本文是医学论文，本文主要研究互联网医疗平台上的线上线下患者择医行为影响因素。首先，基于信任源可信度和信任传递理论，为了保障数据的准确性，跟踪爬取“好大夫在线”平台连续12个月的实际业务数据并建立面板数据模型，从信任视角研究互联网医疗的患者择医行为，研究结果如表6-1所示：结果显示代表能力信任的医生职称对线上患者择医行为的正向显著影响明显大于线下患者，而城市等级正向显著影响线上咨询患者的择医行为，却负向影响甚至负向显著影响线下报到患者的择医行为。其原因主要在于：线上患者不受时空限制，倾向于选择医学职称和城市等级更高的医生，而线下患者受时空限制，往往采用就近原则择医。代表善意信任的文章数和服务种类对线上患者择医行为的正向显著影响明显大于线下患者，说明服务形式种类越多且知识分享行为越高的医生更受线上患者青睐。代表诚实信任的信息披露程度正向显著影响线上线下患者的择医行为且影响程度差异不大。
......
第一章绪论
目前关于互联网医疗的患者择医行为，主要采用问卷调查的研究方法，调研结论往往基于小规模的用户调研。本文使用的面板数据模型一方面由于观测值增多，可以提高估计量的抽样精度；另一方面还能获得更多的动态信息。在研究主体方面，现有文献主要关注于互联网医疗平台上的线上患者，忽略了线上咨询线下报到这类患者。考虑到医疗服务涉及到生命健康问题，对信任度的要求很高；同时医疗健康服务作为一种服务，必然牵涉到服务质量。因此，本文分别从信任和服务质量的视角出发，研究平台上用户的基本属性以及交互信息将如何影响线上咨询和线上咨询线下报到这两类患者的择医行为，并建立计量模型分析其异同。本文采用量化研究的方法对互联网医疗线上线下患者择医行为进行研究。首先，通过观察互联网医疗平台提出研究线上线下患者择医的决策问题；其次，分别从信任和服务质量的角度为决策问题设计合理的计量模型；之后，进行实证研究，通过采集平台上的实际业务数据来验证提出的相关理论假设；最后，根据研究结果分析线上线下患者的择医行为机制，并为平台上的用户以及网站管理者提供有价值的指导意见和建议。在变量处理方面，传统的实证研究通常使用数值类型信息来量化研究问题中的影响因素，而本文不仅考虑数值类型信息，还采用文本挖掘中的情感倾向分析方法对文本类型信息进行分析处理，以此来量化在线口碑指标并将其加入到线上线下患者择医行为的建模过程中，从而提升对患者择医行为的解释。
......
第二章相关研究文献综述
2.1医生在线行为
在虚拟社区中，恰当的鼓励和刺激不仅能提高用户粘性，还能促进用户产出更多的优质内容[10]。在线医疗社区大多采取物质激励和精神激励的方式来提高用户参与度。物质激励指的是经济回报，是促使用户在虚拟社区中进行长期性的内容生产和知识共享最重要的激励方式[11]。杜静等人在研究原创性教育UGC生成动因时，通过调查发现75%的用户偏好真实的货币奖励[12]；范晓妞等人研究在线医疗社区中参与双方的行为对知识交换效果的影响因素，结果表明患者的收益、医患双方的知识交换量以及医生的信任均对双方的知识交换效果有正向显著影响[13]；韩晓翠等人对在线医疗社区的贡献行为影响因素进行研究，结果显示医生赢得的名誉回报和经济回报能促进其贡献行为[14]；李亚芳研究发现激励机制的强度对社区用户活跃度以及用户粘性都有促进作用[15]；Guo等人[16]基于社会交换理论，研究医生的地位资本和决策资本对医生的社会和经济回报的影响，结果指出医生的决策资本和地位资本能促进其经济和社会回报。
2.2患者在线行为
医疗服务的强专业性，致使医患之间存在信息不对称，这也是目前存在的医患矛盾之一。如今，患者可以通过平台获取各种医疗相关信息来缓解健康医疗中的信息不对称。在美国，大多数患者在选择健康医疗服务之前都会通过社交媒体渠道获取相关医疗信息，尽可能降低信息不对称带来的风险[17][18]。患者在就医咨询之前，一般会对各个医生进行预期效用的评估，再根据效用最大化选择医生，而该效用与患者所能获取的医疗信息关联紧密。患者所关注的医疗信息主要有两大类：医生服务质量的信息和疾病相关的信息。医生服务质量信息主要从其他患者对医生的在线口碑中获取，而疾病相关信息的获取一般以互联网为渠道，搜索了解相关医疗信息或者接受在线医疗服务。
......
