TESIS DOCTORAL

EFICIENCIA Y PRODUCTIVIDAD DEL SISTEMA

HOSPITALARIO EN PANAMÁ

ENRIQUE LAU CORTÉS

DEPARTAMENTO DE ECONOMÍA

2017
 TESIS DOCTORAL

EFICIENCIA Y PRODUCTIVIDAD DEL SISTEMA

HOSPITALARIO EN PANAMÁ

AUTOR: ENRIQUE LAU CORTÉS

DEPARTAMENTO DE DEFENSA: DEPARTAMENTO DE ECONOMÍA

Conformidad de los directores:

Fdo. D. José Manuel Cordero Ferrera D. Agustín García García

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.

Debo destacar el total respaldo de mis compañeros de la Dirección General de

Planificación y Evaluación de la Universidad de Panamá, especialmente de la Dra. Idia
Harris, por mantener su apoyo incondicional a la causa a pesar de todo; a Carmen
Forero por su guía y colaboración en el tratamiento estadístico y, junto a Shaday
Alleyne, en la recolección de los datos. Agradezco también a Ester de Robles y a
Marcia de Carles la revisión de los manuscritos y su constante voz de aliento.

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.

Les agradezco a mis amigos su comprensión y apoyo, principalmente por respetar mi

distanciamiento cuando me centré en la redacción de esta tesis. Sé que ellos siempre
están ahí. Finalmente, como hijo de ésta tierra, aporto esta humilde contribución al
análisis académico y profesional, la cual dedico a los pacientes que buscan aliviar sus
males en los hospitales, con la esperanza de que los tomadores de decisiones del
Sistema Sanitario Panameño la utilicen para servirles mejor, elevando la eficiencia y
productividad de los hospitales del país.
 ESQUEMA

Página
INTRODUCCIÓN GENERAL .............................................................................................. 5

CAPÍTULO 1: EL SISTEMA HOSPITALARIO DE PANAMÁ ..................................... 13

1.1. INTRODUCCIÓN ............................................................................................................ 15

1.2. ANTECEDENTES DE LA REPÚBLICA DE PANAMÁ ............................................. 16

1.2.1. Panamá, un país con perspectivas de desarrollo..................................................... 16

1.2.2. Contexto económico y social ................................................................................. 21

1.3. SISTEMA DE SALUD DE PANAMÁ ............................................................................ 27

1.3.1. Organización del Sector Salud panameño .............................................................. 27

1.3.2. Elementos generales de contexto............................................................................ 31

1.3.3. Otros indicadores relevantes de salud .................................................................... 34

1.3.4. Gasto en salud en Panamá ...................................................................................... 39

1.3.4.1. Presupuesto del Ministerio de Salud .......................................................... 40

1.3.4.2. Presupuesto de la Caja del Seguro Social .................................................. 42

1.3.5. Organización y funcionamiento del sistema de salud de Panamá .......................... 43

1.3.6. Complejidad de la red de salud .............................................................................. 52

1.4. SISTEMA PÚBLICO HOSPITALARIO DE PANAMÁ ................................................ 55

1.4.1. Oferta hospitalaria en la red Pública de Panamá .................................................... 56

1.4.2. Hospitales del Ministerio de Salud (MINSA) ........................................................ 60

1.4.3. Hospitales de la Caja del Seguro Social (CSS) ...................................................... 61

1.5. LECCIONES APRENDIDAS .......................................................................................... 62

1
CAPÍTULO 2: TÉCNICAS PARA LA MEDICIÓN DE LA EFICIENCIA Y LA
PRODUCTIVIDAD ............................................................................................................... 67

2.1. INTRODUCCIÓN ............................................................................................................ 69

2.2. CONCEPTOS DE EFICIENCIA Y PRODUCTIVIDAD ............................................... 70

2.3. ENFOQUES METODOLÓGICOS PARA MEDIR LA EFICIENCIA ........................... 81

2.3.1. Aproximaciones paramétricas ................................................................................ 82

2.3.2. Aproximaciones no paramétricas ........................................................................... 84

2.3.2.1. Análisis Envolvente de Datos (DEA) ........................................................ 85

2.3.2.2. Extensión para distintos rendimientos de escala ........................................ 90

2.3.2.3. Extensión al contexto dinámico: DEA window .......................................... 92

2.3.2.4. Medición de la eficiencia con distintos modelos de producción ................ 93

2.3.3. Aproximación mixta: Modelo StoNED .................................................................. 96

2.4. ENFOQUES METODOLÓGICOS PARA MEDIR PRODUCTIVIDAD ................... 102

2.4.1. Índices de Malmquist ........................................................................................... 102

2.4.2. Extensión para garantizar robustez de los resultados ........................................... 106

2.5. MEDICIÓN DE LA EFICIENCIA Y LA PRODUCTIVIDAD EN EL

CONTEXTO SANITARIO ............................................................................................ 108

2
CAPÍTULO 3: EFICIENCIA Y PRODUCTIVIDAD DEL SECTOR
HOSPITALARIO DE PANAMÁ EN EL PERÍODO 2005-2014 .......... 113

3.1. INTRODUCCIÓN .......................................................................................................... 115

3.2. LITERATURA PREVIA................................................................................................ 116

3.3. EL PROCESO DE RECOPILACIÓN DE DATOS Y LAS VARIABLES

INCLUIDAS EN EL MODELO .................................................................................... 120

3.4. CONFIGURACIÓN DE LA BASE DE DATOS Y ESTADÍSTICOS

DESCRIPTIVOS ............................................................................................................ 123

3.5. RESULTADOS CON EL MODELO DEA ................................................................... 130

3.6. RESULTADOS CON EL MODELO DEA WINDOW .................................................. 136

3.7. RESULTADOS CON EL MODELO StoNED .............................................................. 140

3.8. RESULTADOS DEL ANÁLISIS DE PRODUCTIVIDAD .......................................... 148

3.9. RESUMEN DE LOS PRINCIPALES RESULTADOS OBTENIDOS ......................... 162

CONCLUSIONES FINALES Y FUTURAS LÍNEAS DE INVESTIGACIÓN ............. 167

REFERENCIAS BIBLIOGRÁFICAS .............................................................................. 173

ANEXOS .............................................................................................................................. 193

ANEXO I: CUESTIONARIO DISTRIBUIDO A LOS RESPONSABLES DE LOS

CENTROS HOSPITALARIOS PARA LA OBTENCIÓN DE LA
INFORMACIÓN NECESARIA PARA EL ESTUDIO ................................ 195

ANEXO II: INFORMACIÓN DISPONIBLE PARA CADA HOSPITAL (INPUTS

Y OUTPUTS) EN EL PERÍODO 2005-2015 ............................................... 201

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.

La presente investigación se centra en el estudio del sector sanitario en Panamá. En los

diez últimos años este país ha experimentado una de las más altas tasas de crecimiento
del producto interno bruto en el continente, siendo considerada por Latinvex (2016)
como la economía más pujante y rica del continente, superando a Chile, con una

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.

El sistema de salud en Panamá, en cuanto a su organización como servicio público, se

caracteriza por su fragmentación, al estar conformado por dos grandes instituciones, el
Ministerio de Salud (MINSA) y la Caja del Seguro Social (CSS). La participación del
sector público es vital para el mantenimiento del sistema, siendo Panamá el segundo
país de la región centroamericana donde la participación del sector público es más alta
en el financiamiento de la salud, lo cual se corresponde con el grado de desarrollo que
presenta su sistema de seguridad social. En los países del entorno se percibe un
estancamiento en los indicadores relacionados con el derechos a la salud (y a otros
derechos básicos, como la educación), siendo Costa Rica y Panamá los únicos que
presentan datos mínimamente aceptables.

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.

Una primera aproximación informal al funcionamiento de los hospitales nos permite

identificar viejos problemas aún no resueltos, como la falta de medicamentos e insumos
médico-quirúrgicos, mora quirúrgica, saturación de los servicios de urgencias y largas
listas de espera para atención por médicos especialistas, lo que produce un elevado
grado de insatisfacción de los pacientes y familiares. Los gestores que han tenido
responsabilidad sobre la sanidad en Panamá en los sucesivos gobiernos han percibido la
necesidad de afrontar reformas para la mejora del sistema.

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.

El desarrollo de las técnicas de análisis de eficiencia y su generalización en el estudio

del sector público ha permitido que también empiece a plantearse su uso en el contexto
de los sistemas sanitarios de los países de América Latina. Actualmente, la mayor parte
de las reformas que se plantean en el ámbito de los sistemas públicos de salud no solo se
centran en la eficacia, sino que se basan en la búsqueda de una mayor eficiencia y de un
menor costo en la prestación de los servicios.

Con el propósito de aportar información pertinente, veraz e independiente que sirva a

los gestores y a los encargados de la toma de decisiones en materia de políticas públicas

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.

Finalmente, a partir de los resultados obtenidos, pretendemos generar una serie de

recomendaciones de política que permitan mejorar el sistema hospitalario y, por lo
tanto, el nivel de Salud del país. Entre otras medidas, esperamos que el análisis ayude al

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

1.2.1. Panamá, un país con perspectivas de desarrollo

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.

Se encuentra ubicada en América Central y se comunica al norte con el Mar Caribe, al

sur con el Océano Pacífico, al este con Colombia y al oeste con Costa Rica. Posee una
extensión territorial de 75.516,9 kilómetros cuadrados, de los cuales 1.489,6 kilómetros
cuadrados corresponden a islas, islotes y cayos insulares, siendo la isla de Coiba,
situada en el Pacífico, la más extensa, con 493 km cuadrados. Su situación, muy cercana
al meridiano 90º W, que divide en dos secciones iguales a esta parte de la tierra,
significa equidistancias entre Panamá y los puntos más alejados del centro del
hemisferio occidental.

El clima es tropical-húmedo, con solo dos estaciones: verano e invierno. La primera,

llamada estación seca, de enero a abril, y la última, denominada estación lluviosa, de
mayo a diciembre. El valor promedio de precipitación anual en el istmo es de 1.907,2
mm. Panamá cuenta con un clima propio de zonas intertropicales, con temperatura
promedio que oscila entre los 23º y 28ºC, aunque ocasionalmente puede alcanzar los
35ºC, con una humedad relativa desde el 80% hasta superar el 90%. Está clasificada por

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.

Aunque geográficamente el país forma parte de Centroamérica, ha desarrollado sus

vínculos comerciales, económicos y culturales con Suramérica, especialmente con la
limítrofe Colombia, Ecuador, Venezuela y con otros países del Caribe, como República
Dominicana.

A fecha de 1 de noviembre de 2016 la Contraloría General de la República reflejaba una

población estimada de 4.058.374 habitantes, lo cual arroja una densidad de 53,7
personas por km2. La población se concentra fundamentalmente en las áreas
metropolitanas que circundan el canal de Panamá y las ciudades terminales de Panamá
en el Pacífico y Colón en el Caribe. La población originaria indígena, que actualmente
representa el 10% de total, se mezcló inicialmente con personas de raza blanca,
europeos que arribaron con la colonia española, y, posteriormente, con descendientes de
piratas y corsarios. La construcción del ferrocarril transístmico y luego del canal de
Panamá, a fines del siglo XIX y principios del XX, fueron los motores económicos que
promovieron la migración de personas de diversos países (España, Italia, Grecia,
Barbados, Jamaica, Antillas Menores o Norteamérica).

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.

La esperanza de vida al nacer ha ido aumentando progresivamente desde 74,26, en el

año 2000, hasta 77,8 años en 2015, según datos de la Organización Mundial de la Salud
(GHO, 2016). El aumento registrado en la esperanza de vida al nacer en estos años
contrasta con el incremento medio de un año en la región de Centroamérica. Esta
evolución puede atribuirse a las acciones sanitarias de vacunación, saneamiento
ambiental, dotación de agua potable, control de vectores, manejo de aguas servidas, así
como a mejoras en la educación y mayores oportunidades del empleo. En los últimos
años se aprecian cambios en la pirámide demográfica por el envejecimiento de la
población (Figura 1.1), lo cual ha impactado en la mortalidad como consecuencia de
complicaciones de las enfermedades crónicas no transmisibles como obesidad, diabetes
e hipertensión arterial sistémica, enfermedades cardiovasculares, tumores malignos y
muertes violentas, particularmente en la población adulta joven.

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

El nombre oficial del país es República de Panamá. Su capital es la Ciudad de Panamá

y posee diez provincias (Bocas del Toro, Chiriquí, Coclé, Colón, Darién, Herrera,
Panamá, Panamá Oeste 2, Los Santos y Veraguas) y cinco comarcas indígenas (Guna de
Madugandi, Guna de Wargandi, Guna Yala, Emberá Wounaan y Ngäbe Buglé), cuya
distribución geográfica se muestra en la Figura 1.2. El español es el idioma oficial y la
religión católica es la predominante (69,7%). La moneda oficial del país es el Balboa y,
desde 1904, se adoptó el dólar norteamericano como moneda de curso legal, con una
equivalencia paritaria al Balboa.

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

La Carta Magna configura el sistema político, estableciendo que el poder público

emana del pueblo y es ejercido por el Estado. Igualmente, se determina que los tres
poderes (ejecutivo, legislativo y judicial) actúan de manera independiente, en
armónica colaboración. El período de gobierno es de 5 años. La conducción
política del ejecutivo, encabezado por el Presidente de la República, lo realiza el
Gabinete, que está compuesto por los siguientes Ministerios:

- Ministerio de la Presidencia, que funciona como Secretaría Técnica

- Ministerio de Ambiente
- Ministerio de Asuntos del Canal
- Ministerio de Comercio e Industrias
- Ministerio de Desarrollo Agropecuario
- Ministerio de Seguridad Pública
- Ministerio de Obras Públicas
- Ministerio de Relaciones Exteriores
- Ministerio de Desarrollo Social
- Ministerio de Economía y Finanzas
- Ministerio de Educación
- Ministerio de Gobierno

20
 - Ministerio de Salud
- Ministerio de Trabajo y desarrollo laboral
- Ministerio de vivienda y ordenamiento Territorial

La actual organización del Estado Panameño surge a partir de la Constitución Política

de 1972, y de sus actos reformatorios de 1983, 1994 y 2004, en los que se establece que
“la nación Panameña está organizada en Estado soberano e independiente cuya
denominación es República de Panamá. Su gobierno es unitario, democrático y
representativo”. Además, la Constitución recoge otras instituciones que tienen como
función contribuir a la organización del Estado. Entre ellas se encuentran las siguientes:

- La Contraloría General de la República, que tiene la obligación de fiscalizar

el uso correcto de los fondos públicos, a favor de los mejores intereses de la nación.

- El Tribunal Electoral, que debe garantizar la ejecución del voto funcional y el

respeto a la voluntad popular expresada en las urnas en los procesos de elección de
las autoridades del país. Debe ser objetivo, imparcial y transparente en sus
actuaciones, para permitir que el sistema representativo refleje el ejercicio libre y
democrático del sufragio.

- 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.

1.2.2. Contexto económico y social

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.

Por su posición geográfica, actualmente ofrece al sistema de comercio internacional una

amplia plataforma de servicios marítimos, comerciales, inmobiliarios y financieros.
Entre ellos está la Zona Libre de Colón, otrora una de las zonas francas más
importantes, y devenida a menos por diversas razones: pérdida de competitividad,
escándalos de corrupción y falta de estrategias innovadoras en un entorno con un
comercio cambiante y disruptivo, apoyado en la tecnología digital, internet y el
ciberespacio.

El país cuenta con una posición privilegiada en varias clasificaciones de crecimiento y

desarrollo en relación con América Latina. Según la clasificación del Índice de
Desarrollo Humano 2016 elaborado por el Programa de Naciones Unidas para el
Desarrollo (PNUD, 2016), Panamá ocupa el primer puesto en América Central y el
quinto en América Latina, por encima de países como Costa Rica, Cuba , Mexico y
Brasil, aunque superado por Chile, Argentina y Uruguay. En 2016 Panamá obtuvo una
puntuación de 0,788, la cual lo ubica en un nivel alto, en la posición 60 de 188 países,
situado por encima de la media de América Latina (0,731). No obstante, al realizar el
ajuste del índice sobre la base de las desigualdades, Panamá pierde 40,5%, debido a la
mala distribución de la riqueza, siendo el país que pierde más debido a la desigualdad de
género (0,604). La inequidad se aprecia igualmente en relación a las áreas indígenas, las
más postergadas, con índices de desarrollo humano de 0,465 en la comarca Ngäbe
Buglé, que contrastan con el puntaje alcanzado por la provincia de Panamá (0,802).

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:

1. Servicios financieros, por lo que es de máxima importancia para el país la buena

reputación de su potente centro bancario internacional, uno de los más
importantes de la región centro-sur del continente, con activos al mes de
abril del 2016 de 117,827 millones de dólares americanos a través de sus 42
bancos de licencia general, 38 de licencia internacional y 7 de licencias de
representación.

2. Servicios Logísticos, vinculados con transporte multimodal para el

movimiento de mercancías por agua, aire y tierra, particularmente por el
paso del 4% del comercio mundial por el Canal de Panamá. Ocupa la segunda
posición en cuanto a las compañías aseguradoras y es el primer país en
abanderamientos de naves internacionales. Posee un ferrocarril transístmico que
mueve cargas entre los océanos Pacífico y Atlántico en pocas horas, además de
potentes y eficientes puertos en las riberas del Canal que en el año 2016
manejaron cerca de 7 millones de TEUs (contenedores de 20 pies). 6 Se cuenta
también con el hub comercial del Continente, con una potente línea aérea
internacional y un centro de negocios continental, además de la Zona libre
de Colón. Existe una Zona Económica Especial Panamá Pacífico en la antigua
base norteamericana de Howard donde ya se han instalado empresas
tecnológicas de fama mundial como Dell y Caterpilar, entre otras.

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.

4. Seguridad y soberanía alimentaria. Se busca fortalecer al sector agropecuario

para producir los alimentos que consume la población de forma eficiente y
segura, a través de la capacitación a los productores, particularmente a los
pequeños agricultores de subsistencia. Con tal fin se promueven créditos y
financiamientos con bajas tasas de interés, estimulando la reconversión a nuevos
rubros, la innovación con la adopción de nuevas técnicas de producción, como
por ejemplo la agricultura en ambientes controlados. También la producción de
pollos en ambientes cerrados, donde el país es altamente competitivo. Sin
embargo, no se abandonan los rubros extensivos tradicionales, como el arroz y
el maíz de consumo nacional, el banano, la piña, las cucurbitáceas, camarones,
carnes de res y vegetales para la exportación, protegiendo el ambiente e
incorporando las energías renovables.

En los últimos años la economía panameña ha mantenido un comportamiento muy

favorable (PNUD, 2016). El período del 2009 al 2012 se caracterizó por la ejecución de
obras de infraestructura pública, como es el caso de la ampliación del Canal de Panamá,
con un costo inicial de 5.250 millones de dólares, la construcción de una segunda
terminal de pasajeros en el aeropuerto internacional de Tocumen, la expansión de la
capacidad de puertos existentes en el país, el levantamiento de diferentes
proyectos inmobiliarios, el proyecto de saneamiento de la bahía de Panamá, la

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.

