医生线上-线下服务评价对患者在线问诊选择的影响研究

李 论 尹秋菊 颜志军

(北京理工大学管理与经济学院)

1 研究背景

随着互联网医疗的快速发展，以医患交互为中心的在线健康社区为医生和患者提供了多种不同形式的交流和服务方式，包括在线问诊、预约转诊和诊后管理等[1, 2]。据CNNIC统计，受新冠肺炎疫情的影响，截至2020年6月，我国在线问诊用户规模达到2.76亿[3]。作为线下医疗系统的重要补充，在线健康社区为医患沟通提供了新的渠道，有效地缓解了看病难、看病贵的问题[2, 4]。

通常来说，患者在进入在线健康社区后，需要根据自身的病情，从众多提供在线问诊服务的医生中选择合适的医生进行咨询。然而，由于医疗服务作为信任商品的本质使医患之间存在严重的信息不对称[5, 6]，这导致患者无法快速选择合适的医生。在这种情况下，以往患者在线发表的医生服务评价逐渐成为潜在患者了解医生服务质量、支持问诊选择的重要参考信息[7]。调查发现，约81%的人认为某医生获得的正面评价会促使他们向该医生寻求咨询[8]。一些研究也实证分析了医生服务评价与患者在线问诊选择之间的关系[6, 7, 9, 10]。例如，YANG等[10]发现，关于医生服务的积极评价对患者访问医生主页和在线问诊选择均有积极的影响。

虽然以往研究强调了医生服务评价的重要价值，但少有研究同时考虑来自不同渠道患者发表的医生服务评价(即医生线上和线下服务评价)[11]。其中，医生线上服务评价是指患者通过在线健康社区向医生在线咨询后，发表的关于医生线上服务的评价；医生线下服务评价是指患者在医院接受医生的诊治后，在线发表的关于医生线下服务的评价[6]。由于医疗服务的特殊性，患者通过在线咨询仅能获得医生的初步医疗建议，大多数情况下患者仍需到医院接受医生的面对面诊治，因此，患者在进行在线问诊选择时，需要同时参考医生的线上和线下服务评价信息来评估医生的线上和线下服务质量。另外，由于医生的线上和线下服务评价中均包含了关于医生服务质量的信息线索，潜在患者对于某一渠道服务评价信息的感知，可能会影响他们对另一渠道服务评价信息的判断，并进而影响潜在患者的问诊选择。所以，也需要考虑不同渠道服务评价间的协同作用。

基于信号理论，本研究在同时考虑医生服务评价的评论数量与在线评分两个维度的基础上，探索医生线上和线下服务评价对患者在线问诊选择的直接影响和协同效应。此外，鉴于医生职称也是反映医生服务质量的重要信号[9]，本研究将进一步关注医生职称的调节作用。

2 理论基础与研究假设

2.1 理论基础

2.1.1信号理论

一般来说，个体拥有的信息量可以显著影响其决策，并且拥有更多信息的个体可能会做出更好的决策[12]。然而，在市场交易的过程中，由于服务的内在信息通常无法被外界所观察到，这导致消费者难以快速地做出正确决策[12]。在这种情况下，反映信息的信号可以减少服务双方之间的信息不对称。根据信号理论，在信号传递的过程中通常有两类参与者：信号者和接收者[12]。信号理论的应用有两个重要前提：①信号者和接收者之间存在信息不对称；②信号者和接收者之间存在可能的利益冲突。例如，医生可能会为患者推荐不必要的检查[5]。当这两个前提同时满足时，信号者(卖方/服务提供者)往往需要通过发送信号来帮助接收者(买方/消费者)诊断其隐藏的服务质量[6]。

另外，SPENCE[13]也指出，消费者可以与其他拥有信息的消费者进行交流。例如，以往的接收者在了解了信号者的真实质量后，可以将信号者的质量反馈给其他接收者，帮助其获得更多的信息。此时，来自以往消费者的独立于信号者(即商家)的反馈(如在线评价)可以成为反映信号者品质的有用信号，减少信息不对称[13]。所以，在在线问诊的背景下，以往患者的服务评价能够作为反映医生服务质量的重要信号，帮助潜在患者形成对医生服务质量的判断[14]。