第三章数据获取和建模方法.......................................................................................17
3.1网站层级数据...................................................................................................17
3.2文本评论数据...................................................................................................18
3.3面板数据回归方法...........................................................................................25
3.4本章小结...........................................................................................................28
第四章基于信任视角的患者择医行为.......................................................................29
4.1理论基础与研究假设.......................................................................................29
4.2数据收集与变量设计.......................................................................................33
4.3描述性统计......................................................................................................35
4.4模型设定与检验...............................................................................................36
第五章基于服务质量的患者择医行为.......................................................................41
5.1理论基础与研究假设.......................................................................................41
5.2数据收集与变量设计.......................................................................................43
5.3模型构建..........................................................................................................46
5.4回归结果与分析...............................................................................................46
......
第五章基于服务质量的患者择医行为
5.1理论基础与研究假设
Zhu等人在研究电子商务环境下的消费者购买行为时发现，消费者的购买行为影响因素受到消费者特性和商品类型的调节作用[75]。同样的，在互联网医疗领域中，患者的择医行为影响因素也会受到患者心理特征以及疾病类型的调节。而患者的心理特征可以通过疾病风险的高低程度来体现。由于疾病风险关乎死亡，所患疾病风险更高的患者在选择医生时，会更加地小心理智，倾向于选择技术能力更高的医生，甚至可以降低对医生功能质量方面的要求；相反，所患疾病风险较低的患者在选择医生时，更注重医生功能质量的要求，倾向于选择服务态度良好，关心照顾病人的医生。因此，提出以下假设：H7a：疾病风险对医生能力与患者择医行为之间的关系有正向调节作用。H7b：疾病风险对医生努力与患者择医行为之间的关系有负向调节作用。根据以上假设，本文基于服务质量模型建立互联网医疗线上线下患者择医行为影响因素的概念模型如图5-1所示：
5.2数据收集与变量设计
患者的择医行为可以通过就诊的患者数量进行衡量，相同时间段内医生就诊的患者数量愈多，则表明患者选择该医生就诊的决策行为倾向愈大。本文将患者的择医行为分为线上咨询患者择医行为和线下报到患者择医行为，分别可以用2018年9月到2019年9月间的线上咨询患者增量(NetPatient)和线下报到患者增量(BDPatient)来衡量，为了消除变量之间的量纲关系，需要进行标准化(STD(x))处理，则线上/线下患者对医生i的择医行为可分别记为：根据假设，模型中将医生的“能力”得分(Ability)和“努力”得分(Strive)作为自变量。考虑到疾病风险(Risk)可能会对医生能力与患者择医行为之间的关系、医生努力与患者择医行为之间的关系有调节作用，因此，加入疾病风险(Risk)作为调节变量和tyRisk*Abili和eRisk*Striv这两个交互项。另外指出，模型中的0为截距项，为各影响因素对应的需要估计的参数项，i为模型扰动项。为进一步了解疾病风险的调节作用，分别画出线上咨询患者择医行为的能力与疾病风险交互效应图（如5-2所示）、线上咨询患者择医行为的努力与疾病风险交互效应图（如5-3所示）、线下报到患者择医行为的能力与疾病风险交互效应图（如5-4所示）以及线下报到患者择医行为的努力与疾病风险交互效应图（如5-5所示）。图5-2以正负一个标准差显示了疾病风险对医生能力与线上患者择医行为关系的调节效应。结果显示在线上患者所患疾病风险高的情况下，医生的能力对患者择医行为的正向作用比疾病风险低时的正向作用稍微强一些，但差距不大，这与回归结果中疾病风险对医生能力与线上患者择医行为之间的关系不存在正向调节作用相一致。在医生能力低的情况下，线上患者所患疾病风险低的择医行为比疾病风险高的择医行为更高一些。
.......
第六章总结与展望
信任传递对线下患者择医行为的影响程度大于线下患者，表明相较于线上咨询患者，线下报到患者更注重口碑，倾向于选择口碑高的医生。疾病风险对医生技术质量与线上患者择医行为之间的关系无明显的调节作用。通过分析可以发现通过线上方式咨询、尤其是涉及重症的咨询，患者未确诊跟确诊后的感知风险差异是很大的。未确诊的患者由于缺少相关的病例资料难以在线上确诊，往往倾向于降低对服务质量的要求而选择成本较低的医生；而确诊后的患者感知风险较大倾向于选择技术能力高的医生，甚至可以为此降低对医生功能质量方面的要求。第二类患者的择医行为符合我们提出的假设条件，但是第一类患者的择医行为却偏离了我们的假设条件，这两类患者的共同存在是造成疾病风险对医生能力与线上患者择医行为之间的关系不存在显著的正向调节作用的原因之一。疾病风险对医生技术质量与线下患者择医行为之间关系的正向调节作用强于线上患者，同时疾病风险对医生功能质量与线下患者择医行为之间关系的负向调节作用强于线上患者。
参考文献（略）
参考文献（略）
