李 論 尹秋菊 顏志軍

(北京理工大學管理與經濟學院)

1 研究背景

隨著互聯(lián)網(wǎng)醫(yī)療的快速發(fā)展，以醫(yī)患交互為中心的在線健康社區(qū)為醫(yī)生和患者提供了多種不同形式的交流和服務方式，包括在線問診、預約轉診和診后管理等[1, 2]。據(jù)CNNIC統(tǒng)計，受新冠肺炎疫情的影響，截至2020年6月，我國在線問診用戶規(guī)模達到2.76億[3]。作為線下醫(yī)療系統(tǒng)的重要補充，在線健康社區(qū)為醫(yī)患溝通提供了新的渠道，有效地緩解了看病難、看病貴的問題[2, 4]。

通常來說，患者在進入在線健康社區(qū)后，需要根據(jù)自身的病情，從眾多提供在線問診服務的醫(yī)生中選擇合適的醫(yī)生進行咨詢。然而，由于醫(yī)療服務作為信任商品的本質使醫(yī)患之間存在嚴重的信息不對稱[5, 6]，這導致患者無法快速選擇合適的醫(yī)生。在這種情況下，以往患者在線發(fā)表的醫(yī)生服務評價逐漸成為潛在患者了解醫(yī)生服務質量、支持問診選擇的重要參考信息[7]。調查發(fā)現(xiàn)，約81%的人認為某醫(yī)生獲得的正面評價會促使他們向該醫(yī)生尋求咨詢[8]。一些研究也實證分析了醫(yī)生服務評價與患者在線問診選擇之間的關系[6, 7, 9, 10]。例如，YANG等[10]發(fā)現(xiàn)，關于醫(yī)生服務的積極評價對患者訪問醫(yī)生主頁和在線問診選擇均有積極的影響。

雖然以往研究強調了醫(yī)生服務評價的重要價值，但少有研究同時考慮來自不同渠道患者發(fā)表的醫(yī)生服務評價(即醫(yī)生線上和線下服務評價)[11]。其中，醫(yī)生線上服務評價是指患者通過在線健康社區(qū)向醫(yī)生在線咨詢后，發(fā)表的關于醫(yī)生線上服務的評價；醫(yī)生線下服務評價是指患者在醫(yī)院接受醫(yī)生的診治后，在線發(fā)表的關于醫(yī)生線下服務的評價[6]。由于醫(yī)療服務的特殊性，患者通過在線咨詢僅能獲得醫(yī)生的初步醫(yī)療建議，大多數(shù)情況下患者仍需到醫(yī)院接受醫(yī)生的面對面診治，因此，患者在進行在線問診選擇時，需要同時參考醫(yī)生的線上和線下服務評價信息來評估醫(yī)生的線上和線下服務質量。另外，由于醫(yī)生的線上和線下服務評價中均包含了關于醫(yī)生服務質量的信息線索，潛在患者對于某一渠道服務評價信息的感知，可能會影響他們對另一渠道服務評價信息的判斷，并進而影響潛在患者的問診選擇。所以，也需要考慮不同渠道服務評價間的協(xié)同作用。

基于信號理論，本研究在同時考慮醫(yī)生服務評價的評論數(shù)量與在線評分兩個維度的基礎上，探索醫(yī)生線上和線下服務評價對患者在線問診選擇的直接影響和協(xié)同效應。此外，鑒于醫(yī)生職稱也是反映醫(yī)生服務質量的重要信號[9]，本研究將進一步關注醫(yī)生職稱的調節(jié)作用。

2 理論基礎與研究假設

2.1 理論基礎

2.1.1信號理論

一般來說，個體擁有的信息量可以顯著影響其決策，并且擁有更多信息的個體可能會做出更好的決策[12]。然而，在市場交易的過程中，由于服務的內在信息通常無法被外界所觀察到，這導致消費者難以快速地做出正確決策[12]。在這種情況下，反映信息的信號可以減少服務雙方之間的信息不對稱。根據(jù)信號理論，在信號傳遞的過程中通常有兩類參與者：信號者和接收者[12]。信號理論的應用有兩個重要前提：①信號者和接收者之間存在信息不對稱；②信號者和接收者之間存在可能的利益沖突。例如，醫(yī)生可能會為患者推薦不必要的檢查[5]。當這兩個前提同時滿足時，信號者(賣方/服務提供者)往往需要通過發(fā)送信號來幫助接收者(買方/消費者)診斷其隱藏的服務質量[6]。