2.1.2医生服务评价与患者在线问诊选择

随着越来越多的医生和患者积极参与在线健康社区，医生和患者生成了大量在线信息。其中，医生服务评价信息能够有效地将高水平和低水平的医生区分开。通常，这些评价信息以评论、评分、感谢信、投票、心意礼物、服务星级、荣誉称号等形式展示，它们反映了医生的在线口碑[7]。现有文献针对这些评价信息如何影响患者在线问诊选择进行了广泛分析，本研究对其中涉及到的医生服务评价信息按照线上服务评价和线下服务评价进行了分类和总结(见表1)。虽然这些文献有助于对医生服务评价信息与患者问诊选择之间关系的理解，但缺乏对评价信息是关于医生线上服务评价还是线下服务评价的区分。此外，以往研究同时包括线上和线下患者发表的医生服务评价信息仍较少见，特别是忽视了来自不同渠道患者发表的服务评价之间的协同作用。

表1 医生服务评价信息分类

2.2 研究假设

2.2.1医生线上和线下服务的评论数量对患者在线问诊选择的影响

在线评论中所隐含的关于商品或服务质量的信息，在一定程度上决定了潜在消费者的感知和购买意愿[18]。在线评论数量是指消费者在数字平台上发布关于产品或服务体验的评论总数，它在一定程度上代表了该产品的受欢迎程度[19]。一般来说，产品的在线评论数量越多，说明以往购买该产品的消费者越多，从而向潜在的消费者发送了关于该商品受欢迎程度的可信信号。在消费者和商家之间存在信息不对称的环境下，消费者虽然无法直接获得商家所提供产品的内在信息，但可以通过观察别人的买卖行为(即同伴消费者)来推测其内在信息。通常来说，当消费者观察到某产品的受欢迎程度较高时，可能会诱发他们的从众心理，引起他们的羊群行为[20]，从而激发消费者的购买意愿[21, 22]。

同样地，在在线问诊服务中，患者也依赖于医生的在线评论来判断医生的服务水平[11]。无论是关于医生的线上服务还是线下服务的评论，其评论数量越多，一般来说接受过该医生服务的患者越多，说明该医生越受欢迎。当潜在患者观察到之前有很多患者同伴选择了该医生问诊时，可能会产生从众心理，同样相信该医生具有较好的在线服务质量，从而引起他们的羊群行为，选择该医生进行在线问诊。同时，如果医生在过去为更多的患者提供了线上或线下医疗服务，也说明了该医生具有更多的医疗服务经验，那么患者选择其进行在线咨询的意愿会更强。另外，LIU等[11]发现，医生线上和线下服务的评论数量对患者电话咨询行为有积极的影响。鉴于本研究关注的患者在线问诊选择行为也包括电话咨询行为，可以认为医生获得的患者评论数量越多，潜在的患者越有可能选择该医生进行在线问诊。由此，提出以下假设：

假设1a医生线上服务的评论数量与患者在线问诊选择存在正向关系。

假设1b医生线下服务的评论数量与患者在线问诊选择存在正向关系。

2.2.2医生线上和线下服务的在线评分对患者在线问诊选择的影响

在线评分是指消费者对商品质量和体验的打分，反映了消费者使用商品之后的满意程度[23]。一般来说，消费者给予商品的在线评分越高，说明消费者对其越满意，认为商品的质量越好。一些文献已经证实了电子商务网站中商品的在线评分与销售量(或消费者购买意愿)呈正向关系。例如，ZHANG等[24]研究表明，在线评分对相机的在线销量有显著的促进作用。在线评分的影响机制在于口碑的说服作用，它向潜在的消费者传递了一个关于商品质量的可信信号；潜在的消费者通过在线评分的高低来判断商品质量，从而做出购买选择决策。

同样地，医生服务的在线评分越高，表示医生的在线口碑越好，即拥有良好的声誉[9]。如果一个医生从来自线上或线下的患者那里获得了较高的在线评分，说明这些患者认为医生的线上或线下服务具有较高的医疗水平，那么潜在的患者对该医生的问诊意愿就会更强[25]。由此，提出以下假设：

假设2a医生线上服务的在线评分与患者在线问诊选择存在正向关系。

假设2b医生线下服务的在线评分与患者在线问诊选择存在正向关系。

2.2.3医生线上和线下服务评价的协同效应

在线问诊服务是线下医疗服务的重要补充。患者在线咨询后，大多数情况下仍需要去线下就诊，因此，患者选择在线咨询的医生时，将会同时参考医生的线上和线下服务评价信息，以便更全面地推测医生的服务质量[26]。根据信号理论，当信号发出方发出的多个信号呈现一致的信息(如均为积极信号)时，这些信号的强度会更强，从而进一步增强信号接收者对这些信号的信任[27]。在关于在线问诊选择的研究中，YANG等[10]基于这一逻辑，指出当医生的患者生成信息和系统生成信息均是正向积极时，患者会认为这些信号更可信，并会增加在线问诊意愿。

