张建同 吴 钰

（同济大学经济与管理学院，上海 200092）

随着人口老龄化问题的进一步升级与慢性病人群的年轻化，大众对医学相关信息的需求不断提升。《2019年第一季度中国网民科普需求搜索行为报告》数据显示，健康与医疗相关搜索比例占据总搜索量的73.8%，位列第一。随着互联网信息爆炸式增长，互联网医疗平台逐渐成为大众获取医疗知识与服务的重要渠道，具有广阔的应用前景。随着近几年国内互联网医疗相关的政策导向与新冠肺炎疫情的影响，在线医疗信息服务行业发展迅速。以好大夫在线、春雨医生为代表的在线医疗平台由于能够实时满足患者的医疗咨询与“轻问诊”的需求，有效缩短医生和患者在时间和空间上的距离，所以疫情下在线医疗平台的问诊量呈现倍数级增长。数据显示，自疫情起截至2020年2月5日，丁香医生在线问诊平台用户环比增幅达215.32%，问诊量环比增幅达134.91%，在线医疗正逐渐成为医疗行业未来发展的新方向。

从经济角度看，在线医疗服务价格直接反映了供需平衡信息，定价策略的选择与调整是在线医疗平台运营需要解决的关键问题。平台的定价结构决定了平台的盈利，医师作为在线医疗服务的供应端，在平台相关条款的约束下，参照定点医疗机构制定的服务价格，自主设定对应的服务价格。因此，在线医疗平台的定价策略更为复杂，关于影响服务定价因素的研究也就显得更为重要。目前关于在线医疗平台用户行为已有较为充分的研究，但影响医生定价的相关因素还有待深入研究。因此，本文的在线医疗服务价格研究将在用户行为研究的基础上，从医生综合信息、患者反馈信息与医生服务意愿三个维度入手，构建在线医疗平台服务价格影响因素的理论模型，并通过回归方法进行实证分析以验证模型的准确度，探究三者的作用机制。本研究在理论上可以丰富考虑用户行为的定价管理决策的理论体系，在实践上可以帮助医生与平台设计有针对性的定价结构，为平台运营管理策略提供科学依据和建议。

1 文献综述

自在线医疗网站出现，学者已开展大量相关研究。由于医疗领域知识门槛高，所以信息不对称现象在医疗领域更加明显。相较于患者，医生具备专业的医学知识等信息，拥有更强的议价能力，而在线医疗平台提供了健康知识、医生的个人信息与患者评价等，在一定程度上消除了患者所面临的信息不对称，减少了其对医生的不信任感。基于此，众多学者依据信任理论与信号理论等开展相关研究。

根据研究主体的不同，学者关注的方向有所不同。关于患者行为，学者多研究持续使用行为与择医行为。Choi等研究表明在在线医疗服务的选择中，用户感知价值（服务质量和价值）影响用户满意度，进而影响用户的行为意向。Guo等发现医生评级、星级、评论和虚拟礼物的反馈形式可以作为服务质量的信号，影响患者的消费意愿。雷艺琳等指出品牌形象对患者感知质量产生直接影响，而感知质量对感知价值有着显著的直接影响，进而影响用户的后续行为。Lu等发现医生口碑负向调节服务质量与患者选择的关系，疾病风险与医生服务质量和患者选择负相关。吴江等从信任角度出发，探明了患者购买意愿与平台合作医生的职称和医院等级显著正相关。曹仙叶等基于服务多样性视角，以医生的服务种类数量、医生热度与服务价格为变量研究其对患者决策的影响。易梦馨等基于主页中的医生文本信息与照片信息，加入面孔可信度维度研究患者的择医行为。

医生行为研究数量总体少于患者行为研究，且多集中在医生的使用行为、知识贡献行为与定价行为等方面。Wu等解释了医生对互联网医疗技术的使用行为。马骋宇等指出便利条件、社会影响、努力期望和绩效期望对医生的使用行为存在积极影响。从定价方面来看，在线医疗平台中，医疗服务的价格由医师自主设定，医师的收益反过来也会影响服务定价。Guo等指出医师职称和医患互动反馈两个指标对医师的社会与经济回报皆有显著影响。Li等发现知识贡献和医师声誉都会对医师的收入产生正向影响。Jiang等指出服务交付质量能有效帮助医师提高收益。李莹莹证明了医生服务访诊量在对服务价格影响中的中介作用。Kuang等的研究结果表明在线渗透率对医生服务质量有积极影响，对在线服务价格则有负面影响。

