anÁlise e classificaÇÃo das operadoras … · [email protected] ... dea, matriz de ... base de...

ANÁLISE E CLASSIFICAÇÃO DAS OPERADORAS DA SAÚDE SUPLEMENTAR

Léa Maria Dantas SampaioCOPPE/UFRJ

Centro de Tecnologia – Cidade Universitária – I. do Fundão RJ/RJ - [email protected]

Mário Jorge Ferreira de OliveiraCOPPE/UFRJ

Centro de Tecnologia – Cidade Universitária – I. do Fundão RJ/RJ - [email protected]

Aníbal Alberto Vilcapoma IgnacioUFF/PURO

Rua Recife, s/n – Jardim Bela Vista – Rio das [email protected]

RESUMO

Esse artigo propõe uma metodologia para análise e classificação das operadoras de saúde suplementar (OPS), a qual combina ferramentas da Pesquisa Operacional. DEA, matriz de classificação e lógica nebulosa são usadas para se avaliar a eficiência econômico-financeira das OPS. É apresentada uma discussão sobre o problema em tela e a análise dos resultados é consolidada em uma matriz de classificação das OPS. Conclui-se que o porte das empresas influencia na sua eficiência em termos de controle do risco de insolvência e da necessidade de diferentes políticas de gestão das empresas, considerando-se a metodologia proposta, a qual pode melhorar o monitoramento e o controle do risco de insolvência das OPS, assim como a sua fiscalização.

PALAVRAS CHAVE. Saúde Suplementar, DEA, Lógica nebulosa.

ABSTRACT

This paper proposes a methodology for analysis and classification of the supplemental health operators (OPS), which combines several Operational Research tools. DEA, matrix of classification and fuzzy logic are used to assess the OPS’ economic and financial efficiency. It is presented a discussion about the health sector problem and the analysis results are consolidated into a OPS’ matrix for the classification It’s concluded that the size of companies influences in their efficiency in managing the risk of insolvency and the need for management policies of the OPS so differently, considering the proposed methodology, which could optimize the monitoring and control of the insolvency risk, as well as the supervision of OPS.

KEYWORDS. Supplemental health, DEA, Fuzzy logic.

XLI SBPO 2009 - Pesquisa Operacional na Gestão do Conhecimento Pág. 1365

mailto:[email protected]



1. IntroduçãoOs serviços de assistência à saúde no Brasil são oferecidos nas modalidades: pública,

mediante o SUS; e privada, que inclui a assistência suplementar à saúde. A Agência Nacional de Saúde Suplementar (ANS, 2007) está subordinada ao Ministério da Saúde e iniciou sua vigência em 2000, tendo que encarar seu primeiro grande desafio: compor e gerir um setor que comportava na época 30 milhões de usuários, 2.200 OPS e milhares de profissionais da área da saúde, movimentando 23 bilhões de reais por ano. O banco de dados da ANS armazena hoje, informações a respeito do mercado de planos de saúde e dos atores nele envolvidos: consumidores, OPS, prestadores de serviços de saúde e gestores do SUS. Esta agência apresenta especificidades evidenciadas pelas relações contratuais estabelecidas entre seus agentes, quais sejam: beneficiários, OPS e provedores de serviços de saúde.

Sob o prisma da teoria econômica, da assimetria de informação entre estes agentes decorrem as principais falhas do mercado de saúde suplementar, diminuindo a eficiência das OPS, tais como: risco moral, seleção adversa por parte dos consumidores/beneficiários e provedores, seleção de risco (cream skimming) por parte das OPS, poder de mercado, falta de mobilidade da demanda e barreiras à entrada das OPS no mercado. Estas falhas acentuam a necessidade da regulação desse setor.

Diante do cenário exposto acima, pode-se afirmar que o problema em tela parte de algumas premissas-chaves. Dentre elas destacam-se: (i) a saúde é uma necessidade básica da população e, por isso, os serviços de saúde apresentam uma demanda inelástica o que obriga um monitoramento e interferência do Estado; (ii) a administração de sistemas de assistência à saúde é tarefa muito complicada com operações sofisticadas e diversificadas, funcionando sob forte pressão vinda de dois extremos: o atendimento às demandas crescentes da população e a manutenção de uma escala de custos sob controle orçamentário (Lagergren, 2002); (iii) o mercado de planos de saúde se caracteriza por ser concentrado e competitivo, o que sugere a presença de poucas empresas oligopolistas e a necessidade premente de regulação para controlar as falhas inerentes e específicas; (iv) as empresas apresentam risco de insolvência, decorrente da combinação entre crises econômicas e má gestão de seus recursos, reforçando o quadro de concentração do mercado; (v) a ANS é um instrumento oficial que monitora, fiscaliza e controla a solvência das OPS, através de dados contábeis de suas demonstrações, dentre outras formas de controle. Partindo-se destas premissas, enumeram-se as seguintes questões principais que norteiam o presente trabalho: (i) Quão eficientes economicamente são as OPS? (ii) Como se deve monitorar o risco de insolvência e a satisfação dos clientes/qualidade dos serviços? (iii) Qual método de classificação se deve adotar para estas empresas?