同样地，在本研究中，患者倾向于选择在线上和线下均具有较高服务质量的医生。医生在线评价的评论数量和在线评分作为医生服务质量的重要信号，一方面，当医生线上和线下服务的评论数量均较高时，潜在患者会认为医生在线上和线下均具有较高的受欢迎程度；另一方面，如果医生线上和线下服务均具有较高的在线评分时，潜在患者也会推断出医生在线上和线下均具有较高的医疗服务质量。根据信号理论，医生线上和线下服务评价信息呈现的积极一致性，将进一步提高患者对医生的信任水平，使患者的在线问诊意愿更强，因此，医生线上服务评价和线下服务评价对患者在线问诊选择的影响之间可能存在正向协同关系。具体来说，更高的医生线下(或线上)服务评价可能会增强医生线上(或线下)服务评价的信号强度，进而提高它们对患者在线问诊选择的影响。由此，提出以下假设：

假设3a医生线上和线下服务的评论数量对患者在线问诊选择的影响存在正向协同关系。

假设3b医生线上和线下服务的在线评分对患者在线问诊选择的影响存在正向协同关系。

2.2.4医生职称的调节作用

在中国，对于医生的职称评定有一套严格的程序，通常需要医生的医学能力和经验等方面达到较高的标准才能晋升到较高的职称[2]。当一名医生具有较高的职称时，人们通常会认为他具有更丰富的医学经验和更高的医疗服务质量。研究指出，大多数患者倾向于选择具有高职称的医生问诊[14]。在本研究中，医生职称和医生线下服务评价均是传递医生线下服务质量的重要信号。当医生具有较高职称时，潜在患者可能对医生的线下服务质量已经有了清晰的判断，从而减少对于医生线下服务评价信息的依赖。由此，提出以下假设：

假设4a医生职称负向调节医生线下服务的评论数量对患者在线问诊选择的影响。

假设4b医生职称负向调节医生线下服务的在线评分对患者在线问诊选择的影响。

另外，拥有高级别职称的医生由于能力较强，日常一般会在医院接诊较多的病人。在这种情况下，由于他们的时间和精力有限，可能会减少对在线问诊服务所花费的时间和精力[28]，从而使患者认为他们可能无法提供较好的在线服务，如及时地在线回复等。因此，当医生在医院具有较高的医学职称时，潜在患者可能更关心来自以往在线患者发表的关于医生线上服务的在线评价，以避免高估医生在线服务的能力和态度，从而减少对医生在线服务质量的判断错误[9]。由此，提出以下假设：

假设5a医生职称正向调节医生线上服务的评论数量对患者在线问诊选择的影响。

假设5b医生职称正向调节医生线上服务的在线评分对患者在线问诊选择的影响。

根据以上假设，构建如下研究模型(见图1)。

3 研究方法

3.1 研究背景

本研究选取“好大夫在线”作为研究背景，该平台成立于2006年，是中国领先的互联网医疗服务平台。其主要服务包括在线问诊、远程视频门诊、门诊精准预约、诊后疾病管理等。截至2020年，已累计服务超过5 800万名患者。好大夫平台为本研究提供了丰富的数据和合适的研究场景。为了使研究样本更具有代表性，同时选择治疗典型慢性疾病——糖尿病的医生，和治疗典型非慢性病——感冒的医生作为研究对象。本研究借助Python程序，按照该平台中的疾病分类，于2020年12月抓取了治疗糖尿病和感冒的医生的个人主页信息，包括医生的个人属性、患者评价、发表的文章，以及患者赠送的心意礼物、患者问诊记录等。删除数据缺失和无效的样本之后，本研究通过数据处理得到2019年1月～2019年12月期间4 460名医生主页信息的月度面板数据。

