3 SKAPENDE DEL
3.3 Samtidskunst
3.3.8 Forfengelighetens uttrykk
Compreender o comportamento das taxas de ocupação hospitalar, identificando tendência e sazonalidade, é de grande auxilio para a adaptação da estrutura física, financeira e humana da instituição. Pode conduzir favoravelmente o estabelecimento de estratégias visando aumentar as taxas nos períodos que costumeiramente são baixos.
Esta necessidade não recai apenas sobre a taxa de ocupação global. Em uma unidade de saúde que atende às diversas modalidades, é importante conhecer cada uma, pois existem particularidades próprias, como a variação da remuneração entre elas.
A taxa de ocupação hospitalar do período em estudo nas categorias particular e convênio apresentou uma tendência para cima enquanto que na modalidade SUS, aconteceu o inverso. Ao comparar os gráficos juntos a reta que representa o convênio ultrapassou a reta do SUS próximo ao final das séries. Isso parece indicar uma mudança no perfil assistencial dessa unidade, que historicamente realizava mais procedimentos pelo SUS.
Utilizando a metodologia Box-Jenkins, este trabalho buscou os modelos que mais se ajustavam às séries das taxas de ocupação e obteve os seguintes resultados: para a modalidade convênio o modelo ARIMA (2,1,2) é o mais adequado, para particular ARMA (1,1), para o SUS AR (1) e para a taxa de ocupação total AR(1) é o mais ajustado.
Em todas as modalidades foram identificadas presença de sazonalidade em alguns meses, sendo o modelo da taxa de ocupação total o que mais apresentou esta característica. Também em todas as séries, o mês de fevereiro foi o que mostrou menor taxa de ocupação, supostamente por ser o mês mais curto e ainda possuir muitos feriados.
O mês de dezembro merece uma análise específica, pois para o convênio tem tido um percentual de variação muito baixo, e esta é uma modalidade cuja taxa de ocupação tem crescido no decorrer do tempo e costuma ter uma remuneração bem superior à remuneração do SUS.
Espera-se que os resultados deste trabalho auxiliem na gestão do hospital Cura d´Ars e contribua para a economia da saúde, evidenciando quão útil podem ser as ferramentas econométricas para o setor hospitalar no Brasil.
REFERÊNCIAS
BRASIL, Lei n 12.101, de 27 de novembro de 2009. Dispõe sobre as regras para certificação de Entidades beneficentes nas áreas de Assistência Social, Saúde e Educação. Diário Oficial
da República Federativa do Brasil, Brasília, DF, v. 134, n. 248, 27 nov. 2009. Seção I, p.
27834-27841.
CARVALHO, L. M.; LOIOLA, E. M.; COELHO, P. S. S. Métodos quantitativos de previsão aplicados ao caso de uma seguradora nacional. In: SIMPÓSIO BRASILEIRO DE PESQUISA OPERACIONAL,33., 2001, Campos do Jordão. Anais eletrônicos... Rio de Janeiro:
Sociedade Brasileira de Pesquisa Operacional, 2001. Disponível em:
http://professores.ibmecrj.br/psergio/papers/sbpolud.pdf. Acesso em: 15 dez.2011.
CHAMPION, R.; PARENTE, D. L.; LEE, A. G.; MASMAN, K. A.; MAY, A. E.; MILLS, T. M.; TAYLOR, D. M.; THOMAS, R. P.; WILLIAMS, J. R. Forecasting emergency
department presentations. Aust Health Rev., v. 31 n. 1, 2007.
EARNEST, A.; CHEN, M.I.; NG, D.; SIN, L.Y. Using autoregressive integrated moving average (ARIMA) models to predict and monitor the number of beds occupied during a SARS outbreak in a tertiary hospital in Singapore. BMC Health Services Research, May/2005. FÁVERO, L.; OLIVEIRA, M. A.; ANGELO, C. F. Aplicação de métodos de ajustamento sazonal em séries temporais. In: SEMINÁRIOS EM ADMINISTRAÇÃO FEA-USP, 6., 2003, São Paulo. Anais... São Paulo: SEMEAD, 2003.
