemente en los últimos cinco años (alrededor de un 152%). Éste, a
su vez, se descompone en gasto de bolsillo (78,5%) y gasto en alguna de las
modalidades existentes de seguros de salud, cooperativas, medicina preparada,
proveedores preferenciales, organizaciones para mantener la salud o sistemas integrados
(21.5%) (Briceño, 2008).
39
A continuación se ofrece un análisis específico de las partidas presupuestarias
gestionadas por las dos principales instituciones que constituyen el sistema sanitario
público del país, el Ministerio de Salud y la Caja de Seguro Social, en las que se
centrará el análisis empírico desarrollado en el capítulo tercero.
Gastos operativos: aquellos que utiliza el Ministerio para sufragar todos sus gastos de
funcionamiento básico (agua, luz, teléfono, salarios, medicamentos e insumos
médico-quirúrgicos, entre otros).
Trasferencias corrientes, las cuales están asignadas al presupuesto del MINSA, pero
van dirigidas a otras instituciones del Sector Salud, como:
40
años. El 9,4% corresponde a Servicios no Personales, que son gastos correspondientes a
los servicios básicos (combustibles y alquileres, entre otros). La suma de ambos, el
75,4% del presupuesto, es destinado a gastos fijos. Tan solo el 23,9% se usó en la
Cuenta de Materiales y Suministros, que sufraga la compra de los medicamentos e
insumos médico-quirúrgicos, alimentación de los hospitales e insumos para los
laboratorios, entre otros.
Tabla 1.5. Presupuesto ejecutado acumulado del MINSA para los años 2007-2015
Años 2007 2008 2009 2010 2011 2012 2013 2014 2015
TOTAL MINSA 827,991,848 927,043,723 1,083,080,538 1,115,478,426 1,222,279,180 1,524,904,722 1,749,538,974 2,000,202,300 10,450,519,711
Incremento Porcentual
20.3% 12.0% 16.8% 3.0% 9.6% 24.8% 14.7% 14.3%
Comparado año anterior
GASTOS
676,784,716 730,215,716 801,312,605 838,481,676 930,995,347 1,073,697,624 1,262,693,278 1,400,680,700 7,714,861,662
CORRIENTES (A+B+C)
A. TOTAL DE GASTOS
241,211,530 263,693,339 275,009,491 330,786,497 370,418,464 415,570,570 539,711,500 612,907,400 3,049,308,791
DE OPERACIONES
SERVICIOS
PERSONALES
162,918,255 179,764,714 199,355,678 232,683,312 250,715,026
SERVICIOS NO
17,898,251 15,809,087 21,183,813 18,883,054 36,897,028
PERSONALES 295,519,029 327,818,949 364,994,200 2,013,769,163
58,047,188 62,738,713 54,201,568 79,018,633 79,065,636
MATERIALES
2,187,936 2,461,425 109,031 41,598 667,253
YSUMINISTROS
MAQUINARIAYEQUIPO
C. ASIGNACIONES
159,900 2,919,400 159,400 159,900 3,073,521 2,824,759 245,600 9,542,480
GLOBALES
INVERSION 151,207,132 196,828,007 281,767,933 276,996,750 291,283,833 451,207,098 486,845,696 599,521,600 2,735,658,049
Población Estimada 3,395,346 3,450,349 3,504,483 3,723,821 3,787,511 3,850,735 3,913,275 3,975,404 29,600,924
Gasto per cápita B/. 243.86 B/. 268.68 B/. 309.06 B/. 299.55 B/. 322.71 B/. 396.00 B/. 447.08 B/. 503.14
Por su parte, la Caja del Seguro Social presentó en el año 2016 un presupuesto de
4.707,2 millones de dólares, que representa el 20% del presupuesto nacional. De esta
cantidad, el 70,9% corresponde a gastos corrientes y el 29,1 % a gastos de inversión.
Del presupuesto para gastos corrientes, 1.575,3 millones se destinaron a gastos de
41
funcionamiento y 1.762,7 millones para atender otros gastos en concepto de
prestaciones económicas y fideicomisos para subsidios, indemnizaciones, asignaciones
familiares. El presupuesto aprobado para el 2017 fue de 5.115,7 millones, destinándose
el 55,6% al fondo de pensiones en el programa de invalidez, vejez y muerte (este fondo
cubre el pago de cerca de 240.000 jubilados y pensionados). El 6,1% se destina a cubrir
los costos del programa de riesgos profesionales y el 33,3% se le asigna al llamado
Programa de Enfermedad y Maternidad, que representa el programa de salud.
Desde 1997 el Ministerio de Salud, ente rector de la Salud en el país, y la Caja del
Seguro Social mantienen convenios que regulan la prestación de servicios, facturación y
compensación de costos. De esta manera, periódicamente y después de un proceso de
homologación de costos, se cruzan las cuentas para compensar los servicios prestados
por cada institución. Sin embargo, esta compensación no se ha realizado de manera
transparente bajo la gestión de ningún gobierno. La coordinación funcional ha pasado
por diferentes etapas de implementación, desde la separación de funciones que trajo
como consecuencia duplicación de servicios e ineficiencia, pasando por integración y
fusión de servicios, explorando modelos de separación de roles entre el ente
financiador, comprador y proveedor de dichos servicios, hasta regresar nuevamente al
sistema de coordinación. Todas las iniciativas de los diversos gobiernos se promueven
en busca de la equidad en los servicios de salud, mediante el compromiso de ambas
instituciones de brindar atención tanto a la población asegurada como a la no asegurada
en todo el país, exceptuando en la actualidad al área metropolitana, San Miguelito,
42
Chilibre y Las Cumbres. En teoría el actual convenio busca descentralizar y
desconcentrar, eliminar subsidios cruzados estableciendo un presupuesto en función de
la demanda de servicios y la capacidad de respuesta local, de manera que la
presentación de cuentas sean reales, confiables, oportunas y transparentes sobre la base
de los servicios prestados. Sin embargo, hasta la fecha no hay ningún documento
disponible que evalúe el desempeño de este proceso, si bien ambas instituciones se
recriminan mutuamente por la ineficiencia del sistema de compensación de costos.
El sector público de salud atiende cerca del 90% de la población. Sin embargo, al
concentrarse la población en las áreas urbanas, especialmente a lo largo de la faja
canalera, también se concentran en dicha región las instalaciones, a expensas de las
áreas indígenas y marginadas del país.
I NIVEL DE ATENCIÓN
A- PUESTO DE SALUD
43
Ubicación: áreas rurales de difícil acceso.
Recurso Humano: ayudante de Salud o Asistente Salud.
Atendido periódicamente por el equipo básico de Salud del centro de Salud
responsable o por el equipo de salud itinerante.
Cartera de Servicio: promoción y prevención de la Salud, Primeros Auxilios,
consejería sanitaria.
44
Cartera de Servicio: promoción y prevención de la Salud; diagnóstico y
tratamiento de problemas de Salud; saneamiento básico y ambiental.
45
o Atención de parto normal.
Características: mayor capacidad resolutiva, dotado de camas, actúa como centro
de referencia para Centros Básicos.
G- MINSA CAPSI
Características:
o Instalación de mayor grado de complejidad, que busca desarrollar un
nuevo modelo de instalación incorporando recursos humanos y
tecnología de información y comunicación (Tics) que facilite a la
población una atención integral, continua e integrada a la red de servicios
a nivel regional y nacional, en el marco de la Estrategia Renovada de
Atención Primaria de Salud y acorde al modelo de Atención Individual,
Familiar, Comunitario y Ambiental.
o Fortalecer la estrategia de atención primaria de salud.
o Mejoramiento de la calidad de atención en los servicios de salud del país.
o Incrementar las coberturas de atención a las áreas de mayor pobreza e
inaccesibilidad.
46
H- CENTRO REINTEGRA
II NIVEL DE ATENCIÓN
I- POLICENTRO DE SALUD
47
o Atención en general, controles de salud, otros.
o Centro de referencia.
o Diagnóstico y tratamiento de problemas.
o Cirugía ambulatoria.
o Urgencias.
o Apoyo al diagnóstico y tratamiento (laboratorio, farmacia, imagenología,
radiografías y otros).
o Saneamiento básico y Ambiental.
Características:
o Es un centro ambulatorio, de referencia a todos los centros de salud de
menor complejidad de la red de servicios de Salud.
o Brinda atención enfatizando en un diagnóstico oportuno, la terapia eficaz
y eficiente y la rehabilitación precoz y la investigación clínica y
biopsicosocial.
J- HOSPITAL DE ÁREA
48
Características: completa la capacidad resolutiva de las instalaciones de menor
complejidad y realizan servicio ambulatorio y de hospitalización.
K- HOSPITALES REGIONALES
L- HOSPITALES NACIONALES
49
o Apoyo al diagnóstico y tratamiento altamente especializados
(fisioterapia, imagenología, laboratorio, farmacia).
o Servicio de Urgencia de alta resolución.
o Consulta quirúrgica, cirugía general y cirugía especializada.
o Consulta Médica, Consulta externa y especialidades.
o UCI unidad de cuidados intensivos y semi intensivos, coronaria,
neurológica y de quemados.
o Banco de sangre.
o Servicio de patología.
o Lavandería y costurería.
o Dietética.
Características
o Centro de referencia final de la demanda de la atención a nivel nacional.
o Recibe referencia de las Instalaciones del II y I nivel de atención.
o Atención especializada.
o Sede de educación universitaria en Salud tanto en pregrado como en
postgrado en su campo especifico de acción.
o Son Instalaciones de alta tecnología.
o Realizan investigaciones clínicas.
N- HOSPITALES SUPRA-REGIONALES
50
Características: la estructura de un hospital está especialmente diseñada para
cumplir las funciones de prevención, diagnóstico y tratamiento de enfermedades.
M- INSTITUTO ESPECIALIZADO
51
La Tabla 1.6 ofrece una síntesis de la distribución de las distintas organizaciones
sanitarias entre las provincias de la República de Panamá.
Las instituciones que gestionan la salud en la República de Panamá prestan una especial
atención a los distintos niveles de complejidad que van asociados a las diferentes
tipologías de establecimientos del sector y a los niveles de atención (Tabla 1.7).
52
Tabla 1.7. Niveles se atención, niveles de complejidad y categorías de
establecimientos del sector salud
NIVELES DE NIVELES DE CATEGORIAS DE ESTABLECIMIENTOS
1° Nivel de Complejidad I–1
Primer Nivel de 2° Nivel de Complejidad I–2
Atención 3° Nivel de Complejidad I-3
4° Nivel de Complejidad I-4
Segundo Nivel de 5° Nivel de Complejidad II – 1
Atención 6° Nivel de Complejidad II - 2
Tercer Nivel de 7° Nivel de Complejidad III - 1
Atención 8° Nivel de Complejidad III - 2
Fuente: CSS. Documento Técnico Normativo de Categoría Planificación.
53
- Nivel II: Médico general y/o profesional paramédico con interconsulta,
referencia o asesoría de personal o recurso especializado.
- Nivel III y IV: Médico especialista con la participación de médico general y/o
profesional paramédico.
Promoción de la Salud.
Médico, Odontólogos, Enfermera, Auxiliar,
Prevención de la Salud. Diagnóstico y tratamiento
Técnico de Enfermería, Pediatras, Especialistas
de problemas de salud por Medicina General y
Centro de Salud con de Medicina Interna, Gineco-obstetricia, Salud
Especialistas. Servicios de apoyo al diagnóstico y
Especialidad Mental, Psicólogo Farmacéutico, Trabajador
tratamiento, como laboratorios, radiografías,
Social, Laboratoristas, e Inspectores de
farmacias y otros. Saneamiento básico y
Saneamiento
Ambiental.
Médicos,
Enfermeras, Promoción de la Salud. Prevención de la Salud.
Técnico de Diagnóstico y tratamiento de problemas de salud.
Farmacéutico, Laboratorista, Técnica de Apoyo al diagnóstico y tratamiento (laboratorio,
Centro de Salud con Camas
Saneamiento Ambiental, y/o vectores, farmacia, radiólogos y otros).
Especialistas de Gineco- Obstetricia, Pediatría y Saneamiento básico y ambiental. Atención de
otros según perfil epidemiológico. parto normal.
Odontólogos, auxiliares o Enfermería,
54
Gineco- pediatras, fisiatras,
Atención ambulatoria. Promoción de la Salud.
Prevención de la Salud.
Médicos generales, Enfermeras y/o técnica de Diagnóstico y tratamiento de Problemas de la
áreas rurales, alejada de
Hospital de Área enfermería, auxiliares de enfermería, Salud. Urgencias las 24 Horas.
la cabecera de provincia
farmacéutica, laboratorista y otros técnicos. Apoyo al diagnóstico y tratamiento (farmacia,
laboratorio, radiografías y otras). Hospitalización.
Salud ambulatoria.
Médico especialistas y subespecialistas según Atención ambulatoria. Hospitalización en
perfil epidemiológico, enfermeras, técnica de medicina Interna, Gineco-obstetricia, pediatría,
enfermería y/o psiquiatría, cirugía y medicina General. Apoyo al
auxiliares de diagnóstico y tratamiento (fisioterapia,
Hospitales Regionales laboratorista, imagenología, laboratorio, farmacia), Urgencia las
radiólogo, 24 horas.
psicóloga, trabajador social y técnica de apoyo
al sistema de atención.
enfermería, farmacéutico, nutricionista,
La red de hospitales de Panamá está constituida por hospitales públicos y privados. Para
los efectos del presente estudio nos enfocaremos en los hospitales públicos, los cuales
pueden ser financiados y gestionados de diversas maneras:
Con el objetivo de elevar la calidad del servicio que se le brinda a la población, a partir
de 2014 se estimuló voluntariamente a los hospitales públicos a acreditarse bajo los
estándares de la “Joint Commission” de los Estados Unidos, adaptados a Panamá, como
una acción voluntaria y externa a la Institución.
55
Instalaciones y Servicios de Salud. Este ejercicio se realiza anualmente en alrededor de
19 instituciones:
A cierre del año 2015, y conforme a los datos de la Contraloría General de la República
consolidados a través del instituto Nacional de Estadísticas (INE), existen en Panamá
817 establecimientos de salud entre centros de atención primaria, policlínicas
ambulatorias y hospitales de distintos grados de complejidad, pertenecientes tanto a la
red pública del Ministerio de Salud (MINSA) como de la Caja de Seguro Social (CSS).
Esta cifra se mantiene vigente actualmente, toda vez que los recientes proyectos
hospitalarios encaminados tanto por el MINSA como por la CSS aún están en distintas
fases de su proceso constructivo y, por lo tanto, aún no aportan nuevos datos a dichas
estadísticas.
56
Figura 1.7. Instalaciones de salud en Panamá (2011-2015)
57
Figura 1.8. Camas por cada mil habitantes en las instalaciones de salud de Panamá,
según provincia y comarca indígena (2011 y 2015)
El Sistema de salud panameño tiene una puerta de entrada a través de las unidades de
atención primaria. Sin embargo, con frecuencia los pacientes ingresan vía servicios de
58
urgencia o por hospitales de II o III nivel. A pesar de todo, lo que más afecta la
eficiencia de los mismos es su carácter bicefálico, fragmentado y segmentado, con
escasa planificación integral y coordinación, que en muchos casos depende del grado de
relación personal entre el Ministro de Salud y el Director General de la CSS. Esto
origina los ya comentados problemas de duplicidad de oferta de servicios, la asimetría
en la cartera de servicios e inequidad entre lo urbano, rural y los sectores indígenas.
Además, estos factores hacen más patente la influencia del ingreso en los niveles de
salud alcanzado, siendo los más pobres los que presentan los peores niveles de salud y
la menor esperanza de vida al nacer y mayor mortalidad.
59
1.4.2. Hospitales del Ministerio de Salud (MINSA)
Ciudad de Panamá
Hospital de Larga Estancia (Hospital Nacional)
Hospital del Niño (Hospital Nacional)
Director del Hospital Santo Tomás (Hospital Nacional)
Instituto Oncológico Nacional (Hospital Nacional)
Los Santos
Hospital Joaquín Pablo Franco Sayas (II nivel)
Hospital Luis H. Moreno de Macaracas, Hospital Rural de Tonosí (I – II nivel)
Hospital Regional Azuero Anita Moreno (II nivel)
Centros Especializados
Instituto Nacional de Salud Mental
Instituto Nacional de Medicina Física y Rehabilitación
Herrera
Hospital Cecilio A. Castillero (II nivel)
Hospital Sergio Núñez de Ocú (I-II nivel)
Coclé
Hospital Aquilino Tejeira (II nivel)
Chiriquí
Hospital José́ Domingo de Obaldía (III nivel Materno Infantil)
Hospital General del Oriente Chiricano Pablo Ruíz (I-II nivel)
Panamá Este
Hospital Regional Docente 24 de Diciembre (II nivel)
Panamá Oeste
Hospital Nicolás A. Solano (II nivel)
60
Veraguas
Hospital Dr. Luis Chicho Fábrega (II nivel)
Hospital San Francisco (I-II Nivel)
Darién
Hospital San José de La Palma (I-II nivel)
Hospital Dr. Manuel Nieto de Yaviza (I-II nivel)
Hospital El Real (I – II nivel)
Guna Yala
Hospital Marvel Iglesias de Aligandí (I-II Nivel)
Hospital Rural Inabagiña de Mulatupu (I-II nivel)
San Miguelito
Hospital San Miguel Arcángel (II nivel)
Ciudad de Panamá
Hospital Pediátrico (III nivel) (Hospital Nacional)
Complejo Hospitalario Dr. Arnulfo Arias Madrid (III nivel) (Hospital Nacional)
Chiriquí
Hospital Regional Rafael Hernández (II nivel)
Hospital Dionisio Arrocha Puerto Armuelles (II nivel)
61
Veraguas
Hospital Ezequiel Abadía Soná (I- II nivel)
Herrera, Chitré
Hospital Nelson Collado en Chitré (II nivel)
Coclé, Aguadulce
Hospital Dr. Rafael Estévez de Aguadulce (II nivel)
Colón
Hospital Amador Guerrero (II nivel)
Ciudad de Panamá
Hospital Susana Jones (II nivel)
Hospital 24 de Diciembre (II nivel)
Hospital Hogar de la Esperanza (I- II nivel)
62
empobrecimiento del istmo, lo que comenzó a generar vientos de rebeldía entre los
lugareños por el escaso apoyo gubernamental frente a las pésimas condiciones de la
población y sus pocas posibilidades de progresar.
Comienza entonces a gestarse con más fuerza la idea que subyacía entre la población.
¿Sería la separación de Colombia la única vía de salir de las paupérrimas condiciones en
que se encontraban? En un intento por calmar los ánimos y ofrecer esperanza a la
población, se firma un nuevo tratado para construir el Canal de Panamá (entre el
Secretario de Estado de los Estados Unidos de Norteamérica, John M. Hay, y el
Ministro Colombiano Tomás Herrán). Sin embargo, el tratado fue rechazado por el
Congreso de Colombia a mediados de ese mismo año, haciendo que entrara en
ebullición el proceso de separación del istmo. Rápidamente el Sr. Bunau Varilla,
accionista de la Compañía del Canal Francés logró interesar al presidente Theodore
Roosevelt en acometer la titánica obra de unir el comercio mundial entre ambos océanos
en la parte más angosta del continente que era Panamá. Al mismo tiempo un grupo de
ciudadanos panameños inician el proceso de separación de Colombia, que culmina el 3
de noviembre de 1903.
63
Hay-Bunau Varilla el 18 de noviembre de 1903, al adquirir los EUA los derechos del
fracasado canal francés por Panamá.
La nueva compañía norteamericana para la construcción del Canal de Panamá tenía una
nueva estrategia, que comenzó con planificar y estudiar el entorno, y que se basó en la
necesidad de utilizar el sistema de exclusas en lugar de hacer la obra a nivel. Pero
también concluyeron que el primer paso debía consistir en el saneamiento del área, con
el fin de no repetir el error de la Compañía del Canal Francés. Así se aplicaron en la
prevención y control del mosquito Aedes aegypti, vector trasmisor de la fiebre amarilla,
paludismo, dengue, chicungunya y el virus del sika, recientemente descrito. Ese cambio
de estrategia marcó el éxito de la empresa. Lo demás es historia conocida, demostrando
que, en materia sanitaria, es cierto el paradigma que “es mejor prevenir que curar”.
64
hospitales, convirtiéndolos en ineficientes e ineficaces en perjuicio de aquellos
pacientes realmente graves o con urgencias reales. Por este motivo, el análisis de las
condiciones funcionales de los servicios de urgencia sirve como indicador de cómo
andan los servicios de atención primaria y asistencia ambulatoria.
A pesar de todas estas evidencias, el subsector público dirige la mayor parte del
presupuesto asignado de salud a los hospitales. Es decir, se enfoca en la parte curativa,
toca al ciudadano cuando está enfermo por su carácter biologicista y patocéntrico, con
altos costos operativos y resultados que no corresponden al presupuesto asignado. Los
decisores y los responsables de diseñar las políticas públicas que atiendan las
necesidades de Salud carecen de información fiable.
65
66
CAPÍTULO 2: TÉCNICAS PARA LA MEDICIÓN
DE LA EFICIENCIA Y LA PRODUCTIVIDAD
67
68
2.1. INTRODUCCIÓN
En este capítulo se realiza una breve revisión de los diferentes conceptos y posibilidades
de medición de la eficiencia y la productividad, prestando un especial interés a las
técnicas no paramétricas, por ser las que se emplean más habitualmente en el contexto
público y, más concretamente, en el sector sanitario, en el que se sitúa la presente
investigación.
Somos conscientes de que la mayoría de las cuestiones tratadas en este capítulo inicial
han sido examinadas con mayor profundidad en otras investigaciones y en diversos
textos específicos sobre la materia. En todo caso, el objetivo primordial es ofrecer una
exposición sintética de las cuestiones más relevantes, introduciendo términos y nociones
básicas necesarias para la interpretación de los resultados que se presentan en la
aplicación empírica presentada en el capítulo tercero.
69
2.2. CONCEPTOS DE EFICIENCIA Y PRODUCTIVIDAD
a) El concepto de eficiencia
70
capacidad de obtener la cantidad máxima de producto sin el reajuste de los factores de
producción según sus costes.
El siguiente avance en este campo corresponde a dos autores, Debreu (1951) y Farell
(1957), quienes desarrollaron una medida radial que permitiera cuantificar,
porcentualmente el nivel de eficiencia con el que actuaban los productores. Esta medida
se definía como la máxima reducción equiproporcional posible de todos los inputs que
puede conseguirse para un nivel dado de outputs. Según este criterio, un coeficiente
unitario indicaba que la unidad era técnicamente eficiente puesto que no resultaba
factible reducir proporcionalmente los inputs si se quería seguir produciendo la misma
cantidad de outputs. En el caso de que el coeficiente fuera inferior a la unidad, su valor
reflejaba la proporción en la que podría reducirse el uso de los factores productivos.
