胡小飞 陈进亮

(南昌大学公共政策与管理学院，江西 南昌 330031)

移动医疗服务是一种由互联网、无线设备和信息通信技术支持的新型医疗服务[1]，能够摆脱时间和地域上的限制，并且在一定程度上解决医疗资源分配不平衡的问题。当前仍在持续的新冠肺炎疫情需要人们保持社交距离以阻止病毒传播，这极大地推动了消费者、医生和相关从业者对移动医疗服务的需求。根据MRFR预测，数字医疗市场将以22.5%的复合年增长率增长，并在预测期内(2022—2030年)产生约7 677亿美元的收入[2]。

尽管移动医疗服务在改善公共健康方面具有巨大的潜在优势，但是仍存在一些发展障碍(如患者信息披露意愿不足)，使其无法得到充分利用。已有的研究针对这些问题进行了讨论，并指出可能导致发展障碍的因素[3]，例如不合理的信息系统设计[4]、不可靠的健康建议[5]、披露信息的高敏感性[6]、担心自身健康信息被不正当使用而产生的隐私担忧[7]等。但现有研究仅仅关注了这些因素产生的净效应，由因素间互相作用产生的条件组合效果以及信息披露意愿的必要影响因素是否存在，则存在一定研究空白。与此同时，以往通过构建结构方程模型来完成假设检验的方法，仅适用于变量层面的净效应关系分析，而在移动医疗服务现实场景下，用户做出信息披露决策面临的环境更为复杂，往往受多要素组合影响，即使是组合效应中的要素也并不一定单独对结果造成影响；进行组态分析能够帮助移动医疗服务平台了解不同场景下用户产生健康信息披露意愿的复杂条件是什么，比如对于信息敏感度高的用户是否需要满足额外条件才能达到那些敏感度低的用户同样的披露意愿。这将有助于平台制定不同的激励政策，提升用户满意度。此外，对于平台来说，需要明确是否存在决定性因素影响着用户体验，而必要条件因其“一票否决”的作用要优先于充分条件，能够帮助平台了解什么对于提升结果是必要的，必要条件分析方法的使用也为更加科学、全面地分析健康信息披露意愿提供了助益。

因此，本文基于精细加工可能性模型，从中枢路径和边缘路径两方面出发选取感知收益、感知风险、信任、信息敏感性和隐私关注作为研究变量，应用模糊集定性比较分析和必要条件分析方法进行实证分析，来讨论影响移动医疗服务用户健康信息披露意愿的中枢和边缘两条不同路径下的因素组合产生的路径效应如何以及必要影响因素是否存在。

1 文献回顾与研究模型构建

1.1 健康信息披露意愿

目前，国内外已有学者对健康信息披露意愿或行为进行研究。从理论层面来看，隐私计算理论在健康信息披露意愿研究中占据着主导地位[8]。与此同时，技术接受模型、计划行为理论、社会交换理论等理论也常作为补充来丰富研究理论基础。如张星等[9]通过集成隐私计算理论和计划行为理论模型，认为信息披露态度、知觉行为控制等因素影响着在线健康披露意愿；王瑜超等[10]通过探索感知收益对健康信息披露意愿的影响效应来拓展隐私计算理论。此外，在健康信息披露行为研究中的“隐私悖论”现象也引起了许多学者关注，即患者对健康隐私的担忧并未阻止患者的实际隐私披露行为。如Zhu M等[11]从隐私计算和隐私疲劳的角度，证实了移动医疗服务中隐私悖论的存在；朱光等[12]引入信息敏感性作为调节变量，发现其可以显著降低隐私悖论的强度，从而从悖论消解的视角重新讨论了信息披露行为的过程。

通过文献回顾发现，以往研究多采用传统的结构方程模型来探究影响健康信息披露意愿因素的单一效应，而因素间互相结合产生的组态是否对结果变量有影响还未有研究。此外，以往研究多讨论结果变量存在的充分条件，而缺少是否存在变量是导致结果发生的必要条件的探究。在移动医疗服务场景下，当某一条件不满足时，患者就可能没有披露自身健康信息的意愿，因此有必要对其展开研究。

