O termo cost driver ganhou relevância no final do Século XX, quando surgiram novas ferramentas de gestão e de custos em resposta à crescente demanda das organizações e da academia pela melhoria da qualidade das informações geradas pela contabilidade. Este fenômeno deu-se especialmente na contabilidade gerencial (Johnson & Kaplan, 1987; Johnson, 1992). Essa preocupação ocasionou uma mudança de paradigma, que ganhou força a partir da década de 1980. Os autores alertavam que as práticas tradicionais de contabilidade gerencial não atendiam adequadamente as necessidades das organizações. Estas haviam perdido a capacidade de gerar informações relevantes à tomada de decisão em função das mudanças que ao longo de todo o século XX estavam ocorrendo na economia, na tecnologia e nas organizações (IFAC, 1998).

Neste cenário, o foco da contabilidade gerencial ampliou-se para uma perspectiva estratégica, possibilitando aos gestores melhor avaliar o atendimento aos clientes e o posicionamento das organizações na cadeia de valor. Nesse contexto, a área de custos também devia prover informações para auxiliar as empresas a alcançar e manter vantagem competitiva sustentável (Hansen & Mowen, 2005). Autores como Kaplan (1983, 1984), Miller e Vollmann (1985), Cooper e Kaplan (1987), buscavam melhores formas de atribuir os custos indiretos aos produtos e aprimorar a gestão das organizações, e não apenas valorar os estoques para relatórios financeiros. Isto incentivou a preocupação com os cost drivers para alocação de custos aos objetos de custos; o denominado contexto operacional. Um dos primeiros estudos empíricos mencionando cost drivers com enfoque operacional foi de Miller e Vollmann (1985). Eles identificaram os cost drivers envolvidos nas empresas de cinco segmentos da indústria eletrônica, verificando que a verdadeira força que determina os custos indiretos não é o volume de produção, mas as transações envolvendo logística, equilíbrio (balanceamento entre produção e demanda), qualidade e mudanças no processo produtivo.

Noutra perspectiva, Porter (1985), Shank (1989) e Shank e Govindarajan (1989) ampliaram o escopo dos cost drivers utilizando uma abordagem mais estratégica para análise de custos, o que se denomina nesta pesquisa como cost drivers estratégicos. O termo cost driver tem sido utilizado para representar pelo menos três papeis na contabilidade gerencial: (i) determinar, em termos estratégicos, a estrutura de custos de uma organização (no contexto estratégico - da GEC); (ii) possibilitar a atribuição dos custos aos objetos de custos (no contexto operacional); e (iii) explicar o comportamento dos custos (cost behavior), no sentido de analisar como o custo total do objeto de custo se modifica conforme os fatores se alteram (Blocher, Chen & Lin, 2008; Horngren, Datar & Foster, 1999; Morse, Davis & Hartgraves, 2002). O que distingue os significados do termo cost driver em suas diferentes abordagens são o campo de conhecimento, o propósito a que se destina e o foco a ser analisado em cada estudo.

Do ponto de vista da gestão estratégica de custos, o termo cost driver representa um dos elementos no processo de planejamento estratégico. Igualmente, pode ter um papel central na definição do posicionamento das organizações em seu meio, ao servir de fonte de vantagem competitiva (Porter, 1985). Esta abordagem é aparentemente menos disseminada do que aquelas associadas à atribuição dos custos (contexto operacional) e o estudo de seu comportamento.

Na tentativa de definir as diferentes abordagens acerca do termo cost driver, Banker e Johnston (2007) trazem as principais vertentes utilizadas nas pesquisas no âmbito da contabilidade gerencial (tabela 1).

TABLA 1 TABLA 1 Comparação das diferentes taxonomias dos cost drivers Fonte: adaptado de Banker e Johnston (2007).

