本文是一篇工程管理论文，本文选用数据统计软件SPSS V26.0作为数据分析工具，依次进行描述性统计、相关性分析、共线性分析、多元线性回归分析。紧接着建立多元回归线性模型，依据回归模型在SPSS V26.0执行多元线性回归分析操作，最终计算出三个回归模型的各变量回归系数和显著性结果，验证前文中提出研究假设是否成立，最后进行结果讨论。
1 绪论
1.1研究背景
工程管理论文怎么写
依据联合国数据，截至2022年11月世界人口已经突破80亿，迎来新的里程碑。进入20世纪以来，伴随着经济和科技的不断发展，生活水平逐步提高，人类寿命持续增加。数据显示，1990年全球人口的平均寿命为64岁，2019年增加至72.8岁，预计将在2050年增至77.2岁。全球人口寿命持续增长的同时，伴随着新生儿出生率的不断下降，全世界人口结构呈现老龄化的趋势（人口老龄化：65岁及65岁以上人口占总人口的比重）。依据联合国《2022年世界人口展望》中的数据表明，2022年世界人口老龄化率已达9.7%，部分地区如欧洲和北美老龄化率高达18.7%，澳大利亚和新西兰也达到了16.6%，东亚和东南亚也达到了惊人的12.7%，而且据预测在2050年前后，世界人口老龄化率将增加至16.4%。面对如此多的老龄化人口，各国的医疗卫生体系将经受严重的考验。持续增加的老龄人口与有限的医疗资源之间的矛盾[1]，对于发达国家和发展中国家而言，都是十分棘手的问题，如何才能有效解决这一突出矛盾？一方面，持续加大在医疗卫生领域的政府资金投入比例；另一方面，提高现有医疗资源的整体利用率，将有限的医疗资源利用最大化[2]，最大程度发挥其作用，分级诊疗、社区医院、在线医疗社区[3]成为广大发展中国家探索的重点。
中国作为世界上最大的发展中国家，依据国家统计局数据，截至2021年总人口为14.12亿。其中65岁及以上人口为2亿，占总人口的14.20%。面对如此庞大的人口基数及明显的老龄化[4]，中国的医疗资源本就捉襟见肘，再加之人们持续增长的医疗健康需求与有限的医疗资源之间的矛盾，人均资源配置严重不足。据国家统计局2021年数据，人均卫生费用为5439.97元，每万人拥有卫生技术人员为80人，与发达国家差距明显，且远无法满足我国人民的实际需求。因此，导致了抢占医疗资源的问题，大型三甲医院拥挤不堪，基层医院门可罗雀，医疗资源浪费严重，且呈现出两个明显的差距：（1）东西差距。我国东部地区，与西部地区相比经济发达、地理位置优越、交通便利，因此产生了更多的大型三甲综合医院，医疗水平更高。西部地区因为落后的经济、教育，无法支撑大型三甲医院的发展建设，加之无法吸引高水平医疗人才，与东部的差距越来越明显；（2）城乡差距。虽然我国广大的人口，仍居住在城镇，但高水平三甲医院在城镇鲜有分布，大多数高水平医院集中在大型一线核心城市，如北京、上海、广州、深圳分布着超过70%的三甲综合医院。城镇患者就医，需长途跋涉至上述一线城市，在人满为患的三甲医院艰难就医，时间、资金成本偏高。因此，如何正确引导患者选择合适的医院、医生就医，而非扎堆前往一线城市三甲医院就医，造成优质医疗资源的拥堵、不合理利用、医患矛盾加剧的问题，是当下的重中之重。
..........................
