互联网医疗日益发展扩大，近年的市场规模已达上百亿元^[1]。作为互联网医疗领域的社交媒体，在线医疗社区平台应运而生，改变了传统就医模式和健康服务管理模式,患者可以通过平台中的在线问诊服务选择与其病情相匹配的医生进行信息交互。这种医疗服务模式缓解了医疗资源分配不均的难题，带来新的社会价值。

互联网信息巨量分布，其不仅拥有医疗专业人员的各项信息，也拥有大量由患者评论的就诊经验信息，为患者决策提供丰富的信息支持。然而由于专业性、技术性、垄断性等特点，医疗服务中仍然存在信息不对称问题，有可能发生医疗服务供给方的信息诱导行为、难以避免的医患纠纷以及供求双方的不公平交易。此外，医疗服务中就医流程、医生的专业程度、服务态度和效率等具有无形性的属性^[2]，来源信息本身存在的主观信任等问题，加上患者个体存在个性化感知和偏好差异^[3]，医疗服务人员的服务质量难以被患者专业、客观地量化和评估。

因此，基于医疗服务信息，特别是基于在线评论信息的患者择医仍然是重要而复杂的行为决策问题。研究患者对医疗服务信息的评估处理，探讨其择医行为的影响因素和决策机制，有助于扩展用户决策行为在数字医疗场景下的理论认知，同时为医疗服务管理者提供决策支持，为患者择医决策提供良好的在线环境，缓解医患双方的信息不对称和信息服务同质化难题^[4]，促进在线医疗服务的高效供给。

1 文献回顾 1.1 患者择医行为

互联网时代下，患者择医所伴随的信息评估方式与行为决策机制发生了巨大转变，对于医生、患者和平台三方都具有很大影响，引起学术界的广泛关注与讨论。本文搜集的文献中，主要涉及的研究理论视角有两类，一是服务质量，二是信任传递理论。Yang等^[5]和Lu等^[6]从服务质量的理论视角切入，探究反映医生服务质量的指标是否对患者择医行为产生影响，而Gong等^[7]和陆泉等^[8]则基于信任传递理论，从而探究在线健康社区中医生的哪些特征更容易获得患者信任，进而影响患者决策。医生的在线口碑和声誉也是研究的热点，如Liu等^[9]探究了医生的个人声誉和所属医院声誉的交互作用对患者择医行为的影响，徐孝婷等^[10]则探究了感谢信、评论数、在线评分等口碑信息在疾病风险的调节下对患者择医的影响。此外，医生的在线努力程度^[11]、在线服务价格^[12]、可提供的服务数量等多个因素都会影响患者择医行为决策。

当前，患者获取医疗服务信息的来源主要有两类，分别由医疗服务方和其他患者提供，前者多为有关医疗服务提供者职称、科室、价格等公开、客观的信息，后者则是就诊后对医疗服务提供者的态度、质量等是否满意的主观经验信息^[13]。从所查文献可得，一方面，现有的研究较多着眼于医疗服务方所提供的信息，对于满意度、服务质量等较为主观和综合的指标，受制于平台固有的评估算法或机制，较少去深入探究源自患者的就诊经验文本信息。另一方面，患者择医决策实际上是医疗信息处理过程，对于其态度和行为方式的影响因素，当前基于信任、服务质量等单个视角的研究结论尚缺乏说服力，需要运用多种视角加以完善。因此，本文将基于信息处理过程的理论，进一步结合患者分享的在线评论信息，探究患者线上的信息处理过程的机制和患者做出态度转变和行为决策的影响因素。

1.2 ELM理论

作为一种说服理论模型，精细加工可能性模型(Elaboration Likelihood Model, ELM)展现了个体在处理信息时，其信念如何被信息所说服的两种路径。当个体对理解信息具有较强动机和能力时，会通过中心路径处理信息；情况相反时，他们会更多倾向于采用边缘路径的方式来做出决策^[14]。当前已有研究基于ELM理论,发现在传统消费品领域，在线评论^[15]、网络广告^[16]和系统布局^[17]等信息展现形式通过不同的路径对消费者决策产生影响，并且消费者的个人特征起到了重要的调节作用^[15]。