Conforme a tabela 1, os principais influenciadores para as pesquisas com abordagem estratégica de cost drivers são Porter (1985) e Riley (1987), ambos da área de planejamento estratégico. Porter (1985), baseado em teorias econômicas industriais, definiu cost drivers como sendo os “determinantes estruturais dos custos das atividades organizacionais”. Riley (1987) aprimorou a definição de Porter (1985), propondo duas categorias distintas para os cost drivers: estruturais e de execução. Essa abordagem é utilizada como um dos pilares do que posteriormente definiu-se como a gestão estratégica de custos, o principal instrumento das pesquisas em cost drivers estratégicos.

A abordagem de Cooper e Kaplan (1987, 1998) desenvolveu os modelos Activity-Based Costing (ABC) e no Activity-Based Management (ABM). Ambos instrumentos têm a finalidade de melhorar a alocação de custos aos objetos de custos a partir dos direcionadores de atividades. No trabalho de 1998, eles atribuíram a nomenclatura de process drivers para denominar esses direcionadores de atividades – os cost drivers operacionais (Banker & Johnson, 2007).

A discussão a respeito da construção teórica dos cost drivers é estendida para a literatura brasileira. Nela se observa o uso do termo cost drivers como conceito estratégico, mas muitas vezes abordando os direcionadores operacionais. Assim, a taxonomia, em português, para identificar os cost drivers estratégicos, seguindo a Porter (1985), Riley (1987) e Shank e Govindarajan (1993), seriam “determinantes de custos”. Já os process drivers ou cost drivers operacionais seriam definidos como “direcionadores de custos” (Slavov & Takahashi, 2010).

Porter (1985) definiu dez categorias principais de cost drivers estratégicos. Riley (1987) complementou o modelo, propondo novos cost drivers estratégicos, separados em duas categorias: estruturais e de execução. Posteriormente, Shank e Govindarajan (1993) incorporam esses conceitos de Riley (1987) como um dos pilares do seu esquema da GEC. Na perspectiva dos cost drivers estruturais, as escolhas estratégicas estão relacionadas à estrutura econômica da empresa. Os cost drivers de execução, entretanto, são os determinantes da posição de custos de uma empresa que dependem de sua capacidade de executar de forma bem-sucedida.

Para Shank e Govindarajan (1997), os cost drivers estruturais não são diretamente relacionados ao desempenho, pois nem sempre mais significa melhor. Uma linha de produtos complexa não é necessariamente melhor do que uma menos complexa. Já para os cost drivers de execução, mais sempre significa melhor.

Costa e Rocha (2014), em levantamento dos principais cost drivers estratégicos, identificaram sua influência nas empresas produtoras do setor de eletroeletrônicos no Brasil, utilizando exclusivamente informações públicas. Verificaram que os cost drivers podem ser de cunho mais qualitativo do que quantitativo. Isto é, as informações indicam a existência de um fator determinante de custo, mas que nem sempre é suficiente para explicar o que causa o custo. Igualmente, eles destacam que grande parte dos trabalhos que analisam cost drivers utiliza a abordagem de Shank e Govindarajan (1993) da GEC. No entanto, não há consenso nesses estudos, e a lista poderia se estender quase infinitamente, dada a quantidade de fatores que podem ter influência sobre os custos.

Estudos posteriores analisaram conjuntos de cost drivers que nem sempre remetem à classificação proposta por Riley (1987), mas consideram aspectos semelhantes. Foster e Gupta (1990), além da estrutura e execução, consideram o volume, a complexidade e a eficiência, em 37 indústrias do setor eletrônico dos Estados Unidos. Eles verificaram que estes fatores impactam no nível de overheads destas organizações, mas não puderam capturar todas as variáveis que determinam os custos. Os resultados sugerem uma alta correlação entre os custos indiretos e o volume de produção, e uma baixa correlação quando se considera eficiência e complexidade.

Banker e Johnston (1993) verificaram que o volume e complexidade das operações são cost drivers representativos para o setor das companhias aéreas norte-americanas. Datar, Kekre, Mukhopadhyay & Srinivasan (1993) analisaram os cost drivers associados aos custos indiretos na indústria de lâmpadas de automóveis. Para isto, utilizaram equações estruturais que estimam o relacionamento entre variáveis que medem o volume de produção e a complexidade. As variáveis envolvendo complexidade foram as mais significativas para o custo.