1.2 精细加工可能性模型

精细加工可能性模型(Elaboration Likelihood Model，以下简称为ELM)，国内也有学者称作双路径模型，是美国心理学家Petty R E等[13]提出的社会心理学双过程理论。ELM理论认为，人们在形成信念和做出决定时可以花费不同程度的认知努力[14]。现有研究已经证实，ELM为个人态度和行为的形成过程提供了很好的解释，并为理解个人的决策过程提供了有用的框架[15]。ELM提出决策过程有两条不同的路线：中枢路径和边缘路径。中枢路径是指个人对问题细节进行缜密考虑，需要投入大量的精力对所有相关信息进行高度精细的处理；而边缘路径指的是低精细处理，其进行的信息处理常常依赖于简单的线索，仅仅需要较少的认知努力。因此，从中枢路径得出的结论往往比从边缘路径得出的结论更稳定和持久[16]。目前已有学者基于精细加工可能性模型讨论了移动医疗服务场景下存在的隐私悖论问题和不同路径下的因素如何影响患者健康信息的披露意愿[17]，但是两条路径是否存在交叉组合效应仍未得到探究。同时，相关实证研究也证实了ELM在隐私问题领域具有很强的解释力[18-19]。

1.3 研究模型构建

感知风险最早源自消费心理学，是指消费者在做出购买决策时所面对的不确定性，即不确定结果是否发生或结果发生是否会带来危险，在隐私问题的研究中常指用户对披露个人信息所带来的潜在损失的感知[20]。在隐私计算模型中，感知收益指用户对使用特定服务带来的利益回报的预判[21]。用户对风险和收益的感知是通过对时间或经济等潜在损失和收益的综合评估而来的[22]，在评估过程中，用户希望自己仔细审视现有信息，以对可能的损失或收益进行彻底和仔细的考虑[23]，这通常需要很高的认知努力以及更多的精力。Dinev T等[24]认为，信任是信息披露行为发生的前提条件，信任会使用户相信服务提供商不会滥用他们的个人信息，可减轻用户的隐私顾虑，增强其信息披露意愿。而当信息披露行为发生时，用户面临的风险和得到的收益会受信任的影响直至披露行为暂停或结束[25]。用户对服务提供商建立信任的过程往往需要投入很多认知努力，综合考虑诸多因素来进行高度精细的处理，比如仔细审视平台提供的信息和服务的真实性、可用性等。因此，本文认为用户面临信息披露决策时，感知到的风险与收益以及信任是信息处理的中枢路径，由中枢路径产生的结果往往具有很强的说服力。

在信息科学领域，隐私关注常被视为隐私问题研究的核心衡量标准，隐私关注被概念化为互联网用户对个人信息的收集、收集信息的控制以及收集信息被平台使用认识的程度[26]。与感知收益和风险不同，隐私关注与个体对预期损益的严格评估无关[27]。学者们普遍认为，隐私关注就是用户对隐私的认知，很大程度上源于个人特征、在线服务体验等个人因素[19,26]，而且更多地依赖于外围线索，不需要高度的认知努力，是一种相对稳定和内化的隐私问题心理倾向[24]。此外，也有研究证实，隐私关注对实际披露行为没有显著影响[28]，即存在“隐私悖论”。信息敏感性是指用户向平台提供信息的敏感程度，医疗平台用户的病史、遗传史等健康信息比一般信息更为私密和敏感，用户更害怕健康敏感信息泄露[29]。已有研究发现，用户披露个人信息的意愿很大程度上取决于该信息的敏感性[6,30]。判断信息是否敏感对用户来说是主观意识上的，而且在判断将要披露的信息是否敏感时，用户不需要投入太多的认知努力和精力，仅仅依赖直观的判断就能对信息进行处理。因此，本文认为产生隐私关注及判断信息敏感性的过程是通过边缘路径进行的，不需要对信息进行高度精细的处理。而ELM认为，边缘变量只能产生暂时且不稳定的影响，并且无法有效预测受影响的行为。