本文将基于ELM理论，根据医疗服务方所提供的公开信息和其他患者的经验评论信息，结合信任、服务质量等多个视角，深入探究患者择医时的信息处理过程和各种影响因素的不同作用路径，发现在不同疾病风险状态下，患者在线择医行为的差异性。

2 研究模型与假设

本文构建基于ELM理论的患者在线择医行为的研究模型并作出理论假设。目前，在线医疗服务主要通过选择医生进行在线问诊服务，因此，本文将医生在线回复患者的数量作为衡量患者择医行为的指标。本文的研究模型图如图1所示。

2.1 边缘路径

根据ELM理论，当个体欠缺足够动力或者能力时，会采用边缘路径去处理信息。他们不会对信息进行深加工，更可能通过信息的一些外在因素，如信息的关键点或者暗示，形成对具体信息的态度^[14]。在线评论是消费者对已购买的商品、服务等的体验(包括自身的使用经验、感受等)反馈^[18]，在线评论数量就是消费者最容易感知的在线口碑的形式之一。已有研究证明，在线评论数量会对消费者购买决策产生重要影响^[19]。数量越大，越容易增加消费者的好奇心和感知度，容易被消费者记住，使消费者考虑购买该商品^[20]。因此，本文将在线评论总数量作为医生在线服务口碑的指标之一，探究其在边缘路径下对患者择医行为的影响，提出下列假设：

H1：医生服务口碑正向影响患者择医行为。

同样，当个体处于边缘路径时，会更多依赖于决策时所感知的环境^[21]，如发布信息的来源者^[22]。在医疗服务领域，作为服务提供者，医生往往会在在线医疗社区(Online Healthcare Community, OHC)平台中公布其服务经验、工作资历和身份背景等信息。除了信息质量，健康信息传播者的身份背景、医生是否有执业经历等医生信息的披露程度会影响劝说效果^[23]，从而影响患者择医行为。公布的信息越充分，则表明医生愿意披露关于自身的信息越多，则越容易引起患者的信任。因此，本文提出以下假设：

H2：医生服务资历披露程度正向影响患者择医行为。

2.2 中心路径

与边缘路径相反，有足够的动机和能力的个体处于中心路径下时会倾向于进行较为全面的分析、思考和判断，从而转变态度和行为^[14]。评论信息的长度，一定程度上决定了评论包含信息的丰富程度。评论信息丰富度越高，消费者感知的商品信息越多，越容易引起患者的信任。而评论长度作为评论质量评估的指标之一^[24]，是识别评论有用性的特征^[25]，对消费者的在线评论信息采纳行为和决策行为产生正向影响^[26]。此外，论据质量是指信息的说服力或说服强度^[27]，可以通过信息量来衡量^[28]，并常作为ELM理论研究中的中心路径因素^[29]。因此，评论质量作为论据质量之一，本文将其作为中心路径的影响因素，提出以下假设：

H3：医生评论质量正向影响患者择医行为。

在传统消费领域，消费者与商家的在线交互能影响消费者的服务体验感知从而影响其购买意愿^[30]，然而在线医疗环境下的医患深入交互的机会较少，而且患者缺乏专业的医疗知识，需要更多的时间和精力才能评估医生的服务质量^[31]，进而选择医疗服务方。患者分享的就诊经验信息能在一定程度上反映该医生的服务质量^[13]，这种信息最直接的表现形式是在线评论信息。国内外学者已对服务质量进行了广泛的讨论，提出了服务质量量表并细分了服务质量维度，而在医疗服务质量领域，Donabedian^[32]则将其划分为技术质量和人际质量。技术质量(Technical Quality)主要取决于诊断的正确性和治疗的效果,人际质量(Interpersonal Quality)则衡量医生服务患者的行为态度。本文在Donabedian服务质量维度基础上，进一步对在线医疗社区评论所反映的服务质量进行维度细分，并归纳为中心路径，提出以下假设：

