医生在线声誉对预约量的影响

医疗保健

Article团队成员的在线声誉对医生在线预约数量的影响： 一种社会依赖关系视角

刘Jingfang，张Xin*，孔Jun和吴Liangyu
上海大学管理学院，中国上海200444；jingfangliu@shu.edu.cn（J.L.）；charlottek@shu.edu.cn （J.K.）；skyrim@shu.edu.cn（L.W.）*通讯作者：513651789@i.shu.edu.cn；电话：+86‐ 1982‐1834‐368
2020年9月15日收到；2020年11月17日接受；2020年11月23日发表

摘要

在线医疗团队是一种新兴的在线医疗模式，患者可选择医生进行注册和咨询。医生的声誉不容忽视，值得研究在线声誉如何影响焦点医生在在线医疗团队中的预约数量。基于在线声誉机制和社会互赖理论，本研究实证分析了焦点医生自身的声誉以及其他队友的声誉对其预约数量的影响。
我们的数据包括来自挂号网6103个在线专家团队的31,143名医生。结果表明，对于领导医生而言，其预约数量与其自身声誉无关，且与团队中普通医生的声誉呈倒U型关系；对于普通医生而言，其预约数量与其自身声誉正向相关，与其领导医生的声誉正向相关，且与其他普通医生的声誉呈倒U型关系。研究表明，团队负责人的声誉存在正向溢出效应。团队医生之间存在两种关系：竞争与合作。
本研究为团队负责人选择团队成员以及普通医生选择团队提供了指导。

关键词 ：在线医疗团队；在线声誉；预约数量；领导者；队友；倒U型关系；竞争；合作；社会互赖理论

1. 引言

安全、高质量护理的协调与提供需要在组织、学科、技术及文化边界之间实现可靠的团队协作与合作[1,2]。在线下医疗团队在西方国家非常普遍。有效的团队协作可为医疗系统的各个层面提供安全且有效的医疗服务[3,4]。在大多数发达国家，团队医疗已成为诊疗的标准。无论是首席家庭医生还是著名的梅奥诊所，均在医生协作团队中工作[5]。团队协作的重要性在应对新冠疫情中也尤为明显。
团队医疗对患者和医生都有帮助。对患者而言，团队医疗合作治疗能有效提升复杂疾病的诊疗能力和效率，为患者提供全面的护理和康复设计，使每位患者的治疗更加个性化[7,8]。对于团队中的医务人员而言，需要将关注点从急诊概念转向长期的疾病预防和医疗保健。他们可以在每位患者的诊疗过程中学习新技术并实现新突破，同时要求医务人员专注于自身的专业领域[9,10]。在团队中，年轻医生也能获得更好的培训和经验。随着“互联网+医疗保健”的发展，在线医疗团队已开始出现在在线医疗服务中。

中国的平台。中国的好大夫在线和挂号网已设立了专家团队。这些专家团队由品牌医生领衔，普通医生和年轻医生加入，并建立协作团队共同诊治患者。在线医疗团队的出现能够缓解资深专家无暇进行品牌建设，而年轻医生和基层医生有时间却缺乏品牌的困境，使医生能够更好地分配时间、分享经验并共享品牌。这将使宝贵的医疗资源分配更加合理。在线医疗团队是一种新型的虚拟团队，因此有必要对其进行研究和分析。

作为在线交易的基础，在线声誉机制为消费者的购买决策提供了重要依据[11,12]。在线声誉是消费者在线消费后对所购商品或服务的评价反馈形成的公众赞誉[13,14]。过去，许多学者基于易贝、淘宝、Yelp、优步和爱彼迎等在线市场对在线声誉进行了研究[15–17]。医疗卫生服务是一种典型的信任型产品[18]。由于信息不对称，患者难以判断医生的医疗服务水平。此时，医生了解自身的医疗水平，但患者在接受医生服务前无法知晓其真实的医疗水平。因此，患者只能通过医生网站上的信息来判断其医疗水平。在这种情况下，在线声誉显得尤为重要。作为医生医疗服务水平的信号，在线声誉为患者在线挂号提供了决策依据[19–21]。许多研究已证实品牌对商品销量或消费者购买意愿的影响 [22]。在医疗团队中，团队负责人通常是具有较高地位的医生，其声誉相当于团队的品牌。因此，团队负责人的声誉向患者传递了团队的形象，为患者推断团队的医疗水平提供了重要依据，并降低了患者的感知风险和信息成本。