3.2 研究变量

(1)因变量本研究主要分析医生服务评价对患者在线问诊选择的影响，所关注的因变量即为患者在线问诊选择。以往相关研究通常以医生的患者问诊量作为患者在线问诊选择的测量[7,10]。医生的患者问诊量是患者在线问诊选择的结果(即有多少患者选择了该医生进行问诊)，体现了医生在多大程度上得到了患者的认可，反映患者的问诊选择行为。换句话说，医生层面的面板数据(即问诊量)，能够反映出患者层级的决策结果(即选择哪个医生进行在线问诊)。故参考以往的研究，同样使用医生每月新增的患者问诊量来测量患者的在线问诊选择。具体来说，在好大夫平台中，图文问诊和电话问诊是医生提供的最常见的两种在线问诊服务，因此，本研究选择医生每月提供的图文问诊与电话问诊数量之和作为医生每月新增的在线问诊数量。

(2)自变量本研究的自变量是医生线上和线下服务评价。好大夫中同时包括线下患者和线上患者的评价反馈区域，即线下患者投票区和在线服务评价区。本研究同时考虑评论数量和在线评分两个维度，分别使用医生线上和线下服务累计收到的患者评论数量和累计收到的平均评分，作为评论数量和在线评分两个维度的测量方式。

(3)调节变量本研究选择医生职称作为调节变量。在中国，医生职称一般有4个等级：主任医师、副主任医师、主治医师和住院医师。将具有主任医师或副主任医师职称的医生定义为高职称医生，具有其他职称的医生为低职称医生。同时，为了排除一些混淆因素的干扰，参照以往的文献，将医生发表的科普文章数量、患者赠送的心意礼物数量等可能影响患者在线问诊选择的时变因素作为控制变量[6]。其中，医生发表的科普文章反映了医生的在线知识贡献行为，患者心意礼物反映了患者对医生服务的认可。变量的具体测量说明见表2。

表2 变量说明

3.3 研究模型

为了检验医生线上和线下服务的评论数量和在线评分对患者在线问诊选择的影响，估计以下固定效应模型作为基准模型：

lnCit=β0+β1lnONit-1+β2lnORit-1+

β3lnFNit-1+β4lnFRit-1+δXt-1+λi+vt+εit，

(1)

式中，i表示医生；t表示月份；β0为常数项；β1～β4为自变量系数；Xt-1是包括一系列时变控制变量的向量；δ是控制变量系数；使用个体固定效应λi来控制未观察到的医生的时不变差异，并使用时间固定效应vt来控制医生间的共同时间趋势，这有利于缓解内生性问题；εit是扰动项。为了避免潜在的同时性和反向因果问题，本研究分析滞后一期的自变量和控制变量对因变量的影响。此外，在模型中没有包括医生职称和医院等级等时不变变量作为控制变量，这是因为采用个体固定效应已经控制了医生个体之间的时不变异质性。

在式(1)的基础上，加入医生线上和线下服务评论数量(在线评分)的交乘项，检验线上和线下服务评价对患者在线问诊选择影响的协同效应，得到式(2)。其中，β5和β6是所关注的线上和线下服务评价的交互效应系数。

lnCit=β0+β1lnONit-1+β2lnORit-1+β3lnFNit-1+

β4lnFRit-1+β5lnONit-1×lnFNit-1+

β6lnORit-1×lnFRit-1+δXt-1+λi+vt+εit。

(2)

另外，在式(1)的基础上引入医生职称与医生线上和线下服务的评论数量(在线评分)的交乘项，得到式(3)，以检验医生职称对医生服务评价与患者在线问诊选择之间关系的调节作用。其中，β7～β10是所关注的调节效应系数。

lnCit=β0+β1lnONit-1+β2lnORit-1+β3lnFNit-1+

β4lnFRit-1+β7Ti×lnONit-1+β8Ti×lnORit-1+

β9Ti×lnFNit-1+β10Ti×lnFRit-1+

δXt-1+λi+vt+εit。

(3)

4 研究结果

4.1 描述性统计与相关关系

主要变量的描述性统计及相关系数见表3。由表3可知：自变量与因变量显著相关，且自变量与控制变量之间的相关性较低；同时，在对模型进行估计时，各变量的方差膨胀因子(VIF)统计量均不大于2.0，低于常规的阈值10，表明各变量之间不存在多重共线性。

表3 描述性统计和相关系数(N=4 460)