当前的在线医疗社区中，在线信息对患者的决策与医生的定价行为起到重要作用，关于医生本人服务意愿以及个人价值实现对于医生服务价格制定的影响及其作用机制仍有待探索。因此，本文选择从在线医疗网站的医生个人信息、患者反馈与医生服务意愿三个角度探索其能否缓解患者面临的信息不对称现象，同时促进医生业绩的增长并影响医生服务价格的制定，使得医生积极参与到在线医疗服务中以促进医患双方共赢。

2 研究模型和假设提出

为了确保信息的真实性，在线医疗平台提供了医生真实的线下所属医院、科室及职称等，以降低患者面临的服务质量风险。研究表明，医生的专业能力是影响患者感知信任的重要因素之一，而且医生也可以根据个人的身份、职称等进行自我价值评估，进而制定合理的服务价格。在线反馈机制作为帮助消费者区别不同质量与不同信誉的商家的手段，可以减少买家面临的信息不对称现象。在线医疗平台中患者的反馈信息同样减少了患者对医疗服务风险的感知，因此医生可以根据患者的反馈来制定服务价格。

在信息不对称的情景下，信号理论可以用来理解消费者怎样在购买前对产品质量进行评估。在相关研究中，学者多考虑价格、品牌、售后等线下信号与消费者的购买和评价等在线信号，但关于服务提供者的服务意愿信号考虑较少。曹仙叶等指出原因可能在于传统产品服务提供者的服务意愿水平相似，而在线医疗平台不仅为医生提供了实现自我价值的机会，还能帮助医生获取额外收入，所以医生的服务意愿存在较大差异。

根据上述分析建立医生综合信息、患者反馈信息与医生服务意愿之间影响关系的理论模型，如图1所示。

图1 理论模型

医生职称是医生自身素质和价值的体现，医生所属医院等级也能从侧面反映医生的整体能力水平。患者出于生命健康考虑，更倾向于支付更高的价格选择更高等级的医院与更高职级的医生。医生推荐热度是医疗平台综合考虑医生就诊量、好评率等因素向患者推荐的一个指标，推荐热度得分越高的医生服务质量越高、竞争优势越大，越有可能制定较高的服务价格。基于上述内容，选取医生职称、所属医院等级与医生推荐热度三个指标综合衡量医生能力，提出如下假设：

H1a：医生职称对医生的服务价格有正向影响。

H1b：医生所属医院等级对医生的服务价格有正向影响。

H1c：医生推荐热度得分对医生的服务价格有正向影响。

在线医疗网站上提供了心意礼物、感谢信、医生总患者数量与医生主页访问量等患者反馈信息。其中：心意礼物与感谢信是患者就诊后对医生的两种感谢方式，反映了医生的服务质量与服务态度；医生总患者数量指在好大夫在线平台上选择该医生进行网络问诊的患者总数；医生主页访问量指不同人群点击医生主页的总次数，在一定程度上可以反映医生的受关注度。医生的患者总数与受关注度越高，越能降低患者面临的服务质量风险与信息不对称程度，患者也就越愿意支付更高的价格。因此我们认为医生所收到的心意礼物与感谢信的数量越多，医生的总患者数量与医生主页访问量越多，代表了医生的声誉越好、医术水平与服务质量越高，医生也就越可能制定较高的服务价格，所以做出如下假设：

H2a：心意礼物数量对医生的服务价格有正向影响。

H2b：感谢信数量对医生的服务价格有正向影响。

H2c：医生总患者数量对医生的服务价格有正向影响。

H2d：医生主页访问量对医生的服务价格有正向影响。

针对医生的服务意愿信号，选取医生的上次在线时间和服务响应速度衡量医生的服务意愿，一般上次在线时间越接近现在，服务响应速度越快，代表医生的在线问诊服务意愿越强，反映了其越期望能够在在线平台实现自己的价值，医生也越希望能得到相应的回报，也就越可能制定一个较高的价格。因此提出如下假设：

