在線醫療平臺醫生知識貢獻行為影響因素的實證研究

摘 要：為了探究在線醫療平臺醫生知識貢獻行為的影響因素，以MOA（motivation-opportunity-ability）理論為基礎，建立了能力、動機以及機會三個維度的醫生在線知識貢獻行為研究模型。以好大夫在線為例，通過對其開源數據進行實證分析，驗證理論模型。結果發現，醫生職業水平未能顯著影響醫生在線知識貢獻行為，而外在動機和平臺推薦則對醫生的在線知識貢獻行為具有顯著的正向影響。研究結論為醫生在線知識貢獻行為的改善提供了理論依據，同時也為在線醫療平臺服務的運營提供了管理啟示。

關鍵詞： 在線醫療平臺；醫生知識貢獻行為；MOA理論；回歸分析

中圖分類號：C939 文獻標識碼：A

An Empirical Study on the Impact Factors of Doctors’ Knowledge Contribution Behavior on Online Medical Platforms

LI Yan ZHANG Jiantong

（School of Economics and Management， Tongji University， Shanghai 200092，China）

Abstract： To explore the influencing factors of doctors' knowledge contribution behavior on online medical platforms， based on the MOA（motivation-opportunity-ability） model theory， a research model of doctors' online knowledge contribution behavior with three dimensions of ability， motivation and opportunity was established. Taking Good Doctor Online as an example， the theoretical model is verified through empirical analysis of its open-source data. The results found that doctors' professional level failed to significantly affect doctors' online knowledge contribution behavior， while extrinsic motivation and platform recommendations had a significant positive impact on doctors' online knowledge contribution behavior. The research provides a theoretical basis for improving doctors' online knowledge contribution behavior and provides management inspiration for the operation of online medical platform services.

Key words： online medical platform； doctors' knowledge contribution behavior； MOA theory； regression analysis

0 引言

隨著互聯網技術和醫療服務融合的持續深化，醫療行業數字化轉型的步伐不斷加快，呈現出蓬勃發展的態勢。其中，以在線醫療平臺為代表的數字化服務模式，憑借及時、靈活、高效的特點，越來越為大眾所青睞。中國互聯網絡信息中心（CNNIC）發布的第51次《中國互聯網發展狀況統計報告》顯示，截至2022年12月，我國在線醫療用戶規模為3.63億，較2021年同期增長6466萬，約占網民總數的34%。

日益龐大的用戶基群，為在線醫療平臺帶來發展機遇的同時，也使平臺的運營面臨更大的挑戰。作為在線醫療平臺的主要參與者，醫生群體的在線知識貢獻是平臺能夠運行的重要保證。而在實際運營的過程中，盡管醫生的數量在逐年增加，但該用戶群體的在線知識貢獻仍處于較低水平，存在類似虛擬社區典型的“90-10-1”現象，即90%用戶從不貢獻內容，9%用戶偶爾貢獻內容，1%用戶貢獻大多數的內容，限制了在線醫療平臺服務質量的進一步提升，成為制約平臺發展的一大阻礙。

為了解決這一問題，本文對在線醫療平臺醫生知識貢獻行為的影響因素展開深入研究。基于MOA理論模型，通過對醫生職業水平、內在動機、外在動機以及平臺推薦因素進行實證研究，探究其對醫生在線知識貢獻的影響，以期為醫生在線知識貢獻水平的提升以及在線醫療平臺的發展提供有益的借鑒。