O objetivo do presente artigo, portanto é apresentar uma metodologia de análise e classificação das OPS, que apóie o monitoramento e o controle do risco de insolvência das OPS e facilite uma melhor fiscalização. Para tal, definem-se índices de eficiência segundo as demonstrações contábeis e desenvolve-se uma matriz de classificação que conjugue e consolide diversos indicadores.

O artigo é formado por 4 seções: a primeira introduz o tema; a segunda descreve a metodologia proposta para análise e classificação das OPS; a terceira apresenta uma discussão sobre o problema e os resultados alcançados e, finalmente na quarta descreve-se as conclusões do trabalho.

2. Análise e classificação das OPSA metodologia proposta neste artigo baseia-se nos trabalhos de Fernandes et al. (2007),

Kassai (2002) e Duclos e Salles (2005) e está constituída em determinadas etapas e procedimentos. Cada uma das etapas da metodologia considera determinadas ferramentas específicas, tais como: análise de consistência da base de dados, análises estatísticas, análise envoltória de dados (DEA) e lógica nebulosa.

A seguir, na Figura I é mostrado um fluxograma da metodologia. Pode-se notar que a primeira etapa se refere à captura dos dados contábeis das OPS, disponíveis no site da ANS. Essa base de dados corresponde a um grande número de variáveis das demonstrações contábeis.


Figura 1 – Fluxograma da metodologiaNas próximas seções, são explicadas as etapas da metodologia.

2.1. Etapa 2: análise da base de dados contábeisNesta etapa, objetiva-se conhecer melhor os dados do setor e definir critérios de corte da

base de dados original para a preparação das amostras consistentes para os demais estudos. As técnicas usadas são: análise de consistência; estatísticas descritivas; análise de correlação, análise gráfica, boxplot etc., usando-se o software SPSS 15.0.

Análises de consistência - um importante parâmetro desta análise é a verificação dos intervalos de validade das variáveis contábeis consideradas no estudo, de acordo com Fernandes et al. (2007).

Análises estatísticas - dentro desta etapa, a análise de correlação permite verificar a relação de causalidade. É importante mencionar que se utilizou a estatística de Kurtosis e Skewness pelo desvio padrão. Estes valores ficam fora do intervalo -2 e 2 o que mostra que a distribuição dessas variáveis econômico-financeiras não apresenta simetria nem tampouco uma distribuição mesocúrtica.

Análises box-plot - as análise deste tipo de gráfico evidenciam a existência de vários outliers ou observações distantes dos limites inferior e superior nas bases de dados. Este é um padrão em todas as variáveis econômico-financeiras do presente estudo e que sugere dados extremamente dispersos nas bases originais.

Análise gráfica das variáveis contábeis - nesta análise mostra-se o comportamento de cada OPS como uma unidade decisora (DMU) em relação às variáveis consideradas e verifica-se que as possibilidades em análise podem indicar retornos constantes ou variáveis em relação à escala de produção (Meza, 1998). Como exemplo, mostra-se o diagrama de dispersão entre as variáveis ‘ativo circulante’ e ‘resultado líquido do exercício’ (ver Figura 3).

Matriz ClassificaçMatriz ClassificaMatriz Classificaçç

2. Consistência, correlação, estatística descritiva; análise gráfica etc.

3. Aplicar o modelo BCC não arquimediano orientado a output em dados referentes a um período de tempo

6. Escores e pesos seleção dos critérios daMatriz de classificação

7. Definir dimensões da Matriz nebulosa: Criticidade e complexidade

1. Capturar aBase de dados ANS

Matriz Classificaç7. Construir a matriz de classificação nebulosa

5. Procedimento Norman & Stoker/BCC não arquimediano orientado a inputs

1. Captura das informações contábeisno site da ANS.

8. Analisar a Classificação das OPS

4. Analisar os resultadosobtidos

2. Analisar as bases de dados contábeis

3. Aplicar modelo BCC-1em análise temporal

5. Selecionar as variáveise aplicar o Modelo BCC-2

nos dados de 2005

ETAPAS PROCEDIMENTOS

4. Analisar a resultados


8. Analisar resultadofinal

Matriz ClassificaçMatriz ClassificaMatriz Classificaçç

2. Consistência, correlação, estatística descritiva; análise gráfica etc.

3. Aplicar o modelo BCC não arquimediano orientado a output em dados referentes a um período de tempo

6. Escores e pesos seleção dos critérios daMatriz de classificação

7. Definir dimensões da Matriz nebulosa: Criticidade e complexidade



Matriz Classificaç7. Construir a matriz de classificação nebulosa

5. Procedimento Norman & Stoker/BCC não arquimediano orientado a inputs

1. Captura das informações contábeisno site da ANS.

8. Analisar a Classificação das OPS


2. Analisar as bases de dados contábeis

3. Aplicar modelo BCC-1em análise temporal

5. Selecionar as variáveise aplicar o Modelo BCC-2

nos dados de 2005

ETAPAS PROCEDIMENTOS

4. Analisar a resultados


8. Analisar resultadofinal


Figura 3 - Análise gráfica das variáveis (ativo circulante e resultado líquido)Nota-se que a relação das duas variáveis configura uma fronteira formada por poucas OPS

que envelopam as demais com retorno variável de escala. É importante mencionar que os dados da variável “resultado líquido” estão convertidos em valores positivos por mudança de escala.

