開通在線醫療服務會影響醫生的線下服務量及診療收入嗎?
——基于PSM-DID模型的實證研究

馬騁宇

首都醫科大學公共衛生學院 北京 100069

H1：開通在線診療服務的醫生其線下年門診量更高。

H2：開通在線診療服務的醫生其線下年診療收入更高。

為驗證以上假設，探究醫生開通在線醫療服務對醫生線下診療量及診療收入產生的影響，本研究以國內最大的醫患交流平臺，好大夫在線(haodf.com)為研究對象[12]，研究在線醫療服務在早期發展過程中對醫生線下年門診量和年診療收入的影響，建立固定效應和倍差法模型，分析醫生因開通個人主頁產生的線上到線下的因果凈效應(概念模型如圖1所示)。研究結論為當前有序促進我國互聯網醫院發展，規范“互聯網+”醫療服務中的醫生行為提供政策參考。

圖1 概念模型圖

1 資料與方法

1.1 數據來源及樣本選擇

數據來源分為線上數據和線下數據兩部分。線下數據以山東省某三甲綜合醫院的門診醫生為研究對象，該醫院為區域醫療中心，床位3 600張，年門診量290余萬人次，收集該醫院管理信息系統中2010—2014年的績效面板數據，包括醫生的年門診量及年診療收入。線上數據使用Java語言自行編寫網絡爬蟲程序，于2016年12月從好大夫在線網站抓取該樣本醫院在該網站上開通個人主頁醫生信息，并對網頁文本信息進行分析，提取醫生開通個人主頁情況、開通時間以及職稱、科室等個體特征信息。最后，將線上開通個人主頁醫生信息與線下醫生信息進行匿名比對，整合線上線下醫生績效信息，數據分析通過STATA12.0完成。樣本醫院醫生在好大夫在線上開通個人主頁的醫生數量如表1所示。好大夫在線網站創立于2006年，其業務拓展期在2010年后，并且迅速成為國內最大的在線醫療社區。然而，在2015年國家提出大力發展“互聯網+”醫療后[13]，各類在線醫療服務平臺如雨后春筍般發展起來，好大夫在線的醫患資源也被分流到了其他平臺。因此，本文以好大夫在線最為活躍的2010—2014年為觀測時期，考察醫生開通線上個人主頁對線下診療量及診療收入的影響效應。表1顯示，2010—2014年，樣本醫院有170位醫生先后在好大夫在線上開通個人主頁，2010—2011年新開通個人主頁的醫生數量最多，2012年之后增速放緩。

表1 2010—2014年樣本醫院醫生在好大夫在線上開通個人主頁的情況(人)

1.2 實證方法

本文通過構造2010—2014年樣本醫院醫生績效的面板數據，采用倍查法[14,15]和固定效應模型對醫生的線上線下診療量及診療收入影響效應進行估計。首先，構建醫生線下門診量和診療收入的基礎模型，并使用固定效應模型法估計這兩個模型，從而消除隨時間和個體而改變的不可觀測變量的影響。然后，為有效解決內生性的問題，采用傾向匹配法匹配對照組后，采用倍差法分析處理組與對照組在開通在線醫療服務后的差異。

1.2.1 倍差法基礎模型

本文采用醫生線下的年患者數量PNit和年診療收入MPit作為主要指標，醫生年門診量PNit的基礎模型為：

杜威則認為教學方法是教師對教材的安排、組織，是為學生創造學習情境，教學的核心在于學生能自己發現問題、解決問題。所以教學中應以學生為中心，重視學生的自我活動和主動作業；讓學生有更大的主動性、靈活性。他說：“記憶、觀察、閱讀，傳達都是提供資料的途徑。”從這點不難看出杜威并不全然否認間接經驗的作用。

PNit=β1openit+β2Di+β3yeart+β4t+αi+εit*MERGEFORMAT(1)

年診療收入MPit的基礎模型為：

Ln(MPit)=β1openit+β2Di+β3yeart+β4t+αi+εit*MERGEFORMAT(1)

式中，待估計因果效應為開通在線醫療服務對醫生線下診療量或診療收入的平均處理效應。openit表示醫生i在第t年度是否開通了個人主頁反映醫生在不同時期線下績效的變化；Di表示醫生是否開通個人主頁，開通為1，未開通為0；t為時期數，t=1表示醫生開通個人主頁以后的時期，t=0表示醫生開通個人主頁之前的時期，同時用于控制模型中的時間趨勢。yeart為每一年度的虛擬變量，用以控制時間固定效應；αi為每位醫生的個體效應，包括醫生所在的科室、職稱等個體特征，εit為誤差項。

