, , 2. 上海对外经贸大学 上海 201620
, , 2. Shanghai University of International Business and Economics, Shanghai 201620, China
文献研究发现，关于在线医疗社区的实证研究主要是基于好大夫网站或挂号网的横截面数据研究，缺少动态分析。刘笑笑利用好大夫的横截面数据研究了医生的在线信誉、努力、服务价格和咨询量的影响关系。[1]韩晓翠研究了医生线下身份、线上获得的名誉回报和经济回报对医生在线贡献水平的影响，探索了医生动机以及激励因素对医生参与行为的影响。[2] Hong Wu等利用挂号网患者经验分享等数据分析了医生在线声誉对患者经验分享量的影响，并探究了同科室同事在其中的影响。[3]同时，在线医疗的研究多关注购买量或咨询量层面，较少有学者研究医生的顾客获取能力。现实中，医患关系不同于电子商务中一次消费的交易关系，患者可能需要多次复诊、手术等，或对医生进行长期的健康信息咨询，医患关系中用户粘性更强。因此，医生顾客获取能力的研究作为一个新的视角，具有现实意义。本文旨在分析医生在线努力程度、物质评价与非物质评价所代表的在线声誉指标对医生获取免费和付费咨询新患者数的影响，以及医生与同科室同事的影响关系。
1 文献综述 1.1 在线医疗社区20世纪90年代国外学者开始对在线医疗进行研究，目前国内外的相关研究已经经过3个阶段。第一阶段是在线健康信息的研究，对信息的搜索行为和评价进行研究。第二阶段是过渡期，为用户行为与内容分析。第三阶段研究主要集中于在线医疗社区，基于内容与情感分析的用户感知研究，在线医疗社交媒体属性及其用户知识交换效果、在线信誉反馈等研究。
Cline等根据在线医疗的用户和网站特征，分析用户网上搜寻信息的潜在好处以及面临的问题，研究在线健康信息的评估。[4] Fox通过问卷调查发现在线健康信息与社交媒体存在很强的联系，许多用户尤其是慢性病患者关注在线健康信息，并愿意将个人健康信息分享到社交媒体上。[5] Josang A提出在线声誉系统有助于患者决策。[6]刘笑笑探究了在线医疗社区中医生努力和信誉的影响，以及定价中服务价格的作用。[1]
1.2 努力Locke等指出，员工努力被定义为员工付出的时间和精力，努力受动机的影响，是可观察指标，是衡量员工行为的三个维度之一。[7] Borucki等发现，在服务行业背景下，员工的努力是一个重要行为，顾客的看法和购买行为受到与员工互动的影响。[8] Susskind等认为企业需要鼓励员工，发挥员工的努力，从而促进顾客的满意度以及购买行为。[9]刘笑笑发现医生在线社区中每一个功能上投入的精力对其咨询量有显著的正向影响，医生的努力宽度即在线功能开通数量，对医生咨询量的影响不显著。[1]
1.3 在线信誉相比于线下交易，由于时间与空间的阻隔，在线交易中信息不对称问题凸显，存在的囚徒困境与逆向选择问题较为严重。信誉反馈机制具有信号作用，为消费者决策提供参考，减轻消费者的逆向选择与感知风险。较早的研究探索了电子商务、在线拍卖市场等环境下的在线信誉，提出了用户生成内容和在线信誉反馈的有用性。[10-11]Ye等通过分析淘宝数据认为卖家信誉对商品销售量有正向影响。[12]李维安等提出卖家声誉对销售量的正面影响是非线性的。[13]同时，卖家所属商盟的集体声誉对销售量具有显著影响。
Josang A提出在线声誉系统有助于患者选择医生时的决策，同时监督、提高医生服务质量。[6] Gordon等提出在线医疗社区评价结果可以帮助患者了解医生的服务质量，减小医患之间的信息不对称。[14] Hong Wu等发现医生声誉对患者治疗经验的分享数量有正向影响，同事声誉对分享有正向影响，同事声誉对医生声誉与患者经验分享的关系具有负向调节作用。[3]
2 研究设计 2.1 研究模型及假设本文从在线努力和在线声誉两个方面出发，提出医生获取新患者数的影响因素研究模型(图 1)。
|
图 1 研究理论模型 |