Características das OPS e divisão por porte – nesta análise são apresentadas as modalidades de OPS que fazem parte do sistema em análise e os números de empresas e beneficiários de cada uma, caracterizando o porte das mesmas. Quanto ao número de OPS, a modalidade predominante dentre as que compõem o sistema é a medicina de grupo (MG), a qual foi a primeira instituída no país no ramo de planos de saúde, com 667 empresas, seguida da cooperativa médica (CM) com 433 e da cooperativa odontológica (CO) com 355. A estas seguem a odontologia de grupo (OG), filantrópicas (FT), autogestão (AU) e seguradoras especializadas em saúde (SES), como mostram as colunas da Tabela 1, representando número de OPS ativas, distribuídas por modalidade.

Tabela 1 – OPS ativas por modalidades Número de: AU CM CO FT MG OG SES

OPS 104 433 355 154 667 297 12Beneficiários 5.556.316 12.615.254 1.733.772 1.311.560 14.975.677 5.192.511 4.846.639

Como não existem dados à respeito do número de planos de cada tipo, por cada OPS, a razão entre a receita de vendas de planos das OPS e o número de beneficiários por cada mês do ano fornece uma idéia do custo mensal de cada consumidor na base de 2005 (ver Figura 2). Calculando-se tal razão e observando-se a proporção de empresas por faixa de valor em reais desta relação, em uma amostra de 1061 OPS.

Figura 2 - Proporção de OPS, segundo faixa de receita por no de beneficiários/mês (R$)

0,1%0,1%0,1%0,8%1,2%2,4%15,3%12,3%

66,3%

0%

20%

40%

60%

80%

100%

120%

140%

160%

180%

200%

De 0,10 a10

De 11 a100

De 101 a200

De 201 a300

De 301 a400

De 401 a1.000

De 1.001 a2.000

De 2.001 a2.500

Acima de2500

Faixa de valor em reais

Núm

ero

de O

PS

Ativo Circulante(Unid. R$ mil)3.000.0002.500.0002.000.0001.500.0001.000.000500.0000

Res

ulta

do L

iqui

do (

Uni

d. R

$ m

il)

300.000.000

200.000.000

100.000.000

0

43-Sul Amé_Segu

6246-Sul Amer_Segu

582-PORTO SE_Segu

884_Itauseg _Segu

5711-Bradesco_Segu

515-AGF SAÚD_Segu


Constata-se que a maior parcela de consumidores procura os planos de menor custo.

2.2. Etapas 3/4: análise de eficiência ao longo do tempoNesta etapa calcula-se a eficiência das OPS em relação à maximização das vendas; levanta-

se a tendência da eficiência ao longo do período entre 2001 e 2005 com base no trabalho de Migon (2000); e usa-se um modelo DEA modificado que evita resultados distorcidos.

A técnica usada é o modelo DEA com retorno variável de escala não arquimediano, orientado a output (BCC-1), implementado no software Aimms. A prática da aplicação de modelos DEA tem demonstrado que, em alguns casos, os modelos básicos mostram certa distorção, como uma limitação da DEA. Isto significa que, se um dos multiplicadores, vi ou ur, atribuídos a uma determinada “DMU eficiente”, for igual a zero, então esta DMU na verdade será “pseudo-eficiente”, já que faz parte de uma das faces paralelas da fronteira a um dos eixos das coordenadas (x ou y). Visualiza-se este fato quando, aumentando-se ou diminuindo-se o valor do input correspondente ao peso que vale zero (ou o output correspondente, na orientação oposta), o output (ou input) associado a ele fica sempre inalterado. Estes modelos são extensões dos modelos BCC básico e se baseiam no trabalho de Jahanshahloo e Khodabakhshi (2004), para se evitar a ocorrência de DMUs “pseudo-eficientes”, isto é, trata-se de modelos BCC não-arquimedianos que restringem os multiplicadores a um elemento infinitesimal (ε) maior do que zero. O modelo DEA não-Arquimediano: BCC-1 evita a consideração de unidades “pseudo-eficientes”, ao restringir os pesos a um infinitesimal maior do que zero no intervalo: ε* ≤ (1/ max ∑ y(r,j)). Cada OPS é considerada como DMU diferente em cada ano: DMU_2001, DMU_2002, DMU_2003, DMU_2004, DMU_2005.