Según el Ministerio de Economía y Finanzas de Panamá y del Banco Mundial la tasa de

inflación del país en el año 2015 fue del 0.1%, atribuida fundamentalmente a:

• El costo de los insumos agropecuarios

• El costo de las materias primas en la manufactura de alimentos
• Los precios de los combustibles
26
 • El precio de la energía eléctrica
• La expansión de la demanda agregada
• Los costos salariales
• El aumento de los impuestos sobre la producción, sobre el valor agregado y
sobre el consumo final

Según cifras de la Contraloría General de la República y el informe del Programa de

Naciones Unidas para el Desarrollo (2016), el ingreso per cápita fue de 13,519 $, con
una tasa de desempleo sostenida en los últimos 5 años de 4,1%, lo cual refleja
estabilidad en el crecimiento económico. Sin embargo, a pesar de esa bonanza, el índice
de Gini es de 0,519, lo que le valió a Panamá ser uno de los países más inequitativos del
continente, en la posición 140 entre 160 países.

Según el Informe de Desarrollo Humano del Programa de Naciones Unidas para el

Desarrollo (2016), en Panamá aproximadamente 4 de cada 10 personas viven en estado
de pobreza total (36,8%) y el 16,6% de la población vive en pobreza extrema,
evidenciando una tremenda asimetría, ya que en las áreas urbanas la pobreza llega al
20% y al 4,4% de la población en pobreza extrema, mientras que en las áreas rurales no
indígenas la pobreza se alcanza al 54,0 % y la pobreza extrema al 22% de las personas.
En las zonas rurales indígenas, sin embargo, casi la totalidad de las personas son pobres
(98,4%) y el 90% de la población vive en condiciones de extrema pobreza, con lo cual
la tipología típica del pobre panameño viene a ser una mujer Ngäbe (pueblo indígena
que habita en el occidente de Panamá).

1.2. SISTEMA DE SALUD DE PANAMÁ

1.2.1. Organización del Sector Salud panameño

El Sector Salud panameño pertenece al gabinete social y está conformado por

las siguientes instituciones:

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.

Según la Organización Mundial de la Salud (OMS), la salud se define como: “estado

completo de bienestar físico, mental y social y no solamente ausencia de enfermedad”.
Asegurar a la población el derecho a la salud, como bien público, es una responsabilidad
constitucional que recae en el estado panameño, el cual traduce sus acciones para lograr
este objetivo nacional a través del sistema de salud que, según la OMS “es la suma de
todas las organizaciones, instituciones y recursos cuyo objetivo principal consiste en
mejorar la salud”. Igualmente se establece que un sistema de salud necesita personal,
financiación, información, suministros, transportes y comunicaciones, así como una
orientación y una dirección general. Dicho Sistema Nacional de salud funciona en
Panamá como ente rector, proveedor, comprador y fiscalizador, con dos instituciones
públicas separadas, que mantienen cada uno su planificación y la ejecución de sus
planes y programas, con escasa articulación entre sí, lo que repercute en el servicio que
recibe la sociedad.

El sistema de salud panameño se subdivide en el subsector público y el subsector

privado. El subsector público está constituido por el Ministerio de Salud (MINSA) y la

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.

a) Ministerio de Salud. Hasta 1969 se denominaba Ministerio de Trabajo, Previsión

Social y Salud Pública, adquiriendo desde el año de 1969 el nombre de Ministerio de
Salud (MINSA). Por mandato de la Constitución Nacional tiene la responsabilidad de
velar por la salud de la población y garantizar servicios que sean adecuados para el
logro de este objetivo, lo cual lo faculta para fijar la política del sector y coordinar a las
otras instituciones del sector público y privado.

Su misión es asegurar con enfoque de género el acceso a toda la población a los

servicios de salud, respetando al ser humano, en todos los niveles de atención, basado
en la estrategia de atención primaria, mediante sus funciones de rectoría y gestión con
equidad, eficiencia, calidad, calidez en la atención y en un marco que asegure la
transparencia en el uso de los fondos públicos, estimulando la participación ciudadana
en la producción social de la salud.

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

Conforme a los datos de la CEPAL (Tromben, 2016), en América Latina y el Caribe el

gasto público social ha ido aumentando de forma constante en las últimas décadas,
especialmente en la última. La evolución económica de la mayor parte de los países de
la región fortaleció progresivamente sus políticas macroeconómicas y fiscales,
promoviendo la protección social y la generación de incentivos hacia la mayor
eficiencia del gasto público, en la búsqueda de mejores resultados. A pesar de todo,
todavía es muy visible la necesidad de fortalecer aún más dichas políticas, blindando
especialmente las intervenciones sobre aquellos grupos de población más vulnerables en
áreas y campos sociales de alta demanda e impacto, principalmente en los servicios
comentados con anterioridad: la salud, la educación, la seguridad ciudadana y el
fortalecimiento de la administración de justicia.

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)

Fuente: Tromben (2016)

Figura 1.5. América Latina y el Caribe: gasto social y PIB per cápita (en porcentajes del
PIB e índice 1990=100)

Fuente: Tromben (2016)

Los recursos económicos en salud han sido enfocados en el modelo tradicional de

atención de salud, centrado en la enfermedad (patocéntrico) y no en la prevención del
daño o enfermedad. Una de la acciones, ejemplo de este hecho, es la cobertura de

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)

Fuente: OPS/OMS (2016)

1.3.3. Otros indicadores relevantes de salud

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)

Fuente: Registro médicos y Estadísticos en Salud. Ministerio de Salud 2014

De igual forma, en otros indicadores comparados, especialmente los de salud pública e

incidencia de enfermedades de notificación obligatoria, como son la infección por VIH
(Virus de la Inmunodeficiencia Humana), el SIDA (Síndrome de Inmunodeficiencia
Adquirida), la tuberculosis y otras, la posición de Panamá muestra una alta tasa de
incidencia, especialmente en el VIH, que la sitúan por encima de la media
centroamericana y de toda la región de las Américas. También se mantiene ligeramente
más alta que la incidencia observada en la mayor parte de países de la región,
exceptuando Belice y la Guyana Francesa. Llama la atención el caso de la tuberculosis,
enfermedad que guarda estrecha relación con la anterior, observándose una tasa
igualmente superior al promedio de la región centroamericana y de toda la región de las
Américas, solamente superada por Nicaragua y El Salvador (Tabla 1.3).

35
 Tabla 1.3. Comportamiento comparado enfermedades de notificación obligatoria en la
región de Centroamérica y Caribe (2016)

Fuente: OPS/OMS (2016)

Se estima que el 75% de la población tiene acceso a instalaciones de salud aceptables.

Sin embargo, existe un número alarmante de casos de VIH/Sida, con lo cual no se ha
podido abatir la incidencia de tuberculosis pulmonar de 50 por cada cien mil habitantes.
Esto indica que no es suficiente con tener acceso a los servicios, sino que es necesaria
también la promoción de la participación social y la educación para el control de estas
dos patologías.

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 el estudio recogido en Dever (1976) se analizaron cuatro variables y su impacto en la

reducción de la mortalidad y morbilidad: la organización de los servicios de salud, los
estilos de vida, el efecto del medioambiente y la biología. Dicho estudio concluyó que
hay que hacer cambios radicales en los servicios de salud, ya que actualmente aportan
poco en la reducción de la morbilidad y mortalidad, en parte debido al incremento de las
enfermedades crónicas no trasmisibles, las patologías catastróficas para las cuales no
hay curación. Esto cuestiona nuevamente la racionalidad de la financiación en curación
comparada con la mejora en los estilos de vida, educación y prevención de
enfermedades, así como la actuación sobre el medio ambiente (Figura 1.6).

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

Fuente: Dever (1976)

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.

1.3.4. Gasto en Salud en Panamá

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.

1.3.4.1. Presupuesto del Ministerio de Salud

La estructura de presupuesto del MINSA contempla dos componentes principales, los

gastos corrientes y las inversiones. Los primeros, a su vez, están compuestos por las
siguientes partidas presupuestarias:

 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:

- Pensiones, que se pagan y transfieren a la CSS

- IDAAN (Instituto de Acueductos y Alcantarillados Nacionales)
- Autoridad de Aseo
- PROBIDSIDA (Fundación Pro Bienestar y Dignidad de las Personas
Afectadas por VIH-SIDA)
- SENAPAN (Secretaría Nacional para el Plan Nacional de Seguridad
Alimentaria y Nutricional)
- Otros recursos de los Patronatos y otros subsidios que pertenecen a
instituciones del sector)

Si consideramos el presupuesto acumulado de los últimos 8 años (Tabla 1.5),

observamos que los gastos corrientes representan aproximadamente el 73,9% del
presupuesto total del MINSA, siendo las inversiones el restante 26,1%. El 60,5% de los
gastos corrientes corresponden a las transferencias; mientras que los gastos de
funcionamiento suponen el 39,5% restante. Dentro de estos últimos, el 66%
corresponde a Servicios Personales, siendo este porcentaje consistente a través de los

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

SERVICIOS 34,812,436 59,761,387 82,805,000 288,050,056

PERSONALES
81,059,749 150,625,665 162,852,400 727,609,552
SERVICIOS NO 162,918,255 179,764,714 199,355,678 232,683,312 250,715,026
PERSONALES 17,898,251 15,809,087 21,183,813 18,883,054 36,897,028 1,354,597 1,505,499 2,010,200 10,337,540
MATERIALES Y 58,047,188 62,738,713 54,201,568 79,018,633 79,065,636
SUMINISTROS 2,187,936 2,461,425 109,031 41,598 667,253
MAQUINARIAY EQUIPO 435,573,186 466,522,377 526,303,114 507,695,179 560,576,883
B. TRANSFERENCIAS 658,127,054 722,981,778 787,773,300 4,665,552,871
CORRIENTES

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

Fuente: Dirección de Planificación de Salud (Ministerio de Salud, 2015).

1.3.4.2. Presupuesto de la Caja de Seguro Social

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.

Según la ley 51 de 27 de diciembre de 2005, las fuentes de financiamiento de la CSS

provienen de ingresos por cuotas regulares, especiales y primas de riesgos
profesionales, que representan el 9,75% del salario mensual de los trabajadores (los
empleadores pagan el 12,25% del salario de los trabajadores); una participación en el
impuesto selectivo a las bebidas gaseosas, alcohólicas y cigarrillos; aportes del Estado,
que representan el 8% de la planilla del Estado; la recuperación de morosidad;
reingresos de capital; comisión por administración de fideicomisos; reembolsos del
costo de la planilla del fondo complementario; el 10% de las primas cobradas por
riesgos profesionales, herencias, legados o donaciones que reciba la institución y el 10%
de los ingresos netos de las concesiones que el Estado otorgue en materia de fibra
óptica.

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.

1.3.5. Organización y funcionamiento del sistema de salud de Panamá

Actualmente la República de Panamá cuenta con 915 instalaciones públicas de salud, de

las cuales 835 pertenecen al Ministerio de Salud y 80 a la Caja del Seguro Social. 212
instalaciones pertenecen al primer nivel de atención, y poseen al menos un equipo
básico, el cual, además de ofrecer servicios intramuros, se encarga por medio de equipos
de respuesta rápida de acciones de vigilancia epidemiológica, atención al ambiente,
vigilancia de vectores y, junto a la fuerza de tarea conjunta, participa en la atención a
desastres naturales (en coordinación con los Bomberos, Policía Nacional, Sistema
nacional de Protección Civil, Cruz Roja, Ministerio de Vivienda y Ministerio de
Gobierno, entre otros).

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.

El Sistema de Salud de Panamá se organiza de acuerdo a la demanda de servicios de la

población, a la capacidad resolutiva de la oferta de servicios, a los recursos disponibles
y al grado de complejidad del servicio. Para ello, se definen tres niveles de atención:

I NIVEL DE ATENCIÓN

A- PUESTO DE SALUD

 Dependencia: Centro 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.

B- SUB CENTRO DE SALUD

 Dependencia: Centro de Salud.

 Ubicación: áreas de difícil acceso.
 Recurso Humano: Auxiliar de Enfermería (Técnico) o Enfermera permanente.
 Atención periódica: equipo básico de Salud del Centro de Salud que dependen o
por equipo de Salud Itinerante.
 Cartera de Servicio: Promoción y Prevención de la Salud; Primeros Auxilios;
Atención Médica y Enfermería Programada a la Población (controles de Salud y
Atención de Morbilidad).

C- CENTRO DE PROMOCIÓN DE LA SALUD

 Dependencia: Centro de Salud.

 Ubicación: áreas de la comunidad.
 Recurso Humano: participa el equipo básico de salud.
 Cartera de Servicio: participación Social y Educación; Comunicación para la
Salud; Organización comunitaria.

D- CENTROS DE SALUD BÁSICO

 Unidad de salud, que tiene bajo su responsabilidad al puesto de salud, subcentros

de salud y a los centros de promoción de la salud.
 Recurso Humano: médicos, odontólogos, enfermeras, auxiliares o técnicos de
enfermerías, farmacéuticos, Inspector de Saneamiento Ambiental y Vectores,
otros.

44
  Cartera de Servicio: promoción y prevención de la Salud; diagnóstico y
tratamiento de problemas de Salud; saneamiento básico y ambiental.

E- CENTRO DE SALUD CON ESPECIALIDAD

 Ubicados en las cabeceras de distritos o de provincia.

 Recursos humanos: cuentan con médicos generales, médicos especialistas en
pediatría, ginecología y obstetricia, dependiendo del perfil epidemiológico de la
comunidad.
 Cartera de Servicio (eminentemente ambulatorio). Sus funciones son:
o Promoción de la Salud.
o Prevención de la Salud.
o Atención en general, controles de salud, otros.
o Servicios de Urgencias
o Diagnóstico y tratamiento de problemas de salud por Medicina General y
Especialistas.
o Servicios de apoyo al diagnóstico y tratamiento, como laboratorios,
radiografías, farmacias y otros.
o Saneamiento básico y Ambiental.

F- CENTRO DE SALUD CON CAMAS

 Recurso Humano: médicos generales y especialistas, odontólogos, enfermeras,

auxiliares o técnico de enfermería, farmacéutico, laboratorista, técnica de
Saneamiento Ambiental, y/o vectores, especialistas de gineco-obstetricia,
pediatría y otros según perfil epidemiológico.
 Cartera de Servicio:
o Promoción de la Salud.
o Prevención de la Salud.
o Atención en general, controles de salud, otros.
o Diagnóstico y tratamiento de problemas de salud.
o Apoyo al diagnóstico y tratamiento (laboratorio, farmacia, radiólogos y
otros).
o 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

 Recurso Humano: médicos generales y especialistas gineco-obstetricia, pediatría,

odontólogos, enfermeras, auxiliares o técnico de enfermería, farmacéutico,
laboratorista, técnica de saneamiento ambiental, y/o control de vectores y otros
según perfil epidemiológico.
 Cartera de Servicio:
o Promoción de la Salud.
o Prevención de la Salud.
o Atención en general, controles de salud, otros.
o Diagnóstico y tratamiento de problemas de salud.
o Apoyo al diagnóstico y tratamiento (laboratorio, farmacia, radiólogos y
otros).
o Saneamiento básico y ambiental.
o Centro de referencia.
o Atención de parto normal.

 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

 Recurso Humano: estos centros de atención integral funcionan con un equipo

multidisciplinario integrado por terapista de lenguaje, terapistas ocupacionales,
fisioterapistas, fonoaudiología, trabajador social y psicología.
 Carteras de Servicios de Salud: cuenta con fonoaudiología, medicina física
(fisioterapia), problemas de lenguaje y psicología, estimulación temprana,
lesiones, parálisis cerebral, parálisis facial, movilidad reducida, fracturas de codo,
mala postura, entre otras.
 Características:
o La inclusión y la atención a personas con diferentes tipos de
discapacidad física y sensorial fueron creadas para descentralizar la
atención.
o Describir la patología o enfermedad, identificando su causa, sus
repercusiones en la vida cotidiana, su evolución en el futuro, y las
expectativas de mejora.
o Determinar las necesidades de tratamiento del paciente y su familia.
o Plantear objetivos de tratamiento realista y comprobable.
o Además, permite establecer los criterios base a partir de los cuales se
espera una mejora, lo que facilita valorar el cumplimiento de los
objetivos terapéuticos planteados.

II NIVEL DE ATENCIÓN

I- POLICENTRO DE SALUD

 Recurso Humano: Médicos Generales y Especialistas, Odontólogos, Enfermeras,

auxiliares o Técnico de Enfermería, Farmacéutico, Laboratorista, Técnica de
Saneamiento Ambiental, y/o vectores, Especialistas de Gineco-Obstetricia,
Pediatría y otros según perfil epidemiológico.
 Cartera de Servicio:
o Promoción de la Salud.
o Prevención de la 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

 Ubicación: áreas rurales, alejada de la cabecera de provincia.

 Recurso Humano: Médicos Generales y Especialistas, Odontólogos, Enfermeras,
auxiliares, Técnico de Enfermería, Farmacéutico, Laboratorista, Técnica de
Saneamiento Ambiental, y/o vectores, Especialistas de Gineco-Obstetricia,
Pediatría y otros según perfil epidemiológico.
 Cartera de Servicio:
o Atención ambulatoria.
o Promoción de la Salud.
o Prevención de la Salud.
o Atención en general, controles de salud, otros.
o Diagnóstico y tratamiento de Problemas de la Salud.  Urgencias las 24
Horas.
o Apoyo al diagnóstico y tratamiento (farmacia, laboratorio, radiografías y
otras).
o Hospitalización.
o Salud ambulatoria.

48
  Características: completa la capacidad resolutiva de las instalaciones de menor
complejidad y realizan servicio ambulatorio y de hospitalización.

K- HOSPITALES REGIONALES

 Recurso Humano: médico especialistas y subespecialistas según perfil

epidemiológico, enfermeras, técnica de enfermería y/o auxiliares de enfermería,
laboratorista, farmacéutico, radiólogo, nutricionista, psicóloga, trabajador social y
técnica de apoyo al sistema de atención.
 Cartera de servicio:
o Atención ambulatoria.
o Hospitalización en medicina Interna, Gineco-obstetricia, pediatría,
psiquiatría, cirugía y medicina General.
o Apoyo al diagnóstico y tratamiento (fisioterapia, imagenología,
laboratorio, farmacia).
o Urgencia las 24 horas.
 Características:
o Centro de referencia final de la demanda de la atención en la Región de
Salud.
o Recibe referencia de las Instalaciones del II y I nivel de atención.

III TERCEL NIVEL DE ATENCIÓN

L- HOSPITALES NACIONALES

 Recurso Humano: médico especialistas y sub especialistas según perfil

epidemiológico, enfermeras, técnica de enfermería y/o auxiliares de enfermería,
laboratorista, farmacéutico, radiólogo, nutricionista, psicóloga, trabajador social y
técnica de apoyo al sistema de atención.
 Cartera de Servicio:
o Atención ambulatoria.
o Hospitalización en medicina Interna, Gineco-obstetricia, pediatría,
psiquiatría, cirugía general y subespecialidades según perfil
epidemiológico.

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

 Recurso Humano: médicos, médico especialistas y sub especialistas según perfil

epidemiológico, enfermeras, técnica de enfermería y/o auxiliares de enfermería,
laboratorista, farmacéutico, radiólogo, nutricionista, psicóloga, trabajador social y
técnica de apoyo al sistema de atención.
 Cartera de Servicio:
o Sub-especialidades quirúrgicas
o Unidad Coronaria de cuidados intensivos.
o Trasplantes de órganos y tejidos
o Servicios de urgencia de alta resolución
o Servicios auxiliares de diagnóstico y tratamientos altamente
especializados.