Banker, Potter e Schroeder (1995) analisaram o impacto do volume nos custos indiretos de empresas do ramo eletrônico dos EUA. Encontrou-se uma relação forte e positiva entre custo e volume, porém, constataram que a maior parte da variação nos custos indiretos pode ser explicada por operações de fabricação, e não necessariamente pelo volume. Leitch (2001) verificou que o escopo, a capacidade e o prazo de entrega são determinantes que devem ser geridos na gestão de custos. Horngren, Bhimani, Datar e Foster (2002) verificaram que as variáveis do nível de atividade ou volume afetam os custos ao longo de um período de tempo.

Alcouffe et al. (2010) desenvolveram um framework para os cost drivers ambientais no ramo da engenharia civil. Utilizaram a literatura existente de cost drivers, assim como a literatura na área ambiental, para definir o conjunto de variáveis. Concluíram que os cost drivers da tecnologia e da complexidade afetam fortemente a posição de custos das empresas pesquisadas. Também analisando o cost driver da tecnologia, Diehl, Miotto e Souza (2010) verificaram a sua influência direta no setor aéreo brasileiro, no período de 1997 a 2005.

Apesar das diferentes abordagens sobre cost drivers, as publicações nesta área não parecem seguir uma linha definida. Portanto determina-se, para o escopo deste trabalho, o agrupamento da GEC na abordagem de Riley (1987). Desta forma são abordados apenas os cost drivers pertencentes a este framework, subdivididos em estruturais e de execução.

Este estudo compreende os centros de saúde de Florianópolis, Estado de Santa Catarina, no Brasil. Atualmente, a Secretaria Municipal de Saúde –SMS– de Florianópolis administra 49 unidades de saúde, que atendem a população do município com recursos do Sistema Único de Saúde. Os centros de saúde administrados pela SMS de Florianópolis estão inseridos na estratégia do Programa de Saúde da Família –PSF–. Este programa é operado pelas Equipes de Saúde da Família, responsáveis, cada uma, por cuidar cerca de 4 mil habitantes de sua região. Cada centro de saúde é instalado nos bairros considerando o tamanho da população.

No contexto da estratégia do PSF, a SMS de Florianópolis é responsável por administrar os centros de saúde, a partir da Diretoria de Atenção à Saúde, segregada em três subdivisões: (i) gerência de atenção primária, (ii) gerência de atenção especializada, e (iii) gerência de integração assistencial.

A gerência de atenção primária é responsável pelas unidades básicas de saúde, onde estão inseridos os centros de saúde. Dentro da lógica da estratégia do PSF, os centros de saúde servem como “porta de entrada” para os pacientes. Estes são avaliados conforme necessidade, podendo ser tratados nos próprios centros de saúde ou encaminhados para a atenção especializada. A gerência de atenção especializada é a responsável pelas Policlínicas, Centros de Especialidade Odontológica, Unidades de Pronto Atendimento e Serviço de Atendimento Móvel de Urgência. Por fim, a gerência de integração assistencial é responsável pelo Centro de Atenção Psicossocial, Núcleo de Apoio à Saúde da Família e pela Farmácia Escola.

A amostra da pesquisa compreende os 49 centros de saúde e a pesquisa utiliza dados referentes ao ano de 2016. Os relatórios do ano de 2017 ainda não haviam sido disponibilizados até a data da coleta dos dados desta pesquisa.

Foram identificadas as variáveis representativas de cada cost driver da abordagem de Riley (1987) e adaptadas ao contexto de saúde. Para cada variável identificou-se a forma pela qual poderia ser mensurada. Dois especialistas, atuantes na SMS de Florianópolis e envolvidos na administração dos centros de saúde, analisaram as variáveis e a forma de mensuração, e fizeram a validação, resultando nos dados constantes na tabela 2.