Esta medida resulta menos estricta que la propuesta por Koopmans ya que un productor
considerado como eficiente en el sentido de Debreu-Farrell todavía puede reducir la
cantidad empleada de algunos inputs (o incrementar algún output) aunque no sea de
71
manera proporcional. Estas diferencias conceptuales hacen que la medida de la
eficiencia sea diferente en función del enfoque adoptado.
producción está compuesto por todos los procesos productivos imaginables factibles:
{
ψ = ( x, y ) x ∈ ℜ +p , y ∈ ℜ q+ , ( x, y ) es posible } (1)
( x, y ) ∉ψ si x = 0 , y ≥ 0 , y ≠ 0 (2)
x ∈ L ( y ) ⇒ λx ∈ L ( y ) ∀λ ≥ 1 (3)
Su versión fuerte es: x´≥ x ∈ L( y ) ⇒ x´∈ L( y ) (4)
72
Axioma de disponibilidad débil de outputs. Si se reduce la cantidad de outputs
obtenidos, los inputs no pueden incrementarse
L(θy ) ⊆ L( y ) ∀θ ≥ 1 (5)
Su versión fuerte es: y´≥ y ⇒ L( y´) ⊆ L( y ) (6)
A la vista de estas dos expresiones, se puede comprobar que todo punto perteneciente al
conjunto eficiente forma parte también de la isocuanta [EffL( y ) ⊆ IsoqL( y )] , pero no
necesariamente a la inversa (si x ∈ IsoqL( y ) no implica que x ∈ EffL( y ) ). A partir de
73
los anteriores conceptos se puede definir la medida de eficiencia de Debreu- Farell de
un modo más formal, mediante la función distancia orientada al input (Shephard, 1970):
DI ( y, x) = min{λ : λx ∈ L( y )} (10)
donde λ es un escalar perteneciente al intervalo (0,1) que mide la distancia radial que
separa al vector input de la frontera de producción.
La Figura 1.1 permite ilustrar la medida de la eficiencia técnica con sus dos posibles
orientaciones: (a) minimización de inputs y (b) maximización de outputs. A través de
estos dos gráficos pueden apreciarse mejor las diferencias entre las definiciones
propuestas por Koopmans y Debreu-Farrell.
La medida de eficiencia desarrollada por Debreu y Farrell considera que todos los
productores que se sitúan sobre la isocuanta L(y) o P(x) son eficientes. Sin embargo, la
definición de Koopmans es mucho más estricta, puesto que para que una unidad sea
74
considerada como eficiente exige que, además de pertenecer a la isocuanta, debe formar
parte del subconjunto eficiente.
En la Figura 1.1 pueden encontrarse productores eficientes según las dos definiciones
(puntos C y D) e ineficientes (A y B). No obstante, si nos fijamos en las proyecciones
75
sobre la frontera, la del punto A es eficiente según los dos criterios, mientras que la de B
sólo lo es según la medida de Debreu-Farrell, se sitúa sobre la isocuanta, pero no sobre
el subconjunto eficiente.
76
La ineficiencia técnica en la que incurre la unidad P puede definirse mediante el ratio
OQ/OP, a partir del cual se obtiene una medida de la proporción en la que deben
reducirse los inputs empleados por P ( X 1* , X 2* ) para convertirse en eficiente: 1 –
OQ/OP. La unidad Q, sin embargo, sí es eficiente puesto que se sitúa en la isocuanta
(OQ/OQ = 1).
Finalmente, Farrell define una medida de eficiencia global (EG) como el producto de la
eficiencia técnica (ET) y la eficiencia asignativa (EA):
77
empírica ha tenido una extraordinaria repercusión en la literatura aplicada posterior
sobre la medición de la eficiencia. Para explicar esta propuesta nos apoyamos de nuevo
en el análisis gráfico. En la Figura 1.3 se representan, mediante puntos, las
combinaciones de dos inputs (trabajo y capital) utilizadas por diferentes unidades
productivas para obtener una unidad de output.
Y0
0
L
A partir de estas condiciones es fácil deducir que la isocuanta eficiente está representada
por la curva Y 0 , es decir, por el conjunto de puntos más próximos al origen. Una vez
determinada la isocuanta eficiente, el proceso empleado para medir la eficiencia de
cualquier unidad productiva es el mismo que el que se expuso anteriormente. Es decir,
se trata de comparar cada entidad que no pertenece a la frontera con otra entidad
eficiente que utilice los factores productivos en la misma proporción (esto es, que se
encuentre en el mismo radio vector desde el origen), que puede ser real o hipotética,
gracias a la asunción del supuesto de convexidad.
78
Así, en la Figura 2.3, la eficiencia del punto A se mide comparando los factores que
utiliza con los que usa la unidad ficticia Q. De este modo, la frontera eficiente que
propone Farrell está constituida por las unidades productivas reales que utilizan las
menores cantidades de factores productivos por unidad de output, en comparación con
las demás, y por un conjunto de unidades hipotéticas que representan una media
ponderada de los de las unidades reales que delimitan el tramo que las define. La
esencia del método propuesto por Farrell radica precisamente en la construcción de esas
unidades hipotéticas y no en la representación de la isocuanta.
b) El concepto de productividad
La productividad puede variar a lo largo del tiempo debido a diferentes motivos, aunque
quizás el más importante sea el progreso técnico o cambio tecnológico. Gráficamente,
en la Figura 2.4 se puede observar que la unidad A puede mejorar su situación relativa,
pasando al punto A´, situándose más cerca de la frontera marcada por la tecnología Ts.
Sin embargo, si la tecnología de producción ha cambiado y está representada por Tt, la
unidad no habrá mejorado tanto en términos relativos, puesto que su distancia a la
frontera es similar a la que existía en el momento inicial.
79
Figura 2.4. Cambio tecnológico y efecto sobre la eficiencia y la productividad
Para poder tener en cuenta esta información, resulta habitual utilizar medidas que
contemplen todos los outputs e inputs implicados en el proceso productivo, lo que en la
literatura se conoce por productividad global de los factores. Si se considera una unidad
productiva que produce un único output empleando un único input, este concepto puede
definirse como:
yt
PGF t = (16)
xt
y t +1
PGF t +1 y t
PGF t [
= t +1
x
xt
] (17)
80
También se puede expresar en como la diferencia entre la tasa de crecimiento del output
menos la tasa de crecimiento de los inputs (Jorgenson y Griliches, 1967):
[ ] [ ] [
ln ( PGF t +1 / PGF t = ln y t +1 − y t − ln x t +1 − x t ] (18)
De ellos, los que han encontrado una mayor aceptación entre la comunidad
investigadora han sido los modelos tipo frontera, pues se adaptan mejor a la idea de
comparar el comportamiento de unas unidades (ineficientes) con el de las que alcanzan
la máxima producción (situadas en la frontera). Con el enfoque alternativo, la referencia
se construye con la información proporcionada por todas las unidades que componen la
muestra, incluyendo a aquellas que presentan unos peores resultados. Además, un
estándar de actuación de tipo medio tiende a institucionalizar la ineficiencia y es
inconsistente con la noción teórica de eficiencia que se refiere a un comportamiento
maximizador (Ganley y Cubbin, 1992).
En nuestra investigación seguimos un modelo tipo frontera para medir la eficiencia. Con
este propósito, a continuación se define el concepto de función frontera y se exponen las
principales características de los distintos enfoques aplicables al cálculo de la misma. El
81
concepto de función de producción frontera se interpreta como la relación técnica que
define el máximo nivel de output que se puede obtener dados unos inputs y una
tecnología. Es decir, la función frontera representa el límite máximo de producción que
sirve de referencia para el cálculo de la ineficiencia del resto de las unidades
observadas. Sin embargo, como la frontera no es observable en la práctica, normalmente
ésta se calcula a partir de las mejores prácticas observadas de entre todas las unidades
evaluadas.
Los modelos paramétricos utilizan una forma funcional predeterminada con parámetros
constantes para construir la función de producción que posteriormente estiman mediante
técnicas econométricas, excepto en algunos casos particulares en los que se emplea la
programación matemática, como ocurre en Aigner y Chu (1968). La eficiencia se mide
con respecto a esta función estimada, que será distinta según la forma funcional
especificada a priori. Las dos formas funcionales más habituales en los trabajos
aplicados son la Cobb-Douglas, que supone una elasticidad de sustitución igual a uno y
efectos marginales de primer orden, o una opción más flexible representada por la
función translogarítmica 9.
8
Para una excelente discusión de las ventajas e inconvenientes que plantean las técnicas paramétricas y
no paramétricas así como las fronteras determinísticas y estocásticas puede acudirse a Lovell (1993).
9
Esta función fue propuesta originalmente por Heady y Dillon (1961) y popularizada posteriormente por
Christensen et al. (1971).
82
Función Cobb Douglas: ln y i = β 0 + ∑ β i ln x i + ε (16)
i
N
1 N N
Función translog: ln y = β 0 + ∑ β n ln ( xni ) + ∑∑ β mn ln(xmi )ln(xni ) (17)
n =1 2 m =1 n =1
Dentro de los modelos que siguen esta aproximación paramétrica puede hacerse otra
distinción en función de que tengan un carácter determinístico o estocástico. Los
primeros atribuyen toda la desviación de la frontera a la ineficiencia técnica, de modo
que su función de producción puede definirse como Y = f ( x) − u , donde u es una
perturbación aleatoria que mide la distancia de cada unidad a la frontera de producción,
a la que se impone una forma particular de su distribución. Los trabajos de Afriat
(1972), Richmond (1974), Schmidt (1976) y Greene (1980) desarrollan estudios de
estimaciones de frontera con estas características.
Por su parte, las fronteras estocásticas consideran que las unidades evaluadas pueden
verse afectadas por diversos factores al margen de la propia ineficiencia del productor,
con lo que la función de producción pasa a tener la siguiente forma: Y = f (x) + ε ;
donde ε = v − u . En este caso, el componente aleatorio v representa sucesos que no son
controlables por la unidad, como la suerte o posibles errores de medida derivados de la
no consideración de variables significativas en el modelo, mientras que u representa una
medida de la ineficiencia 10.
10
Para profundizar en el estudio de las fronteras estocásticas puede consultarse el trabajo de Kumbhakar
y Lovell (2000).
83
La forma funcional específica dependerá de los supuestos que se hagan sobre la
distribución de ν y u. Aigner, Lovell y Schmidt (1977) y Meeusen y van den Broeck
(1977) fueron los primeros que establecieron una especificación concreta para cada uno
de ellos, al considerar que v sigue una distribución normal, mientras que u tiene una
distribución seminormal. No obstante, existen multitud de extensiones de esta propuesta
(Battese y Coelli, 1995).
Una de las principales ventajas que plantea el uso de este enfoque, además de considerar
en el análisis posibles factores explicativos de las desviaciones respecto a la frontera al
margen de la propia ineficiencia de los productores, es la posibilidad de realizar tests
estadísticos previos que permitan conocer cuáles son las variables explicativas que
deben ser incluidas en el modelo y la menor influencia de las unidades extremas, al
utilizarse las medias de los mejores comportamientos como referencia para desplazar la
frontera hacia arriba.
Las principales críticas que han recibido estos modelos se basan en que los resultados
obtenidos están fuertemente condicionados por los supuestos que asume respecto a la
forma funcional especificada y la distribución del error, sobre todo cuando únicamente
se dispone de datos de corte transversal. Además, su adaptación a un contexto multi-
output resulta compleja, siendo necesaria en muchos casos la agregación de todos los
outputs en uno solo, con la consiguiente pérdida de información que este proceso
conlleva 11. Estos argumentos nos han llevado a descartar su uso en la aplicación
empírica que se presenta en el capítulo siguiente.
11
No obstante, los modelos paramétricos pueden ser acomodados a situaciones de múltiples outputs de
diversas maneras, entre las que destaca la posibilidad de sustituir la frontera de producción por una
función distancia (Coelli y Perelman, 2001).
84
Por contra, estos métodos presentan como limitación más significativa su carácter
determinístico, esto es, que cualquier desviación de la frontera productiva se atribuye a
un comportamiento ineficiente por parte de los productores, dificultando su aplicación
en aquellos casos en los que se detecten errores de medida o existan observaciones
extremas (outliers). Además, su carácter no paramétrico hace que las variables incluidas
en el análisis no posean propiedades estadísticas y que la contrastación de hipótesis
resulte compleja.
El DEA se da a conocer con la publicación del trabajo realizado por Charnes, Cooper y
Rhodes (1978), en el que se planteó una nueva vía para obtener estimaciones empíricas
de relaciones extremas, como sucede con las funciones de producción (conjuntos de
posibilidades de producción eficientes). El objetivo del DEA es obtener una envolvente
que incluya a todas las unidades eficientes, junto con sus combinaciones lineales,
quedando el resto de unidades (ineficientes) por debajo de la misma. Dicha envolvente
85
se identifica con la figura de la frontera eficiente, de manera que la distancia de las
unidades ineficientes a la envolvente proporciona una medida de su nivel de
ineficiencia. En consecuencia, la medida de eficiencia obtenida mediante el DEA es
relativa, puesto que a cada unidad se la compara con aquellas que operan con un valor
similar de inputs y outputs, con el propósito de determinar su situación en la envolvente
(si es eficiente) o identificar sus unidades de referencia de cara a una mejora posterior
de sus resultados (en el caso de ser calificada como ineficiente).
La manera más intuitiva de aproximarse a la idea que subyace en esta técnica es a través
de su programa fraccional, en el que se plantea un problema de maximización o
minimización (según la orientación) de un ratio de productividad total para cada unidad
evaluada 13:
∑v x i i0
Min h0 (u , v) = i =1
s
∑u
r =1
r yr 0
∑v x i ij
s.a. i =1
s
≥1
∑u
r =1
r y rj
12
Este término es la abreviatura de “Decision Making Unit” empleada por los autores para referirse a los
productores evaluados.
13
Se presentar únicamente la formulación orientada a la minimización del input, basándonos en que es la
que se emplea posteriormente en el estudio empírico. La formulación orientada al output, análoga a la que
aquí se expone, se puede consultar en cualquiera de los manuales desarrollados sobre la metodología
DEA, como por ejemplo Charnes et al. (1994) o Cooper et al. (2000).
86
vi , u r ≥ 0
evaluada; y rj , xij son los outputs e inputs de la unidad j y vi , u r ≥ 0 son los pesos
El objetivo perseguido por este método es pasar de una situación de múltiples inputs y
outputs a otra con un único input y un único output “virtuales”, mediante la asignación
de las ponderaciones más favorables a las diferentes variables, las cuales varían para
cada unidad. La eficiencia de cada productor viene dada por el máximo ratio posible
entre inputs y outputs ponderados, sujeto a unas restricciones que reflejan la actividad
del resto de productores. Dichas restricciones exigen que la relación entre el output
virtual y el input virtual estimado para cada unidad ha de ser menor o igual a uno.
m
Min q = ∑ vi xi 0
i =1
s
s.a. ∑u
r =1
r yr 0 = 1
87
m s
∑ vi xij − ∑ u r yrj ≥ 0
i =1 r =1
rj
vi , u r ≥ 0
Min θ0
n
s.a. ∑λ x
j =1
j ij ≤ θxi 0
∑λ
j =1
j y rj ≥ y r 0
λj ≥ 0
En este caso, si θ =1, la unidad evaluada se considerada eficiente, pues no existe otra
que produzca más o que consiga el mismo nivel de producción con menores recursos
que ella.
14
Esta preferencia por el modelo dual se explica por el importante esfuerzo computacional que requiere la
resolución del modelo de programación lineal (Cooper, Seiford y Tone, 2000).
88
permite detectar posibles reducciones adicionales en los inputs o incrementos
potenciales en los outputs mediante la incorporación al modelo dual de las denominadas
variables de holgura o slacks, que reflejan las diferencias entre las dos medidas
alternativas de eficiencia explicadas con anterioridad (Koopmans y Debreu-Farrell).
Para los inputs estas holguras representan la cantidad que se podría ahorrar cada
productor en la utilización de los mismos en el caso de ser eficiente, mientras que, para
los outputs se identifican con cuánto podría incrementar la producción si alcanzara un
comportamiento eficiente.
n n
si− = xi 0 − ∑ λ j xij s r+ = ∑ λ j y rj − θy r 0 (21)
j =1 j =1
donde si− refleja el exceso de input i y s r+ la carencia del output r. De este modo, el
modelo dual de maximización del output adopta la siguiente forma:
m s
Min θ − ∑ si− + ∑ s r+
i =1 r =1
n
s.a. ∑λ x
j =1
j ij + si− = θxi 0 i = 1,2,.....,m
∑λ
j =1
j y rj − s r+ = y r 0 r = 1,2,…..,s
El modelo DEA expuesto, pese a su enorme utilidad, representa sólo el punto de partida
en el desarrollo de esta técnica, cuya aplicación ha experimentado un crecimiento
89
exponencial en las dos últimas décadas 15. Fruto de este desarrollo, pueden encontrarse
en la literatura diversos trabajos que plantean ampliaciones del modelo original. Es
obvio que la realización de un análisis exhaustivo de todas ellas está fuera del alcance
de esta investigación. Sin embargo, en las siguientes líneas se exploran las propuestas
que nos van a resultar de mayor utilidad en la implementación de la aplicación empírica
presentada en el capítulo tercero. Concretamente, se abordarán las siguientes cuestiones:
Este supuesto fue relajado por Banker et al. (1984) con la inclusión de una nueva
restricción en el programa que permite rendimientos variables de escala en la
n
producción: ∑ λ j = 1 . Con esta restricción adicional, las unidades ineficientes son
j =1
comparadas únicamente con otras que operan en la misma escala. De esta forma se dota
de mayor flexibilidad a la técnica, al facilitar la realización del análisis en aquellos
casos (muy comunes) en los que no todas las unidades evaluadas operan en una escala
similar.
A través del análisis gráfico puede apreciarse el efecto de esta modificación del
programa original en la construcción de la frontera eficiente. En la Figura 1.6 se
representa el caso más sencillo, un proceso productivo en el que se utiliza un solo input
15
Véase Emrouznejad y Yang (2017) para una excelente revisión de la bibliografía sobre DEA en los
últimos cuarenta años.
90
para producir un solo output. En ella se puede comprobar que la envolvente construida
con el modelo con rendimientos constantes de escala (1) se representa mediante un
radio vector que, partiendo del origen, pasa por la única unidad considerada eficiente
con rendimientos constantes de escala (B), la de mayor ratio output/input, situándose
por debajo el resto de unidades (A, C, D y E), que en este caso serían calificadas como
ineficientes. Por el contrario, si se asumen rendimientos variables de escala (2), la
frontera se construye mediante combinaciones lineales convexas de las unidades que se
consideran mejor práctica, independientemente de que éstos presenten rendimientos
constantes, decrecientes o crecientes de escala. De esta forma, se obtiene una nueva
frontera lineal por tramos formada por los puntos A, B, C y D, donde sólo B se sitúa en
la escala óptima, mientras que C y D se sitúan en una escala superior y A en una
inferior. La unidad E vuelve a ser ineficiente.
91
contextos complejos como el sanitario, suelen asumirse rendimientos variables para
poder captar la heterogeneidad que caracteriza a los distintos productores.
La principal ventaja que ofrece esta aproximación es que permite detectar tendencias en
los niveles de eficiencia a lo largo del tiempo (Asmild et al., 2004). Además, el uso de
esta extensión de la técnica original permite discriminar entre unidades eficientes e
ineficientes cuando la muestra disponible es relativamente pequeña en relación al
número de variables incluidas en el análisis. Según la regla establecida por Banker et al.
(1989), para poder obtener resultados con la técnica DEA que tengan suficiente poder
de discriminación es necesario que el número de observaciones sea al menos el triple de
la suma de variables (inputs + outputs). Cuando esta regla no se cumpla con datos de
sección cruzada, la utilización del DEA window con datos de panel es una alternativa
válida que permite dar solución al problema.
16
Charnes et al. (1985) proponen utilizar una ventana de tres períodos. Este mismo criterio ha sido
utilizado en otros estudios empíricos posteriores (por ejemplo, Asmild et al. 2004, Webb, 2003 o Halkos
y Tzeremes, 2011).
92
ytn ( y1nt , y 2nt ,..., y stn ) . La ventana (window) que comienza en el período k, siendo 1 ≤ k ≤ T
xkw = ( x1k , xk2 ,..., xkN , x1k +1 , xk2+1 ,..., xkN+1 , x1k + w , xk2+ w ,..., xkN+ w ) (23)
θ k′ t = min θ
w
s.a. − X kw λ + θxt′ ≥ 0
Ykw λ − Yt′ ≥ 0
λn ≥ 0 (n = 1,..., N × w) (25)
N
Para considerar rendimientos variables de escala, se añadiría la restricción ∑λ
i =1
n =1
93
Charnes et al. (1981) fueron pioneros en el desarrollo de un método que permitía
detectar potenciales diferencias entre programas. Este modelo consta de varias fases
secuenciales. En primer lugar, se divide la muestra y se calculan los índices de
eficiencia mediante el modelo DEA para cada una de las submuestras. El siguiente paso
consiste en proyectar a las unidades ineficientes a cada frontera, es decir, sustituir los
valores originales de las variables (inputs o outputs, según la orientación utilizada) por
los objetivos de producción (targets) estimados por el modelo DEA. Mediante este
procedimiento se pretende compensar las diferencias entre unidades operando dentro del
mismo programa (ineficiencia individual). Una vez anuladas estas diferencias, se realiza
un análisis DEA incluyendo a todas las unidades con sus datos modificados. Mediante
la comparación entre los resultados de este segundo análisis con los obtenidos en la
etapa inicial utilizando para ello algún test de diferencia de medias, como por ejemplo el
test no paramétrico de Mann-Whitney (Brockett y Golany, 1996).
94
corresponde al modelo de producción será la parte residual de la ineficiencia global que
no se debe a la ineficiencia individual. En el gráfico, dicha ineficiencia estará
determinada por el índice Z´Z´´´/Z´Z´´. Por tanto, la ineficiencia global se puede
descomponer en dos partes, la que corresponde a la propia unidad y la atribuible al
programa. Para obtener estas medidas no es necesario realizar ningún ajuste sobre los
datos originales, sino que basta con calcular un índice de eficiencia para cada
submuestra operando bajo un programa y un índice de eficiencia para la muestra
completa.