50
  Características: la estructura de un hospital está especialmente diseñada para
cumplir las funciones de prevención, diagnóstico y tratamiento de enfermedades.

M- INSTITUTO ESPECIALIZADO

 Recurso Humano: equipo multidisciplinario: médicos, médicos especialistas y

subespecialistas, cirujanos, enfermeras, auxiliares, otros.
 Cartera de servicio: atención ambulatoria, pre y post hospitalaria de alta
complejidad y de internación hospitalaria de especialidades y sub especialidades.
 Características:
o Constituyen instalaciones de referencia para la atención de todos los
niveles de complejidad.
o Ofrecen la más alta tecnología de servicios para satisfacer las
necesidades de un sistema orgánico.
o Realizan investigaciones científicas y/o atención de patológica específica
como el cáncer y rehabilitación.

O- CENTROS NACIONALES ESPECIALIZADOS EN SALUD

 Recurso Humano: equipo multidisciplinario: médicos, médicos especialistas,

cirujanos, enfermeras, auxiliares, otros.
 Cartera de Servicios:
o Atención ambulatoria pre y post hospitalaria de alta complejidad y de
internación hospitalaria de especialidades y sub especialidades.
o Constituyen instalaciones de referencia para la atención de todos los
niveles de complejidad.
o Dirigidos a ofrecer la más alta tecnología.
o Trasplantes de órganos de tejidos
o Centros toxicológico.
o Tratamiento de cáncer.
o Politraumatismos, quemaduras de gran extensión corporal.
o Atención de enfermedades secuelizantes.
 Características: en estas unidades serán previstas las atenciones por patologías
específicas que requieran de alta tecnología.

51
La Tabla 1.6 ofrece una síntesis de la distribución de las distintas organizaciones
sanitarias entre las provincias de la República de Panamá.

Tabla 1.6. Instalaciones por región de Salud MINSA-CSS

1.3.6. Complejidad de la red de salud

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.

La Ley 10 de enero de 1990, en su capítulo de organización y administración de los

servicios de salud, artículo 5, establece cuáles son los criterios que se utilizan para
determinar el grado de complejidad de los servicios que pueden prestar las diferentes
entidades de salud que incluyen:

a) Patologías que atiendan o prevean atender con su grado de severidad y la

frecuencia de la misma.
b) Base poblacional.
c) Tipo y formación del personal vinculado.
d) Características y condiciones del instrumental y equipo disponible.
e) Apropiación y uso de la tecnología disponible en la entidad.
f) Característica de la planta física.
g) Características de la entidad: ubicación geográfica, características sociales y
culturales de la población, población cubierta en términos de referencia y contra
referencia, tipos de servicio que requiere la población, volumen de recursos
financieros dedicados a funcionamiento e inversión.

También se establecen las responsabilidades por niveles de complejidad del personal en

(Tabla 1.8):

- Nivel I: Médico general y/o personal auxiliar, paramédico u otro personal de

salud no especializado.

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.

Tabla 1.8. Clasificación de los Servicios de Salud según el grado de complejidad

Tipo de instalación Ubicación/ Dependencia Recurso Humano Cartera de Servicio
Ayudante o Asistente Salud Atendido Promoción de la Salud. Prevención de la Salud.
Áreas rurales de difícil Periódicamente, equipo básico de Salud del Primeros Auxilios
Puesto de Salud
acceso/Centro o de Salud centro de Salud responsable o por el equipo de
salud itinerante.

Enfermería Enfermera Atención Periódica; Promoción de la Salud. Prevención de la Salud.

Equipo básico de Salud del Centro de Salud que Primeros Auxilios. Atención Medica y enfermería
áreas de Difícil acceso/ dependen o por equipo de programada a la Población (controles de Salud y
Sub Centro de Salud
Centro de Salud Salud Itinerante. Atención de Morbilidad).
Auxiliar de
(Técnico) permanente.

Organización comunitaria. Participación Social.

Centro de Promoción de la Áreas de la comunidad/
Participa el equipo de salud Educación y comunicación para la Salud.
Salud Centro de Salud

Médico, odontólogos, enfermeras, auxiliares, Promoción de la Salud. Prevención de la Salud.

Áreas de la comunidad/ técnica de Enfermerías, farmacéuticos, Diagnóstico y tratamiento de problemas de Salud.
Centros de Salud Básico
Centro de Salud Inspector de Saneamiento Ambiental y Saneamiento básico y ambiental.
Vectores

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,

Médico general, odontólogo, Promoción de la Salud. Prevención de la Salud.

Médico Interno, Obstetricia, Diagnóstico y tratamiento de problemas. Cirugía
psiquiatras, ambulatoria.
Policentro de Salud
fisioterapias, laboratorio, radiología, Urgencias. Apoyo al diagnóstico y tratamiento
farmacéutico y trabajo social, técnico de salud (laboratorio, farmacia, imagenología, radiografías
Ambiental y/o Vectores. y otros). Saneamiento básico y Ambiental.

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,

Fuente: Dirección Nacional de Planificación (MINSA y CSS)

1.4. SISTEMA PÚBLICO HOSPITALARIO DE PANAMÁ

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:

a) Hospitales con financiamiento exclusivo de la Caja del Seguro Social de Panamá.

b) Hospitales con financiamiento exclusivo del Ministerio de Salud.
c) Hospitales con financiamiento mixto (MINSA y CSS).
d) Hospitales gestionados mediante ley especial por Patronatos que también cuentan
con financiamiento mixto.

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.

Igualmente, desde el año 2009 se han realizado mediciones de calidad y evaluaciones de

desempeño a instalaciones de salud, y, a partir de 2014, se inició un proceso de
evaluación de dichos estándares por el Ministerio de Salud a través del Departamento de

55
Instalaciones y Servicios de Salud. Este ejercicio se realiza anualmente en alrededor de
19 instituciones:

- Rurales: como Aligandi, Isla Colón Bocas del Toro

- Regionales y nacionales: Hospital Santo Tomás, Hospital del Niño, Complejo
Hospitalario de la Caja del seguro Social , Hospital Especialidades Pediátricas
- Seis Centros de Salud: Centro de Salud (CS) San Mateo, CS Veranillo, CS Santa
Ana, Policentro de Colón, CS San Francisco, tanto del MINSA como de la CSS.

La información se encuentra recogida en el Documento de Medición de Optimización

del desempeño con calidad (2009-2015), elaborado por el Departamento de
Instalaciones y Servicios de Salud a la Población de la Dirección General de Salud de
Panamá.

1.4.1. Oferta hospitalaria en la red pública de Panamá

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.

De este total de establecimientos, cabe anotar que menos del 8% corresponden a

hospitales de distinto nivel de complejidad. El 92% restante está formado
fundamentalmente por establecimientos de primer y segundo nivel de complejidad de
tipo ambulatorio (Figura 1.7).

56
 Figura 1.7. Instalaciones de salud en Panamá (2011-2015)

Fuente: Instituto Nacional de Estadísticas INE. República de Panamá (2017)

Tomando como referencia este 8% de establecimientos hospitalarios, que reúnen en su

conjunto un total de 9.071 camas hospitalarias de financiamiento público, su mayor
nivel de concentración, en cuanto a volumen neto de camas, se encuentra
mayoritariamente en las Provincias de Panamá, Chiriquí, Bocas del Toro, Veraguas y
Herrera. Además, el mayor grado de concentración de camas hospitalarias por cada
1.000 habitantes lo encontramos, en orden descendente, en las provincias de Herrera,
Los Santos, Chiriquí, Darién y Panamá (Figura 1.8).

Ese grado de concentración podrá modificarse de manera significativa en los próximos

años al entrar en funcionamiento los nuevos establecimientos hospitalarios tanto del
MINSA como de la CSS, que en la actualidad se encuentran en diferentes fases de su
proceso constructivo, especialmente en la capital, donde solo el proyecto de la Ciudad
de la Salud (megaproyecto gestionado y financiado por la CSS) prevé la incorporación
en los próximos años de aproximadamente 1.200 camas hospitalarias de alta
especialidad adicionales a las ya existentes. El MINSA también está finalizando la
construcción de nuevos establecimientos hospitalarios que reforzarán la oferta de
camas. Concretamente en las provincias de Colón (476 camas), Los Santos (291 camas),
Chiriquí (145 camas), Darién (145 camas) y Veraguas (423 camas), además de la
construcción del nuevo Hospital del Niño (525 camas) en la Ciudad de Panamá.

57
 Figura 1.8. Camas por cada mil habitantes en las instalaciones de salud de Panamá,
según provincia y comarca indígena (2011 y 2015)

Fuente: Instituto Nacional de Estadísticas INE. República de Panamá (2017)

Todas esas inversiones requieren una adecuada planificación de actividades técnicas y

administrativas para la puesta en marcha de las instalaciones nuevas; pero también una
adecuada coordinación que permita el correcto dimensionamiento de la oferta
tecnológica, financiera y de recursos humanos especializados, que serán necesarios para
asegurar su correcto funcionamiento en los próximos años. Es necesario, además,
realizar un esfuerzo técnico para planificar la mejor articulación posible de los servicios
a nivel de las distintas regiones de salud para que la oferta pública existente, más la
nueva que está por incorporarse, se optimice y, a la vez, se complementen las carteras
de servicios de MINSA y CSS.

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.

A modo de resumen podemos indicar que en el registro institucional aparecen 40

hospitales, de los cuales 25 (el 64%) pertenecen al Ministerio de Salud y 14 (el 36%) a
la Caja del Seguro Social. El Hospital Irma de Lourdes Tzanetatos fue construido
gracias a una donación del Gobierno de Taiwán a la República de Panamá y pertenece
al Ministerio de Salud. Funciona mediante convenio bajo la administración de la Caja
del Seguro Social, pero atiende a toda la población de la región. De los 25 hospitales del
MINSA, 9 (el 36%) son de II nivel y 10 (el 40%) son hospitales de I-II Nivel, muy
básicos y con un grado de complejidad baja. Están ubicados en áreas rurales y en
comarcas indígenas, atendiendo a poblaciones muy dispersas. La Caja del Seguro Social
tiene 2 (el 14%) con este nivel de complejidad y 9 de segundo nivel de complejidad (el
64%).

En cuanto a los hospitales de III nivel o Institutos especializados, 2 pertenecen a la Caja

del Seguro Social y 4 al Ministerio de Salud. El Instituto Nacional de Medicina Física y
Rehabilitación no tiene camas hospitalarias y su servicio se ofrece durante el día, por lo
que para fines prácticos de este trabajo no es considerado como hospital.

Dado el interés que tiene para el correcto desarrollo de la presente investigación la

adecuada identificación de los hospitales que pertenecen a cada sistema sanitario, a
continuación se ofrece un resumen sintético de los hospitales existentes en el país y su
distribución geográfica por provincias.

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)

Bocas del Toro

Hospital de Bocas del Toro – Isla (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)

1.4.3. Hospitales de la Caja del Seguro Social

Ciudad de Panamá
Hospital Pediátrico (III nivel) (Hospital Nacional)
Complejo Hospitalario Dr. Arnulfo Arias Madrid (III nivel) (Hospital Nacional)

Bocas del Toro

Hospital de Changuinola (II nivel)
Hospital de Almirante (I-II nivel)
Hospital de Chiriquí Grande (I-II nivel)

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)

Panamá Este. Chepo

Hospital de Chepo (II nivel)

Ciudad de Panamá
Hospital Susana Jones (II nivel)
Hospital 24 de Diciembre (II nivel)
Hospital Hogar de la Esperanza (I- II nivel)

1.5. LECCIONES APRENDIDAS: “MAS VALE PREVENIR QUE CURAR”

El Rey Carlos I de España, a través de un decreto firmado en 1534, instruyó al

gobernador de la región en levantar los planos para construir un paso del Atlántico al
Pacífico utilizando el Rio Chagres, siguiendo la ruta descrita por Vasco Núñez de
Balboa en el primer avistamiento del mar del sur en 1513. Desafortunadamente este
proyecto no logró materializarse. Después de la independencia de Panamá de España, el
28 de noviembre de 1821, la joven República era con frecuencia presa fácil de piratas y
corsarios por su casi nula capacidad de defensa, situación que llevó al pueblo a su
anexión voluntaria a la Gran Colombia, en busca de protección por una alianza fuerte,
inspirados por las ideas libertarias de Simón Bolívar. Con el paso de los años los países
que constituían la Gran Colombia fueron declarando su separación, quedando al final el
Istmo de Panamá como un apéndice de Colombia. La postergación en materia de
educación, salud, y oportunidades de empleo, trajo como consecuencia el

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.

La construcción del Canal Francés, liderada por el famoso ingeniero Ferdinand de

Lesseps, quien había construido exitosamente el canal de Suez, vino a ser una brisa de
aire esperanzador en el istmo. Sin embargo, la falta de planificación, el desconocimiento
del entorno y la pretensión de replicar el canal de Suez a nivel, sumado a lo agresivo e
inhóspito del ambiente tropical de la faja canalera, mermaron la salud de los
trabajadores. Más de 22.000 personas fallecieron, víctimas de enfermedades tropicales,
como la fiebre amarilla y la malaria, y de problemas pulmonares como la tuberculosis.
La muerte de tantas personas, las enormes pérdidas económicas y la ausencia de apoyo
gubernamental llevaron a la banca rota a la Compañía del Canal Francés, lo cual hizo
que la población de la provincia de Panamá cayera en la angustia y desesperanza al ver
esfumarse con este fracaso sus posibilidades de progreso.

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.

La estrategia de Bunau Varilla se fortalece al ser designado por la incipiente República

como el negociador por Panamá ante los Estados Unidos, debido a sus múltiples
contactos políticos y económicos en ese país, lo que culmina con la firma del tratado

63
Hay-Bunau Varilla el 18 de noviembre de 1903, al adquirir los EUA los derechos del
fracasado canal francés por Panamá.

En materia de salud podríamos considerar la estrategia sanitaria de la compañía del

Canal Francés como centrada en la enfermedad, es decir curar y atender a los pacientes,
para ello construyeron el primer hospital en el istmo, llamado “L’ Hospital Notre Dame
Du Canal”, que se inauguró el 12 de septiembre de 1882, con un costo de 500 millones
de francos, siendo su primer nombre, Hospital Ancón, luego renombrado Hospital
Gorgas.

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”.

Ya en la actualidad, la mayoría de los expertos en salud que apoyan las diversas

corrientes durante las campañas políticas, reconocen la necesidad de reorientar los
recursos financieros y presupuestarios a la prevención, a la promoción de la salud y a la
atención primaria. Consecuentemente, esta idea aparece plasmada en todas las
propuestas de los candidatos presidenciales. Sin embargo, al momento de llegar al
gobierno, en todos los casos los gestores se concentran en atender problemas
coyunturales, invirtiendo en construcciones de hospitales y profundizando en la
inequidad en salud existente. Esto hace que se mantenga la insatisfacción crónica de la
población por la baja calidad de los servicios recibidos, la falta de medicamentos e
insumos médicos-quirúrgicos, la mora quirúrgica y las largas listas de espera para
obtener citas con médicos especialistas. Por otra parte, la población se acostumbra a
acudir espontáneamente a los servicios de urgencias, donde saben que no serán
rechazados y sus patologías serán atendidas rápidamente, con lo que se produce
migración de casos no urgentes que terminarán saturando los cuartos de urgencias de los

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.

Todo este cúmulo de factores pone en evidencia la necesidad de realizar el presente

estudio sobre la eficiencia del gasto sanitario de los hospitales de Panamá, ya que la
mayoría del gasto sanitario nacional se utiliza en ellos. Las acciones que ayuden a
racionalizar el gasto y a mejorar la eficiencia y la productividad de los hospitales
redundarán en la mejora de la atención y en un mejor uso de los recursos y, en
definitiva, en el incremento del nivel de Salud en Panamá.

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.

Con este propósito, el capítulo se ha estructurado en tres epígrafes. El primero introduce

los conceptos de eficiencia y productividad apoyándose en el análisis planteado en el
artículo seminal de Farrell (1957). Posteriormente, se plantean las diferentes alternativas
que pueden encontrarse en la literatura para obtener una medida adecuada de la
eficiencia, distinguiendo entre aproximaciones paramétricas y no paramétricas. Una vez
expuestas las diferencias entre estas dos aproximaciones, se realiza un análisis detallado
del método no paramétrico más representativo, el Análisis Envolvente de Datos (DEA),
en el que, además de su formulación básica, se presentan algunas extensiones de la
técnica que resultan de gran utilidad para el desarrollo posterior de esta investigación.
Como complemento a estas dos aproximaciones, se presenta un enfoque mixto muy
innovador que permite adaptar algunas de las ventajas que presentan los modelos
estocásticos a las técnicas no paramétricas. Por último, se exponen las principales
características de los métodos que habitualmente se emplean para medir la
productividad en el ámbito no paramétrico.

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

La idea de estudiar el comportamiento de las diferentes unidades productivas que

operan en un determinado sector resulta de gran interés para el análisis económico. En
este ámbito surgen conceptos como los de eficiencia y productividad, utilizados a veces
como sinónimos (es bueno que las empresas sean más eficientes y más productivas),
pero que en realidad se refieren a conceptos distintos. El objetivo de este epígrafe es
aclarar las diferencias existentes entre ambos conceptos.

a) El concepto de eficiencia

Los economistas muestran un elevado grado de consenso al considerar que una

asignación de recursos es eficiente cuando lo es en sentido de Pareto, es decir, cuando
no existe otra posible asignación de los mismos que mejore la situación de alguna
unidad productiva sin perjudicar a otra. Se trata, por tanto, de un concepto relativo,
basado en la comparación de la actuación de una unidad con la de otras similares.

El estudio y medición de las posibles ineficiencias presentes en un proceso productivo

están claramente vinculados con la idea de optimización que sustenta la teoría
económica. A través de estas medidas resulta posible distinguir entre los productores
que están gestionando adecuadamente sus recursos y los que no lo hacen, lo que resulta
de gran utilidad tanto para los propios agentes que intervienen en el proceso como para
el conjunto de la economía.

Al hablar del concepto de eficiencia productiva deben distinguirse dos dimensiones

distintas, la eficiencia técnica y la asignativa, de modo que la consecución de la
eficiencia global requiere el logro de ambas. La primera hace referencia a la idea de
evitar el derroche de recursos, ya sea utilizando más factores de los necesarios para
producir una determinada cantidad de output o produciendo menos de lo que cabría
esperar dada la dotación de inputs. De esta forma, el análisis de la eficiencia técnica
puede tener una orientación hacia la maximización del output o la minimización de los
inputs. La eficiencia asignativa, por su parte, está relacionada con la capacidad de los
productores para combinar los inputs y los outputs del modo más adecuado teniendo en
cuenta sus precios y la tecnología de producción. Puede ser considerada como la

70
capacidad de obtener la cantidad máxima de producto sin el reajuste de los factores de
producción según sus costes.

La presente investigación se centra esencialmente en la eficiencia técnica y los

mecanismos que pueden emplearse en su medición, puesto que en el contexto sanitario,
los precios de los factores productivos y de los outputs del proceso se desconocen o son
inadecuados, haciendo imposible o inútil la obtención de una medida de la eficiencia
asignativa.

