Fiscal austerity and municipal health spending: an interrupted time series study

Leo Ramos Maia; Mônica Rodrigues Campos; Débora Castanheira

doi:10.11606/s1518-8787.2024058005772

. 2024 Sep 16;58:42. doi: 10.11606/s1518-8787.2024058005772

View full-text in Portuguese

Fiscal austerity and municipal health spending: an interrupted time series study

Leo Ramos Maia ^I, Mônica Rodrigues Campos ^II, Débora Castanheira ^III

PMCID: PMC11548907 PMID: 39319934

ABSTRACT

OBJECTIVE

To analyze the impact of the fiscal austerity policy (PAF) on health spending in Brazilian municipalities, considering population size and source of funds.

METHODS

The interrupted time series method was used to analyze the effect of the PAF on total expenditure, resources transferred by the Federal Government, and own/state per capita resources allocated to health in the municipalities. The time series analyzed covered the period from 2010 to 2019, every six months. The first semester of 2015 was adopted as the start date of the intervention. The municipalities were grouped into small (up to 100,000 inhabitants), medium (101,000 to 400,000 inhabitants), and large (over 400,000 inhabitants). The data was obtained from the Sistema de Informações sobre Orçamentos Públicos em Saúde (Information System on Public Health Budget).

RESULTS

The results for the national average of municipalities show that the PAF had a negative impact on the level of total expenditure and own/state resources allocated to health in the first half of 2015, without causing statically significant changes in the trends of any of the indicators analyzed in the period after 2015. Small municipalities saw a drop in total expenditure, while large municipalities saw a drop in own/state resources, and medium-sized municipalities saw a drop in both variables. There was no statistically significant drop in the volume of funds transferred by the Federal Government in the immediate aftermath of the implementation of the PAF in any of the municipal groups analyzed. In the medium-term, the PAF only had a negative impact on the large municipalities, which saw significant reductions in the trends of own/state resources and those transferred by the Union for health.

CONCLUSION

In general, the impact of the PAF on health financing in municipalities was immediate and based on the decrease in own/state resources allocated to health. In large municipalities, however, the impact lasted from 2015 to 2019, mainly affecting health expenditure from federal funds.

Keywords: Financing Health Systems, Fiscal Policy, Public Spending on Health, Cities

INTRODUCTION

In 2015, Brazil began implementing a fiscal austerity policy (PAF)¹, defined as a reduction in public spending in subsequent years². Its subsequent constitutionalization, through Constitutional Amendment No. 95 of 2016, has influenced the development of several studies focused on its effects on the health conditions of the population and on the provision of services and financing capacity of the Unified Health System (SUS)³.

Public spending per capita on health in Brazil, which had been on an upward trend since 2003, saw an unprecedented decrease in 2015⁸, the date that marked the beginning of the implementation of the PAF. Subsequently, public spending on health stagnated until 2019⁹, when, due to the COVID-19 pandemic, it was decided to break the spending ceiling and adopt an expansive fiscal policy¹⁰.

Cutting public spending on health means reducing the quality and quantity of health goods and services offered to the Brazilian population⁶, a reality that especially penalizes the poorest population, who depend on public services.

Studies evaluating the effects of the PAF on SUS financing focus mainly on total public and/or federal spending^7,9,11. Regarding municipal spending on health, it is only known that, on the national average, it increased by 124% between 2004 and 2014, decreased by 9% in 2015, and gradually recovered between 2015 and 2019 (14%)⁵.

It is important to analyze the impact of the PAF on municipal health spending because the constitutional pact on decentralization placed a large part of the SUS’s responsibilities in the municipalities, the main one being Primary Health Care (PHC), which is a national management model¹². In addition, the aforementioned growth in total public health expenditure in the period prior to the PAF was due to the increase in municipal participation in SUS funding¹⁰, a dynamic influenced by Constitutional Amendment No. 29 of 2000¹³.

It should also be borne in mind that the origin of resources and the volume of municipal expenditure on health are unequal according to municipal size⁵, because population groups are associated with the capacity to collect revenue, attract human resources and the infrastructure of the health system¹⁴, factors which influence the capacity and composition of expenditure⁵. Detailed analyses at this level of disaggregation are lacking in the literature.

With this in mind, the aim of this article is to analyze the impact of the PAF on health expenditure in Brazilian municipalities, taking into account population size and source of funds.

METHODS

Design and Fonts

This is a retrospective, quantitative, and analytical study that used the Interrupted Time Series (ITS) data regression method¹⁵. The Sistema de Informações sobre Orçamentos Públicos em Saúde (SIOPS – Information System on Public Health Budget)¹⁶ was used as a source, as well as population data from the demographic census (2010) and projections from the Instituto Brasileiro de Geografia e Estatística (IBGE – Brazilian Institute of Geography and Statistics).

Data from the SIOPS platform is not available in database format¹⁶, which is why the data used in this analysis was requested via the Access to Information Act. Data was found to be incomplete (an average of 10% over the period), especially between 2010 and 2013.

The municipalities were grouped into three population sizes: small (up to 100,000 inhabitants), medium (100,001 to 400,000 inhabitants), and large (400,001 or more inhabitants), considering residents in 2019. Brasilia was not included in the analysis because its sources of funding are different from those of the municipalities.

To characterize each group, indicators of socio-economic aspects and the health system were selected: 1) Life expectancy at birth; 2) Municipal Human Development Index (MHDI); 3) Degree of urbanization; 4) Number of doctors per 1,000 inhabitants; 5) Potential primary care coverage (COBAB)¹⁷; and 6) Complementary health coverage, which expresses the percentage of the population benefiting from private health plans.

The indicators come from the following sources: (1), (2), and (3) - estimates from the United Nations Development Program (UNDP) based on the 2010 demographic census; (4) - the System for the National Registry of Health Establishment (SCNES) and IBGE population projections; (5) - the Primary Care Information and Management System (e-Gestor AB); and (6) - the National Supplementary Health Agency (ANS).

Outcome Indicators

Three indicators related to health financing from 2010 to 2019 were estimated every six months:

Total health expenditure: represents total settled health expenditure (excluding pensions), including that financed by other spheres of government, per inhabitant¹⁸.
Resources transferred by the Federal Government: represents the total amount of health revenues transferred by the Federal Government, per inhabitant.
Own and state resources: represents the total paid health expenditure (excluding pensions), minus the resources transferred by the Union, per inhabitant.

The national level of outcome indicators was estimated from the arithmetic mean of the three groups of municipalities.

All the values have been adjusted for the loss of inflation based on the Special Extended National Consumer Price Index (IPCA-E), supplied by the IBGE, considering the value of January 1^st, 2022. In addition, the values were converted into US dollars, considering the exchange rate on the same day (US$ 1.00 = R$ 5.63). Six outliers were detected, corresponding to more than three standard deviations from the average, which were corrected by considering the averages of the equivalent semesters in the previous and subsequent years.

The increase in public spending due to the COVID-19 pandemic in 2020 justifies limiting the period analyzed to 2019.

Statistical Analysis

To analyze the impact of PAF on the outcome variables, an ITS analysis was used by means of autoregressive integrated moving average (ARIMA) modeling in R Studio 4.2.1. The syntax used was based on the work developed by Schaffer et al.¹⁹

The ITS is a quasi-experimental methodology¹⁵ ideal for the case under study because, when estimating the effects, the model adjusts to trends that existed prior to the intervention²⁰. Considering trends prior to the PAF is essential for assessing the immediate and trend impact of health spending. This technique is widely used in impact assessment and forecasting, and considers factors such as trend, seasonality, and autocorrelation¹⁹.

Based on the aforementioned definition of PAF² and the results obtained by Chernavsky et al.¹, 2015 was determined as the date of the intervention. The effects of PAF were estimated using a variable representing the change in level of the outcome variables immediately after its implementation (post-PAF level) and another representing the change in trend post-intervention (post-PAF trend). Significant results, with p < 0.05, were highlighted.

The models were adjusted for autocorrelation of the residuals using the Durbin-Watson test²¹. The best parameters were selected using the auto.arima function from the “astsa” library for R, which takes into account the Bayesian (BIC) and Akaike (AIC) information quality criteria²².

The counterfactual forecast was calculated using the “forecast” library and the ARIMA model, considering only the pre-intervention values. To create an indicator of the effects of the PAF, in order to estimate the impact of the final model in relation to the counterfactual forecast, its percentage difference was calculated for the first half of 2015, i.e. immediately after the implementation of the PAF and in the second period of 2019.

Trends prior to the PAF (2010–2014) were estimated using linear regression. The Dickey-Fuller test²³ was used to assess the level of significance of the trends.

Ethical Issues

As the data is in the public domain, the study was exempt from ethical review by the research ethics committee.

RESULTS

Table 1 shows that socio-economic and health system conditions improve as the population size of municipalities increases, except for potential primary care coverage, which is higher in small municipalities. These municipalities have low levels of urbanization, MHDI and life expectancy at birth, as well as few doctors and almost no supplementary healthcare. The larger municipalities have the best socio-economic conditions and the highest number of doctors and population with private health plans, but the lowest potential primary care coverage. Medium-sized municipalities have intermediate results and are close to the national average.

Table 1. Sociodemographic and health indicators by population size. Brazil, 2019.

Variables	Brazil	SMA	MED	LAR
Sociodemographics
% of population	100%	42.60%	22.60%	34.80%
No. of municipalities	5,569	5,245	261	63
Life expectancy at birth^a	73.94	73.33	75.42	75.52
Human Development Index^a	0.727	0.66	0.744	0.77
Degree of urbanization^a	85.30%	62.90%	95.50%	99.30%
Health
Number of doctors per 1,000 inhabitants^b	2	0.6	1.7	2.9
Primary Care Coverage^b	74.20%	100%	70.80%	57.40%
Supplementary health coverage^b	22.90%	3.50%	21.80%	34.80%

Open in a new tab

SMA: small (up to 100,000 inhabitants); MED: medium (from 100,001 to 400,000 inhabitants); LAR: large (400,001 or more inhabitants).

Sources: Censo Demográfico e Projeções do Instituto Brasileiro de Geografia e Estatística (IBGE - Demographic Census and Projections of the Brazilian Institute of Geography and Statistic), United Nations Development Program (UNDP-2010); Sistema de Cadastro Nacional de Estabelecimentos de Saúde (SCNES - System for National Registry of Health Establishments); Sistema de Informação de Beneficiários (SIB/ANS/MS - Beneficiary Information System).

^a Figures based on UNDP 2010.

^b Figures based on June 2019.

