论文部分内容阅读
关键词：在线健康社区;医生口碑;患者选择;线性回归;好大夫在线
“互联网 医疗”国家战略推动移动医疗行业的飞速发展，在线健康社区成为时代发展的产物，不仅有效缓解了“看病难”现状，且对由信息不对称而引发的一系列“医患纠纷”的社会问题也发挥了积极作用，患者可以在线预约、电话咨询、查看医生信息、了解医院动态等。目前以医患互动为代表的在线健康社区主要有好大夫在线、春雨医生等，虚拟的网络环境给服务过程带来了不确定性感知，患者对于健康信息服务的选择没有足够把握，存在潜在风险和未知，但平台中会公布医生的学历、职称、所在医院、价格、态度、疗效、患者投票、发表文章等等多方面信息，这在一定程度上缓解这一现状并给患者选择时提供了一定参考。同时伴随Web2.0时代的发展，用户不再仅是信息的消费者更是信息的生成者，尤其是各类评价系统带给用户广泛的参与感，如豆瓣评分、淘宝评价、星级打分、排行榜等，用户可以以点赞、评论、打分、赠送虚拟礼物等多种形式表达个人体验，由此形成了大量的用户生成内容（UGC），而这些内容对于不同行业来说也是口碑的一种体现，分值高、评价好的内容可提高影响力、知名度进而增加销量，反之会产生不好的声誉等负面的影响。对应于在线健康社区中，一些医生的数据如感谢信、礼物、评论等正是患者生成内容的一种表现给其他患者决策提供支持。
以往對口碑的研究多集中在对消费者购买的影响研究.Hennig-Thurau T等认为网络口碑是用户根据亲身经历将产品或商家的正面或负面的评论通过网络发布出来，给其他用户提供有价值的参考依据，口碑对消费者购买行为、认知[、持续使用、满意度以及产品销量具有显著影响。李维安在研究淘宝的交易数据时.将卖方好评率和差评率同时作为在线口碑来研究：Liu Y对某部电影的网络评论进行研究，评论数量与电影的票房有显著关系，而正、负面口碑与票房关系并不显著。在网购平台中可知，只有当消费者对购买的商品很满意或很不满意才会愿意付出时间进行评价，评论数量多反映出消费者对此商品的关注，同时也体现了一定的高销量。而在健康领域中，医生的口碑被学者们用来探索对患者选择的影响，Rothenfluh F等认为基于评论的网站，用户选择酒店和选择医生行为具有很大差异：Gao G G等通过研究5年内患者对医生的在线评分探索医生服务质量，发现评分高低对患者选择明显相关;孙磊研究移动医疗中的用户服务选择，以春雨医生为例，发现在线医生口碑（用户评价、粉丝数和心意）对用户服务的选择具有显著影响;郭东飞以信任为中介变量.通过问卷调查的方法得出在线医疗中网络口碑的数量、质量、时效性对购买意愿具有正向影响：DiMatteo M R等发现医生和患者之间具有交流且医生表现出关心会对患者选择过程具有重要影响：Melissa Ti-Ting Hsu发现当与医生口碑有关的信息数量少时，患者会扩大选择医生的范围、延长选择时间等，反之当存在较多口碑信息时，患者因无法判别会减少选择范围和选择时间;医生口碑作为医患互动的产物，不仅需要医生注意自己的一言一行、医德道德等来规范、约束和激励医生的行为，同时为患者选择医生提供了“信号”。以往对医生口碑的研究多集中在概念、问卷调查的主观维度，对医生口碑的测量缺乏实际数据和时间维度的衡量，没有形成较成熟的理论模型。基于此，提出本研究中涉及的研究问题：1）哪些指标可以衡量医生口碑？这些指标与患者选择之间有什么关系？2）不同疾病风险对医生口碑和患者选择之间的关系有没有调节作用？本研究以好大夫在线中的医生数据为基础，探索性分析不同医生口碑的指标对患者择医的影响，并分析不同疾病风险的调节作用。在当前时代背景下，了解用户的行为对于指导在线健康社区的发展至关重要，同时明确患者的需求也是医生更好提供健康服务的基础。
1理论基础
1.1医生口碑与患者选择