综上所述，通过结合精细加工可能性模型和已有研究，文章认为用户使用移动医疗服务过程中产生的中枢路径和边缘路径下的感知收益、感知风险、信任、隐私关注及信息敏感性等变量共同影响着其健康信息披露意愿，研究模型如图1所示。本文将探究两个科学问题，即中枢路径与边缘路径下的变量之间是否存在组合效应以及哪些变量是结果存在的必要条件。

图1 研究模型

2 研究设计

2.1 研究方法

定性比较方法(QCA)用于解决复杂因果问题，该方法以案例为导向，根据案例将条件组成不同的组态，来探究结果变量如何根据前因变量的组合变化而变化，突破了传统研究方法中单个变量和结果之间的线性关系表达的局限，为变量间存在复杂关系且难以简单验证影响效应的研究提供了新思路[31]。QCA方法一般分为清晰集定性比较分析(csQCA)和模糊集定性比较分析(fsQCA)，csQCA一般适用于二分类数据变量问题，而fsQCA常用于连续性变量的分析[32]。因此，文章将采用fsQCA的方法来探究复杂因素间的不同组态如何对健康信息披露意愿产生影响。

必要条件分析(NCA)是一种用于识别和检测数据中影响结果变量的必要非充分条件的研究方法，该方法弥补了传统研究方法(回归和相关分析)只关注充分条件而忽略必要条件的不足[33]。NCA方法通过绘制散点图并观察是否在散点图左上方存在空白区域的方式来初步判断必要条件的存在，同时将根据散点图空白区域与整体区域的比值来表示必要条件的效应值[33]。此外，NCA方法还引入了瓶颈表的概念，来表示结果变量达到预期给定水平结果所需的条件必需水平。尽管fsQCA方法也能识别必要条件，但仅限于从定性角度分析(即变量X是结果Y的必要条件)，而NCA方法不仅可以定量地体现必要条件的程度，而且能够分析对Y的不同水平来说必要变量X所需要达到的水平[34]。特别的是，NCA方法和fsQCA一样，对大样本量研究和小样本量研究都具有很好的效果[34]。因此，文章将通过fsQCA和NCA混合方法，来检验是否存在影响信息披露意愿的必要条件，如果存在，在什么水平上达到影响。

2.2 问卷设计与回收

为保证研究的内容效度，本研究所有测量题项均参考国内外已有相关文献，在已有研究的基础上结合当前移动医疗服务情况进行适当修改。问卷设计主要分为两部分，第一部分为基本情况调查，主要统计被调查者的性别、年龄、常居住地等基本信息。第二部分包含对研究模型涉及的5个自变量和1个因变量的考察，其中，每个变量包含3个测量题项，如表1所示。问卷题项的测量采用李克特5级量表。

表1 问卷测量题项

本研究通过问卷平台问卷星发放调查问卷，调查对象为使用过移动医疗服务的用户，问卷发放首先通过数名拥有长期使用移动医疗服务经历的用户作答，再由其推荐给身边同样拥有移动医疗服务经验的朋友进行作答，同时为有效问卷设置红包奖励，鼓励真实填写。经过历时两周左右的问卷发放，最终共收回有效问卷135份，其中男性被调查者占比为48.9%，女性被调查者占比为51.1%，男女比例较均衡；而被调查者年龄大部分集中在18～50岁之间，符合移动医疗服务受众人群年龄特征。学历以受过高等教育的移动医疗服务用户为主，本科及以上约占样本用户群体的80%，受过高等教育的人群更能够根据需要处理的信息复杂程度来客观判断信息披露的意愿。

