ECONOMIC FACTORS BEHIND THE PANDEMIC DEATHS. A REGIONAL PERSPECTIVE

Haz clic para acceder a WP2213.pdf

Factores económicos detrás de las muertes por la pandemia. Una perspectiva regional.

Beatriz González López-Valcárcel* Guillem López-Casanovas** *

Con este último posteo cierro el año 2022, agradeciendo a los lectores, prometiéndoles que si les es útil continuaré buscando en el océano de las publicaciones algunas interesantes para continuar difundiéndolas, como así también con las editoriales, siendo independientes y no necesitando ninguna esponsorización.

Recomiendo la lectura de este trabajo realizado por la gran economista de la salud y mejor docente, una pensadora clara, capaz de realizar los análisis más interesantes, y con la cualidad más importante ser independiente, no sucumbir a los intereses del complejo industrial médico. Gracias Beatriz González López Valcárcel. BEA.

Guillem López Casanovas, o Guillem, un economista brillante, que todos nosotros leemos y seguimos, con una capacidad y rigurosidad de análisis profundo, agudo y claro.

Con todo respeto y admiración dejo para este blog un trabajo realizado para el análisis de los impactos económicos del COVID, en todas las etapas y en 3 NUTS.

Los autores Centraron el análisis en los factores regionales que interfieren en los efectos de Covid 19 sobre una base territorial. En la primera parte del documento, exploraron la tasa de mortalidad por COVID desde el estallido de la pandemia hasta septiembre de 2020, cuando la incertidumbre era global sobre cómo reaccionar ante el virus, en todas las regiones europeas. El objetivo principal de esta parte es explorar la influencia en la mortalidad por Covid de la naturaleza de los sistemas de salud y el papel de las regiones en la respuesta a la pandemia. En la segunda parte traducimos algunas de las hipótesis en el ámbito empírico. Para ello utilizamos un rico conjunto de datos NUTS-2 de Eurostat1 . NUTS stands for “Nomenclature of territorial units for statistics”. More detailed information can be read at: https://ec.europa.eu/eurostat/web/nuts/principles-and-characteristics 4

Ajustaron por el Seguro Social (SIS) o el Servicio Nacional de Salud (NHS) de naturaleza de los sistemas de salud, y el índice de la Autoridad Regional (RAI) sobre el grado de descentralización de la red de federalismo fiscal de la OCDE. Además, correlacionaron con la mortalidad EQI, el índice de calidad del gobierno regional (básicamente la sensación de corrupción). Además de estos aspectos institucionales del país, profundizamos en el impacto de variables como el tamaño de la población, la estructura de edad, el PIB per cápita, la densidad de las NUTS y algunos otros factores espaciales.

Encontraron que al inicio de la crisis sanitaria, con la irrupción caótica de la infección, la incertidumbre de las políticas a aplicar y con algunas respuestas aleatorias regionales, aquellos NUTS más ricos, más poblados y países con un SNS jerárquico sí mostraron peores ratios de mortalidad, con baja significación para la RAI.
Se centraron en las diferencias en la mortalidad global en nuestra muestra NUTS2 entre 2020 y 2021. En 2021, comenzó la vacunación masiva, se entendió mejor la evolución del Covid y se instrumentaron políticas basadas en la descentralización en algunos países. En estos modelos, RAI es estadísticamente significativo, pero ya no es la naturaleza de los sistemas. Parece una respuesta idiosincrásica, cercana al problema, regional a las pandemias diluidas las diferencias de los sistemas nacionales de salud.

El índice de calidad del gobierno regional también está altamente correlacionado con los cambios de mortalidad.

En la tercera parte del trabajo, se acercaron a la realidad de España analizando la heterogeneidad territorial. Calculamos para las provincias españolas (NUTS3) el número total de años de vida ajustados por calidad calculados los AVAC perdidos en los tres períodos definidos (confinamiento inicial, gestión centralizada y gestión descentralizada) dado el género y la estructura de edad de cada provincia. Calcularon entonces el número de AVAC perdidos con el coronavirus, dada la mortalidad absoluta y el daño relativo a la salud provincial relacionado con la edad.

