Countdown to 2015 country case studies: what can analysis of national health financing contribute to understanding MDG 4 and 5 progress?
Notice bibliographique
Résumé
Countdown to 2015 (Countdown) supported countries to produce case studies that examine how and why progress was made toward the Millennium Development Goals (MDGs) 4 and 5. Analysing how health-financing data explains improvements in RMNCH outcomes was one of the components to the case studies. This paper presents a descriptive analysis on health financing from six Countdown case studies (Afghanistan, Ethiopia, Malawi, Pakistan, Peru, and Tanzania), supplemented by additional data from global databases and country reports on macroeconomic, health financing, demographic, and RMNCH outcome data as needed. It also examines the effect of other contextual factors presented in the case studies to help interpret health-financing data. Dramatic increases in health funding occurred since 2000, where the MDG agenda encouraged countries and donors to invest more resources on health. Most low-income countries relied on external support to increase health spending, with an average 20–64 % of total health spending from 2000 onwards. Middle-income countries relied more on government and household spending. RMNCH funding also increased since 2000, with an average increase of 119 % (2005–2010) for RMNH expenditures (2005–2010) and 165 % for CH expenditures (2005–2011). Progress was made, especially achieving MDG 4, even with low per capita spending; ranging from US$16 to US$44 per child under 5 years among low-income countries. Improvements in distal factors were noted during the time frame of the analysis, including rapid economic growth in Ethiopia, Peru, and Tanzania and improvements in female literacy as documented in Malawi, which are also likely to have contributed to MDG progress and achievements. Increases in health and RMNCH funding accompanied improvements in outcomes, though low-income countries are still very reliant on external financing, and out-of-pocket comprising a growing share of funds in middle-income settings. Enhancements in tracking RMNCH expenditures across countries are still needed to better understand whether domestic and global health financing initiatives lead to improved outcomes as RMNCH continues to be a priority under the Sustainable Development Goals.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,034 | 0,087 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,002 |
| Bibliométrie | 0,005 | 0,009 |
| Études des sciences et des technologies | 0,002 | 0,002 |
| Communication savante | 0,005 | 0,008 |
| Science ouverte | 0,002 | 0,005 |
| Intégrité de la recherche | 0,002 | 0,002 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,008 | 0,001 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».