1 文獻綜述

1.1 在線醫療平臺

在線醫療平臺，也稱互聯網醫療平臺、在線健康平臺，旨在借助互聯網信息技術，通過對互聯網醫療信息資源進行整合，搭建起醫患在線溝通交流的互動渠道。作為互聯網與醫療行業融合的產物，這一創新醫療平臺一定程度上打破了傳統醫療的時空限制，有助于解決醫療資源配置不均的問題。隨著在線醫療平臺的蓬勃發展，與之相關的研究也逐漸得到學術界的廣泛關注。早期，在線醫療平臺的相關研究主要以心理學為基礎，側重研究在線醫療平臺的健康信息。但隨著好大夫在線、春雨醫生等大型在線醫療社區迅速發展與壯大，在線醫療普及化程度越來越高，對該領域的探索和研究也隨之更加豐富。曹仙葉等從服務多樣性視角出發，探究了醫生的參與行為對于患者擇醫的影響；錢明輝等基于參與對在線醫療平臺信息服務質量展開了研究；張建同等對在線醫療服務價格的影響因素展開了實證研究；魏潔等探究了患者、醫生和系統產生內容對于患者擇醫的影響。由于角度不同，學者研究的側重點也有所不同。當前，關于在線醫療平臺的研究日益豐富，并逐漸成為學術界研究的一個熱門方向。

1.2 醫生知識貢獻行為

知識貢獻的概念源自組織管理領域，是知識管理研究中的一項重要內容。具體而言，知識貢獻指的是組織的成員為組織貢獻自身所擁有的與組織發展相關的有用知識。早前，學者對于在線知識貢獻行為的研究多集中于虛擬社群，探究該社群中用戶貢獻知識、分享信息以及參與創造的相關行為。周婷等對社交網站用戶知識貢獻行為的機理進行了分析；肖陽等對虛擬品牌社群成員知識貢獻行為進行研究，分析了自主動機對知識貢獻行為的影響以及社群氛圍和自我效能的調節作用；劉苡聲探究了虛擬學術社區用戶持續知識貢獻行為及其激勵策略。隨著在線醫療平臺的不斷發展與壯大，有越來越多的學者開始關注在線醫療平臺上醫生的知識貢獻行為。劉蕤等基于SEM與fsQCA的方法，對在線醫療平臺上醫生知識貢獻行為的影響因素進行了研究；鄧勝利等從組態視角出發，進一步探究了在線健康平臺醫生知識貢獻的影響因素；鄭仕勇基于社會資本視角，研究了在線醫療社區知識分享的激勵機制。盡管如此，針對在線醫療平臺上醫生知識貢獻行為的相關研究仍較為零散，有待進一步完善。

1.3 MOA理論模型

MOA理論模型產生于信息傳播領域，完整的理論框架最早由Maclnnis、Moorman和Jaworski在1991年提出，目的是用來增強和衡量消費者處理包含在廣告中的品牌信息的動機（motivation），機會（opportunity）和能力（ability）。后逐漸被應用于組織行為、公共及社會管理、社會資本以及知識管理等多個領域。其中，動機代表個體內在的意愿和目標導向，機會代表個體在組織環境中所面臨的條件和機遇，而能力則代表個體的技能和知識水平。在此基礎上，Theo等利用MOA模型框架，探究在動機、機會和能力不同組合情況下信息處理的廣告效果；Enno等對MOA模型框架進一步拓展，建立了約束變量模型（CFM），更為嚴密分析和解釋了動機、機會和能力之間存在著極端互補的關系；Anna等在人力資源管理與績效關系研究的過程中將MOA模型的變量進一步概念化和量化，探究了不同層次MOA各變量之間的相互影響與相互作用。隨著研究的不斷深入，MOA理論模型也在被不斷發展與完善。目前，國內基于MOA模型探討知識貢獻行為的研究主要集中在虛擬知識社群。如陳則謙基于MOA模型，對知識傳播平臺上成員個體知識貢獻行為的動力要素進行了實證分析；范哲等從MOA視角出發，探究了問答網站用戶的貢獻行為；彭麗徽等以MOA理論模型為基礎，探討了虛擬社區中用戶知識創新行為的影響因素。盡管如此，卻少有文獻運用MOA模型，探究在線醫療平臺醫生的知識貢獻行為。而在線醫療平臺的運營與發展關鍵就在于醫生的積極參與和貢獻行為，因而如何引導和激勵醫生主動持續地進行知識貢獻是平臺管理者必須考慮的問題。因此，本研究對前人的研究進行了拓展，將MOA模型應用于分析醫生在線知識貢獻行為的影響因素，以期為醫生知識貢獻水平的提升以及在線醫療平臺的管理提供有益的借鑒。

