在线医疗平台中推荐热度的中介效应分析

杨致远 吴宇轩 乔清瑀 刘小丽

(1.北京大学医学部2014级，北京 100084；2.清华大学医学院2019级，北京 100084；3.北京工商大学商学院2019级，北京 102488；4.首都医科大学附属北京妇产医院医学工程处，北京 100026)

科技的发展使人们生活在一个处处被推荐的时代。想上网购物，参考平台的推荐挑选满意的商品；想了解资讯，参考平台的推荐挑选感兴趣的新闻。Beales等[1]指出消费者在选购商品时会参考他人的建议，他人的推荐会影响用户的购买决策。推荐无处不在：从生活网站到娱乐化平台，在线医疗平台也不例外，但是看病问诊不同于购物、娱乐，它关系到人的健康。大部分人对医疗、医生、医院的了解非常少，患者只能从医生的职称、所属医院、以及以往患者对该医生的评价等了解[2]。但是面对在线医疗平台众多的医院、医生，患者盲目地逐个挑选医生、医院基本是不可能的，这时患者结合医生的职称、所在医院等级、问诊价格等，并参考推荐热度选择医生。但推荐热度的作用有多大呢？大部分文献[3-5]只是给出了推荐热度影响在线问诊量、满意度等。笔者认为推荐热度只是患者选择问诊时的一个参考，因此分析这个参考的中介作用有多大，即推荐热度对患者主要关心的医生职称、医院等级的中介效应。

1 数据来源与研究方法

1.1 数据来源

本文数据来源于某在线医疗平台。通过Python爬虫程序爬取该平台2020年7月22日的所有问诊样本，共12 374个。每个样本包含医生的姓名、职称、所在医院、科室、城市、问诊类型、问诊价格、在线问诊量、满意度、推荐热度。为方便研究，对分类变量进行赋值，详见表1。

表1 分类变量的赋值Tab.1 Assignment of classification variables

1.2 数据分析方法

对城市的分类依据《2020年城市商业魅力排行榜》[6]，将医院所在城市分为5级。对医院科室的分类选取的原则是容易区分且问诊量大，根据对样本数据的统计，最终的13个科室的问诊量占总问诊量的86.7%。

本文采用中介模型分析推荐热度的中介效应。借鉴文献[7-8]，首先构建回归方程。

Y=cX+ε1，M=cX+ε2，Y=c′X+bM+ε3

其中X为解释变量、Y为被解释变量、M为中介变量，ε1、ε2、ε3为随机误差项。然后根据图1进行中介效应分析。

在回归分析中，由于医生的职称、医院等级等变量为有序多分类变量，若将这些变量直接纳入普通线性回归模型，可能会失去其自身的意义。因此本文采用最优尺度回归(CATREG)，从而将这些分类变量转换为数值型进行统计分析。

图1 中介效应分析步骤Fig.1 Steps of mediating effect analysis

本文运用Python爬虫程序获取数据，Excel 2016对数据进行整理，SPSS 20.0对数据进行描述性分析和中介效应分析。

2 结果

2.1 问诊价格中推荐热度的中介效应

由于本文的分析中涉及问诊价格、推荐热度，因此删掉这两项缺失的样本，剩余9 714个样本。首先给出描述性统计(表2，表3)。

表2 连续变量的描述性统计Tab.2 Descriptive statistics of continuous variables

表3 分类变量的频率统计Tab.3 Fequency statistics of classified variables

在问诊价格的回归分析中，由于各城市的人均可支配收入不同(2019年上海为69 442元，铜川只有23 879元[6])，因此把城市作为控制变量。由于不同的问诊类型，问诊价格也不同，因此把问诊类型也作为控制变量。分别以医生职称和医院等级为解释变量得到最优尺度回归模型，详见表4。

表4 问诊价格、推荐热度的最优尺度回归结果Tab.4 CATREG of the price of consultation and recommended popularity

表4的第2、3、4列均显示，医生职称在1%的显著性水平下显著，并且ab与c’的正负号相同。因此根据中介效应理论，推荐热度在医生职称与问诊价格的关系中具有部分中介效应，并且推荐热度的中介效应对总效应的贡献率为34.2%；表4的第5、6、7列显示医院等级在5%的显著性水平下显著，但是ab与c’的符号相反。由图1可知推荐热度在医院等级与问诊价格的关系中具有遮掩效应。主要原因如图2所示，高等级医院的直线斜率大于低等级的，即随着推荐热度的提高，高等级医院的问诊价格提升快于低等级的，于是推荐热度的提高扩大了医院等级间的问诊价格差异。因此，在没有中介控制变量时，医院等级间的问诊价格差异被遮掩了，一旦加入了中介控制变量，医院等级间的问诊价格的差异旋即被扩大。