Las primeras consideraciones teóricas acerca del concepto de la eficiencia técnica

fueron expuestas por Koopmans (1951), que la definió mediante un vector compuesto
por inputs y outputs, donde es tecnológicamente imposible incrementar algún output (o
reducir algún input) sin reducir simultáneamente algún otro output (o incrementar algún
otro input). Por tanto, un productor técnicamente ineficiente podría producir los mismos
outputs con menor cantidad de al menos un input, o podría usar los mismos inputs para
producir más de, al menos, un output. No obstante, esta primera definición resulta
bastante limitada pues sólo permitía diferenciar a los productores eficientes de los
ineficientes, sin ofrecer ningún mecanismo para medir el grado de la ineficiencia (Färe
et al., 1994).

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.

Siguiendo la explicación desarrollada por Lovell (1993), a continuación se introducen

algunos conceptos básicos y su notación con el propósito de facilitar la identificación de
las diferencias existentes entre la medida propuesta por Debreu y Farell y el concepto de
eficiencia definido por Koopmans, así como el modo en el que ambas se relacionan con
la estructura de la tecnología de producción.

Considérese un proceso productivo en el que las unidades productivas emplean un

vector de factores productivos o inputs x = ( x1 ,....., xn ) ∈ R+p con el fin de obtener un
conjunto de productos, los cuales se definen mediante un vector de outputs
y = ( y1 ,....., y m ) ∈ R+q . El conjunto de posibilidades de producción o tecnología de

producción está compuesto por todos los procesos productivos imaginables factibles:

{
ψ = ( x, y ) x ∈ ℜ +p , y ∈ ℜ q+ , ( x, y ) es posible } (1)

Aunque la tecnología es desconocida y no se puede observar, hay un conjunto de

supuestos que deben cumplirse:

 Se debe garantizar que la producción de cualquier nivel de output no nulo requiera

el uso de una cantidad positiva de inputs

( x, y ) ∉ψ si x = 0 , y ≥ 0 , y ≠ 0 (2)

 Axioma de disponibilidad débil de inputs. Si se incrementa la cantidad de factores

productivos empleados, el output no puede disminuir

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)

 L es una correspondencia cerrada. Con este supuesto se garantiza la existencia de

un subconjunto de puntos eficientes

En el caso de optar por una orientación a la reducción de inputs, el conjunto de

posibilidades de producción suele representarse formalmente mediante la siguiente
expresión:

L(y) = x : (y,x) es posible (7)

La frontera del conjunto de posibilidades de producción se representa mediante una

isocuanta, definida como el subconjunto de procesos productivos que permiten producir
al menos un determinado vector de output

IsoqL( y ) = {x : x ∈ L( y ), λx ∉ L( y ), λ ∈ (0,1)} (8)

La medida de la eficiencia se establece con respecto a un subconjunto de la tecnología

de referencia denominado subconjunto eficiente (incluye exclusivamente
combinaciones eficientes), que se define mediante la expresión:

EffL( y ) = {x : x ∈ L( y ), x´∉ L( y ), x´≤ x} (9)

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.

De manera análoga, si se utiliza un enfoque de maximización de los outputs todos estos

conceptos se representan de modo alternativo:

Tecnología de producción P(x) = y : (x,y) es posible (11)

Isocuanta IsoqP( x) = {y : y ∈ P ( x),θy ∉ P ( x),θ ∈ (1, ∝)} (12)

Subconjunto eficiente EffP ( x) = {y : y ∈ P ( x), y´∉ P ( x), y´≥ y} (13)

Función distancia DO ( x, y ) = max{θ : θy ∈ P( x)} (14)

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.

Figura 2.1. Medidas de la eficiencia técnica

(a) Orientación al input

(b) Orientación al output

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.

El trabajo de Farell (1957), además de definir el concepto de eficiencia técnica,

desarrolló también un mecanismo basado en la utilización de ratios que permitía
calcular índices de eficiencia para cada unidad, distinguiendo entre sus dos
componentes: técnico y asignativo. La explicación de su propuesta se apoya en el
análisis gráfico representado en la Figura 1.2. El autor parte de una función de
producción conocida que combina dos factores ( X 1 , X 2 ) para obtener un único producto
( Y ): Y = f ( X 1 , X 2 ) . Las cantidades mínimas de cada factor necesarias para producir
una unidad de output se representan a través de una isocuanta unitaria (SS´), de manera
que los puntos situados por encima son técnicamente ineficientes, pues en todos ellos
existe un cierto despilfarro en el uso de los recursos productivos.

Figura 2.2. Eficiencia técnica, eficiencia asignativa y eficiencia global

La observación de la Figura 1.2 permite deducir que la unidad productiva P no es

técnicamente eficiente en sentido de Farell, ya que la isocuanta indica que el output
producido por P podría ser obtenido utilizando una cantidad inferior de inputs sin variar
la combinación de los mismos, mientras que la unidad Q es técnicamente 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).

En cuanto a la obtención de una medida de la eficiencia asignativa, si se asume que los

precios de los factores productivos son conocidos y están representados por la pendiente
de puntos AA´ (contiene las diferentes combinaciones lineales de inputs que pueden ser
adquiridos con un determinado coste), la capacidad de la unidad P para utilizar sus
inputs de manera óptima, teniendo en cuenta sus precios relativos, se define a través del
ratio OR/OQ, siendo la ineficiencia asignativa 1 – OR/OQ. La distancia RQ representa
la reducción necesaria que debe producirse en los costes de producción para alcanzar el
punto Q´, en el que éstos son mínimos. Tanto Q como Q´ son eficientes técnicamente
por estar situados sobre la isocuanta, pero los costes de producción en Q´ son inferiores,
de modo que Q es ineficiente en sentido asignativo, mientras que Q´ es eficiente en
ambos sentidos (técnico y asignativo).

Finalmente, Farrell define una medida de eficiencia global (EG) como el producto de la
eficiencia técnica (ET) y la eficiencia asignativa (EA):

EG (OR/OP) = ET (OQ/OP) x EA (OR/OQ) (15)

Todo el análisis desarrollado a partir de la figura anterior parte de la idea de que se

conoce la función de producción, representada por medio de la isocuanta SS´, la cual
constituye el punto de referencia para el cálculo de las medidas de eficiencia. Sin
embargo, existen muchas situaciones reales en las que se desconocen cuáles son las
relaciones técnicas existentes entre las variables, lo que complica la medición operativa
de la eficiencia.

Este problema es considerado también por Farrell en su artículo original, en el que

propone un método para estimar la isocuanta eficiente a partir de los datos de las
entidades evaluadas. Esta estimación de lo que denomina una función de producción

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.

Figura 2.3. La medición empírica del concepto de eficiencia

Y0

0
L

Farrell impone dos condiciones a la isocuanta que va a estimar: convexidad y que no

tenga pendiente positiva en ningún punto. La primera, normalmente planteada en la
teoría microeconómica, supone que si dos puntos se pueden alcanzar en la práctica,
entonces también se podrá obtener cualquier otro que sea una combinación lineal de
aquellos. La segunda, por su parte, es necesaria para asegurar que el aumento de los
factores utilizados no implicará nunca una reducción en la cantidad de producto.

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

Cuando se habla de productividad normalmente se hace referencia a la idea de

productividad media de un factor, entendida como el número de unidades de output
producidas por cada unidad empleada del factor. Esta definición puede conducir a una
equivalencia con el concepto de eficiencia, a pesar de que son conceptos distintos,
puesto que la utilización de la productividad media sólo tiene validez en situaciones en
los que la tecnología se mantiene constante. No obstante, es necesario tener en cuenta
las posibilidades de sustitución entre inputs.

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

donde el superíndice hace referencia a un período de tiempo, y t es la cantidad de output

y x t es la cantidad de input en el período t. Para calcular el cambio en la productividad

entre dos períodos de tiempo consecutivos, t y t+1, se puede utilizar la siguiente
expresión:

 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)

El método más popular de evaluación dinámica es el índice de Malmquist, que no

precisa conocer función de producción ni precios de los diferentes inputs y outputs, y
que permite identificar los componentes de productividad de cada unidad: cambio de
eficiencia técnica (y ésta, a su vez, en eficiencia pura y eficiencia de escala) y cambio
tecnológico. Las principales características de este método se describen en la sección
2.4.

2.3. ENFOQUES METODOLÓGICOS PARA MEDIR LA EFICIENCIA

Los modelos de evaluación de la eficiencia pueden clasificarse en dos grandes grupos

según consideren o no una función de producción tipo frontera. Mientras que los
primeros (tipo frontera) estiman el valor máximo de output que puede alcanzarse en
proporción a los inputs según las unidades más eficientes de la muestra; las segundas
(tipo no frontera) calculan el valor medio del output que puede obtenerse dada la
cantidad de inputs disponible.

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.

La estimación empírica de la frontera puede realizarse siguiendo diversas

aproximaciones que, en general, suelen dividirse fundamentalmente en dos grandes
grupos: aproximación paramétrica y no paramétrica. En términos generales, carece de
sentido apostar por la superioridad de unas técnicas frente a otras, pues no existe ningún
tipo de aproximación que resulte totalmente óptima para llevar a cabo la evaluación de
un conjunto de unidades productivas. Por tanto, serán las propias características del
sector analizado, así como las restricciones de información, las que determinen, en cada
caso, cuál es la técnica de análisis más apropiada. A continuación se exponen las
características fundamentales de cada uno de estos enfoques y, de acuerdo con la
anterior observación, sus principales fortalezas y debilidades 8.

2.3.1. Aproximaciones paramétricas

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

En principio, estas especificaciones admiten la posibilidad de que existan observaciones

que se sitúen por encima de la frontera eficiente, algo que no admite el propio concepto
de frontera. Por tanto, el principal problema que plantea el análisis empírico consiste en
averiguar cuánto hay que desplazar hacia arriba la estimación media hasta alcanzar una
frontera productiva. En el método econométrico de mínimos cuadrados ordinarios
corregidos (Greene, 1980), la frontera se determina por la media de los
comportamientos, que posteriormente puede elevarse por diferentes vías hacia los
puntos extremos. Por el contrario, en las estimaciones que utilizan la optimización
mediante funciones de verosimilitud se fuerza a que todos los errores sean positivos, lo
que permite obtener directamente la frontera al realizar la estimación.

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.

2.3.2. Aproximaciones no paramétricas

Los métodos no paramétricos no requieren la imposición de una forma determinada a la

función de producción, siendo suficiente con la definición de un conjunto de
propiedades formales que debe satisfacer el conjunto de posibilidades de producción. La
flexibilidad que implica esta estructura supone una importante ventaja para aquellos
procesos productivos cuya modelización a través de una forma funcional conocida
resulte demasiado compleja, como ocurre en el contexto de los servicios públicos.

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.

La técnica empleada para la estimación de la frontera a través de estos métodos es la

programación matemática, siendo posible distinguir dos metodologías alternativas: el
Free Disposal Hull (FDH) y el Análisis Envolvente de Datos o Data Envelopment
Analysis (DEA). Ambas asumen que existe libre disponibilidad de inputs y outputs y
que todas las unidades reales consideradas en el estudio pueden formar parte del
conjunto de referencia, pero se diferencian en uno de los supuestos asumidos en la
estimación de la frontera de referencia: la convexidad.

Los modelos FDH, introducidos por Deprins et al. (1984) y desarrollados

posteriormente por Tulkens et al. (1993), se fundamentan en asegurar que las
evaluaciones de eficiencia deben basarse únicamente en las actuaciones de las unidades
efectivamente observadas y no en la de unidades ficticias construidas a partir de
combinaciones lineales entre unidades que se consideren eficientes, tal y como plantea
Farrell (1957). Por el contrario, en el DEA sí se incorporan a la construcción de la
frontera estas combinaciones lineales entre unidades eficientes, tal y como se expone a
continuación.

2.3.2.1. Análisis Envolvente de Datos (DEA)

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).

Desde el punto de vista de su formulación, el Análisis Envolvente de Datos plantea un

problema de programación matemática para cada unidad observada o DMU 12, cuya
resolución permite asignarle un índice de eficiencia. La formulación estándar de este
programa puede adoptar varias formas en función de que se opte por una orientación de
minimización de inputs o la maximización de outputs, se presente como un programa
fraccional, lineal o dual. Sin embargo, todas ellas comparten el mismo enfoque: la
eficiencia de cada unidad depende de la capacidad de cada productor para mejorar sus
resultados o reducir el consumo de recursos, estando sujeto a unas restricciones que
reflejan la actividad del resto de productores.

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

j = 1,...,n r = 1,..., s i = 1,....,m (18)

donde h0 es la medida de la eficiencia de la unidad 0, y r 0 es la cantidad de output r

producido por la unidad evaluada; xi 0 es la cantidad de input i consumido por la unidad

evaluada; y rj , xij son los outputs e inputs de la unidad j y vi , u r ≥ 0 son los pesos

variables o ponderaciones virtuales determinados por la solución del problema.

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.

La resolución del programa permite obtener las correspondientes ponderaciones, de

forma que los pesos resultantes proporcionen el mayor índice de eficiencia posible para
cada productor evaluado. Un valor unitario implica que la producción observada y
potencial coinciden, es decir, el productor es eficiente. Si el índice es menor que uno, la
unidad evaluada será ineficiente, ya que existen otras unidades en la muestra (las que
forman el grupo de referencia en la comparación) que muestran un mejor
comportamiento.

Este programa fraccional puede transformarse fácilmente en un programa lineal para

facilitar su resolución:

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

j = 1,...,n r = 1,..., s i = 1,....,m (19)

El programa lineal selecciona las ponderaciones que maximizan el output virtual de la

unidad ( u r y r 0 ) , condicionadas a que su input virtual ( vi xi 0 ) sea igual a la unidad, así
como que la aplicación de dichas ponderaciones al resto de unidades de decisión no
permita que su output virtual exceda del input virtual. La unidad será eficiente si su
output virtual es unitario. No obstante, en la práctica, el cálculo de los índices de
eficiencia resulta más sencillo si se utiliza la forma dual de este programa, a través de la
cual se construye una aproximación lineal por tramos a la verdadera frontera de
producción 14. La formulación dual es la siguiente:

Min θ0

n
s.a. ∑λ x
j =1
j ij ≤ θxi 0

∑λ
j =1
j y rj ≥ y r 0

λj ≥ 0

j = 1,...,n r = 1,..., s i = 1,....,m (20)

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.

Al margen de ofrecer un índice que refleja el porcentaje de incremento de outputs (o

reducción de inputs) necesario para que una unidad sea eficiente, el DEA también

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.

Estas variables de holgura se pueden incluir en el DEA a través de las siguientes

expresiones:

 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

λ j ≥ 0 ; s r+ ≥ 0 ; si− ≥ 0 j = 1,2,….., n (22)

en el que θ 0 es el índice de eficiencia, λi son las ponderaciones y si− y s r+ son las

variables de holgura de los inputs y outputs, respectivamente. En este caso, un
productor es relativamente eficiente si y sólo si su índice de eficiencia es igual a la
unidad y además todos los slacks son nulos.

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:

a) Tipos de rendimientos de escala en la tecnología de producción.

b) Extensión al contexto dinámico: DEA window.
c) Medición de la eficiencia con distintos modelos de producción.

2.3.2.2. Extensión para distintos rendimientos de escala

El modelo DEA expuesto incorpora implícitamente un supuesto muy restrictivo sobre la

tecnología de producción, la existencia de rendimientos constantes de escala. Es decir,
se asume que cualquier incremento en los inputs utilizados se traduce en un aumento
proporcional equivalente de los outputs, con lo que se excluye la posibilidad de que
exista ineficiencia por razones de escala, atribuyéndose cualquier desviación de la
frontera a una gestión ineficiente.

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.

Figura 2.4. Envolventes con distintos rendimientos de escala

La obtención de esta nueva medida de eficiencia lleva a plantearse cuál es la relación

que existe entre ella y la ofrecida por el modelo original. Esta cuestión fue abordada por
Grosskopf (1986), que, basándose en el hecho de que el espacio de producción del
modelo original es más restrictivo, demuestra que los índices de eficiencia obtenidos
con el modelo que supone rendimientos variables de escala siempre son iguales o
mayores que los del modelo original, de modo que todas las unidades consideradas
eficientes por el primer modelo también lo son en el segundo, pero no al revés. La
elección entre ambos dependerá del contexto y los objetivos del análisis, aunque en

91
contextos complejos como el sanitario, suelen asumirse rendimientos variables para
poder captar la heterogeneidad que caracteriza a los distintos productores.

2.3.2.3. Extensión al contexto dinámico: DEA window

Cuando se dispone de datos longitudinales en los que se puede observar la actuación de

una misma unidad en períodos de tiempos diferentes, como ocurre en la aplicación
empírica presentada en el siguiente capítulo, se puede utilizar una extensión de esta
técnica denominada DEA window (Charnes y Cooper, 1985; Charnes et al. 1985). Esta
extensión consiste en aplicar la técnica DEA a una muestra compuesta por varias
observaciones de cada unidad, pero a la observación correspondiente a una en cada
período o ventana (de ahí su denominación en inglés) como si fuese una unidad distinta.
Con este método se asume implícitamente que no existe cambio tecnológico entre
períodos o ventanas, de modo que es necesario seleccionar un período de tiempo
suficientemente estrecho 16.

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.

Analíticamente, si se dispone de información sobre N unidades (n = 1,…,N) en T

períodos (t = 1,…,T) y que utilizan r inputs para producir s outputs, la muestra estará
compuesta por N x T observaciones y una observación n en un período t tiene un vector
de inputs con dimensión r xtn ( x1nt , x 2nt ,..., x rtn ) y un vector de outputs con dimensión s

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

y con el rango w, siendo 1 ≤ w ≤ T − k , se define mediante k w y tiene N x w

observaciones. En este contexto, la matriz de inputs vendrá dada por la expresión:

xkw = ( x1k , xk2 ,..., xkN , x1k +1 , xk2+1 ,..., xkN+1 , x1k + w , xk2+ w ,..., xkN+ w ) (23)

Y la matriz de outputs por:

y kw = ( y 1k , y k2 ,..., y kN , y 1k +1 , y k2+1 ,..., y kN+1 , y 1k + w , y k2+ w ,..., y kN+ w ) (24)

El modelo DEA window orientado al input con rendimientos constantes de escala

consistiría en la resolución del siguiente problema de programación lineal:

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

2.3.2.4. Diferentes programas o modelos de producción

Uno de los requisitos necesarios para la correcta implementación de la técnica DEA es

que las unidades comparadas sean homogéneas entre sí, lo que implica que no puedan
existir grandes disparidades en términos de inputs empleados y outputs producidos, así
como que todas ellas actúen en circunstancias similares. Sin embargo, cuando las
unidades operan en contextos heterogéneos caracterizados por diferentes modelos o
programas de producción (centros públicos o privados, contexto rural o urbano, etc.), es
posible separar la muestra en subconjuntos de unidades que posean unas características
comunes y distinguir entre la ineficiencia que responda a la propia unidad evaluada y la
que sea atribuible al programa o modelo al que ésta pertenece.

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).

A partir de las bases teóricas de este enfoque metodológico, Silva-Portela y

Thanassoulis (2001) desarrollaron una descomposición del índice de eficiencia sin
necesidad de hacer ningún ajuste sobre los datos originales. Para explicar esta
descomposición nos basamos en el contenido de la Figura 2.5, en la que se representa a
una organización Z que opera bajo un determinado modelo de producción (A). Su
eficiencia se evalúa, en primer lugar, para un conjunto de unidades que operan
siguiendo el mismo modelo y, posteriormente, para estas unidades y para otras que
siguen un modelo de producción distinto (B). Por tanto, al aplicar la técnica DEA a cada
una de estas muestras se obtienen las dos fronteras que pueden observarse en la figura.