2 模型構建和假設提出

2.1 模型構建

基于Maclnnis、Moorman和Jaworski提出的MOA理論模型框架，結合在線醫療平臺的特性，本文從能力、動機、機會三個維度出發，劃分出醫生職業水平、內在動機與外在動機以及平臺推薦四個影響因素，探究其對在線醫療平臺醫生知識貢獻的影響，研究模型如圖1所示。

2.2 假設提出

職業水平是醫生專業知識和綜合素質的體現。在線醫療平臺上，醫生能否提供高質量的知識與其自身的職業水平息息相關。職業水平較高的醫生往往在醫學知識、臨床經驗以及技術能力上更為優秀，具有更強的知識貢獻行為能力，因而也更有可能進行更高質量、更高頻次的在線知識貢獻，為在線醫療平臺運營提供重要的支撐。因此，本文假設：

H1：在線醫療平臺上醫生的職業水平對醫生的知識貢獻行為有正向影響。

動機是內部知識共享的先決條件。除了能力，MOA框架還強調了動機作為行為驅動力的重要性，并將其視為知識共享的決定性因素。動機決定了任何行動的方向、強度和持久性，可以是內在的或外在的。

其中，內在動機是指出于自身的利益、興趣或從經驗中獲得的享受而采取行動或行為。例如，員工可以通過向同事傳遞對組織有用的知識來提高他們的知識自我效能感或信心。在線醫療平臺上，醫生的知識貢獻行為能夠幫助患者重獲健康，受到患者的感謝，這對醫生自身來說是一種滿足和鼓勵，對醫生未來的知識貢獻行為也起到了激勵的作用。因此，可以預期內在動機能夠促進醫生更加積極地參與平臺的知識貢獻。因此，本文假設：

H2：在線醫療平臺上醫生的內在動機對醫生的知識貢獻行為有正向影響。

外在動機是指為了已知的或預期的外部獎勵，如更高的工資、獎金或晉升而采取的行動或行

為。事實上，許多醫生愿意參加在線醫療平臺的知識貢獻，是因為他們相信這將有助于他們的職業發展，并從中獲得更高的經濟和社會收益。以往的研究表明，組織成員將信息傳遞給其他成員的概率與他們期望從知識共享中獲得的回報呈正相關。因此，本文假設：

H3：在線醫療平臺上醫生的外在動機對醫生的知識貢獻行為有正向影響。

機會是醫生進行在線知識貢獻的重要客觀條件。與能力和動機不同，機會在廣義上指的是組織機制。根據Bos-Nehles等人的研究，僅僅包括個人層面的知識貢獻是遠遠不夠的，因為組織背景也可能會對知識的創造和交換產生很大的影響。在線醫療平臺注冊醫生眾多，而為了更好地實現醫患匹配，合理配置醫師資源，平臺因此制定了相應的醫生推薦機制。這在一定程度上能夠幫助醫生更好地進行知識貢獻的推廣，同時也為醫生進行知識貢獻提供了平臺支撐。因此，本文假設：

H4：在線醫療平臺上的平臺推薦對醫生的知識貢獻行為有正向影響。

3 實證分析

3.1 數據收集與變量測量

好大夫在線創立于2006年，是一家集線上預約掛號、在線問診、診后疾病管理以及疾病知識科普等功能于一體的在線醫療平臺。截至2022年7月，有1萬余家正規醫院，超過26萬名醫生在該平臺實名注冊，累計服務患者超過7900萬，具有豐富的線上醫療服務經驗及醫患數據資源，是國內在線醫療的頭部平臺。因此，本研究以好大夫在線為研究對象，基于該網站真實的醫生數據，探究職業水平、內在動機、外在動機以及平臺推薦對在線醫療平臺醫生知識貢獻行為的影響。借助好大夫在線的數據開放平臺，采集了截至2023年3月14日24萬條醫生的脫敏信息。在對數據進行預處理，剔除其中的缺失值和無效值后，最終保留共計82033條的有效醫生數據。本研究選取的具體變量及其說明如表1所示。

