不同來源信息對患者購買轉化率的影響研究

劉穎馨，吳紅，盧乃吉

（華中科技大學醫(yī)藥衛(wèi)生管理學院，湖北 武漢 430030）

不同來源信息對患者購買轉化率的影響研究

劉穎馨，吳紅，盧乃吉*

（華中科技大學醫(yī)藥衛(wèi)生管理學院，湖北 武漢 430030）

目的/意義醫(yī)療服務風險較高，關乎患者生命。在服務過程中，醫(yī)患間要建立信任關系。然而，醫(yī)療服務專業(yè)性高，醫(yī)生掌握醫(yī)療知識，而大部分患者缺乏醫(yī)療知識，在接受服務前，無法判斷醫(yī)生的服務質量。隨著互聯(lián)網的發(fā)展，在線醫(yī)療社區(qū)（online health communities）為接受服務的患者提供評價醫(yī)生的平臺，也為尚未接受服務的患者提供獲取服務質量信息的渠道。目前部分研究探索了不同類型信息對銷量或用戶行為的影響，但服務領域的研究較少。并且已有研究僅將信息來源劃分為買方提供信息及系統(tǒng)提供信息，而在商品和服務領域中，賣方提供的信息同等重要，尤其是針對具有專家服務特征的醫(yī)療領域，相關研究較少。方法/過程從好大夫在線網站收集1 414名醫(yī)生的相關數(shù)據(jù)，建立多重線性回歸模型進行分析。結果/結論患者生成信息與醫(yī)生生成信息對患者購買轉化率產生積極影響，而系統(tǒng)生成信息對轉化率未產生影響。研究建議，網站設計者要為患者和醫(yī)生創(chuàng)造更多機會、方式，供其上傳信息，這些信息對患者做決策有重要作用，如合理評估醫(yī)生的服務水平。醫(yī)生要積極管理在線信息，及時更新數(shù)據(jù)、盡快回復咨詢、積極發(fā)表文章，通過努力吸引患者。

在線醫(yī)療社區(qū)；轉化率；患者生成信息；系統(tǒng)生成信息；醫(yī)生生成信息

0 引言

醫(yī)療服務具有較高風險，關乎患者生命。在服務過程中，醫(yī)患間需要建立信任關系。然而，由于醫(yī)療服務具有專家服務特征[1]，因此患者無法判斷醫(yī)生的服務質量，即醫(yī)患間存在信息不對稱現(xiàn)象。服務提供方與接受方之間的信息不對稱則導致機會主義行為出現(xiàn)，使接受方對提供方產生不信任[2,3]。不同于商品，服務是無形、不可分且異質的[4]，患者在接受醫(yī)生服務前，無法判斷其服務質量。傳統(tǒng)上，患者往往通過親屬朋友的推薦選擇醫(yī)生，大部分患者甚至在不知道該選擇哪個醫(yī)生的前提下直接去醫(yī)院尋求診療，而在既不了解病情及醫(yī)療知識又盲目選擇醫(yī)生的情況下，容易導致醫(yī)患雙方溝通出現(xiàn)問題，因此醫(yī)患矛盾日益激化。隨著互聯(lián)網的發(fā)展，在線醫(yī)療社區(qū)的出現(xiàn)為患者提供評價醫(yī)生的平臺。

近年來，隨著在線醫(yī)療服務的發(fā)展，使用在線醫(yī)療社區(qū)咨詢健康問題的人數(shù)激增[5]。在線醫(yī)療社區(qū)為接受服務的患者提供了寫反饋的平臺，同時為尚未接受服務的患者提供了獲取服務質量信息的渠道。相比線下醫(yī)院，在線醫(yī)療社區(qū)具有一定優(yōu)勢，如直接獲取醫(yī)院及醫(yī)生信息，合理選擇醫(yī)生；打破時空限制，醫(yī)患隨時溝通，增加信任，減少矛盾；患者間提供信息支持和情感支持。因此，在線醫(yī)療社區(qū)已成為患者獲得醫(yī)生服務質量的重要渠道之一[6，7]。通常，醫(yī)生的服務質量可由線上信息評估得出。

根據(jù)信息來源的差異，可以將線上信息劃分為用戶生成信息和系統(tǒng)生成信息。近年來，研究用戶生成信息和系統(tǒng)生成信息對銷量及消費者決策影響的文獻日益增加[8-10]。然而，大部分研究只集中于書籍[11]，電影[12]和游戲[13]等產品，針對服務領域的研究較少，尤其是在線醫(yī)療社區(qū)的研究。