TABLA 2 TABLA 2 Cost drivers, variáveis e forma de mensuração para os centros de saúde da pesquisa

N°	Cost driver	Variáveis no contexto dos centros de saúde de Florianópolis	Forma de mensuração com dados de cada centro de saúde
1	Escala	Número de funcionários	Número de funcionários
2		Tamanho da estrutura física	Área das instalações (em m2)
3		Investimento em estrutura	Investimento em estrutura (em R$)
4		Número de equipes de saúde da família	Número de equipes de saúde da família
5		Investimento em insumos e medicamentos	Gastos com insumos e medicamentos (em R$)
6		Número de atendimentos	Número de atendimentos realizados
7	Escopo	Número de especialidades atendidas	Número de diferentes especialidades atendidas
8	Experiência	Resolutividade de pacientes	Nível de resolutividade dos casos (em %)
9		Tempo médio de atendimento	Total de horas de consultas / número de pacientes atendidos
10		Médicos com residência em saúde da família	Percentual dos médicos com residência em saúde da família
11	Tecnologia	Idade média das instalações	Tempo desde a última reforma e/ou inauguração da unidade (em anos)
12	Comprometimento da força de trabalho	Número médio de dias trabalhados por funcionário	Número médio de dias trabalhados por funcionário
13	Gestão da qualidade total	Índice “hiperutilizadores”	Utilizadores com mais de 7 consultas em um mês (em %)
14		Número de reclamações na ouvidoria	Número de reclamações na ouvidoria
15	Utilização da capacidade	Faltas em consultas	% de faltas em consultas
16		Número de atendimentos por m²	Número total de consultas/m² das instalações
17		Percentual dos custos fixos	% de custos fixos em relação ao custo total
18	Eficiência do layout das instalações	Índice da população atendida	Número de atendimentos a diferentes pacientes/população da área de abrangência
19		Distância média do centro de saúde para área de abrangência	Distância média das residências para o centro de saúde (área em km²)
20	Configuração do produto	Nota no PMAQ (Programa Nacional de Melhoria do Acesso e da Qualidade da Atenção Básica)	Avaliação para cada unidade (1=mediano ou abaixo da média; 3=acima da média; e 5=muito acima da média)

Fonte: elaborado pelos autores.

A validação com os especialistas levou à eliminação de algumas variáveis e inclusão de outras, devido às características das operações nos centros de saúde. Desta forma, não puderam ser medidos os cost drivers “Complexidade” e “Exploração das Ligações na Cadeia de Valor”. As variáveis incluídas no modelo foram “Médicos com Residência em Saúde da Família” e “Nota no PMAQ”. Segundo os especialistas, os médicos que realizaram residência na área de saúde da família possuem melhor capacidade técnica para atuar na atenção básica e, portanto, se enquadram no cost driver “Experiência”. Já, a “Nota no PMAQ” se enquadra no cost driver “Configuração do Produto”, pois é um programa que avalia a atuação das equipes de saúde e oferece uma avaliação da prestação do serviço ao paciente.

Os custos dos 49 centros de saúde pesquisados correspondem aos custos diretos de cada centro, e foram obtidos a partir de informações disponibilizadas pela SMS. A coleta dos dados foi feita com análise documental dos centros de saúde. Os dados foram coletados a partir de relatórios fornecidos pela gerência de planejamento da SMS, sendo a maioria dados públicos.

A partir dos dados coletados conforme as variáveis explicitadas na tabela 2, elaborou-se a Análise Fatorial (AF), para agrupar as variáveis e melhor identificar suas relações. A Análise Fatorial é uma técnica estatística que busca, pela avaliação de um conjunto de variáveis, identificar as dimensões de variabilidade comuns existentes em um conjunto de fenômenos. A AF é utilizada com o intuito de desvendar estruturas existentes (os fatores), mas que não são observáveis diretamente (Bezerra, 2014).