相互依赖和社会分类是团队形成的基石[23]。考夫卡表明，团队是一个动态整体，成员之间存在不同形式和程度的依赖[24]。勒温提出，团队的本质是团队成员之间的相互依赖。团队中任何成员或子团队的状态变化都会影响其他成员或子团队的状态[25]。根据麦克格拉斯的观点，团队是成员之间存在相互理解和潜在互动的一种社会集合[26]。当个体的结果受到自己和他人行为的影响时，就会产生社会互赖[27]。莫顿·多伊奇于1949年提出了社会互赖理论。社会互赖有两种类型：正向（当个体的行为促进共同目标的实现）和负向（当个体的行为妨碍他人目标的实现）[28]。当不同个体的目标和手段之间存在正‐正关系时，他们之间就存在合作关系，例如足球队队员之间的关系[29]。在任务相互依赖和资源相互依赖的条件下，学生比单独学习的学生更容易取得更好的成绩[30]。当不同个体在目标手段上存在负向依赖时，他们之间就存在竞争关系，例如拳击。当一个人需要其他团队成员的资源但没有共同目标（即他或她不与他人共享资源，而只是从他人那里获取资源）时，其结果将影响他人的生产力[28]。科拉桑特等人发现，团队内部的竞争可以显著减少搭便车行为[31]。

在医疗保健领域，很少有人研究在同一机构工作的医生之间的关系。如果一个组织拥有良好的声誉，其所有成员都会被认为具有良好的声誉[32]。吴等人发现，医生与同事之间既存在合作关系，也存在竞争关系[33]。从“合作”的角度来看，一名医生及其所有同事的声誉构成了团队的声誉。当团队声誉较高时，该团队能够吸引更多的患者。此时，医生的同事的声誉对其具有积极影响。从“竞争”的角度来看，当患者在线挂号时，会根据医生的在线声誉及其他信号从专家团队中选择医生。此时，如果医生的同事具有较高的在线声誉，医生的同事更有可能被选中。此时，同事的在线声誉对医生产生负向影响。
因此，研究在线医疗团队中队友的在线声誉对目标医生预约数量的影响具有重要意义。

由于在线医疗团队中有两种类型的医生，本研究将在线医疗团队中的医生分为两类：领导医生和普通医生，并分别进行研究。团队由领导医生带领，其他医生可以加入。领导医生通常是资历较高的医生。普通医生是指除领导医生外的团队成员，他们大多是年轻医生和资历较浅的医生。本研究主要解决以下问题：

当领导者作为焦点医生时：
- 研究问题1 ：焦点医生的声誉如何影响其自身的预约数量在在线医疗团队中？
- 研究问题2 ：在线医疗团队中普通医生的声誉如何影响焦点医生的预约数量？

当普通医生作为焦点医生时：
- 研究问题1 ：焦点医生的声誉如何影响其本人在在线医疗团队中的预约数量？
- 研究问题2 ：领导者的声誉如何影响焦点医生的预约数量？
- 研究问题3 ：在线医疗团队中其他普通医生的声誉如何影响焦点医生的预约数量？

本研究使用从挂号网收集的数据检验了研究假设。挂号网是中国主要的在线医疗服务平台之一，专注于挂号服务。挂号网创建了团队医疗模式。一个团队由一名知名团队领衔医生和若干名普通医生组成。患者可以先选择一个专家团队，然后从该专家团队中选择一名医生进行挂号、咨询或购买其他服务。

2019年8月，我们从挂号网的6103个在线专家团队中收集了31,143名医生的数据。每个数据集包括医生的预约数量、职称、科室、医院等级和城市等级、评价次数、点赞数、评分以及团队规模。然后，我们采用计量经济方法验证研究假设。

2. 材料与方法

2.1 研究模型与假设发展

本研究旨在探讨在线医疗团队中焦点医生自身的声誉及其队友的声誉对焦点医生预约数量的影响。
在我们的研究情境中，在线医疗团队包含两种类型的医生：领导者和普通医生。因此，我们分别针对领导者和普通医生建立了不同的研究模型。