轉化率也是電子商務領域廣泛探討的問題。電商領域研究轉化率的文獻層出不窮[14-16]。大部分聚焦于關鍵流程的轉化率[17]，也有部分研究探討微轉化率的作用。

本研究以信息分類的思想，將信息分為用戶生成信息（即患者生成信息）、系統(tǒng)生成信息和醫(yī)生生成信息，借助好大夫在線的數(shù)據(jù)，探究這三類信息對患者購買轉化率的影響。已有研究往往未考慮服務提供者生成信息的作用，但是由于在線醫(yī)療社區(qū)服務是特殊的產品，具有無形性和高度信息不對稱性，因此，服務提供者的行為對判斷服務質量具有重要作用，醫(yī)生可以通過努力，及時回復咨詢、更新信息，積極發(fā)表醫(yī)療科普性文章，提升服務效率，吸引更多患者，所以創(chuàng)新性的加入醫(yī)生生成信息。

1 文獻綜述

1.1 在線醫(yī)療網站

在線醫(yī)療社區(qū)為醫(yī)生和患者提供了線上溝通的平臺[18]。社區(qū)用戶可以進行醫(yī)患溝通、獲取健康知識，也可以瀏覽評價，評估醫(yī)生服務質量[19]。

目前，已有文獻研究了不同類型信息（用戶生成信息、系統(tǒng)生成信息）對銷量或用戶行為的影響。如Chevalier和Mayzlin 研究用戶評論對Amazon.com和Barnesandnoble.com網站上圖書銷售的影響；Dellarocas等人發(fā)現(xiàn)用戶喜好評論票房高、評分高的電影，也喜好評論評分低、票房差的電影；然而這些研究主要針對商品領域，服務領域的研究較少。

1.2 信息來源劃分及作用

口碑對消費者的購買決策具有重要作用[19-21]。傳統(tǒng)口碑通過朋友或家人傳播，涉及范圍較小。隨著網絡技術的發(fā)展，出現(xiàn)了提供用戶評論的在線平臺，口碑有了其他傳播方式。用戶生成信息及系統(tǒng)生成信息都會以電子口碑的形式呈現(xiàn)給消費者。消費者僅付出搜索成本就能獲得商品或服務的電子口碑并評估決策。因此，用戶生成信息及系統(tǒng)生成信息都會對消費者的決策過程產生影響[22-24]。多數(shù)研究用戶生成信息和系統(tǒng)生成信息的文獻集中于傳統(tǒng)的電子商務環(huán)境，而在線專家服務方面的研究有限，如在線醫(yī)療社區(qū)[19]。已有研究僅將信息來源劃分為買方提供信息及系統(tǒng)提供信息，但在商品和服務領域中，賣方提供的信息同等重要，尤其對具有專家服務特征的醫(yī)療領域，醫(yī)生提供的信息尤為重要。本文將填補這一空白。

1.3 轉化率概念及其影響因素

目前轉化率的研究集中在電商領域，醫(yī)療領域涉及較少。轉化率是指將互聯(lián)網流量轉化為企業(yè)網站的流量；將企業(yè)網站的流量轉化為第一次購買量；將第一次購買量轉化為重復購買量。

國外研究起步較早，研究角度和模型更新穎。如使用與銷售相關的數(shù)據(jù)開發(fā)在線購買模型，預測購買轉化率[14，15]。部分研究使用轉化率評估電子商務網站的可用性[16]。在國內，轉化率的研究集中于理論及定性研究，定量研究較少。多數(shù)理論研究分析轉化率影響因素，如顧客行為因素[25]和網站品牌[26]。

基于以上研究現(xiàn)狀，本文從信息分類的角度研究在線用戶反饋、系統(tǒng)生成信息和醫(yī)生努力對患者購買轉化率的影響。

2 研究模型與假設

患者在在線醫(yī)療社區(qū)中購買醫(yī)生服務的過程分為兩步，即搜索過程及評估決策過程。

在搜索階段，患者根據(jù)自身健康需求，進行搜索以獲得醫(yī)生列表，然后參考某些信息，如醫(yī)生職稱、評分及所屬醫(yī)院，決定是否瀏覽醫(yī)生主頁。醫(yī)生列表中有客觀信息，如所在醫(yī)院、職稱，也有患者生成信息和系統(tǒng)生成信息。同時，服務作為特殊商品與一般商品不同，是無形且異質的[4]，而醫(yī)療服務具有專家服務中信息不對稱的特征[4,27]，患者在購買前無法了解醫(yī)生的服務質量。因此，列表中的患者生成信息與系統(tǒng)生成信息對患者的行為產生重要影響。