Cuando se evalúa la actuación de la unidad Z en relación al comportamiento de todas

las unidades, independientemente del programa en el que operan, la técnica DEA
asignará un índice de eficiencia que vendrá determinado por el índice Z´Z´´´/Z´Z. Este
valor incluirá el efecto de la propia ineficiencia de la unidad y la que se atribuye a las
diferencias estructurales entre los dos programas de gestión que coexisten dentro de la
muestra total. Para poder determinar qué parte de esa ineficiencia global es atribuible a
la unidad Z será necesario calcular el índice de eficiencia que le corresponde al
comparar su actuación con la del resto de unidades que operan siguiendo el mismo
modelo de producción, es decir, con la frontera A. El valor asignado por el DEA a este
punto vendrá determinado por el índice Z´Z´´/Z´Z. Finalmente, la ineficiencia que

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.

Figura 2.5. Descomposición de la eficiencia según Silva-Portela y Thanassoulis (2001)

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

Una aproximación alternativa a los modelos anteriores es un enfoque desarrollado

recientemente en la literatura 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.
Concretamente, este método combina el estilo de la frontera no paramétrica lineal del
DEA con la posibilidad de descomponer el error estocástico asociado a la producción en
los términos de ineficiencia y de ruido aleatorio.

El origen de este método se encuentra en el trabajo de Kuosmanen (2008), en el que se

desarrolla un teorema de representación para la regresión no paramétrica de mínimos
cuadrados convexos CNLS (Convex Nonparametric Least Squares) tomando como
referencia el trabajo de Hildreth (1954). La principal ventaja de este método es que no
necesita asumir ningún supuesto a priori sobre la forma de la función de regresión, así
como tampoco requiere la especificación de un parámetro de suavizado. Como
resultado, el teorema permite transformar el problema de regresión de dimensión
infinita en un problema de programación cuadrática, representado por una función lineal
definida a trozos fácilmente obtenible a partir de los parámetros estimados en la
regresión. Además, el procedimiento permite emplear técnicas de inferencia estadística
ya que es computacionalmente factible.

En este escenario en el que se combinan una aproximación estocástica con una

determinística, la función de producción para la frontera se define de tal manera que las
diferencias entre ésta y los outputs serán debidas tanto a la ineficiencia (�� ) como al
ruido (�� ), y así, la función de producción viene dada por la siguiente expresión:

𝑌𝑖 = 𝑓(𝑋𝑖 ) + 𝜀𝑖 = 𝑓(𝑋𝑖 ) − 𝑢𝑖 + 𝑣𝑖 i = 1,….,n (26)

donde 𝜀𝑖 = 𝑣𝑖 − 𝑢𝑖 es el término de error compuesto, y además se asume que las

variables �� y �� son estadísticamente independientes entre sí y respecto a los inputs.
La ineficiencia tiene un valor medio positivo y varianza finita constante 𝐸(𝑢𝑖 ) > 0 =
𝑢 > 0, 𝑉𝑎𝑟(𝑢𝑖 ) = 𝜎𝑢2 <= ∞. Para el término de ruido se asume un valor medio de cero
y varianza finita constante: 𝐸(𝑣𝑖 ) > 0, 𝑉𝑎𝑟(𝑣𝑖 ) = 𝜎𝑣2 <= ∞.

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.

Comparado con el DEA, el modelo StoNED difiere en el tratamiento probabilístico que

realiza de los términos de ruido y de ineficiencia. Mientras que la frontera del DEA se
construye empleando un determinado número de observaciones influyentes (lo que lo
hace más sensible a valores outliers y ruido), la técnica StoNED emplea para ello la
información contenida en la totalidad de las observaciones de la muestra y estima el
valor esperado de la ineficiencia de manera probabilística.

Siguiendo a Kuosmanen and Kortelainen (2012), el método StoNED puede

descomponerse en dos etapas. En la primera de ellas, se estima la forma de la frontera
mediante un modelo no paramétrico, y en la segunda se aplican técnicas paramétricas
para obtener el índice de eficiencia de cada unidad.

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:

min �(𝑦𝑖 − 𝑓(𝒙𝑖 ))2

𝑓
𝑖=1

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

∑𝑛𝑖=1 𝜀̂𝑖𝐶𝑁𝐿𝑆 = 0, pueden calcularse el segundo y tercer momento central de la

distribución residual como:

𝑛
(𝜀̂𝑖𝐶𝑁𝐿𝑆 )2
�2 = �
𝑀
(𝑛 − 1)
𝑖=1

𝐶𝑁𝐿𝑆 3
�3 = ∑𝑛𝑖=1 (𝜀�𝑖 )
𝑀 (29)
(𝑛−1)

El segundo momento se corresponde con la varianza de la muestra de los residuos y el

tercer momento con un componente de la medida de asimetría, tal que:

𝜋−2
𝑀2 = � 𝜋
� 𝜎𝑢2 + 𝜎𝑣2

2 4
𝑀3 = ��𝜋� �1 − 𝜋� 𝜎𝑢3 (30)

Puede verse que el tercer momento sólo depende de la desviación estándar de la

distribución de la ineficiencia, por lo que pueden inferirse las expresiones:

�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 ⎦

donde 𝜙 es la función densidad de la distribución normal estándar N(0,1), Φ es la

función de distribución acumulada correspondiente, y 𝜀̂𝑖 = 𝜀̂𝑖𝐶𝑁𝐿𝑆 − 𝜎�𝑢 �2⁄𝜋.

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:

𝑌𝑖𝑡 = 𝑓(𝑋𝑖𝑡 ) − 𝑢𝑖 + 𝑣𝑖𝑡 ∀ 𝑖 = 1, … , 𝑛 ∀ 𝑡 = 1, … , 𝑛 (33)

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

s.a. 𝑦𝑖𝑡 = 𝛼𝑖𝑡 + 𝜷′𝑖𝑡 𝒙𝑖𝑡 + 𝜀𝑖𝑡 ∀𝑖 = 1, … , 𝑛 ∀𝑡 = 1, … , 𝑇

𝛼𝑖𝑡 + 𝜷′𝑖𝑡 𝒙𝑖𝑡 ≤ 𝛼𝑖𝑡 + 𝜷′𝑖𝑡 𝒙ℎ𝑠 ∀ℎ, 𝑖 = 1, … , 𝑛 ∀𝑠, 𝑡 = 1, … , 𝑇

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)

Siguiendo a Schmidt y Sickles (1984) se realiza la medición de la eficiencia relativa

para la unidad más eficiente en la muestra y se define tal que:

𝑢�𝑖𝑆𝑡𝑜𝑁𝐸𝐷 = �maxℎ∈{1,…,𝑛} 𝜀̅ℎ𝐶𝑁𝐿𝑆 � − 𝜀̅𝑖𝐶𝑁𝐿𝑆 (36)

Así el estimador StoNED queda definido a través de la siguiente expresión:

𝑓̂ 𝑆𝑡𝑜𝑁𝐸𝐷 (𝑥) = 𝑔�𝑚𝑖𝑛

𝐶𝑁𝐿𝑆
(𝑥) + �maxℎ∈{1,…,𝑛} 𝜀̅ℎ𝐶𝑁𝐿𝑆 � (37)

Puede verse que tanto el estimador de la frontera como el de la ineficiencia son

estadísticamente consistentes bajo los supuestos considerados anteriormente. Además,
dado que no se impone ningún supuesto en las distribuciones, el modelo a estimar
resulta ser completamente no paramétrico.

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.

2.4. ENFOQUES METODOLÓGICOS PARA MEDIR PRODUCTIVIDAD

Existen numerosos métodos para medir el crecimiento de la productividad. La elección

entre ellas dependerá del objetivo que se desee obtener a través de la medición de la
productividad y, en muchos casos, de la disponibilidad de los datos. En líneas generales,
las medidas de la productividad pueden clasificarse en dos categorías: las medidas de la
productividad monofactorial (informan de una medida de la producción respecto a una
medida de un único factor de producción) y las medidas de la productividad
multifactorial (que informan de una medida de la producción en relación con un
conjunto de factores de producción).

Dado el carácter multi-output de la producción pública y, en particular, de los servicios

sanitarios, en la presente investigación nos centraremos en el segundo bloque de
medidas, dentro de las cuales el método más popular en la literatura es el índice de
Malmquist (1953).

2.4.1. Índices de Malmquist

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)

La media geométrica del índice puede definirse a través de la siguiente expresión:

 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 ) 

El índice de Malmquist puede tomar valores superiores a 1, lo que implica que ha

existido un crecimiento en la productividad, valores iguales a 1, representativos de un
estancamiento de los niveles de productividad, o valores inferiores a 1, en cuyo caso se
considera que la productividad de las unidades evaluadas ha declinado a lo largo del
período estudiado. Además, mediante el uso de esta técnica se pueden identificar las dos
causas principales que pueden explicar un cambio en los niveles de productividad de
cada unidad (Grifell-Tajté y Lovell, 1996): el cambio en la eficiencia técnica (EC)
(conocido habitualmente en la literatura como “efecto catching up”), que indica si las
unidades evaluadas se acercan o se alejan de su correspondiente frontera de eficiencia
entre los períodos evaluados, y el cambio tecnológico (TC), representado por la media
geométrica de su magnitud, que aproxima en qué medida si las unidades que forman la
frontera de eficiencia han mejorado o empeorado su productividad entre los períodos
estudiados (Jacobs et al., 2006). La descomposición más habitual del índice de
Malmquist es la que proponen Färe et al. (1994):

DCt +1 ( xt +1 , y t +1 )   DCt ( xt +1 , y t +1 ) DCt ( xt , y t )  

1/ 2

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:

 DVt +1 ( xt +1 , y t +1 )   DCt +1 ( xt +1 , y t +1 ) / DVt +1 ( xt +1 , y t +1 ) 

EC (=
x ,y ,x ,y ) 
t t t +1 t +1
× 
 DV ( x , y )   DCt ( xt , y t ) / DVt ( xt , y t )
t t t

 SE t +1 ( xt +1 , y t +1 ) 
= PEC ( x , y , x , y ) ×  t
 t t +1 t +1
(41)
 SE ( x , y ) 
t t t

= PEC ( xt , y t , xt +1 , y t +1 ) × SCA ( xt , y t , xt +1 , y t +1 ) .

donde PEC representa el cambio en la eficiencia técnica puro y SCA la eficiencia de

escala 21. De este modo, el índice de Malmquist se puede definir de la siguiente manera:

=
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 ) 

El factor de cambio de escala puede descomponerse a su vez en los siguientes términos:

SCH ( xt , y t , xt +1 , y t +1 )

  DCt ( xt +1 , y t +1 ) / DVt ( xt +1 , y t +1 )   DCt +1 ( xt +1 , y t +1 ) / DVt +1 ( xt +1 , y t +1 )  

1/ 2

 ×  (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

El componente del cambio de la eficiencia de escala de la ecuación anterior es en

realidad la media geométrica de dos medidas de cambio de la eficiencia de escala. La
primera se define respecto a la tecnología del período t y la segunda con respecto a la
tecnología del período t+1.

Para el cálculo de los diferentes componentes del índice de Malmquist se recurrirá al

uso del Análisis Envolvente de Datos. Concretamente, deben resolverse cuatro
problemas de programación lineal para calcular D t ( xt , y t ) , D t +1 ( xt +1 , y t +1 ) ,

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 .

Los programas presentados en las ecuaciones (46-49) están basados en la tecnología de

rendimientos constantes de escala. No obstante, en nuestro caso calcularemos estas
medidas considerando rendimientos variables de escala. Para ello, basta con añadir la
restricción ∑u h ,t
= 1 a cada uno de los problemas, tal y como se expuso
anterioremente.

2.4.2. Extensión para garantizar la robustez de los resultados

Además, con el propósito de mejorar la sensibilidad de las estimaciones realizadas, en

este contexto también se pueden aplicar procedimientos de bootstrap (Simar y Wilson,
1998), con los que resulta posible estimar intervalos de confianza para los diferentes
componentes de la productividad. El bootstrap tiene su origen en el trabajo pionero de

106
Efron (1979) y se caracteriza por ser un método basado en cálculos intensivos
destinados a obtener medidas de la precisión de las estimaciones.

En el presente trabajo se utilizará el método de bootstrap suavizado (Simar y Wilson,

1999), con el que se consiguen estimaciones más precisas que con el modelo tradicional
(naive bootstrap) 22. Además, esta aproximación incorpora el método de reflexión
propuesto por Silverman (1986), con el que se evitan posibles problemas derivados de
la acumulación de valores unitarios. El procedimiento sigue los siguientes pasos:

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.

3. Cálculo de la estimación bootstrap del índice de Malmquist para cada unidad

utilizando la muestra generada en el paso anterior.

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).

5. Se obtienen los intervalos de confianza para los índices de Malmquist y sus

componentes tomando como referencia los valores estimados para las diferentes pseudo
muestras generadas.

A partir de los intervalos de confianza se pueden obtener unas estimaciones más

precisas de los verdaderos valores de los índices de productividad de Malmquist, así
como de sus diferentes componentes.

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

La medición de la eficiencia y la productividad de los servicios públicos se ha

convertido en los últimos años en una prioridad para todos los países, tanto
desarrollados como en vías de desarrollo, para garantizar un adecuado uso de los
recursos disponibles sin incurrir en despilfarros. Este interés creciente se ha visto
impulsado por el desarrollo de la denominada “Nueva Gestión Pública o New Public
Management” (Gruening, 2001; Groot y Budding, 2008), que consiste básicamente en
la emulación de los mecanismos propios del mercado, como promover la competencia
entre productores de servicios, financiar en función de resultados o la orientación al
servicio de los clientes, con la intención de conseguir abaratar costes y mejorar los
resultados en términos de eficiencia.

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.

Cuando se dispone de datos longitudinales, la opción más frecuente es también la

aproximación no paramétrica y, más concretamente, los índices de productividad de
Malmquist (Färe et al., 1992, 1997; Giuffrida, 1999; Linna, 1999; Dismuke y Sena,
2001; Castro-Lobo et al., 2010; Chang et al., 2011). Otra posibilidad consiste en la
utilización del índice de Luenberger (Boussemart et al. 2003), con el que resulta posible
considerar la posibilidad de considerar conjuntamente una reducción de inputs y un
incremento de los ouptuts (Barros et al., 2008). Sin embargo, hasta el momento son muy
escasos los estudios empíricos que han utilizado técnicas de boostrap para corregir
posibles sesgos en las estimaciones (Chowdhury et al., 2011; Cheng et al., 2016)

No obstante, los avances en el ámbito de la econometría han permitido desarrollar

enfoques en los que resulta posible considerar el carácter multi-output del producto
hospitalario utilizando funciones de costes (Conrad y Strauss, 1983; Cowing y
Holtmann, 1983; Wagstaff, 1989; Zuckerman et al., 1994; Blank y Eggink, 2004),
mínimos cuadrados ordinarios corregidos (Giuffrida y Gravelle, 2001) o fronteras
estocásticas (Rosko, 1999, 2001; Rosko y Chilingerian, 1999; Li y Rosenman, 2001;
Jacobs, 2001; Deily y McKay, 2006).

Al margen de la propia obtención de medidas de eficiencia que permita clasificar a las

unidades evaluadas según su comportamiento más o menos eficientes, estos estudios se

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.

Para poder realizar la investigación propuesta ha sido necesario recopilar un gran

volumen de información relativa a las unidades evaluadas, puesto que el sistema
sanitario de éste país no disponía de una base de datos transparente y accesible sobre sus
centros hospitalarios, como suele ser habitual en la mayoría de los países desarrollados.
Por tanto, una de las principales contribuciones del presente trabajo ha consistido
precisamente en el desarrollo de una herramienta analítica que permita captar la
información básica necesaria para poder realizar una evaluación de los centros. En
concreto, se ha diseñado un cuestionario que ha sido distribuido a los responsables de la
gestión de todos los hospitales públicos de Panamá. A partir de las respuestas recibidas
se ha procedido a configurar la base de datos que ha servido como referencia para el
desarrollo de la aplicación empírica que se presenta en este capítulo.

Sobre la base de la anterior información se ha procedido a evaluar la eficiencia de los

centros aplicando las propuestas metodológicas expuestas en el capítulo anterior, es
decir, el Análisis Envolvente de datos adaptado a un contexto dinámico (modelo
intertemporal y DEA window) y el modelo StoNED. Posteriormente, se han estimado
también medidas de la productividad basadas en el uso de los índices de Malmquist.

La estructura del capítulo es la habitual en este tipo de análisis. En primer lugar, se

revisa la literatura previa que ha servido como referencia para la configuración del
cuestionario. A continuación se explica el proceso de recopilación de datos y las
variables seleccionadas. Posteriormente, se comentan las características básicas de la
muestra empleada en la aplicación y, finalmente, se comentan los resultados obtenidos
al aplicar las diferentes metodologías para medir la eficiencia y la productividad.

115
3.2. REVISIÓN BIBLIOGRÁFICA

La caracterización del proceso productivo que tiene lugar en el contexto hospitalario es

una condición necesaria para poder determinar y evaluar la eficiencia y la productividad
de estas organizaciones. La actividad hospitalaria, al igual que otras organizaciones
complejas y otros muchos servicios públicos, presenta una gran dificultad para definir y
medir su producto, de naturaleza intangible e indivisible, a lo que se añade el
desconocimiento sobre los precios de los recursos empleados (Martín y López del Amo,
2007).

En el caso de los hospitales públicos de la República de Panamá nos encontramos con

un problema añadido para llevar a cabo un estudio como el propuesto, puesto que no
existe una base de datos que recopile sistemáticamente información sobre los centros
hospitalarios. Por lo tanto, una de las principales contribuciones del presente trabajo
consiste precisamente en la elaboración y diseño de un cuestionario dirigido a los
responsables de los hospitales que permita captar información sobre los principales
factores productivos consumidos y las actividades y servicios realizados, a partir del
cual se ha configurado una base de datos longitudinal que nos servirá para examinar la
eficiencia y productividad de los centros a lo largo de la última década (2005-2015).

Al tratarse de una herramienta construida ad hoc para el propósito de la presente

investigación, con carácter previo a la configuración del cuestionario, fue necesario
realizar una revisión de la amplia literatura previa sobre este tipo de análisis en el
contexto hospitalario, con el propósito de identificar las principales categorías de
variables involucradas en el proceso hospitalario sobre los que habría que recabar
información. En las siguientes líneas se comentan las principales conclusiones derivadas
de este proceso de revisión, aunque una síntesis de los principales indicadores
representativos de los inputs y los outputs se recogen en las Tablas 3.1 y 3.2,
respectivamente.

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.

Tabla 3.1. Principales inputs utilizados en los estudios de eficiencia hospitalaria

Médicos
Personal de Enfermería
Recursos humanos
Personal no sanitario
Horas de trabajo
Camas (proxy del tamaño)
Servicios ofrecidos a pacientes
Capital
Inversiones
Metros cuadrados o cúbicos
Consumo de bienes fungibles
Gastos operativos
Coste de servicios utilizados
Docencia
Otros Índice de “case-mix”
Número de admisiones
Fuente: Elaboración propia a partir de Martin y López del Amo (2007) y O´Neill et al. (2008).

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).

Tabla 3.2. Principales outputs utilizados en los estudios de eficiencia hospitalaria

Número de altas
Número de pacientes tratados
Número de altas ajustadas por casuística

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).