另外，SPENCE[13]也指出，消費者可以與其他擁有信息的消費者進行交流。例如，以往的接收者在了解了信號者的真實質量后，可以將信號者的質量反饋給其他接收者，幫助其獲得更多的信息。此時，來自以往消費者的獨立于信號者(即商家)的反饋(如在線評價)可以成為反映信號者品質的有用信號，減少信息不對稱[13]。所以，在在線問診的背景下，以往患者的服務評價能夠作為反映醫(yī)生服務質量的重要信號，幫助潛在患者形成對醫(yī)生服務質量的判斷[14]。

2.1.2醫(yī)生服務評價與患者在線問診選擇

隨著越來越多的醫(yī)生和患者積極參與在線健康社區(qū)，醫(yī)生和患者生成了大量在線信息。其中，醫(yī)生服務評價信息能夠有效地將高水平和低水平的醫(yī)生區(qū)分開。通常，這些評價信息以評論、評分、感謝信、投票、心意禮物、服務星級、榮譽稱號等形式展示，它們反映了醫(yī)生的在線口碑[7]?，F(xiàn)有文獻針對這些評價信息如何影響患者在線問診選擇進行了廣泛分析，本研究對其中涉及到的醫(yī)生服務評價信息按照線上服務評價和線下服務評價進行了分類和總結(見表1)。雖然這些文獻有助于對醫(yī)生服務評價信息與患者問診選擇之間關系的理解，但缺乏對評價信息是關于醫(yī)生線上服務評價還是線下服務評價的區(qū)分。此外，以往研究同時包括線上和線下患者發(fā)表的醫(yī)生服務評價信息仍較少見，特別是忽視了來自不同渠道患者發(fā)表的服務評價之間的協(xié)同作用。

表1 醫(yī)生服務評價信息分類

2.2 研究假設

2.2.1醫(yī)生線上和線下服務的評論數(shù)量對患者在線問診選擇的影響

在線評論中所隱含的關于商品或服務質量的信息，在一定程度上決定了潛在消費者的感知和購買意愿[18]。在線評論數(shù)量是指消費者在數(shù)字平臺上發(fā)布關于產品或服務體驗的評論總數(shù)，它在一定程度上代表了該產品的受歡迎程度[19]。一般來說，產品的在線評論數(shù)量越多，說明以往購買該產品的消費者越多，從而向潛在的消費者發(fā)送了關于該商品受歡迎程度的可信信號。在消費者和商家之間存在信息不對稱的環(huán)境下，消費者雖然無法直接獲得商家所提供產品的內在信息，但可以通過觀察別人的買賣行為(即同伴消費者)來推測其內在信息。通常來說，當消費者觀察到某產品的受歡迎程度較高時，可能會誘發(fā)他們的從眾心理，引起他們的羊群行為[20]，從而激發(fā)消費者的購買意愿[21, 22]。

同樣地，在在線問診服務中，患者也依賴于醫(yī)生的在線評論來判斷醫(yī)生的服務水平[11]。無論是關于醫(yī)生的線上服務還是線下服務的評論，其評論數(shù)量越多，一般來說接受過該醫(yī)生服務的患者越多，說明該醫(yī)生越受歡迎。當潛在患者觀察到之前有很多患者同伴選擇了該醫(yī)生問診時，可能會產生從眾心理，同樣相信該醫(yī)生具有較好的在線服務質量，從而引起他們的羊群行為，選擇該醫(yī)生進行在線問診。同時，如果醫(yī)生在過去為更多的患者提供了線上或線下醫(yī)療服務，也說明了該醫(yī)生具有更多的醫(yī)療服務經驗，那么患者選擇其進行在線咨詢的意愿會更強。另外，LIU等[11]發(fā)現(xiàn)，醫(yī)生線上和線下服務的評論數(shù)量對患者電話咨詢行為有積極的影響。鑒于本研究關注的患者在線問診選擇行為也包括電話咨詢行為，可以認為醫(yī)生獲得的患者評論數(shù)量越多，潛在的患者越有可能選擇該醫(yī)生進行在線問診。由此，提出以下假設：