2.1.1. 领导者的假设

领导者的概念模型如图1所示。

声誉由患者对医生服务质量的反馈形成，因此是一种包含医生服务质量的信息。在线健康平台设置了评分、点赞、评论等功能，使得接受过在线医疗服务的患者可以对所接受的服务进行反馈。此类反馈可能包括医生的医疗水平和服务态度。在线医疗服务是一种信任型产品。患者事先无法准确判断医生的服务质量。用户的在线反馈可以缓解信息不对称，增强患者对医生的信任。患者对移动互联网服务的满意度以及继续使用移动互联网服务的意愿对口碑具有显著正向影响[20]。良好的声誉通常通过高水平的诊疗和积极的服务态度[34]。因此，医生的声誉通常与其服务质量（诊疗水平和服务态度）呈正向相关。因此，拥有高声誉可以增加被患者选择的机会。

假设1 。焦点医生的声誉与预约数量之间存在正向相关性。

在团队中，领导者与其他团队成员具有相似的目标和手段。他们均通过在线医疗服务平台展示在线信息，以争夺患者的选择。因此，领导者与团队其他成员之间存在依赖关系。这种依赖关系可能是正向的，也可能是负向的。对领导者而言，其团队中普通医生的在线声誉对其预约数量的影响可能为正向或负向。一方面，团队中的普通医生与领导者属于同一团队，他们的声誉共同构成了整个团队的声誉，提升团队声誉也能增加领导者被选择的机会。此时，领导者与团队中的普通医生形成合作关系。
另一方面，当团队中普通医生的在线声誉足够高时，表明除领导者外，团队中还有许多服务质量高的普通医生可供患者选择。此时，领导者与团队其他成员之间存在竞争关系。在这种情况下，提升普通医生的在线声誉将不利于领导者的预约数量。因此，本文认为普通医生与领导者之间存在倒U型关系的理论依据。随着时间推移，我们假设当团队中普通医生的在线声誉提高到一定水平后，领导者的预约数量将开始下降。因此，我们提出以下假设：

假设2 。团队中普通医生的在线声誉与焦点医生的预约数量之间存在非线性关系（倒U型关系）。

2.1.2 普通医生的假设

普通医生的概念模型如图2所示。

患者对普通医生服务的反馈包括普通医生在在线医疗过程中的服务质量、服务态度及其他相关信息。在预约过程中，患者可以通过医生的在线声誉增加对该医生的理解和信任。因此，我们提出以下假设：

假设3 。焦点医生的声誉与预约数量之间存在正向相关性。

在我们的研究中，大多数领导者都是来自高水平医院的知名专家，已形成品牌效应。领导者的声誉对团队绩效具有正向影响[35]。也就是说，团队领导的声誉对普通医生的预约数量具有正向溢出效应。当患者在这些医生之间进行选择时，领导者的声誉可以转移到对普通医生的质量评估上。领导者的声誉相当于团队品牌，能够吸引患者选择该团队，从而增加团队中普通医生被选中的机会。基于此，我们提出以下假设：

假设4 。团队领导者的声誉对焦点医生的预约数量有积极影响。

在医疗团队中，医生具有相似的目标和手段，因此他们相互依赖。因此，团队中其他普通医生的声誉会对自身的绩效产生溢出效应，这种效应可能是正向的，也可能是负向的。一方面，由于他们属于同一个团队，他们的声誉相加形成整个团队的声誉，此时团队医生之间形成合作关系；另一方面，当团队中其他普通医生的在线声誉足够高时，焦点医生与其他普通医生之间会产生竞争关系。本文认为，团队中其他普通医生的在线声誉与焦点医生的预约数量之间存在倒U型关系的理论基础。因此，我们提出以下假设：

假设5 ：其他普通医生的声誉与团队中焦点医生的预约数量之间存在非线性关系（倒U型关系）。

2.2 研究方法

2.2.1. 变量设计

当领导者是焦点医生时，因变量是其累计预约数量（APPT），自变量是其自身声誉（Rep）以及团队中普通医生的平均声誉（O_rep）。当普通医生是焦点医生时，因变量是其累计预约数量（APPT），自变量是其自身声誉（Rep）、领导者声誉（Leader_rep）以及团队中其他普通医生的平均声誉（Oo_rep）。

声誉通过两个指标来衡量：医生获得的点赞和评分。患者在接受服务后可以在医生主页上给医生点赞和评分。由于这两个变量的取值范围可能不同，因此先进行标准化处理，然后取平均值以构建一个综合变量。