En muchos estudios, esta información se complementa o ajusta mediante parámetros

clínicos basados en el concepto de casuística hospitalaria o “case-mix” (Burgess y
Wilson, 1996; Rosko y Challingerian, 1999). El case-mix representa la respuesta del
hospital a las distintas tipologías y complejidades de pacientes que atiende. La idea
subyacente es que si se pueden medir los requerimientos y la complejidad clínica de los
diversos tipos de pacientes, se pueden determinar las necesidades y la complejidad
atendida de todo el servicio, unidad u hospital. Esta medición puede efectuarse mediante
distintos índices, como son la gravedad o el consumo de recursos que exige. El sistema
de clasificación de pacientes más extendido en el ámbito de hospitalización es el de los

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.

Lamentablemente, hasta el momento, los centros hospitalarios de la República de

Panamá no cuentan con un sistema de clasificación de pacientes homogéneo que
permita tener en cuenta la casuística o case-mix en la ponderación de los indicadores
representativos de las actividades realizadas por los distintos hospitales. Esta situación
resulta habitual en países en vías de desarrollo, tal y como se pone de manifiesto en
diversos trabajos que han tratado de analizar la eficiencia de hospitales en Jordán (Al-
Shammari, 1999), Tailandia (Watcharasriroj y Tang, 2004), Irán (Afzali et al., 2009;
Shahhoseini et al., 2011; Kiadaliri et al., 2013) o India (Agarwal et al., 2007; Mogha et
al., 2014). Por tanto, nuestro análisis empírico estará basado en indicadores brutos sobre
las actividades realizadas por los centros hospitalarios sin corregir por la tipología de los
pacientes atendidos.

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

El primer paso de este proceso fue someter a la consideración de las máximas

autoridades del sector salud de Panamá, a saber el Ministro de Salud y el Director
General de la Caja del Seguro Social, la propuesta metodológica y los objetivos del
estudio, que fue remitida análisis de sus respectivas direcciones de Planificación. En
vista que no existían los datos requeridos a nivel central, se diseñó un cuestionario que
se trasladó a cada uno de los hospitales que conforman el Sistema para recoger in situ la
información.

Tomando como referencia la literatura anteriormente mencionada, el cuestionario

dirigido a los responsables de los hospitales públicos de la República de Panamá, cuyo
contenido íntegro se muestra en el Anexo I, constaba de los diferentes apartados:

 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.

Además de las dificultades asociadas al proceso de recogida de información y su

dilatación en el tiempo, una vez que se recibieron los cuestionarios completados por los
directores de los hospitales o sus jefes de registros médicos, se detectaron importantes
deficiencias y limitaciones en los datos disponibles, lo que nos llevó a excluir del
análisis a varios centros. En primer lugar, el número de hospitales que proporcionó
información sobre aspectos relacionados con la gestión médica y la calidad de los
servicios prestados a los pacientes (como pueden ser las enfermedades nocosomiales,
los reingresos o las complicaciones registradas) fue excesivamente bajo, por lo que se
tuvo que descartar el uso de este tipo de indicadores representativos de la calidad de los
servicios. En segundo lugar, si bien la información sobre los médicos era bastante

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.

Una cuestión relevante a tener en cuenta al seleccionar las variables consideradas en el

análisis empírico es que el número total de variables incluidas en el modelo no puede
ser demasiado elevado para evitar incurrir en los problemas de pérdida de poder de
discriminación mencionados al describir los diferentes enfoques no paramétricos
descritos en el capítulo segundo (véase Pedraja et al., 1999). En este sentido, aunque se
dispone de información desagregada sobre el número de camas disponibles en los
diferentes departamentos y servicios y las diferentes especialidades médicas, se ha
optado por agregar estos indicadores en indicadores globales a nivel de centro
hospitalario.

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

Además, se puede afirmar que, en términos generales, nuestra muestra es bastante

representativa del total de centros que componen cada una de estas redes. Así, por
ejemplo, de acuerdo al último Informe de la Dirección de Planificación de la
Subdirección de Servicios Médicos de la CSS, los centros de este sistema que forman
parte de nuestra muestra ofrecen más del 90% de las camas totales disponibles en el
sistema (2.296). En el caso del MINSA es algo inferior, pero también se sitúa por
encima del 50% en lo que respecta a este indicador. Por tanto, en conjunto, los centros
de la muestra representan entre el 60 y el 70% del total de las camas del sistema
hospitalario público, tal y como se refleja en la Tabla 3.5. Asimismo, se puede
comprobar que la representatividad relativa de la muestra alcanza porcentajes similares
para el número de altas hospitalarias y el número de médicos. En este último caso
incluso se puede matizar que, si tenemos en cuenta que sólo el 20% de los médicos
generales trabaja en los hospitales, según se desprende de los datos del informe de
recursos humanos del Ministerio de Salud (año 2012), alrededor de un 80% del total de
médicos que trabajan en los hospitales públicos forman parte están incluidos en nuestra
muestra. Asimismo, se puede apreciar que existe una centralización en las zonas de gran
concentración de personas, especialmente en la ciudad de Panamá y el área
metropolitana de Colon, Chorrera y Chepo donde se concentran la mayoría de las
instalaciones de salud y los médicos, dejando las áreas rurales marginadas con déficit de
médicos, particularmente en las comarcas indígenas.

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

Camas Número de médicos Número de altas

Año
Sector Sector Sector
Muestra % Muestra Proporción Muestra %
Público (1) Público (1) Público (1)
2005 4.453 2.085 277.685 192.479 69,3
2006 4.457 2.145 286.591 198.619 69,3
2007 6.320 4.460 70,6 3.233 2.215 68,5 292.950 204.326 69,7
2008 6.863 4.488 65,4 3.806 2.264 59,5 291.781 199.670 68,4
2009 7.266 4.488 61,8 3.510 2.259 64,4 291.091 196.350 67,5
2010 6.948 4.482 64,5 3.646 2.310 63,4 290.014 200.881 69,3
2011 6.901 4.501 65,2 4.135 2.386 57,7 297.309 194.070 65,3
2012 7.073 4.527 64,0 4.659 2.741 58,8 287.100 195.924 68,2
2013 7.288 4.559 62,6 4.374 2.780 63,6 271.032 189.702 70,0
2014 7.207 4.528 62,8 4.572 2.883 63,1 270.342 190.122 70,3
2015 7.485 4.551 60,8 4.468 2.857 63,9 277.453 188.145 67,8
Fuente: Base de datos del Sistema de Eficiencia Hospitalaria
(1) Información del Instituto de Estadística y Censo. Para los ejercicios 2005 y 2006 no se tiene registro.

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.

Tabla 3.6. Estadísticos descriptivos para el total de observaciones de la muestra

Media Desv. Típica Mínimo Máximo

Altas 8.885 8.598 407 32.009

Outputs
Urgencias 52.153 36.082 2.717 171.744

Camas 205 209 15 843

Inputs Médicos 111 173 5 1.021

No-médicos 321 256 6 1.049

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.

En cuanto a los inputs, el número de médicos es muy inferior al del resto de

trabajadores. Esta brecha se ha mantenido a lo largo del período estudiado, durante el
cual ambas plantillas se han visto incrementadas en casi un 50%. Si examinamos los
momentos en que aumentan los trabajadores no médicos, especialmente los
administrativos, veremos que coinciden con los cambios de gobierno, con lo que se
pone en evidencia el manejo con influencia de los partidos políticos gobernantes,
situación que no ocurre con los médicos, ya que se requiere un número de años en su
formación. Por su parte, el número de camas se ha mantenido constante a lo largo de los
once años estudiados en la mayoría de los hospitales, registrándose únicamente unas
ligeras modificaciones en el hospital de San José de La Palma y en el Hospital Materno
Infantil José Domingo de Obaldía (véase Tabla A3 en el Anexo II).

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

Figura 3.1. Evolución de los valores medios a lo largo del período

(a) Altas (b) Atenciones de urgencia (c) Inputs

210,000 1,300,000 9,000
1,200,000 7,000
200,000
1,100,000 5,000
190,000
1,000,000 3,000
180,000 900,000 1,000
2005
2006
2007
2008
2009
2010
2011
2012
2013
2014
2015

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.

Los resultados de este análisis exploratorio inicial determinan un nivel medio de la

eficiencia del 79%, es decir, las unidades consideradas como eficientes podrían alcanzar
los mimos niveles de output reduciendo el consumo de recursos en un 21%, aunque en
la Tabla 3.8 se observan que existen importantes divergencias entre las unidades
evaluadas, siendo posible detectar valores mucho más reducidos que ese valor medio.
Asimismo, los resultados de este primer análisis exploratorio ponen de manifestó que
los índices de eficiencia medios de los hospitales pertenecientes al Ministerio de Salud
se sitúan claramente por encima de los integrados en la red de la Caja del Seguro Social
(83% frente al 75%).

Tabla 3.8. Resultados del análisis DEA intertemporal para la muestra total y sus grupos

Media SD Min Max

Todos 0,791 0,222 0,182 1,000
CSS 0,753 0,226 0,263 1,000
MINSA 0,829 0,198 0,182 1,000

Para abordar en profundidad las diferencias existentes entre ambos modelos de

organización hospitalaria hemos procedido a aplicar el enfoque de análisis de
metafrontera expuesto en el capítulo anterior, mediante el cual podemos determinar qué

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).

Según se desprende de la información mostrada en la Tabla 3.9, si consideramos a todos

los hospitales que componen la muestra, la ineficiencia atribuible a las unidades es
ligeramente superior a la que corresponde al modelo de gestión. No obstante, si
diferenciamos entre los que pertenecen a cada sistema en la Tabla 3.10, se observa que
la ineficiencia de las unidades es muy similar, mientras que la ineficiencia vinculada al
tipo de gestión es mucho mayor en el caso de los hospitales pertenecientes a la Caja del
Seguro Social (14%) que en los del Ministerio de Salud (4%).

Tabla 3.9. Descomposición de la ineficiencia con DEA para el conjunto de hospitales

Media SD Min Max

Metafrontera 0,791 0,222 0,182 1,000
Hospital 0,861 0,178 0,293 1,000
Tipo de gestión 0,910 0,145 0,436 1,000

Tabla 3.10. Descomposición de la eficiencia con DEA para cada sistema

CSS MINSA
Media SD Min Max Media SD Min Max

Metafrontera 0,753 0,240 0,263 1,000 0,829 0,198 0,182 1,000

Hospital 0,868 0,170 0,336 1,000 0,854 0,185 0,293 1,000

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.

Figura 3.2. Evolución de los índices de eficiencia medios (2005-2015)

0.850

0.800

0.750

0.700
2005 2006 2007 2008 2009 2010 2011 2012 2013 2014 2015

Eficiencia media

La información contenida en la Figura 3.3, en la que se distingue la evolución

experimentada por los hospitales integrados en la Caja de Seguro Social y el Ministerio
de Salud, nos permite identificar, en primer lugar, que los pertenecientes al segundo
sistema presentan niveles de eficiencia superiores a lo largo de todo el período
considerado. Asimismo, se puede comprobar que la importante caída registrada a partir
del año 2010 se debe principalmente al comportamiento de los centros que componen la
primera de estas redes, cuyos valores medios descendieron hasta situarse por debajo del
60% en 2015, mientras que los hospitales pertenecientes al Ministerio de Salud
mantuvieron sus niveles de eficiencia alrededor del 80% a lo largo de los últimos años
del período.

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

CSS MINSA TODOS

Si nos centramos en el comportamiento de unidades concretas, la información recogida

en la Tabla 3.11, en la que se ofrecen los índices de eficiencia medios de cada unidad a
lo largo de todo el período evaluado, nos permite identificar al Hospital de Chiriquí
Grande como el más eficiente, con un valor medio unitario, lo que implica que se
considera como eficiente en la totalidad de los once años analizados. Entre los mejores
se sitúan también los otros dos hospitales de nivel I-II, Almirante y San José de La
Palma, y otros dos de nivel II (Dr. Aquilino Tejeira y Dr. Rafael H. Moreno). En cuanto
a los sistemas a los que pertenecen, en los primeros puestos podemos encontrar tanto
hospitales de la Caja del Seguro Social (los dos primeros del ranking) como del
Ministerio de Salud (los tres siguientes). Entre los hospitales con unos menores niveles
de eficiencia, son más numerosos los que forman parte de la Caja del Seguro Social (Dr.
Rafael Hernández, Ezequiel Abadía, Dr. Rafael Estévez y Gustavo Nelson Collado),
aunque el que obtienen los menores niveles de eficiencia (Azuero Anita Moreno)
pertenece al Ministerio de Salud. Es importante consignar que este último ha sufrido un
largo proceso de reconstrucción debido a un litigio con la empresa responsable de los
trabajos, lo que ha podido limitar en gran medida su capacidad de respuesta.

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

El contenido de la Tabla 3.12, en la que se muestran los índices de eficiencia de cada

hospital en los diferentes años que componen el período estudiado, nos permite
comprobar que algunos hospitales presentan importantes oscilaciones en sus niveles de
eficiencia. El caso más llamativo es el hospital de Changuinola, situado en la provincia
de Bocas del Toro, con valores unitarios en los primeros nueve años (2005-2013), cuyo
nivel de eficiencia cayó significativamente en los dos últimos años estudiados, haciendo
que su valor de eficiencia medio en el período se sitúe en un nivel intermedio. Este
descenso drástico en los niveles de eficiencia también lo experimentan otras unidades
como el Complejo Hospitalario Dr. Arnulfo Arias Madrid en los últimos años del
período, afectado por un proceso de incertidumbre del personal médico y no médico por
la construcción de la nueva Ciudad de la Salud con más de 1200 camas que al momento
de escribir este documento se encuentra con los trabajos de obra detenidos y en proceso
de negociación, o el Hospital de Especialidades Pediátricas Omar Torrijos Herrera en
2015, que según que según informes recientes presenta problemas a nivel de la
dirección médica por investigaciones por situaciones administrativas.

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

El principal problema que plantea un análisis intertemporal como el propuesto en la

sección anterior es que se asume implícitamente que durante los once años estudiados
no se han producido cambios en la tecnología de producción, ni en la regulación ni en
los niveles de competencia, algo que resulta muy poco realista. Para evitar esta posible
limitación, en esta sección se presentan los resultados del análisis realizado mediante la
técnica DEA window, en el que se considera un período de tiempo mucho más reducido,
lo que nos permite mitigar considerablemente las limitaciones que se derivan de un
supuesto tan restrictivo.

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

CSS MINSA Todos

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

La ausencia de oscilaciones y las escasas diferencias detectadas entre el análisis inter-

temporal y el análisis realizado para bloques de tres años nos llevan a pensar que no se
han producido cambios relevantes en el proceso productivo de los hospitales a lo largo
del período evaluado. En la mayoría de los casos, los centros más eficientes han
mantenido su posición durante los once años evaluados, mientras que las unidades
ineficientes no han logrado mejorar sus resultados con el paso del tiempo. No obstante,
en el epígrafe 3.8 del presente capítulo se abordará esta cuestión con más detalle al
aplicar las técnicas centradas en el análisis de la productividad.

139
3.7. RESULTADOS CON EL MODELO StoNED

En esta sección se presentan los resultados obtenidos al aplicar el modelo StoNED

descrito en el epígrafe 2.3.3, en su versión adaptada a un contexto dinámico, para
analizar los niveles de eficiencia alcanzados por los hospitales públicos de Panamá a lo
largo del período 2005-2015. La ventaja que plantea este enfoque metodológico
respecto a la técnica DEA es que permite tener en cuenta en la estimación de los índices
de eficiencia un componente de ruido aleatorio que representa posibles errores de
medida o el efecto de variables que no han sido consideradas en el análisis.

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.

En la Tabla 3.16 se presentan los principales estadísticos descriptivos de los niveles de

eficiencia estimados para los dos modelos considerando el total de la muestra evaluada,
es decir, los 22 hospitales en un periodo de once años, que hacen un total de 242
observaciones. Como puede verse, los valores medios de la eficiencia estimada con
ambos modelos son muy similares, aunque en realidad las medidas difieren bastante
entre sí, según se desprende del bajo valor que toma el coeficiente de correlación de
Pearson calculado para ambos indicadores. Estas diferencias se aprecian mejor en la
Figura 3.6, en la que se presentan las distribuciones de densidad de probabilidad de las
eficiencias estimadas con cada modelo, siendo el valor promedio una línea recta que
intersecta a la distribución. Mientras que en el modelo 2 existe una gran concentración
de unidades con valores estimados muy próximos a la media, en el modelo 1 las
unidades presentan valores mucho más dispersos. Otro aspecto relevante que merece ser
destacado es que, al tratarse de un método con una estructura semi-paramétrica, no hay

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.

Tabla 3.16. Estadísticos descriptivos de la eficiencia con StoNED

Media SD Min Max Correlación

Modelo 1 0,633 0,184 0,084 0,949
0,357
Modelo 2 0,643 0,141 0,189 0,913

Figura 3.6. Densidad de probabilidad de las eficiencias estimadas mediante StoNED

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.

Tabla 3.17. Estadísticos descriptivos de la eficiencia con StoNED por sistema

Modelos Media SD Min Max

Modelo 1 0,579 0,171 0,084 0,949
CSS
Modelo 2 0,605 0,143 0,189 0,876
Modelo 1 0,686 0,182 0,196 0,918
MINSA
Modelo 2 0,681 0,129 0,376 0,913

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.

Al igual que en la sección anterior, también estamos interesados en analizar la evolución

de los niveles de eficiencia estimados con el modelo StoNED para cada uno de los
hospitales y en los diferentes años estudiados. En las Tablas 3.18 y 3.19 se presentan
estos valores ordenando a las unidades de acuerdo a los valores medios registrado a lo
largo del período para cada modelo.

Figura 3.8. Evolución de la eficiencia estimada con StoNED por sistema

(a) Modelo 1
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

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).

También existe coincidencia con el modelo DEA en cuanto a la identificación de los

hospitales que se sitúan en la parte más baja de la clasificación (Azuero Anita Moreno y
Dr. Rafael Hernández) y que, por tanto, representan las peores prácticas. Sin embargo,
llama la atención el lugar que ocupa en la clasificación el hospital de San José de La
Palma, considerado como el tercero con peores resultados según los modelos estimados
mediante el método StoNED, cuando en la clasificación obtenida con el método DEA se
situaba en los primeros lugares.

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

3.8. RESULTADOS DEL ANÁLISIS DE PRODUCTIVIDAD

En este apartado se muestran los principales resultados obtenidos tras la aplicación de la

metodología presentada en el epígrafe 2.4.1 del capítulo anterior para medir la
productividad. La principal diferencia existente entre los resultados presentados en esta
sección y los ofrecidos en las secciones anteriores es que en éstas se asumía
implícitamente que no se habían producido modificaciones en la tecnología de
producción a lo largo del período analizado. Sin embargo, en los resultados que se
presentan a continuación no se parte de esta premisa, siendo posible incluso medir el
grado de cambio tecnológico que se ha producido entre los diferentes años objeto de
estudio.

El procedimiento seguido para la estimación de los índices de productividad que se

presentan a continuación está basado en un análisis intertemporal considerando cada par
de años, calculándose por tanto diez índices de Malmquist diferentes. El primero
reflejaría la productividad entre el año 2005 y 2006, el segundo entre 2006 y 2007 y así
sucesivamente hasta llegar al índice que refleja el cambio producido entre 2014 y 2015.

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.