搜索后，患者會訪問部分醫(yī)生的主頁，查看詳細信息以決定是否購買服務。醫(yī)生主頁也有患者生成信息和系統(tǒng)生成信息。這兩類信息對患者的決策會產生影響。

本研究的因變量是將企業(yè)網站的流量轉化成第一次購買量的轉化率，與用戶行為過程有關?；颊呱尚畔⒓跋到y(tǒng)生成信息均對患者的行為過程產生影響，因此會對因變量產生影響。根據(jù)上文所述，做出假設：

假設1：患者生成信息會對患者購買轉化率產生影響。

假設2：系統(tǒng)生成信息會對患者購買轉化率產生影響。

同時，本研究將醫(yī)生生成信息作為一類新變量。醫(yī)生列表中沒有醫(yī)生生成信息，但在患者決策過程中，醫(yī)生主頁的貢獻值，發(fā)表文章數(shù)等能夠反映醫(yī)生的努力程度，因此此類信息也會影響患者的決策。所以醫(yī)生生成信息也會影響患者的行為過程，進而影響轉化率。故此假設：

假設3：醫(yī)生生成信息會對患者購買轉化率產生影響。

圖1為本文研究框架。

圖1 研究框架

3 方法

3.1 網站介紹

研究數(shù)據(jù)來自好大夫在線網站（www.haodf.com）?！昂么蠓蛟诰€”網站創(chuàng)建于2006年，旨在為廣大患者提供信息作為就醫(yī)參考。至今，該網站已成立11年，其數(shù)據(jù)和信息較豐富，運營模式也較成熟。作為我國最大的醫(yī)療網站之一，好大夫在線目前已收錄全國7 713家醫(yī)院、約49萬名醫(yī)生，可以反映我國在線醫(yī)療社區(qū)現(xiàn)狀及用戶特征，因此本研究選擇好大夫在線的數(shù)據(jù)。圖2為好大夫在線網站首頁。

好大夫在線擁有大量信息，如醫(yī)生個人信息（職稱、所屬醫(yī)院等），患者生成信息（醫(yī)生主頁訪問量、評分、感謝信等）、系統(tǒng)生成信息（年度醫(yī)生獎杯）及醫(yī)生的努力程度。因此，好大夫在線有足夠的指標和用戶量支持本研究。

3.2 變量的選取與描述

圖2 好大夫在線網站首頁

本研究使用火車采集器V9.4.1采集數(shù)據(jù)，樣本為好大夫在線網站治療糖尿病的醫(yī)生。選取該樣本的原因如下：首先，糖尿病可以作為慢性病的代表。相比急性病，慢性病患者患病時間長，日常健康管理對慢性病患者的疾病控制至關重要，因此，他們更容易在線獲取健康信息及咨詢。而糖尿病作為一種典型的慢性病，具有代表性。其次，糖尿病患者人數(shù)眾多，具有代表性。我國已步入老齡化社會，老年人基數(shù)大，而糖尿病是一種典型慢性病，其患者具有代表性。搜索治療糖尿病醫(yī)生，網站根據(jù)患者推薦熱度排序返回醫(yī)生列表。為了獲取一段時間內的購買轉化率，共采集兩次數(shù)據(jù)，時間分別為2017年4月4日和2017年4月13日，每次數(shù)據(jù)采集歷時兩天。將兩次采集中均在列表中的醫(yī)生作為本文的研究對象，刪除重要變量缺失的樣本，最終得到1414名醫(yī)生的數(shù)據(jù)。本文的所有變量數(shù)據(jù)均來自醫(yī)生個人主頁，如圖3所示。