Este planteamiento sirvió como base a Battese y Rao, (2002), Battese et al. (2004) y
O`Donnell et al. (2008) para desarrollar el enfoque metodológico conocido como
función de producción metafrontera. Según dicho planteamiento, la metafrontera
envuelve varios grupos de fronteras, siendo posible su descomposición en dos medidas:
la ineficiencia intra-grupo, que es el nivel de eficiencia que tiene cada unidad en
relación a las que tienen su misma tecnología, y la ineficiencia que mide la distancia
entre el grupo y la metafrontera, que representa el carácter restrictivo del entorno de
producción tecnológica.
95
2.3.3. Aproximación mixta: Modelo StoNED
96
En el trabajo posterior de Kuosmanen y Johnson (2010) se establece una equivalencia
entre la regresión CNLS y el modelo tradicional del DEA. Estos autores muestran que la
metodología estándar del DEA, bajo el supuesto de orientación output y considerando
rendimientos variables de escala, puede ser reformulada como una regresión no
paramétrica de mínimos cuadrados convexos cuya frontera está sujeta a diferentes
restricciones (monotonía y convexidad), así como los residuos de la regresión están
sujetos a una restricción en signo.
Como primer paso del método propuesto, se obtendrá la frontera aplicando una
regresión CNLS, que no asume a priori ninguna forma funcional concreta para la
frontera, sino que identifica la función que mejor se ajuste a los datos de entre una
familia de funciones (𝐹2 ) que cumplan los requisitos de concavidad, continuidad y
monotonía creciente, y que pueden ser no derivables. El estimador CNLS se obtendrá
como la solución óptima al problema:
𝑠. 𝑎. 𝑓 ∈ 𝐹2 (27)
97
Como se indicaba previamente, este problema de dimensión infinita tiene una
representación equivalente de dimensión finita cuando se reformula al siguiente
problema de programación cuadrática (QP) (Kuosmanen, 2008):
min �(𝜀𝑖𝐶𝑁𝐿𝑆 )2
𝛼,𝛽,𝜀
𝑖=1
𝑠. 𝑎.
𝑦𝑖 = 𝛼𝑖 + 𝜷′𝑖 𝒙𝑖 + 𝜀𝑖𝐶𝑁𝐿𝑆 ∀ 𝑖
𝛼𝑖 + 𝜷′𝑖 𝒙𝑖 ≤ 𝛼ℎ + 𝜷′ℎ 𝒙𝑖 ∀ ℎ, 𝑖
𝜷𝑖 ≥ 𝟎 ∀ 𝑖 (28)
donde 𝜀𝑖𝐶𝑁𝐿𝑆 son los residuos de la regresión y los coeficientes 𝛼𝑖 y 𝜷𝑖 caracterizan los
hiperplanos tangentes de la función desconocida 𝑓(𝒙𝑖 ) en el punto 𝒙𝑖 . Las restricciones
con desigualdades son las conocidas Afriat inequalities (Afriat, 1972), que son la clave
para modelar el axioma de concavidad en el marco de la regresión múltiple general.
Estos coeficientes además, caracterizan una función por segmentos lineal y convexa.
Esta regresión calcula la forma de la frontera así como los valores esperados de los
residuos estimados (𝜀̂𝑖 ). Partiendo los resultados obtenidos, el siguiente paso consiste
en identificar qué parte de la desviación de la frontera es atribuible a la ineficiencia y
qué parte al error estocástico. La segunda etapa del método StoNED plantea la
aplicación de métodos paramétricos o no paramétricos para estimar las varianzas de los
términos de ineficiencia y ruido, que a su vez están basadas en la asimetría de los
residuos 𝜀𝑖𝐶𝑁𝐿𝑆 obtenidos de la regresión en la etapa anterior. El término de ruido se
asume que es simétrico, por lo que la asimetría de los residuos se atribuye al término de
ineficiencia.
Aunque existen diferentes alternativas para el cálculo de las varianzas 17, una de las
opciones más habituales es el empleo del Método de los Momentos (Aigner et al. 1977).
Esta técnica se utiliza comúnmente en el ámbito paramétrico para las estimaciones
mediante MOLS (Modified Ordinary Least Squares) de los modelos SFA (Stochastic
17
En el trabajo de Kuosmanen and Kortelainen (2012) se analiza esta segunda etapa del modelo StoNED
aplicando el método denominado “pseudolikelihood” como alternativa.
98
Frontier Analysis) (Greene, 2008). El uso del método de los momentos implica la
imposición de restricciones más específicas para las distribuciones de ineficiencia y
ruido, siendo el modelo de distribuciones más común el coloquialmente denominado
“normal-half normal”, que asume un término de ruido distribuido
normalmente: 𝑣𝑖 ~𝑁(0, 𝜎𝑣2 ), y un término de ineficiencia distribuido de forma semi-
normal: 𝑢𝑖 ~𝑁 + (0, 𝜎𝑢2 )18 . Como los residuos de la regresión CNLS suman cero:
P
𝑛
(𝜀̂𝑖𝐶𝑁𝐿𝑆 )2
�2 = �
𝑀
(𝑛 − 1)
𝑖=1
𝐶𝑁𝐿𝑆 3
�3 = ∑𝑛𝑖=1 (𝜀�𝑖 )
𝑀 (29)
(𝑛−1)
𝜋−2
𝑀2 = � 𝜋
� 𝜎𝑢2 + 𝜎𝑣2
2 4
𝑀3 = ��𝜋� �1 − 𝜋� 𝜎𝑢3 (30)
�3
𝑀
𝜎�𝑢 = 3
� 2 4
��𝜋� �1 − 𝜋�
�2 − �𝜋−2� 𝜎𝑢2
𝜎�𝑣 = �𝑀 (31)
𝜋
18
Existen otros modelos que difieren de éste principalmente en la distribución de la ineficiencia, como
por ejemplo el modelo normal-exponencial. Para comprender las particularidades de los diferentes
modelos puede acudirse a Kumbhakar y Lovell (2000).
99
A continuación, pueden emplearse métodos paramétricos para estimar la ineficiencia
por unidad. En particular, Jondrow et al. (1982) desarrollan una fórmula para la
distribución condicional de la ineficiencia 𝑢𝑖 dado 𝜀𝑖 , usando como estimador la media
condicional 𝐸�𝑢𝑖 �𝜀𝑖𝐶𝑁𝐿𝑆 �. El valor esperado condicional de la ineficiencia puede ser
calculado a partir de:
⎡ 𝜙� 𝜀�𝑖𝜎�𝑢 � ⎤
�𝑢 𝜎
𝜎 �𝑣 ⎢ �2
� 𝑣 �𝜎
𝜎 �2
𝑢 +𝜎 𝑣 𝜀�𝑖 𝜎
�𝑢 ⎥
𝐸(𝑢𝑖 |𝜀̂𝑖 ) = ⎢ − ⎥ (32)
�𝑢2 +𝜎
�𝜎 �𝑣2 2 2
⎢1−Φ� 𝜀�𝑖𝜎�𝑢 � 𝜎�𝑣�𝜎�𝑢+𝜎�𝑣 ⎥
⎣ �2
� 𝑣 �𝜎
𝜎 �2
𝑢 +𝜎 𝑣 ⎦
Este modelo base puede adaptarse a un contexto dinámico cuando se disponga de datos
longitudinales (Kuosmanen et al., 2015), es decir, cuando se dispone de diferentes
observaciones para la misma unidad en distintos periodos de tiempo (𝑡 = 1, … 𝑇). De
esta forma, la ecuación inicial para estimar la eficiencia pasaría a considerarse de tal
forma que:
donde 𝑓 es una función de producción de tipo frontera que no varía con el paso del
tiempo y es compartida para cada una de las unidades analizadas. Asimismo, el término
obtenido de ineficiencia (𝑢𝑖 ) no cambia con el transcurso del tiempo, sin embargo, en el
caso del ruido aleatorio (𝑣𝑖𝑡 ) sí se produce una variación. De esta forma, se hace
necesaria la adaptación del estimador CNLS a datos de panel, tal que:
𝑇 𝑛
min � � 𝜀𝑖𝑡2
𝑡=1 𝐼=1
100
𝜷´𝑖𝑡 ≥ 0 ∀𝑖 = 1, … , 𝑛 ∀𝑡 = 1, … , 𝑇 (34)
En este caso, los diferentes coeficientes 𝛼𝑖𝑡 y 𝜷´𝑖𝑡 son calculados de forma específica
para cada una de las unidades y cada año objeto de estudio. Como el número de
restricciones en el problema es función cuadrática del número de observaciones (n) y
del número de periodos (T), la computación del problema se complica notablemente
(Kuosmanen y Kortelainen, 2012) aunque es posible emplear los algoritmos
disponibles. No obstante, para llegar a obtener una solución óptima se requiera estimar
los diferentes efectos para cada unidad tal que:
1 1
𝜀̅𝑖 = 𝑇 ∑𝑇𝑡=1 𝜀̂𝑖𝑡 = 𝑇 ∑𝑇𝑡=1(𝑦𝑖𝑡 − (𝛼𝑖𝑡 + 𝜷′𝑖𝑡 𝒙𝑖𝑡 )) (35)
Por último, cabe señalar algunas limitaciones que deben tenerse en cuenta al utilizar este
enfoque. La primera de ellas es que se trata de un método computacionalmente
intensivo, es decir, requiere la estimación de un gran número de modelos alternativos
hasta alcanzar una solución óptima, lo que dificulta su aplicación cuando se dispone de
una base de datos relativamente grande. Para tratar de corregir este problema, varios
autores han desarrollado nuevos algoritmos para resolver la formulación CNLS (por
ejemplo, Lee et al., 2013, Mazumder et al., 2015). No obstante, todavía se requieren
101
muchas más mejoras para que su aplicación esté al alcance de cualquier usuario. Otro
aspecto relevante que merece ser destacado es que, al estar basado en una estructura
similar a las fronteras estocásticas, presenta las mismas dificultades que éstas a la hora
de ser aplicado en un contexto multi-output. Recientemente, Kuosmanen y Johnson
(2017) han desarrollado un método basado en el uso de funciones distancia
direccionales (Chambers et al. 1996) que permite la aplicación del método StoNED en
un contexto multi-output. Sin embargo, hasta el momento, esta metodología no ha sido
aplicada en estudios empíricos para obtener medidas de la eficiencia de unidades reales.
La formulación de este índice fue introducida por Caves et al. (1982) y mejorada
posteriormente por Fare et al. (1992). Esta técnica no requiere conocer los precios de los
diferentes inputs y outputs 19, ni asumir ningún supuesto acerca del comportamiento de
los productores, pero sí exige la estimación de una representación de la tecnología de
producción.
19
Este requisito sí es necesario para calcular otros índices como los propuestos por Fisher (1922) o
Tornqvist (1936).
102
Basándonos en la definición de la función distancia de Shephard orientada al output
(ecuación 14), el cálculo del índice de Malmquist (MPI) requiere considerar dos
períodos de tiempo distintos (t y t+1) 20:
DCt ( xt +1 , y t +1 )
MPI t
C (x , y , x
t t t +1
,y t +1
)= DCt ( xt , y t )
.
(38)
DCt ( xt +1 , y t +1 ) DCt +1 ( xt +1 , y t +1 )
1/ 2
MPI C ( x=
t
,y ,x ,y ) t t t ×
t t +1 t +1
(39)
DC ( x , y ) DCt +1 ( xt , y t )
MPI C ( x , y , x , y ) = t t t × t +1 t +1 t +1 × t +1 t t
t t t +1 t +1
DC ( x , y ) DC ( x , y ) DC ( x , y ) (40)
= EC ( xt , y t , xt +1 , y t +1 ) × ΤC ( xt , y t , xt +1 , y t +1 ) .
20
El sufijo “C” indica que se están considerando rendimientos constantes de escala (CRS).
103
Esta descomposición está basada en el uso de una tecnología de producción con
rendimientos constantes de escala, mediante la cual nos aproximamos a la noción del
producto medio (Grosskopf, 2003). No obstante, esta definición puede generar
problemas de consistencia cuando este supuesto no sea aplicable, es decir, si existen
rendimientos de escala en la producción (Balk, 2001). Tomando como referencia este
argumento, Färe et al. (1994b) redefinieron el cambio en la eficiencia de la siguiente
manera:
= PEC ( xt , y t , xt +1 , y t +1 ) × SCA ( xt , y t , xt +1 , y t +1 ) .
=
MPI ( xt , y t , xt +1 , y t +1 ) PEC ( xt , y t , xt +1 , y t +1 ) × SCA ( xt , y t , xt +1 , y t +1 )
(42)
× TC ( x , y , x , y
t t t +1 t +1
).
Basándose en esta descomposición, Ray and Desli (1997) propusieron una nueva
descomposición del índice de productividad de Malmquist en el que la que se utiliza
una frontera con rendimientos variables de escala como referencia:
=
MPI ( xt , y t , xt +1 , y t +1 ) PEC ( xt , y t , xt +1 , y t +1 ) × SCH ( xt , y t , xt +1 , y t +1 )
(43)
× PTC ( x , y , x , y
t t t +1 t +1
)
donde
21
De manera análoga, también puede descomponerse el cambio tecnológico en dos componentes, el
cambio tecnológico puro y el cambio de escala (Wheelock y Wilson, 1999).
104
DVt +1 ( xt +1 , y t +1 )
PEC ( x , y , x , y
t t t +1 t +1
)= ,
DVt ( xt , y t )
(44)
DVt ( xt +1 , y t +1 ) DVt ( xt , y t )
1/ 2
PTC ( x=
t
, y , x , y ) t +1 t +1 t +1 × t +1 t t
t t +1 t +1
DV ( x , y ) DV ( x , y )
SCH ( xt , y t , xt +1 , y t +1 )
× (45)
DC ( x , y ) / DV ( x , y ) DC ( x , y ) / DV ( x , y )
t t t t t t t +1 t t t +1 t t
SE t ( xt +1 , y t +1 ) SE t +1 ( xt +1 , y t +1 )
1/ 2
= ×
SE ( x , y ) SE t +1 ( xt , y t )
t t t
D t ( xt +1 , y t +1 ) y D t +1 ( xt , y t ) :
( D (x , y h′ ,t ) )
−1
h′ ,t
t
= maxϑ h′
H
st ∑ u h ,t yqh ,t ≥ϑ h′ yqh′,t q =
1,..., Q
h =1
(46)
H
∑=
u x
h =1
h ,t h ,t
p
′ ,t
x hp= p 1,..., P
u h ,t ≥ 0 h=
1,..., H
105
( D (x , y h′,t +1 ) )
−1
h′,t +1
t
= maxϑ h′
H
st ∑ u h ,t yqh ,t ≥ϑ h′ yqh′,t +1 q =
1,..., Q
h =1
(47)
H
∑u x x=
=
h =1
h ,t
p 1,..., P h ,t
p
h′,t +1
p
u h ,t ≥ 0 h=
1,..., H ,
( D (x , y h′,t +1 ) )
−1
h′,t +1
t +1
= maxϑ h′
H
st ∑ u h ,t +1 yqh ,t +1 ≥ϑ h′ yqh′,t +1 q =
1,..., Q
h =1
(48)
H
∑=
u x
h =1
h ,t +1 h ,t +1
p
′,t +1
x hp= p 1,..., P
u h ,t +1 ≥ 0 h=
1,..., H ,
( D (x , y h′ ,t ) )
−1
h′ ,t
t +1
= maxϑ h′
H
st ∑ u h ,t +1 yqh ,t +1 ≥ϑ h′ yqh′,t q =
1,..., Q
h =1
(49)
H
∑ u=
x
h =1
h ,t +1 h ,t +1
p
′ ,t
x hp= p 1,..., P
u h ,t +1 ≥ 0 h=
1,..., H .
106
Efron (1979) y se caracteriza por ser un método basado en cálculos intensivos
destinados a obtener medidas de la precisión de las estimaciones.
1. Se calculan los índices de Malmquist para cada unidad resolviendo los programas
lineales expuestos anteriormente y se determinan cada uno de los componentes.
2. Se obtiene una pseudo muestra ( X t* , Yt* ) para cada unidad y período de tiempo para
poder construir la tecnología bootstrap de referencia mediante el uso de las
distribuciones de densidad kernel y el método de reflexión.
4. Repetir los pasos 2 y 3 tantas veces como sea necesario hasta disponer de un conjunto
suficiente de estimaciones bootstrap. Simar y Wilson (2000) recomiendan que el
proceso debe repetirse 2.000 veces (B = 2.000).
22
Para una descripción más detallada de estos métodos véase Efron y Tibshirani (1993) o Simar y Wilson
(2000).
107
2.5. MEDICIÓN DE LA EFICIENCIA Y LA PRODUCTIVIDAD EN EL
CONTEXTO SANITARIO
El sector sanitario es uno de los que más se han visto afectados por este tipo de
prácticas, al ser una de las principales partidas presupuestarias del gasto público, como
reflejo de la intensa preferencia por la salud que muestran las personas (Tyson, 2002).
Además, el gasto en este sector está sometido a un crecimiento continuo como
consecuencia de los desarrollos científicos y tecnológicos (Skinner y Staiger, 2015) y la
ampliación de la esperanza de vida de los ciudadanos (Barros, 1998, Zweifel et al.,
1999; De Meijer et al., 2013). En este contexto, la forma en la que se asignan los
recursos, así como las expectativas sobre el uso de los mismos tiene importantes
implicaciones en lo que concierne a la toma de decisiones.
En los últimos años son muchos los estudios que han tratado de obtener medidas de
eficiencia y productividad en este ámbito, tanto desde una perspectiva global,
analizando el sistema sanitario como conjunto (Evans et al., 2000; Hollingsworth y
Wildman, 2003; Greene, 2004; Afonso y StAubyn, 2005, entre otros), como analizando
organizaciones sanitarias concretas (hospitales o centros de atención primaria) que
producen servicios sanitarios en un determinado entorno geográfico (Li y Benton, 1996;
Hollingsworth et al., 1999; Salinas y Smith, 1996; O´Neill et al., 2008) o problemas de
salud específicos (Häkkinen y Joumard, 2007).
108
Dentro del ámbito sanitario, los centros hospitalarios normalmente son las unidades que
más recursos consumen, por lo que la identificación de posibles ineficiencias en la
gestión de estos centros resulta fundamental para poder aprovechar mejor los recursos
disponibles (Zweifel et al., 2009). La actividad hospitalaria, al igual que ocurre con
muchos servicios públicos, resulta difícil de definir y, en consecuencia, de poder ser
evaluada por la conjunción de varios motivos. Los objetivos perseguidos son múltiples,
complejos y muy diversos, dependiendo habitualmente de la tipología de los pacientes
atendidos. Además, la definición del proceso productivo mediante el cual se establece
una relación entre los recursos utilizados y los outputs alcanzados resulta una tarea
extremadamente complicada (Worthington, 1999; Hussey et al., 2009).
Una manera de analizar los procesos productivos de los hospitales es la adoptada por
Rodrigues (1983), quien sistematiza su funcionamiento distinguiendo cuatro niveles de
integración. El primero se refiere a la configuración y organización de los recursos
humanos, materiales y económicos, entre los que se pueden destacar el personal, los
equipamientos, el material sanitario, las camas y los quirófanos, entre otros. El segundo
nivel está conformado por los productos intermedios (estancias, pruebas de laboratorio,
comidas, diagnósticos, etc.) resultantes de la aplicación sobre los pacientes de los
elementos del nivel anterior. El tercer nivel está constituido por el producto final del
hospital, que son los pacientes atendidos, y que se suelen agrupar en función de una
serie de características. El último nivel se refiere al hospital como herramienta
fundamental que presta servicios sanitarios con el objeto de mejorar los niveles de salud
de la población, cuya medición se lleva a cabo mediante indicadores de salud. Para
distinguir este último nivel de los productos intermedios y finales suele denominarse
como resultados.
La relación entre los dos primeros niveles configura lo que se denomina función de
producción primaria o técnica, mientras que la función de producción secundaria
combina productos intermedios que han recibido los pacientes durante su permanencia
en el hospital con el producto final. A partir de este modelo, en la presente investigación
se considera al hospital como una empresa que produce una amplia variedad de
productos finales, consecuencia de las diferentes tipologías de enfermedades tratadas, y
donde los facultativos para diagnosticar y curar dichas enfermedades emplean toda una
109
serie de recursos humanos, materiales y económicos. Ese proceso debe tener como
resultado mejorar los niveles de salud y bienestar de los ciudadanos).
La mayor parte de los estudios empíricos que han tratado de analizar la eficiencia de los
hospitales se refieren a países desarrollados. Entre ellos, la mayoría opta por el uso de
técnicas de tipo frontera y, más concretamente, de técnicas no paramétricas como el
DEA o el FDH, basándose en su mayor flexibilidad y las facilidades que supone la
consideración de múltiples inputs y outputs (Hollingsworth, 2003; 2008; Worthington,
2004). Estas metodologías permiten conocer el grado de eficiencia de las diferentes
unidades sometidas a evaluación a la vez que ofrece una información muy completa e
individualizada, facilitando tanto al gestor como a la Administración y a los usuarios las
claves necesarias para conocer la situación del sector sanitario y las posibles actuaciones
que el regulador debe acometer.
110
plantean diversas cuestiones relacionadas con la gestión como si existen diferencias
entre hospitales con diferentes características, como pueden ser los públicos y privados
(Grosskopf et al., 1995; Burgess y Wilson, 1996; Shen et al., 2007; Eggleston et al.,
2008) o los que imparten docencia y los que no (Grosskopf et al., 2004). Otros temas
relevante son los vínculos existentes entre eficiencia y calidad (Maniadakis, et al., 1999;
Arocena y García‐Prado, 2007; Thielst y Gardner, 2008; Shimshak et al., 2009; Ferrier
y Trivitt, 2013), la descomposición entre eficiencia técnica y asignativa (Morey et al.,
1990; Byrnes y Valdamis, 1994; Athanassopoulos y Gounaris, 2001), la comparación de
los resultados obtenidos con técnicas paramétricas y no paramétricas (Linna, 1998;
Chirikos y Sear, 2000) o el análisis de los efectos de alguna reforma específica (López-
Valcárcel y Pérez, 1996; Aletras et al., 2007; Ferreira y Marques, 2015).
111
112
CAPÍTULO 3: EFICIENCIA Y PRODUCTIVIDAD DEL
SECTOR HOSPITALARIO DE PANAMÁ EN EL
PERÍODO 2005-2014
113
114
3.1. INTRODUCCIÓN
Una vez expuestas las diferentes opciones metodológicas que pueden utilizarse para
analizar los niveles de eficiencia y productividad de las organizaciones hospitalarias, en
el presente capítulo se presenta una aplicación empírica en la que estas técnicas se
aplican a un conjunto de unidades reales. En concreto, el objetivo del presente capítulo
es aproximar los niveles de eficiencia y productividad demostrados por los hospitales
pertenecientes al sistema público de salud de la República de Panamá a lo largo del
período comprendido entre 2005 y 2015.