由于患者问诊时需选择不同的科室，因此本文考虑在问诊价格、推荐热度的最优尺度回归模型中加入医院科室作为控制变量。

考虑医院科室后，表5的显示结论与前述相同：推荐热度在医生职称与问诊价格的关系中具有部分中介效应，并且推荐热度的中介效应对总效应的贡献率为35.6%。推荐热度在医院等级与问诊价格的关系中具有遮掩效应。

图2 问诊价格与推荐热度的关系Fig.2 Relationship between consultation price and recommended popularityGrade 1A and grade 1 hospitals are combined into grade 1 hospitals.

表5 问诊价格、推荐热度的最优尺度回归结果(考虑医院科室时)Tab.5 CATREG of the price of consultation and recommended popularity (the hospital departments are considered)

2.2 问诊量、满意度中推荐热度的中介效应

由于本文分析中涉及到推荐热度、在线满意度、问诊量，因此删掉这两项缺失的样本，同时由于在22日当天有的医生会接待多个患者，因此为了避免样本的重复性，在分析在线问诊量和满意度时，本文对每位医生只保留一个样本，最终剩余3 708个样本。首先给出描述性统计，详见表6，表7。

表6 连续变量的描述统计Tab.6 Descriptive statistics of continuous variables

表7 分类有序变量的频率统计Tab.7 Frequency statistics of classified variables

首先分析在线问诊量中推荐热度的中介效应：由于城市越发达，城市的服务设施也越完善，当然医疗服务也越好，城市覆盖的医院和医生相对也越多，因此把城市作为控制变量。医疗服务作为一种商品，受价格的影响。一般来说，价格越高购买力越小，质量好的商品价格也高。因此把问诊价格作为控制变量。表8给出在线问诊量、推荐热度的最优尺度回归结果。

因此对问诊量来说，表8的第2、3列均显示，医生职称在1%的显著性水平下显著，表8的第4列显示医生职称在5%的显著性水平下不显著。因此推荐热度在医生的职称与在线问诊量的关系中具有完全中介效应。表8的第5、6列均显示，医院等级在5%的显著性水平下显著，表8的第7列显示医院等级在5%的显著性水平下不显著。因此推荐热度在医院等级与问诊量的关系中具有完全中介效应。

表8 在线问诊量、推荐热度的最优尺度回归Tab.8 CATREG of the number of consultations and recommended popularity

考虑医院科室时，在线问诊量、推荐热度的最优尺度回归结果，详见表9。

加入医院科室作为控制变量进行中介效应分析。表9的第2、3、4列均显示，医生职称在1%的显著性水平下显著，因此推荐热度在医生职称与在线问诊量的关系中具有部分中介效应，推荐热度的中介效应对总效应的贡献率为54.1%。表9的第5、6、7列显示结论与前述相同：推荐热度在医院等级与问诊价格的关系中具有完全中介效应。

表9 在线问诊量、推荐热度的最优尺度回归结果(考虑医院科室时)Tab.9 CATREG of the number of consultations and recommended popularity (the hospital departments are considered)

其次分析在线满意度中推荐热度的中介效应：同前面一样把城市类别、问诊价格作为控制变量。表10给出在线满意度、推荐热度的最优尺度回归结果。

表10的第2、3列均显示，医生职称在1%的显著性水平下显著为正。表10的第4列显示医生职称的回归系数不显著。由图1可知推荐热度在医生职称与在线满意度的关系中具有完全中介效应。表10的第5列显示，医院等级的回归系数不显著，即患者对就诊是否满意与医院等级无显著关系，因此停止分析中介效应。

表10 在线满意度、推荐热度的最优尺度回归结果Tab.10 CATREG of the satisfactory evaluation and recommended popularity

考虑医院科室时，在线满意度、推荐热度的最优尺度回归结果，详见表11。

表11的第2、3、4列显示结论与前述相同：推荐热度在医生职称与在线满意度的关系中具有完全中介效应。表11的第5列显示，医院等级的回归系数不显著，因此停止分析中介效应。

表11 在线满意度、推荐热度的最优尺度回归结果(考虑医院科室)Tab.11 CATREG of the satisfactory evaluation and recommended popularity (the hospital departments are considered)

