Evaluating the Financial Factors Influencing Maternal, Newborn, and Child Health in Africa: Tobit Regression and Data Envelopment Analysis
Notice bibliographique
Résumé
Background: Despite international efforts, maternal, newborn, and child health (MNCH) outcomes in Africa continue to lag due to inefficient health systems and underperforming financial frameworks. Financial factors-such as total health expenditure, health coverage indices, and spending per capita-are key but understudied drivers of MNCH service efficiency. Objective: This study investigates the extent to which financial inputs influence the technical efficiency of MNCH service delivery across 46 African countries. The aim is to generate evidence for health financing policies that can enhance both efficiency and health equity. Methods: We adopted a 2-stage analytical framework. First, data envelopment analysis using a variable returns-to-scale, input-oriented model was applied to measure technical efficiency. Second, Tobit regression identified the financial determinants of inefficiency. Explanatory variables included current health expenditures, a health coverage index, and current health expenditures per capita. Results: Only 12 of 46 countries (26%) achieved full technical efficiency (efficiency score=1), while the rest (n=34, 74%) were inefficient, with a mean score of 0.849. Efficiency was notably lower in low-income countries (mean 0.810) compared to upper-middle-income countries (mean 0.940). Tobit regression showed that increased current health expenditure significantly reduced inefficiency (β=-.0811; P=.001). Conversely, a higher health coverage index unexpectedly increased inefficiency (β=.0155; P=.001), suggesting that expanded coverage without improved governance or resource capacity may strain systems. Health expenditure per capita was not statistically significant. Model 2 demonstrated stronger explanatory power (pseudo R²=0.8943). Conclusions: Financial factors, particularly total health expenditure, play a decisive role in shaping MNCH efficiency across African nations. However, expanding health coverage without parallel improvements in system governance may exacerbate inefficiencies. To enhance MNCH outcomes, policy efforts must focus on increasing and strategically allocating financial resources while strengthening institutional accountability and performance.
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 | 0,016 | 0,047 |
| Méta-épidémiologie (sens strict) | 0,002 | 0,001 |
| Méta-épidémiologie (sens large) | 0,002 | 0,003 |
| Bibliométrie | 0,004 | 0,008 |
| Études des sciences et des technologies | 0,000 | 0,001 |
| Communication savante | 0,002 | 0,002 |
| Science ouverte | 0,001 | 0,002 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,002 | 0,000 |
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 ».