本研究的因變量是指將企業(yè)網站的流量轉化為第一次購買量的轉化率，屬于關鍵流程的轉化率。圖3是對所有變量的展示。

自變量根據(jù)信息來源劃分為患者生成信息、系統(tǒng)生成信息及醫(yī)生生成信息。

患者生成信息包括患者推薦熱度和醫(yī)生獲得禮物數(shù)。在接受服務后，如果患者對醫(yī)生的服務質量滿意，就可以通過投票或贈送禮物表示感謝，而醫(yī)生在列表中的排列順序就是以推薦熱度（由投票數(shù)得出）為標準降序排列的。所以，禮物和推薦熱度均為積極反饋，可以反應醫(yī)生的服務質量。因此，將禮物及推薦熱度納入患者生成信息。

系統(tǒng)生成信息為醫(yī)生是否為年度好大夫。年度好大夫徽章是好大夫在線專業(yè)委員會每年年末根據(jù)醫(yī)生的有效咨詢量、電話咨詢數(shù)量和患者滿意度等多個指標評選出排名前100的醫(yī)生，獲得此榮譽的醫(yī)生會在其主頁顯示一枚電子徽章。所以，年度好大夫作為系統(tǒng)生成評價，可以客觀反映醫(yī)生的服務質量，故歸為系統(tǒng)生成信息。

醫(yī)生生成信息為貢獻值和發(fā)表文章數(shù)量。貢獻值能夠表示醫(yī)生的努力程度。醫(yī)生可以通過以下方式提高貢獻值：第一，及時更新個人信息及出診信息；第二，提高文章質量，使其被網站引用；第三，及時回復患者咨詢。雖然貢獻值由系統(tǒng)計算生成，但具體數(shù)值只與醫(yī)生行為有關，因此將其納入醫(yī)生生成信息。此外，發(fā)表文章數(shù)量也能反映醫(yī)生的擅長領域和專業(yè)水平。所以貢獻值和發(fā)表文章數(shù)量均為醫(yī)生生成信息。

為了控制其他變量對患者購買轉化率的影響，模型中引入醫(yī)生職稱及醫(yī)院等級作為控制變量。醫(yī)生在醫(yī)院有行政職稱，等級從高到低依次為主任醫(yī)師、副主任醫(yī)師、主治醫(yī)師和醫(yī)師。行政職稱是政府相關部門評定的，反映醫(yī)生的醫(yī)療水平和從業(yè)經驗。在本研究中，使用三個虛擬變量衡量醫(yī)生職稱。與醫(yī)生職稱類似，政府相關部門根據(jù)醫(yī)院的醫(yī)療能力、技術水平等維度評定等級，分別為一級、二級、三級。每個級別又劃分為甲、乙、丙三個等級。本研究納入兩個虛擬變量衡量三個等級。具體衡量方法見表1。

圖3 醫(yī)生列表及個人主頁

表1 變量描述和衡量方法

3.3 模型建立

為了檢驗前文的假設是否成立，模型以轉化率為因變量，以三類不同信息為自變量，建立多重線性回歸模型。對模型中不符合正態(tài)分布的變量做對數(shù)變換。轉換率計算公式及患者購買轉化率回歸方程如下：

本方程中要估計的參數(shù)為β1至β10，i表示每個醫(yī)生。

4 結果

表2為變量的描述性分析，表3為變量相關性矩陣。由表3可得，醫(yī)生貢獻和文章數(shù)量與轉化率（變量1）呈負相關，β值分別為-0.101和-0.079。

表4中模型一為控制變量對轉化率影響的結果，模型二為引入自變量的結果。表中調整后的R2和F值均較合理。

假設1研究患者生成信息對轉化率的影響。表4中禮物的結果可以支持此假設。因為禮物的回歸系數(shù)為正且有統(tǒng)計學意義（β=0.474，T=0.117，P＜0.001）。因此，患者生成信息對轉化率產生影響成立。

假設2研究系統(tǒng)生成信息對轉化率的影響。表4中醫(yī)生是否為年度好大夫的結果與預期不同，且無統(tǒng)計學意義（P=0.348），因此系統(tǒng)生成信息對轉化率產生影響不成立。

假設3研究醫(yī)生生成信息對轉化率的影響。表4中貢獻值與總文章的結果與預期不同，雖然貢獻值有統(tǒng)計學意義（P＜0.001），但其回歸系數(shù)為負，因此貢獻值增加，轉化率卻降低。為了探究貢獻值回歸系數(shù)為負的原因，建模分別研究同一時段內這三類信息對患者訪問量及購買量的影響。模型的自變量均不變，因變量為同一時段的訪問量和購買量，做對數(shù)轉換處理。