假設1a醫(yī)生線上服務的評論數(shù)量與患者在線問診選擇存在正向關系。

假設1b醫(yī)生線下服務的評論數(shù)量與患者在線問診選擇存在正向關系。

2.2.2醫(yī)生線上和線下服務的在線評分對患者在線問診選擇的影響

在線評分是指消費者對商品質量和體驗的打分，反映了消費者使用商品之后的滿意程度[23]。一般來說，消費者給予商品的在線評分越高，說明消費者對其越滿意，認為商品的質量越好。一些文獻已經證實了電子商務網(wǎng)站中商品的在線評分與銷售量(或消費者購買意愿)呈正向關系。例如，ZHANG等[24]研究表明，在線評分對相機的在線銷量有顯著的促進作用。在線評分的影響機制在于口碑的說服作用，它向潛在的消費者傳遞了一個關于商品質量的可信信號；潛在的消費者通過在線評分的高低來判斷商品質量，從而做出購買選擇決策。

同樣地，醫(yī)生服務的在線評分越高，表示醫(yī)生的在線口碑越好，即擁有良好的聲譽[9]。如果一個醫(yī)生從來自線上或線下的患者那里獲得了較高的在線評分，說明這些患者認為醫(yī)生的線上或線下服務具有較高的醫(yī)療水平，那么潛在的患者對該醫(yī)生的問診意愿就會更強[25]。由此，提出以下假設：

假設2a醫(yī)生線上服務的在線評分與患者在線問診選擇存在正向關系。

假設2b醫(yī)生線下服務的在線評分與患者在線問診選擇存在正向關系。

2.2.3醫(yī)生線上和線下服務評價的協(xié)同效應

在線問診服務是線下醫(yī)療服務的重要補充?；颊咴诰€咨詢后，大多數(shù)情況下仍需要去線下就診，因此，患者選擇在線咨詢的醫(yī)生時，將會同時參考醫(yī)生的線上和線下服務評價信息，以便更全面地推測醫(yī)生的服務質量[26]。根據(jù)信號理論，當信號發(fā)出方發(fā)出的多個信號呈現(xiàn)一致的信息(如均為積極信號)時，這些信號的強度會更強，從而進一步增強信號接收者對這些信號的信任[27]。在關于在線問診選擇的研究中，YANG等[10]基于這一邏輯，指出當醫(yī)生的患者生成信息和系統(tǒng)生成信息均是正向積極時，患者會認為這些信號更可信，并會增加在線問診意愿。

同樣地，在本研究中，患者傾向于選擇在線上和線下均具有較高服務質量的醫(yī)生。醫(yī)生在線評價的評論數(shù)量和在線評分作為醫(yī)生服務質量的重要信號，一方面，當醫(yī)生線上和線下服務的評論數(shù)量均較高時，潛在患者會認為醫(yī)生在線上和線下均具有較高的受歡迎程度；另一方面，如果醫(yī)生線上和線下服務均具有較高的在線評分時，潛在患者也會推斷出醫(yī)生在線上和線下均具有較高的醫(yī)療服務質量。根據(jù)信號理論，醫(yī)生線上和線下服務評價信息呈現(xiàn)的積極一致性，將進一步提高患者對醫(yī)生的信任水平，使患者的在線問診意愿更強，因此，醫(yī)生線上服務評價和線下服務評價對患者在線問診選擇的影響之間可能存在正向協(xié)同關系。具體來說，更高的醫(yī)生線下(或線上)服務評價可能會增強醫(yī)生線上(或線下)服務評價的信號強度，進而提高它們對患者在線問診選擇的影響。由此，提出以下假設：