以往研究表明，努力对绩效存在积极的影响作用。医生在线文本咨询回复字数越多，回复越及时，代表其在线努力程度越高，会对医生获取新增患者数量产生影响。由于品牌延伸理论，以及Hong Wu等提出医生与同事之间不仅存在竞争关系，也有着合作促进关系[3]，因此，医生在线努力程度对免费咨询和付费咨询新患者数可能有正向促进作用，同事的努力程度对因变量也有正向促进作用。同时，同事的在线努力负向调节医生努力与因变量之间的关系。基于此，提出如下假设：
(1) 医生及同科室同事在线回复字数对医生获取新患者数的影响
H1a：医生在线回复字数对医生免费咨询新患者数有正向影响。
H1b：同科室同事在线回复字数对医生免费咨询新患者数有正向影响。
H1c：同科室同事在线回复字数负向调节医生在线回复字数和免费咨询新患者数的关系。
H1d：医生在线回复字数对医生付费咨询新患者数有正向影响。
H1e：同科室同事在线回复字数对医生付费咨询新患者数有正向影响。
H1f：同科室同事在线回复字数负向调节医生在线回复字数和付费咨询新患者数的关系。
(2) 医生及同科室同事在线回复时间间隔对医生获取新患者数的影响
H2a：医生在线回复时间间隔对医生免费咨询新患者数有负向影响。
H2b：同科室同事在线回复时间间隔对医生免费咨询新患者数有负向影响。
H2c：同科室同事在线回复时间间隔正向调节医生在线回复时间间隔和免费咨询新患者数的关系。
H2d：医生在线回复时间间隔对医生付费咨询新患者数有负向影响。
H2e：同科室同事在线回复时间间隔对医生付费咨询新患者数有负向影响。
H2f：同科室同事在线回复时间间隔正向调节医生在线回复时间间隔和付费咨询新患者数的关系。
2.1.2 在线声誉Ye等通过分析淘宝数据认为卖家信誉对商品销售量有正向影响。[12]在线医疗中，医生收到的感谢信以及礼物作为患者的正面评价，对其他患者的咨询决策具有参考意义。患者评价可以分为名誉评价和物质评价两大类，名誉评价为感谢信，医生收到的礼物金额代表物质评价水平。
(1) 医生及同科室同事感谢信数对医生获取新患者数的影响
H3a：医生感谢信数对医生免费咨询新患者数有正向影响。
H3b：同科室同事感谢信数对医生免费咨询新患者数有正向影响。
H3c：同科室同事感谢信数负向调节医生感谢信数和免费咨询新患者数的关系。
H3d：医生感谢信数对医生付费咨询新患者数有正向影响。
H3e：同科室同事感谢信数对医生付费咨询新患者数有正向影响。
H3f：同科室同事感谢信数负向调节医生感谢信数和付费咨询新患者数的关系。
(2) 医生及同科室同事礼物金额对医生获取新患者数的影响
H4a：医生礼物金额对医生免费咨询新患者数有正向影响。
H4b：同科室同事礼物金额对医生免费咨询新患者数有正向影响。
H4c：同科室同事礼物金额负向调节医生礼物金额和免费咨询新患者数的关系。
H4d：医生礼物金额对医生付费咨询新患者数有正向影响。
H4e：同科室同事礼物金额对医生付费咨询新患者数有正向影响。
H4f：同科室同事礼物金额负向调节医生礼物金额和付费咨询新患者数的关系。
2.2 数据来源与变量测量方法本研究通过网络数据抓取技术(爬虫)于2016年一次性抓取了好大夫在线网站上2008年2月—2016年4月上海、安徽、甘肃三个地区所有医院及医生的在线咨询相关信息，涉及三个地区419家医院、6 162个科室、26 500名医生、2 886 775名患者，涵盖咨询订单3 117 472条，订单详情14 435 390条。并通过python对数据进行清洗和整理，通过以月为单位对医生的各项指标进行统计，获得最终的面板数据。由于开通个人主页是开通在线文本或电话咨询的前提，本研究筛选出开通个人主页咨询功能的医生共10 059名，以2008年2月—2016年4月的好大夫在线数据为研究样本。此外，从中国城市统计年鉴表中摘取了三个地区各市人均GDP数据，作为衡量各城市经济发展水平与消费水平的依据。
好大夫在线拥有全国数量最多的权威医生。截至2016年底，好大夫在线收录了全国7 216家正规医院的48万名医生。好大夫在线为每位开通在线咨询服务的医生创建个人主页，患者可以通过在线文本咨询或预约电话咨询体验在线医疗服务，同时可以向医生送出感谢信或付费购买礼物赠予医生向医生表达感谢。因此，患者在线咨询选择医生前也可以通过医生的个人主页获取医生给病人的文本咨询回复情况，并通过医生获得的感谢信与礼物对医生的服务和医疗技术进行评估，以帮助决策。