Table 2 shows the results of the ITS modeling for the outcomes in the periods before (2010 to 2014) and after (2015 to 2019) the PAF. Before implementation, all groups of municipalities showed an upward trend in all indicators. However, the upward trends in own/state resources in medium-sized and small municipalities, as well as in total expenditure in medium-sized municipalities, were not statistically significant.

Table 2. Models for analyzing the impact of the fiscal austerity policy (PAF) on health financing in municipalities using interrupted time series (ITS), by municipal size. Brazil, 2010 to 2019.

Indicator	Baseline			Post-PAF		Percentage difference^a
	(2010.1–2014.2)			(2015.1–2019.2)		Percentage difference^a
	2010.1	2014.2	Trend^b	Post-PAF level (95%CI)	Post-PAF trend (95%CI)	2015.1	2019.2
All municipalities
Total expenses	63.73	92.41	2.07*	-6.73*	-1.13	-9,23	-11,55
Total expenses	63.73	92.41	2.07*	(-12.46 to -1.00)	(-2.99 to 0.73)	-9,23	-11,55
Resources transferred by the Union	25.59	32.53	0.66*	-2.04	0.37	-12,14	-11,88
Resources transferred by the Union	25.59	32.53	0.66*	(-6.66 to 2.56)	(-0.70 to 1.44)	-12,14	-11,88
Own and state resources	38.14	59.88	1.40*	-6.46*	-0.47	-6,69	-16,76
Own and state resources	38.14	59.88	1.40*	(-10.43 to -2.48)	(-1.22 to 0.28)	-6,69	-16,76
Small municipalities (up to 100,000 inhabitants)
Total expenses	63.11	92.43	2.33*	-10.39*	-0.31	-12,89	-12,27
Total expenses	63.11	92.43	2.33*	(-16.20 to -4.59)	(-1.45 to 0.83)	-12,89	-12,27
Resources transferred by the Union	17.83	28.64	0.98*	-2.15	1.01*	-13,1	-7,42
Resources transferred by the Union	17.83	28.64	0.98*	(-8.60 to 4.29)	(0.06 to 1.97)	-13,1	-7,42
Own and state resources	45.28	63.79	1.33	-2.78	0.5	-10,01	1,6
Own and state resources	45.28	63.79	1.33	(-10.20 to 4.64)	(-0.82 to 1.83)	-10,01	1,6
Medium-sized municipalities (from 100,001 to 400,000 inhabitants)
Total expenses	58.83	84.2	1.97	-5.33*	-1.1	-8,14	-11,87
Total expenses	58.83	84.2	1.97	(-10.00 to -0.67)	(-2.61 to 0.40)	-8,14	-11,87
Resources transferred by the Union	24.78	29.87	0.51*	0.78	-1.1	0,06	-15,84
Resources transferred by the Union	24.78	29.87	0.51*	(-5.10 to 3.52)	(-4.61 to 2.45)	0,06	-15,84
Own and state resources	34.05	54.33	1.36	-6.55*	-0.36	-7,61	-16,12
Own and state resources	34.05	54.33	1.36	(-9.35 to -3.76)	(-0.91 to 0.18)	-7,61	-16,12
Large municipalities (more than 400,001 inhabitants)
Total expenses	69.23	100.61	2.08*	-5.52	-1.54	-7,74	-14,34
Total expenses	69.23	100.61	2.08*	(-11.61 to 0.57)	(-3.51 to 0.43)	-7,74	-14,34
Resources transferred by the Union	34.16	39.07	0.48*	-1.37	-2.53*	-12,35	-27,52
Resources transferred by the Union	34.16	39.07	0.48*	(-3.74 to 1.00)	(-4.48 to -0.59)	-12,35	-27,52
Own and state resources	35.07	61.54	1.51*	-5.29*	-0.68*	-5,28	-13,38
Own and state resources	35.07	61.54	1.51*	(-7.61 to -2.98)	(-1.01 to -0.35)	-5,28	-13,38

Open in a new tab

Source: Sistema de Informações sobre Orçamentos Públicos em Saúde (SIOPS - Information System on Public Health Budget).

Note: values adjusted by the Special Extended National Consumer Price Index (IPCA-E) for 01/01/2022 and converted into US dollars at the same day’s exchange rate (US$ 1.00 = R$ 5.63).

^a Percentage difference between predicted and counterfactual.

^b Linear coefficient of the regression in the baseline period. The significance of the trend was tested using the Dickey-Fuller test.

* Considered significant at a 95% confidence level (95%CI).

Regarding total health expenditure, soon after the PAF began, Brazilian municipalities had on average a significant reduction of US$ 6.70 per inhabitant, with the sharpest drop among small municipalities (US$ 10.39 per inhabitant). Medium-sized and large municipalities had a similar level of decrease, around 5.4 dollars per inhabitant, although the result was only significant for the first group (Table 2 and Figure 1).

Source: *Sistema de Informações sobre Orçamentos Públicos em Saúde* (SIOPS – Information System on Public Health Budget); *Censo e Projeções Populacionais do Instituto Brasileiro de Geografia e Estatística* (IBGE - Demographic Census and Projections from the Brazilian Institute of Geography and Statistics).

Note: (A) All Brazilian municipalities; (B) Small municipalities (up to 100,000 inhabitants); (C) Medium-sized municipalities (100,001 to 400,000 inhabitants); (D) Large municipalities (400,001 or more inhabitants), considering the population in 2019.

^a Values adjusted by the Special Extended National Consumer Price Index (IPCA-E) for 01/01/2022 and converted to US dollars at the same day’s exchange rate (US$ 1.00 = R$ 5.63).

Concerning resources transferred by the Federal Government, it can be seen that the PAF did not have a significant impact on any group of municipalities in the first half of 2015. For own/state resources, the only group of municipalities that did not see a significant drop was small municipalities. Medium-sized municipalities were the most affected by the immediate loss of this type of resource, closely followed by large municipalities (Table 2 and Figures 2 and 3).

After the implementation of the PAF, no significant changes were observed in the trends of total expenditure, resources transferred by the Union, and own/state resources for the national average and the group of medium-sized municipalities. Small municipalities, on the other hand, showed a trend towards a significant increase in the resources transferred by the Federal Government, on average by US$ 1.00 per inhabitant each semester. Large municipalities, on the other hand, were the most affected in the medium term, with a significant downward trend in their own/state resources and, above all, in the resources transferred by the Federal Government (Table 2).

Comparing the percentage differences between the values predicted by the ARIMA model and the scenarios without the PAF (counterfactuals), it is clear that all groups of municipalities would have experienced an increase in health expenditure, in the resources transferred by the Union, and in their own/state resources (Table 2). Exceptions are observed only in the first half of 2015 for the resources transferred by the Union to medium-sized municipalities and in the second half of 2019 for the own/state resources of small municipalities.

Figure 1 visually shows the ARIMA model for total health expenditure and counterfactuals. None of the municipal groups would have reached the level of expenditure predicted by the counterfactual model at the end of the period analyzed. In other words, in the absence of the intervention, all groups of municipalities would have been allocating a greater volume of resources to health throughout the period following the PAF.

Figure 2 shows the results of the ITS models for the resources transferred by the Federal Government. Over the period analyzed, medium-sized municipalities almost stagnated in terms of the volume of resources, leaving them at a disadvantage compared to the other population sizes at the end of the time series. Small municipalities and the national average decreased in 2015, but then recovered and came close to the counterfactual. As for the larger municipalities, there was a reversal in the trend of these resources after the implementation of the PAF, generating a gap between the values predicted by the model and the expected scenario.

About own/state resources earmarked for health, we can see that, except for small municipalities, the graphs show similar behavior (Figure 3). Among large and medium-sized municipalities, there was a decrease in this type of funding from 2015 onwards, apparently accentuated in subsequent semesters, followed by a slight recovery from 2017 onwards. On the other hand, small municipalities had already been suffering stagnation in the volume of own/state resources before 2015, as indicated by the counterfactual model.

DISCUSSION

On the national average, the results of the model show that the implementation of the PAF had an immediate negative impact on total health expenditure and on municipalities’ own/state resources. This impact was not uniform between the different groups, with small municipalities experiencing significant drops only in total expenditure, large ones only in own/state resources, and medium-sized ones experiencing a decline in both variables, while there was no reduction in the resources transferred by the Union in any of these.

In the medium-term, the implementation of the PAF only had a negative impact on large municipalities, which saw significant reductions in their own/state and federally transferred resources.

Some studies^4,5, when verifying the decrease in health expenditure in municipalities from 2015 onwards, attribute responsibility to the economic crisis and the resulting drop in revenue. However, international experience^24,25 shows that economic crises do not necessarily have a negative impact on the financing of social policies. It is important to emphasize that the implementation of the PAF was a choice and not a natural and immediate consequence of the crisis.

From an epidemiological and public health perspective, cutting social spending in a context of crisis means increasing the negative effects on the population’s health: it increases risks (e.g. alcohol and tobacco abuse, malnutrition, and environmental risks); decreases access to promotion, prevention, and care services; and increases morbidity and mortality⁶.

The discrepancy in funding between different sizes of municipality validates the methodological approach of this study. The literature mentions the link between population size and the allocation of health resources^5,26. In general, medium-sized municipalities spend less on health with their own resources than small and large ones²⁶. Between 2003 and 2019, large municipalities spent more per capita on resources from transfers⁵. However, as indicated by Cruz et al.⁵ and this study, small municipalities had the highest growth in per capita expenditure with transferred resources in the period.

Total health expenditure in small municipalities suffered the greatest impact immediately after the PAF. Cruz et al.⁵ suggest that the general drop in the level of health expenditure in Brazilian municipalities in 2015 was predominantly due to a decrease in municipal revenue. Although the indicators in this study do not make it possible to single out expenditure from own resources, the fact is that small municipalities are more dependent on external resources to finance health actions⁵, which is natural, since municipal revenues are largely linked to the provision of services and the circulation of goods²⁷, which are lower in these places. Thus, an in-depth analysis of the behavior of health expenditure in municipalities of this size in crisis situations is necessary in future studies.

Also regarding small municipalities, there was an unexpected increase in the trend of resources transferred by the Federal Government post-PAF. It should be noted, however, that large municipalities showed a downward trend in this indicator, indicating a redistribution rather than an increase in the resources provided. This shows that, to a certain extent, the Federal Government’s role of redistributing fiscal capacity and the provision of public services throughout the territory²⁸ has been exercised, since small municipalities had lower per capita expenditure on health (Figure 1).