假設3a醫(yī)生線上和線下服務的評論數(shù)量對患者在線問診選擇的影響存在正向協(xié)同關系。

假設3b醫(yī)生線上和線下服務的在線評分對患者在線問診選擇的影響存在正向協(xié)同關系。

2.2.4醫(yī)生職稱的調節(jié)作用

在中國，對于醫(yī)生的職稱評定有一套嚴格的程序，通常需要醫(yī)生的醫(yī)學能力和經驗等方面達到較高的標準才能晉升到較高的職稱[2]。當一名醫(yī)生具有較高的職稱時，人們通常會認為他具有更豐富的醫(yī)學經驗和更高的醫(yī)療服務質量。研究指出，大多數(shù)患者傾向于選擇具有高職稱的醫(yī)生問診[14]。在本研究中，醫(yī)生職稱和醫(yī)生線下服務評價均是傳遞醫(yī)生線下服務質量的重要信號。當醫(yī)生具有較高職稱時，潛在患者可能對醫(yī)生的線下服務質量已經有了清晰的判斷，從而減少對于醫(yī)生線下服務評價信息的依賴。由此，提出以下假設：

假設4a醫(yī)生職稱負向調節(jié)醫(yī)生線下服務的評論數(shù)量對患者在線問診選擇的影響。

假設4b醫(yī)生職稱負向調節(jié)醫(yī)生線下服務的在線評分對患者在線問診選擇的影響。

另外，擁有高級別職稱的醫(yī)生由于能力較強，日常一般會在醫(yī)院接診較多的病人。在這種情況下，由于他們的時間和精力有限，可能會減少對在線問診服務所花費的時間和精力[28]，從而使患者認為他們可能無法提供較好的在線服務，如及時地在線回復等。因此，當醫(yī)生在醫(yī)院具有較高的醫(yī)學職稱時，潛在患者可能更關心來自以往在線患者發(fā)表的關于醫(yī)生線上服務的在線評價，以避免高估醫(yī)生在線服務的能力和態(tài)度，從而減少對醫(yī)生在線服務質量的判斷錯誤[9]。由此，提出以下假設：

假設5a醫(yī)生職稱正向調節(jié)醫(yī)生線上服務的評論數(shù)量對患者在線問診選擇的影響。

假設5b醫(yī)生職稱正向調節(jié)醫(yī)生線上服務的在線評分對患者在線問診選擇的影響。

根據(jù)以上假設，構建如下研究模型(見圖1)。

3 研究方法

3.1 研究背景

本研究選取“好大夫在線”作為研究背景，該平臺成立于2006年，是中國領先的互聯(lián)網(wǎng)醫(yī)療服務平臺。其主要服務包括在線問診、遠程視頻門診、門診精準預約、診后疾病管理等。截至2020年，已累計服務超過5 800萬名患者。好大夫平臺為本研究提供了豐富的數(shù)據(jù)和合適的研究場景。為了使研究樣本更具有代表性，同時選擇治療典型慢性疾病——糖尿病的醫(yī)生，和治療典型非慢性病——感冒的醫(yī)生作為研究對象。本研究借助Python程序，按照該平臺中的疾病分類，于2020年12月抓取了治療糖尿病和感冒的醫(yī)生的個人主頁信息，包括醫(yī)生的個人屬性、患者評價、發(fā)表的文章，以及患者贈送的心意禮物、患者問診記錄等。刪除數(shù)據(jù)缺失和無效的樣本之后，本研究通過數(shù)據(jù)處理得到2019年1月～2019年12月期間4 460名醫(yī)生主頁信息的月度面板數(shù)據(jù)。