2.3 信效度检验

为保证问卷数据的可靠性，本研究通过统计分析软件SPSS和Amos对量表数据进行信效度检验，检验结果如表2所示。通过Cronbach’s α系数检验信度发现，问卷整体Cronbach’s α系数为0.808，各变量内部Cronbach’s α系数均大于0.8，且各变量组合信度CR均大于0.7，说明问卷各变量信度较高，问卷内部具有很好的一致性。而通过验证性因子分析发现，各变量对应题项的因子载荷均大于0.5，绝大部分大于0.7，说明题项对所属变量的解释性很强，均可保留。此外，各变量的平均方差变异AVE值均大于0.5，说明变量具有很好的聚合效度。综上，本研究问卷数据通过了信效度检验，可以进行下一步的数据分析。

表2 信效度检验结果

2.4 变量校准

由于本研究问卷数据是使用李克特5级量表所得，根据fsQCA方法的分析步骤，在进行组态分析之前，需要对数据进行校准处理，确立3个锚点，即完全隶属点、交叉点和完全不隶属点。依照以往研究，本研究将3个锚点分别设置为各变量题项数据平均值的最大值、中位数以及最小值，锚点具体设置情况如表3所示。

表3 各变量校准锚点

3 数据分析

3.1 必要条件分析

NCA方法在通过散点图判断前因变量是否为结果变量的必要条件的同时，还能够分析必要条件的效应量(即瓶颈水平)大小，揭示不同结果变量水平发生时所对应的必要条件的水平。效应量通常取0～1之间的某一值，0～0.1表示低等效果，0.1～0.3表示中等效果，0.3～0.5表示高等效果[33]。此外，根据Dul J等[42]最新的研究，变量是否为必要条件需要同时满足两个条件：效应量d大于等于0.1且效应量是显著的(p≤0.05)。NCA方法通常采用上限技术绘制散点图，即在没有测量值的空白区域与具有测量值的完整区域之间绘制上限包络线，而上限技术又分为包络上限(Ceiling Envelopment，CE)与回归上限(Ceiling Regression，CR)，包络上限通常用于处理二分类变量，回归上限则常用于处理连续或离散型变量，因此，本文采用回归上限技术CR的方法绘制散点图及统计相应数据值。

通过散点图可以看出，除信任这一变量散点图左上方存在空白区域外，如图2所示，其他变量均不存在(为节省篇幅仅列举信任和隐私关注变量的散点图)。

图2 部分变量散点图

在纳入研究的5个前因变量中，只有信任(d=0.137且显著)这一变量满足必要条件的要求，介于中等效果之间，结果精确度为92.6%，而其他变量效应量均为0，如表4所示，这表明信任是移动医疗服务用户信息披露意愿的必要条件，感知收益、感知风险、信息敏感性、隐私关注则不是。

表4 必要条件分析结果

由瓶颈表可知，在0～70%的信息披露意愿水平上，5个前因变量对结果变量都没有影响。而要达到80%的信息披露意愿水平则需要22%的信任水平，如果要将水平提升到90%，则需要信任水平相应增加到66.6%，如表5所示；信息披露意愿水平达到100%，则需要满足100%(NA表示100)的信任水平才能实现。

表5 必要条件瓶颈表(CR-FDH)

在fsQCA方法中，对单一变量进行必要性检测，可以发现案例中是否存在导致结果发生的必要条件，从而初步确立组态中的核心条件。一般认为，前因变量一致性大于0.9，则可认为是结果发生的必要条件，而变量前加上～则表示不隶属于结果变量。变量必要性检测结果表明，不存在任一前因变量的一致性(Consistency)大于0.9，如表6所示，说明通过fsQCA方法并未发现存在影响移动医疗服务用户健康信息披露意愿的必要条件。