Os resultados dos modelos usados são mostrados mais adiante em três níveis de escore ou eficiência (E). ‘Alto’ se refere ao grupo situado na fronteira de eficiência e compreende as OPS 100% eficientes (E = 1). ‘Médio’ inclui as OPS com a eficiência maior ou igual a 50%, porém menor do que 100% (0,5< E <1). As demais são classificadas como ‘Baixo’ (E < 0,5). As variáveis que compuseram o modelo são:

Inputs - Ativo circulante ou Disponível e Patrimônio líquido ou Capital;Output - Contraprestações efetivas ou Vendas.A amostra global para a análise de eficiência temporal é de 735 OPS que formam 3675

DMU e analisam-se todas as modalidades juntas. Considerando-se a maximização das receitas de vendas, dado seu ativo disponível e seu

capital (variáveis de entrada no modelo), as OPS da amostra apresentam um fraco desempenho e escores entre médio e baixo no período considerado. Observando-se as 10 primeiras colocadas, seis mostram tendência crescente de eficiência. A primeira colocada obtém E máxima em quase todos os anos, conquistando um alto índice total de 2,63. Destaca-se a oitava colocada por apresentar quase 70% de melhora em seu escore, considerando-se o primeiro e o último ano. Apenas a terceira colocada mostra uma tendência estável de 0,32 (ver Figura 5).

Tabela 2 - Resultado da análise temporal - BCC-1 em todas as OPS juntasPosição

OPS Nome Modalidade Escore Índice Total2001 2002 2003 2004 20051 Bradesco SES 0,18 0,64 0,67 0,72 0,42 2,632 Amil MG 0,38 0,37 0,41 0,45 0,53 2,143 Saúde Medicol MG 0,32 0,26 0,44 0,10 0,32 1,454 Unimed Betim CM 0,25 0,05 1,00 0,06 0,07 1,445 Unimed Rio CM 0,24 0,24 0,27 0,31 0,37 1,426 Coopus de Campinas MG 0,06 0,04 0,08 0,87 0,28 1,337 Aviccena MG 0,23 0,29 0,29 0,28 0,21 1,318 Saúde ABC MG 0,07 0,18 0,24 0,06 0,70 1,269 União MG 0,22 0,22 0,37 0,24 0,19 1,24

10 Dotou Clin MG 0,03 0,06 0,27 0,38 0,41 1,15O comportamento da média dos escores de eficiência de cada modalidade de OPS, ao longo

do período considerado se apresentou maior entre as SES, de acordo com seus índices de eficiência nos cinco anos.


2.3. Etapas 5/6: análise da eficiência e seleção das variáveisEsta etapa objetiva: (i) calcular a eficiência das OPS segundo a minimização do uso dos

recursos; (ii) associar ao procedimento de seleção de variáveis; (iii) usar modelo que evite resultados distorcidos. As amostras usadas são 969 DMU na amostra global, 63 na amostra de OPS de grande porte, 222 na de médio porte e 684 na de pequeno porte.

A técnica usada é a combinação alternada da matriz de correlação de Spearman com o modelo DEA não arquimediano com retorno variável de escala, orientado a input (BCC-2), no software Aimms, viabilizado neste caso pelo uso da propriedade de invariância de translação dos modelos BCC (Cooper et al., 2007). O resultado também é mostrado em três diferentes níveis de escore ou eficiência, alto, médio e baixo, como explicado na seção 2.2. O modelo usado é denominado BCC-2 ou BCC não arquimediano orientado a input.

Propriedade de invariância de translação - é aplicável a alguns modelos de DEA. Os modelos BCC são invariáveis de translação, de modo unilateral, ou seja, para transformar os valores negativos dos outputs representados pelas contas de resultado do exercício, ele deve ser orientado a inputs e vice-versa. Pode-se visualizar esta propriedade, observando-se o exemplo da Figura 4. A DMU D tem escore de eficiência igual a PR/PD. Esta razão é invariante mesmo se elevarmos o valor do output mudando a origem O para O’. Portanto, o modelo BCC é invariante de translação em relação aos outputs, mas não aos inputs.

Fonte: Cooper et al., 2007.Figura 4 - Translação de eixo ou valor do output no modelo BCC_MI/EI

2.3.1. Procedimento de seleção Norman e Stoker (N&S)O procedimento concebido em Norman e Stoker (1991) é um método não convencional que

visa selecionar as variáveis para comporem o modelo DEA escolhido, passo a passo, na medida em que estas melhorarem a fronteira de eficiência deste modelo.

Em tal procedimento, a análise de correlação simples e a análise envoltória de dados são empregadas de forma complementar para, numa seqüência de etapas iterativas, identificarem o conjunto das variáveis relevantes e avaliarem a eficiência simultaneamente à identificação das variáveis.

2.3.2. Construção dos índices financeiros como variáveis do modeloA amostra escolhida para receber o procedimento de seleção das variáveis N&S é constituída

pelos dados consistentes do ano de 2005. As variáveis condidatas a comporem o modelo DEA são constituídas de variáveis contábeis e índices financeiros, como é mostrado nas tabelas 3 e 4. Estes índices são definidos pela ANS e pelo método IRIS (Insurance regulatory information system) que, de acordo com Galiza (1996), é uma referência obrigatória no mercado segurador mundial, usado como indicador de solvência desde os anos 80, nos EUA.