A partir dos fatores, ou dimensões, resultados da análise fatorial são geradas novas variáveis no modelo. Com esta etapa se espera eliminar a multicolinearidade dos dados, para que seja possível realizar o próximo passo da análise. A segunda etapa da análise consistiu em relacionar os fatores gerados pela Análise Fatorial e confronta-os com os custos diretos dos centros de saúde do município de Florianópolis. Isto permite verificar sua associação, a partir da regressão linear múltipla, e observar como os cost drivers influenciam nos custos dos centros de saúde.

Para verificar a adequação da amostra foi realizado teste de Kaiser-Meyer-Olklin (KMO), em que os valores variam entre 0 e 1, bem como a estatística Bartlett Test of Spherecity (BTS), que deve ser estatisticamente significante (p < 0,05), conforme tabela 3.

TABLA 3 TABLA 3 Teste de KMO e Bartlett

Medida Kaiser-Meyer-Olkin (KMO) de adequação de amostragem		0,663
Teste de esfericidade de Bartlett	Aprox. Qui-Quadrado	307,270
	Gl	91
	Sig.	0,000

Fonte: dados da pesquisa.

O índice de KMO, acima do índice crítico de 0,5, indica que o resultado é satisfatório para utilizar a AF. O nível de significância no teste de Bartlett também ficou dentro do recomendado – menor que 0,05. As variáveis “% de Faltas em Consultas”, “Número de Especialidades Atendidas”, “Tempo Médio de Atendimento”, “Número de Atendimentos por m²”, “Distância Média do Centro de Saúde para Área de Abrangência” e “Idade Média das Instalações” foram excluídas por não apresentarem valores dentro dos intervalos desejados para a AF, o que resultou em um modelo com um total de 14 variáveis.

Na sequência se verificou o total de variância que o modelo atual consegue explicar. A tabela 4 mostra os resultados desta análise.

TABLA 4 TABLA 4 Variância total explicada

Autovalores iniciais
Componente	Total	% de variância	% cumulativa
1	5,029	35,920	35,920
2	2,616	18,688	54,608
3	1,424	10,174	64,783
4	1,134	8,100	72,883
5	1,086	7,760	80,642
6	0,802	5,728	86,370
7	0,677	4,839	91,209
8	0,348	2,488	93,697
9	0,310	2,214	95,911
10	0,257	1,839	97,750
11	0,187	1,333	99,084
12	0,072	0,517	99,601
13	0,033	0,233	99,834
14	0,023	0,166	100,000
Método de extração: análise dos componentes principais

Fonte: dados da pesquisa (2018)

A análise gerou cinco fatores, utilizando-se o critério do eigenvalue maior que 1. Os cinco fatores, em conjunto, atualmente explicam 80,64% da variância total das variáveis analisadas. Analisou-se as cargas fatoriais (nível de relação com o fator) de cada variável em relação aos componentes extraídos, cujas informações estão na tabela 5.

TABLA 5 TABLA 5 Matriz de componente rotativa Fonte: dados da pesquisa.

Método de Extração: análise de Componente Principal. Método de Rotação: Varimax com Normalização de Kaiser. Rotação convergida em 6 iterações.

Na Tabela 5 observa-se a distribuição das variáveis para os referidos componentes (fatores), que é determinado de acordo com as cargas fatoriais de cada variável. Nenhuma das variáveis apresentou carga fatorial acima de 0,4 para mais de um componente, estando, portanto, dentro dos parâmetros adequados para a AF. São relacionadas as variáveis aos fatores a partir da maior carga fatorial apresentada em cada componente. Os valores máximos dessas cargas fatoriais estão destacados em negrito, para facilitar a visualização.

Os resultados da análise fatorial indicaram que as variáveis observadas podem ser explicadas por cinco fatores, dispostos no Tabela 6.