1.2研究目的及意义
关于在线医疗社区与患者交互行为的研究，大多从在线信息辅助患者和医疗机构实行决策着手，重点关注的是信息对患者在线上就医时，主观信息/客观信息对患者选择哪位医生就医的影响[11]，以及主、客观信息之间的相互影响研究。有部分最新研究，探索了在线医疗社区信息对就医方式转变（线上就医转为线下就医）的影响，而不是以往研究关注具体选择哪位医生。但随着在线医疗的发展，以及当下医疗体制暴露出的问题，研究在线医疗社区信息对患者选择切换医疗方式的影响，并引导患者从医疗资源争夺激烈的线下医院转向在线医疗社区咨询就医，对于缓解现实中看病难的问题更有帮助和推动作用，尤其是以下三类患者：①轻度至中度病症患者，如流行性感冒等常见疾病；②慢性病患者，如糖尿病、高血压、冠心病等疾病患者；③地处偏远地区、高质量医疗资源匮乏的患者。因而本研究将对象确立为好大夫在线平台，探究好大夫在线信息对患者从线下医疗服务转为线上医疗服务的影响，为促进在线医疗社区的发展、缩小不同地区的医疗资源差距、缓解医患矛盾探索新的解决路径。本研究的理论意义与实践意义分层阐述如下：
（1）理论意义
以往研究关注最多的三个方向为：①在线医疗评论的内容特点与关联影响因素；②在线医疗信息辅助患者和医疗机构实行决策；③政府机构政策的制定[12]。其中第二个角度，在线医疗社区信息对患者决策的影响，大多研究的是在线医疗社区信息，如患者生成的信息--对医生治疗的评论等主观信息，系统生成的关于医生职级、毕业院校等医生客观个人信息，主要研究主、客观信息对患者选择哪位医生进行线上咨询、线下医治的具体选择。少数研究开始关注患者在线上查询相关信息，寻找合适的医生，前往线下医院进行一并医治[13]。但是，对于患者在线下完成手术等必须在医院完成的治疗以后，将后续的检查、康复治疗转移到在线医疗社区的情况，或者对于广大慢性病患者来讲，需要频繁与医生沟通交流，在线医疗社区相比线下医院，能不受时空、地域的影响，使患者在极大减少治疗成本的基础上，获得与主治医生更好的交流效果，以往的研究在此方面则较少涉及。本研究重点关注在线医疗社区信息对患者从线下转为线上医疗选择的影响，针对此问题做了初步探索，为在线医疗社区的发展，为国家医疗体制的改制提供新的理论依据和思路，为更好的解决当今医疗资源配置不均衡、医疗资源总量不足、医患矛盾突出的问题提供新的道路。
..............................
2 理论基础
2.1在线医疗社区
2.1.1 在线医疗社区概述
在线医疗社区，顾名思义是为参与医疗服务过程的双方（医生和患者）提供了一个互联网线上交流平台[61]，包含但不限于贴吧、博客、论坛、即时交流群、问答网站、医疗网站等。其中在线医疗网站，以好大夫在线为例和其他类型的社区相比，在社区内拥有大量的三甲综合医院和医生资源，除了提供医生和患者的日常沟通交流外，还提供各种形式的线上医疗服务。
就患者接受医疗服务流程而言，线上和线下也存着区别。传统的线下医疗的就医流程为：前往医院-挂号-等待-医生问诊-按医生要求检查-等待结果-医生依据问诊与检查结果出具处方-缴费抓药或住院接受治疗-按医嘱治疗，并定期前往医院复查-最终康复，疾病治疗完成，其过程较为繁琐且效率较低，在整个流程中患者除了与医生的交流病情的有效时间外，大量的时间为无效等待时间，造成患者的治疗过程主观感受较差、医患沟通普遍较差。再者，为了完成治疗前往医院过程中的交通、住宿、时间成本也普遍较高，对于患者家庭而言也是不小的负担。在线医疗社区因其是在互联网平台进行医疗服务，流程发生了改变，具体如下：登录在线医疗网站-选择医生咨询-与医生进行病情交流-医生提供专业建议-遵循医嘱进行治疗-复查并康复，与线下医疗相比，首先缩减了患者前往线下实体医疗机构的环节，节省了时间、金钱，为患者节省了这一部分原本不该支出的成本；其次，精简了接受医生治疗过程中的环节，患者不必在实体医院一样在空间上位置上频繁的转换进行缴费、接受检查、等待动作，节省了大量的时间和体力，优化了等待时间这一环节的占比。另外，患者认可的医疗服务水平较高的专家医生每日问诊号十分有限，大多数患者往往无法在短期期望的时间内成功挂取专家号，因此为了成功挂取专家号往往要经过数个工作日的排队等待，看病难的问题十分突出。而在线医疗社区集合了丰富优质的专家医生资源，且没有咨询挂号数限制，患者可选择的余地较大，完全可以规避这一问题。
..........................