115
3.2. REVISIÓN BIBLIOGRÁFICA
Los inputs más habitualmente utilizados en los estudios empíricos que analizan la
eficiencia y/o la productividad de un conjunto de hospitales son el número del recurso
humano, normalmente desagregados por categorías profesionales (médicos, personal de
enfermería, personal de apoyo no sanitario, administrativos, etc.) (Dervaux et al., 2004;
116
Steinmann et al., 2004), y el número de camas como proxy del activo fijo con el que
cuenta el centro (Parkin y Hollingsworth, 1997; Mobley y Magnussen, 1998), aunque el
capital también puede aproximarse a través de otros indicadores más burdos como los
metros cuadrados (o cúbicos). Asimismo, en algunos trabajos se incluye el gasto
corriente (consumo de bienes y servicios) o las inversiones realizadas, mediante los
cuales se intenta aproximar de una manera más precisa el costo de los recursos. Sin
embargo, cabe señalar que esta posibilidad puede generar distorsiones a la hora de
calcular medidas de eficiencia técnica, puesto que estos indicadores incorporan
información sobre precios, que pueden ser muy distintos entre las unidades evaluadas.
En cuanto a las variables representativas del output, cabe señalar que lo ideal sería
disponer de un indicador que aproximase la mejora en el nivel de salud que se produce
como consecuencia del paso de los pacientes por los hospitales (Hollingsworth, 2008;
Pestieau, 2009). Sin embargo, estos indicadores no suelen estar disponibles para el
conjunto de pacientes atendidos 23, de modo que la mayoría de los estudios empíricos
tiene que conformarse con el uso de medidas de producto intermedio (Cabasés et al.,
23
En estudios centrados en el análisis de enfermedades concretas o procesos clínicos específicos esta
información suele aproximarse mediante el número de años de vida ajustados por la calidad (AVAC) o
QALY (Quality Adjusted Life Years) (Zárate, 2010).
117
2003; Hussey et al., 2009). Entre estos indicadores, la utilización de indicadores
puramente cuantitativos que representan diferentes actividades o servicios realizados
durante el proceso de hospitalización suele ser la opción más habitual. Entre ellos
destaca el número de altas hospitalarias (Ozcan et al., 1992; Jacobs et al. 2006), las
cirugías practicadas o el volumen de estancias o ingresos a las que tiene que hacer frente
el Hospital . Además, existen otros indicadores vinculados con áreas como las consultas
externas (número de visitas) o el servicio de urgencias (número de pacientes atendidos
de urgencia).
Consultas
Admisiones
Actividades realizadas Atenciones de urgencia
Cirugías
Partos
Estancias o ingresos Ingresos (más frecuente)
Reingresos ajustados por riesgo
Infecciones nocosomiales
Medidas de calidad (inversa)
Mortalidad hospitalaria
Complicaciones
Fuente: Elaboración propia a partir de Martin y López del Amo (2007) y O´Neill et al. (2008).
118
grupos relacionados con el diagnóstico o diagnosis-related groups (DRGs) (Fetter et al.,
1980), que son asignados por un sistema informático a partir del diagnóstico principal
en el ingreso, los diagnósticos secundarios que se desarrollan, los procedimientos
recibidos por el paciente, así como su edad y sexo.
Otro aspecto importante sobre el que resulta deseable contar con información es la
calidad, en un sentido amplio, es decir, vinculada con los distintos objetivos perseguidos
por las organizaciones sanitarias, como pueden ser la seguridad en los procesos o el
incremento de la satisfacción de los usuarios (Prior, 2006). Nuevamente, este tipo de
información no suele estar disponible, por lo que resulta habitual que los estudios
empíricos interesados en medir la calidad del servicio hospitalario recurran a
indicadores indirectos como pueden ser los reingresos por la misma patología en un
tiempo determinado (Curry y Ham, 2010; Schiøtz et al., 2011), la mortalidad (Tiemann
y Schreyögg, 2012; Varabyova y Schreyögg, 2013) o las infecciones nocosomiales, es
decir, infecciones contraídas durante la estancia en el hospital, que no se habían
manifestado ni estaban en período de incubación en el momento del internamiento del
paciente (Prior, 2006).
Una vez identificadas las principales variables utilizadas en estudios previos referidos al
contexto hospitalario, en el siguiente epígrafe se explica el contenido del cuestionario
elaborado para captar la información necesaria para el desarrollo del presente estudio.
119
3.3. EL PROCESO DE RECOPILACIÓN DE DATOS Y LAS VARIABLES
INCLUIDAS EN EL MODELO
Datos de contacto
Datos del hospital
Tipología del establecimiento (red de salud, área de influencia, etc.)
Capacidad hospitalaria (camas disponibles en los diferentes departamentos y
servicios, quirófanos, unidad de cuidados intensivos, etc.)
Indicadores generales de resultados (altas, atenciones de urgencia, partos
atendidos, cirugías practicadas)
Indicador de calidad (enfermedades nocosomiales)
Personal (administrativo, gestión, médicos –distinguiendo entre múltiples
especialidades–, enfermeras, auxiliares, terapeutas, etc.)
Datos presupuestarios (presupuesto total, presupuesto de funcionamiento, coste
por día/cama, etc.)
Gestión médica (cantidad de pacientes atendidos, reingresos, complicaciones,
tiempo de estancia hospitalaria, etc.)
Programas de prevención desarrollados por el hospital
Dotación tecnológica del centro (sala de cirugía, sala de intensivos y
laboratorios)
120
El proceso de recopilación de datos no fue nada sencillo, siendo necesario un período
aproximado de ocho meses (desde enero de 2016 hasta agosto de ese mismo año) para
poder recibir el cuestionario rellenado por un número suficiente de hospitales. Se
constató la ausencia de un registro unificado y homogéneo por unidad hospitalaria que
contenga información gerencial y operativa del periodo del estudio. Escuchamos
diversas explicaciones, como la rotación de los directores con los cambios de gobierno
cada cinco años, con lo cual el administrador que sale se lleva o no deja disponible
información de su período de gestión, situación que se ha repetido en los últimos treinta
años, lo que quita continuidad a cualquier programa. A veces la información se recogía
en papel, aunque se habla de un proyecto de digitalización de los archivos. Resulta
frecuente encontrar documentos en depósitos no aptos, que ocasionan daño a los
mismos con la consecuente pérdida de información, dificultando la toma de decisiones
gerenciales basadas en hechos.
Para lograr incorporar al estudio el mayor número de hospitales fue necesario volver a
contactar a las más altas autoridades del sector, así como a los directores regionales de
todas las provincias del país para explicarle las bondades del estudio y eliminar la
percepción que se trataba de una auditoria con fines punitivos para evaluar el
desempeño de sus unidades ejecutoras. Insistimos en la importancia para el sistema de
hospitales del país el suministrar información veraz y transparente. En algunos centros
aquejados de mucha labor asistencial y escaso personal, recurrimos a suministrar
personal de apoyo expertos en estadísticas y registros médicos para levantar la
información a partir de los datos que, aunque existían, estaban dispersos.
121
completa, la información sobre el personal que trabaja en labores de gestión y
administración se presentaba agregada en algunos centros y desagregada en otros, por lo
que se tomó la decisión de crear una categoría que englobase tanto a estos trabajadores
como a las enfermeras, auxiliares o terapeutas, denominada “personal no médico”. Por
último, el porcentaje de centros que proporcionó datos presupuestarios y acerca de la
dotación tecnológica del centro fue excesivamente reducido, de modo que se tuvo que
renunciar al uso de esta información en el modelo.
Por tanto, en nuestra aplicación empírica se utilizan como outputs dos indicadores
cuantitativos que están claramente vinculados con la intensidad del consumo de
recursos, como son el número de altas hospitalarias y el número de atenciones de
urgencias, y otras tres variables como inputs, el personal médico y no médico, como
proxy de los recursos humanos con los que cuenta cada centro hospitalario, y el número
total de camas como proxy del capital físico. En las Tablas A1-A5 incluidas en el
Anexo II se incluyen los valores que toman estas variables para cada uno de los
hospitales que componen la muestra analizada en cada uno de los años considerados.
Asimismo, en la siguiente sección se ofrecen las principales estadísticas descriptivas de
estas variables, una vez expuestas las principales características de los centros que
configuran la base de datos.
122
3.4. CONFIGURACIÓN DE LA BASE DE DATOS Y ESTADÍSTICOS
DESCRIPTIVOS
La base de datos está compuesta por hospitales de segundo y tercer nivel de atención
del subsector público de Salud de Panamá que tuvieran registros ordenados y confiables
de sus inputs y sus outputs en el periodo comprendido entre 2005 y 2015. Aunque lo
deseable habría sido poder realizar un análisis de la totalidad de los centros hospitalarios
que componen el sistema de hospitales públicos de la República de Panamá (40),
algunos hospitales de reciente creación han sido excluidos de la muestra por llevar en
funcionamiento menos de diez años, por lo que no se dispone de información relativa a
todo el período evaluado. Asimismo, la ausencia de respuesta por parte de algunos
centros que indicaron que la información solicitada no estaba disponible o las
limitaciones de la información proporcionada por algunos de ellos con respecto a alguna
de las variables seleccionadas (principalmente en las variables representativas del output
y el personal no médico) nos obligó a configurar una muestra compuesta por un total de
22 hospitales, cuyos nombres y principales características se recogen en la Tabla 3.3. Al
disponer de información sobre un total de once años (2005-2015), nuestra muestra total
consta de 242 observaciones.
Un primer aspecto destacable es que la distribución de los hospitales entre las dos redes
públicas existentes es igualitaria (11 pertenecen a la Caja del Seguro Social –CSS– y 11
al Ministerio de Salud –MINSA–). Entre ellos, 5 corresponden al III nivel de
complejidad, de los cuales dos son del MINSA y 3 de la CSS. De II nivel de
complejidad tenemos 13 hospitales (6 del MINSA y 7 de la CSS). Finalmente, de un
nivel básico e intermedio, se incluyen 4 hospitales, dos de cada sistema. En cuanto a su
distribución geográfica, los hospitales que componen la muestra incluyen información
sobre la mayoría (8) de las provincias que componen el país (10). En concreto, los
pertenecientes a la Caja del Seguro Social cubren 5 de las 8 regiones donde esta red se
encuentra presente, mientras que los hospitales del Ministerio de Salud cubre 6 de las
regiones que tienen hospitales, tal y como se recoge en la Tabla 3.4.
123
Tabla 3.3. Hospitales que componen la muestra y sus principales características
Hospital Red Provincia Distrito Nivel Área de influencia
Hospital Santo Tomas MINSA Panamá Panamá III Regional
Hospital Del Niño MINSA Panamá Panamá III Urbano
Hospital de Especialidades Pediátricas Omar Torrijos Herrera CSS Panamá Panamá III Rural
Complejo Hospitalario Dr. Arnulfo Arias Madrid CSS Panamá Panamá III Urbano
Hospital Dra. Susana Jones Cano CSS Panamá San Miguelito II Urbano
Hospital San Miguel Arcangel MINSA Panamá San Miguelito II Urbano
Hospital de Changuinola CSS Bocas del Toro Changuinola II Rural
Hospital de Almirante CSS Bocas del Toro Changuinola I-II Rural
Hospital de Chiriquí Grande CSS Bocas del Toro Chiriquí Grande I-II Rural
Hospital Regional Dr. Rafael Hernandez CSS Chiriquí David II Regional
Hospital Dr. Cecilio A. Castillero MINSA Herrera Chitre II Urbano
Hospital Ezequiel Abadia CSS Veraguas Sona I-II Urbano
Policlinica Especializada Dr. Horacio Diaz Gomez CSS Veraguas Santiago II Urbano
Hospital Dr. Rafael Estevez CSS Coclé Aguadulce II Urbano
Hospital Dr. Aquilino Tejeira MINSA Coclé Penonomé II Regional
Hospital San José de la Palma MINSA Darién Chepigana I-II Urbano
Hospital Regional de Azuero Anita Moreno MINSA Los Santos La Villa de Los Santos II Regional
Hospital Rafael H. Moreno MINSA Los Santos Macaracas II Rural
Hospital Dr. Gustavo Nelson Collado CSS Herrera Chitre II Regional
Hospital Luis Chicho Fabrega MINSA Veraguas Santiago II Regional
Hospital Materno Infantil Jose Domingo de Obaldia MINSA Chiriquí David III Regional
Hospital Dr. Joaquin Pablo Franco Sayas MINSA Los Santos Las Tablas II Regional
124
Tabla 3.4. Distribución por provincias de los hospitales que componen la muestra
Caja del Seguro Ministerio de
Provincia Total
Social Salud
Bocas del Toro 3 3 0
Chiriquí 2 1 1
Coclé 2 1 1
Darién 1 0 1
Herrera 2 1 1
Los Santos 3 0 3
Panamá 6 3 3
Veraguas 3 2 1
Total 22 11 11
Fuente: Base de datos del Sistema Eficiencia Hospitalaria
125
Tabla 3.5. Representatividad de la muestra respecto a los totales de la República de Panamá (camas, médicos y altas) en el período 2005-2015
126
La Tabla 3.6 recoge las principales estadísticas descriptivas para el conjunto de la
muestra, es decir, para las 242 observaciones disponibles, mientras que la Tabla 3.7
refleja únicamente los valores medios de cada variable para cada año del período
estudiado. Como complemento a esta información, la Figura 3.1 ilustra la evolución
experimentada por las dos variables representativas del output y las tres de los inputs a
lo largo de los once años analizados.
Los elevados valores de la desviación típica que se muestran en la Tabla 3.6 ponen de
manifiesto la existencia de una importante heterogeneidad ente las unidades evaluadas,
con tamaños muy diversos y amplias variaciones en su dotación de recursos. Entre los
hospitales de mayor tamaño destacan el Complejo Hospitalario Dr. Arnulfo Arias
Madrid, perteneciente a la Caja de Seguro Social, y el hospital Santo Tomás, vinculado
al Ministerio de Salud. En el extremo contrario se situarían los pequeños hospitales de
Almirante y Chiriquí Grande (CSS), así como el hospital San José de La Palma
(MINSA) (véanse Tablas A1-A5 del Anexo II). Además existe asimetría en los recursos
disponibles entre los hospitales del MINSA y los de la CSS. En este sentido, los
resultados de un reciente estudio basado en técnicas de “focus group” referido a la
percepción de la calidad de los servicios en los hospitales por parte de los ciudadanos
panameños, existe la opinión de que los hospitales de la CSS tiene mayores recursos y
tecnología, mientras que los hospitales del MINSA compensan sus carencias de
recursos con trato humano y mística.
127
Entre los dos outputs considerados, como cabía esperar, los valores medios registrados
para las atenciones de urgencias son claramente superiores a las altas, puesto que las
primeras no implican un proceso de hospitalización. Si se observa la evolución de su
volumen global a lo largo del período, podemos apreciar que las primeras siguieron una
tendencia creciente hasta el año 2012, con un breve retroceso posterior, mientras que las
altas han experimentado un descenso continuado desde el año 2007. Este fenómeno
puede deberse en parte a la cada vez más habitual aplicación de acciones terapéuticas
sin hospitalizar a los pacientes, como es el caso de las cirugías mínimamente invasivas,
que por su carácter ambulatorio pueden hacerse en policlínicas que no tienen cama y
los pacientes se van a sus hogares una vez concluida la intervención. Con el incremento
de enfermedades crónicas no transmisibles, la rotación de las camas se hace más lenta y
el tiempo de hospitalización de éstos pacientes es más prolongado, lo que afecta a la
posibilidad de nuevos ingresos y disminuye el total de las altas hospitalarias en el
período.
128
Tabla 3.7. Valores medios de cada una de las variables incluidas en el modelo (2005-2015)
2005 2006 2007 2008 2009 2010 2011 2012 2013 2014 2015
Altas 192.479 198.619 204.326 199.670 196.350 200.881 194.070 195.924 189.702 190.122 188.145
Outputs
Urgencias 1.045.413 1.101.089 1.123.868 1.120.468 1.117.171 1.235.910 1.188.175 1.248.345 1.142.031 1.170.754 1.127.889
Camas 4.453 4.457 4.460 4.488 4.488 4.482 4.501 4.527 4.559 4.528 4.551
Inputs Médicos 2.085 2.145 2.215 2.264 2.259 2.310 2.386 2.741 2.780 2.883 2.857
No-médicos 6.016 6.108 6.247 6.405 6.622 7.038 7.198 7.644 7.757 7.873 8.722
2005
2006
2007
2008
2009
2010
2011
2012
2013
2014
2015
2005
2006
2007
2008
2009
2010
2011
2012
2013
2014
2015
Altas Urgencias Camas Médicos No médicos
129
3.5. RESULTADOS CON EL MODELO DEA
Con el propósito de ofrecer una primera evaluación del nivel de eficiencia de los centros
hospitalarios evaluados se llevó a cabo un análisis intertemporal utilizando como
herramienta de análisis la técnica DEA. En este contexto, las observaciones de las 22
unidades evaluadas son tratadas como si fueran unidades distintas en cada uno de los 11
años considerados (2005-2015). En el cálculo de los índices de eficiencia se han
considerado rendimiento variables de escala, al existir hospitales con tamaños muy
distintos en los que la escala de producción puede diferir, y una orientación de
minimización de inputs, al entender que los niveles de output están determinados por la
demanda de servicios de los pacientes, mientras que las unidades evaluadas tienen un
mayor control sobre los inputs. Por tanto, el índice de eficiencia en nuestro caso indica
la relación mínima de inputs necesarios para obtener el nivel de outputs del hospital
evaluado y los realmente utilizados.
Tabla 3.8. Resultados del análisis DEA intertemporal para la muestra total y sus grupos
130
parte de la ineficiencia es atribuible a las unidades evaluadas y qué parte corresponde a
la estructura a la que pertenece. Para ello, se han estimado de nuevo los índices de
eficiencia de cada hospital, pero comparándolo únicamente con los centros que
pertenecen al mismo sistema, lo que nos permite obtener una medida de la eficiencia
que se puede atribuir al hospital sin tener en cuenta el sistema al que pertenece. Una vez
obtenido este nuevo índice, el efecto atribuible al tipo de gestión se puede calcular de
manera sencilla, dividiendo dicho índice entre el obtenido considerando a la totalidad de
las unidades que componen la muestra (metafrontera).
CSS MINSA
Media SD Min Max Media SD Min Max
Tipo de gestión 0,858 0,180 0,436 1,000 0,963 0,064 0,622 1,000
Al disponer de datos longitudinales, resulta de gran interés analizar la evolución que han
experimentado los índices de eficiencia a lo largo del período. Como se puede apreciar
131
en la Figura 3.2, los niveles medios de la eficiencia mantuvieron un nivel cercano al
80% en los primeros años, con una ligera caída en 2007 y una mejora notable entre
2008 y 2010, pero a partir de este año se observa un descenso notable hasta alcanzar un
valor mínimo del 71,7% en el año 2015.
0.800
0.750
0.700
2005 2006 2007 2008 2009 2010 2011 2012 2013 2014 2015
Eficiencia media
132
Figura 3.3. Evolución de los índices de eficiencia medios (2005-2015) por sistema
0.900
0.850
0.800
0.750
0.700
0.650
0.600
2005 2006 2007 2008 2009 2010 2011 2012 2013 2014 2015
133
Tabla 3.11. Eficiencia media de los hospitales (2005-2015) según el DEA intertemporal
Nivel Red Hospital Eficiencia media
I-II CSS Hospital de Chiriqui Grande 1,000
I-II CSS Hospital de Almirante 0,994
II MINSA Hospital Dr. Aquilino Tejeira 0,969
II MINSA Hospital Rafael H. Moreno 0,946
I-II MINSA Hospital San José de La Palma 0,933
II CSS Hospital Dra. Susana Jones Cano 0,933
III MINSA Hospital Santo Tomas 0,924
II MINSA Hospital Dr. Joaquin Pablo Franco 0,907
II CSS Policlinica Especializada Dr. Horacio Diaz Gomez 0,891
II MINSA Hospital Luis Chicho Fabrega 0,886
II MINSA Hospital San Miguel Arcangel 0,880
II CSS Hospital de Changuinola 0,874
III CSS Hospital de Especialidades Pediatrica Omar T. Herrera 0,861
III MINSA Hospital Del Niño 0,855
III MINSA Hospital Materno Infantil Jose Domingo de Obaldia 0,833
II CSS Complejo Hospitalario Dr Arnulfo A. Madrid 0,701
II MINSA Hospital Dr. Cecilio A. Castillero 0,664
II CSS Hospital Dr. Gustavo Nelson Collado (Chitre) 0,652
II CSS Hospital Dr. Rafael Estévez 0,561
I-II CSS Hospital Ezequiel Abadía 0,459
II CSS Hospital Regional Dr. Rafael Hernandez 0,358
II MINSA Hospital Regional de Azuero Anita Moreno 0,320
134
Tabla 3.12. Evolución de los índices de eficiencia de cada hospital en cada año (2005-2015) según el DEA intertemporal
Hospital Media 2005 2006 2007 2008 2009 2010 2011 2012 2013 2014 2015
Hospital de Chiriqui Grande 1,000 1,000 1,000 1,000 1,000 1,000 1,000 1,000 1,000 1,000 1,000 1,000
Hospital de Almirante 0,994 0,997 1,000 1,000 0,995 0,997 1,000 0,990 0,990 0,990 0,990 0,990
Hospital Dr. Aquilino Tejeira 0,969 0,894 0,878 1,000 1,000 1,000 1,000 0,956 0,969 0,961 1,000 1,000
Hospital Rafael H. Moreno 0,946 1,000 1,000 1,000 0,910 0,894 1,000 0,953 0,880 0,900 0,875 1,000
Hospital San José de La Palma 0,933 0,969 0,975 0,978 0,849 0,985 0,980 0,976 0,740 0,845 0,982 0,982
Hospital Dra. Susana Jones Cano 0,933 0,974 0,943 0,876 0,836 0,828 1,000 0,975 0,962 0,916 0,949 1,000
Hospital Santo Tomas 0,924 0,973 0,954 0,966 1,000 0,948 0,937 1,000 0,977 0,829 0,827 0,753
Hospital Dr. Joaquin Pablo Franco 0,907 0,772 0,752 0,801 0,909 0,974 0,917 0,966 0,968 0,931 0,987 1,000
Policlinica Especializada Dr. Horacio Diaz Gomez 0,891 0,857 0,869 0,891 0,906 0,857 0,879 0,887 1,000 0,891 0,921 0,840
Hospital Luis Chicho Fabrega 0,886 0,928 0,966 1,000 0,979 0,857 0,862 0,833 0,869 0,804 0,821 0,827
Hospital San Miguel Arcangel 0,880 1,000 1,000 0,990 0,835 0,888 0,942 0,891 0,870 0,825 0,750 0,688
Hospital de Changuinola 0,874 1,000 1,000 1,000 1,000 1,000 1,000 1,000 1,000 1,000 0,353 0,263
Hospital de Especialidades Pediatrica Omar Torrijos Herrera 0,861 0,899 1,000 0,820 0,795 0,720 0,839 1,000 0,952 0,918 1,000 0,531
Hospital Del Niño 0,855 0,764 1,000 0,990 0,949 0,940 0,974 0,729 0,821 0,686 0,797 0,754
Hospital Materno Infantil Jose Domingo de Obaldia 0,833 0,618 0,669 0,780 0,764 0,897 1,000 1,000 0,926 0,863 0,825 0,823
Complejo Hospitalario Dr. Arnulfo A. Madrid 0,701 0,755 0,837 0,822 0,725 1,000 0,774 0,539 0,690 0,487 0,555 0,523
Hospital Dr. Cecilio A. Castillero 0,664 0,593 0,566 0,718 0,707 0,693 0,645 0,611 0,532 0,713 0,774 0,751
Hospital Dr. Gustavo Nelson Collado (Chitre) 0,652 0,665 0,683 0,629 0,603 0,559 0,815 0,663 0,762 0,700 0,584 0,510
Hospital Dr. Rafael Estevez 0,561 0,524 0,537 0,508 0,533 0,567 0,643 0,684 0,569 0,558 0,546 0,506
Hospital Ezequiel Abadia 0,459 0,334 0,361 0,449 0,354 0,422 0,541 0,545 0,481 0,541 0,491 0,532
Hospital Regional Dr. Rafael Hernandez 0,358 0,417 0,421 0,402 0,395 0,383 0,346 0,351 0,319 0,297 0,282 0,321
Hospital Regional de Azuero Anita Moreno 0,320 0,440 0,362 0,360 0,345 0,348 0,361 0,307 0,260 0,261 0,291 0,182
135
3.6. RESULTADOS CON EL MODELO DEA WINDOW
En este apartado se presentan los resultados obtenidos aplicando la técnica DEA window
considerando un rango de tres años para la comparación. Este valor se ha seleccionado
con el fin de minimizar el riesgo de realizar comparaciones entre períodos heterogéneos,
pero que permita considerar un número suficiente de unidades en el análisis como para
garantizar el poder de discriminación de la técnica. En la Tabla 3.13 se muestran los
índices medios calculados para cada hospital tomando como referencia la información
relativa a tres períodos. Como se puede observar, la identificación de los centros es muy
similar a la que se obtenía en el análisis intertemporal, coincidiendo prácticamente todas
las unidades identificadas como las unidades más y menos eficientes. No obstante, se
aprecian algunas divergencias. Por ejemplo, el hospital Chicho Fábrega se sitúa en una
posición mucho mejor (quinto) que en el ranking construido en base a los valores
medios de todo el período, mientras que el hospital San José de La Palma si sitúa en una
posición algo más baja (octavo). Asimismo, se aprecia que, al considerar un número
más reducido de observaciones en cada análisis manteniendo el mismo número de
variables, hay más unidades eficientes y, en general, los índices de eficiencia de las
unidades ineficientes presentan unos valores más elevados. Este resultado se explica por
la pérdida de poder de discriminación de la técnica DEA cuando la proporción entre el
número de unidades es observaciones desciende (desde 5 respecto a 242 hasta 5
respecto a 66).