TABLA 6 TABLA 6 Representação da composição dos fatores

Fator 1	Fator 2	Fator 3	Fator 4	Fator 5
Número de funcionários	Resolutividade de pacientes	Investimento em estrutura	Índice “hiperutilizadores”	Índice da população atendida
Tamanho da estrutura física
Número de equipes de saúde da família	Médicos com residência em saúde da família
Investimento em insumos e medicamentos		Nota no PMAQ	Número de reclamações na ouvidoria
Número de atendimentos	Percentual dos custos fixos
Número de dias trabalhados por funcionário

Fonte: dados da pesquisa (2018)

O Fator 1 agrupa a maior quantidade de variáveis (6), e representa aproximadamente 36,0% da variância total do modelo. A maior parte das variáveis que compõem o Fator 1 pertencem ao cost driver estrutural “Escala”. A única variável que compõe o Fator 1 e não pertence a “Escala” é o “Número de Dias Trabalhados por Funcionário”. No contexto desta pesquisa, essa variável foi utilizada para medir o “Comprometimento da Força de Trabalho”, entendido como cost driver de execução. Não se pode afirmar que os cost drivers “Escala” e “Comprometimento da Força de Trabalho” estão relacionados. No entanto, pode-se sugerir que, nos centros de saúde, a medida “Número de Dias Trabalhados por Funcionário” esteja mais ligada aos aspectos estruturais de “Escala” do que aos demais. Igualmente, esta variável pode ser um indicativo de dimensão de um centro de saúde em Florianópolis.

O Fator 2 reuniu três variáveis, representando 18,7% do total da variância do modelo. Duas variáveis representam o cost driver “Experiência”: “Resolutividade de Pacientes” e “Médicos com Residência em Saúde da Família”. A terceira variável mede o cost driver “Utilização da Capacidade”: “Percentual dos Custos Fixos”. No contexto desta pesquisa, os resultados mostram que os aspectos ligados à capacitação da mão de obra estão fortemente associados.

Ainda observando os resultados do Fator 2, deve-se ponderar que as outras variáveis do cost driver “Utilização da Capacidade” foram eliminadas da AF. Desta forma, os resultados da pesquisa sugerem que os cost drivers “Experiência” e “Utilização da Capacidade” estão relacionados no contexto estudado. Uma possível explicação é que os funcionários que têm mais experiência e conhecem melhor os processos dos centros de saúde, também são capazes de melhor utilizar os recursos e instalações disponíveis nessas unidades. No entanto, é preciso ter cautela nessas afirmações, já que as demais variáveis que medem o cost driver “Utilização da Capacidade” foram excluídas da análise. Portanto, não é possível afirmar se, de fato, o “Percentual de Custos Fixos” é um bom indicador para este cost driver.

Em relação ao Fator 3, este representa 10,2% da variância do modelo e possui duas variáveis: “Investimento em Estrutura” e “Nota no PMAQ”. Dos resultados deste fator, destaca-se o fato do “Investimento em Estrutura” não estar relacionado com o Fator 1, em que predominam variáveis do cost driver “Escala”, e sim com o Fator 3. Como os centros de saúde pesquisados são de responsabilidade pública do município, as decisões em torno da construção e/ou ampliação de uma unidade são influenciadas por decisões políticas. Os montantes de investimento nestas unidades podem depender de diferentes políticas orçamentárias para o período no qual foram construídas. Neste sentido, não é possível afirmar que um centro de saúde com maior dimensão terá investimento maior, e vice-versa. Apenas se menciona que este indicador está relacionado com outros aspectos, não investigados neste estudo.

O Fator 4 resultou do agrupamento de duas variáveis, ambas do cost driver “Gestão da Qualidade Total”, e representa 8,1% do total da variância do modelo. Os resultados da AF para o fator indicam que as duas variáveis estão fortemente relacionadas entre si, e que, no contexto deste estudo, representam a “Gestão da Qualidade Total” para os centros de saúde de Florianópolis. O Fator 5 evidenciado na AF é composto por apenas uma variável, o “Indice da População Atendida”, que representa o cost driver “Eficiência do Layout das Instalações”. Os resultados, porém, apontaram poucas evidências para afirmar que um dos fatores é determinado por este cost driver.