H4a：医生技术质量正向影响患者择医行为。

H4b：医生人际质量正向影响患者择医行为。

2.3 疾病风险的调节作用

根据ELM理论，具有较强动机和高卷入度的个体内在激励更强，通常对产品的决策承担更大的风险，因此这两者都更倾向于认真、谨慎地处理信息，意味着更可能通过中心路径处理信息，而情况相反时，个体更有可能通过边缘路径的方式做出决策^[14]。在线医疗社区中，由于疾病的风险程度相关于患者的健康状态和心理因素，高风险疾病的患者更容易感到沮丧和焦虑，所以疾病风险对于患者购买医疗服务的影响尤为重要^[33]。因此，患者的疾病风险越高，面临着更大的选择风险，选择专业而优秀的医生的动机更大。因此，本文提出以下假设：

H5a：患者疾病风险程度负向调节医生服务口碑与患者择医行为的关系。

H5b：患者疾病风险程度负向调节医生服务资历披露程度与患者择医行为的关系。

H6a：患者疾病风险程度正向调节医生评论质量与患者择医行为的关系。

H6b：患者疾病风险程度正向调节医生技术质量与患者择医行为的关系。

H6c：患者疾病风险程度正向调节医生人际质量与患者择医行为的关系。

3 研究设计 3.1 数据收集与变量测量

好大夫在线是中国最大的在线医疗社区之一，其中有近万家正规医院的23万名医生在该平台上实名注册，直接向患者提供线上医疗服务，而累积服务的患者超过5800万，具有丰富的医疗服务数据^[34]。笔者于2020年4月进行网络爬虫，经过去除缺失值和无效值后一共获取有效的数值为18335位医生的个人信息及对应的一共308541条评论信息。其中爬取自好大夫在线网站的数据标签包含：(1) 医生个人信息：医生的姓名、医学职称、擅长简介文本、开通时间和访问数量；(2) 医生服务信息：近两周在线回复患者数量、价格和综合推荐热度；(3) 患者评论信息：评论文本、评论信息中的态度满意度标签和疗效满意度标签等。所有的变量及其说明如表1所示。

为了探究患者的疾病风险的调节作用，本文根据文献[31]和《2019中国卫生和计划生育统计年鉴》^[35]一共选择了24种常见的高风险疾病和低风险疾病分别进行爬取。高危疾病为：冠心病、肝硬化、脑梗塞、糖尿病、肺癌、胃癌、乳腺癌、白血病、直肠癌、食道癌、胰腺癌和前列腺癌。低危疾病为：甲亢、胃炎、高血压、贫血、肾结石、鼻炎、抑郁症、月经失调、类风湿性关节炎、发育迟缓、乙肝以及烧伤。

3.2 描述性统计与相关性分析

对各变量进行描述性统计和相关性分析。表2为描述性统计结果。表3的相关性分析结果显示，技术质量和人际质量的相关性较高，但是大样本的情况下能有效地避免多重共线性问题，因此，本研究试图将这两个变量同时放入回归方程中，并计算各变量的方差膨胀因子(Variance Inflation Factor，VIF)。

3.3 模型设计

本文利用在线医疗社区中的真实数据，对于标准差较大(Std. Dev>10)的变量进行对数化处理后放入回归模型中。为了检验上述的假设，本文基于工具STATA软件15.0构建了多元回归模型，研究模型如式(1)所示，式中： $ i $ 表示第 $ i $ 位医生， $ {\beta _0} $ 为常数项， $ {\beta _1} $ ~ $ {\beta _{16}} $ 为回归模型的系数， $ \varepsilon $ 为误差项。