2.2信息不对称理论
信息不对称的定义为在商品或服务交易中各方对信息掌握的程度不一致。那么，是何种原因造成了信息不对称？有学者认为社会分工和知识专业化是其产生的根本原因[62]，也有人认为是信息搜寻成本差异、信息资源的稀缺等[63]，但归根结底分为主观和客观两个层面，主观方面在在于：部分个体通过搜寻并获取有价值的信息的能力较强，相较之下另一部分个体的此类能力较差，总结而言两者的能力差距造成了信息不对称。客观方面在于：多种因素会对不同的经济个体获取信息的数量产生较大的影响[64]，总结而言两者掌握信息量级的不同导致了信息不对称。因为在社会活动中各方获取信息的能力不同导致各方掌握信息的程度不同，因此信息不对称广泛存在于社会的各行各业[65]。以商业领域为例，商品买卖的双方对商品信息的掌握程度不同，通常卖方对商品各方信息掌握较为全面，对商品的质量、外观、性能等信息较为了解，而买方由于缺乏商品相关的信息而无法识别出合适的、高质量的商品，继而采用价格这一信息来衡量商品的好坏，造成的结果是卖家通过提高价格来显示自身商品的高品质，造成高品质商品的卖家无法将高价格的商品售卖给买方，最终形成劣质商品驱除高品质商品的局面。
有研究使用信息不对称这一现象产生的时间点、具体内容两个维度，把信息不对称划分为事前和事后信息不对称两类，事前信息不对称产生的原因是信息优势的一方主动隐藏了信息，事后不对称的原因是信息优势的一方主动隐藏了行动。因此，有学者将事前信息不对称定义为逆向选择，事后信息不对称定义为道德风险[66]。通过分析得知，信息不对称会导致逆向选择与道德风险，那么如何规避信息不对称？可以采用信号传递和信号甄别来解决。信号传递的含义是信息优势方向信息劣势方提供信号传递[67]，而信号甄别的含义是信息劣势方通过采取一系列的行动使得信息优势方透露更多信息[68]。
...........................
3 研究模型和研究假设 ..................... 19
3.1 研究模型 ............................. 19
3.2 医生投入资源对患者从线下转为线上医疗服务的影响 ............ 19
3.3 医疗质量对患者从线下转为线上医疗服务的影响 .................... 22
4 实证研究 ................................ 27
4.1 数据收集与处理 .................... 27
4.1.1 数据来源 .............................. 27
4.1.2 数据收集 ............................. 27
5 研究结论与展望 ........................ 55
5.1 研究结论 .................... 55
5.2 研究创新点 .......................... 55
5.3 实践启示 .......................... 56
4 实证研究
4.1数据收集与处理
4.1.1 数据来源
本研究选择好大夫在线平台的数据作为研究数据。截至现在，好大夫在线平台已拥有全国10081家二甲、三甲医院的资源，共有904955位不同职称的医生入驻平台，其中三甲医院的医生占比达到73%.对患者而言，伴随着移动端的迅猛发展，患者由原来单一的PC网站登录选择，衍变为好大夫APP、移动端网站、微信公众号、微信小程序等多种方式灵活选择的复合登录解决方案，患者可根据自身实际灵活选择就医登录方式。就医疗服务的形式而言，也更加多元化、精细化、人性化，医生依照自身意愿及投入资源的多少，选择开通不同种类的医疗服务。