个体层面的控制变量包括职称、医院等级、城市等级、科室和评价次数，团队层面的控制变量包括团队规模。表1和2是领导者与普通医生的变量描述。

表1. 领导者变量描述。

变量	变量符号	解释
因变量	APPT	累计患者数量已进行与焦点医生的预约
独立的	Rep	焦点医生的声誉获取自对焦点医生的点赞数和评分进行平均医生在标准化后。
变量	O_在线声誉	团队中其他医生的平均声誉除了焦点医生之外的平均声誉所有普通医生的。其计算方法如下。对于每个团队，我们首先将该团队所有成员的在线声誉相加团队成员，然后减去声誉的焦点医生，并将所得值除以团队成员数量减1。
	O_rep2	所有普通医生平均声誉的平方团队中的医生。
控制变量	职称	1到5，其中1为最低，5为最高。
	City	1到7，其中1为最低，7为最高。
	Hosp	1到4，其中1为最低，4为最高。
	Rev	焦点医生收到的评论数量。
	团队规模	团队的人数。

注：APPT=预约次数；Rep=在线声誉；O_rep=团队中所有普通医生的平均声誉；O_rep2=团队中所有普通医生平均声誉的平方；City=城市等级；Hosp=医院等级；Rev=评论数量；TeamSize=团队规模。

表2. 普通医生的变量描述。

变量	变量符号	说明
因变量	APPT	累计已向焦点医生预约的患者数量。
	Rep	焦点医生的在线声誉是通过对焦点医生的点赞数和评分进行平均医生在标准化后。
独立的	领导者_在线声誉	团队中领导医生的在线声誉。
变量	Oo_在线声誉	团队中其他医生的平均声誉除了焦点医生和领导医生之外，即其他普通医生的平均声誉除了焦点医生之外。对于每个团队，我们首先求和提升团队所有成员的在线声誉，然后减去焦点医生的声誉和领导医生的声誉，并将该值划分通过团队人数减去 2之后的值
	Oo_在线声誉2	平均声誉的平方团队中的普通医生。
控制变量	职称	1到5，其中1为最低，5为最高。
	City	1到7，其中1为最低，7为最高。
	Hosp	1到4，其中1为最低，4为最高。
	Rev	焦点医生收到的评论数量。
	团队规模	团队的人数。

注：预约次数= 预约数量；在线声誉= 在线声誉；Oo_rep= 团队中其他普通医生的平均声誉；Oo_rep2= 团队中其他普通医生平均声誉的平方；城市等级= 城市等级；医院等级= 医院等级；评论数量= 评论数量；团队规模= 团队规模。

2.2.2 实证模型与检验方法

对于领导者：
预约次数= β0+ β1职称+ β2医院等级+ β3城市等级+ β4评论数量+ β5团队规模+ β6声誉+ β7O_rep+ β8声誉 ∗ O_rep+科室虚拟变量+ ε
(1)

对于普通医生：
预约次数= β0+ β1职称+ β2医院等级+ β3城市等级+ β4评论数量+ β5团队规模+ β6声誉+ β7领导者_Rep+ β8 Oo_rep+ β9 Reputation ∗ Leader_rep+ β10声誉*Oo_rep+ β11领导者_Rep ∗ Oo_rep+科室虚拟变量+ ε
(2)

在大多数U型关系的实证识别中，研究者会在标准线性回归模型中加入一个非线性（通常是二次）项[36–38]。如果该项显著，并且估计的极值点位于数据范围内，则认为存在U型关系。因此，我们在实证模型中加入二次项，进行标准回归分析，以检验二次项是否显著以及极值点是否位于数据范围内。

然而，林德和梅尔胡姆指出，这一标准过于宽松[39]。当真实关系为凸且单调时，模型估计会错误地产生一个极值点和U型关系。林德和梅尔胡姆使用萨萨布希提出的通用框架来检验两个变量之间是否存在U型或倒U型关系，并基于该检验原理编写了utest检验命令[39]。utest在区间内对U型（或倒U型）关系的存在性提供了一种“精确检验”。因此，我们继续使用utest命令对我们的实证模型进行倒U型检验。