3.2 研究變量

(1)因變量本研究主要分析醫(yī)生服務評價對患者在線問診選擇的影響，所關注的因變量即為患者在線問診選擇。以往相關研究通常以醫(yī)生的患者問診量作為患者在線問診選擇的測量[7,10]。醫(yī)生的患者問診量是患者在線問診選擇的結果(即有多少患者選擇了該醫(yī)生進行問診)，體現(xiàn)了醫(yī)生在多大程度上得到了患者的認可，反映患者的問診選擇行為。換句話說，醫(yī)生層面的面板數(shù)據(jù)(即問診量)，能夠反映出患者層級的決策結果(即選擇哪個醫(yī)生進行在線問診)。故參考以往的研究，同樣使用醫(yī)生每月新增的患者問診量來測量患者的在線問診選擇。具體來說，在好大夫平臺中，圖文問診和電話問診是醫(yī)生提供的最常見的兩種在線問診服務，因此，本研究選擇醫(yī)生每月提供的圖文問診與電話問診數(shù)量之和作為醫(yī)生每月新增的在線問診數(shù)量。

(2)自變量本研究的自變量是醫(yī)生線上和線下服務評價。好大夫中同時包括線下患者和線上患者的評價反饋區(qū)域，即線下患者投票區(qū)和在線服務評價區(qū)。本研究同時考慮評論數(shù)量和在線評分兩個維度，分別使用醫(yī)生線上和線下服務累計收到的患者評論數(shù)量和累計收到的平均評分，作為評論數(shù)量和在線評分兩個維度的測量方式。

(3)調節(jié)變量本研究選擇醫(yī)生職稱作為調節(jié)變量。在中國，醫(yī)生職稱一般有4個等級：主任醫(yī)師、副主任醫(yī)師、主治醫(yī)師和住院醫(yī)師。將具有主任醫(yī)師或副主任醫(yī)師職稱的醫(yī)生定義為高職稱醫(yī)生，具有其他職稱的醫(yī)生為低職稱醫(yī)生。同時，為了排除一些混淆因素的干擾，參照以往的文獻，將醫(yī)生發(fā)表的科普文章數(shù)量、患者贈送的心意禮物數(shù)量等可能影響患者在線問診選擇的時變因素作為控制變量[6]。其中，醫(yī)生發(fā)表的科普文章反映了醫(yī)生的在線知識貢獻行為，患者心意禮物反映了患者對醫(yī)生服務的認可。變量的具體測量說明見表2。

表2 變量說明

3.3 研究模型

為了檢驗醫(yī)生線上和線下服務的評論數(shù)量和在線評分對患者在線問診選擇的影響，估計以下固定效應模型作為基準模型：

lnCit=β0+β1lnONit-1+β2lnORit-1+

β3lnFNit-1+β4lnFRit-1+δXt-1+λi+vt+εit，

(1)

式中，i表示醫(yī)生；t表示月份；β0為常數(shù)項；β1～β4為自變量系數(shù)；Xt-1是包括一系列時變控制變量的向量；δ是控制變量系數(shù)；使用個體固定效應λi來控制未觀察到的醫(yī)生的時不變差異，并使用時間固定效應vt來控制醫(yī)生間的共同時間趨勢，這有利于緩解內生性問題；εit是擾動項。為了避免潛在的同時性和反向因果問題，本研究分析滯后一期的自變量和控制變量對因變量的影響。此外，在模型中沒有包括醫(yī)生職稱和醫(yī)院等級等時不變變量作為控制變量，這是因為采用個體固定效應已經控制了醫(yī)生個體之間的時不變異質性。

在式(1)的基礎上，加入醫(yī)生線上和線下服務評論數(shù)量(在線評分)的交乘項，檢驗線上和線下服務評價對患者在線問診選擇影響的協(xié)同效應，得到式(2)。其中，β5和β6是所關注的線上和線下服務評價的交互效應系數(shù)。

lnCit=β0+β1lnONit-1+β2lnORit-1+β3lnFNit-1+

β4lnFRit-1+β5lnONit-1×lnFNit-1+

β6lnORit-1×lnFRit-1+δXt-1+λi+vt+εit。

(2)