136
Tabla 3.13. Evolución de los índices de eficiencia de cada hospital en cada año (2005-2015) –análisis DEA window–
Media 2005 2006 2007 2008 2009 2010 2011 2012 2013 2014 2015
Hospital de Chiriqui Grande 1,000 1,000 1,000 1,000 1,000 1,000 1,000 1,000 1,000 1,000 1,000 1,000
Hospital de Almirante 1,000 0,997 1,000 1,000 0,998 1,000 1,000 1,000 1,000 1,000 1,000 1,000
Hospital Dr. Aquilino Tejeira 0,993 1,000 0,929 1,000 1,000 1,000 1,000 1,000 0,995 0,994 1,000 1,000
Hospital Rafael H. Moreno 0,990 1,000 1,000 1,000 0,965 0,982 1,000 1,000 0,955 1,000 0,991 1,000
Hospital Luis Chicho Fabrega 0,977 0,928 0,966 1,000 0,986 0,930 0,970 0,979 1,000 0,990 0,998 1,000
Hospital Dra. Susana Jones Cano 0,973 1,000 1,000 0,976 0,919 0,887 1,000 0,992 0,985 0,955 0,993 1,000
Hospital Santo Tomas 0,973 1,000 0,980 0,981 1,000 0,970 0,982 1,000 0,988 0,924 0,947 0,930
Hospital San José de La Palma 0,966 0,969 0,975 0,978 0,887 0,995 1,000 1,000 0,856 0,971 1,000 1,000
Hospital San Miguel Arcangel 0,957 1,000 1,000 0,994 0,885 0,947 1,000 1,000 0,975 0,976 0,900 0,853
Policlinica Especializada Dr. Horacio Diaz Gomez 0,955 0,941 0,970 0,983 1,000 0,930 0,960 0,925 1,000 0,928 0,965 0,899
Hospital Dr. Joaquin Pablo Franco 0,942 0,799 0,778 0,831 0,984 1,000 0,976 1,000 1,000 0,994 1,000 1,000
Hospital de Especialidades Pediatrica Omar Torrijos Herrera 0,935 0,948 1,000 0,947 0,964 0,845 0,923 1,000 1,000 0,983 1,000 0,671
Hospital Del Niño 0,926 0,821 1,000 0,994 0,970 0,966 1,000 0,809 0,931 0,793 0,971 0,935
Hospital de Changuinola 0,904 1,000 1,000 1,000 1,000 1,000 1,000 1,000 1,000 1,000 0,579 0,362
Hospital Materno Infantil Jose Domingo de Obaldia 0,890 0,648 0,690 0,803 0,808 0,933 1,000 1,000 0,987 0,963 0,955 1,000
Complejo Hospitalario Dr. Arnulfo A. Madrid 0,771 0,836 0,919 0,882 0,729 1,000 0,869 0,561 0,777 0,589 0,660 0,660
Hospital Dr. Cecilio A. Castillero 0,744 0,785 0,776 0,841 0,775 0,743 0,695 0,643 0,581 0,762 0,817 0,764
Hospital Dr. Gustavo Nelson Collado (Chitre) 0,743 0,843 0,855 0,775 0,710 0,634 0,874 0,728 0,809 0,741 0,629 0,572
Hospital Dr. Rafael Estevez 0,601 0,543 0,553 0,514 0,543 0,582 0,675 0,734 0,627 0,633 0,621 0,586
Hospital Ezequiel Abadia 0,529 0,359 0,387 0,494 0,383 0,466 0,598 0,639 0,596 0,645 0,604 0,650
Hospital Regional Dr. Rafael Hernandez 0,391 0,419 0,422 0,410 0,415 0,427 0,390 0,397 0,360 0,342 0,329 0,387
Hospital Regional de Azuero Anita Moreno 0,388 0,440 0,362 0,360 0,360 0,381 0,409 0,381 0,382 0,429 0,457 0,313
137
A pesar de estos ligeros cambios, los niveles de eficiencia medios a lo largo del período
siguen una tendencia muy similar a la descrita en la subsección anterior, tal y como se
observa en la Figura 3.4, aunque en este caso el descenso detectado a partir del año
2010 es mucho menos pronunciado. Del mismo modo, si diferenciamos entre hospitales
de la Caja de Seguro Social y el Ministerio de Salud, se sigue observando una ventaja
relativa de estos últimos, especialmente en los últimos años del período, en los que
nuevamente existe un importante descenso de los niveles medios de eficiencia en los
hospitales pertenecientes al primer grupo, según se desprende de la información
mostrada en la Figura 3.5.
Figura 3.4. Evolución de los índices de eficiencia medios con DEA window
1.000
0.950
0.900
0.850
0.800
0.750
2005 2006 2007 2008 2009 2010 2011 2012 2013 2014 2015
Eficiencia media
Figura 3.5. Evolución de los índices de eficiencia por grupos (DEA window)
0.90
0.85
0.80
0.75
0.70
0.65
0.60
2005 2006 2007 2008 2009 2010 2011 2012 2013 2014 2015
138
Para poder facilitar la interpretación de los índices calculados mediante la técnica DEA
window, en las tablas 3.14 y 3.15 se muestran los valores calculados para dos unidades,
los hospitales Rafael Hernández y Rafael H. Moreno. Cada una de estas unidades se
sitúa en uno de los extremos de la clasificación, siendo el primero uno de los hospitales
más ineficiente y el segundo uno de los más eficientes. Tanto si los observamos
horizontalmente como verticalmente, en todos los casos se puede apreciar una cierta
estabilidad en los valores asignados a las unidades, no existiendo oscilaciones
demasiado significativas entre las diferentes ventanas consideradas en el análisis.
Tabla 3.14. Resultados del análisis DEA window para el hospital Rafael Hernández
Window 2005 2006 2007 2008 2009 2010 2011 2012 2013 2014 2015
2005-2007 0,419 0,422 0,403
2006-2008 0,422 0,403 0,397
2007-2009 0,425 0,413 0,409
2008-2010 0,433 0,426 0,384
2009-2011 0,447 0,399 0,399
2010-2012 0,388 0,395 0,358
2011-2013 0,396 0,360 0,332
2012-2014 0,362 0,336 0,317
2013-2015 0,358 0,342 0,387
Tabla 3.15. Resultados del análisis DEA window para el hospital Rafael H. Moreno
Window 2005 2006 2007 2008 2009 2010 2011 2012 2013 2014 2015
2005-2007 1,000 1,000 1,000
2006-2008 1,000 1,000 0,948
2007-2009 1,000 0,948 0,946
2008-2010 1,000 1,000 1,000
2009-2011 1,000 1,000 1,000
2010-2012 1,000 1,000 0,895
2011-2013 1,000 0,995 1,000
2012-2014 1,000 1,000 0,991
2013-2015 1,000 0,991 1,000
139
3.7. RESULTADOS CON EL MODELO StoNED
Es importante recordar que una de las principales limitaciones que plantea el uso de esta
metodología es que su adaptación a un contexto multi-output resulta extremadamente
compleja, por lo que hemos optado por estimar dos modelos distintos, uno para cada
output. Así, el primer modelo (en adelante, modelo 1) estima los índices de eficiencia
considerando como output el número de número de altas hospitalarias, además de los
tres inputs (camas, personal médico y personal no médico), mientras que en el segundo
(en adelante, modelo 2) se considera como único output el número de atenciones de
urgencia. Al igual que para las estimaciones realizadas mediante DEA, en la estimación
de los índices de eficiencia se han asumido rendimientos variables de escala y una
orientación a la minimización de inputs.
140
ninguna unidad que alcance un valor unitario, siendo los valores de la ineficiencia
mucho más elevados que los obtenidos mediante un enfoque totalmente no paramétrico
como el DEA.
Como uno de los principales intereses de este trabajo es analizar la eficiencia de los
hospitales en un contexto dinámico, en la Figura 3.7 se muestra la evolución temporal
de los índices de eficiencia medios del conjunto de las unidades que componen la
muestra a lo largo del período 2005-2015 para cada uno de los modelos estimados.
Puede observarse que ambos valores presentan una clara tendencia decreciente a partir
del año 2010, una evidencia que ya se detectaba al analizar los resultados con DEA.
Antes de ese año, la eficiencia media del modelo 1 experimentó un importante descenso
entre 2007 y 2009, seguido de un importante incremento entre 2009 y 2010, el cual
también se observa en el caso del modelo 2, aunque en este caso los valores habían
permanecido bastante estables hasta 2009.
141
Cabe señalar que en entre el año 2009 y 2014 el gobierno declaró inversiones públicas
por más de 13 billones de dólares americanos en mejorar las infraestructuras de varios
hospitales, como el Luis Chicho Fábrega o el Azuero Anita Moreno. Además, se
incrementó vertiginosamente la planilla en salud, se concedieron ajustes salariales y
aumentó el pago por turnos y cirugías realizadas fuera del horario regular, lo que
produce un incremento en los inputs sin que se apreciasen cambios relevantes en los
outputs.
Figura 3.7. Evolución de la eficiencia estimada con StoNED para cada modelo
0.7
0.65
0.6
0.55
2005 2006 2007 2008 2009 2010 2011 2012 2013 2014 2015
Modelo 1 Modelo 2
Una vez analizados los resultados para el conjunto total de centros, nos centramos en la
comparativa entre los índices de eficiencia de los hospitales adscritos a cada uno de los
dos sistemas sanitarios públicos existentes en el país, la Caja del Seguro Social y el
Ministerio de Salud. Según se desprende de los valores medios correspondientes a cada
grupo, presentados en la Tabla 3.17, los niveles medios de eficiencia son mucho más
elevados en ambos modelos para los centros del MINSA.
142
En la Figura 3.8 se ofrece la comparativa entre la evolución experimentada por los
índices de eficiencia de los hospitales adscritos a cada uno de estos dos sistemas. En
ambas gráficas se observa que los valores de los hospitales integrados en el Ministerio
de Salud se mantienen siempre por encima, siendo más significativas las divergencias
existentes en el modelo 1 en términos generales, aunque la brecha existente en el
modelo 2 a partir del año 2012 es también muy relevante. También se puede observar
que los principales causantes de las tendencias observadas en la Figura 3.7 para el
conjunto de la muestra son los hospitales de la Caja del Seguro Social, pues los
hospitales del MINSA mantienen unos niveles bastante estables a lo largo de todo el
período estudiado. En ambos modelos se observa una caída constante de los niveles de
eficiencia de los hospitales CSS a partir del año 2012, pero es el modelo 2 en el que
éstos presentan un descenso más acentuado, pasando de valores cercanos a 0.66 a 0.48.
0.70
0.65
0.60
0.55
0.50
0.45
2005 2006 2007 2008 2009 2010 2011 2012 2013 2014 2015
MINSA CSS
143
(b) Modelo 2
0.75
0.70
0.65
0.60
0.55
0.50
0.45
2005 2006 2007 2008 2009 2010 2011 2012 2013 2014 2015
MINSA CSS
Si nos fijamos en los índices de eficiencia estimados por los dos modelos, podemos
reconocer a tres hospitales que se sitúan en las primeras posiciones en ambas
clasificaciones (Almirante, Aquilino Tejeira y San Miguel Arcángel). En el extremo
contrario se sitúan los hospitales regionales de Azuero Anita Moreno y Dr. Rafael
Hernández, con niveles de eficiencia muy bajos en ambos indicadores. No obstante, la
posibilidad de disponer de dos indicadores distintos nos permite también identificar a
centros hospitalarios que presentan valores relativamente elevados en uno de ellos y
mucho más bajos en el otro, por lo que es posible que se esté produciendo un cierto
“trade-off” entre los dos outputs considerados. Uno de los casos más llamativos es el del
hospital Luis Chicho Fábrega, considerado como el más eficiente por el modelo 1, pero
que en el modelo 2 es uno de los que presenta unos valores medios más bajos. El
hospital del Niño representa el caso contrario, al situarse entre los hospitales más
eficientes según el modelo 2 a pesar de alcanzar unos niveles de eficiencia
relativamente pequeños en el modelo 1.
144
Tabla 3.18. Evolución de los índices de eficiencia de cada hospital en cada año (2005-2015) según el modelo StoNED (Modelo 1)
Hospital Media 2005 2006 2007 2008 2009 2010 2011 2012 2013 2014 2015
Hospital Luis Chicho Fabrega 0,894 0,903 0,911 0,918 0,914 0,889 0,891 0,883 0,890 0,874 0,878 0,880
Hospital Dr. Aquilino Tejeira 0,852 0,823 0,853 0,886 0,892 0,883 0,862 0,840 0,850 0,828 0,831 0,821
Hospital Rafael H. Moreno 0,847 0,879 0,880 0,880 0,808 0,807 0,878 0,852 0,820 0,829 0,820 0,864
Hospital San Miguel Arcangel 0,839 0,893 0,893 0,891 0,821 0,841 0,862 0,862 0,834 0,836 0,776 0,720
Hospital de Chiriqui Grande 0,831 0,762 0,797 0,805 0,820 0,826 0,841 0,853 0,881 0,893 0,851 0,812
Hospital de Almirante 0,757 0,912 0,947 0,949 0,854 0,867 0,855 0,698 0,594 0,620 0,538 0,497
Hospital Dr. Joaquin Pablo Franco 0,757 0,729 0,715 0,747 0,782 0,781 0,754 0,784 0,808 0,738 0,747 0,744
Hospital Santo Tomas 0,752 0,721 0,729 0,759 0,786 0,770 0,765 0,785 0,778 0,735 0,733 0,707
Hospital Materno Infantil Jose Domingo de Obaldia 0,707 0,692 0,714 0,723 0,673 0,717 0,758 0,738 0,728 0,669 0,686 0,679
Hospital de Especialidades Pediatrica Omar Torrijos Herrera 0,645 0,852 0,902 0,740 0,696 0,684 0,699 0,748 0,677 0,600 0,614 0,481
Complejo Hospitalario Metropolitano Arnulfo A. Madrid 0,627 0,645 0,678 0,683 0,666 0,702 0,687 0,522 0,531 0,580 0,611 0,596
Hospital de Changuinola 0,596 0,613 0,694 0,646 0,613 0,694 0,646 0,613 0,646 0,613 0,430 0,351
Policlinica Especializada Dr. Horacio Diaz Gomez 0,589 0,433 0,550 0,433 0,550 0,392 0,693 0,670 0,796 0,715 0,682 0,563
Hospital Dr. Rafael Estevez 0,586 0,567 0,552 0,558 0,571 0,588 0,602 0,618 0,609 0,613 0,591 0,573
Hospital Dr. Cecilio A. Castillero 0,573 0,514 0,337 0,650 0,671 0,649 0,585 0,595 0,511 0,613 0,570 0,613
Hospital Del Niño 0,552 0,496 0,561 0,567 0,564 0,585 0,566 0,537 0,580 0,533 0,540 0,541
Hospital Dra. Susana Jones Cano 0,517 0,535 0,605 0,542 0,414 0,360 0,573 0,519 0,526 0,461 0,574 0,580
Hospital Regional Dr. Rafael Hernandez 0,457 0,532 0,535 0,512 0,498 0,483 0,439 0,446 0,412 0,385 0,369 0,412
Hospital Ezequiel Abadia 0,410 0,352 0,332 0,503 0,402 0,219 0,375 0,393 0,406 0,497 0,513 0,523
Hospital de la San José de La Palma 0,399 0,402 0,424 0,448 0,348 0,441 0,416 0,435 0,301 0,361 0,424 0,387
Hospital Regional de Azuero Anita Moreno 0,380 0,532 0,440 0,439 0,422 0,425 0,438 0,383 0,321 0,297 0,285 0,196
Hospital Dr. Gustavo Nelson Collado (Chitre) 0,359 0,320 0,318 0,281 0,310 0,326 0,434 0,360 0,430 0,364 0,390 0,412
145
Tabla 3.19. Evolución de los índices de eficiencia de cada hospital en cada año (2005-2015) según el modelo StoNED (Modelo 2)
Hospital Media 2005 2006 2007 2008 2009 2010 2011 2012 2013 2014 2015
Hospital San Miguel Arcangel 0,861 0,913 0,913 0,902 0,857 0,881 0,898 0,875 0,874 0,836 0,790 0,728
Hospital Del Niño 0,819 0,798 0,863 0,859 0,852 0,843 0,862 0,772 0,808 0,749 0,812 0,792
Hospital Dr. Aquilino Tejeira 0,814 0,793 0,759 0,794 0,799 0,806 0,836 0,808 0,815 0,834 0,857 0,849
Hospital Dra. Susana Jones Cano 0,726 0,722 0,722 0,690 0,672 0,666 0,773 0,768 0,744 0,722 0,740 0,768
Hospital de Almirante 0,706 0,739 0,762 0,766 0,731 0,746 0,747 0,671 0,644 0,671 0,652 0,642
Hospital Dr. Gustavo Nelson Collado (Chitre) 0,704 0,714 0,726 0,694 0,676 0,645 0,773 0,711 0,774 0,754 0,673 0,601
Hospital Rafael H. Moreno 0,700 0,705 0,705 0,706 0,692 0,692 0,716 0,705 0,693 0,696 0,693 0,699
Hospital Dr. Joaquin Pablo Franco 0,698 0,550 0,572 0,586 0,689 0,719 0,744 0,752 0,720 0,757 0,790 0,801
Hospital Materno Infantil Jose Domingo de Obaldia 0,694 0,571 0,589 0,659 0,678 0,722 0,758 0,761 0,745 0,721 0,718 0,705
Hospital Dr. Cecilio A. Castillero 0,687 0,650 0,653 0,690 0,670 0,682 0,693 0,640 0,595 0,737 0,786 0,765
Hospital de Especialidades Pediatrica Omar Torrijos Herrera 0,669 0,649 0,663 0,640 0,624 0,622 0,662 0,717 0,734 0,720 0,767 0,560
Hospital de Chiriqui Grande 0,660 0,681 0,659 0,653 0,658 0,657 0,664 0,658 0,646 0,660 0,654 0,669
Policlinica Especializada Dr. Horacio Diaz Gomez 0,640 0,572 0,598 0,675 0,717 0,557 0,620 0,628 0,876 0,640 0,712 0,443
Hospital Santo Tomas 0,631 0,693 0,696 0,685 0,680 0,656 0,666 0,639 0,617 0,548 0,543 0,516
Hospital de la San José de La Palma 0,613 0,619 0,620 0,621 0,601 0,619 0,618 0,620 0,587 0,604 0,618 0,615
Hospital Ezequiel Abadia 0,603 0,589 0,600 0,505 0,518 0,621 0,669 0,669 0,634 0,626 0,583 0,618
Hospital de Changuinola 0,597 0,656 0,647 0,665 0,656 0,647 0,665 0,656 0,647 0,656 0,382 0,293
Hospital Dr. Rafael Estevez 0,575 0,523 0,586 0,488 0,535 0,594 0,742 0,786 0,560 0,521 0,533 0,455
Hospital Luis Chicho Fabrega 0,513 0,498 0,543 0,608 0,591 0,559 0,522 0,489 0,442 0,453 0,449 0,488
Hospital Regional de Azuero Anita Moreno 0,461 0,457 0,469 0,458 0,452 0,417 0,511 0,463 0,471 0,484 0,511 0,376
Complejo Hospitalario Metropolitano Arnulfo A. Madrid 0,411 0,395 0,558 0,488 0,403 0,415 0,520 0,482 0,662 0,213 0,196 0,189
Hospital Regional Dr. Rafael Hernandez 0,361 0,450 0,451 0,485 0,442 0,473 0,397 0,328 0,300 0,205 0,225 0,216
146
Si nos fijamos en la evolución de los índices a lo largo del período estudiado se puede
comprobar que, en términos generales, los niveles de eficiencia son más estables en el
modelo 2. Sin embargo, en el modelo 1 existen varios hospitales (Almirante, Omar
Torrijos Herrera y Azuero Anita Moreno) en los que se observa un descenso muy
pronunciado de sus niveles de eficiencia a lo largo del período estudiado, por lo que
cabe pensar que la gestión de los pacientes hospitalizados ha sufrido un cierto retroceso
en los últimos años.