表2 描述性分析

表3 變量相關性矩陣

表4 患者購買轉化率的回歸分析結果

表5 訪問量及購買量回歸分析結果

表5中，模型三為患者訪問量的回歸結果，模型四為購買量的回歸結果。首先分析同一時段內三類不同信息對患者訪問量的影響，患者生成信息、系統(tǒng)生成信息及醫(yī)生生成信息均有統(tǒng)計學意義（P＜0.001），雖然禮物的顯著性偏大，但接近0.05（P=0.066），故可粗略認為具有統(tǒng)計學意義。除禮物外的變量回歸系數(shù)均為正，因此這些變量均可促進患者訪問醫(yī)生主頁。禮物的回歸系數(shù)為負，與預期相反。這可能與好大夫在線的特點有關，患者獲得醫(yī)生服務后，有兩種方式表示感謝，即感謝信和禮物，如果患者選擇了寫感謝信，一般不會再贈送禮物。投票數(shù)是由感謝信計算得到。醫(yī)生的列表排名是以推薦熱度為準降序排列的，而推薦熱度由投票數(shù)生成，所以排名越靠前，推薦熱度越高，獲得禮物越少，因此禮物的回歸系數(shù)為負。但禮物對醫(yī)生主頁的訪問量仍有促進作用。

然后，我們分析同一時段內三類不同類型信息對患者購買量的影響，患者生成信息、系統(tǒng)生成信息及醫(yī)生生成信息的回歸系數(shù)均為正且有統(tǒng)計學意義(P＜0.05)，因此這三類信息均可促進購買量。

轉化率方程中貢獻值回歸系數(shù)為負的現(xiàn)象，也可以進一步解釋。在訪問量和購買量的方程中，貢獻值的回歸系數(shù)為0.634、0.0095，因此貢獻值對患者訪問量和購買量均有積極影響。但是當醫(yī)生貢獻值增加時，訪問量的增加速度遠超過購買量的增加速度，故購買轉化率減小。但是貢獻值對購買轉化率仍有積極影響。

5 討論及意義

5.1 討論

本文探究三類信息（患者生成信息、系統(tǒng)生成信息、醫(yī)生生成信息）對患者購買轉化率的影響，并假設這三類信息對患者購買轉化率均產生影響。為了驗證假設，建立了多重線性回歸模型。實證結果表明患者生成信息與醫(yī)生生成信息對轉化率產生了影響，而系統(tǒng)生成信息對轉化率未產生影響。

系統(tǒng)生成信息對轉化率未產生影響可能是由于用戶對此類信息不信任，因為年度好大夫與銷量及票房排名等不同，是好大夫在線專業(yè)委員會根據(jù)多項指標綜合評價的結果，計算過程復雜、獲得人數(shù)較少且網站沒有公開說明評價標準，因此用戶不了解該指標的真實性。而醫(yī)療服務關乎患者生命，在不了解指標的情況下，患者可能不會參考該因素。

針對該問題，網站設計者需加大宣傳力度，詳細說明年度好大夫徽章的評估標準和計算過程，取得患者信任。對服務提供者而言，盡管患者未關注系統(tǒng)生成信息，但仍會參考產品銷量和服務滿意度等，因此醫(yī)生要通過增加咨詢量、提升患者滿意度以促進轉化率。

5.2 創(chuàng)新性

本文的理論創(chuàng)新有兩點。第一，本研究的領域為醫(yī)學領域。雖然已有研究探究了用戶生成信息與系統(tǒng)生成信息產生的影響，但是側重于其他領域，如圖書、游戲及電影[12，21，22]，醫(yī)學領域研究較少。而且醫(yī)療服務是無形且異質的，具有特殊性，因此患者難以在接受服務前合理評估醫(yī)生的服務質量[4]。為了彌補這一理論空缺，本文探究了患者生成信息、系統(tǒng)生成信息及醫(yī)生生成信息對患者購買轉化率的影響。第二，本研究加入了醫(yī)生生成信息作為新變量。雖然已有研究從信息分類的角度進行研究，但是通常未加入賣方生成信息。而在線醫(yī)療社區(qū)服務是特殊的產品，服務提供者本身可以通過努力，及時回復疑問、更新出診時間，積極發(fā)表文章，提升服務效率，吸引患者。因此，本研究加入醫(yī)生生成信息作為新變量。