国内外学者对医生评价的数据定义不同，有学者统称为口碑（Word of Mouth）、有的称之为声誉（Reputation），而两者之间往往也存在很多指标上的重叠，本文不作区分将其统称为口碑，并认为医生口碑为一切可以反映医生技术能力、行为表现的信息。对于医生口碑的表示，有学者认为是患者最关心的疗效和态度，如Gronroos C认为医生口碑主要反映了服务质量，服务质量包含技术质量和功能质量，Lu N J等将技术质量和功能质量用好大夫在线平台中医生疗效和态度表示，通过回归分析发现好大夫在线中医生的态度和疗效正向影响患者的预定和选择服务。实际就诊中，患者选择医生可能更多关注疗效，疗效好反映出医生医术高，患者具有较高的期望，但医生提供健康服务过程中的行为举止也会影响患者的情绪和对医生技术的感知，医生态度好、表达关心给患者亲和感，患者更能清楚表达个人健康需求。还有的学者选取具体的指标进行衡量，如国内学者曾宇颖以好大夫在线的患者为研究对象，仅利用医生收到的感谢信这一指标反映医生口碑.虽然在论证结果中发现感谢信数量显著且正向影响患者择医，但显然这样选择不够全面：马骋宇认为患者为了表达对医生的感谢，会通过赠送虚拟产品、感谢信的方式表达，这是医患互动的方式之一：Deng z H等抓取好大夫在线中的面板数据，用访问数、患者投票、礼物、感谢信表示医生声誉，得出访问数和患者投票显著影响患者选择，礼物不显著且感谢信只在固定效应模型中显著。还有学者认为患者的评价能够反映医生的一些表现.已有研究表明评论会对消费者购买意愿具有显著影响，消费者在决策前经常需要依赖商品的在线评论，在线评论是反映口碑的形式之一。Widmer R J通过研究医生有无负面评论分析对患者满意度的影响，结果发现有负面评价的医生和没有负面评价的医生之间的满意度并无差异;Ryan T等以大学耳鼻喉科为例，选取16名主治医生的满意度数据，研究发现在线评价时间和评分无关、评分与患者满意度无关;Diana G等以好/差排名研究对用户酒店预订行为的影响，结果发现当排名为好时.评论数量决定用户的信任进而选择酒店，反之排名很差则评论数量对信任不产生影响。可见，由上述已有研究发现医生态度、疗效、患者的打分、评价数量以及评价好坏都会对患者的选择以及满意度具有一定的相关关系。 1.2疾病风险的调节作用
已有对消费者的研究发现，消费者购买决策行为会因商品类型和消费者特征的调节作用而产生不同的影响。在医疗环境中，对于患有不同疾病的患者，其对健康信息质量的认知需求和涉人度不同;相较于疾病风险低的患者，高风险疾病的患者对医生展示的事实型信息具有更大的认知需求.认知需求会影响用户对信息加工处理的程度，认知需求高的患者可能会有更大的动机去付出更多的认知努力，处理与医生自身相关的事实型信息，即具有高涉人度，疾病风险高的患者会有更高的涉入度。也有研究已经表明医生会根据患者所患疾病的差异进行不同的健康服务来满足不同的健康需求，病人所患疾病如果较轻时，患者会较多在意与医生的交流，此时医生的关心对患者满意度影响较大，故高风险疾病的患者会更关注疗效而忽略态度，而低风险疾病的患者则相对疗效会更在意态度。正是患者的差异性决定了其不同的健康行为，尤其是当患者就诊病情不同时，可能会产生不同健康需求，对应于其选择行为也会发具有差异性。
1.3小结
在好大夫在线平台中.患者就诊后可对医生的态度和疗效进行打分，每位医生的主页都会展示其态度满意度和疗效满意度的百分比：同时患者在结束诊疗后可对医生的服务进行反馈.好的体验患者可撰写感谢信表示对医生的感谢、赠送礼物表达对医生的信任和认可：而其他不同体验还可以通过写评论的方式表达诊疗服务过程中的真实体验和详细治疗情况，同样会展示在医生的主页上，每个医生的主页中会展示获得的评论数量以及具体的评论内容，有的医生获得评论数量较多而有的则较少，其中的评论有表达是医生支持认可的，也有对医生不好的评价，结合已有文献以及具体平台中的数据，本研究认为态度、疗效、感谢信、礼物以及评论数量及评价隋感倾向值6个指标可以用来初步反映医生口碑，将作为本文的自变量开展研究。同时好大夫在线中涉及的疾病数据繁多，笔者认为当患者疾病风险较高时，会更重视谨慎、不接受不利因素的存在，一旦发现分值低、评论差会影响患者的信任和选择，如果患者症状很轻微，此时的选择就变得随意快速，因此本研究选取疾病风险作为调节变量来探索其对医生口碑与患者选择之间关系的影响。最后对于患者选择的测量本研究参照多数学者采用的医生总咨询量来表示。