Introducción:

La pandemia ha generado una extensa literatura para el análisis de COVID-19 en términos de factores de moderación (confinamientos, estrategias de mantenimiento de ingresos) y factores de mediación (vivienda disponible, tipos de trabajo). Se han publicado resultados comparativos para los países sobre la carga de morbilidad y las pérdidas de ingresos.

La pandemia ha causado importantes compensaciones entre la salud y la riqueza. Las políticas sanitarias y económicas se han entrelazado más que nunca. Desde una perspectiva internacional, en los primeros seis meses del brote hubo una fuerte correlación entre la salud y la carga económica de la infección, es decir, entre las tasas de mortalidad y el cambio en el PIB de los países. Esa correlación desapareció en el segundo y tercer semestre de la pandemia (véase la figura 1).

Nota: en el primer semestre de 2020 en Francia, hubo 457 muertes por millón de habitantes y se registró una caída del PIB de alrededor del -13% en comparación con el mismo período de 2019. Las líneas indican la relación de correlación para cada período. Fuente: Algan et al., 2022 Los tratamientos de política para combatir la infección causaron efectos secundarios. Los esfuerzos para mitigar las consecuencias directas para la salud pública de COVID-19 (en forma de enfermedades y muertes relacionadas con la infección) no solo pueden tener efectos negativos en otras dimensiones (por ejemplo, la economía), sino que también pueden tener consecuencias adversas indirectas adicionales para la salud pública. Y «así como las políticas diseñadas para promover la salud pública han tenido consecuencias adversas para la salud no deseadas, las políticas diseñadas para preservar la economía a veces han tenido efectos opuestos» (Darden et al., 2021).

La gestión de la pandemia, que involucra tanto políticas sanitarias como económico-fiscales, ha sido variable a lo largo del tiempo, pero también heterogénea entre los países y dentro de ellos. Para la primera posición, una dimensión relevante es cómo se enfrentaron las dos estrategias «puras», una de mitigación y otra de supresión, o covid-zero. Para el segundo, un posible factor reactivo, con potencial para alterar el impacto de la pandemia en la salud, ha sido el grado de descentralización de los poderes públicos, que a su vez puede haber condicionado la respuesta institucional y la gestión de la pandemia (Dougherty et al., 2020).

Gráfico 2A: Muertes por COVID-19 por cada 100 000 habitantes, regiones NUTS-2 (TL2) a noviembre de 2020. Nota: Los 24 países son países de la OCDE más Brasil. Entre los 37 países de la OCDE, Estonia, Letonia y Luxemburgo no tienen regiones de nivel NUTS 2; no hay datos a nivel NUTS 2 para Islandia, Irlanda, Israel, Finlandia, Grecia, Hungría, Lituania, Noruega, República Eslovaca y Eslovenia. En el caso de Nueva Zelandia, las juntas de salud de distrito disponen de datos. Para Canadá y Japón, faltan una provincia (Isla del Príncipe Eduardo) y una prefectura (Iwate) respectivamente. Para los Estados Unidos, sólo se consideran los 50 Estados. Los datos se recuperaron entre el 24 de octubre y el 2 de noviembre. Fuente: OCDE. (2020). El impacto territorial del COVID-19: Gestión de la crisis en todos los niveles de gobierno.

Figura 2B: Distribución desigual de los casos entre las regiones de la OCDE y los países socios. Nota: El número de casos se refiere a los casos acumulados notificados desde el inicio del brote hasta el 4 de noviembre de 2020. Fuente: OCDE. (2021). Federalismo y descentralización de la salud pública en tiempos de COVID-19. 6

Gráfico 2C: Porcentaje de trabajos que potencialmente se pueden realizar de forma remota (%), regiones NUTS-1 o NUTS-2 (TL2) de 2018. Nota: El número de trabajos en cada país o región que se pueden realizar de forma remota como porcentaje del total de trabajos. Los países se clasifican en orden descendente por la proporción de empleos en el empleo total que se pueden realizar a distancia a nivel nacional. Las regiones corresponden a las regiones NUTS-1 o NUTS-2 en función de la disponibilidad de datos. Fuera de los países europeos, las regiones corresponden a las regiones de Nivel Territorial 2 (TL2), según la Cuadrícula Territorial de la OCDE. Fuente: OCDE. (2021