（1）因變量測量。因變量指醫生的知識貢獻行為。在好大夫在線醫療服務平臺中，醫生主要通過向患者提供接診服務或在平臺上發表科普文章貢獻知識。為此，將醫生知識貢獻行為情境化為在線問診量和發布的科普文章數，取值為實際數值。

（2）自變量測量。自變量指醫生職業水平、內在動機、外在動機以及平臺推薦，其中醫生的職業水平被情境化為醫生職稱。為了便于計算，將其由字符轉化為數值，遵循級別越高數值越大的原則，將初級、中級、副高級到高級職稱分別賦值1～4；內在動機被情境化為醫生收到的感謝信數量，外在動機被情境化為醫生收到的心意禮物數量，平臺推薦被情境化為醫生在該平臺的綜合推薦熱度，取值均為實際值。

（3）控制變量測量。控制變量中的服務時長通過計算數據采集時間與開通時間的差，得到以月份為單位的差值，進而將其轉化為數值。

3.2 描述性統計分析

在此基礎上，使用Stata對變量進行了描述性統計分析，結果如表2所示。從表2中可以看出，醫生的在線問診服務量從1到19449不等，平均的服務問診量為101.6。而根據標準差369.5可知，醫生的在線問診量離散程度較高，說明不同醫生之間問診服務數量差異很大，同時也反映出針對醫生在線問診服務量進行研究具有一定的現實意義。此外，醫生的科普文章數從0到6188不等，平均的科普文章數為1.984。結合其標準差37.62可知，醫生的科普文章數同樣離散程度較高，說明各醫生之間科普文章發表數量差異較大。醫生的職稱平均值為2.878，說明具有中高級職稱的醫生開通線上服務比較多。另外，感謝信數量和心意禮物數量的離散程度都比較高，數據集不對稱且在右邊更加分散。

3.3 相關性分析

進一步用Stata對變量進行相關性分析，結果如表3所示。相關性分析的目的是避免變量之間出現模型多重共線性的問題，從表3中可以看出，醫生的線上服務問診數量與感謝信數量間的相關系數較大，高于0.6000，因此本文進行共線性診斷。當方差膨脹系數（Variance Inflation Factors， VIF）小于10時被認為是可接受的范圍。結果顯示，所有變量的方差膨脹系數皆遠小于10，消除了潛在的多重共線性問題。

3.4 回歸分析

在相關性分析的基礎上進行線性回歸，結果如表4所示。其中，自我效能對醫生在線知識貢獻行為的影響不顯著（在線問診量β＝1.42；科普文章數β＝-0.106）。因此，假設H1不成立。可能原因在于：職業水平更高的醫生，雖然更具備知識貢獻的能力，但由于其專業能力較強，往往線下的問診量也比較大，工作任務相對繁重，難以投入更多的時間和精力提供線上問診以及知識科普。從動機維度來看，內在動機顯著正面影響醫生的在線問診量（β＝5.808，P＜0.01），但是對醫生發表科普文章數的影響并不顯著（β＝0.022）。因此，H2部分成立。這可能是因為，對于醫生來說，其更關注線上的問診服務，而科普文章的發表并不是在線知識貢獻的優先事項。因此，即使收到感謝信，其內在行為動機得到滿足，但醫生并不一定會優先將這一內在行為動機轉化為發表科普文章，更多的還是會投入到線上問診服務中去。此外，外在動機顯著正面影響醫生的在線問診量（β＝2.517，P＜0.01），以及醫生在線發表科普文章數（β＝0.128，P＜0.01），因此，假設H3成立。由于贈送心意禮物，患者需要自費購入相關禮物進行贈送，醫生在收到禮物后可以獲得等價的金錢獎勵，從而產生對醫生的物質激勵。這種外在動機的物質激勵對醫生的在線知識貢獻行為有顯著正面影響，反映了醫生在外在動機中對物質回報的渴望。具體而言，當醫生有望通過接受禮物換取金錢獎勵時，他們傾向于增加在線問診和科普文章的數量，以獲得更多的物質利益。從機會維度來看，平臺推薦對醫生的在線問診量具有顯著的正面影響（β＝76.114，P＜0.01），同時對醫生在線發表文章數具有顯著的正面影響（β＝1.446，P＜0.01）。因此，假設H4成立。平臺按醫生綜合熱度的高低，對醫生進行相關的推薦，使得醫生接觸到相應的問診業務。同時，平臺通過對醫生的科普文章進行宣傳和推廣，使醫生的在線知識貢獻獲得更多的關注，對醫生的在線知識貢獻行為具有顯著的正向影響。平臺應優化對醫生的相關算法推薦和運營管理，以更好為醫生的在線知識貢獻服務，從而提升平臺的服務質量與運行效率。對于控制變量，服務開通時間（β＝0.010，P＜0.01）顯著影響醫生在線發表科普文章數，而對醫生的在線問診量影響不顯著（β＝－0.002）。