2数据采集
本研究的样本选择来自好大夫在线，该平台创立于2006年，目前包含全国近万家医院和注册医生已高达59万，具备雄厚的医疗资源和服务，其主要服务有：在线诊疗、电子处方、送药上门、远程会诊、专家手术、预约转诊、家庭医生等，是较为成熟的医患互动平台之一具有典型性。疾病类型选择消化内科，涉及食管、胃、小肠、大肠、肝、胆及胰腺等多种类型疾病，需要医生医学知识面广，操作复杂而精细，所以注册的医生是获得内科专科医师资格，医生资历较高且数据完整。数据的获取利用自编程序借助Python爬取好大夫在线上的真實医生数据，抓取时按照疾病分类抓取消化内科常见疾病（包含胃癌、肝硬化、便秘、消化不良）活跃度高的医生，活跃度根据主页中显示最近一次登录时间在1个月以内的医生同时这些医生的数据信息也较为完善。爬取时间为2019年1月6号和2019年3月6号，时间间隔为2个月，两次分别抓取数据10970条和9963条（其中部分医生数据在第二阶段缺失），最终经过清理后共获取有效数据8649条数据.本研究涉及的具体变量以及变量解释见表1。
需要说明的是：1）因医生开通线上服务的时间有差别，有的文章直接用总咨询量进行分析本研究认为是不合理的，相对来说开通时间较早的医生其累计的患者咨询量也就较多，不能反映单位时间内患者选择的情况，本研究选择两个时间段各变量的变化量作为进行分析.反映的一段时间内医生各项口碑数据变化会对咨询量变化的影响情况，分析相对较为合理。2）态度和疗效的数值并没有像其他研究直接用平台中提供的数据，本研究选择活跃度较高的医生.在通过抓取数据分析发现好大夫在线中这些医生的态度和疗效的分值都较高，基本都在95%左右且个体差异较小，分析不具有意义。笔者发现好大夫在线“全部分享”中的评价系统有对医生态度和疗效打分，打分包含很满意、满意、一般、不满意、很不满意5个等级，本研究将其赋值为{很满意、满意、一般、不满意、很不满意}={5、4、3、2、1}，这样同样可以反映出每个医生态度和疗效的分值且样本差异性较高，符合数据分析要求。3）评论情感倾向的取值，根据患者的评价，赋值为{好评、有好有差、差评}={1、0、-1}，通过计算获得每个医生的评论情感倾向值，能够较好地表示该医生的评论倾向，值越大表示医生获得患者的好评越多。4）按照《医院分级管理标准》将医院等级划分为一级、二级、三级，一级指直接为社区提供医疗卫生服务的基层医院为主;二级指跨多个社区的地区性医院为主、三级以跨地区、省市向全国范围提供服务的技术中心医院为主。
3数据分析
3.1变量描述
通过对两个时间段抓取的数据进行描述统计，首先是对8649位医生基本情况的介绍，可见好大夫在线中，医生学历分布中，博士比例达75.49%、硕士达21.22%;职称分布中主任医师占73.70%、副主任医师占23.32%;所在医院等级的分布中三级医院有83.43%、二级医院16.12%，具体见表2;可以发现高学历、高职称、高医院等级占据比例近95%，这说明好大夫在线具有雄厚的医疗资源和实力，提供在线健康服务的医生水平都较高，这为患者提供服务鉴定了良好的基础。
对于自变量和因变量的描述.可以发现两个时间段各个变量的极小值、极大值、均值以及标准差变化不大，同时好大夫在线中态度、疗效、感谢信、礼物、评论都是累积数据，所以一般第二阶段的极大值和均值都较第一阶段要大，具体见表3。变量描述结果说明8649位医生在两个时间段的口碑数据和咨询量并没有发生较大改变，但不同医生的态度、疗效、感谢信、礼物、评论数据偏度较大，数据没有呈现正态分布。为了既不改变数据性质又增加数据的稳定性.在后期的研究中将需要对所有变量数据进行log对数转换进行分析。同时由数据散点图可以发现呈现一定的线性走势且各数据没有表现出明显的非线性特征，下一步本研究将建立线性回归模型研究医生口碑的影响。