The results for the medium-sized municipalities are similar to those of the national average: an immediate reduction in total expenditure and in own/state resources, with no change in post-PAF trends in all the variables studied. The heterogeneity of this group of municipalities in terms of health system structure and demographic and economic characteristics¹⁴ makes it difficult to interpret these results. Without losing sight of this, it should be noted that they had the lowest per capita expenditure over the entire period. In other words, although they were not the most impacted by the PAF, these are the municipalities most in need of resources. The lack of impact only suggests that the problem predates the PAF.

Regarding large municipalities, it was shown that total health expenditure after the PAF only reached 2015 levels, around US$ 185 dollars per capita per year, in 2019. It is therefore reasonable to propose that the greatest impact of the PAF was on this group, since small and medium-sized municipalities recovered their spending levels a year earlier.

The fall in the trend of funds transferred by the Federal Government has the largest share in the losses of large municipalities. The increase in the volume of funds allocated by parliamentary amendments (EP) to health from 2016 onwards partly explains this change. According to Piola and Vieira²⁹, while 1.7% of total federal spending on health in 2015 came from EP, this percentage has exceeded 7% since 2016. Around 75% of these funds were transferred to states and municipalities, especially small ones, due to the preference of parliamentarians to allocate funds to places closer to the beneficiary population^29,30.

Although this allocation is partly desirable, since these municipalities are more vulnerable (Table 1), the distribution of these resources is not equitable between municipalities, which can lead to inequality³⁰. In addition, the increase in the share of spending allocated by EP, together with the freezing of health spending in the federal budget, means a reduction in the share of own allocation by the Ministry of Health²⁹, which implies a decrease in its inducing power³¹. In addition, studies have highlighted a lack of budgetary transparency in the resources allocated by the EP^29,30.

Except for large municipalities, the resources transferred by the Federal Government were less affected by the implementation of the PAF. A previous study¹² showed that the percentage of federal health resources transferred directly to municipalities has remained relatively stable since 2004, although the per capita amounts have increased. In this sense, the importance of rules that establish regular funding for health services,such as the Primary Care Floor, should be emphasized. The considerable volume of revenue from these rules¹² has helped to soften the impact of the PAF on health financing.

Future studies will need to investigate which sectors of municipal services were most affected, considering the demographic particularities of each municipality. It is known that the implementation of the PAF has influenced the loss of quality in oral health services³. The literature also mentions a decrease in access to medicines provided by the SUS due to reduced spending at municipal and state level in 2015 and 2016³².

An issue indirectly raised by the results concerns the fiscal dependence of municipalities in relation to health spending. Small and medium-sized municipalities experienced a decrease in spending on their own/state resources, in relation to resources from the Federal Government, indicating a growing dependence on federal resources for health spending. Cruz et al.⁵ when analyzing municipal revenues, observed a significant increase in non-own revenues in relation to own revenues from 2016 onwards, especially among small municipalities, which suggests that the growth in fiscal dependence is not limited to the health area.

The availability of resources for municipalities is essential for decentralizing the SUS and strengthening PHC. In recent decades, the increase in public resources allocated to health has been due to the growth in municipal spending, sustained mainly by the allocation of own resources¹². However, the results of this study show that these resources are susceptible to economic cycles and the political decisions of the Federal Government. This corroborates the idea that municipalities lack a more regular and stable source of tax revenue²⁷.

Regarding the tax collection capacity of Brazilian municipalities, it should also be noted that, while this article is being written, the Constitution Amendment Bill No. 45 of 2019, which proposes changes to taxation mechanisms in all spheres of the Brazilian state,is being processed.

The results of this article should be interpreted with caution. The ITS models showed that the implementation of the PAF had no statistically significant impact on total health expenditure in the medium term in the municipal groups analyzed, although a slight decline occurred in all of them. At best, it can be inferred that these expenses have stagnated since the PAF.

It should be borne in mind that Brazil’s public spending on health is low compared to countries with similar incomes that don’t have universal systems¹³. Argentina and Chile, for example, in 2015 had higher public spending as a percentage of gross domestic product (around 1%) and per capita (40% and 50% higher, respectively)¹³. Contrasting reality with the ambitious principles of the SUS, it becomes clear that agendas of cuts or even stagnation in public spending are incompatible with the effective realization of our health system¹³.

An important limitation of this study stems from the decision not to use the indicator “Share of transfers to health in relation to the municipality’s total health expenditure”, made available by SIOPS. This choice was made due to changes in the coding of income and expenditure for the indicator in 2016, 2017, and 2019, as explained by the Coordination of the Information System on Public Health Budget (CSIOPS/CGES/DESID/SE/MS), in response to the authors’ inquiry. These changes make it difficult to carry out a precise longitudinal analysis of the states’ participation and their own spending on health in the municipalities.

Other important limitations should be highlighted. The first stems from the quality of the data provided by SIOPS, which has been criticized for its reliability and completeness³³. In this study, the incompleteness of the data was a characteristic that was present, especially in small municipalities, which may have overestimated their expenditure. A final limitation concerns the size of the time series analyzed. The small number of points in time makes it difficult to identify significant trends or seasonal patterns, to properly estimate the autoregression (AR) and moving average (MA) parameters, as well as increasing the sensitivity of the models to outliers¹⁹.

On the other hand, the study stands out for its nationwide estimation of the impact of the PAF on municipal health financing based on ITS, a quasi-experimental method suitable for studies evaluating the impact of public policies¹⁹.

Although the PAF has been interrupted because of the pandemic, it still occupies an important place on the public agenda. Brazil from 2015 to 2019 has become a social laboratory, providing an opportunity to evaluate and denounce the consequences of austerity on the SUS and the health of the population. The role of fiscal policy in stabilizing the economy cannot serve as an argument for suppressing health spending, given that it has redistributive and multiplier effects³⁴. As Ocké-Reis³⁴ (2023) points out, the creation of a new fiscal framework should consider the need to increase public spending on health to at least 6% of gross domestic product, with a view to bringing the assumptions of the SUS closer to reality.

Funding Statement

Funding: Activity promoted by the Public Health Program with resources CAPES PROEX Process Nº: 88881.974063/2024-01.

Footnotes

Funding: Activity promoted by the Public Health Program with resources CAPES PROEX Process Nº: 88881.974063/2024-01.