3. 结果

3.1 领导者的结果

3.1.1 描述性统计与相关性

领导者研究模式中使用的关键变量的描述性统计和相关性以表格形式呈现，见表3和表4。

表3. 领导者描述性统计。

变量	Obs	Mean	标准差	Min	Max
APPT	6103	543.64	2538.225	0.00	63,812
Rep	6103	0.196	1.072	−0.353	25.498
O_在线声誉	6103	−0.094	0.831	−0.489	20.558
O_在线声誉2	6103	0.699	6.849	0.00	422.621
Rev	6103	54.337	267.715	0.00	11,328
团队规模	6103	5.107	3.025	1	88
职称	6103	4.774	0.433	1	5
Hosp	6103	2.978	0.164	1	3
City	6103	5.397	1.244	1	7

注：APPT=预约次数；Rep=在线声誉；O_rep=团队中所有普通医生的平均声誉；O_rep2=团队中所有普通医生平均声誉的平方；City=城市等级；Hosp=医院等级；Rev=评论数量；TeamSize=团队规模；Obs=观测值；Std.Dev.=标准差；Min=最小值；Max=最大值。

表4. 领导者相关性矩阵

变量	(1)	(2)	(3)	(4)	(5)	(6)	(7)	(8)	(9)
(1) 预约次数	1.000
(2) 在线声誉	0.515	1.000
(3) O_rep	0.377	0.374	1.000
(4) O_rep2	0.114	0.073	0.672	1.000
(5) 评论数量	0.810	0.543	0.346	0.120	1.000
(6) 团队规模	0.082	0.159	0.047	−0.014	0.103	1.000
(7) 职称	0.048	0.073	0.052	0.010	0.025	0.112	1.000
医院等级	0.022	0.023	0.028	0.009	0.015	0.002	0.053	1.000
城市等级	0.197	0.270	0.227	0.026	0.177	0.022	0.026	−0.038	1.000

注：APPT=预约次数；Rep=在线声誉；O_rep=团队中所有普通医生的平均声誉；O_rep2=团队中所有普通医生平均声誉的平方；City=城市等级；Hosp=医院等级；Rev=评论数量；TeamSize=团队规模。

3.1.2. 领导者的研究模式的回归结果

使用线性回归和分层多元回归来估计实证结果，统计显著性设定为p值小于0.05。所有数据均使用 STATA进行分析。

表5. 领导者回归分析结果。

	(1)	(2)
	模型1	模型2
职称	0.233***	0.218***
	(0.0591)	(0.0589)
City	0.328***	0.306***
	(0.0199)	(0.0198)
Hosp	0.212	0.178
	(0.146)	(0.142)
ln收入	0.992***	0.898***
	(0.0178)	(0.0304)
ln团队规模	0.167**	0.164**
	(0.0804)	(0.0802)
Rep		0.0455
		(0.0527)
O_rep		0.472***
		(0.0689)
O_rep2		−0.0364***
		(0.0115)
_cons	−3.326***	−2.825***
	(0.529)	(0.521)
N	6103	6103
R2	0.552	0.559

注：表中的数字主要为贝塔值。括号中的数字为标准误。模型中包含了科室虚拟变量，但在表中未显示；**p< 0.01，***p< 0.001；APPT=预约次数；Rep=在线声誉；O_rep=团队内所有普通医生的平均声誉；O_rep2=团队内所有普通医生平均声誉的平方；City=城市等级；Hosp=医院等级；Rev=评论数量；TeamSize=团队规模。

O_rep的二次项系数（β= −0.0363***，p< 0.01）为负且显著，这意味着O_rep与APPT之间存在非线性关系。普通医生的声誉与团队中焦点医生的预约数量呈倒U型关系，表明该假设H2得到证实，且与社会相互依赖理论一致（H2：团队中普通医生的声誉与焦点医生的预约数量之间存在非线性关系（倒U型关系）。）。

我们使用utest命令来检验实证模型中的倒U型曲线。
对于领导者模型，我们检验了O_Rep与预约次数之间的倒U型关系，发现极值点为6.477，O_Rep的数据范围为[−0.489, 20.557]。可以看出，极值点位于数据范围内。p>|t| = 0.00802，结果在5 %统计水平上显著，证明O_Rep与预约次数之间存在倒U型关系。领导医生的utest结果见表6。