基于上述好大夫在线的三点独特优势：①数量众多的优质医生资源；②方便多样的登录方式；③丰富完整的可定制化医疗服务，越来越多的患者选择在好大夫在线平台咨询、就医，从疾病医治的前期咨询、中期医生的选择和治疗、后期的康复检查和沟通、对整个疾病医治过程的评价，好大夫在线均可为患者提供专业的医疗建议和参考。
截至2022年7月数据，好大夫在线医疗社区已经为7900万患者提供了在线医疗服务每日医患沟通超过20余万次。因此，好大夫在线产生了大量的医患交互数据，这些数据分为可量化的客观数据，如医生在好大夫在线医疗社区开通的服务种类、医生在好大夫在线医疗社区入驻团队的人数等；另一方面为患者在接受好大夫在线医疗社区的医疗服务之后，对结果及医疗服务过程的主观满意度评价信息，主要包括文本评论数据、心意礼物数量等相对主观的数据。值得注意的是，无论与电商平台所产生的交互数据纵向维度相比，还是与其他类型的在线医疗平台相比，好大夫在线的数据均具有比较高的真实性。
工程管理论文参考
...............................
5 研究结论与展望
5.1 研究结论
本研究用实证研究的方法探究了在线医疗社区信息对患者从线下转为线上医疗服务的影响。在线医疗社区信息，以往的研究在进行在线医疗信息汇总分类时，主要有两种分类方式：（1）根据生成信息的主体不同，将在线医疗社区信息分为医生生成信息、患者生成信息、系统生成信息；（2）按照信息的地位，将信息分为主观信息和客观信息。本文并未采用以上分类方式，而是结合研究实践意义，重点探究在线医疗社区医生投入资源信息与在线医疗社区医疗质量两类信息，将投入资源信息与医疗质量信息作为本研究的自变量，也就是解释变量。其中，投入资源信息用医生线上团队人数(NOT)、医生开通服务种类(NST)、医生科普文章数(NSA)三个可量化变量度量，医疗质量用心意礼物数量(NTG)、诊后服务星(NSS)、诊后好评数(NPC)三个可量化变量度量。本研究的被解释变量则为患者从线下转线上医疗服务的人数(LNP)，将诊后报到患者数量和在问诊记录中经过分析确认为线下转线上的人数合并，作为被解释变量的度量。另外，本文还将探究患者疾病类型与医生职称两个变量是否存在调节作用，明确所有变量定义之后，建立理论模型并提出相应假设H1-H6。
然后编写了Python爬虫程序，将好大夫在线网站上对应的目标数据进行爬取，经过数据清洗、整理之后共获得8267条有效数据，后续的数据分析将基此数据源进行。本文选用数据统计软件SPSS V26.0作为数据分析工具，依次进行描述性统计、相关性分析、共线性分析、多元线性回归分析。紧接着建立多元回归线性模型，依据回归模型在SPSS V26.0执行多元线性回归分析操作，最终计算出三个回归模型的各变量回归系数和显著性结果，验证前文中提出研究假设是否成立，最后进行结果讨论，共得到以下主要结论：①在线医疗社区医生投入资源中医生科普文章变量对患者从线下转线上医疗服务有正向影响；②在线医疗社区医疗质量中三个变量心意礼物、诊后服务星、诊后好评数均对患者从线下转线上医疗服务有正向影响；③调节变量患者疾病类型对心意礼物与患者从线下转线上医疗服务有正向调节作用；④调节变量患者疾病类型对诊后好评数与患者从线下转线上医疗服务有负向调节作用；⑤调节变量医生职称对对诊后好评数与患者从线下转线上医疗服务有正向调节作用；⑥调节变量医生职称对心意礼物数量与患者从线下转线上医疗服务有负向调节作用。
参考文献（略）