1.2.2 傾向得分匹配法

應用倍差法的關鍵在于對照組的選取。不同科室、職稱的醫生在未開通個人主頁之前，其線下績效已經存在差異，即一些事前因素已經導致了醫生績效水平的不同。比如，一些醫生正是因為在患者中的知名度高，才會被在線醫療服務平臺邀請個人主頁。這就意味著，這些醫生即使不開通在線服務主頁，其線下績效也可能高于其他醫生。因此，若直接使用未開通個人主頁的醫生作為研究樣本，將會導致樣本選擇的偏倚，因而高估了開通個人主頁對醫生線下績效的影響。為此，本文將應用傾向得分匹配法(Propensity Score Matching,PSM)[16,17]，通過Probit概率模型估計傾向得分Pscore，從對照組中選取與處理組傾向得分相同或相近的個體進行匹配，從而保證估計具有有效性。現有的匹配方法主要有最近鄰匹配法(Nearest Neighbors Matching)、半徑匹配法(Radius Matching)、核匹配法(Kernel Matching)等。本文應用最近鄰匹配法進行匹配。

1.3 變量選取及說明

本文在實證研究中涉及到的變量包括：自變量、因變量、控制變量三大類。假設醫生i(i=1,2,…n)在t年(t=1,2,…T)的診療量及診療收入被觀測，設置兩個虛擬變量Di和Openit作為自變量進行估計，Di表示醫生i是否在在線醫療網站上開通了個人主頁，開通組Di=1，未開通組Di=0。Openit表示t年度醫生i是否開通了個人主頁，未開通openit=0,開通openit=1。因變量為醫生的年門診量PNit或年診療收入MPit(根據年度CPI進行折算)。本文中主要變量的定義和計算方法如表2所示。

表2 變量表一覽表

在應用傾向得分匹配法進行樣本選擇的過程中[18]，為盡量縮小處理組和對照組醫生在學科和資歷上的差距，本文選擇兩個變量：醫生的職稱和科室作為模型的匹配變量。醫生科室參照樣本醫院臨床科室設置劃分，并進行了合并，如眼科和耳鼻喉科合并為五官科；部分醫技、藥劑、檢查檢驗科室的醫生不單獨提供門診服務，這部分醫生一般不會在在線醫療服務平臺上開通個人主頁，在本文中統一合并為其他。

2 結果

2.1 開通在線醫療服務對醫生線下診療量及診療收入的影響效應

以開通個人主頁的醫生為處理組，未開通個人主頁的醫生為對照組，樣本三級醫院處理組與對照組醫生的主要變量描述性統計結果如表3所示。

表3 描述性統計結果

通過構造面板數據，采用倍差法和固定效應模型對醫生的線下診療量及診療收入進行估計。為消除個體差異，采用固定效應模型法估計此兩個模型，引入時間和個體固定效應，從而消除隨個體不隨時間改變及既不隨時間、也不隨個體改變的不可觀測變量的影響。采用兩個模型對開通在線醫療服務對醫生線下診療量及診療收入的影響效應進行評價。模型1評價只控制時間固定效應；模型2同時控制了時間和醫生個體因素。參數估計結果見表4和表5。研究結果顯示，在好大夫在線平臺上開通個人主頁的醫生，其年門診量和年診療收入較未開通的醫生有顯著差異。變量open的系數為正，說明開通在線醫療服務之后，醫生線下的年門診量和年診療收入均顯著提高。

表4 開通個人主頁對線下醫生年診療收入(元)的影響

表5 開通個人主頁對線下醫生年門診量(人次)的影響

2.2 基于PSM-DID模型的開通在線服務對醫生線下診療量及診療收入的凈效應評估

本文采用Probit概率模型估計傾向得分，并在此基礎上，分別選擇開通在線醫療服務的醫生與未開通在線醫療服務的醫生1∶1、1∶1.5和1∶2進行得分匹配，構建對照組。匹配之后，對處理組和對照組醫生的線下診療量及診療收入影響效應進行分析，結果如表6和表7所示。開通個人主頁的醫生較未開通的醫生在年門診量和年診療收入上，均有顯著差異。在1:1傾向匹配后，開通個人主頁的醫生較未開通的醫生，其年門診量增加了748人次(P<0.5)，其年診療收入增加了27.55%(P<0.5)。

表6 匹配后處理組醫生和對照組醫生年診療收入的參數估計結果

表7 匹配后處理組醫生與對照組醫生年門診量(人次)的參數估計結果

基于傾向匹配結果，比較醫生在開通在線醫療服務的前一年(t-1)與后一年(t+1)，處理組和對照組醫生在線下年門診量和年診療費用的差異，以此來比較是否開通在線醫療服務對醫生線下診療量及診療收入的影響凈效應(表8)。結果顯示，兩組醫生的年診療收入在1∶1匹配時有顯著不同(P<0.1)，但年門診量結果不顯著。在1∶1.5 匹配和1∶2匹配時，兩組醫生的總門診數量(P<0.1)和總診療收入(P<0.05)均有顯著差異。說明開通在線醫療服務在(t-1，t+1)時間窗內對醫生的年門診量和年診療收入均會產生影響。