Gráfico 2D: Heterogeneidad en la primera ola pandémica y crecimiento económico por países. Nota: Por países europeos. Los intervalos representan el cambio en el PIB entre 2019 y 2020. Fuente: Conjunto de datos COVID-19 de Our World in Data. Disponible en: https://github.com/owid/covid-19-data. 7 De la literatura previa es bien sabido que factores como la demografía (composición por edades), la estructura económica (peso relativo de los sectores más expuestos a la infección) y las variables culturales y educativas (aceptación de la vacuna) son factores relevantes para comprender la diversidad de la lucha contra el Covid19 y las consecuencias de la pandemia.

Otros factores no se pueden afirmar tan fácilmente, como la proporción de empleos que pueden reubicarse en un territorio, el nivel de digitalización y el alcance del uso de Internet y otros factores «activos» adicionales como la dispersión, la concentración territorial o la ruralidad (véanse las figuras 2B, 2C y 2D). Otro factor relevante es el porcentaje de trabajos que se pueden realizar a distancia, que varía en gran medida entre los países de la OCDE y entre las regiones NUTS1 de un país determinado (OCDE, 2020). La confianza interpersonal y la confianza en el gobierno también se han identificado como factores relevantes de éxito (Charron et al, 2021; Algan et al., 2022). Aunque existen bases de datos globales2 a nivel nacional, y se han publicado cientos de artículos comparando países, el impacto del COVID a nivel regional ha sido mucho menos estudiado. Dada la gran heterogeneidad observada tanto en la incidencia de la pandemia como en su letalidad en diversas poblaciones, nuestro punto de partida es la intuición de que los factores basados en el lugar podrían ejercer cierta influencia en la efectividad de las variables mediadoras y moderadoras. Buscamos condiciones espaciales más allá de algunos de los efectos observados. ¿Es solo una cuestión de agrupaciones erráticas de variables combinadas sobre el territorio, o hay algunos elementos estructurales de naturaleza espacial que influyen en esos diferentes resultados? Buscamos variables geográficas, políticas o institucionales que sobre una base territorial, independientemente de otras variables de ajuste, puedan contribuir a predecir los daños causados por el COVID. Dicho análisis requiere datos nacionales y regionales para considerar las variaciones entre países y dentro de los países entre sus regiones.

¿Qué pesa más, esos factores territoriales entre o dentro de una región, otras cosas iguales?

¿Es el tamaño y la concentración de la población?

¿Es la economía rural, dispersa, del sector primario? ¿Es quizás el régimen político de descentralización fiscal?

¿El tipo de sistema de salud, la seguridad social se basa en el NHS?

¿Hay confianza en las políticas gubernamentales regionales?

El artículo analiza la dimensión territorial del impacto sanitario de la COVID (mortalidad) en Europa a nivel regional. Los dos factores explicativos que nos interesan son el grado de descentralización fiscal y gubernamental y el tipo de sistema de salud en el país. Exploramos empíricamente primero estas dimensiones territoriales con datos NUTS-2 de países europeos y luego ampliamos el análisis interestatal, a nivel provincial español (NUTS–3). Las NUTS2 son regiones básicas para la aplicación de las políticas regionales (n=242). Las NUTS-3 son regiones pequeñas para diagnósticos específicos (n=1166)3 .

El aumento de la mortalidad a partir de 2020 y 2021 en las regiones europeas NUTS2 ha sido bastante heterogéneo entre países. Todas las regiones de Bélgica y España disminuyen las tasas de mortalidad, mientras que en todas las regiones de cinco países (Rumania, Grecia, Polonia, Portugal y Dinamarca) ha habido un aumento de la mortalidad. Dentro de los países, la mortalidad varía ampliamente, con Italia, Francia y Chequia reportando las mayores diferencias entre las regiones.