Tal y como puede observarse, el índice de productividad Malmquist tiene un valor

promedio de 1,0389, lo cual nos indica que la productividad ha experimentado un
crecimiento medio de casi un 4% durante el periodo 2005-2015. Si se analizan los
principales componentes del índice de productividad, la eficiencia y el cambio
tecnológico, se puede observar claramente que este último ha sido el principal impulsor
del cambio registrado en la productividad, con un crecimiento medio cercano al 3%,
mientras que la eficiencia ha aumentado tan solo un 1%.

Tabla 3.21. Estadísticos descriptivos del índice de productividad y sus componentes

(2005-2015)

Cambio Cambio Cambio

Malmquist Eficiencia Ef. Pura Ef. Escala
Tec. Tec. Puro Tec. Esc.
Media 1,0389 1,0112 1,0144 0,9995 1,0292 1,0159 1,0300

SD 0,0853 0,0400 0,0339 0,0144 0,0331 0,0465 0,0407

Min 0,9788 0,9718 0,9769 0,9648 0,9904 0,9634 0,9775

Max 1,3807 1,1511 1,1259 1,0319 1,1401 1,1708 1,1527

Con respecto a la descomposición de la eficiencia, cabe destacar cómo la eficiencia pura

es mayor que la eficiencia debido a la consideración de las variaciones de escala, por lo
que el componente de escala de la eficiencia tiene una influencia ligeramente negativa

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

Malmquist Eficiencia Cambio tecnológico

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.

En la Figura 3.10 se muestra la evolución de la eficiencia y sus dos componentes: la

eficiencia pura y el cambio de escala. En términos generales, los niveles de eficiencia y
sus dos componentes han mantenido en niveles cercanos a la unidad casi todos los años.
Únicamente se detecta una caída importante en el período 2010-2011, provocada por el
comportamiento de la escala, que vino acompañada de una rápida recuperación en el
período siguiente. Asimismo, en los últimos años se han registrado mejoras en los dos
componentes, lo que explica el importante crecimiento registrado por la eficiencia.

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

Eficiencia Eficiencia pura Escala

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.

Figura 3.11. Evolución del cambio tecnológico (puro y escala) (2005-2015)

1.25
1.20
1.15
1.10
1.05
1.00
0.95
0.90

Cambio tecnológico Cambio puro Escala

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.

El centro que presenta unos mayores niveles de productividad obtiene es el hospital de

Changuinola, con un índice Malmquist promedio de 1,3807. En cuanto a sus
componentes, eficiencia y cambio tecnológico, destaca que el promedio de ambos es
muy similar (1,15 y 1,14, respectivamente). No obstante, cuando ambos se
descomponen en su efecto puro y de escala, destaca como la variación en la eficiencia
pura y el cambio tecnológico tienen un peso mucho más relevante que la escala. En
cuanto al resto de hospitales con un índice de productividad superior a uno, podemos
encontrar tanto casos en los que el cambio tecnológico tiene un mayor peso (por
ejemplo, Almirante, Horacio Díaz Gómez o José Domingo de Obaldía) como otros en
los que la eficiencia tiene más relevancia (Azuero Anita Moreno, San Miguel Arcángel
o Gustavo Nelson Collado. En cuanto a los hospitales que presentan menores valores
promedio de la productividad (Joaquín Pablo Franco, Ezequiel Abadía y Cecilio A.
Astillero) resulta llamativo que en todos ellos la eficiencia tenga un peso mucho mayor
que el cambio tecnológico, cuyos valores son superiores a la unidad en todos los casos.
Asimismo, al descomponer entre su vertiente pura y de escala, se puede comprobar que
la escala tiene un papel mucho más relevante a la hora de explicar los valores
registrados para el cambio tecnológico en esas unidades.

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

En cuanto a la evolución de los componentes del índice de productividad, eficiencia y

cambio tecnológico y, sus componentes puros y las variaciones de escala
correspondiente a estos, su evolución se presenta en las Figuras 3.13-3.18. En términos
generales no se aprecian diferencias relevantes entre ambos sistemas en lo que respecta
al componente de eficiencia, aunque en los últimos años estudiados sí que se observan
mayores niveles para los hospitales de la Caja del Seguro Social. Esta evolución se
explica principalmente por el comportamiento de la eficiencia pura, según se puede
observar en la Figura 3.14. En cuanto al segundo componente de la productividad del
índice Malmquist, el cambio tecnológico, también se encuentran similitudes en las
tendencias de los primeros años y unas claras diferencias en los últimos, siendo muy
superiores los niveles alcanzados por los hospitales que forman parte de la Caja del
Seguro Social. Al descomponer el cambio tecnológico en su componente puro y a la
variación de la escala, se observa que el principal causante de estas divergencias es el
primero de ello.

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

Figura 3.14. Evolución de la eficiencia pura por tipo de gestión

1.15
1.10
1.05
1.00
0.95
0.90
0.85

CSS MINSA

Figura 3.15. Evolución de la escala en la eficiencia por tipo de gestión

1.10
1.05
1.00
0.95
0.90
0.85
0.80

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

Figura 3.18. Evolución de la escala en el cambio tecnológico por tipo de gestión

1.20
1.15
1.10
1.05
1.00
0.95
0.90
0.85

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.

En un modelo que privilegia la curación sobre la prevención y la promoción de la salud,

con frecuencia los pacientes deciden recibir su atención médica entrando al sistema por
los servicios de urgencias, bajo la premisa de que no serán rechazados por no existir
barreras de acceso, o como respuesta del imaginario social que busca evadir las largas
filas para recibir atención médica con especialistas o hacerse algún tipo de examen
especializado de laboratorio o gabinete, que existen en el sistema formal ambulatorio,
aumentando la demanda de servicios en los cuartos de Urgencias, rebasando la oferta de
servicios en detrimento de aquellos enfermos con urgencias reales.

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.

El análisis de productividad que hemos realizado nos ayuda a matizar y a complementar

alguno de los resultados comentados anteriormente, toda vez que nos permite
contemplar la posibilidad de cambios en la tecnología de producción a lo largo del
período. Así, hemos encontrado que se ha producido un crecimiento medio de la
productividad cercano al 4% durante el periodo analizado, siendo el cambio tecnológico
el factor fundamental que justifica ese aumento. La impresionante mejora producida
como consecuencia del cambio tecnológico entre 2010 y 2011 explica el importante
descenso en la eficiencia que habíamos detectado previamente. Es decir, las mejoras
tecnológicas introducidas en el sistema parecen haber desplazado la frontera de
producción, dando como resultado descensos en los niveles de eficiencia en ese último
período, tal como detectaron las técnicas específicas de medición de eficiencia.

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.

La primera recomendación de política que debería extraerse del presente trabajo es la

necesidad imperiosa de contar con información suficiente y de calidad que permita
realizar diagnósticos fiables sobre la situación del sistema de salud de Panamá y sobre la
efectividad de las políticas diseñadas para su mejora. Cualquier gobierno responsable
168
debería considerar esto como una necesidad, por cuanto la salud, como condicionante
del capital humano, constituye un elemento básico para el crecimiento económico y
social a largo plazo de los países y afecta directamente al bienestar de los ciudadanos y
por ende al desarrollo del país.

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.

En este sentido, de cara al futuro y a la posibilidad de realizar ampliaciones y mejoras

del estudio propuesto, consideramos imprescindible poder contar con indicadores de
calidad, como los que se aplican para evaluar la seguridad de los pacientes, las
infecciones nosocomiales, el número de reingresos, las iatrogenias y otras causas
evitables de estancias prolongadas o defunción, así como de información sobre los
grupos relacionados con el diagnóstico que permitan ponderar los indicadores
representativos de las actividades realizadas por los distintos hospitales estableciendo
una comparación entre los centros hospitalarios basada en la casuística de los pacientes
atendidos.

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.

En la presente investigación se han utilizado diferentes enfoques metodológicos para

evaluar los niveles de eficiencia y productividad que incluyen tanto algunos que han
sido ampliamente empleados en estudios precedentes dentro de este campo, entre los
que incluiríamos el Análisis Envolvente de Datos o los índices de Malmquist, como
otros que apenas contaban con un referente previo, como el método StoNED o el
cálculo de intervalos de confianza mediante la aplicación de técnicas de bootstrap. La
obtención de unos resultados bastante consistentes con las diferentes aproximaciones
propuestas nos lleva a pensar que los índices de eficiencia y productividad estimados
pueden ser considerados como una buena aproximación al nivel de desempeño
mostrado por los centros evaluados.

El uso de las aproximaciones más novedosas (StoNED o bootstrap) tiene como

principal propósito garantizar una mayor precisión de las estimaciones realizadas,
haciendo posible la realización de inferencias sobre el modelo propuesto, además de
permitir considerar en el análisis la posible existencia de errores de medida o variables
omitidas en el modelo. La utilización de estos modelos en el contexto específico de la
medición de la eficiencia y productividad hospitalaria implica un importante avance, sin
embargo, sería posible ir todavía un paso más allá con el fin de garantizar una mayor
robustez de las estimaciones realizadas mediante la aplicación de modelos de fronteras
parciales como los propuestos por Cazals et al. (2002), Aragon et al. (2005) o Daouia y
Simar (2007). Este propósito excedía de los objetivos marcados en la presente
investigación, pero se podría plantear en futuras extensiones del mismo, al igual que la
utilización del reciente modelo desarrollado por Kuosmanen y Johnson (2017) para
poder incorporar conjuntamente varios outputs en la estimación de los índices de
eficiencia mediante el modelo StoNED.
170
Los resultados obtenidos han puesto de manifiesto la existencia de diferencias
sustanciales de eficiencia entre los hospitales, que se derivan tanto de los modelos de
gestión diversificados (MINSA y CSS), como del tamaño del hospital y de la
complejidad de las tareas desempeñadas en los mismos. La constatación de que existe
disparidad en la eficiencia de las distintas unidades y la consistencia de los resultados,
indica la posibilidad de obtener mejoras importantes a través de la identificación y la
corrección de las ineficiencias. La superioridad en la gestión que presentan los
hospitales dependientes del Ministerio de Salud parece derivarse de una menor
disponibilidad presupuestaria que ha llevado a los hospitales a esforzarse en la gestión
de recursos escasos, tanto humanos como tecnológicos. Precisamente en los procesos de
adquisición de tecnología y de incremento en la dimensión física y humana de los
hospitales parece estar la fuente de una parte de la ineficiencia observada. La mayor
dotación presupuestaria de los hospitales de la Caja del Seguro Social les ha permitido
una mayor dimensión de los hospitales, con mayor dotación humana y mejor tecnología.
Sin embargo, esto no se ha traducido en un aumento acorde en los resultados. Con el fin
de mejorar la eficiencia global del sistema parece necesario establecer mecanismos que
controlen la implementación de nuevas tecnologías en los hospitales y el
dimensionamiento de las plantillas, introduciendo, dentro de lo posible, el análisis
coste-beneficio en esos procesos.

De todo el análisis realizado parece desprenderse la idea de que la deficiente gestión de

los fondos de los que ha dispuesto el sistema sanitario durante el período de bonanza
económica ha perjudicado el avance en los niveles de Salud de la población de Panamá.
Con una deficiente coordinación entre los entes gestores, el sistema sanitario ha
generado importantes ineficiencias debido a la deficiente asignación de los recursos.
Así, los hospitales del MINSA se han visto obligados a especializarse en la atención
clínica tradicional, con el fin de superar sus carencias en las dotaciones. Mientras tanto,
los recursos se han dirigido fundamentalmente a los hospitales de la CSS, siguiendo el
esquema de “cuanto más, mejor” que ha aumentado su dimensión y mejorado su
tecnología, pero sin los resultados que podían haberse obtenido con una asignación
basada en criterios más razonables.

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

Adames, A. J. (2002). El Istmo de Panamá: Vocación e Identidad Nacional, Agenda del

Centenario, Universidad de Panamá, Panamá.

Afonso, A. y St. Aubyn, M. (2005). Non-parametric approaches to education and health

efficiency in OECD countries, Journal of Applied Economics, 8(2), 227-246.

Afriat, S. (1972). Efficiency estimation of a production function, International

Economic Review, 13 (3), 568-598.

Afzali, H. H. A., Moss, J. R. y Mahmood, M. A. (2009). A conceptual framework for

selecting the most appropriate variables for measuring hospital efficiency with a focus
on Iranian public hospitals. Health Services Management Research, 22(2), 81-91.

Agarwal, S., Yadav, S. P. y Singh, S. P. (2007). DEA technique based assessment of

efficiencies of the government hospitals of Uttaranchal (India). International Journal of
Economic Research, 4(1).

Aigner, D. y Chu, S. (1968). On estimating the industry production function, American

Economic Review, 58, 826-839.

Aigner, D. J. Lovell, C. A. K. y Schmidt, P. (1977). Formulation and estimation of

stochastic production function models, Journal of Econometrics, 6, 21-37.

Al-Shammari, M. (1999). A multi-criteria data envelopment analysis model for

measuring the productive efficiency of hospitals. International Journal of Operations &
Production Management, 19(9), 879-891.

Aletras, V., Kontodimopoulos, N., Zagouldoudis, A. y Niakas, D. (2007). The short-

term effect on technical and scale efficiency of establishing regional health systems and
general management in Greek NHS hospitals, Health Policy, 83(2), 236-245.

Aragon, Y., Daouia, A. y Thomas-Agnan, C. (2005). Nonparametric frontier estimation:

a conditional quantile-based approach, Econometric Theory, 21(02), 358-389.

Arocena, P. y García‐Prado, A. (2007). Accounting for quality in the measurement of

hospital performance: evidence from Costa Rica, Health Economics, 16(7), 667-685.
173
Asmild, M., Paradi, J., Aggarwal, V. y Schaffnit, C. (2004). Combining DEA Window
Analysis with the Malmquist Index Approach in a Study of the Canadian Banking
Industry. Journal of Productivity Analysis 21, 67–89.

Athanassopoulos, A. y Gounaris, C. (2001). Assessing the technical and allocative

efficiency of hospital operations in Greece and its resource allocation implications,
European Journal of Operational Research, 133(2), 416-431.

Balk, B. M. (2001). Scale efficiency and productivity change. Journal of Productivity

Analysis, 15(3), 159-183.

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.

Banker, R.D., Charnes, A. y Cooper, W.W. (1989). An Introduction to Data

Envelopment Analysis with Some of Their Models and its Uses, Research in
Governmental and Nonprofit Accounting, 5,125-163.

Barrenechea, J. J., Trujillo, E. y Chorny, A. (1990). Implicaciones para la planificación

y administración de los sistemas de salud; Salud para Todos en el Año 2000. En
Implicaciones para la planificación y administración de los sistemas de salud; Salud
para Todos en el Año 2000, Universidad de Antioquia.

Barros, C.P. (1998). The black box of health care expenditure growth determinants,
Health Economics, 7(6), 533-544.

Barros, C. P., De Menezes, A. G., Peypoch, N., Solonandrasana, B. y Vieira, J. C.

(2008). An analysis of hospital efficiency and productivity growth using the Luenberger
indicator, Health Care Management Science, 11(4), 373.

Battese, G. y Coelli, T. (1995). A model for technical inefficiency effects in a stochastic

frontier production function for panel data, Empirical Economics, 20, 325-332.

Battese, G. E. y Rao, D. P. (2002). Technology gap, efficiency, and a stochastic

metafrontier function, International Journal of Business and Economics, 1(2), 87-93.

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.

Blank, J. L. y Eggink, E. (2004). The decomposition of cost efficiency: an empirical

application of the shadow cost function model to Dutch general hospitals, Health Care
Management Science, 7(2), 79-88.

Boussemart, J. P., Briec, W., Kerstens, K. y Poutineau, J. C. (2003). Luenberger and

Malmquist productivity indices: theoretical comparisons and empirical illustration.
Bulletin of Economic Research, 55(4), 391-405.

Briceño, R. (2008). Gasto Privado en Salud en Centroamérica, Informe Estado de la

Región, Nicaragua.

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.

Burgess, J. F. y Wilson, P. W. (1996). Hospital ownership and technical inefficiency.

Management Science, 42(1), 110 – 123.

Byrnes, P. y Valdmanis, V. (1994). Analyzing technical and allocative efficiency of

hospitals, en Charnes, A., Cooper, W., Lewin, A. y Seiford, L.M. (eds.). Data
envelopment analysis: theory, methodology, and applications (pp. 129-144). Springer
Netherlands.

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.

Castro-Lobo, M. S., Ozcan, Y. A., da Silva, A. C., Lins, M. P. E. y Fiszman, R. (2010).

Financing reform and productivity change in Brazilian teaching hospitals: Malmquist
approach, Central European Journal of Operations Research, 18(2), 141-152.

Caves, D. W., Christensen, L. R. y Diewert, W. E. (1982). The economic theory of

index numbers and the measurement of input, output, and productivity, Econometrica:
Journal of the Econometric Society, 50(6), 1393-1414.

Cazals, C., Florens, J. P. y Simar, L. (2002). Nonparametric frontier estimation: a robust

approach. Journal of Econometrics, 106(1), 1-25.

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. y Cooper, W.W. (1985). Preface to topics in data envelopment analysis.

Annals of Operations Research 2, 59–94.

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.

Chirikos, T. N. y Sear, A. M. (2000). Measuring hospital efficiency: a comparison of

two approaches, Health Services Research, 34(6), 1389-1408.

Chowdhury, H., Wodchis, W. y Laporte, A. (2011). Efficiency and technological

change in health care services in Ontario: An application of Malmquist Productivity
Index with bootstrapping, International Journal of Productivity and Performance
Management, 60(7), 721-745.

Christensen, L. R., Jorgensen, D. W. y Lau, L. J. (1971). Transcendental logaritmic

production frontiers, Review of Economics and Statistics, 55, 28-55.

Coelli, T. y Perelman, S. (1999): Technical Efficiency of European Railways: A

Distance Function Approach, Applied Economics, 32, 1967-1976.

Conrad, R. F. y Strauss, R. P. (1983). A multiple-output multiple-input model of the

hospital industry in North Carolina, Applied Economics, 15(3), 341-352.

Cooper, W.W., Seiford, L.M. y Tone, K. (2000). Data Envelopment Analysis: A

Comprehensive Text with Models, Applications, References and DEA-Solver Software,
Kluwer Academic Press.

Cowing, T. G. y Holtmann, A. G. (1983). Multiproduct short-run hospital cost

functions: empirical evidence and policy implications from cross-section data. Southern
Economic Journal, 49(3), 637-653.

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.

De Meijer, C., Wouterse, B., Polder, J. y Koopmanschap, M. (2013). The effect of

population aging on health expenditure growth: a critical review. European Journal of
Ageing, 10(4), 353-361.

Deily, M. E. y McKay, N. L. (2006). Cost inefficiency and mortality rates in Florida

hospitals, Health Economics, 15(4), 419-431.

Deprins, D., Simar, L. y Tulkens, H. (1984). Measuring Labor Inefficiency in Post

Offices, en Marchand, P., Pestieau, P. y Tulkens, H. (eds.): Concepts and
Measurements, Amsterdam, North Holland, pp. 243-267.

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.

Dever, G. A. (1976). An epidemiological model for health policy analysis. Social

Indicators Research, 2(4), 453-466.

Dismuke, C. E. y Sena, V. (2001). Is there a trade-off between quality and productivity?

The case of diagnostic technologies in Portugal, Annals of Operations Research, 107(1),
101-116.

Donabedian, A. (2005). Evaluating the quality of medical care. Milbank Quarterly,

83(4), 691-729.