4.2 实证分析结果

使用最小二乘法OLS对所构建模型进行参数估计，结果见表4。表4的列(1)仅包含随时间变化的控制变量，列(2)引入了自变量，然后在列(3)中加入了自变量(即线上服务评价和线下服务评价)之间的交乘项，在列(4)中引入了调节变量与自变量的交乘项，最后在列(5)同时加入了自变量之间的交乘项以及调节变量与自变量之间的交乘项。为了减轻对无法满足标准回归假设(如聚类和异方差)的担忧[5]，本研究报告了所有模型变量的聚类稳健标准误。同时，本研究事先对所关注的4个主要自变量进行了逐步回归分析，确保它们在每一步回归中对因变量都有显著影响。

表4 最小二乘法OLS估计结果

根据表4的列(2)可知，医生线上和线下服务的评论数量和在线评分的回归系数均为正向显著(β1=0.081,p<0.01;β2=0.359,p<0.01;β3=0.215,p<0.01;β4=0.458,p<0.01)，该结果支持假设1和假设2，表明无论是医生线上和线下服务的评论数量还是在线评分，均对患者在线问诊选择有积极的影响。为了比较线上和线下服务评价的影响差异，接下来使用Stata中的lincom功能进行检验。lincom命令可以用来检验两个变量的系数是否相等，具体见式(4)。如果得到的p值或t值拒绝原假设，则说明这两个变量的系数不相等。在这种情况下，如果实际系数差值大于0，则说明第一个自变量对因变量的相对影响大于第二个自变量的影响。

H0:βx1-βx2=0。

(4)

检验结果显示，线上和线下服务评价的评论数量维度(p<0.01)和在线评分维度(p<0.01)的影响系数均存在显著差异；线上服务的评论数量系数大于线下服务的评论数量系数，线上服务的在线评分系数大于线下服务的在线评分系数。所以，无论是从医生服务评价的评论数量维度还是在线评分维度来看，线上服务评价对患者在线问诊选择的影响均大于线下服务评价的影响。

本研究的假设3a和假设3b分别预测医生线上和线下服务的评论数量、在线评分在影响患者在线问诊选择方面均存在正向协同关系。然而，有趣的是，列(3)显示的结果与假设3a和假设3b的预测正好相反(β5=-0.045,p<0.01;β6=-0.481,p<0.01)。结果表明，不论是评论数量还是在线评分维度，医生线上服务评价和线下服务评价对患者在线问诊选择的影响存在负向协同关系，而不是正向协同关系。换句话说，医生线下(线上)服务评论数量(或在线评分)负向调节医生线上(线下)服务评论数量(或在线评分)与患者在线问诊选择之间的正向关系。这可能是因为当患者在对不同来源的医生服务评价进行信息处理时，主要采用启发-系统式模型(HSM)提出的启发式思考方式，即对易获得和理解的信息更加偏好[29]。具体来说，他们可能不直接去思考信息本身的内容，而是通过信息来源和信息表征去评价信息的有用性和可信性。在这种情况下，虽然医生的线上服务评价和线下服务评价信息均能在一定程度上反映医生的服务质量，但是医生线上服务评价是医生线上服务质量的更直接反映，而医生线下服务评价是医生线上服务质量的间接反映[6]。由此，患者在进行在线问诊选择时，如果他们采用启发式思考方式，就可能直接依赖医生线上服务评价信息源做出快速且轻松的在线问诊决策，从而减少对医生线下服务评价信息源的关注和依赖[30]。

此外，根据表4的列(4)可知，医生职称与医生线下服务的评论数量和在线评分的交乘项系数均为负向显著(β7=-0.390,p<0.01;β8=-0.426,p<0.05)，表明医生职称对医生线下服务评价(包括评论数量和在线评分)与患者在线问诊选择之间的关系，具有负向显著的调节作用，该发现支持假设4a和假设4b。然而，值得注意的是，本研究发现医生职称虽然与医生线上服务评论数量的交乘项系数为正向显著，但是与医生线上服务在线评分的交乘项系数是不显著的(β9=0.234,p<0.05;β10=0.049,p>0.1)，表明医生职称对于医生线上服务评论数量与患者在线问诊选择之间的关系具有正向显著的调节作用，而对医生线上服务在线评分与患者在线问诊选择之间关系的调节作用不显著，该发现支持假设5a，不支持假设5b。上述发现表明在医生具有高级职称的情况下，医生线下服务的评论数量和在线评分的影响更弱，医生线上服务的评论数量影响更强，而医生线上服务在线评分的影响则无明显差异。针对不支持假设5b的发现，一个可能的原因是：医生线上服务评分直接体现了以往患者对医生在线服务质量的感知，而医生职称的高低并不能直接反映出医生的在线服务质量。由于在线健康社区中，潜在患者不能与医生进行面对面的交流，需要通过关于医生线上服务的在线评分感知医生的线上服务质量。在这种情况下，患者在观察与考虑不同医生在线服务在线评分的价值时，可能主要关注这些医生在线评分的高低，而忽视医生所拥有职称的高低，因此，不管是具有高职称还是低职称的医生，他们线上服务的在线评分对患者在线问诊选择的影响没有显著差异。