FOLLAND, S.; GOODMAN, A. C.; STANO, M. A. Economia da saúde. 5. ed. Porto Alegre: Bookman, 2008.
GUJARATI, D. Econometria Básica. Rio de Janeiro: Elsevier, 2006.
LA FORGIA, G. M.; COUTTOLENE, B. F. Desempenho hospitalar no Brasil: em busca da excelência. São Paulo: Singular, 2009.
LATORRE, M. R. D. O.; CARDOSO, M. R. A. Análise de séries temporais em
epidemiologia: uma introdução sobre os aspectos metodológicos. Rev. Bras. Epidemiol. v. 4, n. 3, 2001.
MAGALHÃES, Gledson Bezerra. Chuvas e doenças em Fortaleza-Ce na perspectiva das mudanças climáticas. In: SIMPÓSIO INTERNACIONAL DE CLIMATOLOGIA, 4., 2011, João Pessoa. Anais... João Pessoa: IV SIC, 2011.
MALIK, A. M.; TELES, J. P. Hospitais e programas de qualidade no estado de São Paulo.
ERA, v. 41, n. 3, 2001.
MARTINEZ, E. Z.; SILVA, E. A. S.; FABBRO, A. L. D. Um modelo SARIMA para predição do número de casos de dengue em Campinas, Estado de São Paulo. Revista Soc.
MINSK, F. S. Filantropia auto-sustentável: um modelo de gestão baseado no estudo de caso do Hospital Cura d’Ars de Fortaleza-Ce. 2010. Monografia (Especialização em
Administração Hospitalar e Gestão da Qualidade em Sistemas de Saúde) – Centro de Estudos Sociais Aplicados, Universidade Estadual do Ceará – UECE, Fortaleza, 2010.
PORTER, M. E.; TEISBERG, E. O. Repensando a Saúde: estratégias para melhorar a qualidade e reduzir os custos. Porto Alegre: Bookman, 2007.
ROUQUAYROL, M. Z.; ALMEIDA FILHO, N. Epidemiologia e saúde. 6 ed. Rio de Janeiro: Guanabara-Koogan, 2006.
SILVA, F. G. Avaliação da eficiência técnica dos hospitais da rede São Camilo. 2009. 61f. Dissertação (Mestrado Profissional em Economia) – Faculdade de Economia, Administração, Atuária e Contabilidade, Universidade Federal do Ceará – UFC, Fortaleza, 2009.
SOUZA, F. M. Modelos Box e Jenkins aplicados a demanda de leitos hospitalares. Monografia (Especialização em Estatística e Modelagem Quantitativa) – Universidade Federal de Santa Maria - UFSM, Santa Maria, 2006.
APÊNDICES
APÊNDICE A – Modelo Estimado - Convênio
Dependent Variable: D(OCUP_CONV) Method: Least Squares
Date: 01/04/12 Time: 09:59
Sample (adjusted): 2002M04 2011M09 Included observations: 114 after adjustments Convergence achieved after 13 iterations Backcast: 2002M02 2002M03
Variable Coefficient Std. Error t-Statistic Prob.