“互联网 医疗”国家战略推动移动医疗行业的飞速发展，在线健康社区成为时代发展的产物，不仅有效缓解了“看病难”现状，且对由信息不对称而引发的一系列“医患纠纷”的社会问题也发挥了积极作用，患者可以在线预约、电话咨询、查看医生信息、了解医院动态等。目前以医患互动为代表的在线健康社区主要有好大夫在线、春雨医生等，虚拟的网络环境给服务过程带来了不确定性感知，患者对于健康信息服务的选择没有足够把握，存在潜在风险和未知，但平台中会公布医生的学历、职称、所在医院、价格、态度、疗效、患者投票、发表文章等等多方面信息，这在一定程度上缓解这一现状并给患者选择时提供了一定参考。同时伴随Web2.0时代的发展，用户不再仅是信息的消费者更是信息的生成者，尤其是各类评价系统带给用户广泛的参与感，如豆瓣评分、淘宝评价、星级打分、排行榜等，用户可以以点赞、评论、打分、赠送虚拟礼物等多种形式表达个人体验，由此形成了大量的用户生成内容（UGC），而这些内容对于不同行业来说也是口碑的一种体现，分值高、评价好的内容可提高影响力、知名度进而增加销量，反之会产生不好的声誉等负面的影响。对应于在线健康社区中，一些医生的数据如感谢信、礼物、评论等正是患者生成内容的一种表现给其他患者决策提供支持。
以往對口碑的研究多集中在对消费者购买的影响研究.Hennig-Thurau T等认为网络口碑是用户根据亲身经历将产品或商家的正面或负面的评论通过网络发布出来，给其他用户提供有价值的参考依据，口碑对消费者购买行为、认知[、持续使用、满意度以及产品销量具有显著影响。李维安在研究淘宝的交易数据时.将卖方好评率和差评率同时作为在线口碑来研究：Liu Y对某部电影的网络评论进行研究，评论数量与电影的票房有显著关系，而正、负面口碑与票房关系并不显著。在网购平台中可知，只有当消费者对购买的商品很满意或很不满意才会愿意付出时间进行评价，评论数量多反映出消费者对此商品的关注，同时也体现了一定的高销量。而在健康领域中，医生的口碑被学者们用来探索对患者选择的影响，Rothenfluh F等认为基于评论的网站，用户选择酒店和选择医生行为具有很大差异：Gao G G等通过研究5年内患者对医生的在线评分探索医生服务质量，发现评分高低对患者选择明显相关;孙磊研究移动医疗中的用户服务选择，以春雨医生为例，发现在线医生口碑（用户评价、粉丝数和心意）对用户服务的选择具有显著影响;郭东飞以信任为中介变量.通过问卷调查的方法得出在线医疗中网络口碑的数量、质量、时效性对购买意愿具有正向影响：DiMatteo M R等发现医生和患者之间具有交流且医生表现出关心会对患者选择过程具有重要影响：Melissa Ti-Ting Hsu发现当与医生口碑有关的信息数量少时，患者会扩大选择医生的范围、延长选择时间等，反之当存在较多口碑信息时，患者因无法判别会减少选择范围和选择时间;医生口碑作为医患互动的产物，不仅需要医生注意自己的一言一行、医德道德等来规范、约束和激励医生的行为，同时为患者选择医生提供了“信号”。以往对医生口碑的研究多集中在概念、问卷调查的主观维度，对医生口碑的测量缺乏实际数据和时间维度的衡量，没有形成较成熟的理论模型。基于此，提出本研究中涉及的研究问题：1）哪些指标可以衡量医生口碑？这些指标与患者选择之间有什么关系？2）不同疾病风险对医生口碑和患者选择之间的关系有没有调节作用？本研究以好大夫在线中的医生数据为基础，探索性分析不同医生口碑的指标对患者择医的影响，并分析不同疾病风险的调节作用。在当前时代背景下，了解用户的行为对于指导在线健康社区的发展至关重要，同时明确患者的需求也是医生更好提供健康服务的基础。
1理论基础
1.1医生口碑与患者选择