4.3 稳健性检验

4.3.1分组回归检验

本研究将样本按照医生职称分为高职称医生组和低职称医生组两个子样本，然后在不加入医生职称交乘项的情况下进行分组回归，结果见表5。由表5可知，两组子样本的回归结果与主分析结果一致。

表5 分组回归结果

4.3.2因变量分解检验

在主分析模型中，本研究的因变量是采用每月新增的图文和电话问诊总和的测量方式。下面考虑分别将医生每月新增的图文问诊量和电话问诊量作为因变量，重新进行模型估计，结果见表6，与之前主分析回归的结果同样保持一致。由表6中列(1)和列(4)可知，本研究所关注的自变量对患者选择电话问诊的影响均大于对患者选择图文问诊的影响。这可能是因为电话问诊费用通常高于图文问诊的费用，患者为了降低付出金钱成本的不确定性，在选择电话问诊时更可能参考其他患者发表的医生服务评价信息。

表6 因变量分解估计结果

4.3.3计数模型检验

本研究的因变量是使用医生在线问诊量进行测量，属于计数数据，可考虑泊松回归和负二项回归。通过检验发现，因变量的方差远远大于平均值，说明存在过度分散现象，因此，本研究选择了更有效率的负二项回归。固定效应的面板负二项回归结果见表7，与之前回归的结果同样保持一致。

4.3.4GMM估计检验

本研究的因变量在不同期之间可能存在序列相关性，即医生每月新增的患者问诊量之间存在显著的相关关系。为了缓解可能产生的内生性问题，在模型中加入因变量的一阶滞后项作为控制变量，建立动态面板模型；然后采用系统GMM方法进行估计，得到的结果见表7。由表7可知，主要自变量和交乘项的估计结果与主分析结果基本保持一致，故研究结果是稳健的。

表7 负二项回归和GMM估计结果

续表7

5 结语

本研究基于信号理论，构建了医生线上和线下服务评价与患者在线问诊选择之间的理论模型，并进行了实证检验。研究表明：①医生线上和线下服务评价对患者在线问诊选择均有正向影响，并且潜在患者进行在线问诊选择时，更关注医生的线上服务评价信息；②医生线上和线下服务评价在影响患者在线问诊选择方面存在负向协同关系；③医生职称负向调节医生线下服务评价与患者在线问诊选择之间的关系，正向调节医生线上服务评论数量的影响，但对医生线上服务评分的影响无显著调节作用。

本研究具有一定的理论意义：①将医生的服务评价分为线上服务和线下服务评价，通过在同一研究模型中同时考虑这两类医生服务评价，并且比较他们的影响差异，进一步丰富了关于医生服务评价的影响研究；②在探讨医生服务评价对患者在线问诊选择直接影响的基础上，考察线上和线下服务评价之间的协同作用，响应了以往研究关于深入探索不同信息对患者问诊选择联合效应的号召[9, 10]；③本研究丰富了医生向潜在患者传递的在线信号，拓展了信号理论在医疗服务中的应用。

本研究同样具有一定的实践意义：①对于在线健康社区来说，平台运营者应该设计更为友好的评价系统帮助患者发布和展示这两类评价信息，这将有助于潜在患者更有效地选择目标医生，从而吸引更多的医生和患者参与到平台中来；②对于医生来说，应该平衡对线上和线下服务的时间精力分配，以期同时获得较好的线上和线下服务评价，从而获得更多的经济收益；③对于患者来说，选择在线问诊的医生时，应该同时关注医生线上和线下服务评价，以做出正确的问诊选择。

本研究的局限性在于：①仅基于一个在线健康社区的数据，并且以治疗糖尿病和感冒的医生作为研究对象，未来需进一步检验其可推广性；②缺乏对于医生服务评论的内容挖掘，未来可以采用文本分析方法，进一步对服务评论中的主题和情感信息展开分析；③忽略了患者个体特征的异质性，未来可以考虑纳入更多的患者特征信息，降低可能存在的遗漏变量偏差。