Tabela 3 - Variáveis candidatas de inputs Variáveis contábeis: Índices financeiros: (IRIS/ANS)Ativo circulante Liquidez corrente (ILC)Provisões técnicas Liquidez geral ajustada (ILG)Patrimônio líquido Endividamento global (IEG)

Imobilização 1e 2 (IMO-1/2)Atendimento ao beneficiário (IAB)

x0

0’

A

R

BC

P D

y

x0

0’

A

R

BC

P D

y


O ILC representa a razão entre o ativo circulante e o passivo circulante e afere se a empresa possui direitos de curto prazo suficientes para quitar as obrigações de igual prazo. O ILG representa a razão entre a soma do ativo circulante com o realizável em longo prazo e com o ativo permanente imobilizado e a soma do passivo circulante com o exigível em longo prazo. O IEG representa o quanto a empresa toma de capital de terceiros para cada unidade monetária de capital próprio e é a razão entre a soma dos passivos (permanente e exigível a longo prazo) e o patrimônio líquido. O IMO-1 é a razão entre o ativo permanente e o capital da empresa. O IMO-2 é a razão entre o ativo permanente e o total dos ativos. Estes dois últimos índices aferem o percentual de imobilização do capital e do total de ativos da empresa, respectivamente. O IAB é o índice de atendimento ao beneficiário.

Tabela 4 - Variáveis candidatas de outputs Variáveis contábeis: Índices financeiros: (IRIS/ANS)Beneficiários, Despesa de comercialização: IDC (absoluto)Contraprestação efetiva Despesa de administração: IDA (absoluto)Resultado Líquido_T (transladado) Sinistralidade: ISTR (absoluto)

Combinado: IC (absoluto)Combinado ampliado: ICA (absoluto)Crescimento das vendas: ICVRentabilidade (transladado)

O IDC e o IDA representam respectivamente os índices das despesas com comercialização e com administração das OPS com valores absolutos (sinais positivos). O ISTR é o índice de sinistralidade ou eventos indenizáveis que correspondem a despesas com os serviços médicos prestados aos clientes. O índice combinado resulta da soma dos três índices anteriores e o combinado ampliado é a razão entre as três despesas e o resultado financeiro mais as contraprestações. O índice de crescimento das vendas (ICV) é dado pela razão entre a contraprestação e o capital da empresa e a rentabilidade é a razão entre o resultado líquido transladado e o capital da empresa.

2.3.3. Resultados do procedimento N&SA amostra global usada é de 54 OPS de grande porte, 195 OPS de médio porte e 720 de

pequeno porte. Em termos de aumento do número de OPS eficientes, na Figura 5 está representado o resumo da melhora da fronteira de eficiência DEA pelo modelo BCC-2, a cada passo do procedimento N&S.

Figure 5 – Melhora da fronteira DEA em cada passo do procedimento N&S A porcentagem de beneficiários nas OPS por porte das mesmas apresenta-se da seguinte

maneira: (i) grande porte: 48%; (ii) médio porte: 24%; (iii) pequeno porte: 6%. Constata-se que o porte influencia o desempenho das OPS na minimização do uso de recursos.

Quando se verifica a divisão por porte no resultado da amostra global, segundo o modelo BCC-2, as proporções podem ser vistas na Tabela 5.

Tabela 5 - Resultado do modelo BCC-2 na amostra globalAmostra global: 969 OPS Valores por faixa de escore

Divisão por porte Alto Médio BaixoNo de OPS Porte OPS % OPS % OPS %

63 Grande 12 19% 34 54% 17 27%222 Médio 8 4% 69 31% 145 65%

3

10 12

23

40

54

0

10

20

30

40

50

60

1 2 3 4 5 6Passos do procedimento N& S

Núm

ero

de D

MU

efic

ient

es


684 Pequeno 34 5% 92 13% 558 82%


Percebe-se que também nesta amostra global a proporção de OPS de grande porte na faixa alta de escore é a maior com 19% contra 4% da faixa média e 5% da faixa baixa.

2.4. Etapas 7/8: Matriz de classificação nebulosaObjetivo deste passo é classificar as OPS usando-se variáveis de diferentes naturezas. As

análises DEA têm fornecido o ranking da OPS eficientes quanto ao seu nível de solvência na aplicação de seus recursos econômico-financeiros. A matriz de classificação fornece uma visão tanto do risco de insolvência das OPS, quanto da complexidade do mercado.

Os termos lingüísticos da lógica nebulosa, usados na implementação, correspondem a dois fatores: criticidade e complexidade, sendo o primeiro formado por 5 variáveis e o segundo por 4. Considera-se o fator criticidade como o risco de insolvência da OPS ou a não possibilidade das empresas de cumprirem o compromisso para com os beneficiários em relação à continuidade da prestação da assistência com a qual se comprometeram; e o fator de complexidade como a insatisfação dos clientes ou incerteza quanto à qualidade do atendimento suplementar. O resultado aponta a situação ideal, considerando-se opinião do consumidor. As amostras usadas foram: 969 OPS (global); 50 OPS (grande porte); 177 OPS (médio porte); 507 OPS (pequeno porte).