另外，在式(1)的基礎上引入醫(yī)生職稱與醫(yī)生線上和線下服務的評論數(shù)量(在線評分)的交乘項，得到式(3)，以檢驗醫(yī)生職稱對醫(yī)生服務評價與患者在線問診選擇之間關系的調節(jié)作用。其中，β7～β10是所關注的調節(jié)效應系數(shù)。

lnCit=β0+β1lnONit-1+β2lnORit-1+β3lnFNit-1+

β4lnFRit-1+β7Ti×lnONit-1+β8Ti×lnORit-1+

β9Ti×lnFNit-1+β10Ti×lnFRit-1+

δXt-1+λi+vt+εit。

(3)

4 研究結果

4.1 描述性統(tǒng)計與相關關系

主要變量的描述性統(tǒng)計及相關系數(shù)見表3。由表3可知：自變量與因變量顯著相關，且自變量與控制變量之間的相關性較低；同時，在對模型進行估計時，各變量的方差膨脹因子(VIF)統(tǒng)計量均不大于2.0，低于常規(guī)的閾值10，表明各變量之間不存在多重共線性。

表3 描述性統(tǒng)計和相關系數(shù)(N=4 460)

4.2 實證分析結果

使用最小二乘法OLS對所構建模型進行參數(shù)估計，結果見表4。表4的列(1)僅包含隨時間變化的控制變量，列(2)引入了自變量，然后在列(3)中加入了自變量(即線上服務評價和線下服務評價)之間的交乘項，在列(4)中引入了調節(jié)變量與自變量的交乘項，最后在列(5)同時加入了自變量之間的交乘項以及調節(jié)變量與自變量之間的交乘項。為了減輕對無法滿足標準回歸假設(如聚類和異方差)的擔憂[5]，本研究報告了所有模型變量的聚類穩(wěn)健標準誤。同時，本研究事先對所關注的4個主要自變量進行了逐步回歸分析，確保它們在每一步回歸中對因變量都有顯著影響。

表4 最小二乘法OLS估計結果

根據(jù)表4的列(2)可知，醫(yī)生線上和線下服務的評論數(shù)量和在線評分的回歸系數(shù)均為正向顯著(β1=0.081,p<0.01;β2=0.359,p<0.01;β3=0.215,p<0.01;β4=0.458,p<0.01)，該結果支持假設1和假設2，表明無論是醫(yī)生線上和線下服務的評論數(shù)量還是在線評分，均對患者在線問診選擇有積極的影響。為了比較線上和線下服務評價的影響差異，接下來使用Stata中的lincom功能進行檢驗。lincom命令可以用來檢驗兩個變量的系數(shù)是否相等，具體見式(4)。如果得到的p值或t值拒絕原假設，則說明這兩個變量的系數(shù)不相等。在這種情況下，如果實際系數(shù)差值大于0，則說明第一個自變量對因變量的相對影響大于第二個自變量的影響。

H0:βx1-βx2=0。

(4)

檢驗結果顯示，線上和線下服務評價的評論數(shù)量維度(p<0.01)和在線評分維度(p<0.01)的影響系數(shù)均存在顯著差異；線上服務的評論數(shù)量系數(shù)大于線下服務的評論數(shù)量系數(shù)，線上服務的在線評分系數(shù)大于線下服務的在線評分系數(shù)。所以，無論是從醫(yī)生服務評價的評論數(shù)量維度還是在線評分維度來看，線上服務評價對患者在線問診選擇的影響均大于線下服務評價的影響。