表6 单一变量必要性检测结果

3.2 组态分析

本研究通过软件fsQCA3.0将案例阈值设为1，一致性阈值设为0.8，PRI一致性阈值低于0.65的案例结果标记为0来求得真值表及进行组态解的计算。fsQCA软件会生成3种不同的解：复杂解、中间解和简单解。通常将同时出现在中间解和简约解中的条件定义为核心条件，将仅出现在中间解中的条件定义为边缘条件。此外，在结果呈现形式上，使用●和⊗表示核心条件存在和缺失；●和⊗表示边缘条件存在和缺失；空白则表示无关条件[43]。通过案例分析共得出3条影响用户健康信息披露意愿的组态，3条组态的一致性分别为0.948、0.936、0.946，组态总体一致性为0.924，如表7所示，说明已构成组态能够解释影响信息披露意愿的原因，组态效应显著。此外，组态总体覆盖率为0.831，说明当前组态能够解释81.7%的案例。组态结果显示，无论在哪条组态情景下，信任都是核心条件，这与必要条件分析结果认为信任是健康信息披露意愿产生的必要条件相对应，因此，本文在信任作为必要前提条件的基础上，归纳出3种影响信息披露意愿的路径。

表7 用户健康信息披露意愿组态

1)风险消解型路径，该路径由组态1(～PR*IS*TS)构成，覆盖了61%的样本案例。这条路径下覆盖的样本用户相较于其他用户来说，对自己要披露的健康信息敏感度更高，更易感知到预期风险，其信息披露意愿主要受自身感知风险程度影响。以往已有研究证实，信任能够降低用户在使用特定服务时感知到的风险，因为它降低了人们在不确定情景下所面临的复杂性[44]，而当人们感知到的风险很低时，反过来又提升了其信任水平。因此，在该路径下，当用户在信任的基础上，同时感知到的预期风险被消解时，即使需要披露的健康信息高度敏感，用户也会具有很强的健康信息披露意愿。

2)权衡利弊型路径，该路径由组态2(PB*PR*TS)构成，覆盖了61.5%的样本案例。该路径下样本用户在使用移动医疗服务时同时感知到风险和收益，会在风险和收益之间权衡利弊，当感知收益大于风险时，用户的信息披露意愿会随之增强。这与隐私计算理论所认为的一样，即用户在做信息披露决策时，实际上是在对成本和收益进行权衡，选择接受可承受损失以换取更大的收益[45]。而用户使用移动医疗服务的最重要目的之一就是治疗疾病，因此当用户感知到披露的健康信息能够有助于痊愈时，在对医疗服务信任的基础上，感知收益大于风险，用户会更倾向于披露信息以获取收益。

3)利益驱动型路径，该路径由组态3(PB*～PC*TS)构成，覆盖了57.1%的样本案例。当该路径下样本用户隐私关注水平较低时，其感知收益越高，健康信息披露意愿也就越强。现有研究针对隐私关注的结论未能统一，一般认为用户更多地关注自身隐私会降低其信息披露意愿[9]，但是隐私悖论现象的存在又表明隐私关注能够正向影响信息披露意愿[46]，这些研究仅考虑单一变量对结果效应的影响。而本研究的组态结果3证实隐私关注可能受其他变量影响导致结论偏差，例如用户在使用移动医疗服务时，受利益的驱使，可能忽略或降低对隐私的关注，选择披露更多信息。

3.3 稳健性检验

稳健性检验的方法通常有调整校准阈值、调整案例频数阈值、改变一致性阈值以及增加或减少案例等[47]。本研究通过调整案例频数阈值的方法来进行稳健性检验，将案例频数阈值从1调整到2，之后组态分析结果发现，经过调整之后组态总体一致性从0.924变为0.921，如表8所示，个别条件出现微变化，但已经符合稳健性检验的标准，因此可以认为本研究结果是稳健的。

表8 稳健性检验结果

4 结论与启示

4.1 研究结论

本研究基于精细加工可能性模型，运用QCA和NCA混合的方法，分析了移动医疗服务用户健康信息披露意愿影响因素的必要性程度和充分性组态类型，得到以下结论。

1)文章通过NCA方法发现，位于中枢路径下的信任变量是影响用户健康信息披露意愿的必要条件，并且通过瓶颈表分析发现，要达到80%的信息披露意愿水平需要22%的信任水平，90%则需要66.6%的信任水平，达到100%则需要满足100%的信任水平。尽管根据fsQCA的变量必要性检测分析发现信任并不是影响结果的必要条件，但是两者判断变量必要性的依据不同，根据NCA方法发现，当健康信息披露意愿达到80%的水平时，信任才开始成为结果发生的必要条件；另外，组态分析结果也显示，在3条组态中信任都是核心条件，这从一定程度上解释了差异来源，表明两者的结果并不冲突[48]。