表6。 领导者的U检验结果。

项目	内容
因变量：预约次数
检验：H1：倒U型vs.H0：单调或U型
规格：f(x)=xˆ2
极值点：6.477339
下界	−0.4888113
上界	20.55774
斜率	0.507623 / −1.026038
t‐值	6.543666 / −2.408667
p > |t|	3.25 × 10-11 / 0.0080203
存在倒U型的总体检验： t‐值= 2.4
p> |t| = 0.00802
极值点的95%菲勒区间：[4.5529598；13.757446]
## 3.2 普通医生的结果

3.2.1 普通医生的描述性统计与相关性

普通医生研究模型中使用的关键变量的描述性统计和相关性见表7和8。

表7. 普通医生的描述性统计

变量	Obs	Mean	标准差	Min	Max
APPT	25,040	254.081	1,846.458	0	70,117
Rep	25,040	−0.048	0.713	−0.353	26.053
领导者在线声誉	25,040	0.016	0.827	−0.479	13.106
Oo 在线声誉	25,040	0.027	0.815	−0.329	34.38
Oo rep2	25,040	0.666	12.253	0	1182.011
Rev	25,040	30.975	220.643	0	12,499
团队规模	25,040	7.326	7.553	2	88
职称	25,040	3.678	0.915	1	5
Hosp	25,040	2.958	0.241	1	3
City	25,040	5.381	1.277	1	7

注：APPT=预约次数；Rep=在线声誉；Oo_rep=团队中其他普通医生的平均声誉；Oo_rep2=团队中其他普通医生平均声誉的平方；City=城市等级；Hosp=医院等级；Rev=评论数量；TeamSize=团队规模；Obs=观测值；Std.Dev.=标准差；Min=最小值；Max=最大值。

表8. 普通医生的相关性矩阵

变量	(1)	(2)	(3)	(4)	(5)	(6)	(7)	(8)	(9)	(10)
(1) 预约次数	1.000
(2) 在线声誉	0.497	1.000
(3) 领导者_在线声誉	0.252	0.360	1.000
(4) Oo_在线声誉	0.301	0.358	0.318	1.000
(5) Oo_在线声誉2	0.058	0.040	0.026	0.658	1.000
(6) 评论数量	0.716	0.530	0.217	0.244	0.048	1.000
(7) 团队规模	0.015	0.031	0.296	0.004	−0.015	0.018	1.000
(8) 职称	0.110	0.184	−0.001	0.061	0.002	0.057	−0.062	1.000
(9) 医院等级	0.023	0.038	−0.115	0.002	0.003	0.004	−0.243	0.090	1.000
城市等级	0.138	0.247	0.237	0.197	0.010	0.113	−0.088	0.070	−0.023	1.000

注：APPT=预约次数；Rep=在线声誉；Oo_rep=团队中其他普通医生的平均声誉；Oo_rep2=团队中其他普通医生平均声誉的平方；City=城市等级；Hosp=医院等级；Rev=评论数量；TeamSize=团队规模。

3.2.2 普通医生研究模型的结果

普通医生的回归结果见表9。从模型4可以看出，Rep（β= 0.329，p< 0.01）和Leader_rep（β= 0.318，p< 0.01）对APPT有正向影响。因此，H3和H4得到支持（H3：焦点医生的声誉与预约数量之间存在正向相关性。H4：团队领导者的声誉对焦点医生的预约数量有积极影响。）。

表9. 普通医生回归分析结果

	(3)	(4)
	Model3	Model4
职称	0.493***	0.512***
	(0.0118)	(0.0114)
City	0.234***	0.175***
	(0.00751)	(0.00727)
Hosp	0.216***	0.319***
	(0.0327)	(0.0325)
ln收入	0.810***	0.548***
	(0.0120)	(0.0324)
ln团队规模	0.113***	−0.0153
	(0.0229)	(0.0230)
Rep		0.334***
		(0.0836)
领导者_在线声誉		0.316***
		(0.0243)
Oo_rep		0.481***
		(0.0364)
Oo_rep2		−0.0194***
		(0.00396)
_cons	−3.560***	−3.116***
	(0.142)	(0.138)
N	25,040	25,002
R2	0.492	0.525