国内外学者对医生评价的数据定义不同，有学者统称为口碑（Word of Mouth）、有的称之为声誉（Reputation），而两者之间往往也存在很多指标上的重叠，本文不作区分将其统称为口碑，并认为医生口碑为一切可以反映医生技术能力、行为表现的信息。对于医生口碑的表示，有学者认为是患者最关心的疗效和态度，如Gronroos C认为医生口碑主要反映了服务质量，服务质量包含技术质量和功能质量，Lu N J等将技术质量和功能质量用好大夫在线平台中医生疗效和态度表示，通过回归分析发现好大夫在线中医生的态度和疗效正向影响患者的预定和选择服务。实际就诊中，患者选择医生可能更多关注疗效，疗效好反映出医生医术高，患者具有较高的期望，但医生提供健康服务过程中的行为举止也会影响患者的情绪和对医生技术的感知，医生态度好、表达关心给患者亲和感，患者更能清楚表达个人健康需求。还有的学者选取具体的指标进行衡量，如国内学者曾宇颖以好大夫在线的患者为研究对象，仅利用医生收到的感谢信这一指标反映医生口碑.虽然在论证结果中发现感谢信数量显著且正向影响患者择医，但显然这样选择不够全面：马骋宇认为患者为了表达对医生的感谢，会通过赠送虚拟产品、感谢信的方式表达，这是医患互动的方式之一：Deng z H等抓取好大夫在线中的面板数据，用访问数、患者投票、礼物、感谢信表示医生声誉，得出访问数和患者投票显著影响患者选择，礼物不显著且感谢信只在固定效应模型中显著。还有学者认为患者的评价能够反映医生的一些表现.已有研究表明评论会对消费者购买意愿具有显著影响，消费者在决策前经常需要依赖商品的在线评论，在线评论是反映口碑的形式之一。Widmer R J通过研究医生有无负面评论分析对患者满意度的影响，结果发现有负面评价的医生和没有负面评价的医生之间的满意度并无差异;Ryan T等以大学耳鼻喉科为例，选取16名主治医生的满意度数据，研究发现在线评价时间和评分无关、评分与患者满意度无关;Diana G等以好/差排名研究对用户酒店预订行为的影响，结果发现当排名为好时.评论数量决定用户的信任进而选择酒店，反之排名很差则评论数量对信任不产生影响。可见，由上述已有研究发现医生态度、疗效、患者的打分、评价数量以及评价好坏都会对患者的选择以及满意度具有一定的相关关系。 1.2疾病风险的调节作用
已有对消费者的研究发现，消费者购买决策行为会因商品类型和消费者特征的调节作用而产生不同的影响。在医疗环境中，对于患有不同疾病的患者，其对健康信息质量的认知需求和涉人度不同;相较于疾病风险低的患者，高风险疾病的患者对医生展示的事实型信息具有更大的认知需求.认知需求会影响用户对信息加工处理的程度，认知需求高的患者可能会有更大的动机去付出更多的认知努力，处理与医生自身相关的事实型信息，即具有高涉人度，疾病风险高的患者会有更高的涉入度。也有研究已经表明医生会根据患者所患疾病的差异进行不同的健康服务来满足不同的健康需求，病人所患疾病如果较轻时，患者会较多在意与医生的交流，此时医生的关心对患者满意度影响较大，故高风险疾病的患者会更关注疗效而忽略态度，而低风险疾病的患者则相对疗效会更在意态度。正是患者的差异性决定了其不同的健康行为，尤其是当患者就诊病情不同时，可能会产生不同健康需求，对应于其选择行为也会发具有差异性。
1.3小结
在好大夫在线平台中.患者就诊后可对医生的态度和疗效进行打分，每位医生的主页都会展示其态度满意度和疗效满意度的百分比：同时患者在结束诊疗后可对医生的服务进行反馈.好的体验患者可撰写感谢信表示对医生的感谢、赠送礼物表达对医生的信任和认可：而其他不同体验还可以通过写评论的方式表达诊疗服务过程中的真实体验和详细治疗情况，同样会展示在医生的主页上，每个医生的主页中会展示获得的评论数量以及具体的评论内容，有的医生获得评论数量较多而有的则较少，其中的评论有表达是医生支持认可的，也有对医生不好的评价，结合已有文献以及具体平台中的数据，本研究认为态度、疗效、感谢信、礼物以及评论数量及评价隋感倾向值6个指标可以用来初步反映医生口碑，将作为本文的自变量开展研究。同时好大夫在线中涉及的疾病数据繁多，笔者认为当患者疾病风险较高时，会更重视谨慎、不接受不利因素的存在，一旦发现分值低、评论差会影响患者的信任和选择，如果患者症状很轻微，此时的选择就变得随意快速，因此本研究选取疾病风险作为调节变量来探索其对医生口碑与患者选择之间关系的影响。最后对于患者选择的测量本研究参照多数学者采用的医生总咨询量来表示。