表8 開通個人主頁前(t-1)后(t+1)處理組與對照組醫生的DID分析效應結果

3 討論與建議

3.1 討論

本研究借助互聯網醫療服務平臺好大夫在線平臺數據，結合線下樣本醫院客觀數據，本文研究了開通個人主頁對醫生線下診療量和診療收入的影響，進而證實開通個人主頁對醫生線下診療量及診療收入的促進作用。研究結果表明，開通個人主頁的醫生較未開通的醫生，其年門診量增加了748人次(P<0.5)，年診療收入提升了27.55%(P<0.5)，并且這種促進作用在對醫生進行了傾向評分匹配后，顯示開通個人主頁較未開通的醫生，在開通后較開通前得到了更多的診療量及診療收入上的增長。

出現這種現象的原因可能有兩個方面：一是在線醫療服務的利用一定程度緩解了醫患之間的信息不對稱，提高了醫療服務的可及性，刺激了患者醫療需求的釋放。特別是對于偏遠地區和交通不便的患者來說，可以更方便的獲得醫療服務。然而，線上診療具有處方和檢查的局限性，患者如果希望開展后續治療，需要從線上轉到線下，同時，由于診療活動具有連續性的特點，線上患者更愿意在線下找同一位醫生進行后續診療。因此患者線上醫療需求的釋放效應會向線下溢出，進而增加了醫生線下的診療人次數。二是考慮到患者的病情，線上醫療服務更適合解決慢性病問診等輕癥問題，醫療費用較低；如線上無法確診的，醫生會建議患者轉到線下正規醫院繼續就診，這類患者往往需要在實體醫院開展檢查和處方治療，醫療費用較高，這類線上患者被引流到線下后，會拉高線下醫生的診療費用。從而造成開通在線醫療服務的醫生其年診療費用較未開通的醫生增長更快。

3.2 建議

3.2.1 有效利用線上醫療服務對線下的溢出效應，促進互聯網診療服務發展

在線醫療服務平臺是患者之間、醫患之間、醫生之間溝通交流的平臺，用戶通過搜索、查詢與疾病、診療過程相關的信息，更好的選擇就醫行為。醫生在線為患者提供診療咨詢服務和健康教育，患者通過點贊、評價、滿意度打分等給予反饋，進而為更多的患者擇醫行為提供借鑒。在此過程中，實現了醫患雙方的知識共享和價值共創。患者通過線上咨詢，增進了與醫生的溝通，并在醫生的引導下到線下找同一位醫生掛號就診，在線醫療服務提供所產生的影響就從線上傳導到線下，對線下醫療服務體系產生了溢出效應。合理、有效的利用線上對線下的溢出效應，可以激勵醫生更好的利用線上創新服務模式，促進線下醫患的良性交互和有序就醫。

3.2.2 合理引導醫生行為，提高線上線下醫療服務體系整體效率

從衛生經濟學角度來看，開通個人主頁對醫生的線下診療量及診療收入有提升效果，增加了醫生的患者診療費用和診療人次。但也要看到，雖然醫生的動機是獲得更多的個人利益，包括聲譽的提升、績效的增加等，但在此過程中，醫生為獲得患者的信任和認可，也付出了大量的努力，醫生利用業余時間在線提供了大量的無償或有償咨詢服務，如撰寫科普文章，解答患者問題，在此過程中構建了更好的醫患關系，患者同樣也是受益方。因此，在線醫療服務對于提高醫療服務體系的運行效率、效果和用戶滿意度等方面具有重要意義，政府應積極推動其發展。

3.2.3 加強醫療行為的規范管理和質量監控，避免誘導需求行為的發生

新醫改以來,雖然我國大力推行分級診療政策,但群眾的就醫習慣還沒有得到根本改變，逐級轉診的就醫秩序還沒有完全建立起來。在此背景下，市場化運營的在線醫療服務平臺為了迎合患者需求，所提供的服務有進一步向優質醫療資源聚集的趨勢。如果缺乏政府和行業的有效監管，僅靠市場化運行，可能出現醫生通過在線醫療服務誘導需求，增加患者服務利用和診療費用的情況。因此，隨著在線醫療服務的逐漸推廣和深入使用，政府和監管部門應該發揮其監管作用，明確在線醫療服務在醫療體制改革中的作用和定位，厘清醫療機構、醫生與互聯網企業之間的責任范疇；加強對在線醫療服務上醫生行為的規范，確保健康醫療服務的質量和安全，避免醫生和醫院因為過度追求個人利益誘導醫療服務需求問題的出現。