注：表中的数字大多为贝塔值。括号中的数字为标准误。Department 模型中包含了虚拟变量，但表中未显示；***p < 0.001。

此外，我们注意到Oo_rep的二次项系数（β= −0.0198，p< 0.01）为负且显著。这意味着Oo_rep与APPT之间的关系是非线性的。Oo_rep与团队中焦点医生的预约数量之间存在倒U型关系，表明H5得到验证，符合社会相互依赖理论（H5：团队中其他普通医生的声誉与焦点医生的预约数量之间存在非线性关系（倒U型关系）。）。

我们使用utest命令检验实证模型中的倒U型曲线。
对于普通医生模型，我们检验了Oo_rep与预约次数之间的倒U型关系，可以看到极值点为12.381，Oo_rep的数据范围是[–11.467, 34.380]。可以看出，极值点位于数据范围内。p>|t| = 0.000262，结果在5%统计水平上显著，证明Oo_rep与预约次数之间存在倒U型关系。领导医生的 utest结果见表10。

表10. 普通医生的U检验结果。

项目	内容
因变量：APPT
检验：H1：倒U型vs.H0：单调或U型
规格：f(x)= xˆ2
极值点：12.38148
下界	−11.46711
上限	34.38039
斜率	0.92726 / −0.8553423
t‐值	7.7152 / −3.468163
p > |t|	6.25 × 10−15 / 0.0002625
存在倒U型的总体检验： t‐值= 3.47
p> |t| = 0.000262
极值点的95%菲勒区间：[9.6079864；18.563818]

4. 讨论

本文中，在线医疗团队的医生被分为领导者和普通医生。当焦点医生为领导者时，我们研究了焦点医生的声誉以及团队中普通医生的声誉对焦点医生预约数量的影响。主要发现如下。

焦点医生的声誉对其自身的预约数量没有影响，这意味着其预约数量不会因其声誉而发生变化。牵头组建在线医疗团队的领导医生通常是具有丰富诊疗经验和高社会地位的资深专家。当患者进行预约时，领导医生的声誉并非患者主要考虑的因素。另一种可能的解释是，领导医生通常是资深专家，线下任务繁忙，在线预约机会有限。由于天花板效应，领导医生的在线预约数量不会随着其资深声誉的提升而增加。

团队中普通医生的声誉与焦点医生的预约数量之间的关系是非线性的，呈现出倒U型关系。这意味着当团队中普通医生的声誉处于较低水平时，普通医生的声誉对焦点医生的预约数量具有正向溢出效应。此时，这些医生无法与焦点医生形成竞争，团队中普通医生的声誉越高，焦点医生的预约数量就越高，他们之间的合作关系也越强；当团队中普通医生的声誉较高时，普通医生的声誉对焦点医生的预约数量产生负向溢出效应。较高的声誉代表高质量的服务。此时，普通医生的服务质量也很高，他们与焦点医生形成竞争关系。

当普通医生为焦点医生时，我们研究了其自身声誉、其领导者的声誉以及其他普通医生的声誉对其预约数量的影响。主要发现如下。

焦点医生的声誉对其自身的预约数量具有积极影响。这意味着普通医生的预约数量会随着其声誉的提升而增加。对于普通医生而言，在线声誉反映了他们的服务质量。在线声誉越高，服务质量也越高，被患者选择的可能性就越大。因此，普通医生的预约数量将随着其声誉的提升而增加。

领导医生的声誉对焦点医生的预约数量有积极影响。这意味着在在线医疗团队中，领导医生的声誉越高，焦点医生的预约数量就越高。作为团队品牌，领导医生具有更大的可见度影响。其声誉越高，其团队中的医生被选择的机会就越多。

团队中其他普通医生的声誉与焦点医生的预约数量之间存在非线性关系（倒U型关系）。这意味着，当团队中其他普通医生的声誉处于较低水平时，这些医生的在线声誉对焦点医生的预约数量具有正向溢出效应；此时，团队中的其他普通医生尚不足以对焦点医生构成竞争威胁。而当团队中其他普通医生的声誉较高时，这些医生的在线声誉对焦点医生的预约数量则产生负向溢出效应；此时，团队中的其他普通医生与焦点医生形成竞争关系。

5. 结论

5.1 主要发现

本研究有以下几个主要发现。对于领导医生而言，其预约数量与其自身的声誉无关，但与团队中普通医生的声誉存在倒U型关系。对于普通医生而言，其预约数量与其自身声誉呈正向相关，与其领导医生的声誉也呈正向相关，且与其他普通医生的声誉之间存在倒U型关系。研究表明，团队负责人的声誉对团队具有正向溢出效应。团队医生之间存在两种关系：竞争与合作。本研究为领导医生选择团队成员以及普通医生选择团队提供了指导。