C 0.000121 0.007892 0.015284 0.9878 DJAN 0.022196 0.011218 1.978561 0.0506 MAR 0.026594 0.011149 2.385283 0.0189 ABR -0.008360 0.010369 -0.806301 0.4220 MAI 0.012535 0.011029 1.136536 0.2584 JUN -0.007597 0.011485 -0.661473 0.5098 JUL 0.003973 0.010968 0.362216 0.7180 AGO -0.012565 0.010507 -1.195848 0.2346 SET -0.003427 0.010952 -0.312915 0.7550 OUT 0.000545 0.011792 0.046200 0.9632 NOV 0.004767 0.011221 0.424846 0.6719 DEZ -0.019821 0.010422 -1.901938 0.0601 AR(2) -0.597075 0.159821 -3.735904 0.0003 MA(2) 0.731474 0.145341 5.032804 0.0000
R-squared 0.295619 Mean dependent var 0.001514
Adjusted R-squared 0.204049 S.D. dependent var 0.026674 S.E. of regression 0.023798 Akaike info criterion -4.523869 Sum squared resid 0.056633 Schwarz criterion -4.187844
Log likelihood 271.8605 F-statistic 3.228352
APÊNDICE B – Modelo Estimado - SUS
Dependent Variable: OCUP_SUS Method: Least Squares
Date: 01/04/12 Time: 09:59
Sample (adjusted): 2002M02 2011M09 Included observations: 116 after adjustments Convergence achieved after 3 iterations
Variable Coefficient Std. Error t-Statistic Prob.
C 0.341505 0.032789 10.41516 0.0000 DJAN 0.034878 0.012301 2.835326 0.0055 MAR 0.058224 0.012291 4.737027 0.0000 ABR 0.049466 0.016519 2.994429 0.0034 MAI 0.049735 0.019157 2.596260 0.0108 JUN 0.033793 0.020844 1.621217 0.1080 JUL 0.048173 0.021823 2.207417 0.0295 AGO 0.075116 0.022197 3.384001 0.0010 SET 0.055280 0.022000 2.512681 0.0135 OUT 0.042296 0.021201 1.995059 0.0487 NOV 0.032261 0.019567 1.648745 0.1022 DEZ 0.034271 0.016847 2.034291 0.0445 AR(1) 0.879729 0.048454 18.15609 0.0000
R-squared 0.773421 Mean dependent var 0.391754
Adjusted R-squared 0.747023 S.D. dependent var 0.076148 S.E. of regression 0.038300 Akaike info criterion -3.581462 Sum squared resid 0.151089 Schwarz criterion -3.272870
Log likelihood 220.7248 F-statistic 29.29894
Durbin-Watson stat 2.173803 Prob(F-statistic) 0.000000 Inverted AR Roots .88
APÊNDICE C – Modelo estimado - TOTAL
Dependent Variable: OCUP_TOT Method: Least Squares
Date: 01/04/12 Time: 10:00
Sample (adjusted): 2002M02 2011M09 Included observations: 116 after adjustments Convergence achieved after 3 iterations
Variable Coefficient Std. Error t-Statistic Prob.
C 0.568794 0.022287 25.52119 0.0000 DJAN 0.049222 0.015331 3.210625 0.0018 MAR 0.089643 0.015282 5.865739 0.0000 ABR 0.077359 0.020073 3.853823 0.0002 MAI 0.086639 0.022849 3.791801 0.0003 JUN 0.060531 0.024517 2.468899 0.0152 JUL 0.083277 0.025432 3.274520 0.0014 AGO 0.092946 0.025750 3.609583 0.0005 SET 0.067706 0.025520 2.653028 0.0092 OUT 0.049202 0.024893 1.976528 0.0508 NOV 0.043921 0.023309 1.884269 0.0623 DEZ 0.025008 0.020454 1.222650 0.2243 AR(1) 0.737624 0.067903 10.86298 0.0000
R-squared 0.614961 Mean dependent var 0.627656
Adjusted R-squared 0.570102 S.D. dependent var 0.068764 S.E. of regression 0.045086 Akaike info criterion -3.255203 Sum squared resid 0.209375 Schwarz criterion -2.946611
Log likelihood 201.8018 F-statistic 13.70876
Durbin-Watson stat 2.074808 Prob(F-statistic) 0.000000 Inverted AR Roots .74
APÊNDICE D – Modelo Estimado – Particular
Dependent Variable: OCUP_PART Method: Least Squares
Date: 01/18/12 Time: 09:50
Sample (adjusted): 2002M02 2011M09 Included observations: 116 after adjustments Convergence achieved after 18 iterations Backcast: 2002M01
Variable Coefficient Std. Error t-Statistic Prob.