REFERENCES

1.Chernavsky E, Dweck E, Teixeira RA. Descontrole ou inflexão? A política fiscal do governo Dilma e a crise econômica. Econ Soc. 2020 Dec;29:811–834. doi: 10.1590/1982-3533.2020v29n3art06. [DOI] [Google Scholar]
2.Reeves A, McKee M, Basu S, Stuckler D. The political economy of austerity and healthcare: cross-national analysis of expenditure changes in 27 European nations 1995-2011. Health Policy. 2014 Mar;115(1):1–8. doi: 10.1016/j.healthpol.2013.11.008. [DOI] [PubMed] [Google Scholar]
3.Rossi TRA, Lorena JE, Chaves SCL, Martelli PJL. Crise econômica, austeridade e seus efeitos sobre o financiamento e acesso a serviços públicos e privados de saúde bucal. Cienc Saude Coletiva. 2019 Nov;24(12):4427–4436. doi: 10.1590/1413-812320182412.25582019. [DOI] [PubMed] [Google Scholar]
4.Barros RD, Aquino R, Souza LEPF. Evolution of the structure and results of Primary Health Care in Brazil between 2008 and 2019. Cienc Saude Coletiva. 2022 Oct;27(11):4289–4301. doi: 10.1590/1413-812320222711.02272022. [DOI] [PubMed] [Google Scholar]
5.Cruz WGN, Barros RD, Souza LEPF. Financiamento da saúde e dependência fiscal dos municípios brasileiros entre 2004 e 2019. Cienc Saude Coletiva. 2022 May;27(6):2459–2469. doi: 10.1590/1413-81232022276.15062021. [DOI] [PubMed] [Google Scholar]
6.Paes-Sousa R, Schramm JMA, Mendes LVP. Fiscal austerity and the health sector: the cost of adjustments. Cienc Saude Coletiva. 2019 Mar;24(12):4375–4384. doi: 10.1590/1413-812320182412.23232019. [DOI] [PubMed] [Google Scholar]
7.Guidolin AP, David GC, Rossi PL. The financing of healthcare in Brazil: underfunding and austerity policies; Association for Heterodox Economics 22nd, Annual Conference; 2020. [Google Scholar]
8.Piola SF, Benevides RP S, Vieira FS. Consolidação do gasto com ações e serviços públicos de saúde: trajetória e percalços no período de 2003 a 2017. [cited 2023 June 13];Econstor. 2018 (2439) https://www.econstor.eu/handle/10419/211390 Texto para discussão. [Google Scholar]
9.Vieira FS. Health financing in Brazil and the goals of the 2030 Agenda: high risk of failure. 127Rev Saude Publica. 2020 Dec;54 doi: 10.11606/s1518-8787.2020054002414. [DOI] [PMC free article] [PubMed] [Google Scholar]
10.Servo LMS, Santos MAB, Vieira FS, Benevides RPS. Financiamento do SUS e Covid-19: histórico, participações federativas e respostas à pandemia. Saude Debate. 2021 Aug;44(spe 4):114–129. doi: 10.1590/0103-11042020E407. [DOI] [Google Scholar]
11.Funcia FR, Ocke-Reis CO. Rossi P, Dweck E, Oliveira ALM.organizadores . Economia para poucos: impactos sociais da austeridade e alternativas para o Brasil. São Paulo: Autonomia Literária; 2018. Efeitos da política de austeridade fiscal sobre o gasto público federal em saúde; pp. 83–97. [Google Scholar]
12.Massuda A, Malik A, Lotta G, Siqueira M, Tasca R, Rocha R. Brazil's primary health care financing: case study. 2022 Lancet Global Health Commission on Financing Primary Health Care.
13.Vieira FS, Piola SF, Benevides RPS. Vinculação orçamentária do gasto em saúde no Brasil: resultados e argumentos a seu favor. Brasília, DF: IPEA; 2019. Texto para discussão, n. 2516. [Google Scholar]
14.Calvo MCM, Lacerda JT, Colussi CF, Schneider IJC, Rocha TAH. Estratificação de municípios brasileiros para avaliação de desempenho em saúde. Epidemiol Serv Saude. 2016 Dec;25(4):767–776. doi: 10.5123/S1679-49742016000400010. [DOI] [PubMed] [Google Scholar]
15.Shadish WR, Cook TD, Campbell DT. Experimental and quasi-experimental designs for generalized causal inference. 2nd. Boston: Houghton Mifflin; 2001. [Google Scholar]
16.Ministério da Saúde (BR) [cited 2023 Apr 26];Portal da Sáude. Consulta de Indicadores de Municípios 2023. http://siops.datasus.gov.br/relindicadoresmun2.php
17.Ministério da Saúde (BR) Secretaria de Atenção Primária à Saúde. Cooreenação-Geral de Estratégia da Saúde de Família Nota técnica N o 301/2022. Nota metodológica da cobertura potencial da atenção primária à saúde no SUS. [cited 2023 Apr 26]. https://egestorab.saude.gov.br/image/?file=20221214_O_NT301-NotaMetodologicaCoberturaAPS_894545258772170154.pdf
18.Ministério da Saúde (BR) Departamento de Economia e Desenvolvimento em Saúde Nota técnica n o 148, Metodologia aplicada na elaboração de indicadores com despesas de saúde por esfera, por habitante, e em proporção ao PIB. [cited 2023 Aug 03]. https://www.gov.br/saude/pt-br/acesso-a-informacao/siops/indicadores/notas-tecnicas/2015/nt-148-2015-desid-se-ms-indicadores-metodologia.pdf/view
19.Schaffer AL, Dobbins TA, Pearson SA. Interrupted time series analysis using autoregressive integrated moving average (ARIMA) models: a guide for evaluating large-scale health interventions. BMC Med Res Methodol. 2021;21(1):1–12. doi: 10.1186/s12874-021-01235-8. [DOI] [PMC free article] [PubMed] [Google Scholar]
20.Emmerick ICM, Campos MR, Luiza VL, Chaves LA, Bertoldi AD, Ross-Degnan D. Retrospective interrupted time series examining hypertension and diabetes medicines usage following changes in patient cost sharing in the "Farmácia Popular" programme in Brazil. BMJ Open. 2017 Nov;7(11):e017308. doi: 10.1136/bmjopen-2017-017308. [DOI] [PMC free article] [PubMed] [Google Scholar]
21.Savin NE, White KJ. The Durbin-Watson Test for serial correlation with extreme sample sizes or many regressors. Econometrica. 1977;45(8):1989–1996. doi: 10.2307/1914122. [DOI] [Google Scholar]
22.Maydeu-Olivares A, Garcia-Forero C. Goodness-of-fit testing. International encyclopedia of education. 2010;7(1):190–196. doi: 10.1016/B978-0-08-044894-7.01333-6. [DOI] [Google Scholar]
23.Harris RID. Testing for unit roots using the augmented Dickey-Fuller test: some issues relating to the size, power and the lag structure of the test. Economics Letters. 1992 Apr;38(4):381–386. [Google Scholar]
24.Stuckler D, Basu S, Suhrcke M, Coutts A, McKee M. The public health effect of economic crises and alternative policy responses in Europe: an empirical analysis. The Lancet. 2009 Jul 25;374(9686):315–323. doi: 10.1016/S0140-6736(09)61124-7. https://doi.org/10.1016/S0140-6736 (09)61124-7 [DOI] [PubMed] [Google Scholar]
25.Karanikolos M, Mladovsky P, Cylus J, Thomson S, Basu S, Stuckler D, et al. Financial crisis, austerity, and health in Europe. Lancet. 2013 Apr;381(9874):1323–1331. doi: 10.1016/S0140-6736(13)60102-6. https://doi.org/10.1016/S0140-6736 (13)60102-6 [DOI] [PubMed] [Google Scholar]
26.Araújo CEL, Gonçalves GQ, Machado JA. Os municípios brasileiros e os gastos próprios com saúde: algumas associações. Cienc Saude Coletiva. 2017 Mar;22(3):953–963. doi: 10.1590/1413-81232017223.15542016. [DOI] [PubMed] [Google Scholar]
27.Tristão JA. A administração tributária dos municípios brasileiros: uma avaliação do desempenho da arrecadação. São Paulo: Fundação Getúlio Vargas; 2003. thesis. [Google Scholar]
28.Simão JB, Orellano VIF. Um estudo sobre a distribuição das transferências para o setor de saúde no Brasil. Estud Econ. 2015 Mar;45:33–63. doi: 10.1590/0101-4161201545133jbv. [DOI] [Google Scholar]
29.Piola SF, Vieira FS. IPEA. 2497 Brasília, DF: 2019. As emendas parlamentares e a alocação de recursos federais no Sistema Único de Saúde. Texto para discussão. [Google Scholar]
30.Vieira FS, Lima LD. Distorções das emendas parlamentares à alocação equitativa de recursos federais ao PAB. 123Rev Saude Publica. 2022;56 doi: 10.11606/s1518-8787.2022056004465. [DOI] [Google Scholar]
31.Arretche M. Democracia, federalismo e centralização no Brasil. Rio de Janerio: Editora Fiocruz; 2012. [cited 2023 Jul 9]. https://books.scielo.org/id/bx899 [Google Scholar]
32.Vieira FS. Evolução do gasto com medicamentos do Sistema Único de Saúde no período de 2010 a 2016. Brasília, DF: IPEA; 2018. Texto para discussão; n. 2356. [Google Scholar]
33.Vieira FS, Almeida ATC, Servo LMS, Benevides RPS. Gasto total dos municípios em atenção primária à saúde no Brasil: um método para ajuste da despesa declarada de 2015 a 2020. Cad Saude Publica. 2022 Jun;38(5):e00280221. doi: 10.1590/0102-311XPT280221. [DOI] [PubMed] [Google Scholar]
34.Ocké-Reis C. Financiamento adequado é condição para garantia do direito universal à saúde. 2023. [cited 2023 Ago 3]. https://radis.ensp.fiocruz.br/entrevista/financiamento-adequado-e-condicao-para-garantia-do-direito-universal-a-saude/ Radis Com Saude.

Rev Saude Publica. 2024 Sep 16;58:42. [Article in Portuguese]

Austeridade fiscal e gastos municipais em saúde: estudo de séries temporais interrompidas

Leo Ramos Maia ^I, Mônica Rodrigues Campos ^II, Débora Castanheira ^III

RESUMO

OBJETIVO

Analisar o impacto da política de austeridade fiscal (PAF) nas despesas em saúde dos municípios brasileiros, levando em consideração o porte populacional e a fonte dos recursos.

MÉTODOS

Utilizou-se o método de séries temporais interrompidas para analisar o efeito da PAF sobre as despesas totais, recursos transferidos pela União e recursos próprios/estaduais per capita destinados à saúde nos municípios. A série temporal analisada compreendeu o período de 2010 a 2019, com periodicidade semestral. Adotou-se o primeiro semestre de 2015 como data de início da intervenção. Os municípios foram agregados em pequenos (até 100 mil habitantes), médios (101 mil a 400 mil habitantes) e grandes (mais de 400 mil habitantes). Os dados foram obtidos no Sistema de Informações sobre Orçamentos Públicos em Saúde.

RESULTADOS

Os resultados para a média nacional dos municípios demonstram que a PAF teve um impacto negativo sobre o nível de despesas totais e de recursos próprios/estaduais destinados à saúde no primeiro semestre de 2015, não provocando mudanças estaticamente significativas nas tendências de nenhum dos indicadores analisados no período posterior a 2015. Municípios pequenos tiveram queda nas despesas totais, enquanto os grandes, nos recursos próprios/estaduais e os médios, em ambas as variáveis. Não houve queda estatisticamente significante no volume de recursos transferidos pela União no momento imediato à implementação da PAF em nenhum dos grupos municipais analisados. No médio prazo, a PAF gerou impacto negativo apenas nos grandes municípios, que tiveram reduções significativas nas tendências de recursos próprios/estaduais e transferidos pela União destinados à saúde.

CONCLUSÃO

No geral, o impacto da PAF no financiamento da saúde dos municípios se deu de forma imediata e a partir da queda de recursos próprios/estaduais destinados à saúde. Nos municípios grandes, entretanto, o impacto foi perdurável entre 2015 e 2019, afetando, principalmente, as despesas com saúde oriundas de recursos da União.

Keywords: Financiamento dos Sistemas de Saúde, Política Fiscal, Gastos Públicos com Saúde, Cidades

INTRODUÇÃO

Em 2015 o Brasil iniciou a implementação de uma política de austeridade fiscal (PAF)¹, definida como uma redução de gastos públicos em anos subsequentes². Sua posterior constitucionalização, a partir da Emenda Constitucional n^o 95, de 2016, influenciou a elaboração de diversos estudos voltados aos seus efeitos nas condições de saúde da população e na provisão de serviços e capacidade de financiamento do Sistema Único de Saúde (SUS)³.

Os gastos públicos per capita destinados à saúde no Brasil, que apresentavam tendência crescente desde 2003, tiveram um inédito decréscimo em 2015⁸, data que marcou o início da implementação da PAF. Posteriormente, verificou-se estagnação das despesas públicas em saúde até 2019⁹, quando, por conta da pandemia de covid-19, decidiu-se romper o teto de gastos e adotar uma política fiscal expansiva¹⁰.

Cortar gastos públicos em saúde implica reduzir a qualidade e quantidade dos bens e serviços de saúde ofertados para a população brasileira⁶, realidade que penaliza especialmente a população mais pobre, dependente da oferta pública de serviços.

Os estudos que avaliam os efeitos da PAF no financiamento do SUS voltam-se principalmente aos gastos públicos totais e/ou federais^7,9,11. Acerca das despesas municipais em saúde, sabe-se apenas que, na média nacional, cresceram 124% entre 2004 e 2014, tiveram uma queda de 9% em 2015 e foram gradualmente recuperadas entre 2015 e 2019 (14%)⁵.

É importante analisar o impacto da PAF nos gastos municipais em saúde porque o pacto constitucional em torno da descentralização situou nos municípios grande parte das atribuições do SUS, sendo a principal delas a Atenção Primária à Saúde (APS), que é modelo de gestão nacional¹². Além disso, o referido crescimento das despesas públicas totais em saúde no período anterior à PAF ocorreu devido ao aumento da participação municipal no financiamento do SUS¹⁰, dinâmica influenciada pela Emenda Constitucional n^o 29 de 2000¹³.

Deve-se considerar ainda que a origem de recursos e o volume das despesas municipais com saúde são desiguais de acordo com o porte municipal⁵, porque as faixas populacionais encontram-se associadas à capacidade de arrecadação, de captação de recursos humanos e à infraestrutura do sistema de saúde¹⁴, fatores que influenciam na capacidade e composição dos gastos⁵. Análises detalhadas nesse nível de desagregação configuram uma lacuna na literatura.