本研究的假設3a和假設3b分別預測醫(yī)生線上和線下服務的評論數(shù)量、在線評分在影響患者在線問診選擇方面均存在正向協(xié)同關系。然而，有趣的是，列(3)顯示的結果與假設3a和假設3b的預測正好相反(β5=-0.045,p<0.01;β6=-0.481,p<0.01)。結果表明，不論是評論數(shù)量還是在線評分維度，醫(yī)生線上服務評價和線下服務評價對患者在線問診選擇的影響存在負向協(xié)同關系，而不是正向協(xié)同關系。換句話說，醫(yī)生線下(線上)服務評論數(shù)量(或在線評分)負向調節(jié)醫(yī)生線上(線下)服務評論數(shù)量(或在線評分)與患者在線問診選擇之間的正向關系。這可能是因為當患者在對不同來源的醫(yī)生服務評價進行信息處理時，主要采用啟發(fā)-系統(tǒng)式模型(HSM)提出的啟發(fā)式思考方式，即對易獲得和理解的信息更加偏好[29]。具體來說，他們可能不直接去思考信息本身的內容，而是通過信息來源和信息表征去評價信息的有用性和可信性。在這種情況下，雖然醫(yī)生的線上服務評價和線下服務評價信息均能在一定程度上反映醫(yī)生的服務質量，但是醫(yī)生線上服務評價是醫(yī)生線上服務質量的更直接反映，而醫(yī)生線下服務評價是醫(yī)生線上服務質量的間接反映[6]。由此，患者在進行在線問診選擇時，如果他們采用啟發(fā)式思考方式，就可能直接依賴醫(yī)生線上服務評價信息源做出快速且輕松的在線問診決策，從而減少對醫(yī)生線下服務評價信息源的關注和依賴[30]。

此外，根據(jù)表4的列(4)可知，醫(yī)生職稱與醫(yī)生線下服務的評論數(shù)量和在線評分的交乘項系數(shù)均為負向顯著(β7=-0.390,p<0.01;β8=-0.426,p<0.05)，表明醫(yī)生職稱對醫(yī)生線下服務評價(包括評論數(shù)量和在線評分)與患者在線問診選擇之間的關系，具有負向顯著的調節(jié)作用，該發(fā)現(xiàn)支持假設4a和假設4b。然而，值得注意的是，本研究發(fā)現(xiàn)醫(yī)生職稱雖然與醫(yī)生線上服務評論數(shù)量的交乘項系數(shù)為正向顯著，但是與醫(yī)生線上服務在線評分的交乘項系數(shù)是不顯著的(β9=0.234,p<0.05;β10=0.049,p>0.1)，表明醫(yī)生職稱對于醫(yī)生線上服務評論數(shù)量與患者在線問診選擇之間的關系具有正向顯著的調節(jié)作用，而對醫(yī)生線上服務在線評分與患者在線問診選擇之間關系的調節(jié)作用不顯著，該發(fā)現(xiàn)支持假設5a，不支持假設5b。上述發(fā)現(xiàn)表明在醫(yī)生具有高級職稱的情況下，醫(yī)生線下服務的評論數(shù)量和在線評分的影響更弱，醫(yī)生線上服務的評論數(shù)量影響更強，而醫(yī)生線上服務在線評分的影響則無明顯差異。針對不支持假設5b的發(fā)現(xiàn)，一個可能的原因是：醫(yī)生線上服務評分直接體現(xiàn)了以往患者對醫(yī)生在線服務質量的感知，而醫(yī)生職稱的高低并不能直接反映出醫(yī)生的在線服務質量。由于在線健康社區(qū)中，潛在患者不能與醫(yī)生進行面對面的交流，需要通過關于醫(yī)生線上服務的在線評分感知醫(yī)生的線上服務質量。在這種情況下，患者在觀察與考慮不同醫(yī)生在線服務在線評分的價值時，可能主要關注這些醫(yī)生在線評分的高低，而忽視醫(yī)生所擁有職稱的高低，因此，不管是具有高職稱還是低職稱的醫(yī)生，他們線上服務的在線評分對患者在線問診選擇的影響沒有顯著差異。

4.3 穩(wěn)健性檢驗

4.3.1分組回歸檢驗

本研究將樣本按照醫(yī)生職稱分為高職稱醫(yī)生組和低職稱醫(yī)生組兩個子樣本，然后在不加入醫(yī)生職稱交乘項的情況下進行分組回歸，結果見表5。由表5可知，兩組子樣本的回歸結果與主分析結果一致。