3.5 穩健性檢驗

好大夫在線平臺在發送感謝信之外，還為患者提供了另一個表示感謝的渠道，即患者通過投票來表示對醫生的認可及感謝。因此，為了確保結果的穩健性，本研究對內在動機的指標進行了替換，采用患者投票代替感謝信作為內在動機的變量指標。穩健性檢驗的回歸結果如表5所示，主要的解釋變量在兩次回歸中的結果基本一致，表明本文結果穩健。

4 結論和展望

本文以好大夫在線為研究對象，依據MOA（motivation-opportunity-ability）理論建立了職業水平、內在動機、外在動機以及平臺推薦與醫生在線知識貢獻行為的研究模型。通過收集平臺數據，進行實證分析，發現醫生職業水平不會對醫生在線知識貢獻行為產生顯著影響，而外在動機和平臺推薦則會顯著正向影響醫生的在線知識貢獻行為。本研究的新穎之處在于：（1）考慮了平臺推薦對于醫生在線知識貢獻行為的影響，以往的研究則多側重于對醫生個體特征的研究，而較少考慮外部環境的影響；（2）從內部及外部兩個角度，探究了醫生參與在線知識貢獻的動機，有助于刻畫醫生用戶形象，幫助平臺更好地引導和管理；（3）嘗試將MOA理論應用在醫療服務領域，從模型結果可得，MOA理論在醫療服務領域中存在一定的適用性，拓展了MOA理論的應用。本文也為在線醫療平臺提供了有益的啟發。對于平臺而言，需要不斷優化平臺的推薦及管理方式，從醫生內部動機以及相關的外部激勵入手，不斷調整運營策略，以確保醫生具有較強的知識貢獻意愿。同時不斷優化平臺系統與界面，為醫生知識貢獻提供有力的外部環境支持。

此外，本文也存在一定的局限性：（1）研究對象單一，只是基于一個在線醫療社區的數據進行研究，后續研究可以對不同類型的在線醫療社區進行對比研究。隨著移動技術的不斷普及，移動端醫療服務也值得關注。（2）沒有考慮到患者的在線評價對醫生在線知識貢獻行為的影響，未來可以針對患者的評價反饋，進行更為深入的研究。

參考文獻：

［1］ 中國互聯網絡信息中心. 第51次中國互聯網發展狀況統計報告［EB/OL］. （2023-03-02）［2024-01-22］. https：//www.cnnic.net.cn/n4/2023/0303/c88-10757.html.

［2］ NIELSEN J. Participation inequality： lurkers vs. contributors in internet communities ［EB/OL］. （2006-10-08）［2024-01-22］. http：//www.nngroup.com/articles/participationinequality/.

［3］ 李洋. 在線醫療社區醫生貢獻行為的影響因素研究［D］. 哈爾濱：哈爾濱工業大學， 2015.

［4］ 史紅雪. 醫生的外在動機與內在人格對其在線貢獻行為的影響研究［D］. 哈爾濱：哈爾濱工業大學， 2022.

［5］ 吳江， 黃曉， 董克. 基于知識圖譜的在線醫療研究綜述［J］. 信息資源管理學報， 2016（2）：4-12，21.