2.3 变量与描述性统计本研究利用2008—2016年在线医疗数据分析医生努力、在线声誉与医生在线医疗业绩之间的关系，将医生获取新患者的能力分为免费咨询新患者数(freepat)和付费咨询新患者数(feepat)这两个因变量进行测量。本研究的自变量包括医生的努力和声誉指标：在线回复字数(word)、在线回复时间间隔(interval)、感谢信数(letter)和礼物金额(preincome)。此外，在自变量中引入同事的努力和声誉指标：同事的在线回复字数(wordcp)、同事的在线回复时间间隔(intervalcp)、同事的感谢信数(lettercp)和同事的礼物金额(preincomecp)。并引入医生与同事各项对应指标的交互项探究同科室同事努力/声誉如何调节医生努力/声誉与获取新患者数之间的关系。
同时，由于有些医生在某个月份可能没用任何文本咨询记录，因此引入医生当月有无文本咨询(ifselftext)和同科室同事当月有无文本咨询(ifdeptext)两个虚拟变量，当ifselftext=1时，代表医生该月有文本咨询记录，word和interval变量才有效。同理，当ifdeptext=1时，代表同科室同事该月有文本咨询记录，wordcp和intervalcp变量才有效。
本研究引入的控制变量包括医生所在医院等级(level_1、level_2和level_3)，医生职称(title_1、title_2和title_3)和所在城市人均GDP(pergdp)。我国将医院等级分为一、二、三3个等级，每个等级又分为甲、乙、丙3个等级。通过数据处理发现，大部分医院都属于三级甲等、三级或二级甲等。因此本研究将医院等级分为三级甲等、三级、二级甲等和其他等级4个类别，并用3个虚拟变量表示。本研究涉及的医生临床职称包括主任医师、副主任医师、主治医师和住院医师4个类别，并用3个虚拟变量表示。表 1为本研究的主要变量定义和说明。
|
表 1 变量定义及说明 |
其中，礼物金额指标为医生每月收到的礼物价格的总和。本研究爬虫得到的原始数据中，医生收到在线礼物的原始数据中包括礼物的标题、礼物的价格即患者购买礼物需要支付的金额、时间、医生ID、患者ID等信息。表 2为研究样本中各变量的描述性统计结果。
|
|
表 2 描述性统计分析结果 |
表 3为各变量之间的相关系数矩阵。统计显示各变量之间的相关系数在合理范围，仅虚拟变量医生当月有无文本咨询和同科室同事当月有无文本咨询相关系数较高，为进一步确定是否存在多重共线性问题，本研究同时检验变量方差膨胀因子。表 4为变量的方差膨胀因子VIF系数。VIF值均小于4(一般以系数低于5或10作为判断变量间不存在共线性问题的标准)，说明变量之间不存在多重共线性问题。
|
|
表 3 变量之间的相关系数矩阵 |
|
|
表 4 变量的方差膨胀因子VIF值 |
本研究涉及的因变量免费咨询新患者数、付费咨询新患者数是离散的非负整数，其残差分布呈现出非正态性，合适选择计数模型。目前，比较常见的计数模型包括泊松模型和负二项式模型。各因变量免费咨询新患者数、付费咨询新患者数的方差远远大于其均值，其方差除以均值的结果分别为119.60、13.84，数据存在过度分散，故选择面板负二项回归模型进行估计。实证模型如下：
|
(1) |
|
(2) |
其中，α0-α19、β0-β19为回归系数，ε1、ε2为残差项。
3.2 结果分析以Stata 14软件为工具，进行面板负二项回归。如表 5所示，模型1对前文实证模型中的(1)式进行回归，因变量为医生免费咨询的新患者数，模型解释了医生及同事的在线努力程度与在线声誉对医生获取免费咨询新患者数的影响。
|
|
表 5 实证模型结果 |
由表 5模型1的结果可知，各解释变量与因变量医生免费咨询新患者数的关系。大部分解释变量显著，仅有一个交互项不显著：
(1) 医生在线回复字数和同事在线回复字数对医生免费咨询新患者数有正向影响，同科室同事在线回复字数对免费咨询新患者数也有正向影响，同时同事在线回复字数负向调节医生在线回复字数与免费咨询新患者数的关系，H1a、H1b和H1c均通过验证。