A técnica usada foi a Matriz BCG/Kraljic com aplicação da lógica nebulosa possui limites imprecisos e foi implementada no software Matlab, usando as seguintes variáveis de criticidade: o resultado do passo 3 (eficiência segundo maximização das vendas); a tendência dos escores de eficiência no intervalo de tempo; o resultado do passo 5 (eficiência segundo a minimização do uso dos recursos selecionados); índice de sinistralidade (ISTR); e índice combinado ampliado (ICA). Usou-se as seguintes variáveis de complexidade: o índice de reclamação (IR); o número de beneficiários das OPS (transformado pela função logarítmica); o número de processos judiciais existentes, envolvendo as OPS em primeira instância; o número de processos existentes que envolvem as OPS em segunda instância. Através destes dois índices consolidados por dimensão para cada OPS, pode-se desenhar a matriz, usando-se os gráficos de dispersão.

Desta matriz resultante, aquelas OPS que são plotadas no primeiro quadrante (Q1) são consideradas pouco críticas e pouco complexas; as empresas que se situam no segundo quadrante (Q2) são aquelas pouco críticas, porém mais complexas. Aquelas que caem no terceiro quadrante (Q3) são aquelas que necessitam uma maior atenção e análise por parte do órgão regulador, pois estas são as mais críticas e as mais complexas; finalmente, aquelas OPS que estão no quarto quadrante (Q4) são consideradas as mais críticas, porém menos complexas (ver figura 7, na seção 2.4.1).

A estrutura esquemática do processo nebuloso para classificação das OPS se resume em: diferentes variáveis de entrada; processo de inferência nebuloso; e uma variável de saída do processo. Cada variável é formada por uma partição nebulosa composta pelos seguintes valores lingüísticos: “muito ruim” (MR), “ruim” (R), “médio” (M), “bom” (B) e “muito bom” (MB). Cada um destes valores lingüísticos é formado por uma função triangular, como mostrada na Figura 6.

Figura 6 - Participação nebulosa dos termos lingüísticos


Os parâmetros da função triangular são a, b, e c; quando a variável x é igual a ‘b’ e a função triangular atinge seu valor máximo: f(x; a, b, c) = max [min {x – a /b – a, c – x /c – b}, 0]. Estes dois valores formam triângulos-retângulos no início e no fim do domínio da partição, quando avaliados na função f(x; a; b; c).

As regras lógicas correspondem a 31 processos de inferência do tipo if-then, considerando-se as dimensões de criticidade e complexidade, cujos cálculos feitos no software Matlab. O procedimento de agregação é definido como a função “máxima”, que corresponde a uma operação de disjunção nebulosa dos conjuntos. Desta operação resulta um conjunto nebuloso que, através do uso do centróide é calculado o valor crisp ou exato para o número da agregação.

2.4.1. Resultado da classificação das OPSUma das vantagens deste modelo nebuloso é a capacidade de consolidar os vários índices e

resultados das análises anteriores em uma matriz única.No caso de todas as empresas juntas, a amostra da base de 2005 é composta de 735 OPS.

Pôde-se aferir que a maior parte das OPS se concentra no quadrante Q4 (ver Figura 7), mas com alguma representação nos demais, ou seja, a maioria das OPS, segundo os dados utilizados, apresenta risco de insolvência, confirmando todas as análises anteriores. Neste quadrante destaca-se a Metodont como uma das mais críticas e com complexidade próxima da área central, e o Hospital Cataguases que apresenta baixa complexidade e uma criticidade próxima da média.

A menor concentração se encontra no Q3, cujo domínio indica que as OPS ali situadas, exigem tomadas de decisão mais estratégicas e urgentes por parte da ANS. Nesta situação se destacam a empresa Hapvida assistência médica ltda. de Fortaleza, como a mais crítica e a mais complexa da amostra e a empresa Pro-Saúde, ambas de medicina de grupo de grande porte com respectivamente, 324.312 e 330.622 beneficiários, fator que influencia o aumento da complexidade.

Figura 7 – Resultado da classificação de todas OPS juntasNo Q2, cujo domínio indica que as OPS ali situadas são as mais complexas, destaca-se a

Bradesco, a maior dentre as empresas com mais de 2 milhões de cliente. Também se encontram neste quadrante as seguintes empresas de medicina de grupo e uma cooperativa médica, todas de grande porte: Amil assistência médica internacional com 945.315 beneficiários e a Medial Saúde com 714.715 e a Unimed Rio com 245.531. Observa-se que dentre todas as empresas da amostra a Medial é a que apresenta menor criticidade.

M ET O D ON T

HO SP IT A L D E C A T A G U A SES

SA LU T A R

U N IM ED -R IO

S IST EM A O D O N T O LÓG IC O

IN T EG R A D O

A M IL M ED IA L

B R A D ESC O

PR O -SA U D E

HA PV ID A

O U R O C LIN

0

0,1

0,2

0,3

0,4

0,5

0,6

0,7

0,8

0,9

1

0 0,1 0,2 0,3 0,4 0,5 0,6 0,7 0,8 0,9 1

Criticidade

Com

plex

idad

e

Q2

Q4Q1

Q3


No Q1 se destacam as empresas menores e menos complexas e menos criticas, dentre elas tem-se a seguradora Salutar, com criticidade e complexidade médias, com cerca de 1000 beneficiários, a medicina de grupo Ouroclin com somente 110 beneficiários, por isso a menos complexa da amostra, e a odontologia de grupo Sistema Odontológico Integrado com aproximadamente 1900 clientes.