C 0.009559 0.003577 2.672507 0.0088 @TREND 0.000324 4.28E-05 7.562632 0.0000 DJAN 0.007456 0.002240 3.329045 0.0012 MAR 0.003231 0.002207 1.463966 0.1463 ABR 0.004589 0.002303 1.992368 0.0490 MAI 0.003808 0.002374 1.603861 0.1119 JUN 0.004674 0.002424 1.928115 0.0566 JUL 0.008455 0.002454 3.444817 0.0008 AGO 0.002446 0.002467 0.991356 0.3239 SET 0.001362 0.002463 0.553109 0.5814 OUT 0.000978 0.002496 0.391625 0.6962 NOV 0.003959 0.002451 1.615108 0.1094 DEZ 0.004540 0.002382 1.905784 0.0595 AR(1) 0.838658 0.086447 9.701380 0.0000 MA(1) -0.579129 0.133285 -4.345029 0.0000
R-squared 0.814041 Mean dependent var 0.033177
Adjusted R-squared 0.788264 S.D. dependent var 0.012171 S.E. of regression 0.005600 Akaike info criterion -7.411842 Sum squared resid 0.003168 Schwarz criterion -7.055774
Log likelihood 444.8868 F-statistic 31.58067
Durbin-Watson stat 1.928730 Prob(F-statistic) 0.000000 Inverted AR Roots .84
APÊNDICE E – Resultados do teste de raiz unitária Dickey-Fuller
Null Hypothesis: OCUP_PART has a unit root Exogenous: None
Lag Length: 5 (Automatic based on SIC, MAXLAG=12)
t-Statistic Prob.* Augmented Dickey-Fuller test statistic 0.482431 0.8177 Test critical values: 1 pontos percentuais level -2.585962
5 pontos percentuais level -1.943741 10 pontos percentuais level -1.614818 *MacKinnon (1996) one-sided p-values.
Null Hypothesis: OCUP_PART has a unit root Exogenous: Constant
Lag Length: 5 (Automatic based on SIC, MAXLAG=12)
t-Statistic Prob.* Augmented Dickey-Fuller test statistic -0.683117 0.8458 Test critical values: 1 pontos percentuais level -3.490210
5 pontos percentuais level -2.887665 10 pontos percentuais level -2.580778 *MacKinnon (1996) one-sided p-values.
Null Hypothesis: OCUP_PART has a unit root Exogenous: Constant, Linear Trend
Lag Length: 0 (Automatic based on SIC, MAXLAG=12)
t-Statistic Prob.* Augmented Dickey-Fuller test statistic -7.225569 0.0000 Test critical values: 1 pontos percentuais level -4.039075
5 pontos percentuais level -3.449020 10 pontos percentuais level -3.149720 *MacKinnon (1996) one-sided p-values.
Null Hypothesis: OCUP_SUS has a unit root Exogenous: None
Lag Length: 1 (Automatic based on SIC, MAXLAG=12)
t-Statistic Prob.* Augmented Dickey-Fuller test statistic -0.489330 0.5020 Test critical values: 1 pontos percentuais level -2.585226
5 pontos percentuais level -1.943637 10 pontos percentuais level -1.614882 *MacKinnon (1996) one-sided p-values.
Null Hypothesis: OCUP_SUS has a unit root Exogenous: Constant
Lag Length: 0 (Automatic based on SIC, MAXLAG=12)
t-Statistic Prob.* Augmented Dickey-Fuller test statistic -3.147566 0.0258 Test critical values: 1 pontos percentuais level -3.487550
5 pontos percentuais level -2.886509 10 pontos percentuais level -2.580163 *MacKinnon (1996) one-sided p-values.