Nesse sentido, este artigo tem por objetivo analisar o impacto da PAF nas despesas em saúde dos municípios brasileiros, levando em consideração o porte populacional e a fonte dos recursos.

MÉTODOS

Desenho e Fontes

Estudo retrospectivo, quantitativo e analítico que utilizou o método de regressão de dados de séries temporais interrompidas (ITS – Interrupted Time Series)¹⁵. Utilizou-se como fonte o Sistema de Informações sobre Orçamentos Públicos em Saúde (SIOPS)¹⁶, além de dados populacionais provenientes do censo demográfico (2010) e projeções, do Instituto Brasileiro de Geografia e Estatística (IBGE).

Os dados da plataforma do SIOPS não estão disponíveis em formato de banco de dados¹⁶, por esse motivo os dados utilizados nesta análise foram solicitados via Lei de Acesso à Informação. Verificou-se a existência de incompletude nos dados (média de 10% no período), especialmente no período de 2010 a 2013.

Os municípios foram agregados em três portes populacionais: pequenos (até 100.000 habitantes), médios (de 100.001 a 400.000 habitantes) e grandes (400.001 ou mais habitantes), considerando os residentes em 2019. Brasília não foi incluída na análise, pois suas fontes de recursos são distintas das municipais.

Para a caracterização de cada grupo, foram selecionados indicadores de aspectos socioeconômicos e do sistema de saúde: 1) Esperança de vida ao nascer; 2) Índice de Desenvolvimento Humano Municipal (IDHM); 3) Grau de urbanização; 4) Número de médicos por 1.000 habitantes; 5) Cobertura potencial da atenção básica¹⁷; e 6) Cobertura da saúde complementar, que expressa a porcentagem da população beneficiária de planos privados de saúde.

Os indicadores são oriundos das seguintes fontes: (1), (2) e (3) – estimativas do Programa das Nações Unidas para o Desenvolvimento (PNUD) com base no censo demográfico de 2010; (4) – Sistema de Cadastro Nacional de Estabelecimentos de Saúde (SCNES) e projeções populacionais do IBGE; (5) – Sistema de Informação e Gestão da Atenção Básica (e-Gestor AB); e (6) – Agência Nacional de Saúde Suplementar (ANS).

Indicadores de Desfecho

Foram estimados três indicadores relacionados ao financiamento da saúde de 2010 a 2019, com periodicidade semestral:

Despesas totais com saúde: representa a despesa liquidada total com saúde (exceto aposentadorias e pensões), inclusive aquela financiada por outras esferas de governo, por habitante¹⁸.
Recursos transferidos pela União: representa o total de receitas realizadas em saúde transferidas pela União, por habitante.
Recursos próprios e estaduais: representa o total de despesas liquidadas com saúde (exceto aposentarias e pensões), subtraído os recursos transferidos pela União, por habitante.

O nível nacional dos indicadores de desfecho foi estimado a partir da média aritmética dos três grupos de municípios.

Todos os valores foram ajustados pela perda inflacionária a partir do Índice Nacional de Preços ao Consumidor Especial (IPCA-E), fornecido pelo IBGE, considerando o valor de 1^o de janeiro de 2022. Além disso, os valores foram convertidos para dólares americanos, considerando a cotação do mesmo dia (US$1,00 = R$5,63). Detectou-se a presença de seis outliers, correspondentes a mais de três desvios-padrões em relação à média, que foram corrigidos considerando as médias dos semestres equivalentes nos anos anterior e posterior.

O aumento dos gastos públicos em decorrência da pandemia da covid-19 em 2020 justifica a delimitação do período analisado até 2019.

Análise Estatística

Para analisar o impacto da PAF nas variáveis de desfecho, foi empregada uma análise de ITS por meio de modelagem autorregressiva integrada de médias móveis (ARIMA) no R Studio 4.2.1. A sintaxe utilizada foi baseada no trabalho desenvolvido por Schaffer et al.¹⁹

O ITS é metodologia quasi-experimental¹⁵ ideal para o caso em estudo porque, ao estimar os efeitos, o modelo se ajusta às tendências preexistentes à intervenção²⁰. Considerar tendências anteriores à PAF é essencial para avaliar o impacto imediato e na tendência dos gastos em saúde. Tal técnica é amplamente utilizada na avaliação do impacto e previsões, e considera fatores como tendência, sazonalidade e autocorrelação¹⁹.

Com base na definição supracitada de PAF² e nos resultados obtidos por Chernavsky et al.¹, determinou-se 2015 como a data da intervenção. Os efeitos da PAF foram estimados utilizando uma variável representando a mudança de nível das variáveis de desfecho imediatamente após sua implementação (nível pós-PAF) e outra representando a mudança de tendência pós-intervenção (tendência pós-PAF). Resultados significativos, com p < 0,05, foram destacados.

Os modelos foram ajustados para autocorrelação dos resíduos utilizando o teste de Durbin-Watson²¹. Os melhores parâmetros foram selecionados utilizando a função auto.arima da biblioteca “astsa” para R, que leva em consideração os critérios de qualidade de informação Bayesiano (BIC) e de Akaike (AIC)²².

A previsão contrafactual foi calculada utilizando a biblioteca “forecast” e o modelo ARIMA, considerando apenas os valores pré-intervenção. Para criar um indicador dos efeitos da PAF, de forma a estimar o impacto do modelo final em relação à previsão contrafactual, calculou-se sua diferença percentual para o primeiro semestre de 2015, ou seja, imediatamente após a implementação da PAF e no segundo período de 2019.

As tendências anteriores à PAF (2010–2014) foram estimadas por meio de regressão linear. O teste Dickey-Fuller²³ foi realizado para aferir o nível de significância das tendências.

Questões Éticas

Por se tratar de dados de domínio público, o estudo foi dispensado de apreciação ética pelo comitê de ética em pesquisa.

RESULTADOS

A Tabela 1 mostra que as condições socioeconômicas e do sistema de saúde melhoram com o aumento do porte populacional dos municípios, exceto a cobertura potencial da atenção básica, que é maior nos municípios pequenos. Esses municípios têm baixo grau de urbanização, IDHM e esperança de vida ao nascer, além de poucos médicos e quase nenhuma saúde suplementar. Os municípios grandes têm as melhores condições socioeconômicas e o maior número de médicos e de população com planos privados de saúde, mas a menor cobertura potencial da atenção básica. Os municípios médios têm resultados intermediários e próximos à média nacional.

Tabela 1. Indicadores sociodemográficos e de saúde segundo porte populacional. Brasil, 2019.

Variáveis	Brasil	PEQ	MED	GRA
Sociodemográficos
% da população	100%	42,60%	22,60%	34,80%
Nº de municípios	5.569	5.245	261	63
Esperança de vida ao nascer^a	73,94	73,33	75,42	75,52
Índice de Desenvolvimento Humano^a	0,727	0,66	0,744	0,77
Grau de urbanização^a	85,30%	62,90%	95,50%	99,30%
Saúde
Nº de médicos por 1.000 habitantes^b	2	0,6	1,7	2,9
Cobertura atenção básica^b	74,20%	100%	70,80%	57,40%
Cobertura saúde suplementar^b	22,90%	3,50%	21,80%	34,80%

Open in a new tab

PEQ: pequenos (até 100.000 habitantes); MED: médios (de 100.001 a 400.000 habitantes); GRA: grandes (400.001 ou mais habitantes).

Fontes: Censo Demográfico e Projeções do Instituto Brasileiro de Geografia e Estatística (IBGE), Programa das Nações Unidas para o Desenvolvimento (PNUD - 2010), Sistema de Cadastro Nacional de Estabelecimentos de Saúde (SCNES) e Sistema de Informação de Beneficiários (SIB/ANS/MS).

^a Valores com base em PNUD 2010.

^b Valores com base em junho de 2019.

A Tabela 2 apresenta os resultados da modelagem ITS para os desfechos, nos períodos anteriores (2010 a 2014) e posteriores (2015 a 2019) à PAF. Antes da implementação, todos os grupos de municípios apresentavam tendência de crescimento em todos os indicadores. No entanto, as tendências de aumento nos recursos próprios/estaduais nos municípios de médio e pequeno porte, assim como nas despesas totais nos municípios de médio porte, não foram significativas estatisticamente.

Tabela 2. Modelos de análise do impacto da política de austeridade fiscal (PAF) sobre o financiamento da saúde nos municípios por meio de séries temporais interrompidas, segundo porte municipal. Brasil, 2010 a 2019.

Indicador	Baseline			Pós-PAF		Diferença percentual^a
	(2010.1–2014.2)			(2015.1–2019.2)		Diferença percentual^a
	2010.1	2014.2	Tendência^b	Nível pós-PAF (IC95%)	Tendência pós-PAF (IC95%)	2015.1	2019.2
Todos os municípios
Despesas totais	63,73	92,41	2,07*	-6,73*	-1,13	-9,23	-11,55
Despesas totais	63,73	92,41	2,07*	(-12,46 a -1,00)	(-2,99 a 0,73)	-9,23	-11,55
Recursos transferidos pela União	25,59	32,53	0,66*	-2,04	0,37	-12,14	-11,88
Recursos transferidos pela União	25,59	32,53	0,66*	(-6,66 a 2,56)	(-0,70 a 1,44)	-12,14	-11,88
Recursos próprios e estaduais	38,14	59,88	1,40*	-6,46*	-0,47	-6,69	-16,76
Recursos próprios e estaduais	38,14	59,88	1,40*	(-10,43 a -2,48)	(-1,22 a 0,28)	-6,69	-16,76
Municípios pequenos (até 100.000 residentes)
Despesas totais	63,11	92,43	2,33*	-10,39*	-0,31	-12,89	-12,27
Despesas totais	63,11	92,43	2,33*	(-16,20 a -4,59)	(-1,45 a 0,83)	-12,89	-12,27
Recursos transferidos pela União	17,83	28,64	0,98*	-2,15	1,01*	-13,1	-7,42
Recursos transferidos pela União	17,83	28,64	0,98*	(-8,60 a 4,29)	(0,06 a 1,97)	-13,1	-7,42
Recursos próprios e estaduais	45,28	63,79	1,33	-2,78	0,5	-10,01	1,6
Recursos próprios e estaduais	45,28	63,79	1,33	(-10,20 a 4,64)	(-0,82 a 1,83)	-10,01	1,6
Municípios médios (de 100.001 até 400.000 residentes)
Despesas totais	58,83	84,2	1,97	-5,33*	-1,1	-8,14	-11,87
Despesas totais	58,83	84,2	1,97	(-10,00 a -0,67)	(-2,61 a 0,40)	-8,14	-11,87
Recursos transferidos pela União	24,78	29,87	0,51*	0,78	-1,1	0,06	-15,84
Recursos transferidos pela União	24,78	29,87	0,51*	(-5,10 a 3,52)	(-4,61 a 2,45)	0,06	-15,84
Recursos próprios e estaduais	34,05	54,33	1,36	-6,55*	-0,36	-7,61	-16,12
Recursos próprios e estaduais	34,05	54,33	1,36	(-9,35 a -3,76)	(-0,91 a 0,18)	-7,61	-16,12
Municípios grandes (mais de 400.001 residentes)
Despesas totais	69,23	100,61	2,08*	-5,52	-1,54	-7,74	-14,34
Despesas totais	69,23	100,61	2,08*	(-11,61 a 0,57)	(-3,51 a 0,43)	-7,74	-14,34
Recursos transferidos pela União	34,16	39,07	0,48*	-1,37	-2,53*	-12,35	-27,52
Recursos transferidos pela União	34,16	39,07	0,48*	(-3,74 a 1,00)	(-4,48 a -0,59)	-12,35	-27,52
Recursos próprios e estaduais	35,07	61,54	1,51*	-5,29*	-0,68*	-5,28	-13,38
Recursos próprios e estaduais	35,07	61,54	1,51*	(-7,61 a -2,98)	(-1,01 a -0,35)	-5,28	-13,38