本研究的實踐意義為：第一，研究結果表明，患者生成信息與醫(yī)生生成信息對轉化率有積極影響。對網站設計者而言，要為患者提供更多機會和方式獲得、顯示這兩類信息，既減少了醫(yī)患間的信息不對稱，也能從不同角度展現(xiàn)醫(yī)生的服務質量。第二，對服務提供者而言，如果他們積極管理在線信息，及時更新信息、發(fā)表高質量文章、盡快回復咨詢，就可以提高轉化率。雖然醫(yī)生不能改變患者生成信息的數(shù)量，但可以通過努力吸引患者。

5.3 研究的局限性

本文還有局限。首先，本文樣本的選取導致研究結果的局限性。目前，結果只能代表好大夫在線部分醫(yī)生的情況，但無法代表該網站乃至在線醫(yī)療社區(qū)的整體情況，未來的研究可以收集更多網站的數(shù)據(jù)，驗證假設是否成立。其次，本研究的前提是患者在決策前對醫(yī)生沒有明確的選擇傾向，但患者也可以不參考文中變量，直接購買某個醫(yī)生的服務。由于少數(shù)患者未經歷搜索、決策過程，所以研究結果可能存在偏差。最后，本研究只分析了總體購買轉化率，而沒有按照服務類型做對比分析?？傮w轉化率與某個服務類型的轉化率可能會有區(qū)別，因此接下來的研究可以分析不同服務類型的轉化率是否有差別。

5.4 結論

本文探究了三類不同信息（患者生成信息、系統(tǒng)生成信息及醫(yī)生生成信息）對患者購買轉化率的影響。研究通過建立多重線性回歸模型對三個假設進行驗證，實證結果支持假設一和假設三，假設二不成立，即患者與醫(yī)生生成的信息對購買轉化率產生影響，而系統(tǒng)生成信息對轉化率沒有影響。

[1] Dranove, D. Demand inducement and the physician/patient relationship [J]. Economic Inquiry, 1988, 26(2):281-298.

[2] Akerlof, G.A.. The market for ‘lemons’: quality uncertainty and the market mechanism [J]. Quarterly Journal of Economics ,1970,84(3): 488-500.

[3] Ba, S., Pavlou, P.A.. Evidence of the effect of trust building technology in electronic markets: price premiums and buyer behavior [J]. MIS Quarterly, 2002, 26(3): 243-268.

[4] Parasuraman, A., Zeithaml, V.A., Berry, L.L.. A conceptual model of service quality and its implications for future research [J]. The Journal of Marketing , 1985,49(4):41-50.

[5] Xiao, N., Sharman, R., Rao, H., et al. Factors influencing online health information search: an empirical analysis of a national cancer-related survey [J]. Decision Support Systems , 2014,57:417-427.

[6] Ba, S., Wang, L.. Digital health communities: the effect of their motivation mechanisms [J]. Decision Support Systems,2013,55(4):941-947.

[7] Kucukyazici, B., Verter, V., Mayo, N.E.. An analytical framework for designing community-based care for chronic diseases [J].Production and Operations Management,2011,20(3):474-488.

[8] Chen, D.Q., Preston, D.S., Xia, W..2013. Enhancing hospital supply chain performance: a relational view and empirical test [J]. Journal of Operations Management,2013,31(6):391-408.

[9] Chen, Y., Xie, J.. Online consumer review: word-of-mouth as a new element of marketing communication mix [J]. Management Science,2008:54(3):477-491.

[10] Dellarocas, C.. The digitization of word of mouth: promise and challenges of online feedback mechanisms [J]. Management Science,2003,49(10):1407-1424.

[11] Chevalier, J.A., Mayzlin, D..The effect of word of mouth on sales: online book reviews [J].Journal of Marketing Research,2006,43(3):345–354.

[12] Duan, W., Gu, B., Whinston, A.B.. Do online reviews matter?—An empirical investigation of panel data [J]. Decision Support Systems,2008,45(4):1007-1016.

[13] Zhu, F., Zhang, X.. Impact of online consumer reviews on sales:the moderating role of product and consumer characteristics [J].Journal of Marketing, 2010,74(2):133-148.

[14] Catarina S.,Randolph E. Buckli. Modeling Purchase Behavior at an E-Commerce Web Site: A Task Completion Approach [J]. Journal of Marketing Research,2004, 4(3):306-323

[15] Wendy W. Moe, Peter S. Fader. Dynamic Conversion Behavior at E-Commerce Sites [J]. Management Science,2004,50(3):326-335.