2)文章通过fsQCA对中枢路径和边缘路径下的影响变量进行组态分析，得到3条影响健康信息披露意愿的组态路径：风险消解型路径(～感知风险*信息敏感性*信任)、权衡利弊型路径(感知收益*感知风险*信任)和利益驱动型路径(感知收益*～隐私关注*信任)。各组态中枢路径下变量的作用效果都要强于边缘路径，用户在中枢路径下进行的信息处理往往是高度精细化的，需要投入更多的精力，因此其对用户健康信息披露行为的影响也更深入和稳定持久。

4.2 研究启示

本研究通过实证分析得到的结果为后续研究提供了一些理论和实践上的启示。

1)理论方面，首先，不同于以往研究仅讨论研究问题因果关系的充分性效应，本研究利用NCA方法创新性地探讨了因果之间的必要性效应，认为信任是用户产生健康信息披露意愿的必要条件，有利于揭示用户健康信息披露行为机理，同时也为相关领域学者讨论研究问题因果关系提供新的方法思路；其次，本研究基于精细加工可能性模型，根据信息处理的精力投入程度不同，将前因变量分别纳入中枢路径和边缘路径进行讨论，发现并不仅是单一路径在产生影响效应，用户在进行复杂信息处理时也可能同时受到简单的信息线索影响而做出信息披露决策；第三，利用fsQCA方法从组合效应视角对隐私计算理论和“隐私悖论”进行了佐证与解释，本文通过fsQCA方法得出的权衡利弊型路径佐证了隐私计算理论的观点，即用户做出隐私决策是基于利益与风险的权衡，不同的是，本文认为信任是隐私计算理论可行的必要基础。此外，以往关于“隐私悖论”的研究只是从隐私关注对隐私披露意愿的正负影响方面进行探究，而本研究经过实证发现，隐私关注在对披露意愿产生影响时，可能受其他因素如感知收益的影响使得其影响方向产生改变，导致“隐私悖论”现象的产生；最后，通过fsQCA方法考虑中枢和边缘两条路径交叉产生的变量组合效应，弥补了传统回归分析或结构方程模型只能探究单一变量效应的缺陷，为后续研究提供了一定参考。

2)实践方面，首先，移动医疗服务平台必须明确，信任是影响用户健康信息披露意愿的必要条件，信任是用户与平台进行交互的基础，平台应当将赢取用户信任作为首要目标，例如将获取与使用用户健康信息的过程透明公开，给予用户更大的信息知情权；其次，平台应考虑建立适当的奖励机制，增加系统反馈，鼓励用户寻求个性化服务，以增强用户感知收益。此外，由于健康信息普遍具有高度敏感的特性，平台可以利用健康信息科普等方式，使用户对健康信息有更深入的了解，理性看待健康信息披露；最后，平台应当尽力降低用户隐私担忧与风险，可考虑改进隐私策略，在开放和透明的基础上提高其应用程序的可读性、简洁性和人性化，降低用户处理信息的复杂度。与此同时提供更广泛的服务功能设置权限，更全面地覆盖用户的隐私控制需求。

5 不足与展望

本研究存在以下不足。首先，在样本数据的选取上没能较好地保证样本数据在人口统计学上的平均分配，如研究样本覆盖学历层次过高，这可能由取样过程中部分样本来源集中导致，未来需要克服样本的局限性；其次，文章在研究变量的选择上可以更为丰富一些，未来可以讨论更多变量的影响效应；最后，本研究仅仅探究了健康信息披露意愿而未涉及实际信息披露行为的讨论，尽管意愿已被证实是行为的一个强有力的预测指标[49]，并且普遍被用作隐私问题研究中行为的指代，因此未来将进一步讨论健康信息披露意愿和行为之间的关系。