A partir dos fatores criados pela AF, se estabelece a relação entre os cost drivers e os custos dos centros de saúde. O resumo do modelo é exposto na Tabela 7.

TABLA 7 TABLA 7 Resumo do modelo

R	R2	R2 ajustado	Erro padrão da estimativa
0,982e	0,965	0,958	248.561,53

Fonte: dados da pesquisa.

Pelo resultado de R se observa que as variáveis do modelo explicam em aproximadamente 95% o comportamento da variável dependente Custo. Verificando a significância do modelo, o teste ANOVA apresenta resultados que explicam a maior parte da variável dependente. A Tabela 8 mostra os resultados do teste.

TABLA 8 TABLA 8 Teste ANOVA

	Soma dos quadrados	df	Quadrado médio	F	Sig.
Regressão	4,229E+13	5	8,458E+12	136,9	0,00
Resíduo	1,545E+12	35	6,178E+10	-	-
Total	4,384E+13	40	-	-	-

Fonte: dados da pesquisa.

Os resultados indicam que o modelo é significativo, pois o valor de Sig. (0,00) é inferior ao nível de significância de 5%, o que indica que pelo menos uma das variáveis independentes exerce influência sobre o custo. Desta forma, rejeita-se a hipótese nula de que a média de Y (Custo) é melhor para explicar os valores de Y do que o próprio modelo da regressão. Após verificar que o modelo é significativo, demonstra-se os resultados dos coeficientes da regressão, dispostos na tabela 9.

TABLA 9 TABLA 9 Coeficientes da regressão com os fatores Fonte: dados da pesquisa.

A partir do VIF das variáveis, se observa que não há multicolinearidade no modelo, de acordo com os parâmetros de Gujarati (2000) e Hair, Black, Babin, Anderson e Tathan (2005). Isto se deve ao fato de ter sido realizada a AF previamente, um dos objetivos da qual é eliminar a multicolinearidade.

Em relação aos coeficientes da regressão, o fator que mais influencia os custos nos centros de saúde é o Fator 1 – relacionado predominantemente ao cost driver “Escala”. A partir dos resultados pode-se afirmar que, para o contexto dos centros de saúde de Florianópolis, aproximadamente 97% das variações do Fator 1 explicam as variações no custo destas unidades, com uma confiança maior que 99%. Esse resultado está alinhado aos achados de Foster e Gupta (1990), Banker e Johnston (1993), Banker et al. (1995) e Horngren et al. (2002), que também verificaram que o cost driver “Escala” – observado pela variável “Volume” – é o que melhor determina o custo das organizações pesquisadas. Isso indica que centros de saúde com maior área de planta, maior número de equipes de saúde e funcionários, que gastam mais insumos e que atendem mais pacientes, de fato apresentam maior custo, sendo que essa relação é explicada em 97%.

O Fator 2 – representado predominantemente pelas variáveis do cost driver “Experiência” – apresentou um coeficiente padronizado de Beta de 0,12, o que indica uma relação fraca e positiva, com um nível de significância de 0,5%, enquanto se esperava o oposto. De acordo com Porter (1985), Pindyck e Rubinfeld (2005) e Souza e Rocha (2009), os custos deveriam diminuir à medida em que uma organização melhora seus processos em razão da maior experiência adquirida. No caso dos centros de saúde de Florianópolis ocorreu o oposto, pois enquanto os números referentes às variáveis de “Experiência” sobem, o custo também sobe, ainda que de forma fraca. No período pesquisado, aproximadamente dois terços dos custos dos centros de saúde foram relativos à remuneração de funcionários, sugerindo que essa relação positiva entre experiência e custo pode ser decorrente do fato de que médicos mais qualificados e com especialização terem remuneração mais alta do que médicos com menor qualificação. Entretanto, isso não se reflete em termos de eficiência nas unidades de saúde, no caso pesquisado. No entanto, em uma instituição de saúde a qualificação dos profissionais pode representar maior custo, mas do ponto de vista do paciente, pode melhorar o atendimento e salvar maior número de vidas.