H3a：医生上次在线时间对医生的服务价格有正向影响。

H3b：医生服务响应速度对医生的服务价格有正向影响。

患者反馈信息会让医生获得一定程度上的心理满足，对医生而言也是一种自我价值的实现，而且心意礼物还能让医生获得现实收益，相应的经济与社会回报无疑能够提高医生在线问诊服务的意愿。同时，根据上述内容，本文认为医生服务意愿对服务价格有正向影响，患者反馈信息对服务价格的影响可能会通过医生服务意愿来传递，因此提出如下假设：

H4：医生服务意愿在患者反馈信息对医生服务价格的正向影响中起到中介作用。

综上所述，医生服务价格的制定不仅受到心意礼物等患者反馈信息的直接和间接影响，还受到医生职称等医生综合信息与医生服务意愿的直接影响。

3 实证分析

3.1 描述性统计分析

本文利用好大夫在线网站的真实数据来验证医生的综合信息、服务意愿以及患者反馈信息能否影响其服务定价，数据爬取时间为2021年11月，包含高血压、糖尿病、贫血等12 个内科科室在内的共34253位医生的数据，包含的具体变量与处理方式如表1所示。

表1 变量及其含义

首先对数据进行预处理，预处理后的有效数据共14175条。然后利用Stata对变量进行描述性统计分析，结果如表2所示。图2给出了主要变量的直方图描述。

表2 描述性统计

根据图表可以看出，好大夫在线医生的图文问诊服务价格从1元到1500元不等，平均服务价格为77.702元。而根据标准差115.664可知，医生在线服务价格的离散程度较高，说明了不同医生之间的在线图文问诊服务价格之间差异很大，也反映出在线医生服务价格研究有一定的现实意义。医生的职称的平均值为3.365，医生所属医院等级的平均值为5.908，可以发现目前开通在线问诊服务的医生主要为主任医师和副主任医师，而且医生所属医院多为三甲医院。另外，患者数量、医生主页访问量、心意礼物数量、感谢信数量的离散程度都较高，数据集不对称且在右边更加分散。同时根据图2，可以看出医生的上次在线时间分布非常不均匀。

图2 各变量直方图

3.2 相关性分析

相关性分析的目的是避免变量之间出现模型多重共线性的问题，结果如表3所示。可以看出，医生的主页访问量与医生的患者数量、感谢信数量与心意礼物数量间的相关系数较大，但是所有变量间的相关系数都小于0.8，在可接受范围内。

表3 内科疾病相关系数矩阵

3.3 价格影响因素分析

选取图文问诊价格为代表，根据上述分析建立多元回归模型，实证模型设定如下：

tuwenprice＝α0＋α1·titile＋α2·hospital_title＋α3·recommendation＋α4·totalpatient＋α5·present＋α6·totalview＋α7·thankletter＋α8·latest＋α9·tuwenspeed＋εi

由图2可以看出，本文各变量的分布并不均匀，而均值模型考虑的是因变量的均值，难以扩展到变量的非中心位置。因此，为了进一步探究医生综合信息、服务意愿与患者反馈信息对医生服务定价分布的影响，本文进一步使用分位数回归模型进行回归分析。分位数回归可以克服极端值的影响，得到更加稳健的估计结果，可以更加全面完整地分析因变量的条件分布。具体模型形式为：

Qtuwenpricei＝α0′＋α′1·titile＋α′2·hospital_title＋α′3·recommendation＋α′4·totalpatient＋α′5·present＋α′6·totalview＋α′7·thankletter＋α′8·latest＋α′9·tuwenspeed＋ε′i