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.

ESSALUD (1999). Estudio sobre los Perfiles de Complejidad en los Centros

Asistenciales de ESSALUD, Perú.

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., Lindgren, B. y Roos, P. (1992). Productivity changes in

Swedish pharamacies 1980–1989: A non-parametric Malmquist approach (pp. 81-97).
Springer Netherlands.

Färe, R., Grosskopf, S., Lindgren, B. y Poullier, J. P. (1997). Productivity growth in

health-care delivery, Medical Care, 35(4), 354-366.

Färe, R., S. Grosskopf, B. Lindgren, P. Roos (1994a). Productivity Developments in

Swedish Hospitals: A Malmquist Output Index Approach, in Charnes, A., Cooper,
W.W., Lewin, A.Y., Seiford, L.M. (eds.). Data Envelopment Analysis: Theory,
Methodology and Applications, Kluwer Academic Publishers, Boston.

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.

Farrell, M. J. (1957). The measurement of productive efficiency. Journal of the Royal

Statistical Society. Series A (General), 120(3), 253-290.

Farsi, M. (2008). The temporal variation of cost-efficiency in Switzerland’s hospitals:

an application of mixed models. Journal of Productivity Analysis, 30(2), 155-168.

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.

Ferrier, G. D. y Trivitt, J. S. (2013). Incorporating quality into the measurement of

hospital efficiency: a double DEA approach, Journal of Productivity Analysis, 40(3),
337-355.

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.

Fisher, I. (1922). The Making of Index Numbers, Boston: Houghton Mifflin.

Fried, H., Lovell, C.A.K. y Schmidt, S. (eds.) (1993). The Measurement of Productive
Efficiency: Techniques and Applications, Oxford University Press, New York.

Greene, W. H. (2008). The econometric approach to efficiency analysis. The

measurement of productive efficiency and productivity growth, 1, 92-250.

Ganley, J. y Cubbin, J. (1992). Public Sector Efficiency Measurement, Elsevier Science

Publishers, Amsterdam.

Giuffrida, A. (1999). Productivity and efficiency changes in primary care: a Malmquist

index approach. Health Care Management Science, 2(1), 11-26.

Giuffrida, A. y Gravelle, H. (2001). Measuring performance in primary care:

econometric analysis and DEA, Applied Economics, 33(2), 163-175.

Greene, W. (1980). Maximum Likelihood Estimation of Econometric Frontier

Functions, Journal of Econometrics, 13, 26-57.

Greene, W. (2004). Distinguishing between heterogeneity and inefficiency: stochastic

frontier analysis of the World Health Organization’s panel data on national health care
systems. Health Economics, 13(10), 959-980.

Grifell-Tajté, E. y Lovell, C. A. K. (1996). Deregulation and productivity decline: The

case of Spanish saving banks. European Economic Review, 40, 1281–1303.

180
Groot, T. y Budding, T. (2008). New public management's current issues and future
prospects. Financial Accountability & Management, 24(1), 1-13.

Grosskopf, S. (1986): The Role of the Reference Technology in Measuring Production

Efficiency, The Economic Journal, 96, 449-513.

Grosskopf, S. (2003). Some remarks on productivity and its decompositions, Journal of

Productivity Analysis, 20, 459-74.

Grosskopf, S., Margaritis, D. y Valdmanis, V. (1995). Estimating output substitutability

of hospital services: A distance function approach, European Journal of Operational
Research, 80(3), 575-587.

Grosskopf, S., Margaritis, D y Valdmanis, V. (2004). Competitive effects on teaching

hospitals. European Journal of Operational Research, 154(2), 515-525.

Grosskopf, S. y Valdamis, V. (1987). Measuring Hospital Performance: A Non-

Parametric Approach, Journal of Health Economics, 6, 89-107.

Gruening, G. (2001). Origin and theoretical basis of New Public Management.

International Public Management Journal, 4(1), 1-25.

Häkkinen, U. y Joumard, I. (2007): A Conceptual Framework of Future ECO Work on

Efficiency in the Health Sector, OECD Economics Department Working Papers, n.º
554, OECD, París

Heady, E. O. y Dillon, J.L. (1961). Agricultural Production Functions. Ames: Iowa

State University Press.

Hildreth, C. (1954). Point estimates of ordinates of concave functions. Journal of the

American Statistical Association, 49(267), 598-619.

Hollingsworth, B. (2003). Non-parametric and parametric applications measuring

efficiency in health care. Health Care Management Science, 6(4), 203-218.

Hollingsworth, B. (2008). The measurement of efficiency and productivity of health

care delivery. Health Economics, 17(10), 1107-1128.

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.

Hollingsworth, B. & Wildman, J. (2003). The efficiency of health production: re-

estimating the WHO panel data using parametric and non-parametric approaches to
provide additional information, Health Economics, 12, 493-504.

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.

Jacobs, R. (2001). Alternative methods to examine hospital efficiency: data

envelopment analysis and stochastic frontier analysis. Health Care Management
Science, 4(2), 103-115.

Jacobs, R., Smith, P. C. y Street, A. (2006). Measuring efficiency in health care:

analytic techniques and health policy, Cambridge University Press.

Jondrow, J., Lovell, C.A.K., Materov, I. y Schmidt, P. (1982). On the Estimation of

Technical Inefficiency in the Stochastic Frontier Production Function Model, Journal of
Econometrics, 19, 233-238.

Jorgenson, D. y Griliches, Z. (1967): The explanation of productivity change, Review of

Economic Studies, 34(3), 249-282.

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.

Kiadaliri, A. A., Jafari, M. y Gerdtham, U. G. (2013). Frontier-based techniques in

measuring hospital efficiency in Iran: a systematic review and meta-regression analysis.
BMC Health Services Research, 13(1), 312.

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.

Koopmans, T. C. (1951). An Analysis of Production as an Efficient Combination of

Activities, in Koopmans, T.C. (ed.): Activity Analysis of Production and Allocation,
Cowles Commission for Research in Economics, Monograph Nº 13. New York: John
Willey and Sons, Inc.

Kumbhakar, S. y Lovell, C.A.K. (2000): Stochastic Frontier Analysis, Cambridge

University Press, New York.

Kuosmanen, T. (2008). Representation theorem for convex nonparametric least squares.

Econometrics Journal, 11, 308-325.

Kuosmanen, T. y Johnson, A.L. (2010). Data envelopment analysis as nonparametric

least-squares regression. Operations Research, 58, 149-160.

Kuosmanen, T. y Johnson, A.L. (2017). Modeling joint production of multiple outputs

in StoNED: Directional distance function approach. European Journal of Operational
Research, in press, https://doi.org/10.1016/j.ejor.2017.04.014

Kuosmanen, T., Johnson, A. y Saastamoinen, A. (2015). Stochastic nonparametric

approach to efficiency analysis: A unified framework. In Zhu, J. (ed.). Data
Envelopment Analysis. A Handbook of Models and Methods, Springer, New York (pp.
191-244).

Kuosmanen, T. y Kortelainen, M. (2012). Stochastic non-smooth envelopment of data:

Semi-parametric frontier estimation subject to shape constraints. Journal of Productivity
Analysis, 38(1), 11-28.

Lee, C. Y., Johnson, A. L., Moreno-Centeno, E. y Kuosmanen, T. (2013). A more

efficient algorithm for convex nonparametric least squares. European Journal of
Operational Research, 227(2), 391-400.

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.

Li, T. y Rosenman, R. (2001). Cost inefficiency in Washington hospitals: a stochastic

frontier approach using panel data, Health Care Management Science, 4(2), 73-81.

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.

López-Valcárcel, B. G. y Pérez, P. B. (1996). Changes in the efficiency of Spanish

public hospitals after the introduction of program-contracts. Investigaciones
Económicas, 20(3), 377-402.

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.

Lovell, C. K. (2003). The decomposition of Malmquist productivity indexes, Journal of

Productivity Analysis, 20(3), 437-458.

Magnussen, J. (1996). Efficiency measurement and the operationalization of hospital

production. Health Services Research, 31(1), 21.

Malmquist, S. (1953). Index numbers and indifference surfaces. Trabajos de

Estadística, 4, 209–242.

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.

Martin, J. J. y López del Amo, M.P. (2007). La medida de la eficiencia en las

organizaciones sanitarias. Presupuesto y Gasto Público, 49, 139-161.

Mazumder, R., Choudhury, A., Iyengar, G. y Sen, B. (2015). A computational

framework for multivariate convex regression and its variants. arXiv preprint
arXiv:1509.08165.

Meeusen, W. y Van den Broeck, J. (1977). Efficiency Estimation from Cobb-Douglas

Production Functions with Composed Error, International Economic Review, 18, 435-
444.

Ministerio de Economía y Finanzas (2014): Plan Estratégico de Gobierno de Panama

2015-2019: Un solo País, Ciudad de Panamá.

Ministerio de Salud (2000). Normas sobre niveles de complejidad de servicios de los

establecimientos del primer y segundo nivel de atención, Lima.

Ministerio de Salud (2001). Normas de Categorización de Establecimientos y Servicios

de Rehabilitación, Buenos Aires.

Ministerio de Salud (2013). Situación de Salud de Panamá, Ciudad de Panamá.

Ministerio de Salud (2014). Indicadores de Salud Básicos, Ciudad de Panamá.

Ministerio de Salud (2015). Situación de Salud de Panamá, Ciudad de Panamá.

Ministerio de Salud Pública (2002). II Manual de Acreditación Hospitalaria de Cuba,

La Habana.

Ministerio de Salud y Consumo (1996). Criterios de ordenación de recursos, Madrid.

Mobley IV, L. R. y Magnussen, J. (1998). An international comparison of hospital

efficiency: does institutional environment matter?, Applied Economics, 30(8), 1089-
1100.
185
Mogha, S. K., Yadav, S. P. y Singh, S. P. (2014). New slack model based efficiency
assessment of public sector hospitals of Uttarakhand: State of India. International
Journal of System Assurance Engineering and Management, 5(1), 32-42.

Morey, R. C., Fine, D. J. y Loree, S. W. (1990). Comparing the allocative efficiencies

of hospitals. Omega, 18(1), 71-83.

Morey, R. C., Fine, D. J., Loree, S. W., Retzlaff-Roberts, D. L. y Tsubakitani, S. (1992).

The trade-off between hospital cost and quality of care: an exploratory empirical
analysis, Medical Care, 30(8), 677-698.

Nayar, P. y Ozcan, Y. A. (2008). Data envelopment analysis comparison of hospital

efficiency and quality. Journal of Medical Systems, 32(3), 193-199.

O’Donnell, C. J., Rao, D. P. y Battese, G. E. (2008). Metafrontier frameworks for the

study of firm-level efficiencies and technology ratios. Empirical Economics, 34(2), 231-
25.

O’Neill, L., Rauner, M., Heidenberger, K. y Kraus, M. (2008). A cross-national

comparison and taxonomy of DEA-based hospital efficiency studies, Socio-Economic
Planning Sciences, 42 (3), 158-189.

OPS/OMS (2007). La transformación de la gestión de hospitales en América latina y el

Caribe, Ministerio de Asuntos Extranjeros de Francia, OPS (pp. 73-101).

OPS/OMS (2016). Situación de Salud en las Américas: Indicadores Básicos de Salud

2016, París.

Ossa, A. (1995). Panama: la integración con los otros países del istmo
centroamericano (Vol. 8), Fundación Friedrich Ebert.

Ozcan, Y. A., Luke, R. D. y Haksever, C. (1992). Ownership and organizational

performance: a comparison of technical efficiency across hospital types. Medical Care,
30(9), 781-794.

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.

Parkin, D. y Hollingsworth, B. (1997). Measuring production efficiency of acute

hospitals in Scotland, 1991-94: validity issues in data envelopment analysis. Applied
Economics, 29(11), 1425-1433.

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. (1996). Technical efficiency and scope economies in hospitals. Applied

Economics, 28(10), 1295-1301.

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) (2015). Atlas de

desarrollo humano local 2015, New York.

Programa de las Naciones Unidas para el Desarrollo (PNUD) (2016). Informe sobre
Desarrollo Humano 2016, New York.

Ray, S. C. y Desli, E. (1997). Productivity growth, technical progress, and efficiency

change in industrialized countries: comment. American Economic Review, 1033-1039.

Richmond, J. (1974). Estimating the Efficiency of Production, International Economic

Review, 15(2), 515-521.

Rodrigues, J. M. (1983). Le projet de medicalisation du systeme d’information.

Methode, definition, organisation. Gestions Hospitalieres, núm. 224, 206-209.

Rosko, M. D. (1999). Impact of internal and external environmental pressures on

hospital inefficiency,Health Care Management Science, 2(2), 63-74.

187
Rosko, M. D. (2001). Cost efficiency of US hospitals: a stochastic frontier approach,
Health Economics, 10(6), 539-551.

Rosko, M. D. y Chilingerian, J. A. (1999). Estimating hospital inefficiency: does case

mix matter?. Journal of Medical Systems, 23(1), 57-71.

Rosko, M. D. y Mutter, R. L. (2008). Stochastic frontier analysis of hospital

inefficiency: a review of empirical issues and an assessment of robustness. Medical
Care Research and Review, 65(2), 131-166.

Sahin, I. y Ozcan, Y. A. (2000). Public sector hospital efficiency for provincial markets
in Turkey, Journal of Medical Systems, 24(6), 307-320.

Salinas, J. y Smith, P. (1996). Data envelopment analysis applied to quality in primary

health care, Annals of Operations Research, 67(1), 141-161.

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. (1976). On the Statistical Estimation of Parametric Frontier Production

Functions, Review of Economics and Statistics, 58, 238-239.

Schmidt, P. y Sickles, RC. (1984). Production frontiers and panel data. Journal of
Business and Economics Statistics 2(4): 367-374.

Seijas, A. e Iglesias, G. (2013). Evolución de la productividad y asociación con la

satisfacción en la atención hospitalaria y especializada de los sistemas sanitarios de las
Comunidades Autónomas. Investigaciones Regionales, (27), 7-32.

Shahhoseini, R., Tofighi, S., Jaafaripooyan, E. y Safiaryan, R. (2011). Efficiency

measurement in developing countries: application of data envelopment analysis for
Iranian hospitals. Health Services Management Research, 24(2), 75-80.

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.

Shimshak, D. G., Lenard, M. L. y Klimberg, R. K. (2009). Incorporating quality into

data envelopment analysis of nursing home performance: a case study, Omega, 37(3),
672-685.

Silva-Portela, M. C. y Thanassoulis, E. (2001). Decomposing school and school-type

efficiency. European Journal of Operational Research, 132(2), 357-373.

Silverman, B. W. (1986). Density estimation for statistics and data analysis. London:
Chapman and Hall.

Simar, L. y Wilson, P.W. (1998). Sensitivity Analysis of Efficiency Scores: How to

Bootstrap in Nonparametric Frontier Models, Management Science, 44, 49-61.

Simar, L. y Wilson, P. W. (1999). Estimating and bootstrapping Malmquist

indices. European Journal of Operational Research, 115(3), 459-471.

Simar, L. y Wilson, P. W. (2000). Statistical inference in nonparametric frontier

models: The state of the art. Journal of Productivity Analysis, 13, 49–78.

Skinner, J. y Staiger, D. (2015). Technology diffusion and productivity growth in health

care. Review of Economics and Statistics, 97(5), 951-964.

Steinmann, L., Dittrich, G., Karmann, A. y Zweifel, P. (2004). Measuring and

comparing the (in) efficiency of German and Swiss hospitals. European Journal of
Health Economics, 5(3), 216-226.

Thielst, C. B. y Gardner, J. H. (2008). Clinical documentation systems: Another link

between technology and quality, Journal of Healthcare Management, 53(1), 5-7.

Tiemann, O. y Schreyögg, J. (2012). Changes in hospital efficiency after privatization.

Health Care Management Science, 15(4), 310-326.

189
Tornqvist, L. (1936). The Bank of Finland´s Consumption Price Index, Bank of Finland
Monthly Bullettin, 10, 1-8.

Tromben, V. (2016). Gasto social y ciclo económico en América Latina y el Caribe,

CEPAL, Serie Políticas Sociales No. 219.

Tulkens, H. (1993). On FDH Efficiency Analysis: Some Methodological Issues and

Applications to Retail Banking, Courts and Urban Transit, Journal of Productivity
Analysis, 4(1/2), 183-210.

Tyson, L. D. A. (2002). For developing countries, health is wealth. Business Week.

Varabyova, Y. y Schreyögg, J. (2013). International comparisons of the technical

efficiency of the hospital sector: panel data analysis of OECD countries using
parametric and non-parametric approaches. Health Policy, 112(1), 70-79.

Wagstaff, A. (1989). Estimating efficiency in the hospital sector: a comparison of three

statistical cost frontier models, Applied Economics, 21(5), 659-672.

Watcharasriroj, B. y Tang, J. C. (2004). The effects of size and information technology

on hospital efficiency. The Journal of High Technology Management Research, 15(1),
1-16.

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.

Wheelock, D. C. y Wilson, P. W. (1999). Technical progress, inefficiency, and

productivity change in US banking, 1984-1993. Journal of Money, Credit, and Banking,
31(2), 212-234.

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.

World Economic Forum (2016). The Global Competitiveness Report 2016–2017,

World Economic Forum, Geneva.

Worthington, A. C. (2004). Frontier efficiency measurement in health care: a review of

empirical techniques and selected applications. Medical Care Research and
Review, 61(2), 135-170.

Zarate, V. (2010). Economic evaluations in healthcare: Basic concepts and

classification. Revista Médica de Chile, 138(2), 93-97.

Zuckerman, S., Hadley, J. y Iezzoni, L. (1994). Measuring hospital efficiency with

frontier cost functions, Journal of Health Economics, 13(3), 255-280.

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”.

1. Nombre del responsable que llena el formulario: ______________

2. Teléfonos: _____________________________________________
3. Correo electrónico: ______________________________________

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:__

II. ASPECTOS GENERALES

11. Tipo de establecimiento:__
12. Ubicación en la red de salud:__
13. Tipo de estructura:__
14. Cobertura de la población:__
15. Área de influencia:__

III. CAPACIDAD HOSPITALARIA

16. Medicina interna
Departamento o 2005 2006 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
Medicina general
Pediatría
Cardiología
Neumología
Neurología
Oncología
Endocrinología
Ginecología
Hematología
Gastroendrología
Dermatología
Med. Física y
rehabilitación
Psiquiatría
Otros, especifique

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

18. Unidad de cuidados intensivos

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

21. Cantidad de funcionarios administrativos:

Administración 2005 2006 2007 2008 2009 2010 2011 2012 2013 2014
Grupo técnico
Grupo de gestión
Grupo
administrativo
Grupo auxiliar
Jefes de personal
subalterno

22. Cantidad de Médicos:

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

24. 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

25. Gestión médica

Movilidad 2005 2006 2007 2008 2009 2010 2011 2012 2013 2014

Cantidad de pacientes atendidos

Tiempo de estadía hospitalaria

Cantidad de reingreso

Cantidad de complicaciones

Cantidad de giro de camas

Promedio de veces que se usan las camas

Promedio de días que se usan las camas

VII. PROGRAMAS DE PREVENCIÓN

26. Cuantos programas de prevención se desarrolla en el hospital

Nombre del Programa Periodo (1) Observaciones

(1)Periodo en días

27. Equipo tecnológico con que cuenta el hospital

Equipo Tiempo de Observaciones

uso (1)
Sala de cirugía

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