Dos conclusiones se desprenden inmediatamente de las comparaciones nacionales. La primera es la gran diferencia en las tasas de mortalidad por COVID y en exceso de mortalidad entre los países con una estrategia de supresión y el resto. Cuatro de los primeros (Australia, Nueva Zelanda, Islandia y Singapur) incluso tienen un exceso de mortalidad negativo. El segundo es la gran variabilidad intranacional en la carga de morbilidad, sin que la causa parezca obvia. En la actualidad, el exceso de mortalidad en los 10 países con información subnacional oscila entre 60 en Canadá y 325 en México. La relación entre el territorio con mayor y el territorio con menor exceso de mortalidad oscila entre 29,2 en EEUU y 2,23 en Italia (en Reino Unido es menor, pero la desagregación es solo en cuatro territorios, Inglaterra, Irlanda del Norte, Escocia y Gales). Los países con gran extensión territorial generalmente tienen una mayor heterogeneidad (USA 29.2; Canadá 8,7; India 5.0), pero Brasil (2.75) y México (3.3) son excepciones. Los países europeos oscilan alrededor de 2,5 (Italia 2,2, Alemania 2,6, España 2,7). En estos datos no hay un patrón evidente de mayor variabilidad territorial en los países federales que en los países unitarios. En la siguiente sección analizamos datos de regiones (NUTS-2) de países europeos. En la sección 3 se profundizan las variaciones a nivel NUTS3 considerando el caso específico de España y las variaciones en la mortalidad total dentro del país a nivel provincial (n=52 provincias NUTS-3, de 18 Comunidades Autónomas (regiones NUTS2-). Calculamos los AVAC perdidos en los tres períodos definidos (confinamiento inicial, gestión centralizada y gestión descentralizada). La sección final es para discusión, recomendaciones de políticas y conclusión.

 El aumento de la mortalidad a partir de 2020 y 2021 en las regiones europeas NUTS2 ha sido bastante heterogéneo entre países. Todas las regiones de Bélgica y España disminuyen las tasas de mortalidad, mientras que en todas las regiones de cinco países (Rumania, Grecia, Polonia, Portugal y Dinamarca) ha habido un aumento de la mortalidad. Dentro de los países, la mortalidad varía ampliamente, con Italia, Francia y Chequia reportando las mayores diferencias entre las regiones

11 II.-Análisis de los países europeos: NUTS-2 II.1-Fuentes y variables de datos Se recopilaron datos de países europeos a nivel nacional y a nivel NUT-2 de Eurostat. Las NUTS2 son regiones básicas para la aplicación de las políticas regionales (n=242). Las NUTS-3 son regiones pequeñas para regiones específicas (n=1.166). Actualmente, las regiones NUTS de 2021 han entrado en vigor desde el 1 de enero de 2021. No todos los países de Europa están en la Unión Europea y, por lo tanto, no están sujetos a los requisitos de información e intercambio de datos de Eurostat. Si bien todos los países tienen tablas de correspondencia entre sus propias definiciones de región y NUTS, proporcionar información sobre el nivel NUTS no es obligatorio para los países no pertenecientes a la UE. Esta lista incluye el Reino Unido (después del Brexit), Noruega y Suiza. Nuestros datos de las variables explicativas son transversales para 2019-2020 y corresponden a 16 países europeos. Modelamos la mortalidad a nivel NUTS2 en dos fases de la pandemia (modelos 1 y 2 respectivamente). La primera es del desglose en marzo de 2020 a septiembre de 2020 y corresponde a la primera ola del brote pandémico. La variable dependiente es la tasa de mortalidad por COVID. El segundo compara la mortalidad total en el año 2021, una vez que la mayoría de las respuestas estaban en marcha (las primeras vacunaciones en España fueron el 27 de diciembre de 2020) con la de marzo-diciembre de 2020. La variable dependiente para el modelo 1 es la razón de mortalidad Covid, definida como los casos acumulados por 100.000 habitantes, desde el 1 de marzo de 2020 hasta el 1 de septiembre de 2020. Ha sido compilado por (Omrani et al., 2021) Corregimos errores específicos cuando se detectaron con otras fuentes como para España. El número total de observaciones (NUTS2) es de 252. Después de eliminar los datos faltantes, la muestra final para el análisis de regresión es n = 178. Para el modelo 2 perdimos Alemania4 dada la falta de datos. La variable dependiente para el modelo 2 es el aumento de la tasa de mortalidad por todas las causas desde el período marzo-diciembre de 2020 hasta enero-diciembre de 2021. Ajustamos la diferencia en el número de semanas consideradas en ambos períodos pandémicos (43 semanas en 2020, 52 en 2021). La fuente de esta variable endógena es Eurostat, Weekly Death Statistics5 . Las variables explicativas de control corresponden a la estructura demográfica por edades, la tasa de desempleo, el nivel de ingreso per cápita ajustado (como indicador de ingreso y capacidad fiscal); y dos variables geográficas explícitas de dispersión (% de suelo construido) y/o concentración (densidad de población). También se ha incluido Surface. Los retrasos en la respuesta política del primer caso de Covid -en número de días- y la ratio de bachillerato completan el conjunto de los factores de ajuste. Utilizamos el Índice Europeo de Calidad de Gobierno 2021 (de Charron et al., 2021) sobre una base NUTS-2 para explorar correlaciones bivariadas entre la calidad del gobierno regional y la mortalidad. Además de esas variables, consideramos empíricamente otras (composición sectorial de la fuerza laboral, número de hogares por casa, uso de internet, tasa de población de camas de UCI, entre otras). La decisión final proviene de una compensación entre los datos faltantes y la cantidad de información que la variable considerada contribuye al modelo. Las variables explicativas de interés son el valor continuo para el Índice de Autoridad Regional, RAI (llamado índice federal) como indicador del grado de descentralización del país donde está registrado el NUT (el Anexo 1 resume su contenido) y la naturaleza binaria del sistema de salud (ya sea un sistema basado en el seguro social de salud o uno de los modelos del tipo de los Servicios Nacionales de Salud). 4 Todavía no se han publicado datos de mortalidad en Alemania durante 2021 al nivel NUTS-2.  5 Disponible en: https://ec.europa.eu/eurostat/statistics-