Open in a new tab

Fonte: Sistema de Informações sobre Orçamentos Públicos em Saúde (SIOPS).

Nota: valores ajustados pelo Índice Nacional de Preços ao Consumidor Especial (IPCA-E) para 01/01/2022 e convertidos para dólares americanos da cotação do mesmo dia (US$1,00 = R$5,63).

^a Diferença percentual entre o predito e o contrafacto.

^b Coeficiente linear da regressão no período baseline. A significância da tendência foi testada por meio do teste Dickey-Fuller.

* Considerado significativo a um nível de confiança de 95% (IC95%).

No que tange às despesas totais em saúde, logo após o início da PAF, os municípios brasileiros tiveram, em média, uma redução significativa de US$ 6,70 por habitante, com queda mais acentuada entre os municípios de pequeno porte (US$ 10,39 por habitante). Municípios de médio e grande porte tiveram um nível de perda similar, por volta de 5,4 dólares/habitante, embora o resultado só tenha se mostrado significativo para o primeiro grupo (Tabela 2 e Figura 1).

Figura 1 — Fonte: Sistema de Informações sobre Orçamentos Públicos em Saúde (SIOPS); Censo e Projeções Populacionais do Instituto Brasileiro de Geografia e Estatística (IBGE).

(A) Todos os municípios brasileiros. (B) Pequeno porte (até 100.000 habitantes). (C) médio porte (de 100.001 a 400.000 habitantes). (D) Grande porte (400.001 ou mais habitantes), considerando a população de residentes no ano de 2019.

^a Valores ajustados pelo Índice Nacional de Preços ao Consumidor Especial (IPCA-E) para 01/01/2022 e convertidos para dólares americanos da cotação do mesmo dia (US$1,00 = R$5,63).

Com relação aos recursos transferidos pela União, observa-se que a PAF não impactou significativamente nenhum grupo de municípios no 1º semestre de 2015. Para os recursos próprios/estaduais, o único grupo de municípios que não teve queda significativa foi o de pequeno porte. Municípios médios foram os mais afetados pela perda imediata desse tipo de recursos, seguidos de perto pelos de grande porte (Tabela 2 e Figuras 2 e 3).

Após a implantação da PAF, não foram observadas mudanças significativas nas tendências de despesas totais, recursos transferidos pela União e recursos próprios/estaduais para a média nacional e no grupo de municípios de médio porte. Municípios de pequeno porte, por sua vez, apresentaram tendência de aumento significativa dos recursos transferidos pela União, em média de US$ 1,00 por habitante a cada semestre. Já os municípios de grande porte foram os mais afetados no médio prazo, com uma diminuição de tendência significativa nos recursos próprios/estaduais e, principalmente, nos recursos transferidos pela União (Tabela 2).

Comparando as diferenças percentuais entre os valores preditos pelo modelo ARIMA e os cenários sem a PAF (contrafactuais), fica claro que todos os grupos de municípios teriam experimentado um aumento em despesas de saúde, nos recursos transferidos pela União e nos próprios/estaduais (Tabela 2). Exceções são observadas apenas no primeiro semestre de 2015 para os recursos transferidos pela União para municípios médios e no segundo semestre de 2019 para os recursos próprios/estaduais de municípios pequenos.

A Figura 1 apresenta visualmente o modelo ARIMA para despesas totais em saúde e contrafactos. Nenhum dos grupos municipais alcançaria o nível de despesas previstos pelo modelo contrafactual no final do período analisado. Ou seja, na ausência da intervenção, todos os grupos de municípios estariam destinando maior volume de recursos para a saúde em todo o período posterior à PAF.

A Figura 2 mostra os resultados dos modelos de ITS para os recursos transferidos pela União. No período analisado, os municípios médios quase estagnaram em volume de recursos, ficando em desvantagem em relação aos demais portes populacionais ao final da série histórica. Os municípios pequenos e a média nacional tiveram uma queda em 2015, mas depois se recuperaram e se aproximaram do contrafactual. Já nos municípios grandes, houve inversão na tendência desses recursos após a implementação da PAF, gerando um descolamento entre os valores previstos pelo modelo e o cenário esperado.

Quanto aos recursos próprios/estaduais destinados à saúde podemos observar que, à exceção dos municípios pequenos, os gráficos possuem comportamentos semelhantes (Figura 3). Entre municípios grandes e médios, nota-se uma queda desse tipo de recursos a partir de 2015, aparentemente acentuada nos semestres subsequentes, seguida de uma leve recuperação a partir de 2017. Por sua vez, municípios de pequeno porte já vinham sofrendo estagnação no volume de recursos próprios/estaduais antes de 2015, conforme indicado pelo modelo contrafactual.

Figura 3 — Fonte: Sistema de Informações sobre Orçamentos Públicos em Saúde (SIOPS); Censo e Projeções Populacionais do Instituto Brasileiro de Geografia e Estatística (IBGE).

Nota: (A) Todos os municípios brasileiros; (B) Pequeno porte (até 100.000 habitantes); (C) Médio porte (de 100.001 a 400.000 habitantes); (D) Grande porte (400.001 ou mais habitantes), considerando a população de residentes no ano de 2019.

^a Valores ajustados pelo Índice Nacional de Preços ao Consumidor Especial (IPCA-E) para 01/01/2022 e convertidos para dólares americanos da cotação do mesmo dia (US$1,00 = R$5,63).

DISCUSSÃO

Na média nacional, os resultados do modelo demonstram que a implementação da PAF teve um impacto negativo imediato nas despesas totais em saúde e nos recursos próprios/estaduais dos municípios. Esse impacto não foi uniforme entre os diferentes grupos, municípios pequenos tiveram quedas significativas apenas nas despesas totais, grandes apenas nos recursos próprios/estaduais e médios experimentaram declínio em ambas as variáveis, não havendo redução nos recursos transferidos pela União em nenhum desses.

No médio prazo, a implementação da PAF impactou negativamente apenas os municípios de grande porte, que apresentaram reduções significativas nas tendências de recursos próprios/estaduais e transferidos pela União.

Alguns estudos^4,5, ao verificarem a diminuição das despesas em saúde nos municípios a partir de 2015, atribuem responsabilidade à crise econômica e à queda de receitas que resultou dela. No entanto, experiências internacionais^24,25 demonstram que crises econômicas não necessariamente geram impactos negativos sobre o financiamento das políticas sociais. É importante ressaltar que a implementação da PAF foi uma escolha e não uma consequência natural e imediata da crise.

Na perspectiva epidemiológica e de saúde pública, cortar gastos sociais em contexto de crise significa potencializar os efeitos negativos na saúde da população: aumenta riscos (por exemplo: consumo abusivo de álcool e tabaco, desnutrição e riscos ambientais); diminui o acesso aos serviços de promoção, prevenção e cuidado; e eleva a morbimortalidade⁶.

A discrepância no financiamento entre diferentes tamanhos de municípios valida a abordagem metodológica deste estudo. A literatura menciona a ligação entre tamanho populacional e alocação de recursos de saúde^5,26. Em geral, municípios médios gastam menos em saúde com recursos próprios do que os pequenos e grandes²⁶. Entre 2003 e 2019, municípios grandes tiveram maior gasto per capita com recursos advindos de transferências⁵. No entanto, como indicado por Cruz et al.⁵ e este estudo, municípios de pequeno porte tiveram o maior crescimento de despesas per capita com recursos transferidos no período.

As despesas totais em saúde nos municípios pequenos sofreram maior impacto imediatamente após a PAF. Cruz et al.⁵ sugerem que a queda geral no nível de despesas em saúde nos municípios brasileiros em 2015 ocorreu, predominantemente, pela diminuição das receitas municipais. Apesar de os indicadores desta pesquisa não possibilitarem singularizar despesas oriundas de recursos próprios, o fato é que municípios pequenos são mais dependentes de recursos externos para financiamento das ações de saúde⁵, o que é natural, pois as receitas municipais são em grande parte atreladas à prestação de serviços e à circulação de mercadorias²⁷, que são menores nesses locais. Assim, uma análise aprofundada do comportamento das despesas em saúde de municípios desse porte em situações de crise se mostra necessária em estudos futuros.

Ainda sobre municípios pequenos, verificou-se um inesperado crescimento na tendência dos recursos transferidos pela União pós-PAF. Ressalte-se, entretanto, que municípios grandes apresentaram tendência de queda nesse indicador, indicando uma redistribuição em vez de aumento dos recursos aportados. Isso mostra que, em certa medida, a atribuição da União de redistribuir a capacidade fiscal e a oferta dos serviços públicos ao longo do território²⁸ tem sido exercida, já que municípios pequenos tinham menor gasto per capita em saúde (Figura 1).