$ \begin{split} \ln ({\text{Consult}}) =& {\beta _0} + {\beta _1}\ln({\text{Experienc}}{{\text{e}}_i}) + {\beta _2}\ln {({\text{ReviewNum}})_i} +\\ & {\beta _3}\ln ({\text{ReviewQualit}}{{\text{y}}_i}) \hfill {\beta _4}{\text{TecQualit}}{{\text{y}}_i}+\\ & {\beta _5}{\text{InterQualit}}{{\text{y}}_i} + {\beta _6}{\text{Risk}} \times \ln ({\text{Experienc}}{{\text{e}}_i}) + \\ &{\beta _7}{\text{Risk}} \times \ln ({\text{ReviewNu}}{{\text{m}}_i}) \hfill + {\beta _8}{\text{Risk}} \times \\ & \ln ({\text{ReviewQualit}}{{\text{y}}_i})+ \\ & {\beta _9}{\text{Risk}}*{\text{TecQualit}}{{\text{y}}_i} + {\beta _{10}}{\text{Risk}} \times \\ &{\text{TecQualit}}{{\text{y}}_i} + {\beta _{11}}{\text{MedTitl}}{{\text{e}}_i} \hfill {\text{ + }}{\beta _{12}}{\text{Hea}}{{\text{t}}_i}+ \\ &{\beta _{13}}\ln {\text{(Pric}}{{\text{e}}_i}{\text{) + }} {\beta _{14}}\ln {\text{(TotalVisi}}{{\text{t}}_i})+ \\ & {\beta _{15}}\ln ({\text{Articl}}{{\text{e}}_i}) + {\beta _{16}}\ln ({\text{Open}}{{\text{s}}_i}) + {\varepsilon _i} \hfill \end{split} $

(1)

3.4 结果分析

如表4所示，模型1为只有控制变量项的回归模型，模型2加入了自变量，模型3则加入疾病风险与自变量的交互项。其中，各变量的VIF<10，说明不存在多重共线性问题，并且调整后的 $ {R}^{2} $ 和F值合理，调整后的 $ {R}^{2} $ 不低(大于0.25)，并且Prob>F为0.00，表明模型设计合理。

如表4的模型2结果所示，在边缘路线下，假设H1和H2得到了支持，医生的服务口碑(B=0.110，T=6.29，P<0.01)和服务资历披露程度(B=0.054，T=3.98，P<0.01)对患者择医行为有显著的正向影响。表明患者在快速做出选择在线医疗服务的行为决策时，倾向于选择在线服务口碑更好的医生。而医生所披露的服务资历信息越详细，患者快速感知医生的工作经验越丰富，对医生的可信度越高，从而对患者择医行为有显著的积极的影响。

在中心路线下，假设H3不成立。患者对在线评论信息做出更为仔细的评估时，评论质量(B=−0.206，T=−9.41，P<0.01)并没有正向影响患者的择医行为。可能原因为个人处理信息的能力，比如对目标信息的专业知识和经验会影响路径的选择^[36],由于本文基于在线医疗社区的真实数据，无法获取患者的特征信息，而不同的患者存在不同的背景、学历和知识，导致了信息理解能力和处理能力的差异性，从而对评论质量感知会存在偏差。

此外，假设H4b成立，假设H4a不成立。中心路线下的服务质量，只有人际质量(B=0.101，T=4.13，P<0.01)对于患者的择医行为有积极的影响。技术质量(B=−0.120，T=−4.92，P<0.01)并无正向影响。一方面，尽管医生的技术质量往往被认为是很重要的，但是大多数患者缺乏能力感知医生的技术质量，这与Rothenfluh等^[37]的研究结果相似。另一方面，大多数患者选择在线问诊服务而非医生的临床治疗时，主要是和医生进行病情的沟通，并且后续按医嘱自行治疗，所以更多关注的是医生的人际质量，即倾听和回复态度是否良好，沟通反馈是否及时。

表4的模型3结果所示，对于疾病风险调节下的边缘路径，假设H5a和H5b成立。疾病风险与医生的服务资历披露程度(B=−0.019，T=−2.00，P<0.05)和服务口碑(B=−0.024，T=−2.63，P<0.01)交互结果显著，但是系数却为负，说明在高风险疾病的影响下，服务口碑和服务资历披露的重要性有所降低。