Por último, con el fin de poder establecer una comparación entre la clasificación de
hospitales construido mediante la técnica DEA y los resultados obtenidos con el modelo
StoNED se ha calculado una medida de la eficiencia global a partir de la media de los
índices de eficiencia estimados con cada modelo. A partir de estos valores se ha
construido el ranking de hospitales que se muestra en la Tabla 3.20.
En este ranking, que presenta grandes similitudes con el de la Tabla 3.11, se observa
que la práctica totalidad de los centros hospitalarios situados en las primeras posiciones
pertenecen al Ministerio de Salud, lo que confirma la supremacía de esta organización
en términos de eficiencia en la gestión hospitalaria. Los dos únicos hospitales de la Caja
del Seguro Social que se sitúan entre los mejores son precisamente los mismos que
ocupaban las dos primeras posiciones de la clasificación construida a partir de los
resultados obtenidos mediante DEA, Almirante y Chiriquí Grande, que cuentan con una
dotación de recursos reducida como consecuencia de su pequeña dimensión (nivel I-II).
147
Tabla 3.20. Ranking de hospitales según StoNED (media de los dos modelos)
Eficiencia
Nivel Red Hospital
media
II MINSA Hospital San Miguel Arcangel 0,850
II MINSA Hospital Dr. Aquilino Tejeira 0,833
II MINSA Hospital Rafael H. Moreno 0,774
I-II CSS Hospital de Chiriquí Grande 0,745
I-II CSS Hospital de Almirante 0,732
II MINSA Hospital Dr. Joaquin Pablo Franco 0,728
II MINSA Hospital Luis Chicho Fabrega 0,703
III MINSA Hospital Materno Infantil Jose Domingo de Obaldia 0,700
III MINSA Hospital Santo Tomas 0,691
III MINSA Hospital Del Niño 0,685
III CSS Hospital de Especialidades Pediátricas Omar T. Herrera 0,657
II MINSA Hospital Dr. Cecilio A. Castillero 0,630
II CSS Hospital Dra. Susana Jones Cano 0,622
II CSS Policlinica Especializada Dr. Horacio Diaz Gomez 0,614
II CSS Hospital de Changuinola 0,597
II CSS Hospital Dr. Rafael Estevez 0,580
II CSS Hospital Dr. Gustavo Nelson Collado (Chitre) 0,531
III CSS Complejo Hospitalario Metropolitano Arnulfo A. Madrid 0,519
I-II CSS Hospital Ezequiel Abadia 0,507
I-II MINSA Hospital de San José de La Palma 0,506
II MINSA Hospital Regional de Azuero Anita Moreno 0,420
II CSS Hospital Regional Dr. Rafael Hernandez 0,409
148
Por tanto, cuando se la evolución de la productividad a en el período evaluado, lo que se
está representando es el valor medio de esos diez índices y no el índice calculado entre
el primer y el último año.
La Tabla 3.21 ofrece una primera aproximación de los resultados registrados para el
conjunto de la muestra. Concretamente, se presentan los estadísticos descriptivos
(media, desviación típica, máximo y mínimo) de los índices de productividad estimados
(segunda columna) y sus diferentes componentes para el periodo 2005-2015. En la
tercera columna se muestran los valores estimados para la evolución de la eficiencia
(efecto catch-up), descompuesto a su vez en dos componentes, eficiencia pura y
cambios en la escala (columnas cuarta y quinta). En la sexta y siguientes columnas se
presenta el segundo componente del índice Malmquist, el cambio tecnológico y su
descomposición en cambio tecnológico puro y variaciones de escala.
149
sobre la eficiencia (<1). Por el contrario, para el cambio tecnológico, sus componentes
(cambio tecnológico puro y el cambio de escala del cambio tecnológico) presentan
resultados superiores a uno, siendo superior el efecto del cambio de escala.
La Tabla 3.22 recoge los resultados del índice de productividad Malmquist y sus
componentes para cada uno de los diferentes años que componen el período de estudio.
Asimismo, en la Figura 3.9 se ofrece una representación gráfica de la evolución
experimentada por cada uno de los componentes principales (eficiencia y cambio
tecnológico) a lo largo del período 2005-2015. En dicha Figura se puede apreciar que,
tal y como se comentó anteriormente, la evolución de la productividad va ligada
fundamentalmente al cambio tecnológico. Ambos valores siguen una tendencia
creciente hasta 2008, posteriormente descienden hasta situarse en un valor mínimo entre
2009 y 2010. A partir de ese año la productividad experimenta una considerable subida
hasta casi el final del período analizado, impulsada por el cambio tecnológico hasta el
período 2012-2013 y el efecto catch-up en los últimos años. Este último componente
presenta valores inferiores a la unidad en los primeros años, pero poco a poco ha ido
creciendo hasta alcanzar su máximo nivel al finalizar el período.
150
Tabla 3.22. Estadísticos descriptivos del índice de Malmquist y sus componentes por años
Malmquist 2005-2006 2006-2007 2007-2008 2008-2009 2009-2010 2010-2011 2011-2012 2012-2013 2013-2014 2014-2015
Media 1,0389 0,9784 0,9708 1,0552 1,0077 0,9419 1,0689 1,0525 1,0151 1,1593
SD 0,0853 0,0865 0,1196 0,1000 0,0975 0,1175 0,1517 0,1287 0,1288 0,6770
Min 0,9788 0,8506 0,6483 0,8891 0,8661 0,6286 0,8409 0,6621 0,7634 0,8750
Max 1,3807 1,2196 1,2841 1,2466 1,3412 1,1487 1,5448 1,3335 1,4485 4,1645
Eficiencia 2005-2006 2006-2007 2007-2008 2008-2009 2009-2010 2010-2011 2011-2012 2012-2013 2013-2014 2014-2015
Media 1,0112 1,0640 0,9844 0,9956 1,0117 0,9849 0,8969 1,0125 0,9968 1,0372
SD 0,0400 0,0932 0,1022 0,1074 0,0795 0,1119 0,1469 0,1181 0,0689 0,1555
Min 0,9718 0,9471 0,6646 0,6940 0,8315 0,6351 0,6472 0,8352 0,8092 0,9169
Max 1,1511 1,2927 1,1408 1,2491 1,1659 1,1710 1,0971 1,3662 1,1124 1,6598
Eficiencia Pura 2005-2006 2006-2007 2007-2008 2008-2009 2009-2010 2010-2011 2011-2012 2012-2013 2013-2014 2014-2015
Media 1,0144 1,0230 0,9866 1,0181 0,9804 0,9863 1,0279 1,0056 0,9995 1,0326
SD 0,0339 0,0666 0,0714 0,1048 0,0768 0,0764 0,1808 0,1094 0,0791 0,1475
Min 0,9769 0,9193 0,8026 0,8864 0,7358 0,7747 0,7454 0,6993 0,8053 0,8823
Max 1,1259 1,2434 1,1384 1,3590 1,1467 1,1138 1,7628 1,2668 1,2331 1,6173
Cambio Tecnológico 2005-2006 2006-2007 2007-2008 2008-2009 2009-2010 2010-2011 2011-2012 2012-2013 2013-2014 2014-2015
Media 1,0292 0,9208 0,9852 1,0672 0,9988 0,9579 1,2137 1,0452 1,0189 1,0771
SD 0,0331 0,0493 0,0420 0,1204 0,0950 0,0683 0,2001 0,1214 0,1145 0,3261
Min 0,9904 0,7878 0,9348 0,8891 0,9112 0,8028 0,8409 0,6621 0,8758 0,9183
Max 1,1401 0,9994 1,1514 1,4928 1,3412 1,0576 1,5554 1,2249 1,4485 2,5091
Cambio Tecnológico Puro 2005-2006 2006-2007 2007-2008 2008-2009 2009-2010 2010-2011 2011-2012 2012-2013 2013-2014 2014-2015
Media 1,0159 0,9211 0,9912 1,0477 1,0417 0,9514 1,0633 0,9984 1,1123 1,0364
SD 0,0465 0,3360 0,3230 0,3289 0,4092 0,3038 0,3489 0,3284 0,4973 0,4463
Min 0,9634 0,7515 0,7000 0,8118 0,7431 0,7280 0,6344 0,4322 0,8849 0,6898
Max 1,1708 1,0615 1,4376 1,2249 1,6317 1,2268 1,3814 1,2116 2,4148 2,4336
Escala Eficiencia 2005-2006 2006-2007 2007-2008 2008-2009 2009-2010 2010-2011 2011-2012 2012-2013 2013-2014 2014-2015
Media 0,9995 1,0431 0,9973 0,9852 1,0358 0,9968 0,8842 1,0090 1,0002 1,0044
SD 0,0144 0,1070 0,0761 0,1253 0,0928 0,0656 0,1509 0,0716 0,0654 0,0339
Min 0,9648 0,9609 0,7781 0,6588 0,8315 0,8198 0,5538 0,8697 0,7531 0,9643
Max 1,0319 1,3722 1,1282 1,2257 1,3338 1,1230 1,0934 1,2056 1,1103 1,0999
Escala Cambio Tecn. 2005-2006 2006-2007 2007-2008 2008-2009 2009-2010 2010-2011 2011-2012 2012-2013 2013-2014 2014-2015
Media 1,0300 1,0061 1,0090 1,0334 0,9847 1,0179 1,1465 1,0613 0,9461 1,0528
SD 0,0407 0,3696 0,3196 0,3305 0,3617 0,3180 0,3875 0,3354 0,3465 0,3212
Min 0,9775 0,7430 0,8010 0,9042 0,8058 0,7839 0,8903 0,9309 0,5998 0,9570
Max 1,1527 1,2555 1,3861 1,5046 1,2963 1,2737 1,5714 1,5320 1,0850 1,3818
151
Figura 3.9. Evolución del índice Malmquist y sus componentes principales (2005-2015)
1.25
1.20
1.15
1.10
1.05
1.00
0.95
0.90
0.85
La importante mejora que se produjo como consecuencia del cambio tecnológico entre
2010 y 2011, que no son capaces de detectar las técnicas que únicamente miden la
eficiencia, pueden ayudarnos a comprender los motivos por los cuales se observaba un
importante deterioro de la eficiencia a partir de ese año en los modelos estimados con
esas metodologías. Nuestra interpretación de este resultado es que las mejoras
tecnológicas que han experimentado ciertos hospitales entre 2009 y 2014 han
desplazado la frontera de producción. Sin embargo, ese potencial desplazamiento de la
frontera de producción no es detectado por las técnicas DEA y StoNED, que asignan
unos valores más reducidos a los indicadores representativos de la eficiencia en los
últimos años cuando en realidad el aumento de la distancia a la frontera se debe a un
cambio en el posicionamiento de ésta.
152
Figura 3.10. Evolución de los componentes de la eficiencia (pura y escala) (2005-2015)
1.15
1.10
1.05
1.00
0.95
0.90
0.85
A continuación, la Figura 3.11 presenta la evolución del segundo componente del índice
de productividad, el cambio tecnológico, y los dos componentes en los que se puede
desagregar: el cambio tecnológico puro y el cambio de escala correspondiente al cambio
tecnológico. Las tendencias de ambos componentes han sido oscilantes y coincidentes
en casi todos los períodos, con la única excepción de los años 2012 y 2013, en los que el
cambio tecnológico puro experimentó un crecimiento, mientras que la escala sufrió un
retroceso, y 2013-2014, en los que el efecto fue el contrario.
153
Como conclusión a la evolución del índice de productividad podría decirse que presenta
una tendencia decreciente hasta el periodo 2009-2010, en el que alcanza su valor
mínimo con una caída superior al 5%. A partir de ese año se ha producido un aumento
notable hasta registrar una mejora del 15% en el periodo 2013-2014 que prácticamente
se mantuvo en el período siguiente. Esta mejora se vio impulsada inicialmente por el
cambio tecnológico, que a su vez dependió en mayor medida de un efecto de escala, y
posteriormente por la eficiencia, tanto pura como de escala.
Las Tablas 3.23, 3.24 y 3.25 recogen los valores promedios del índice de productividad
Malmquist y sus componentes para cada uno de los hospitales evaluados. Además, con
el propósito de garantizar una mayor robustez en los resultados, se han estimado los
intervalos de confianza al 97,5% tanto para el índice de Malmquist como para cada uno
de sus componentes desagregados. Estos intervalos de confianza se han construido a
partir de la estimación bootstrap para un total de 100 repeticiones.
154
Respecto a los valores de los intervalos de confianza, en los centros con valores medios
con índices de productividad más elevados se aprecian unas oscilaciones relativamente
amplias, aunque todos los valores inferiores están por encima de 1, por lo que podemos
considerar que las estimaciones son suficientemente robustas. Sin embargo, los índices
de productividad de muchos centros incluyen el valor 0 dentro del intervalo estimado
para el índice de productividad, lo que implica que las estimaciones obtenidas no son
significativas. Este problema es mucho mayor si nos fijamos en los valores estimados
para cada uno de los componentes, en los que la oscilación es mucho mayor, siendo
imposible encontrar una estimación que sea significativa. Por tanto, debemos ser muy
cautelosos a la hora de interpretar los resultados que se derivan de los valores medios
expuestos anteriormente.
Finalmente, cabe señalar que la mayor parte de los hospitales con unos valores de los
índices de productividad más elevados pertenecen a la Caja del Seguro Social. Estos
hospitales son los que dedican unos mayores esfuerzos a mejorar su dotación de
recursos, lo que ha redundado en mejoras de productividad. Estas mejoras no fueron
detectadas por las técnicas empleadas en las secciones precedentes, lo que puede
explicar en gran medida que los centros integrados en este sistema estuvieran
posicionados en los lugares más bajos de los rankings construidos de acuerdo a aquellos
criterios.
Con el fin de examinar si el tipo de gestión de los hospitales podría marcar una
diferencia significativa en los índices de productividad, se ha procedido a llevar a cabo
un análisis diferenciando entre los hospitales que pertenecen a la Caja de Seguro Social
y el Ministerio de Salud. La Figura 3.12 muestra la evolución de los índices de
productividad para estos dos grupos. La productividad de ambos sistemas presenta una
tendencia similar hasta el período 2012-2013, a partir del cual se abrió una gran brecha
entre ambos como consecuencia del gran crecimiento experimentado por los hospitales
de la Caja de Seguro Social, situándose claramente por encima de los hospitales
pertenecientes al Ministerio de Salud.
155
Tabla 3.23. Valores promedio Malmquist, eficiencia y cambio tecnológico con intervalos de confianza (Boostrap =100) para cada hospital
Red Hospital Malmquist Inferior Superior Eficiencia Inferior Superior Cambio Tec Inferior Superior
CSS Hospital de Changuinola 1,3807 1,2422 1,6976 1,1511 0,9042 1,6031 1,1401 0,8822 1,4709
CSS Hospital de Especialidades Pediatrica Omar Torrijos Herrera 1,1341 1,0525 1,3378 1,0489 0,7875 1,4774 1,0590 0,8193 1,3920
CSS Hospital de Almirante 1,0924 1,0721 1,1133 1,0000 0,7813 1,2900 1,0924 0,8575 1,4002
MINSA Hospital Regional de Azuero Anita Moreno 1,0860 1,0309 1,1332 1,0770 0,8754 1,2558 1,0070 0,8695 1,2469
MINSA Hospital San Miguel Arcangel 1,0426 1,0243 1,0601 1,0319 0,8656 1,1891 1,0148 0,8790 1,2051
CSS Policlinica Especializada Dr. Horacio Diaz Gomez 1,0326 0,9966 1,0830 1,0000 0,7859 1,3207 1,0326 0,7965 1,3253
CSS Hospital Dr. Gustavo Nelson Collado (Chitre) 1,0290 1,0073 1,0717 1,0343 0,8331 1,2311 1,0177 0,8558 1,2616
CSS Hospital Regional Dr. Rafael Hernandez 1,0265 1,0067 1,0651 1,0161 0,8535 1,2019 1,0210 0,8669 1,2161
CSS Complejo Hospitalario Metropolitano Arnulfo A. Madrid 1,0227 1,0094 1,0399 0,9946 0,7997 1,2162 1,0331 0,8463 1,2863
MINSA Hospital Materno Infantil Jose Domingo de Obaldia 1,0217 0,9740 1,0566 0,9862 0,8196 1,1538 1,0412 0,8823 1,2672
MINSA Hospital San José de La Palma 1,0185 0,9798 1,0487 1,0020 0,8368 1,1556 1,0190 0,8798 1,2218
MINSA Hospital Luis Chicho Fabrega 1,0135 0,9887 1,0386 1,0000 0,7893 1,2282 1,0135 0,8351 1,2831
CSS Hospital Dr. Rafael Estevez 1,0134 0,9580 1,0657 1,0117 0,8614 1,1533 1,0188 0,8850 1,1833
MINSA Hospital Rafael H. Moreno 1,0116 0,9946 1,0389 1,0000 0,7903 1,2250 1,0116 0,8320 1,2863
MINSA Hospital Santo Tomas 1,0026 1,0001 1,0284 0,9912 0,8148 1,1789 1,0282 0,8607 1,2569
MINSA Hospital Del Niño 1,0016 0,9896 1,0330 0,9755 0,8283 1,1551 1,0353 0,8758 1,2312
CSS Hospital Dra. Susana Jones Cano 0,9959 0,9717 1,0182 1,0000 0,7776 1,2198 0,9959 0,8245 1,2908
CSS Hospital de Chiriqui Grande 0,9904 0,9582 1,0350 1,0000 0,8031 1,2496 0,9904 0,8130 1,2341
MINSA Hospital Dr. Aquilino Tejeira 0,9895 0,9617 1,0232 0,9933 0,7743 1,2082 0,9967 0,8260 1,2928
MINSA Hospital Dr. Joaquin Pablo Franco 0,9893 0,9308 1,0350 0,9876 0,8026 1,1788 1,0148 0,8569 1,2199
CSS Hospital Ezequiel Abadia 0,9836 0,9247 1,0390 0,9732 0,8108 1,1618 1,0368 0,8733 1,2133
MINSA Hospital Dr. Cecilio A. Castillero 0,9788 0,9351 1,0418 0,9718 0,8062 1,1703 1,0219 0,8571 1,2131
156
Tabla 3.24. Descomposición de la eficiencia (pura y escala) con intervalos de confianza (Boostrap =100)
Red Hospital Eficiencia Inferior Superior Ef. Pura Inferior Superior Ef. Escala Inferior Superior
CSS Hospital de Changuinola 1,1511 0,9042 1,6031 1,1259 0,8893 1,5665 1,0154 0,9955 1,0543
CSS Hospital de Especialidades Pediatrica Omar Torrijos Herrera 1,0489 0,7875 1,4774 1,0470 0,7972 1,5122 1,0018 0,8278 1,1976
CSS Hospital de Almirante 1,0000 0,7813 1,2900 1,0000 0,7512 1,2230 1,0000 0,9270 1,1821
MINSA Hospital Regional de Azuero Anita Moreno 1,0770 0,8754 1,2558 1,0473 0,8673 1,2146 1,0295 0,8852 1,2107
MINSA Hospital San Miguel Arcangel 1,0319 0,8656 1,1891 1,0000 0,7694 1,2701 1,0319 0,7795 1,3672
CSS Policlinica Especializada Dr. Horacio Diaz Gomez 1,0000 0,7859 1,3207 1,0000 0,7690 1,2958 1,0000 0,9780 1,0704
CSS Hospital Dr. Gustavo Nelson Collado (Chitre) 1,0343 0,8331 1,2311 1,0491 0,8719 1,2384 0,9858 0,8085 1,1824
CSS Hospital Regional Dr. Rafael Hernandez 1,0161 0,8535 1,2019 1,0166 0,8757 1,1804 1,0013 0,8486 1,1829
CSS Complejo Hospitalario Metropolitano Arnulfo A. Madrid 0,9946 0,7997 1,2162 1,0685 0,8304 1,6557 0,9899 0,6920 1,4887
MINSA Hospital Materno Infantil Jose Domingo de Obaldia 0,9862 0,8196 1,1538 0,9833 0,7797 1,1916 1,0038 0,7815 1,3526
MINSA Hospital San José de La Palma 1,0020 0,8368 1,1556 1,0001 0,7780 1,2184 1,0021 0,7666 1,3203
MINSA Hospital Luis Chicho Fabrega 1,0000 0,7893 1,2282 1,0000 0,7464 1,2447 1,0000 0,8425 1,2074
CSS Hospital Dr. Rafael Estevez 1,0117 0,8614 1,1533 1,0022 0,8457 1,2155 1,0070 0,7993 1,2198
MINSA Hospital Rafael H. Moreno 1,0000 0,7903 1,2250 1,0000 0,7814 1,2351 1,0000 0,9099 1,1076
MINSA Hospital Santo Tomas 0,9912 0,8148 1,1789 1,0000 0,7748 1,2842 0,9912 0,7294 1,3627
MINSA Hospital Del Niño 0,9755 0,8283 1,1551 1,0000 0,8090 1,1822 0,9791 0,7787 1,2714
CSS Hospital Dra. Susana Jones Cano 1,0000 0,7776 1,2198 1,0000 0,7441 1,2617 1,0000 0,8639 1,1639
CSS Hospital de Chiriqui Grande 1,0000 0,8031 1,2496 1,0000 0,7735 1,2693 1,0000 0,8958 1,1653
MINSA Hospital Dr. Aquilino Tejeira 0,9933 0,7743 1,2082 1,0000 0,7566 1,2536 0,9933 0,8544 1,1693
MINSA Hospital Dr. Joaquin Pablo Franco 0,9876 0,8026 1,1788 0,9886 0,7788 1,2068 1,0014 0,8393 1,2206
CSS Hospital Ezequiel Abadia 0,9732 0,8108 1,1618 0,9769 0,8261 1,1412 0,9916 0,9043 1,1006
MINSA Hospital Dr. Cecilio A. Castillero 0,9718 0,8062 1,1703 1,0116 0,8376 1,1839 0,9648 0,8192 1,1401
157
Tabla 3.25. Descomposición del cambio tecnológico (puro y escala) con intervalos de confianza (Boostrap =100)
Red Hospital Cambio Tec. Inferior Superior C. Puro Inferior Superior C. Escala Inferior Superior
CSS Hospital de Changuinola 1,1401 0,8822 1,4709 1,1708 0,9129 1,4923 0,9944 0,8757 1,1193
CSS Hospital de Especialidades Pediatrica Omar Torrijos Herrera 1,0590 0,8193 1,3920 1,0343 0,7626 1,3785 1,0766 0,8669 1,3548
CSS Hospital de Almirante 1,0924 0,8575 1,4002 1,0468 0,8582 1,3848 1,0398 0,8967 1,1442
MINSA Hospital Regional de Azuero Anita Moreno 1,0070 0,8695 1,2469 1,0317 0,8947 1,2237 0,9775 0,8454 1,1328
MINSA Hospital San Miguel Arcangel 1,0148 0,8790 1,2051 NA NA NA NA NA NA
CSS Policlinica Especializada Dr. Horacio Diaz Gomez 1,0326 0,7965 1,3253 1,0863 0,8131 1,5159 1,0493 0,8935 1,2660
CSS Hospital Dr. Gustavo Nelson Collado (Chitre) 1,0177 0,8558 1,2616 0,9908 0,8528 1,1979 1,0300 0,8539 1,2515
CSS Hospital Regional Dr. Rafael Hernandez 1,0210 0,8669 1,2161 1,0140 0,8824 1,1817 1,0081 0,8575 1,1665
CSS Complejo Hospitalario Metropolitano Arnulfo A. Madrid 1,0331 0,8463 1,2863 0,9767 0,6912 1,3902 1,1527 0,7683 1,7888
MINSA Hospital Materno Infantil Jose Domingo de Obaldia 1,0412 0,8823 1,2672 0,9984 0,8252 1,2544 1,0439 0,8120 1,3443
MINSA Hospital San José de La Palma 1,0190 0,8798 1,2218 1,0139 0,8321 1,3008 1,0103 0,7893 1,3189
MINSA Hospital Luis Chicho Fabrega 1,0135 0,8351 1,2831 1,0451 0,8293 1,4334 0,9884 0,8022 1,2255
CSS Hospital Dr. Rafael Estevez 1,0188 0,8850 1,1833 1,0092 0,8600 1,1895 1,0073 0,8351 1,2478
MINSA Hospital Rafael H. Moreno 1,0116 0,8320 1,2863 1,0216 0,8422 1,3114 0,9894 0,8929 1,0867
MINSA Hospital Santo Tomas 1,0282 0,8607 1,2569 0,9634 0,6678 1,2889 1,0850 0,8028 1,6672
MINSA Hospital Del Niño 1,0353 0,8758 1,2312 1,0149 0,8555 1,2864 1,0225 0,7932 1,3164
CSS Hospital Dra. Susana Jones Cano 0,9959 0,8245 1,2908 0,9913 0,7884 1,3390 1,0083 0,8746 1,1939
CSS Hospital de Chiriqui Grande 0,9904 0,8130 1,2341 1,0034 0,8122 1,2884 0,9869 0,8644 1,1039
MINSA Hospital Dr. Aquilino Tejeira 0,9967 0,8260 1,2928 0,9753 0,7779 1,2991 1,0272 0,8888 1,2308
MINSA Hospital Dr. Joaquin Pablo Franco 1,0148 0,8569 1,2199 0,9687 0,8164 1,1967 1,0512 0,8767 1,2240
CSS Hospital Ezequiel Abadia 1,0368 0,8733 1,2133 1,0047 0,8670 1,1867 1,0290 0,9351 1,1143
MINSA Hospital Dr. Cecilio A. Castillero 1,0219 0,8571 1,2131 0,9726 0,8505 1,1760 1,0526 0,8783 1,2325
158
Figura 3.12. Evolución del índice de productividad Malmquist por tipo de gestión
1.35
1.30
1.25
1.20
1.15
1.10
1.05
1.00
0.95
0.90
0.85
CSS MINSA
159
Figura 3.13. Evolución de la eficiencia por tipo de gestión
1.20
1.15
1.10
1.05
1.00
0.95
0.90
0.85
0.80
CSS MINSA
CSS MINSA
CSS MINSA
160
Figura 3.16. Evolución del cambio tecnológico por tipo de gestión
1.25
1.20
1.15
1.10
1.05
1.00
0.95
0.90
0.85
CSS MINSA
Figura 3.17. Evolución del cambio tecnológico puro por tipo de gestión
1.25
1.20
1.15
1.10
1.05
1.00
0.95
0.90
0.85
CSS MINSA
CSS MINSA
161
3.9. RESUMEN DE LOS PRINCIPALES RESULTADOS OBTENIDOS
En términos generales, se puede decir que los resultados obtenidos en las diferentes
estimaciones realizadas son altamente consistentes, al margen de algunas divergencias
observadas con el uso de las diferentes técnicas. Así, por ejemplo, hemos encontrado
que las unidades identificadas como las más y las menos eficientes coinciden en el
análisis realizado mediante el empleo de técnicas totalmente no paramétricas, como el
DEA adaptado a un contexto dinámico (DEA window) y un modelo semi-paramétrico
como el StoNED, en el que se consideran los posibles errores de medida o los efectos de
variables no observables.
