实际腐败率= 腐败官员数量/ 官员总量
腐败暴露率= 被起诉官员数量/ 官员总量
腐败暴露率/ 实际腐败率= 被起诉腐败官员的比率
腐败暴露率/ 实际腐败率≈起诉概率
因此，如果腐败暴露率是实际腐败率的1/4 ，而且每4 名腐败官员中有1 名被逮捕，那么1 名腐败官员被逮捕的概率就是1/4 。同样，如果每10 名官员中有1 名是腐败的，但每50 名中只有1 名遭到起诉，那么起诉概率就是20% 。如果每10 名官员中有1 名是腐败的，但每50 名中只有1 名遭到起诉，那么起诉率就是4% 。
我们可以根据腐败风险，重新评估腐败暴露率与实际腐败率之间的差距，所以我们暂时不讨论总体腐败程度的指标，而是从腐败个案着手，并具体分析腐败官员从开始腐败到最后被逮捕之间的时间跨度。为此，我们必须把腐败视为一个重复博弈的过程，在这个过程中，一旦官员开始采取腐败行为，那么他们就会面临一系列被逮捕的风险，每一个腐败行为都是一次博弈，要么逃避被逮捕、惩罚，要么被逮捕。每一次博弈都存在导致腐败官员逮捕的很多不确定性因素。这种情况的主要原因是腐败暴露率与实际腐败率之间存在差别，而这一差别具体是多少，我们还无法准确确定。但如果分析一下官员初次从事腐败行为到最终被逮捕之间的时间跨度的变化，就可以对腐败风险的变化做出一些推测。
这个分析之所以具有一定程度的可行性，是因为它符合我们能够观察出的一个简单现象，即如果腐败官员被逮捕的概率偏高，那么腐败官员很有可能在初次从事腐败行为之后的几次博弈中就落网了，而且随着博弈越来越多，被逮捕的腐败官员人数也会随之增多。比如，如果每一次博弈中被逮捕的概率是50% 左右，根据简单的概率模型可以得知，在前两轮博弈过程中，腐败官员被逮捕的概率接近于75% ，而在6 轮博弈中被逮捕的概率则接近于98% 。如果每一次博弈中被逮捕的概率是10% ，那么经过6 轮博弈，腐败官员逃避侦查的概率则超过了53% ，经过10 轮博弈之后，逃避侦查的概率仍然高达38.7% 。我们从另外一个不同的角度分析一下，假如把100 名腐败官员的数据组成数据库进行分析，而每次腐败过程中，即每次博弈中被逮捕的概率是10% ，那么每名腐败官员采取6 次腐败行为之后，总共有47 人被逮捕，而如果每次博弈中被逮捕的概率是50% ，那么每名腐败官员采取6 次腐败行为之后，将总共有99 人被逮捕。