5.2 对研究的启示

在线医疗团队是在线医疗保健的一种新模式。它有助于分级诊疗、平衡医疗资源并提高医疗效率。
现有研究主要关注团队的整体绩效[1,27]。然而，该领域对团队成员之间关系的研究较少。本研究考察了团队成员的在线声誉对医生在线预约数量的影响。了解影响医生在线声誉的因素不仅对医生重要，对电子咨询网站的平台提供商也至关重要，因为激励医生持续参与并提供服务是平台提供商的目标。

其次，我们的研究为现有的声誉理论提供了新的见解。以往关于在线市场声誉的研究主要集中在对个体的分析上。我们的研究揭示了成员互动的重要性。我们的结果提供了证据，表明团队成员的在线声誉会影响焦点医生的预约数量。这一结果提示我们，在研究团队中的个体时，应将个体置于组织环境中，并考虑其他团队成员的影响。

本研究拓展并丰富了社会互赖理论应用的范围与内涵。社会互赖理论主要应用于心理学、教育和体育领域，而本研究将其延伸至在线医疗领域。本研究探讨了队友的声誉对焦点医生预约数量的影响。我们发现，领导医生与普通医生之间以及普通医生与普通医生之间存在两种类型的相互依赖关系，即竞争与合作。

5.3 实践意义

对于领导医生而言，结果表明领导医生自身的声誉对其预约数量没有影响。这表明领导医生无需在声誉建设上投入过多精力。当普通医生的声誉处于较低水平时，其声誉的提升会对领导医生的预约数量产生正向溢出效应；而当普通医生的声誉处于较高水平时，其声誉的提升则会对领导医生的预约数量产生负向溢出效应。因此，领导医生可选择具有中等声誉的普通医生作为其团队成员。

对于普通医生而言，他们自身的声誉以及领导医生的声誉均对他们的预约数量有积极影响。因此，普通医生可以专注于提高服务质量以提升自身声誉，也可以选择加入拥有高声誉领导者的团队。团队中其他普通医生的声誉与焦点医生的预约数量之间存在一种非线性关系（倒U型关系）。这表明，当团队中其他普通医生的声誉处于较低水平时，彼此之间存在合作关系；而当团队中其他普通医生的声誉处于较高水平时，彼此之间则存在竞争关系。因此，应选择其他普通医生声誉较低的团队加入。

对于在线健康平台的设计者和提供者而言，本研究有助于他们留住医生并促进平台的繁荣。研究结果可以帮助在线健康平台的设计者和提供者了解如何提升医生的绩效，特别是如何帮助特定群体的医生提高其绩效。例如，可以设置推荐机制，向领导医生推荐声誉较低的年轻医生和普通医生作为团队成员；也可以根据领导医生的声誉以及团队中普通医生的整体声誉，向年轻医生和普通医生推荐合适的在线医疗团队。

6. 局限性与未来工作

(1) 由于缺乏团队层面的数据，无法采用多层次分析方法。由于该网站目前没有团队层面数据，我们无法设计团队层面的变量。我们认为，随着网站的完善，数据将会得到丰富。一旦团队层面数据可用，我们将考虑进一步在研究中加入团队层面变量，以进行多层次分析。
(2) 本研究考察了队友的声誉对焦点医生预约数量的影响。由于队友的其他属性，如队友的努力程度和地位，也可能影响焦点医生的预约数量。在未来研究中，我们计划探讨队友的其他属性（如努力程度和地位）对焦点医生预约数量的影响。这将进一步丰富社会互赖理论。
(3) 本研究仅考察了挂号网的专家团队。未来的研究可以扩展到其他在线平台上的医疗团队或机构。例如，中国的好大夫在线已建立了类似的在线医疗团队。为了验证我们的研究结果在其他情境下是否依然成立，我们考虑在未来的研究中收集其他在线医疗保健平台的数据。
(4) 由于数据限制，本研究使用了横截面数据。有可能遗漏了与我们工作相关的一些自变量。面板数据可以有效减少或消除这一问题的影响。因此，面板数据将被考虑用于进一步研究。