En relación a las estimaciones realizadas con esta última aproximación, la primera que
se realiza en el contexto sanitario hasta donde llega nuestro conocimientos, hemos
considerados dos funciones de producción alternativas, una para cada uno de los outputs
considerados, lo que nos ha permitido comprobar que existe una elevada heterogeneidad
entre los hospitales en relación con la actividad habitual de las unidades, representada
por el número de altas hospitalarias, al existir una gran disparidad en cuanto a la
complejidad de los ingresos hospitalarios entre hospitales. Sin embargo, la eficiencia
relativa a la gestión de las atenciones de urgencia resulta ser mucho más homogénea, ya
que éstos no requieren consumir demasiados recursos para su atención, es decir, su
gestión es muy similar al de un servicio de atención primaria, con la diferencia que al
paciente se le hacen todos los exámenes, evaluaciones y tratamientos en una sola visita.
162
Asimismo, merece la pena señalar que actualmente existe una tendencia a disminuir los
egresos hospitalarios en los hospitales grandes y medianos, con incrementos en las
atenciones de urgencias. Este fenómeno puede explicarse por las nuevas tendencias que
apuntan al manejo ambulatorio de patologías que antes se atendían en los hospitales,
como es el caso de las cirugías mínimamente invasivas, y al sistema de hospital de día
donde el paciente acude a las instalaciones sanitarias durante el día recibe su terapia y
va a su casa a dormir, con lo cual no causa hospitalización ni egreso. Afecciones
crónicas que en las décadas pasadas requerían internamiento hospitalario para su
manejo como la enfermedad pulmonar obtructiva crónica, aquellos pacientes que
requieren oxigenoterapia continua, diabéticos con úlceras o pie diabético, secuelas de
enfermedades vasculares cerebrales y otras patologías crónicas no trasmisibles, son
ahora incluidos en los programas de atención domiciliaria. Todo esto supone una
disminución en el número de altas hospitalarias.
Otro resultado que merece ser destacado es que en todos los análisis de eficiencia
realizados se han encontrado diferencias relevantes entre las unidades evaluadas,
resultando claramente más eficiente el grupo de hospitales pertenecientes al Ministerio
de Salud que los que forman parte de la Caja del Seguro Social. Indagando en las
razones de esta diferencia, la descomposición de los niveles de eficiencia realizada
mediante el enfoque de metafrontera permite identificar que la principal causa es la
ineficiencia vinculada al tipo de gestión, penalizando en mayor medida a los hospitales
de la CSS. Estos hospitales, además, muestran una importante pérdida relativa de
eficiencia a partir del año 2010. Igualmente, del análisis parece desprenderse que el
tamaño y la complejidad del hospital están negativamente relacionados con la
eficiencia. Así, los hospitales calificados como nivel I-II alcanzan habitualmente niveles
superiores de eficiencia en comparación con los de mayor tamaño.
Ambos resultados están vinculados con la forma de gestión que caracteriza a cada
sistema. Mientras los hospitales de la CSS tienen disponible gran cantidad de recursos
financieros, tecnológicos y en algunos casos cuentan con excedente de médicos y
personal no médico, sin que esto tenga un efecto positivo en los outputs. En cambio la
población reconoce a los hospitales del sistema del MINSA como pobres, ya que tienen
163
limitación de recursos humanos, tecnológicos y financieros, sin que ello impida que den
un buen servicio de atención a las personas. Esas limitaciones presupuestarias obligan a
su talento humano a maximizar su conocimiento en la resolución de las patologías a las
que se enfrentan. Un razonamiento similar se puede utilizar para explicar lo que ocurre
con los hospitales pequeños, con pocos recursos humanos, tecnológicos y financieros,
pero que atienden a la población con buenos resultados por lo que alcanzan niveles de
eficiencia superiores a los grandes hospitales, donde a veces parece que se despilfarran
los recursos disponibles.
La interpretación de este resultado desde la práctica clínica es que los hospitales que
disponen de grandes recursos tecnológicos depositan más peso en su labor diagnóstica y
terapéutica en la tecnología, mientras que en los hospitales con escasos recursos, sus
médicos sustituyen y complementan con su trabajo la falta de equipos (como es el caso
de la ausencia de un tomógrafo axial computarizado, que exige realizar exámenes
clínicos más profundos y detallados). Si se revisan los resultados en patologías comunes
y la cantidad de exámenes especializados ordenados por ellas que son informados como
normales, surge la sospecha de que el uso discrecional de los recursos tecnológicos en
detrimento de la clínica médica clásica afecta en gran medida a los niveles de eficiencia
de los hospitales de Panamá.
164
A diferencia de lo observado en el análisis de eficiencia, el estudio de la productividad
es más favorable a los hospitales que pertenecen a la CSS. Los hospitales con los
valores más elevados en los índices de productividad pertenecen a la Caja del Seguro
Social. Son hospitales que dedicaron mayores esfuerzos a mejorar su dotación de
recursos, particularmente con grandes inversiones en tecnología, lo que finalmente se
reflejó en mejoras de productividad. Las técnicas que miden la eficiencia no detectan el
aumento en esas dotaciones, lo cual puede explicar que los centros integrados en este
sistema estuvieran posicionados en los lugares más bajos de los rankings construidos de
acuerdo a aquellos criterios.
165
166
CONCLUSIONES FINALES Y FUTURAS LÍNEAS DE
INVESTIGACIÓN
167
Cuando se intenta abordar el análisis del sistema hospitalario de Panamá, la primera
idea que se extrae es su complicada y peculiar organización, ya que su estructura está
compuesta por dos entes autónomos responsables del servicio de la salud pública: el
Ministerio de Salud y la Caja de Seguro Social. Si bien resulta difícil evaluar
actividades tan complejas como ésta, en el caso de Panamá la existencia de dos entes
que históricamente han tenido problemas de coordinación complica aún más el
panorama, afectando la calidad de las prestaciones sanitarias que recibe la población. En
este sentido, aunque no se deriva específicamente del análisis empírico realizado, una de
las recomendaciones que se extrae del estudio del sistema hospitalario de Panamá es la
necesidad de reforzar los mecanismos de coordinación de los dos entes rectores del
sistema. Existen problemas y disfunciones importantes que penalizan la efectividad
global del sistema, restando recursos que podrían mejorar el desempeño de ambos
grupos.
Por otra parte, al igual que ocurre en otros países del entorno, la escasez y la poca
calidad de los datos disponibles se constituyen en una barrera para la evaluación
rigurosa del sistema, por lo que una de las principales contribuciones del presente
trabajo consiste en la construcción de una base de datos que ha permitido evaluar por
primera vez la eficiencia y productividad de los hospitales que componen ambos
sistemas de salud pública, sustentado en un conjunto de indicadores cuantitativos sobre
los factores productivos consumidos y las actividades realizadas. La obtención de la
información ha requerido mucho tiempo y esfuerzo, evidenciados en los retrasos e
insistencias. Sin embargo, el resultado ha sido satisfactorio. A pesar de la alta fiabilidad
de los datos, la información recogida puede tener algunas limitaciones derivadas,
fundamentalmente, de la falta de sistematización y estandarización del proceso de
generación. Por este motivo, los resultados obtenidos en el análisis deben tomarse con
algunas reservas.
No se pueden tomar decisiones sobre temas tan trascendentes, sin un adecuado sistema
de indicadores. Por tanto, consideramos que debe ser prioritario establecer un programa
de recogida de datos, mediante cuestionarios específicos elaborados a tal fin, que doten
al gestor de información estandarizada y fiable para la toma de decisiones y para la
evaluación de las políticas. Esa información, además, puede servir de base para generar
un examen comparativo de las diferentes unidades hospitalarias del sistema, en lo que
podría ser una especie de Ranking de Hospitales que proporcione información tanto al
gestor, como al usuario y al personal que labora en los hospitales.
Por otra parte, en un entorno político tan volátil como el que ha atravesado Panamá en
su época más reciente, el diseño de este tipo de instrumentos de análisis que sirvan
como apoyo para la toma de decisiones representa una herramienta fundamental y
prioritaria, que debería establecerse mediante fórmulas que garanticen su supervivencia
al margen del ciclo político, minimizando el efecto de la alta rotación en las direcciones
de los hospitales asociada a los cambios de Gobierno. Para que el esfuerzo pueda dar los
frutos esperados, además de una adecuada selección de la información básica necesaria,
es imprescindible implicar a los actores del sistema en el proceso de recogida de datos,
169
utilizando para ello incentivos directos e intentando que el propio sistema hospitalario
sea consciente de la importancia de la generación de la información, percibiendo su
utilidad como elemento para la mejora continua del sistema. Resulta fundamental que
todos los actores del sistema de salud pública, tomen conciencia de los beneficios
derivados de manejar información veraz, oportuna y transparente, la cual se constituye
en evidencias para el proceso de rendición de cuentas a la sociedad.
171
Finalmente se impone, por lo tanto, impulsar un proceso de selección, basado en los
méritos, de los directores de las diferentes unidades ejecutoras, excluyéndolos de los
cambios ocasionados por los vaivenes políticos, y dándoles apoyo con formación
gerencial y capacitación continua para dotarlos de las herramientas gerenciales
disponibles, mejorando así la eficiencia y productividad del sector salud Panameño.
172
REFERENCIAS BIBLIOGRÁFICAS
Banker R.D.; Charnes, A. y Cooper, W.W. (1984). Some models for estimating
technical and scale inefficiencies in Data Envelopment Analysis, Management Science,
30(9), 1078-1092.
Barros, C.P. (1998). The black box of health care expenditure growth determinants,
Health Economics, 7(6), 533-544.
174
Battese, G. E., Rao, D. P. y O'Donnell, C. J. (2004). A metafrontier production function
for estimation of technical efficiencies and technology gaps for firms operating under
different technologies. Journal of Productivity Analysis, 21(1), 91-103.
Biørn, E., Hagen, T. P., Iversen, T. y Magnussen, J. (2003). The effect of activity-based
financing on hospital efficiency: a panel data analysis of DEA efficiency scores 1992–
2000, Health Care Management Science, 6(4), 271-283.
Brockett, P.L. y Golany, B. (1996). Using rank statistics for determining programmatic
efficiency differences in data envelopment analysis, Management Science, 42(3), 466-
472.
Cabases, J., Martín, J. y López del Amo, M.P. (2003). La eficiencia de las
organizaciones hospitalarias, Papeles de Economía, 35, 195-225.
175
Casasnovas, G. L. y Wagstaff, A. (1988). La combinación de los factores productivos
en el hospital: una aproximación a la función de producción. Investigaciones
Económicas, 12(2), 305-327.
Chambers, R. G., Chung, Y. y Färe, R. (1996). Benefit and distance functions. Journal
of Economic Theory, 70(2), 407-419.
Chang, S. J., Hsiao, H. C., Huang, L. H. y Chang, H. (2011). Taiwan quality indicator
project and hospital productivity growth, Omega, 39(1), 14-22.
Charnes, A., Clark, C.T., Cooper, W.W., Golany, B.A. (1985). Developmental study of
data envelopment analysis in measuring the efficiency of maintenance units in the U.S.
Air Forces. Annals of Operations Research, 2, 95–112.
Charnes, A.; Cooper, W.W. y Rhodes, E. (1978). Measuring the efficiency of decision
making units, European Journal of Operational Research, 2(6), 429-444.
Charnes, A., Cooper, W.W. y Rhodes, E. (1981). Evaluating Program and Managerial
Efficiency: An Application of Data Envelopment Analysis to Program Follow Through,
Management Science, 27(6), 668-697.
176
Charnes, A.; Cooper, W.W.; Lewin, A.Y. y Seiford, L.M. (1994). Data Envelopment
Analysis: Theory, Methodology and Applications, Kluwer Academic Publishers, New
York.
Cheng, Z., Cai, M., Tao, H., He, Z., Lin, X., Lin, H., & Zuo, Y. (2016). Efficiency and
productivity measurement of rural township hospitals in China: a bootstrapping data
envelopment analysis. BMJ open, 6(11), e011911. doi:10.1136/bmjopen-2016-011911.
Curry, N. y Ham, C. (2010): Clinical and service integration: The route to improved
outcomes, London: The King´s Fund.
177
Daouia, A. y Simar, L. (2007). Nonparametric efficiency analysis: a multivariate
conditional quantile approach, Journal of Econometrics, 140(2), 375-400.
Dervaux, B., Ferrier, G. D., Leleu, H., & Valdmanis, V. (2004). Comparing French and
US hospital technologies: a directional input distance function approach. Applied
Economics, 36(10), 1065-1081.
Dyson, R. G., Allen, R., Camanho, A. S., Podinovski, V. V., Sarrico, C. S. y Shale, E.
A. (2001). Pitfalls and protocols in DEA. European Journal of Operational Research,
132(2), 245-259.
Efron, B. (1979). Bootstrap Methods: Another Look at the Jacknife, The Annals of
Statistics, 7, 1-26.
178
Efron, B. y Tibshirani, R.J. (1993). An Introduction to the Bootstrap, Nueva York:
Chapman & Hall.
Eggleston, K., Shen, Y.C., Lau, J., Schmid, C., Chan, J. (2008). Hospital ownership and
quality of care: what explains the different results, Health Economics, 17, 1345–1362.
Emrouznejad, A., & Yang, G. L. (2017). A survey and analysis of the first 40 years of
scholarly literature in DEA: 1978–2016. Socio-Economic Planning Sciences.
Evans D.B., Tandon, A., Murray, C.J. & Lauer, J.A. (2000). The Comparative
Efficiency of National Health Systems in Producing Health: An Analysis of 191
Countries. GPE Discussion Paper Series No. 29. World Health Organisation: Geneva
Färe, R., Grosskopf, S., Norris, M. y Zhang, Z. (1994b). Productivity growth, technical
progress, and efficiency change in industrialized countries. American Economic Review,
84(1), 66-83.
179
Ferreira, D. y Marques, R. C. (2015). Did the corporatization of Portuguese hospitals
significantly change their productivity?, European Journal of Health Economics, 16(3),
289-303.
Fetter, R. B., Shin, Y., Freeman, J. L., Averill, R. F. y Thompson, J. D. (1980). Case
mix definition by diagnosis-related groups. Medical Care, 18(2), 1-53.
Fried, H., Lovell, C.A.K. y Schmidt, S. (eds.) (1993). The Measurement of Productive
Efficiency: Techniques and Applications, Oxford University Press, New York.
180
Groot, T. y Budding, T. (2008). New public management's current issues and future
prospects. Financial Accountability & Management, 24(1), 1-13.
181
Hollingsworth, B., Dawson, P. J. y Maniadakis, N. (1999). Efficiency measurement of
health care: a review of non‐parametric methods and applications, Health Care
Management Science, 2(3), 161-172.
Hollingsworth, B. y Street, A. (2006). The market for efficiency analysis of health care
organisations. Health Economics, 15(10), 1055-1059.
Hussey, P. S., De Vries, H., Romley, J., Wang, M. C., Chen, S. S., Shekelle, P. G. y
McGlynn, E. A. (2009). A systematic review of health care efficiency measures. Health
Services Research, 44(3), 784-805.
Kazley, A. S., y Ozcan, Y. A. (2009). Electronic medical record use and efficiency: A
DEA and windows analysis of hospitals. Socio-Economic Planning Sciences, 43(3),
209-216.
182
Kirigia, J. M., Emrouznejad, A. y Sambo, L. G. (2002). Measurement of technical
efficiency of public hospitals in Kenya: using data envelopment analysis, Journal of
Medical Systems, 26(1), 39-45.
183
Li, L. X. y Benton, W. C. (1996). Performance measurement criteria in health care
organizations: review and future research directions, European Journal of Operational
Research, 93(3), 449-468.
Linna, M. (1998). Measuring hospital cost efficiency with panel data models, Health
Economics, 7(5), 415-427.
Linna, M. (1999). Health care financing reform and the productivity change in Finnish
hospitals. Journal of Health Care Finance, 26(3), 83-100.
Lovell, C.A.K. (1993). Production Frontiers and Productive Efficiency, en Fried, H.,
Lovell, C.A.K. y Schmidt, S. (eds.): The Measurement of Productive Efficiency:
Techniques and Applications, Oxford University Press, New York.
Lovell, C.A.K., Walters, L.C. y Wood, L.L. (1994). Stratified Models of Education
Production Using Modified DEA and Regression, en Charnes, A., Cooper, W.W.,
Levin, A. y Seiford, L. (eds.). Data Envelopment Analysis: Theory, Methodology and
Application, Kluwer Academic Publishers.
184
Maniadakis, N., Hollingsworth, B. y Thanassoulis, E. (1999). The impact of the internal
market on hospital efficiency, productivity and service quality, Health Care
Management Science, 2(2), 75-85.
Ossa, A. (1995). Panama: la integración con los otros países del istmo
centroamericano (Vol. 8), Fundación Friedrich Ebert.
186
Ozcan, Y. A. (Ed.) (2008). Health care benchmarking and performance evaluation. An
Assessment using Data Envelopment Analysis (DEA), Springer Science Business Media,
New York.
Pedraja, F., Salinas, J. y Smith, P.C. (1999). On the quality of the Data Analysis
Envelopment model. Journal of Productivity Analysis, 8, 215-230.
Pestieau, P. (2009). Assessing the performance of the public sector. Annals of Public
and Cooperative Economics, 80(1), 133-161.
Prior, D. (2006). Efficiency and total quality management in health care organizations:
A dynamic frontier approach. Annals of Operations Research, 145(1), 281-299.
Programa de las Naciones Unidas para el Desarrollo (PNUD) (2016). Informe sobre
Desarrollo Humano 2016, New York.
187
Rosko, M. D. (2001). Cost efficiency of US hospitals: a stochastic frontier approach,
Health Economics, 10(6), 539-551.
Sahin, I. y Ozcan, Y. A. (2000). Public sector hospital efficiency for provincial markets
in Turkey, Journal of Medical Systems, 24(6), 307-320.
