【文献推荐】消费者如何与数字专家建议互动？来自健康保险的实验证据

Medicare是针对美国65周岁以上人口提供公共医疗保险服务的项目，目前已经覆盖5000万人，其中，Medicare受益人的处方药由Medicare D部分承保，该部分由私人保险公司管理。该研究主要关注于其中的PDPs（处方药计划）项目，PDPs中包含着20多个保险计划，各类保险计划在保费、套餐福利、药房网络构成、邮购服务等方面存在差异，参与者可以在每年的开放注册期(10月15日至12月7日)更换计划。为了评估不同保险计划的非财务特征，美国医疗保险和医疗补助服务中心(CMS)开发了一个基于消费者评估的质量衡量标准，每年公布计划的五分制“星级评定”。

对照组设置：无个性化的计划信息；无专家评分。

实验组1设置（“仅信息”组）：自动导入的处方药清单；个性化的保险计划信息（保险公司名称、药品清单中的个人计划支出、CMS计划评分）；最多选择三个计划进行比较；获取每个计划的更多信息；保险计划按照第三方供应商提供的专家评分顺序排列（但用户看不到具体评分并且没有特别标记或推荐）。

实验组2设置（“信息+专家”组）：自动导入的处方药清单；个性化的保险计划信息（保险公司名称、药品清单中的个人计划支出、CMS计划评分）；最多选择三个计划进行比较；获取每个计划的更多信息；保险计划按照第三方供应商提供的专家评分顺序排列（专家建议和专家评分可见）。

具体的交互界面如图1所示：

图 1 不同组的网络交互界面

第一步，确定本文研究的潜在群体。首先，本文作者通过与帕洛阿尔托医疗基金会(PAMF)合作，获取了患者的电子医疗记录；再者，根据患者的年龄、居住区和用药等特征确定符合条件的患者；然后，因为无法直接识别已加入Part D计划的人群，所以通过排除已参加Medicare Advantage计划和Medi-Cal计划（与Part D计划内容具有重叠性）确定潜在人员；最后，排除数据缺失与不准案例，确定了29451名潜在符合条件的患者。

第二步，针对潜在对象进行调研。2016年Medicare Part D计划开放注册期前，研究人员向29451名潜在符合条件的患者邮寄了参与试验的邀请函。约两周后，向未回应的患者发送了后续信函。在邀请函中提供了登录ID，指引患者访问注册门户网站，完成注册门户步骤并成功注册的个人被视为已加入试验。参与者在入组时被随机分配到三个研究组之一。开放注册开始时，参与者收到提醒邮件，所有参与者收到相同的标准化邮件，不包含其分组信息，参与者登录网站后才能看到特定于其分组的内容。开放注册期结束前，再次发送提醒邮件。开放注册结束后(2016年12月7日)，邀请所有参与者完成最终调查。1月初发送调查提醒，2017年1月20日前完成调查的参与者被纳入最终研究样本。

第三步，样本数据特征。这项研究邀请了29451名来自帕洛阿尔托医疗基金会(PAMF)的患者参与，最终有1185人成功入组并被随机分配到三个研究组，其中410人被随机分配到“信息+专家”组，391人被分配到“仅信息”组，384人被分配到对照组。参与者平均每年使用4.5种活跃处方药，标准差为3.2；Charlson评分(范围0~13，数据越高，身体状况越差)平均值为1.16，标准差为1.53；69%的受邀参与者在过去三年内曾访问个人医疗记录；通信频率平均为3.3个对话串，标准差为6；在登录过系统的人群中，平均对话串数为4.7，范围为0到174；健康状况较差(Charlson评分较高)或用药较多的患者与医生沟通更频繁。