(2) 医生及同事的在线回复时间间隔对免费咨询新患者数均有正向影响，同事在线回复时间间隔负向调节医生在线回复时间间隔与免费咨询新患者数的关系，H2a、H2b和H2c均不成立。
(3) 医生及同事的感谢信数对免费咨询新患者数均有正向影响，同事的感谢信数负向调节医生感谢信数与免费咨询新患者数的关系，H3a、H3b和H3c通过验证。
(4) 医生及同事的礼物金额对免费咨询新患者数均有正向影响，但同时礼物金额对医生礼物金额与免费咨询新患者数的调节作用不显著。H4a和H4b通过验证，H4c不成立。
由表 5模型2的结果可知，各解释变量与因变量医生付费咨询新患者数的关系中，大部分解释变量显著，仅有两项指标不显著：
(1) 医生在线回复字数和同事在线回复字数对医生付费咨询新患者数有着正向影响，同科室同事在线回复字数对付费咨询新患者数也有正向影响，同时同事在线回复字数负向调节医生在线回复字数与付费咨询新患者数的关系，H1d、H1e和H1f均通过验证。
(2) 医生在线回复时间间隔对付费咨询新患者数影响不显著，H2d不成立。同事在线回复时间间隔对付费咨询新患者数有正向影响，H2e不成立。同事在线回复时间间隔负向调节医生在线回复时间间隔与付费咨询新患者数的关系，H2f不成立。
(3) 医生的感谢信数对付费咨询新患者数均有正向影响，H3d通过验证。同事的感谢信数对付费咨询新患者数有负向影响，H3e不成立。同事的感谢信数负向调节医生感谢信数与付费咨询新患者数的关系，H3f均通过验证。
(4) 医生及同事的礼物金额对付费咨询新患者数均有正向影响，但同时礼物金额对医生礼物金额与付费咨询新患者数的调节作用不显著。H4d和H4e通过验证，H4f不成立。
同时，医生所在的城市人均GDP对医生获取的免费或付费新患者数有正向影响。医生职称和医院等级对医生获取的免费或付费新患者数有显著影响。
3.3 稳健性检验由于本研究涉及的互联网数据可得性无法满足变量替换的稳健性检验要求，因此本文选择不同模型，即面板泊松回归模型进行稳健性检验。表 5中模型1、2的结果为面板负二项回归结果，模型3、4的结果为面板泊松回归结果。虽然本研究被解释变量过度分散，负二项回归比泊松回归更有效率，但泊松回归依然是一致的。对于本研究，面板计数模型优于线性回归等其他模型，因此选择面板泊松回归进行稳健性检验是恰当的。无论从系数还是显著性水平来看，主要解释变量在两次回归中的结果基本一致，表明本研究结果稳健。
4 结论及展望 4.1 研究结论本研究通过好大夫2008—2016年的数据进行实证研究，探索了医生在线努力程度和声誉对患者选择医生行为的影响，并考察了同科室同事努力和声誉的半调节作用。大部分假设通过了实证结果的验证和支持，仅少数假设与实证结果不同。
(1) 在线努力中，在线回复字数越多的医生被认为努力程度越高，服务过程越认真，其免费或付费咨询的新患者数越多。当同科室同事回复字数越少时，医生回复字数的影响越大。医生回复间隔越长，免费咨询新患者越多，免费咨询的患者对免费咨询服务的时间敏感度低，对医生回复时间间隔容忍度更高。但当同科室同事回复越及时，医生回复时间间隔的影响越大。同时，医生回复时间间隔对付费咨询患者的影响不显著。医生与同事之间既存在竞争关系，又存在合作关系。
(2) 在线声誉中，医生、同事的名誉评价对医生免费咨询新患者数均有正向影响。同时，当同事收到的该类评价越少时，医生名誉评价的影响越大；当同事收到的该类评价越多时，医生评价的影响越小。对于付费咨询的患者而言，名誉评价有正向影响，同科室同事的名誉评价为负向影响，并有着负向调节作用。表明名誉评价对医生付费新患者数的影响，更多地表现为医生与同事之间的竞争关系。
(3) 在线声誉中，医生及同事的物质评价对医生获取的免费和付费咨询新患者数均有正向影响，但同事该项指标的调节作用不显著。表明患者均看重物质评价，医生收到的礼物金额越高代表患者给予的评价和认可度越高。
(4) 同事的在线努力或信誉对医生努力或信誉与新患者数的关系起着负向调节作用，减弱了二者之间的影响。
(5) 同事的在线努力或信誉对医生努力或信誉与新患者数的关系起着负向调节作用，减弱了二者之间的影响。好大夫网站的医生搜索机制使得医生高评价的同事更容易被患者选择，相当于减少了来自其他医院、科室的竞争，因此减弱了医师自身努力和声誉的影响。