2数据采集
本研究的样本选择来自好大夫在线，该平台创立于2006年，目前包含全国近万家医院和注册医生已高达59万，具备雄厚的医疗资源和服务，其主要服务有：在线诊疗、电子处方、送药上门、远程会诊、专家手术、预约转诊、家庭医生等，是较为成熟的医患互动平台之一具有典型性。疾病类型选择消化内科，涉及食管、胃、小肠、大肠、肝、胆及胰腺等多种类型疾病，需要医生医学知识面广，操作复杂而精细，所以注册的医生是获得内科专科医师资格，医生资历较高且数据完整。数据的获取利用自编程序借助Python爬取好大夫在线上的真實医生数据，抓取时按照疾病分类抓取消化内科常见疾病（包含胃癌、肝硬化、便秘、消化不良）活跃度高的医生，活跃度根据主页中显示最近一次登录时间在1个月以内的医生同时这些医生的数据信息也较为完善。爬取时间为2019年1月6号和2019年3月6号，时间间隔为2个月，两次分别抓取数据10970条和9963条（其中部分医生数据在第二阶段缺失），最终经过清理后共获取有效数据8649条数据.本研究涉及的具体变量以及变量解释见表1。
需要说明的是：1）因医生开通线上服务的时间有差别，有的文章直接用总咨询量进行分析本研究认为是不合理的，相对来说开通时间较早的医生其累计的患者咨询量也就较多，不能反映单位时间内患者选择的情况，本研究选择两个时间段各变量的变化量作为进行分析.反映的一段时间内医生各项口碑数据变化会对咨询量变化的影响情况，分析相对较为合理。2）态度和疗效的数值并没有像其他研究直接用平台中提供的数据，本研究选择活跃度较高的医生.在通过抓取数据分析发现好大夫在线中这些医生的态度和疗效的分值都较高，基本都在95%左右且个体差异较小，分析不具有意义。笔者发现好大夫在线“全部分享”中的评价系统有对医生态度和疗效打分，打分包含很满意、满意、一般、不满意、很不满意5个等级，本研究将其赋值为{很满意、满意、一般、不满意、很不满意}={5、4、3、2、1}，这样同样可以反映出每个医生态度和疗效的分值且样本差异性较高，符合数据分析要求。3）评论情感倾向的取值，根据患者的评价，赋值为{好评、有好有差、差评}={1、0、-1}，通过计算获得每个医生的评论情感倾向值，能够较好地表示该医生的评论倾向，值越大表示医生获得患者的好评越多。4）按照《医院分级管理标准》将医院等级划分为一级、二级、三级，一级指直接为社区提供医疗卫生服务的基层医院为主;二级指跨多个社区的地区性医院为主、三级以跨地区、省市向全国范围提供服务的技术中心医院为主。
3数据分析
3.1变量描述
通过对两个时间段抓取的数据进行描述统计，首先是对8649位医生基本情况的介绍，可见好大夫在线中，医生学历分布中，博士比例达75.49%、硕士达21.22%;职称分布中主任医师占73.70%、副主任医师占23.32%;所在医院等级的分布中三级医院有83.43%、二级医院16.12%，具体见表2;可以发现高学历、高职称、高医院等级占据比例近95%，这说明好大夫在线具有雄厚的医疗资源和实力，提供在线健康服务的医生水平都较高，这为患者提供服务鉴定了良好的基础。
对于自变量和因变量的描述.可以发现两个时间段各个变量的极小值、极大值、均值以及标准差变化不大，同时好大夫在线中态度、疗效、感谢信、礼物、评论都是累积数据，所以一般第二阶段的极大值和均值都较第一阶段要大，具体见表3。变量描述结果说明8649位医生在两个时间段的口碑数据和咨询量并没有发生较大改变，但不同医生的态度、疗效、感谢信、礼物、评论数据偏度较大，数据没有呈现正态分布。为了既不改变数据性质又增加数据的稳定性.在后期的研究中将需要对所有变量数据进行log对数转换进行分析。同时由数据散点图可以发现呈现一定的线性走势且各数据没有表现出明显的非线性特征，下一步本研究将建立线性回归模型研究医生口碑的影响。