Resultados completos de todas as análises apresentadas neste artigo podem ser visto em Sampaio (2008).

3. DiscussãoO problema em tela se resume à efetiva necessidade de regulação do setor, devido às falhas

de mercado desencadeadas principalmente pela assimetria da informação, falta de transparência e ineficiências que podem resultar em perda de bem estar da sociedade como um todo. De modo direto, esta perda acontece para cerca de um terço da população brasileira cliente de planos de saúde e indiretamente, através da perda de recursos públicos repassados pelo SUS a diversas OPS, que ficam como débitos descobertos tornando o sistema de saúde brasileiro desacreditado e incompetente.

Observa-se que grande número de empresas pode estar no papel que deve ser desempenhado pela saúde pública, o que é financeiramente inviável para a maioria da população, gerando distorções no mercado. Embora a questão da eficiência das OPS dependa também de valores intrínsecos de gestão, a estrutura inadequada do sistema para o seu papel na sociedade induz as empresas a participarem de um segmento do serviço de saúde que é caracteristicamente função do poder público. As análises feitas sugerem que a grande maioria das empresas estudadas não está desempenhando uma boa prática.

Os resultados das análises da base de dados mostram que este mercado é concentrado principalmente, em termos de número de beneficiários e de receita dos prêmios ou contraprestações, existindo uma dominância da participação de poucas OPS que atendem a muitos clientes. Esta relação receita por clientes se mostra concentrada nas faixas de baixo valor. Considerando-se que o país apresenta uma alta concentração de renda e uma população de baixa renda muito extensa, os resultados sugerem que parte da população busca planos de saúde que oferecem assistência de saúde básica nas áreas mais desenvolvidas do país, indicando uma ausência de atuação do setor público de saúde. Esta tendência gera imperfeições de mercado e resulta em uma carência crônica do bem estar da população.

A população menos favorecida não deveria estar participando do mercado de saúde suplementar uma vez que, na medida em que a população de menor renda utiliza seus recursos para atender necessidades básicas de saúde, ela está tornando ainda maior a concentração da renda e contribuindo para um nível não satisfatório de atenção à saúde pública. Historicamente, só através de benefício indireto com a figura do empregador e do plano-empresa, a população de baixa renda pode ser atendida pelo sistema de saúde suplementar. Ou seja, o sistema tem como clientela principal a população inserida do mercado formal de trabalho, através de vínculo empregatício. A pesquisa nacional por amostra de domicílios (PNAD) de 2003 evidenciou que 56% dos consumidores de seguros e planos de saúde acessam aos serviços de saúde mediante a intermediação de empresas empregadoras.

As evidências indicam que existe a necessidade de uma atuação mais justa por parte da ANS que, tentando contemporizar os dois lados do mercado, ou seja, OPS e consumidores, acaba fazendo concessões injustificáveis às primeiras e o beneficiário sai prejudicado.

Desde sua criação, no entanto, a ANS exige das OPS que pleiteiam entrar no mercado além de possuírem um capital mínimo, vários tipos de garantias, principalmente aquelas de pequeno porte que aproveitam das falhas do sistema público para se lançarem neste mercado.

Quanto ao plano de contas padrão exigido pelo órgão regulador, o que se percebe nas análises feitas é que, apesar da fiscalização, o número de dados inconsistentes fornecidos pelas OPS ainda é grande. A obrigação de as OPS divulgarem seus balanços contábeis auditados vem desde 2002.


Os constantes reajustes de contraprestações mensais, considerados ilegais pelos órgãos de defesa do consumidor acentuam a supracitada assimetria. O que se explica analisando-se a relação entre a receita das contraprestações e o número de beneficiários é que algumas OPS compensam suas perdas com altas mensalidades, resultando em aumentos indevidos das mesmas.

O agente regulador e a legislação em vigor ignoram a forma adequada de se calcular os preços, de acordo com as necessidades de cada componente do sistema de saúde, a fim de contemporizar e equilibrar as partes envolvidas. O órgão regulador tem por obrigação exigir das OPS um banco de dados consistente em termos de tempo, quantidade e qualidade das informações para que se possa calcular de modo justificável a cobrança do agravo.

4. ConclusõesEm uma visão geral, conclui-se que o setor é ineficiente e com a existência de poucas OPS

que monopolizam o mercado. As seguradoras, em número bem menor, apresentam melhor desempenho e dominam o mercado em termos financeiros e em número de beneficiários, pelo fato de serem empresas de natureza financeira e possuírem maior habilidade no gerenciamento dos riscos e nos cálculo dos prêmios.