从表4的第（1）列可以看出，医生的职称、所属医院等级、推荐热度的系数均大于0，且在1%的水平上显著，说明医生的综合水平和服务质量越高，其图文问诊价格也就越高，也在一定程度上减少了患者的信息不对称。同样患者反馈信息的系数也为正数，说明总访问量越高、心意礼物与感谢信数量越多的医生，其图文问诊价格越高，暗示了用户可以通过医生所获的礼物与感谢信数量了解医生的专业水平。这背后可能有两个原因：首先，医生收到的礼物与感谢信数量多意味着在该医生处进行过网络问诊的患者数较多。根据“观察学习”理论，当决策者观察到“同伴”的决策时，有一定概率会忽略已有信息，根据“同伴”的行为做决定，从而可能导致“羊群效应”，即一个人选择某位医生仅因为有很多人选择过这位医生。其次，心意礼物与感谢信数量为患者提供了进一步的信息，减少了其面临的信息不对称。而且患者反馈信息的系数皆大于医生综合信息，说明患者反馈信息对医生图文问诊价格的影响更大，也暗示了同处于消费者方的信息对于患者的参考意义更大。然而患者总数量的系数为-0.0385，且在1%的水平上显著，和医生的图文问诊价格呈现负相关的关系。也就是说在某种水平上医生的图文问诊价格越低，该医生的患者数越多。该现象反映出一种“替代效应”，在医生水平相近（职称、所属医院等级等）的情况下，患者偏向于选择服务价格低的医生。同时，医生的上次在线时间的系数为0.00487，说明医生的上次在线时间越接近现在，医生的网络问诊服务意愿越强，医生的问诊价格也就越高。而医生的图文问诊速度的系数为0.000083，且不显著，说明医生的服务响应速度对其服务价格的制定没有影响。这背后可能是由于“明星效应”与“口碑效应”存在，消费者愿意支付较高的价格、花费较多的时间选择明星产品（服务）或者口碑好的产品（服务），对于医疗领域而言，即患者愿意花费长时间在“名医”处排号。

表4 主要回归结果

表4的第（2）至（6）列分别显示了医生图文问诊价格在10%、25%、50%、75%、90%分位点的分位数回归结果。可以看出，在图文问诊价格的低分位点，医生职称的系数并不显著，随着分位点的提高，其显著性逐渐增强，至50%分位点，系数在1%的水平上显著且逐渐增加。这一现象说明对于图文问诊价格较低的医生，其职称高低并不会显著影响其定价，随着图文问诊价格的逐渐升高，医生职称对其定价的影响也逐渐增强。类似地，医生的上次在线时间同样反映出医生在线问诊意愿增强，会逐渐影响医生服务价格制定的提高。推荐热度变量的系数在5个典型分位点上在1%水平通过了显著性检验，且随着图文问诊价格的升高，推荐热度的系数估计呈现明显的上升趋势，医生的推荐热度越高，其图文问诊价格也相应增加。医生收到的感谢信数量同样在1%的水平上显著，无论医生的图文问诊价格高低，医生收到的感谢信数量都显著影响其定价。且在所有变量中，感谢信数量对应的系数绝对值最大，说明它对图文问诊价格的影响最大，也证实了在OLS模型中，患者反馈信息对定价影响较大这一结果。而医生收到的心意礼物数量的系数在50%及以下的分位点中在1%的水平上显著，在50%以上的分位点中系数却不显著，且在50%分位点时达到最大。原因可能在于它的价格在5元到200元之间，对于高服务价格的医生收益增加不大，因此可能对服务价格影响相对较小，对低服务价格的医生影响更大。这说明对于低图文问诊价格的医生，收到心意礼物的数量能促进其定价的增加；对于高图文问诊价格的医生，收到心意礼物的数量对定价的促进作用有限。这同时也在某种程度上反映了一些高价格服务的不合理，医生在制定价格时不能一味追求高价。医生所属医院等级变量的显著性先增后减，系数逐渐增大，其作用与医生职称作用相似。观察医生的响应速度变量系数及其显著性，可以进一步确认OLS模型的估计结果，即医生的图文问诊价格与其服务响应速度相关性趋近于0。