[16] G Linden,B Smith,J York.Amazon.com Recommendations Item-to-Item Collaborative Filtering [J].IEEE Internet computing,2003,7(1):76-80.

[17] 馬騁宇.在線醫(yī)療社區(qū)服務利用及轉化研究——以好大夫在線為例[J]. 中國衛(wèi)生政策研究,2016,9(11):70-73.

[18] Ziebland, S., Chapple, A., Dumelow, C., et al. How the internet affects patients’ experience of cancer: a qualitative study [J].British Medical Journal, 2004, 328(6):564-569.

[19] Gao, G.G.,Greenwood, B.N., McCullough, J., et al.A Digital Soapbox? The Information Value of Online Physician Ratings,Conference on Information Systems and Technology, 2011.

[20] Bass, F.M.. Comments on“a new product growth for model consumer durables the bass model”[J]. Management Science,2004,50(12):1833-1840.

[21] Dellarocas, C., Gao, G., Narayan, R.. Are consumers more likely to contribute online reviews for hit or niche products?[J]. Journal of Management Information Systems,2010, 27(2):127-158.

[22] Archak, N., Ghose, A., Ipeirotis, P.G.. Deriving the pricing power of product features by mining consumer reviews [J]. Management Science, 2011, 57(8): 1485-1509.

[23] Gu, B., Ye, Q.. First step in social media-measuring the influence of online management responses on customer satisfaction [J].Productions and Operations Management,2014,23(4):570–582.

[24] Ye, Q., Law, R., Gu, B., et al. The influence of user-generated content on traveler behavior: an empirical investigation on the effects of e-word-of-mouth to hotel online bookings [J]. Computers in Human Behavior,2011,27(2):634-639.

[25] 卞保武.企業(yè)電子商務網站轉化率問題的研究[J].中國管理信息化,2010,13(2):97-99.

[26] 陶冶,牛西. 電子商務網站轉化率影響因素及對策分析——以淘寶網為例[J].科技廣場,2016,3:136-139.

[27] Arrow, K.J..Uncertainty and the welfare economics of medical care[J]. The American Economic Review,1963,53:941-973.

Exploring the Effects of Information from Different Sources on Patients’ Conversion Rate

LIU Ying-xin , WU Hong, LU Nai-ji*
（School of Medicine and Health Management, Tongji Medical College of Huazhong University of Science & Technology, Wuhan, Hubei,430030）

Purpose/SignificanceHealth care service is a high-risk service and it is related to the patient’s life. In the course of service, physicians and their patients should establish the relationship of trust. However, medical service is professional, physicians have enough medical knowledge, but most patients are short of medical knowledge. So before receiving the service, they could not judge the quality of physicians. With the development of the Internet, patients share their reviews through online health communities.And it is also a chance to know about the quality of physicians’ service quality. Existing studies have explored the impact of different types of information on sales or user behavior, but there are few studies in the service domain. And existing studies have only divided the information source into buyer-generated information and system-generated information. In the domains of commodity and service,seller-generated information is equally important, especially for medical. But the study about it is less.Methods/ProcessOne thousand four hundred fourteen physicians’ real data were collected from a Chinese online health community. The data were analyzed using multiple linear regression.Results/ConclusionThe study found that patient-generated and physician-generated information on physicians’ service quality positively impact patients’ conversion rate, but system-generated information do not impact patients’conversion rate. Our study recommends that the designers of the online healthcare websites should provide more opportunities for patients and physicians to upload their information. Because it plays an important role in patients’ decision. Physicians should manage online information and make efforts to attract patients, for example updating the information on time, replying as soon as possible,publishing more articles.

Online health communities; Conversion rate; Patient-generated information; System-generated information;Physician-generated information

10.19335/j.cnki.2096-1219.2017.22.07

華中科技大學自主創(chuàng)新研究基金資助項目“智能健康信息的管理、分析和評估”（項目編號：2016YXZD0329）。

劉穎馨，（1993-）女，天津，華中科技大學同濟醫(yī)學院，主要從事在線醫(yī)療社區(qū)研究；吳紅，（1990-）女，黑龍江，華中科技大學同濟醫(yī)學院，主要從事在線醫(yī)療社區(qū)研究。

盧乃吉，（1980-）男，江蘇，華中科技大學同濟醫(yī)學院，副教授，主要從事在線醫(yī)療社區(qū)研究。