［6］ 曹仙葉， 劉嘉琪. 基于服務多樣性視角的在線醫療社區患者選擇決策行為［J］. 系統管理學報， 2021， 30（1）：76-87.

［7］ 錢明輝， 徐志軒， 王珊. 基于用戶參與的在線健康平臺信息服務質量研究［J］. 情報學報， 2019， 38（2）：132-142.

［8］ 張建同， 吳鈺. 在線醫療服務價格影響因素的實證研究［J］. 上海管理科學， 2022， 44（6）：96-104.

［9］ 魏潔， 楊正玲. 患者、醫生和系統產生內容對患者擇醫行為的影響［J］. 管理科學， 2022， 35（4）：44-56.

［10］ BIEER M， ENGELBART D， FURUTA R， et al. Toward virtual community knowledge evolution［J］. Journal of Management Information Systems， 2002， 18（4）：11-35.

［11］ 肖陽， 潘偉平. 虛擬品牌社群成員知識貢獻行為研究［J］. 南京航空航天大學學報（社會科學版）， 2020， 22（3）：39-45.

［12］ 周婷， 鄧勝利. 社交網站用戶知識貢獻行為機理分析［J］. 情報資料工作， 2014（5）：28-32.

［13］ 劉苡聲. 虛擬學術社區用戶持續知識貢獻行為及激勵策略研究［D］. 長春：吉林大學， 2021.

［14］ 劉蕤， 余佳琪. 在線醫療社區中醫生知識貢獻行為的影響因素研究：基于SEM與fsQCA方法［J］. 情報科學， 2022， 40（3）：45-54，62.

［15］ 鄧勝利， 夏蘇迪， 許家輝， 等. 組態視角下在線健康社區醫生知識貢獻影響因素研究［J］. 情報理論與實踐， 2022， 45（7）：132-139.

［16］ 鄭仕勇. 在線醫療社區的知識分享激勵機制研究：基于社會資本視角［D］. 武漢：武漢大學， 2019.

［17］ MACINNIS D J， MOORMAN C， JAWORSKI B J. Enhancing consumers' motivation，ability，and opportunity to process brand information from ads： conceptual framework and managerial implications［J］. Journal of Marketing， 1991（55）：32-53.

［18］ 陳則謙. MOA模型的形成、發展與核心構念［J］. 圖書館學研究， 2013（13）：53?57.

［19］ ANDRIESSEN J H. To share or not to share， that is the question. conditions for the willingness to share knowledge［J］. Delft Innovation System Papers， 2006（2）：1-41.

［20］ POIESZ，T B C， ROBBEN H S.J. Advertising effects under different combinations of motivation， capacity， and opportunity to process information［J］. Advances in Consumer Research， 1996（23）：231-236..

［21］ SIEMSEN E， ROTH A V， BALASUBRAMANIANM S. How motivation， opportunity， and ability drive knowledge sharing： the constraining-factor model［J］. Journal of Operations Management， 2008（26）：426-445.

［22］ BOS-NEHLES A， TOWNSEND K， CAFFERKEY K， et al. Examining the ability， motivation and opportunity （AMO） framework in HRM research： conceptualization， measurement and interactions［J］. International Journal of Management Reviews， 2023（5）：725-739.

［23］ 陳則謙. 內容開放式知識傳播平臺中知識貢獻行為的動力要素分析［J］. 圖書情報知識， 2013（4）：76?84.

［24］ 范哲， 張乾. MOA視角下的問答網站用戶貢獻行為研究［J］. 圖書與情報， 2015（5）：123-132.

［25］ 彭麗徽， 蔣欣. 虛擬社區感知視角下用戶知識創新行為影響因素研究［J］. 現代情報， 2023， 43（2）：86-95.

作者簡介：李妍（1997—），女，江蘇宿遷人，碩士研究生，研究方向：大數據分析、醫療服務運營管理；張建同（1966—），女，北京人，教授、博士生導師，研究方向：應用統計、醫療服務運營管理等。