表5 分組回歸結果

4.3.2因變量分解檢驗

在主分析模型中，本研究的因變量是采用每月新增的圖文和電話問診總和的測量方式。下面考慮分別將醫(yī)生每月新增的圖文問診量和電話問診量作為因變量，重新進行模型估計，結果見表6，與之前主分析回歸的結果同樣保持一致。由表6中列(1)和列(4)可知，本研究所關注的自變量對患者選擇電話問診的影響均大于對患者選擇圖文問診的影響。這可能是因為電話問診費用通常高于圖文問診的費用，患者為了降低付出金錢成本的不確定性，在選擇電話問診時更可能參考其他患者發(fā)表的醫(yī)生服務評價信息。

表6 因變量分解估計結果

4.3.3計數(shù)模型檢驗

本研究的因變量是使用醫(yī)生在線問診量進行測量，屬于計數(shù)數(shù)據(jù)，可考慮泊松回歸和負二項回歸。通過檢驗發(fā)現(xiàn)，因變量的方差遠遠大于平均值，說明存在過度分散現(xiàn)象，因此，本研究選擇了更有效率的負二項回歸。固定效應的面板負二項回歸結果見表7，與之前回歸的結果同樣保持一致。

4.3.4GMM估計檢驗

本研究的因變量在不同期之間可能存在序列相關性，即醫(yī)生每月新增的患者問診量之間存在顯著的相關關系。為了緩解可能產生的內生性問題，在模型中加入因變量的一階滯后項作為控制變量，建立動態(tài)面板模型；然后采用系統(tǒng)GMM方法進行估計，得到的結果見表7。由表7可知，主要自變量和交乘項的估計結果與主分析結果基本保持一致，故研究結果是穩(wěn)健的。

表7 負二項回歸和GMM估計結果

續(xù)表7

5 結語

本研究基于信號理論，構建了醫(yī)生線上和線下服務評價與患者在線問診選擇之間的理論模型，并進行了實證檢驗。研究表明：①醫(yī)生線上和線下服務評價對患者在線問診選擇均有正向影響，并且潛在患者進行在線問診選擇時，更關注醫(yī)生的線上服務評價信息；②醫(yī)生線上和線下服務評價在影響患者在線問診選擇方面存在負向協(xié)同關系；③醫(yī)生職稱負向調節(jié)醫(yī)生線下服務評價與患者在線問診選擇之間的關系，正向調節(jié)醫(yī)生線上服務評論數(shù)量的影響，但對醫(yī)生線上服務評分的影響無顯著調節(jié)作用。

本研究具有一定的理論意義：①將醫(yī)生的服務評價分為線上服務和線下服務評價，通過在同一研究模型中同時考慮這兩類醫(yī)生服務評價，并且比較他們的影響差異，進一步豐富了關于醫(yī)生服務評價的影響研究；②在探討醫(yī)生服務評價對患者在線問診選擇直接影響的基礎上，考察線上和線下服務評價之間的協(xié)同作用，響應了以往研究關于深入探索不同信息對患者問診選擇聯(lián)合效應的號召[9, 10]；③本研究豐富了醫(yī)生向潛在患者傳遞的在線信號，拓展了信號理論在醫(yī)療服務中的應用。

本研究同樣具有一定的實踐意義：①對于在線健康社區(qū)來說，平臺運營者應該設計更為友好的評價系統(tǒng)幫助患者發(fā)布和展示這兩類評價信息，這將有助于潛在患者更有效地選擇目標醫(yī)生，從而吸引更多的醫(yī)生和患者參與到平臺中來；②對于醫(yī)生來說，應該平衡對線上和線下服務的時間精力分配，以期同時獲得較好的線上和線下服務評價，從而獲得更多的經濟收益；③對于患者來說，選擇在線問診的醫(yī)生時，應該同時關注醫(yī)生線上和線下服務評價，以做出正確的問診選擇。

本研究的局限性在于：①僅基于一個在線健康社區(qū)的數(shù)據(jù)，并且以治療糖尿病和感冒的醫(yī)生作為研究對象，未來需進一步檢驗其可推廣性；②缺乏對于醫(yī)生服務評論的內容挖掘，未來可以采用文本分析方法，進一步對服務評論中的主題和情感信息展開分析；③忽略了患者個體特征的異質性，未來可以考慮納入更多的患者特征信息，降低可能存在的遺漏變量偏差。