Schiøtz, M., Price, M., Frølich, A., Søgaard, J., Kristensen, J. K., Krasnik, A., ... & Hsu,
J. (2011). Something is amiss in Denmark: a comparison of preventable hospitalisations
and readmissions for chronic medical conditions in the Danish Healthcare system and
Kaiser Permanente. BMC Health Services Research, 11(1), 347.
Schmidt, P. y Sickles, RC. (1984). Production frontiers and panel data. Journal of
Business and Economics Statistics 2(4): 367-374.
Shen, Y. C., Eggleston, K., Lau, J. y Schmid, C. H. (2007). Hospital ownership and
financial performance: what explains the different findings in the empirical literature?,
188
INQUIRY: The Journal of Health Care Organization, Provision, and Financing, 44(1),
41-68.
Shephard, R.W. (1970). Theory of Cost and Production Functions, Princeton University
Press, Princeton, NJ.
Silverman, B. W. (1986). Density estimation for statistics and data analysis. London:
Chapman and Hall.
189
Tornqvist, L. (1936). The Bank of Finland´s Consumption Price Index, Bank of Finland
Monthly Bullettin, 10, 1-8.
Webb, R.M., 2003. Levels of efficiency in UK retail banks: a DEA window analysis.
International Journal of the Economics of Business, 10(3), 305–322.
Weng, S. J., Wu, T., Blackhurst, J. y Mackulak, G. (2009). An extended DEA model for
hospital performance evaluation and improvement. Health Services and Outcomes
Research Methodology, 9(1), 39-53.
Wilson, P. W. (2008). FEAR: A software package for frontier efficiency analysis with
R. Socio-Economic Planning Sciences, 42(4), 247-254.
190
World Health Organization (WHO) (2016). World Health Statistics 2016, Monitoring
Health for the SDGs, World Health Organization.
Zweifel, P., Breyer, F. y Kifmann, M. (2009). Economic valuation of life and health.
Health Economics, 17-74.
Zweifel, P., Felder, S. y Meiers, M. (1999). Ageing of population and health care
expenditure: a red herring?, Health Economics, 8(6), 485-496.
191
PÁGINAS WEB CONSULTADAS
http://www.minsa.gob.pa/
http://www.minsa.gob.pa/sites/default/files/transparencia/plan_estrategico.pdf
http://www.css.org.pa/
http://www.css.gob.pa/planestrategico.html
http://www.css.gob.pa/serviciosconsultas.html
http://www.css.gob.pa/pazysalvo.html
http://www.css.gob.pa/fichadigital.html
http://www.css.gob.pa/centrodecontactos/citaviaweb.html
www.paho.org
http://data.worldbank.org/data-catalog/GDP-ranking-table
http://www.gatech.pa/es/
http://www.paho.org/pan/index.php?option=com_content&view=article&id=132&Itemid=234
http://www.megapractical.com/informatica-medica-gestion-hospitalaria-historia-clinica-
electronica-c-10-his-hl7
http://www.onu.org.pa/media/documentos/odm-cuarto-informe-2014.pdf
http://www.minsa.gob.pa/sites/default/files/transparencia/politicas_de_salud_del_minsa.pdf
OMS | ¿Qué es un sistema de salud?
www.who.int/features/qa/28/es/
http://estadisticas.cepal.org/perfil_ODM/PDF/PNM_ES.pdf
http://www.css.gob.pa/PLAN%20ESTRAT%C3%89GICO%202014-2019%2015-3-15.pdf
http://www.panamatoday.com/index.php/es/panama/ministerio-de-salud-presento-el-
presupuesto-para-2017-1371
http://laestrella.com.pa/panama/nacional/15-problemas-basicos-sistema-salud-
panameno/23908106
http://laestrella.com.pa/economia/fitch-ratings-ratifica-calificacion-panama/23923584
http://www.minsa.gob.pa/sites/default/files/publicacion-general/asis_herrera_1.pdf
http://www.minsa.gob.pa/informacion-salud/analisis-de-situacion-de-salud-asis
http://www.minsa.gob.pa/sites/default/files/publicaciones/asis_2015.pdf
192
ANEXOS
193
194
ANEXO I. FORMULARIO PARA HOSPITALES
Objetivo: Recopilar información del periodo: 2005-2015 de los hospitales en la República de Panamá para sustentar la
eficiencia operativa del gasto sanitario.
Indicaciones: Llenar la información en cada uno de los campos, de no tener el dato por no ofrecer el servicio responder “no
aplica”.
I. UBICACIÓN DEMOGRÁFICA
4. Nombre del Hospital:__
5. Dirección: Provincia:__ Distrito:__ Corregimiento:__
6. Teléfonos:__
7. Página web__
8. Dirección electrónica:__
9. Número total de camas:__
10. Índice de ocupación de camas en situación normales:__
195
17. Cirugía
2005 2006
Departamento o 2007 2008 2009 2010 2011 2012 2013 2014
Servicio
Camas Adicional Camas Adicional Camas Adicional Camas Adicional Camas Adicional Camas Adicional Camas Adicional Camas Adicional Camas Adicional Camas Adicional
Cirugía general
Obstetricia y
ginecología
Ortopedia y
traumatología
Urología
Otorrinolaringología
Oftalmología
Neurocirugía
Cirugía plástica
Cirugía
cardiovascular
Otros, especifique
Otros, especifique
Otros, especifique
2005 2006
Departamento o 2007 2008 2009 2010 2011 2012 2013 2014
Servicio
Camas Adicional Camas Adicional Camas Adicional Camas Adicional Camas Adicional Camas Adicional Camas Adicional Camas Adicional Camas Adicional Camas Adicional
Cuidados
intensivos general
Cuidados
intermedios general
UCI cardiovascular
UCI pediátrica
Otros, especifique
Otros, especifique
Otros, especifique
19. Quirófanos
2005 2006
Departamento o 2007 2008 2009 2010 2011 2012 2013 2014
Servicio
Camas Adicional Camas Adicional Camas Adicional Camas Adicional Camas Adicional Camas Adicional Camas Adicional Camas Adicional Camas Adicional Camas Adicional
Cirugía séptica
Cirugía aséptica
Cirugía gineco-
obstetricia
Cirugía de
urgencias
Otros, especifique
Otros, especifique
20. Generales
Generales 2005 2006 2007 2008 2009 2010 2011 2012 2013 2014
Cantidad de Altas
Cantidad de
Atenciones en
Urgencia
Cantidad de Partos
Cantidad de
Infecciones
Nosocomiales
Cirugía de urgencias
196
IV. PERSONAL OPERATIVO
Administración 2005 2006 2007 2008 2009 2010 2011 2012 2013 2014
Grupo técnico
Grupo de gestión
Grupo
administrativo
Grupo auxiliar
Jefes de personal
subalterno
Médicos 2005 2006 2007 2008 2009 2010 2011 2012 2013 2014
Medicina general
Pediatría
Cardiología
Neumología
Neurología
Oncología
Endocrinología
Ginecología
Hematología
Gastroendrología
Dermatología
Med. Física y
rehabilitación
Psiquiatría
Otros, especifique
197
23. Cantidad de Enfermeras /personal en general:
Administración 2005 2006 2007 2008 2009 2010 2011 2012 2013 2014
Enfermeras
Auxiliares de
enfermería
Técnicos
especialistas
Fisioterapeutas
Terapeutas
ocupaciones
Técnicos Sanitarios
Ayudantes
técnicos sanitarios
(practicantes)
Auxiliares
Matronas
Otros, especifique
Otros, especifique
V. GESTIÓN ADMINISTRATIVA
2005 2006 2007 2008 2009 2010 2011 2012 2013 2014
Presupuesto anual
Presupuesto de
funcionamiento
Costo día cama
Presupuesto Anual
2005 2006 2007 2008 2009 2010 2011 2012 2013 2014
(desglose)
Planilla
Insumos médicos
198
VI. GESTIÓN MÉDICA
Movilidad 2005 2006 2007 2008 2009 2010 2011 2012 2013 2014
Cantidad de reingreso
Cantidad de complicaciones
(1)Periodo en días
Sala de intensivos
Laboratorios
199
200
ANEXO II: INFORMACIÓN DISPONIBLE PARA CADA HOSPITAL
(INPUTS Y OUTPUTS) EN EL PERÍODO 2005-2015
201
Tabla A1. Número de altas (Y1) en cada centro hospitalario en el período 2005-2015
Red Hospital 2005 2006 2007 2008 2009 2010 2011 2012 2013 2014 2015
MINSA Hospital Santo Tomas 27.100 27.732 29.561 31.250 30.461 30.136 31.519 31.142 28.693 28.661 27.431
MINSA Hospital Del Niño 12.600 14.401 14.569 14.532 15.147 14.661 13.922 15.322 14.031 14.254 14.343
CSS Hospital E. Pediátricas Omar T. Herrera 5.548 6.657 4.338 3.969 407 4.065 4.272 4.047 3.472 3.621 3.631
CSS Complejo Met. Arnulfo A. Madrid 28.989 30.699 30.941 30.051 32.009 31.161 22.958 23.397 25.751 27.244 26.547
CSS Hospital Dra. Susana Jones Cano 2.129 2.438 2.167 1.625 1.396 2.311 2.080 2.112 1.831 2.323 2.348
MINSA Hospital San Miguel Arcangel 19.576 19.590 19.404 15.584 16.409 17.435 17.427 16.078 16.194 14.130 12.721
CSS Hospital de Changuinola 3.328 3.842 3.532 3.328 3.842 3.532 3.328 3.532 3.328 3.842 3.532
CSS Hospital de Almirante 1.784 1.941 2.003 2.003 2.203 2.291 1.643 1.365 1.432 1.227 1.125
CSS Hospital de Chiriqui Grande 1.427 1.591 1.618 1.675 1.702 1.767 1.828 2.007 2.110 1.817 1.646
CSS Hospital Regional Dr. Rafael Hernandez 10.723 10.812 10.330 10.359 10.032 9.356 9.485 8.632 8.299 7.869 8.907
MINSA Hospital Dr. Cecilio A. Castillero 5.490 3.471 7.109 7.370 7.237 6.650 6.813 5.594 6.818 6.242 6.762
CSS Hospital Ezequiel Abadia 2.016 1.895 3.218 2.525 1.218 2.180 2.309 2.464 3.211 3.324 3.353
CSS Policlínica Esp. Dr. Horacio Diaz Gomez 1.002 1.298 1.002 1.298 899 1.685 1.617 2.042 1.751 1.652 1.332
CSS Hospital Dr. Rafael Estevez 8.881 8.490 9.150 9.384 9.163 9.395 9.812 9.902 10.134 9.773 9.538
MINSA Hospital Dr. Aquilino Tejeira 8.222 9.161 9.418 10.558 10.417 9.700 9.802 9.829 9.029 9.332 9.344
MINSA Hospital de la Palma 637 645 662 578 601 599 651 644 637 601 544
MINSA Hospital Reg. de Azuero Anita Moreno 3.765 3.062 3.174 3.040 3.068 3.281 2.841 2.428 2.233 2.135 2.056
MINSA Hospital Rafael H. Moreno 2.440 2.449 2.463 2.486 2.482 3.027 2.785 2.823 2.891 2.823 3.283
CSS Hospital Dr. Gustavo Nelson Collado 3.345 3.381 2.989 3.329 3.512 3.480 3.370 4.792 4.219 4.656 5.059
MINSA Hospital Luis Chicho Fabrega 20.054 20.955 21.856 20.725 18.718 18.905 18.294 19.271 17.473 18.159 18.221
MINSA Hospital Mat.Infantil José D. de Obaldia 17.712 18.541 18.915 18.100 19.546 19.282 21.072 21.799 20.385 20.512 20.605
MINSA Hospital Dr. Joaquin Pablo Franco 5.711 5.568 5.907 5.901 5.881 5.982 6.242 6.702 5.780 5.925 5.817
202
Tabla A2. Número de atenciones de urgencia (Y2) en cada centro hospitalario en el período 2005-2015
Red Hospital 2005 2006 2007 2008 2009 2010 2011 2012 2013 2014 2015
MINSA Hospital Santo Tomas 84.458 88.272 90.501 90.788 91.399 91.777 91.295 90.124 83.538 83.982 82.693
MINSA Hospital Del Niño 93.108 107.747 106.511 105.663 103.813 110.134 92.843 101.143 92.133 102.316 100.350
CSS Hospital E. Pediátricas Omar Herrera 41.857 43.442 40.949 39.348 39.258 43.617 49.394 52.552 50.630 56.964 58.345
CSS Complejo Met. Arnulfo A. Madrid 66.470 85.561 80.460 74.464 76.088 92.698 90.639 112.234 53.407 50.064 49.272
CSS Hospital Dra. Susana Jones Cano 57.979 56.545 56.565 56.591 56.190 69.743 70.123 69.598 67.645 69.890 73.717
MINSA Hospital San Miguel Arcangel 171.744 171.739 165.787 148.991 156.470 163.771 154.487 153.976 143.534 134.660 125.763
CSS Hospital de Changuinola 6.345 5.482 7.395 6.345 5.482 7.395 6.345 5.482 6.345 5.482 7.395
CSS Hospital de Almirante 17.840 19.410 20.030 20.030 22.030 22.910 14.365 11.524 14.320 12.270 11.250
CSS Hospital de Chiriqui Grande 9.528 8.749 8.125 8.627 9.068 9.294 8.671 7.475 8.847 8.747 9.851
CSS Hospital Reg. Dr. Rafael Hernandez 41.926 42.449 46.335 49.906 53.335 57.278 47.076 39.141 36.136 37.452 37.666
MINSA Hospital Dr. Cecilio A. Castillero 47.857 48.173 52.183 49.971 55.882 59.845 54.637 48.504 63.890 70.381 67.387
CSS Hospital Ezequiel Abadia 22.517 23.598 24.183 24.809 26.464 31.373 32.070 31.346 36.241 33.364 33.348
CSS Policlínica Dr. Horacio Díaz Gomez 49.239 53.478 61.589 67.404 49.239 57.234 60.278 101.851 61.820 65.323 42.905
CSS Hospital Dr. Rafael Estevez 57.606 61.107 64.093 68.850 63.046 79.248 88.429 67.461 66.871 69.165 63.333
MINSA Hospital Dr. Aquilino Tejeira 60.272 56.682 57.194 62.920 65.794 72.040 68.872 69.756 73.220 79.317 77.765
MINSA Hospital de la Palma 3.187 3.226 3.309 2.891 3.006 2.994 3.256 3.220 3.186 3.003 2.717
MINSA Hospital Reg. de Azuero Anita Moreno 11.129 12.419 12.864 12.206 8.244 20.069 15.058 17.504 18.939 21.653 21.781
MINSA Hospital Rafael H. Moreno 12.198 12.247 12.315 12.431 12.412 15.135 13.923 14.116 14.453 14.116 16.417
CSS Hospital Dr. Gustavo Nelson Collado 56.920 58.913 56.254 54.297 50.977 52.195 52.978 67.758 70.883 64.263 60.621
MINSA Hospital Luis Chicho Fabrega 37.162 41.847 48.424 47.926 44.395 41.695 38.365 41.307 38.561 37.991 38.080
MINSA Hospital Mat.Infantil José D. de Obaldia 59.837 61.650 68.767 72.160 77.225 80.970 81.668 85.614 78.994 83.999 83.055
MINSA Hospital Dr. Joaquin Pablo Franco 36.234 38.353 40.035 43.850 47.354 54.495 53.403 56.659 58.438 66.352 64.178
203
Tabla A3. Número de camas (X1) en cada centro hospitalario en el período 2005-2015
Red Hospital 2005 2006 2007 2008 2009 2010 2011 2012 2013 2014 2015
MINSA Hospital Santo Tomas 633 633 633 633 633 633 633 633 633 633 633
MINSA Hospital Del Niño 399 399 399 399 399 399 399 399 399 399 399
CSS Hospital E. Pediátricas Omar Herrera 77 77 77 77 77 77 77 77 77 77 77
CSS Complejo Met. Arnulfo A. Madrid 843 843 843 843 843 843 843 843 843 843 843
CSS Hospital Dra. Susana Jones Cano 37 37 37 37 37 37 37 37 37 37 37
MINSA Hospital San Miguel Arcangel 192 192 192 192 192 192 192 192 192 192 192
CSS Hospital de Changuinola 175 175 175 175 175 175 175 175 175 175 175
CSS Hospital de Almirante 21 21 21 21 21 21 21 21 21 21 21
CSS Hospital de Chiriqui Grande 15 15 15 15 15 15 15 15 15 15 15
CSS Hospital Reg. Dr. Rafael Hernandez 296 296 296 296 296 296 296 296 296 296 296
MINSA Hospital Dr. Cecilio A. Castillero 135 135 135 135 135 135 135 135 135 135 135
CSS Hospital Ezequiel Abadia 64 64 64 64 64 64 64 64 64 64 64
CSS Policlínica Dr. Horacio Díaz Gomez 20 20 20 20 20 20 20 20 20 20 20
CSS Hospital Dr. Rafael Estevez 220 220 220 220 220 220 220 220 220 220 220
MINSA Hospital Dr. Aquilino Tejeira 171 171 171 171 171 171 171 171 171 171 171
MINSA Hospital de la Palma 25 25 25 25 25 25 25 30 25 25 25
MINSA Hospital Reg. de Azuero Anita Moreno 197 197 197 197 197 197 197 197 197 197 197
MINSA Hospital Rafael H. Moreno 34 34 34 34 34 34 34 34 34 34 34
CSS Hospital Dr. Gustavo Nelson Collado 160 160 160 160 160 160 160 160 160 160 160
MINSA Hospital Luis Chicho Fabrega 260 260 260 260 260 260 260 260 260 260 260
MINSA Hospital Mat.Infantil José D. de Obaldia 401 405 408 436 436 430 449 470 507 476 499
MINSA Hospital Dr. Joaquin Pablo Franco 78 78 78 78 78 78 78 78 78 78 78
204
Tabla A4. Personal médico (X2) en cada centro hospitalario en el período 2005-2015
Red Hospital 2005 2006 2007 2008 2009 2010 2011 2012 2013 2014 2015
MINSA Hospital Santo Tomas 237 260 280 293 308 326 339 349 350 356 368
MINSA Hospital Del Niño 149 150 150 150 154 157 162 176 194 218 222
CSS Hospital E. Pediátricas Omar Herrera 69 70 69 70 69 71 70 79 79 80 84
CSS Complejo Met. Arnulfo A. Madrid 640 676 685 708 721 771 757 994 1021 987 963
CSS Hospital Dra. Susana Jones Cano 60 58 66 70 71 68 70 86 91 92 97
MINSA Hospital San Miguel Arcangel 156 156 156 156 156 156 156 156 156 156 156
CSS Hospital de Changuinola 27 27 27 27 27 27 27 27 27 31 33
CSS Hospital de Almirante 7 6 6 9 9 10 11 11 11 11 11
CSS Hospital de Chiriqui Grande 5 6 6 6 7 6 6 6 6 7 6
CSS Hospital Reg. Dr. Rafael Hernandez 175 175 177 182 182 192 192 200 191 251 242
MINSA Hospital Dr. Cecilio A. Castillero 54 54 54 54 54 62 64 55 55 53 53
CSS Hospital Ezequiel Abadia 25 25 39 38 26 26 27 31 39 41 36
CSS Policlínica Dr. Horacio Díaz Gomez 85 89 84 85 78 82 84 86 87 94 92
CSS Hospital Dr. Rafael Estevez 72 67 90 90 69 69 74 83 89 91 95
MINSA Hospital Dr. Aquilino Tejeira 27 28 25 28 29 29 32 31 30 31 32
MINSA Hospital de la Palma 6 6 6 7 6 6 6 8 7 6 6
MINSA Hospital Reg. de Azuero Anita Moreno 20 20 21 21 21 22 22 23 23 23 37
MINSA Hospital Rafael H. Moreno 5 5 5 6 6 6 6 7 7 7 8
CSS Hospital Dr. Gustavo Nelson Collado 35 36 38 38 38 24 30 40 51 57 64
MINSA Hospital Luis Chicho Fabrega 60 60 60 58 60 60 60 67 59 63 62
MINSA Hospital Mat.Infantil José D. de Obaldia 121 121 121 121 121 97 151 167 158 170 145
MINSA Hospital Dr. Joaquin Pablo Franco 50 50 50 47 47 43 40 59 49 58 45
205
Tabla A5. Personal no médico (X3) en cada centro hospitalario en el período 2005-2015
Red Hospital 2005 2006 2007 2008 2009 2010 2011 2012 2013 2014 2015
MINSA Hospital Santo Tomas 450 489 527 537 572 565 591 603 606 616 632
MINSA Hospital Del Niño 385 385 385 399 402 415 430 456 458 461 478
CSS Hospital E. Pediátricas Omar Herrera 32 31 32 31 34 33 29 37 35 37 349
CSS Complejo Met. Arnulfo A. Madrid 600 617 639 679 680 740 760 798 787 797 806
CSS Hospital Dra. Susana Jones Cano 149 151 169 188 189 198 211 214 223 222 222
MINSA Hospital San Miguel Arcangel 866 866 866 866 866 866 866 866 866 866 866
CSS Hospital de Changuinola 6 6 6 6 6 6 6 6 6 90 317
CSS Hospital de Almirante 15 14 14 16 18 18 18 18 18 18 18
CSS Hospital de Chiriqui Grande 118 121 123 123 125 129 131 127 126 125 132
CSS Hospital Reg. Dr. Rafael Hernandez 254 258 261 353 353 495 483 444 616 579 604
MINSA Hospital Dr. Cecilio A. Castillero 135 134 135 134 199 219 221 219 217 214 216
CSS Hospital Ezequiel Abadia 226 228 228 229 230 313 329 401 415 414 401
CSS Policlínica Dr. Horacio Díaz Gomez 382 389 415 426 448 449 477 491 466 360 551
CSS Hospital Dr. Rafael Estevez 715 721 728 729 735 740 801 893 942 967 1049
MINSA Hospital Dr. Aquilino Tejeira 202 198 201 203 205 206 188 215 194 193 186
MINSA Hospital de la Palma 31 28 26 23 22 25 27 28 26 24 24
MINSA Hospital Reg. de Azuero Anita Moreno 236 234 235 236 238 248 255 257 255 284 286
MINSA Hospital Rafael H. Moreno 101 101 102 102 145 147 148 151 168 190 194
CSS Hospital Dr. Gustavo Nelson Collado 492 515 527 519 558 562 573 581 592 606 656
MINSA Hospital Luis Chicho Fabrega 185 186 188 209 200 213 214 310 273 262 207
MINSA Hospital Mat.Infantil José D. de Obaldia 315 315 315 330 330 320 322 392 352 411 418
MINSA Hospital Dr. Joaquin Pablo Franco 121 121 125 67 67 131 118 137 116 137 110
206