根据上述分析，假设H1a、H1b、H1c、H2b、H2d、H3a在所有情景下都成立，假设H2a在部分情况下成立，假设H2c与H3b不成立。

3.4 医生服务意愿的中介作用分析

根据中介变量的检验方法、第2节提出的模型假设与3.3节的实证结果重新构建回归方程，具体模型如下：

tuwenprice＝α0＋α1·present＋α2·totalview＋α3·thankletter＋ε0

latest＝β0＋β1·present＋β2·totalview＋β3·thankletter＋ε1

tuwenprice＝γ0＋γ1·present＋γ2·totalview＋γ3·thankletter＋γ4·latest＋ε2

根据中介变量的一般检验方法，分别检验患者反馈信息对医生服务价格的影响、患者反馈信息对医生服务意愿的影响与医生服务意愿对服务价格的影响，回归结果如表5所示。可得患者反馈信息与服务价格显著正相关，患者反馈信息显著正向影响医生服务意愿，同时医生的服务意愿对服务价格有显著正向影响，说明医生的服务意愿会影响服务价格的制定。通过上述分析，利用Sobel公式对医生服务意愿进行中介作用的验证，结果如表6 所示。可得，医生服务意愿在患者反馈信息对医生服务价格的影响中起到中介作用，即患者反馈信息对医生服务价格的影响会部分通过医生服务意愿这一变量进行传递，因此假设H4成立。

表5 模型回归结果

表6 Sobel检验取值

3.5 医生服务价格影响机制分析

进一步观察各变量在不同分位数水平下对医生服务价格的影响，图3表示各变量在不同分位点的系数估计。可以看出，医生职称、所属医院等级、推荐热度、总访问量与上次在线时间对医生图文问诊价格的促进作用较低，感谢信数量对问诊价格的促进作用较大，但这些变量的作用模式都是相同的，都会使高定价问诊服务的医生价格更高，即这些变量的存在会使患者对网络问诊服务的消费模式趋同，这说明其具有“明星效应”。总患者数与心意礼物数量则对低定价问诊服务的医生促进作用更大，对高定价服务的医生促进作用反而更小，说明这两个变量能够帮助患者发现更多不出名的医生，使患者的医疗消费模式差异增大，验证了“长尾效应”的存在。

图3 分位数回归下各变量系数的置信区间

综上，我们发现各变量都能促进医生定价提高，但其作用机制存在一定差异。医生的综合信息、服务意愿与感谢信数量指标更多地表现出“明星效应”。由于“明星医生”的网红属性，用户都趋于选择购买“明星医生”的服务，从而导致消费者之间的消费模式差异缩小，更多地提高了高定价服务医生的服务价格；心意礼物数量与总访问量则更显著地提高了低定价服务医生的服务价格。根据“长尾效应”理论，随着搜索成本的降低，消费者的消费模式会呈现多样化的趋势，用户可能会由于等待时间久等原因而选择其他医生。

4 结论与展望

本文以好大夫在线医疗网站为案例，依据相关理论建立了医生综合信息、患者反馈信息、医生服务意愿与医生服务价格的研究模型。通过实证分析，主要贡献在于：（1）考虑了医生的服务意愿对服务价格的影响，而以往研究多集中在服务意愿与在线信息对患者选择行为的影响上；（2）基于信号理论研究了患者反馈信息、医生服务意愿与医生服务价格之间的关系，证实了医生服务意愿在患者反馈信息对医生服务价格的正向影响中起到中介作用；（3）根据分位数回归探究了不同因素对服务价格的作用机制，医生的综合信息、服务意愿与感谢信数量指标更多作用于高定价服务的医生，心意礼物数量与总访问量更多提高了低定价服务医生的服务价格。

本文也为医生与医疗服务平台提供了一定的指导：首先，三类因素都显著影响服务价格的制定。如果医生想要利用在线医疗平台获取一定收益，应当提高自身的素质，并且在服务过程中保持服务质量，建立良好的医患关系。对于平台而言，应当对进入平台的医生设置一定的门槛，确保医生整体的质量，并且需要激励医生持续上线，以确保医生具有较强的服务意愿。其次，根据作用机制，对于目前服务价格较低的医生，应当着重提高自己的患者反馈信息数量，对于服务价格已经相对高的医生，应当努力提升自身的综合素质并保持较强的服务意愿。

本文也存在一定的局限性：（1）数据来源单一，仅采用好大夫在线一个医疗网站的数据，未来可以获取不同医疗网站的数据，根据不同医疗网站的特点进行深度探究，验证本文研究结果的稳健性；（2）没有考虑到患者的文本评价对医生服务价格的影响，未来可以通过自然语言处理技术对文本进行分析，深度挖掘。