Dependent variables:

• Model 1: COVID-19 deaths per 100.000 inhabitants from the onset of the pandemic to August 31, 2020 (covid_mortality)
• Model 2: Adjusted for the number of weeks increment in mortality rates for all causes from March-December 2020 to January-December 2021 (inc_mortality)
  Explanatory variables:
• Density: population/surface (population per Square Km)
• Surface
• % Land development (% Built-up land)
• Lag (number of days) from the first case and the lockdown or other restrictive measures
• % Population older than 60
• Highschool ratio: % population with secondary education or more
• Unemployment rate
• GDP per capita
• Regional Authority Index, RAI (see appendix 1)
• SS: Dummy=1 for Social Security health systems

Resultados finales

Encontramos que al inicio de la crisis sanitaria, con la irrupción caótica de la infección, la incertidumbre de las políticas a aplicar y con algunas respuestas aleatorias regionales, aquellos NUTS más ricos, poblados y países con un SNS jerárquico sí mostraron peores ratios de mortalidad, con baja significancia para la RAI.

Nos centramos en las diferencias en la mortalidad global en nuestra muestra NUTS2 entre 2020 y 2021. En 2021, comenzó la vacunación masiva, se entendió mejor la evolución de Covid y se instrumentaron políticas basadas en la descentralización en algunos países.

En estos modelos, RAI es estadísticamente significativo, pero ya no es la naturaleza de los sistemas.

Parece una respuesta idiosincrásica, cercana al problema, regional a las pandemias diluidas las diferencias de los sistemas nacionales de salud.

El índice de calidad del gobierno regional también está altamente correlacionado con los cambios de mortalidad.

Finalmente, nos acercamos a la realidad de un solo país (España) analizando la heterogeneidad territorial. Calculamos para las provincias españolas (NUTS-3) el número total de años de vida ajustados por calidad calculados los AVAC perdidos en los tres períodos definidos (confinamiento inicial, gestión centralizada y gestión descentralizada) dado el género y la estructura de edad de cada provincia. Calculamos entonces el número de AVAC perdidos con coronavirus, dada la mortalidad absoluta y el daño relativo a la salud relacionado con la edad provincial.