Os resultados dos municípios médios assemelham-se aos da média nacional: redução imediata nas despesas totais e nos recursos próprios/estaduais, sem mudanças nas tendências pós-PAF em todas as variáveis estudadas. A heterogeneidade desse grupo de municípios no que diz respeito à estrutura do sistema de saúde e às características demográficas e econômicas¹⁴ dificulta a interpretação desses resultados. Sem perder isso de vista, destaca-se que eles tiveram as despesas per capita mais baixas em todo o período. Ou seja, embora não tenham sido os mais impactados pela PAF, esses são os municípios que mais carecem de aporte de recursos. A ausência do impacto sugere apenas que o problema antecede a PAF.

No que tange aos municípios de grande porte, demonstrou-se que despesas totais em saúde após a PAF só alcançaram os níveis de 2015, cerca de US$ 185 dólares per capita ao ano, em 2019. É razoável propor, dessa maneira, que o maior impacto da PAF se deu sobre esse grupo, uma vez que os municípios pequenos e médios recuperaram os níveis de suas despesas um ano antes.

A queda na tendência de recursos transferidos pela União tem a maior participação nos prejuízos dos municípios grandes. O aumento do volume de recursos alocados por emendas parlamentares (EP) destinados à saúde a partir de 2016 explica em parte essa mudança. Conforme constatam Piola e Vieira²⁹, enquanto 1,7% do total de gastos federais com saúde em 2015 era oriundo de EP, esse percentual superou os 7% a partir de 2016. Cerca de 75% desses recursos transferidos para estados e municípios, principalmente os pequenos, devido à preferência dos parlamentares em alocar recursos em locais de maior proximidade com a população beneficiária^29,30.

Embora essa destinação seja, em parte, desejada, uma vez que esses municípios são mais vulneráveis (Tabela 1), a distribuição desses recursos não se dá de forma equânime entre os municípios, o que pode gerar desigualdade³⁰. Além disso, o aumento da parcela de gastos alocados por EP, junto ao congelamento de gastos com saúde no orçamento federal, significa uma redução da parcela de alocação própria pelo Ministério da Saúde²⁹, o que implica uma diminuição de seu poder indutor³¹. Ademais, estudos têm destacado uma falta de transparência orçamentária dos recursos destinados por EP^29,30.

À exceção dos municípios de grande porte, os recursos transferidos pela União foram menos impactados pela implementação da PAF. Estudo anterior¹² demonstrou que o percentual de recursos federais destinados à saúde transferidos diretamente aos municípios permaneceu relativamente estável desde 2004, embora os valores per capita tenham aumentado. Nesse sentido, ressalta-se a importância de regras que estabelecem um financiamento regular dos serviços de saúde, como o Piso da Atenção Básica (PAB). O volume considerável de receitas provenientes dessas normas¹² contribuiu para amenizar o impacto da PAF no financiamento da saúde.

Investigar quais setores dos serviços municipais foram mais impactados, considerando as particularidades demográficas de cada município, mostra-se necessário em estudos futuros. Sabe-se que a implementação da PAF influenciou na perda de qualidade dos serviços relacionados à saúde bucal³. Além disso, também é mencionada na literatura uma diminuição no acesso a medicamentos fornecidos pelo SUS devido à redução dos gastos nas esferas municipais e estaduais 2015 e 2016³².

Uma questão indiretamente levantada pelos resultados diz respeito à dependência fiscal dos municípios em relação aos gastos em saúde. Os municípios de pequeno e médio porte experimentaram uma diminuição de despesas com recursos próprios/estaduais, relativamente aos recursos oriundos da União, indicando um crescimento da dependência de recursos federais para gastos com saúde. Cruz et al.⁵, ao analisarem as receitas municipais, observaram um crescimento expressivo das receitas não próprias em relação às próprias a partir de 2016, especialmente entre os municípios de pequeno porte, o que sugere que o crescimento da dependência fiscal não se limita à área da saúde.

A disponibilidade de recursos para os municípios é essencial para a descentralização do SUS e fortalecimento da APS. Nas últimas décadas, o aumento de recursos públicos destinados à saúde ocorreu pelo crescimento de gastos municipais, sustentado, principalmente, pela destinação de recursos próprios¹². No entanto, os resultados deste estudo evidenciam que esses recursos são suscetíveis aos ciclos econômicos e às decisões políticas do governo federal. Desse modo, corrobora-se a ideia de que os municípios carecem de uma fonte de arrecadação tributária mais regular e estável²⁷.

Quanto às capacidades de arrecadação dos municípios brasileiros, cabe destacar ainda que, enquanto este artigo está sendo escrito, se encontra em tramitação o Projeto de Emenda à Constituição n^o 45, de 2019, que propõe mudanças nos mecanismos de tributação em todas as esferas do Estado brasileiro.

Os resultados do presente artigo devem ser interpretados com cautela. Os modelos de ITS mostraram que a implementação da PAF não teve impacto estatisticamente significativo nas despesas totais de saúde a médio prazo nos grupos municipais analisados, apesar de um leve declínio ter ocorrido em todos eles. Na melhor das hipóteses, pode-se inferir que tais despesas estagnaram a partir da PAF.

Deve-se considerar que o Brasil tem gastos públicos com saúde baixos em comparação com países de renda semelhante e que não possuem sistemas universais¹³. Argentina e Chile, por exemplo, em 2015 tiveram despesas públicas maiores em percentuais do produto interno bruto (cerca de 1%) e per capita (40% e 50% maiores, respectivamente)¹³. Contrastando a realidade com os ambiciosos princípios do SUS, torna-se evidente que agendas de cortes, ou mesmo de estagnação, de gastos públicos, são incompatíveis com a efetiva realização do nosso sistema de saúde¹³.

Uma importante limitação deste estudo é derivada da decisão de não utilizar o indicador de “Participação das transferências para a Saúde em relação à despesa total do Município com saúde”, disponibilizado pelo SIOPS. Essa escolha foi feita devido às alterações nas codificações de receitas e despesas do indicador nos anos de 2016, 2017 e 2019, conforme esclarecido pela Coordenação do Sistema de Informações sobre Orçamentos Públicos em Saúde (CSIOPS/CGES/DESID/SE/MS), em resposta à indagação dos autores. Essas mudanças dificultam uma análise longitudinal precisa da participação dos estados e dos gastos próprios em saúde nos municípios.

Outras importantes limitações devem ser destacadas. A primeira decorre da qualidade dos dados disponibilizados pelo SIOPS, que tem sofrido críticas acerca de sua confiabilidade e completude³³. Neste estudo, a incompletude dos dados foi uma característica que se fez presente, especialmente nos municípios pequenos, o que pode ter superestimado as suas despesas. Uma última limitação diz respeito ao tamanho da série temporal analisada. O pequeno número de pontos no tempo dificulta a identificação de tendências significativas ou padrões sazonais, a estimação adequada dos parâmetros de autorregressão (AR) e média móvel (MA), além de aumentar a sensibilidade dos modelos aos outliers¹⁹.

Por outro lado, o estudo destaca-se por estimar em abrangência nacional o impacto da PAF no financiamento da saúde dos municípios a partir de ITS, um método quase-experimental indicado para estudos de avaliação de impacto de políticas públicas¹⁹.

Embora a PAF tenha sido interrompida em decorrência da pandemia, ela ainda ocupa espaço relevante na agenda pública. O Brasil de 2015 a 2019 configurou-se como um laboratório social, proporcionando uma oportunidade para avaliação e denúncia das consequências da austeridade no SUS e na saúde da população. O papel da política fiscal para a estabilização da economia não pode servir de argumento para a supressão de gastos de saúde, haja vista que esses possuem efeitos redistributivos e multiplicadores³⁴. Conforme sinaliza Ocké-Reis³⁴, a criação de um novo marco fiscal deve considerar a necessidade de aumento dos gastos públicos com saúde para pelo menos 6% do produto interno bruto, com vistas a uma aproximação dos pressupostos do SUS com a realidade concreta.

Footnotes

Financiamento: Atividade promovida pelo Programa de Saúde Pública, com recursos CAPES PROEX Processo Nº: 88881.974063/2024-01.

[B1] 1.Chernavsky E, Dweck E, Teixeira RA. Descontrole ou inflexão? A política fiscal do governo Dilma e a crise econômica. Econ Soc. 2020 Dec;29:811–834. doi: 10.1590/1982-3533.2020v29n3art06. [DOI] [Google Scholar]

[B2] 2.Reeves A, McKee M, Basu S, Stuckler D. The political economy of austerity and healthcare: cross-national analysis of expenditure changes in 27 European nations 1995-2011. Health Policy. 2014 Mar;115(1):1–8. doi: 10.1016/j.healthpol.2013.11.008. [DOI] [PubMed] [Google Scholar]

[B3] 3.Rossi TRA, Lorena JE, Chaves SCL, Martelli PJL. Crise econômica, austeridade e seus efeitos sobre o financiamento e acesso a serviços públicos e privados de saúde bucal. Cienc Saude Coletiva. 2019 Nov;24(12):4427–4436. doi: 10.1590/1413-812320182412.25582019. [DOI] [PubMed] [Google Scholar]

[B4] 4.Barros RD, Aquino R, Souza LEPF. Evolution of the structure and results of Primary Health Care in Brazil between 2008 and 2019. Cienc Saude Coletiva. 2022 Oct;27(11):4289–4301. doi: 10.1590/1413-812320222711.02272022. [DOI] [PubMed] [Google Scholar]

[B5] 5.Cruz WGN, Barros RD, Souza LEPF. Financiamento da saúde e dependência fiscal dos municípios brasileiros entre 2004 e 2019. Cienc Saude Coletiva. 2022 May;27(6):2459–2469. doi: 10.1590/1413-81232022276.15062021. [DOI] [PubMed] [Google Scholar]

[B6] 6.Paes-Sousa R, Schramm JMA, Mendes LVP. Fiscal austerity and the health sector: the cost of adjustments. Cienc Saude Coletiva. 2019 Mar;24(12):4375–4384. doi: 10.1590/1413-812320182412.23232019. [DOI] [PubMed] [Google Scholar]

[B7] 7.Guidolin AP, David GC, Rossi PL. The financing of healthcare in Brazil: underfunding and austerity policies; Association for Heterodox Economics 22nd, Annual Conference; 2020. [Google Scholar]

[B8] 8.Piola SF, Benevides RP S, Vieira FS. Consolidação do gasto com ações e serviços públicos de saúde: trajetória e percalços no período de 2003 a 2017. [cited 2023 June 13];Econstor. 2018 (2439) https://www.econstor.eu/handle/10419/211390 Texto para discussão. [Google Scholar]

[B9] 9.Vieira FS. Health financing in Brazil and the goals of the 2030 Agenda: high risk of failure. 127Rev Saude Publica. 2020 Dec;54 doi: 10.11606/s1518-8787.2020054002414. [DOI] [PMC free article] [PubMed] [Google Scholar]

[B10] 10.Servo LMS, Santos MAB, Vieira FS, Benevides RPS. Financiamento do SUS e Covid-19: histórico, participações federativas e respostas à pandemia. Saude Debate. 2021 Aug;44(spe 4):114–129. doi: 10.1590/0103-11042020E407. [DOI] [Google Scholar]

[B11] 11.Funcia FR, Ocke-Reis CO. Rossi P, Dweck E, Oliveira ALM.organizadores . Economia para poucos: impactos sociais da austeridade e alternativas para o Brasil. São Paulo: Autonomia Literária; 2018. Efeitos da política de austeridade fiscal sobre o gasto público federal em saúde; pp. 83–97. [Google Scholar]

[B12] 12.Massuda A, Malik A, Lotta G, Siqueira M, Tasca R, Rocha R. Brazil's primary health care financing: case study. 2022 Lancet Global Health Commission on Financing Primary Health Care.