4.2 研究贡献与展望(1) 本研究引入在线努力程度和在线声誉反馈机制，利用面板数据，对患者选择医生的行为进行研究。以往关于在线医疗的研究基本是基于好大夫或挂号网数据的横截面分析，缺乏动态数据的分析，因此本研究的动态分析结果更加具有现实意义。
(2) 本研究探讨了在线声誉中物质评价对患者就医选择的影响，这是电子商务等其他在线服务系统中所没有的。一般的电子商务以及关于挂号网等在线服务研究中涉及的评价均为非物质评价，但在现实中物质评价是需要患者花费评价成本的，因此其评价更加具有可参考性，且金额越高所代表的认可度越高。这也是以往相关研究中未涉及的，因此填补了研究的空白之处。
(3) 本研究的因变量为医生获取免费或付费咨询新患者数，为医生获取新患者的能力。以往关于电子商务或在线医疗的研究因变量大多为商品销售量或医生咨询量，而本研究选取医生获取新患者的能力作为因变量，是一个新的视角。现实中，医患关系不同于电子商务中一次消费的交易关系，其用户粘性更强。因此，医生获取顾客的能力对于医院和科室的长期经营也是同样重要，新的研究视角有着一定的现实意义。
(4) 本研究结果表明同科室的不同医生之间不仅存在竞争关系，同时也存在合作关系，同事努力程度越高，声誉越好，会让患者对医生有着更好的评估。此发现补充了在线医疗社区中同事在线努力和声誉的影响，以往电子商务领域的研究观点认为一种商品与其他类似商品之间存在竞争关系。[15]
5 局限性(1) 本文仅选用好大夫在线上海、安徽、甘肃3个地区的医生作为样本，可能会影响结果的可推广性。
(2) 好大夫在线网站的医生在开通个人主页后也可关闭个人主页，本文数据爬虫仅在2016年进行一次爬虫，记录了所有医生历史咨询的相关记录。医生个人主页开通前和关闭后的时间段内，其咨询量一直为零，咨询量不只是患者根据医生声誉、努力选择医生的结果，同时也受医生开通或关闭个人主页等医生行为的影响。但这一问题本研究未纳入考虑。
(3) 本研究基于医生水平进行分析，控制了患者个体异质性的影响，未来可以加入患者的数据，探究患者个人图谱及个体特征等因素对患者选择医生的影响。
(4) 本文仅研究医生在线努力和声誉等线上因素的影响，虽然考虑了医院等级和医生职称等医生身份因素，但尚未考虑医生线下口碑以及相应能力的影响。因此，今后的研究可以考虑将医生线上努力与声誉与线下努力和口碑进行结合，研究其对医生获取患者数量的共同影响，以及线上与线下努力和声誉之间的相互影响。
| [1] | 刘笑笑. 在线医生信誉和医生努力对咨询量的影响研究[D]. 哈尔滨: 哈尔滨工业大学, 2014. http://d.wanfangdata.com.cn/Thesis/D592727 |
| [2] | 韩晓翠. 在线医疗社区不同激励因素对医生贡献行为的影响研究[D]. 哈尔滨: 哈尔滨工业大学, 2015. http://d.g.wanfangdata.com.cn/Thesis_D754165.aspx |
| [3] | Wu H, Lu N. How your colleagues' reputation impact your patients' odds of posting experiences:Evidence from an online health community[J]. Electronic Commerce Research & Applications, 2016, 16(C): 7–17. |
| [4] | Cline R J, Haynes K M. Consumer health information seeking on the Internet:the state of the art[J]. Health Education Research, 2001, 16(6): 671–692. DOI:10.1093/her/16.6.671 |
| [5] | Fox S. The social life of health information[J]. Pew Internet, 2009, 1(1): 13–21. |