Os Fatores 3 e 4, representados predominantemente, pelos cost drivers “Configuração do Produto” e “Gestão da Qualidade Total”, apresentaram níveis de significância maiores do que o aceitável. Portanto, sua análise não pôde ser realizada com confiabilidade pois as variações podem ter ocorrido ao acaso, de acordo com os valores de Sig.

O Fator 5 também apresentou valor de Sig. maior do que 0,05, porém, se considerar o modelo com nível de significância de 10%, pode-se inferir que este fator, composto pelo cost driver “Eficiência do Layout das Instalações”, possui correlação fraca e negativa com o custo. Portanto, ainda que de forma sutil, esse indicador está alinhado com o que se espera, na visão de Chiavenato (2006), Paranhos (2007) e Martins e Laugeni (2010), onde melhor aproveitamento do layout da organização resulta em redução dos custos. Como os valores dos coeficientes foram fracos, bem como do nível de significância para este fator, tais constatações precisam de análise mais cautelosa.

Desta forma, os resultados da regressão para os dados dos centros de saúde e período pesquisados sugerem que: (i) o cost driver estrutural “Escala” impacta positivamente e de maneira forte os custos dos centros de saúde; (ii) o cost driver estrutural “Experiência” impacta positivamente e de maneira fraca os custos dos centros de saúde; e (iii) o cost driver de execução “Eficiência do Layout das Instalações” impacta negativamente e de maneira fraca os custos dos centros de saúde.

Os demais cost drivers que foram abordados nesta pesquisa não obtiveram evidências suficientes para explicar os custos dos centros de saúde pesquisados, com as ferramentas estatísticas empregadas. A fim de sintetizar os resultados encontrados e fornecer um panorama geral em relação aos cost drivers estratégicos e seu impacto no custo dos centros de saúde de Florianópolis, a Tabela 10 apresenta o resumo dos resultados das análises.

TABLA 10 TABLA 10 Síntese dos resultados da pesquisa

Fator	Cost driver relacionado	Influência no custo
		Direção	Intensidade
Fator 1	Escala	Positiva	Forte
	Envolvimento da força de trabalho
Fator 2	Experiência	Positiva	Fraca
	Utilização da capacidade
Fator 3	Escala	Não significativa
	Configuração do produto
Fator 4	Gestão da qualidade total	Não significativa
Fator 5	Eficiência do layout das instalações	Negativa	Fraca

Fonte: dados da pesquisa.

A relação dos cost drivers com o custo foi estabelecida a partir do agrupamento em fatores. Os resultados mostram que do total de cinco fatores, dois não obtiveram significância estatística suficiente para estabelecer sua relação com o custo. Dos demais, o Fator 1 foi o que mais impactou nos custos dos centros de saúde de Florianópolis, com sua relação positiva e forte. Desta forma, o cost driver “Escala” se mostrou o mais influente, assim como nos resultados dos estudos de Foster e Gupta (1990), Banker e Johnston (1993), Banker et al. (1995) e Horngren et al. (2002).

Os resultados permitem inferir que o custo é mais sensível, no contexto desta pesquisa, a aspectos estruturais como o tamanho do centro de saúde ou o número de funcionários, e que envolvem decisões tomadas a partir da demanda de cada região. Portanto, se uma unidade possui apenas uma equipe de saúde da família e precisa, por exemplo, aumentar para duas equipes, seu impacto no custo será sentido rapidamente. A remuneração aumentará já no mês seguinte, pois remuneração representa o maior custo das unidades.

Em contrapartida, o impacto da “Experiência” e da “Eficiência do Layout das Instalações” (Fatores 2 e 5) nos custos é sentido de maneira menos imediata. Os resultados indicam que esses cost drivers afetam de maneira mais lenta e em menor proporção os custos, pois envolvem aspectos que ocorrem de maneira gradual e no longo prazo.