Null Hypothesis: OCUP_SUS has a unit root Exogenous: Constant, Linear Trend
Lag Length: 0 (Automatic based on SIC, MAXLAG=12)
t-Statistic Prob.* Augmented Dickey-Fuller test statistic -5.178233 0.0002 Test critical values: 1 pontos percentuais level -4.039075
5 pontos percentuais level -3.449020 10 pontos percentuais level -3.149720 *MacKinnon (1996) one-sided p-values.
Null Hypothesis: OCUP_TOT has a unit root Exogenous: None
Lag Length: 1 (Automatic based on SIC, MAXLAG=12)
t-Statistic Prob.* Augmented Dickey-Fuller test statistic 0.138641 0.7243 Test critical values: 1 pontos percentuais level -2.585226
5 pontos percentuais level -1.943637 10 pontos percentuais level -1.614882 *MacKinnon (1996) one-sided p-values.
Null Hypothesis: OCUP_TOT has a unit root Exogenous: Constant
Lag Length: 1 (Automatic based on SIC, MAXLAG=12)
t-Statistic Prob.* Augmented Dickey-Fuller test statistic -3.734896 0.0047 Test critical values: 1 pontos percentuais level -3.488063
5 pontos percentuais level -2.886732 10 pontos percentuais level -2.580281 *MacKinnon (1996) one-sided p-values.
Null Hypothesis: OCUP_TOT has a unit root Exogenous: Constant, Linear Trend
Lag Length: 1 (Automatic based on SIC, MAXLAG=12)
t-Statistic Prob.* Augmented Dickey-Fuller test statistic -3.738792 0.0236 Test critical values: 1 pontos percentuais level -4.039797
5 pontos percentuais level -3.449365 10 pontos percentuais level -3.149922 *MacKinnon (1996) one-sided p-values.
Null Hypothesis: OCUP_CONV has a unit root Exogenous: None
Lag Length: 1 (Automatic based on SIC, MAXLAG=12)
t-Statistic Prob.* Augmented Dickey-Fuller test statistic 0.945452 0.9077 Test critical values: 1 pontos percentuais level -2.585226
5 pontos percentuais level -1.943637 10 pontos percentuais level -1.614882 *MacKinnon (1996) one-sided p-values.
Null Hypothesis: OCUP_CONV has a unit root Exogenous: Constant
Lag Length: 1 (Automatic based on SIC, MAXLAG=12)
t-Statistic Prob.* Augmented Dickey-Fuller test statistic -0.448874 0.8958 Test critical values: 1 pontos percentuais level -3.488063
5 pontos percentuais level -2.886732 10 pontos percentuais level -2.580281 *MacKinnon (1996) one-sided p-values.
Null Hypothesis: OCUP_CONV has a unit root Exogenous: Constant, Linear Trend
Lag Length: 1 (Automatic based on SIC, MAXLAG=12)
t-Statistic Prob.* Augmented Dickey-Fuller test statistic -2.011958 0.5884 Test critical values: 1 pontos percentuais level -4.039797
5 pontos percentuais level -3.449365 10 pontos percentuais level -3.149922 *MacKinnon (1996) one-sided p-values.
Null Hypothesis: D(OCUP_CONV) has a unit root Exogenous: None
Lag Length: 0 (Automatic based on SIC, MAXLAG=12)
t-Statistic Prob.* Augmented Dickey-Fuller test statistic -15.88272 0.0000 Test critical values: 1 pontos percentuais level -2.585226
5 pontos percentuais level -1.943637 10 pontos percentuais level -1.614882 *MacKinnon (1996) one-sided p-values.
Null Hypothesis: D(OCUP_CONV) has a unit root Exogenous: Constant
Lag Length: 0 (Automatic based on SIC, MAXLAG=12)
t-Statistic Prob.* Augmented Dickey-Fuller test statistic -15.93416 0.0000 Test critical values: 1 pontos percentuais level -3.488063
5 pontos percentuais level -2.886732 10 pontos percentuais level -2.580281 *MacKinnon (1996) one-sided p-values.