Muitas empresas pequenas necessitam de análises diferenciadas e apresentam a classe mais baixa de eficiência e um enorme risco de insolvência. O mercado da saúde suplementar comporta empresas de perfis muito diferentes e se percebe que aquelas de grande porte demonstram melhor desempenho. As de pequeno e médio porte têm maior probabilidade de falência, comprometendo a maioria dos beneficiários de planos, em sua maioria de baixo custo e de menor cobertura. Em vista disso, a ANS necessita adotar uma política de controle destas empresas que seja mais criteriosa para prevenir perdas para os consumidores, ou seja, uma política que flexibilize de modo rápido a absorção da carteira de beneficiários por empresas mais eficientes, além de aprimorar métodos que impeçam a entrada no mercado de mais empresas com este perfil.

Quanto aos resultados da aplicação da metodologia proposta, os referentes às análises DEA, se mostram satisfatórios em evitar a ocorrência de DMU pseudo-eficientes.

Os resultados das análises ao longo do tempo mostram que a tendência da eficiência das OPS é um importante parâmetro considerado na matriz de classificação das empresas.

Os resultados do procedimento de seleção das variáveis associado ao modelo DEA escolhido também revelam a melhoria gradativa da fronteira de eficiência, garantindo assim análises mais consistentes.

O uso da lógica nebulosa aplicada à matriz de classificação das OPS funciona como um instrumento de avaliação multicritério, consolidando os resultados das análises DEA combinados a outros parâmetros de natureza diversa, apontando um único indicador para cada dimensão da matriz (criticidade e complexidade), os quais possibilitam uma visão mais realista e abrangente da atuação das OPS no mercado. É importante ressaltar que, enquanto os resultados das análises DEA apontam os benchmarks relativos a um conjunto fechado de possibilidades de produção, a matriz nebulosa aponta a situação ideal do sistema para o gestor do órgão regulador do mercado.

Os resultados obtidos no presente trabalho atestam a viabilidade da metodologia apresentada como um instrumento útil para monitorar o risco de insolvência, possibilitando a consideração de aspectos importantes do setor. As ferramentas de análise e a matriz de classificação são plausíveis de melhoria através do acesso a outros tipos de informação não disponibilizados pela ANS e da visão de um especialista do setor.

5. ReferênciasAgência Nacional de Saúde Suplementar (ANS), Contrato de Gestão, (www.ans.gov.br), 2005.Cooper, W.W., Seiford, L.M., Tone, K. Data Envelopment Analysis: a comprehensive text with models, applications, references and DEA-solver software, ed. Springer Science and Business media, LLC, New York, USA, 2007.Duclos, M. T., Salles, O. R., Retrato do Setor de Saúde Suplementar e Análise de Solvência (Parte II). Seminário: Estudos em Métodos Quantitativos Aplicados à Defesa da Concorrência e


à Regulação Econômica, In: SDE/ / ANPEC, Brasília-DF, 2005.Fernandes, E.; Pires, H.M.; Ignacio, A.A.V.; Sampaio, L.M.D. (2007), An analysis of the supplementary health sector in Brazil, Health Policy, 81, 242-257. Fernandes, E.; Capobianco, H.M.P.; Ignácio, A.A.V.; Sampaio, L.M.D., Mercado Operador da Saúde Suplementar, Fórum de Saúde Suplementar da ANS, (www.ans.gov.br) , 2003.Galiza, F. J. S., 1996, “Um rating para o mercado segurador brasileiro”. Revista do IRB, disponível online. Jahanshahloo, G. R.; Khodabakhshi, M., 2004, “Determining assurance interval for non-Archimedean element in the improving outputs model in DEA”, Applied Mathematics and Computation, vol. 151, pp. 501–506.Kassay, S., 2002. Utilização da Análise por Envoltória de Dados (DEA) na Análise de Demonstrações Contábeis. Tese de Doutorado, Universidade de São Paulo, São Paulo.Lagergren, M., 2002, “Modeling as a tool to assist in managing problems in health care”. In: Evidence based management in Health Care: the Role of Decision Support Systems. Boldy, D., Braithwaite, J., Forbes, I. (eds.). Australian Studies in Health Service Administration, vol. 92, pp. 17-36.Meza, L.A., 1998. Data envelopment analysis (DEA) na determinação da eficiência dos programas de pós-graduação da COPPE/UFRJ. Dissertação de mestrado do Programa de Engenharia de Produção da COPPE/UFRJ, Rio de Janeiro.Migon, M. N., 2000, Eficiência da indústria de transporte aéreo no Brasil: uma aplicação de análise envoltória de dados (DEA). Dissertação de mestrado do Programa de Engenharia de Produção da COPPE/UFRJ, Rio de Janeiro.Norman, M. & Stoecker, B, 1991, Data envelopment analysis: the assessment of performance. West Sussex: John Wiley & Sons. Sampaio, L. M. D., 2008, Análise e Classificação das Operadoras da Saúde Suplementar. Tese de doutorado do Programa de Engenharia de Produção da COPPE/Universidade Federal do Rio de Janeiro.


anÁlise e classificaÇÃo das operadoras … · [email protected] ... dea, matriz de ... base de...

Documents