[B13] 13.Vieira FS, Piola SF, Benevides RPS. Vinculação orçamentária do gasto em saúde no Brasil: resultados e argumentos a seu favor. Brasília, DF: IPEA; 2019. Texto para discussão, n. 2516. [Google Scholar]

[B14] 14.Calvo MCM, Lacerda JT, Colussi CF, Schneider IJC, Rocha TAH. Estratificação de municípios brasileiros para avaliação de desempenho em saúde. Epidemiol Serv Saude. 2016 Dec;25(4):767–776. doi: 10.5123/S1679-49742016000400010. [DOI] [PubMed] [Google Scholar]

[B15] 15.Shadish WR, Cook TD, Campbell DT. Experimental and quasi-experimental designs for generalized causal inference. 2nd. Boston: Houghton Mifflin; 2001. [Google Scholar]

[B16] 16.Ministério da Saúde (BR) [cited 2023 Apr 26];Portal da Sáude. Consulta de Indicadores de Municípios 2023. http://siops.datasus.gov.br/relindicadoresmun2.php

[B17] 17.Ministério da Saúde (BR) Secretaria de Atenção Primária à Saúde. Cooreenação-Geral de Estratégia da Saúde de Família Nota técnica N o 301/2022. Nota metodológica da cobertura potencial da atenção primária à saúde no SUS. [cited 2023 Apr 26]. https://egestorab.saude.gov.br/image/?file=20221214_O_NT301-NotaMetodologicaCoberturaAPS_894545258772170154.pdf

[B18] 18.Ministério da Saúde (BR) Departamento de Economia e Desenvolvimento em Saúde Nota técnica n o 148, Metodologia aplicada na elaboração de indicadores com despesas de saúde por esfera, por habitante, e em proporção ao PIB. [cited 2023 Aug 03]. https://www.gov.br/saude/pt-br/acesso-a-informacao/siops/indicadores/notas-tecnicas/2015/nt-148-2015-desid-se-ms-indicadores-metodologia.pdf/view

[B19] 19.Schaffer AL, Dobbins TA, Pearson SA. Interrupted time series analysis using autoregressive integrated moving average (ARIMA) models: a guide for evaluating large-scale health interventions. BMC Med Res Methodol. 2021;21(1):1–12. doi: 10.1186/s12874-021-01235-8. [DOI] [PMC free article] [PubMed] [Google Scholar]

[B20] 20.Emmerick ICM, Campos MR, Luiza VL, Chaves LA, Bertoldi AD, Ross-Degnan D. Retrospective interrupted time series examining hypertension and diabetes medicines usage following changes in patient cost sharing in the "Farmácia Popular" programme in Brazil. BMJ Open. 2017 Nov;7(11):e017308. doi: 10.1136/bmjopen-2017-017308. [DOI] [PMC free article] [PubMed] [Google Scholar]

[B21] 21.Savin NE, White KJ. The Durbin-Watson Test for serial correlation with extreme sample sizes or many regressors. Econometrica. 1977;45(8):1989–1996. doi: 10.2307/1914122. [DOI] [Google Scholar]

[B22] 22.Maydeu-Olivares A, Garcia-Forero C. Goodness-of-fit testing. International encyclopedia of education. 2010;7(1):190–196. doi: 10.1016/B978-0-08-044894-7.01333-6. [DOI] [Google Scholar]

[B23] 23.Harris RID. Testing for unit roots using the augmented Dickey-Fuller test: some issues relating to the size, power and the lag structure of the test. Economics Letters. 1992 Apr;38(4):381–386. [Google Scholar]

[B24] 24.Stuckler D, Basu S, Suhrcke M, Coutts A, McKee M. The public health effect of economic crises and alternative policy responses in Europe: an empirical analysis. The Lancet. 2009 Jul 25;374(9686):315–323. doi: 10.1016/S0140-6736(09)61124-7. https://doi.org/10.1016/S0140-6736 (09)61124-7 [DOI] [PubMed] [Google Scholar]

[B25] 25.Karanikolos M, Mladovsky P, Cylus J, Thomson S, Basu S, Stuckler D, et al. Financial crisis, austerity, and health in Europe. Lancet. 2013 Apr;381(9874):1323–1331. doi: 10.1016/S0140-6736(13)60102-6. https://doi.org/10.1016/S0140-6736 (13)60102-6 [DOI] [PubMed] [Google Scholar]

[B26] 26.Araújo CEL, Gonçalves GQ, Machado JA. Os municípios brasileiros e os gastos próprios com saúde: algumas associações. Cienc Saude Coletiva. 2017 Mar;22(3):953–963. doi: 10.1590/1413-81232017223.15542016. [DOI] [PubMed] [Google Scholar]

[B27] 27.Tristão JA. A administração tributária dos municípios brasileiros: uma avaliação do desempenho da arrecadação. São Paulo: Fundação Getúlio Vargas; 2003. thesis. [Google Scholar]

[B28] 28.Simão JB, Orellano VIF. Um estudo sobre a distribuição das transferências para o setor de saúde no Brasil. Estud Econ. 2015 Mar;45:33–63. doi: 10.1590/0101-4161201545133jbv. [DOI] [Google Scholar]

[B29] 29.Piola SF, Vieira FS. IPEA. 2497 Brasília, DF: 2019. As emendas parlamentares e a alocação de recursos federais no Sistema Único de Saúde. Texto para discussão. [Google Scholar]

[B30] 30.Vieira FS, Lima LD. Distorções das emendas parlamentares à alocação equitativa de recursos federais ao PAB. 123Rev Saude Publica. 2022;56 doi: 10.11606/s1518-8787.2022056004465. [DOI] [Google Scholar]

[B31] 31.Arretche M. Democracia, federalismo e centralização no Brasil. Rio de Janerio: Editora Fiocruz; 2012. [cited 2023 Jul 9]. https://books.scielo.org/id/bx899 [Google Scholar]

[B32] 32.Vieira FS. Evolução do gasto com medicamentos do Sistema Único de Saúde no período de 2010 a 2016. Brasília, DF: IPEA; 2018. Texto para discussão; n. 2356. [Google Scholar]

[B33] 33.Vieira FS, Almeida ATC, Servo LMS, Benevides RPS. Gasto total dos municípios em atenção primária à saúde no Brasil: um método para ajuste da despesa declarada de 2015 a 2020. Cad Saude Publica. 2022 Jun;38(5):e00280221. doi: 10.1590/0102-311XPT280221. [DOI] [PubMed] [Google Scholar]

[B34] 34.Ocké-Reis C. Financiamento adequado é condição para garantia do direito universal à saúde. 2023. [cited 2023 Ago 3]. https://radis.ensp.fiocruz.br/entrevista/financiamento-adequado-e-condicao-para-garantia-do-direito-universal-a-saude/ Radis Com Saude.

PERMALINK

Fiscal austerity and municipal health spending: an interrupted time series study

Leo Ramos Maia

Mônica Rodrigues Campos

Débora Castanheira

Roles

ABSTRACT

OBJECTIVE

METHODS

RESULTS

CONCLUSION

INTRODUCTION

METHODS

Design and Fonts

Outcome Indicators

Statistical Analysis

Ethical Issues

RESULTS

Table 1. Sociodemographic and health indicators by population size. Brazil, 2019.

Table 2. Models for analyzing the impact of the fiscal austerity policy (PAF) on health financing in municipalities using interrupted time series (ITS), by municipal size. Brazil, 2010 to 2019.

Figure 1. Total six-month per capita health expenditure in Brazilian municipalities and interrupted time series models, in current valuesa, in U$$a, by population size, 2010–2019.

Figure 2. Six-month per capita health resources transferred by the Federal Government to Brazilian municipalities and interrupted time series models, in current valuesa, in US$a, by population size, 2010–2019.

Figure 3. Six-month per capita health resources owned or transferred by the states to Brazilian municipalities and interrupted time series models, in current valuesa, in US$a, by population size, 2010–2019.

DISCUSSION

Funding Statement

Footnotes

REFERENCES

Austeridade fiscal e gastos municipais em saúde: estudo de séries temporais interrompidas

Leo Ramos Maia

Mônica Rodrigues Campos

Débora Castanheira

Roles

RESUMO

OBJETIVO

MÉTODOS

RESULTADOS

CONCLUSÃO

INTRODUÇÃO

MÉTODOS

Desenho e Fontes

Indicadores de Desfecho

Análise Estatística

Questões Éticas

RESULTADOS

Tabela 1. Indicadores sociodemográficos e de saúde segundo porte populacional. Brasil, 2019.

Tabela 2. Modelos de análise do impacto da política de austeridade fiscal (PAF) sobre o financiamento da saúde nos municípios por meio de séries temporais interrompidas, segundo porte municipal. Brasil, 2010 a 2019.

Figura 1. Despesas totais semestrais per capita em saúde nos municípios brasileiros e modelos de séries temporais interrompidas, em valores correntesa, em US$a, por porte populacional, 2010–2019.

Figura 2. Recursos semestrais per capita em saúde transferidos pela União para os municípios brasileiros e modelos de séries temporais interrompidas, em valores correntesa, em US$a, por porte populacional, 2010–2019.

Figura 3. Recursos semestrais per capita em saúde próprios ou transferidos pelos estados para os municípios brasileiros e modelos de séries temporais interrompidas, em valores correntesa, em US$a, por porte populacional, 2010–2019.

DISCUSSÃO

Footnotes

ACTIONS

PERMALINK

RESOURCES

Similar articles

Cited by other articles

Links to NCBI Databases