而根据ELM理论，疾病风险会加强中心路线的重要性，假设H6a和H6b得到支持。评论质量(B=0.08，T=3.06，P<0.01)和技术质量(B=0.222，T=2.50，P<0.05)的系数为正且显著，说明疾病风险加强了评论质量和技术质量这两种中心路线因素的相对重要性。与没有疾病风险调节的结果相反，一方面，可能的原因是高风险疾病的患者对其自身的健康状况更为担忧，因此具有更大的动机去花费更多的时间和付出更多的认知努力进行在线评论信息的处理。评论的质量越高，则说明可获取有关于医生的技术质量的信息越充分，对于高风险疾病的患者的认知越有利。另一方面，高风险疾病的患者大多数面临临床治疗的情况，但由于门诊预约难，而且直接跨地区前往门诊看病成本高，其可能更希望先通过和技术质量高的医生进行线上问诊，减少时间成本的风险，经由医生指导安排后再转到线下接受该医生的后续临床治疗。

然而，H6c不成立，人际质量在高疾病风险的调节下(B=−0.031，T=−0.73，P>0.1)并不显著。高风险疾病的患者对于自身的健康状况更为担忧，因此高风险疾病的患者更希望找到具有更高技术质量的医生，而不是仅仅寻找具有高关怀行为的医生。相反，当患者受到相对较低风险的疾病影响时，患者会更加关注医师的服务态度治疗，这种关怀行为会使患者更加满意，这与Lu等^[6]的研究结果显示一致。

3.5 稳健性检验

好大夫在线医疗平台会设置一种回馈医生的机制，即患者可以花费现实货币对医生送电子虚拟礼物以表感谢。Wu^[38]将患者的评论总数、感谢信以及电子虚拟礼物作为病患满意度的指标，探究对患者持续性使用行为的影响，而在线口碑是消费者对产品咨询、反馈表达他们满意或者不满意情绪的方式^[39]。因此，为了确保结果的稳健性，本文将边缘路径的服务口碑的指标进行替换，采用电子虚拟礼物代替在线评论数量作为服务口碑变量指标。如表5所示，主要的解释变量在两次回归中的结果基本一致，表明本文结果稳健。

4 研究结论与启示 4.1 结论与贡献

本文基于ELM理论，探索患者在线择医行为的影响因素。结果表明，边缘路径下的医生服务口碑、服务资历因素以及中心路径下的人际质量因素都对患者的择医行为存在显著的正向影响，但是中心路径下的评论质量和技术质量因素对患者的择医行为没有显著的正向影响。疾病风险的调节作用降低了边缘路径下的服务口碑和服务资历披露的重要性，加强了中心路径下的评论质量和技术质量的重要性。疾病风险积极调节了中心路径下的评论质量和技术质量对患者择医行为的影响，但对中心路径下的人际质量因素并无显著积极的调节作用。

本文的贡献如下，从理论上：(1) 拓展了医疗领域中用户行为科学理论，细分了医生的专业信息和患者分享的经验信息的维度，分别探究了服务口碑、服务资历披露、评论质量和服务质量对于患者在线择医行为的影响。(2) 从服务质量的角度切入，从评论信息中挖掘出技术质量和人际质量，并探究患者处理服务质量信息的过程及态度行为的转变机制，丰富了在线医疗服务的研究。(3) 尝试将ELM理论应用在医疗服务领域，从模型结果可得，ELM理论在医疗服务领域中存在一定的适用性，拓展了ELM理论的应用。从实践上，本文为医疗服务供给方提供了一定的服务管理启示：(1) 对于治疗低风险疾病患者的医生，应该更加注重人际质量，提高沟通效率和反馈速度。而对于治疗高风险疾病患者的医生，注重自身的技术质量。(2) 对于平台方，根据患者的决策行为机制，优化平台的信息推荐与运营管理，缓解信息超载现象。同时，根据患者的在线评分和评论建立在线口碑的动态监测系统，帮助医生及时优化服务水平。

4.2 研究局限和展望

本文也存在一定的局限性：(1) 只是基于一个在线医疗社区，每一个在线医疗社区的信息披露和信息传递过程存在差异，后续研究可以对不同类型的在线医疗社区进行对比研究。随着移动技术的发展，移动端医疗服务的患者使用行为研究也是未来值得关注的课题。(2) 缺少对患者的年龄、学历和背景做进一步分类，未来的研究可以结合问卷调查数据或者实验数据，探究不同特质的患者是否存在信息理解能力和信息处理方式的偏差，从而完善在线择医行为研究。