3 讨论

本文利用某在线医疗平台数据，研究推荐热度在医生和患者间的中介效应。研究显示：

(1)平台上各个级别职称的医生各占大约三分之一，医院等级中三级甲等医院占据绝大多数，城市中北京、上海、广东、深圳等一线城市占据几乎一半。在线医疗服务平台中医疗机构和医生的地域分布向互联网发达的地区集中，并且医疗机构及医生质量相对更高[9]。由于有图有文字有助于医生了解病情，因此几乎一半的患者选择图文问诊。各等级医院所占比例基本相同；三线以下城市所占比例下降，主治医生所占比例下降，说明这些城市、主治医生在22日这天看诊了多个患者，这些医生更有参与在线医疗服务的意愿和能力。

(2)推荐热度对医生职称有部分或完全中介效应：一般来说，职称代表了医生的职业水平，职称越高，医生的技术水平越高[10]。因此职称越高，推荐热度越大。职称越高，医生的知识价值和服务价值越大，对应的问诊价格越高，文献[11]也显示职称或职务高的医生，在线上的服务定价更高，当患者咨询隐私类疾病时愿意向高声誉的医生支付更高的服务费用。因此在问诊价格中，不论是否考虑医院的科室，推荐热度对医生职称均有中介效应，但只有大约三分之一的职称影响力被推荐热度替代。因此医生的职称还是不可替代地决定着问诊的价格。但是由于推荐热度的中介效应，因此医生决定问诊价格时，除依据自己的职称外也需关注自己的被推荐热度。

看病问诊是医生给患者提供技术、专业和知识等方面服务，以期为患者解决问题。看病问诊不同于其他的服务，人们感觉到自己的身体出现问题时才会去问诊，并且强烈地希望得到合适的治疗手段，因此患者会选择高水平的医生。而职称是医生水平的一个体现，因此高职称医生的问诊量大[12]，推荐热度也高。有文献[4]也显示，在线问诊量随推荐热度、医生职称而增大。不考虑医院科室时，在职称与在线问诊量的关系中完全被推荐热度替代；考虑医院科室时，推荐热度具有部分中介效应，并且贡献率为54.1%。这是因为，在线问诊中，医生的职称影响着患者的选择。由于推荐热度中可能也考虑了医生的职称，因此当患者对自己的病情不了解时，会选择推荐热度高的医生，因此较高的推荐热度弥补了医生职称的不足；但当患者对自己的病情有一定的了解，寻找对应的科室时，医生职称对问诊量的影响明显增大，这时推荐热度仅具有部分中介作用，患者问诊时会参考推荐热度选择合适的医生。

医生职称越高，患者的满意度越高，推荐热度也越大。并且在满意度评价中，推荐热度完全替代了医生职称。这是由于推荐的意思就是，介绍好的东西希望被他人运用或接受。高职称的医生由于其高水平的医术给了患者满意的诊断，从而患者给出高的推荐热度。有文献[13]显示获得满意的游客会替旅游景点进行推荐。即高的推荐热度意味着患者对本次服务是满意的[14]，因此在满意度评价中，推荐热度对医生职称具有完全中介效应。

(3)推荐热度对医院等级有遮掩效应或完全中介效应：医院的等级反映了医院的规模、人才技术力量、医疗硬件设备、科研方向等，等级越高，医院的综合实力越强。因此医院等级越高，对应的问诊价格越高，推荐热度也越大。但是在问诊价格中，推荐热度对医院等级具有遮掩效应。

一般来说，高等级的医院对应的医疗水平也较高，现实中的三甲医院挂号难问题说明医院等级越高问诊量越大。文献[15]显示医院等级对电话咨询有显著正向影响。本文和文献[5]结论一致，在线问诊量、推荐热度随医院等级的提高而增大，并且笔者认为医院等级对问诊量的影响完全被推荐热度替代了。

医院等级与满意度的关系不显著。医疗服务涉及到人的性命，因此患者会选择高水平的医生、高等级的医院。因此高职称医生、高等级医院的在线问诊量也随之增大，当然问诊价格也高。但在线问诊时患者会参考推荐热度，医院等级完全被推荐热度替代；选择医生时由于高的推荐热度意味着患者对医生的医疗服务的高满意度，因此推荐热度会完全或部分替代医生的职称。所以医生在选择在线问诊价格时不仅要考虑自己的职称还有要适当考虑自己的推荐热度，在医疗服务中替患者着想、让患者满意从而提高自己的推荐热度，实现医生和患者两者的双赢。