| [6] | Josang A. Online Reputation Systems for the Health Sector[J]. Electronic Journal of Health Informatics, 2008(1): 1–10. |
| [7] | Locke E A, Shaw K N, Saari L M, et al. Goal setting and task performance:1969-1980[J]. Psychological Bulletin, 1981, 90(1): 125–152. DOI:10.1037/0033-2909.90.1.125 |
| [8] | Borucki C C, Burke M J. An examination of service-related antecedents to retail store performance[J]. Journal of organizational Behavior, 1999, 20(6): 943–962. DOI:10.1002/(ISSN)1099-1379 |
| [9] | Susskind A M, Kacmar K M, Borchgrevink C P. Customer service providers' attitudes relating to customer service and customer satisfaction in the customer-server exchange.[J]. Journal of Applied Psychology, 2003, 88(1): 179–187. DOI:10.1037/0021-9010.88.1.179 |
| [10] | Ghose A, Ipeirotis P. The EconoMining project at NYU:Studying the economic value of user-generated content on the internet[J]. Journal of Revenue and Pricing Management, 2009, 8(2): 241–246. |
| [11] | Archak N, Ghose A, Ipeirotis P G. Deriving the Pricing Power of Product Features by Mining Consumer Reviews[J]. Management Science, 2011, 57(8): 1485–1509. DOI:10.1287/mnsc.1110.1370 |
| [12] | Ye Q, Li Y, Kiang M, et al. The Impact of Seller Reputation on the Performance of onlinesales:evidence from TaoBao buy-it-now (BIN) data[J]. Acm Sigmis Database, 2009, 40(1): 12–19. DOI:10.1145/1496930 |
| [13] | 李维安, 吴德胜, 徐皓. 网上交易中的声誉机制——来自淘宝网的证据[J]. 南开管理评论, 2007, 10(5): 36–46. |
| [14] | Gordon G, Gao B, Greenwood R H, et al. The Information Value of Online Physician Ratings[R]. 2011. |
| [15] | Depken C A, Gregorius B. Auction Characteristics, Seller Reputation, and Closing Prices:Evidence from eBay Sales of the iPhone[J]. International Journal of Electronic Business, 2008, 8: 170–186. |
(编辑 赵晓娟)