医疗领域非正式支付的有效政策干预：基于样本选择偏差与测量误差的校正研究

为解决医疗领域非正式支付（informal payments）调查中样本选择偏差（sample selection bias）和测量误差（measurement error）导致的政策误判问题，研究人员基于34国“生活转型调查”（LiTS）数据，采用校正后的Probit模型分析发现，实际非正式支付发生率（18%）显著高于自报数据，20%受访者存在隐瞒行为。该研究为制定精准医疗反腐政策提供了方法论支持。

　　

医疗系统中的非正式支付（informal payments）如同潜藏的暗流，长期侵蚀着医疗公平。从东欧到南亚，患者为获取必要服务被迫向医生塞红包、送礼物，这种现象在转型经济体尤为严重——35%-60%的患者承认参与过此类交易。然而，传统调查数据可能严重低估了问题规模：当被问及敏感话题时，受访者因社会期望偏差（social desirability bias）倾向于隐瞒真实行为；而抽样框的局限性又导致脆弱人群代表性不足。这些数据缺陷如同雾里看花，使政策制定者难以瞄准问题的真正靶心。

来自意大利罗马智慧大学（Sapienza University of Rome）的Maria Felice Arezzo团队在《Health Policy》发表的研究，首次系统量化了这些偏差对政策制定的影响。研究者挖掘2015-2016年覆盖34国的“生活转型调查”（LiTS）数据，创新性地构建双校正Probit模型——同时控制样本选择偏差与测量误差，揭开了非正式支付的“隐形斗篷”。

关键技术方法包括：1）利用LiTS三期跨国队列（含29个转型经济体及5个西欧国家，N≈1,500/国）获取医疗支付行为数据；2）构建含参数(θ,β,α₀,α₁,ρ)的扩展Probit模型，通过两步法校正自选择与误报偏差；3）采用最大似然估计量化真实发生率与报告差异。

【背景】
研究指出非正式支付在公立医疗系统普遍存在，其隐蔽性导致传统调查可能低估实际发生率。东欧后社会主义国家尤为突出，但高收入国家同样存在该现象。

【数据来源】
基于LiTS三期调查的跨国数据，涵盖德国、意大利等西欧国家作为对照组，通过标准化问卷采集医疗支付行为，但实际样本量因国别存在差异（如塔吉克斯坦仅完成823份）。

【结果与讨论】
• 校正模型揭示惊人差距：全球18%患者实际存在非正式支付，但20%的支付者谎报行为。
• 政策靶点重塑：收入弹性、医疗资源短缺等传统驱动因素需重新评估，因原始数据低估其影响强度30%-40%。
• 国别异质性：阿尔巴尼亚等国的实际发生率是报告值的2.1倍，而捷克共和国差异较小（1.3倍）。

【结论】
该研究突破性地证明：忽视调查偏差会导致政策资源错配。当仅依赖原始数据时，反支付政策可能偏离最高发的地区和人群。研究者建议将偏差校正纳入医疗腐败监测体系，并开发动态问卷技术（如随机响应法）提升数据质量。这项方法论创新为全球医疗治理提供了“误差地图”——只有先看清数据的盲区，才能精准打击灰色支付的命门。