第一个指标，开放注册期间是否更换了保险计划。若更换了保险计划，则赋值为1；

第二个指标，保险计划选择过程满意度指标。通过自我报告进行调查，若“非常满意”，则赋值为1；

第三个指标，决策冲突指标。使用经验量表（O'Connor，1995）并基于9个问题构建分数，分数越高，决策冲突越大。

第四个指标，预期成本差异的指标。更换计划后，2017年更换计划的预期总成本与若未更换计划的预期总成本之间的差异。

第五个指标，保险计划选择时所花费的时间与精力。若个人选择计划时间超过1小时则赋值为1。

第六个指标，个人选择专家评分最高的三个计划之一的概率。该计划在两个实验组中均作为前三个出现，但只有“信息+专家”组进行了标注。

本文首先使用普通最小二乘法研究数字专家对消费者的影响效果：

其中，Yi为上述的6个被解释变量指标，“仅信息”组的参与者用变量表示，“信息+数字专家”组的参与者用表示，检验的结果如表2所示。

表 2参与实验的效果检验

由第1列可知，提供“信息+数字专家”工具使参与者转换保险计划比率提升了8%，并且在95%的水平上显著；由第2列可知，提供“信息+数字专家”工具能够提高消费者对保险计划选择过程的满意程度；由第4列可知，提供“信息+数字专家”和“仅信息”的数字工具会增加消费者在保险计划选择上所耗费的时间与精力，并结合第2列可知如果时间能够被有效利用，个体可能愿意投入时间进行保险计划选择；由第5列可知，提供“信息+数字专家”工具能够使消费者选择对于自己带来更低预期成本的保险计划；第6列显示，提供“信息+数字专家”工具会提高选择数字专家推荐保险计划的概率，但是“仅信息”并不一定会带来该效果。第3列的结果表明，提供“信息+数字专家”工具并不一定会减少决策冲突程度。

因为本文的实验中没有始终使用数字工具的个体，因此通过构建一个两阶段最小二乘法（2SLS）模型，研究数字工具使用对实验组的影响，模型如下：

UE和UI为个人是否使用了在线数字工具，这些信息可以通过与编码患者ID链接的个性化登录信息来追踪。UE和UI在方程(2)中是内生变量，因此本文使用实验组分配E和I作为工具变量。方程(3)和(4)是第一阶段回归，用于分析被分配到实验组对使用工具的影响程度。表3展示了变量的第一阶段系数和2SLS的估计结果：

表 3 2SLS检验结果

第1列展示了数字在线工具的使用程度，可知2个实验组的数字在线工具的使用程度非常高，分别达到了81%和80%。第2~8列的估计结果与表1相同，但是因为通过了2SLS的第一阶段缩放，使系数得到了不同程度的扩大，表明“信息+数字专家”在线工具的使用，会提高消费者转换保险计划的概率、提高计划选择过程的满意程度、增加保险计划的选择时间、降低保险计划的预期成本和专家推荐计划的选择概率。其中，第6列引入了一个新的指标：衡量工具的使用强度，是通过综合五个指标：消费者是否查看了在线工具中的解释按钮、这些按钮被点击的频率、数字工具的总操作次数、每次登录的操作次数和根据点击和登录行为测量的在线工具使用总时间进行Z统计值的加权计算，结果表明数字专家建议能够促进更多的消费者参与。

本文还进行了说服率的计算，即在考虑了接受率和基线行为的比例后，衡量了信息或者建议对改变消费者行为的有效程度，公式如下：

结果显示主要结果指标的说服率约为13%(计划转换为13.9%，选择专家推荐计划为12.3%)，这些比率相对较高，远超其他消费者说服研究中观察到的1%~7%的比率。并且，对于衡量消费者是否花费超过1小时来选择计划这一结果，研究观察到更高的说服率，达到40%，说明信息和专家建议能够有效地影响消费者行为。

底层模型设置：

表 4 机制检验结果

基于上述所得到的不同组的隐含效用权重，进一步模拟消费者在不同组产生的不同选择导致的福利水平变化，福利水平变化的分布如下：

表 5 消费者福利变化分布分析

表中分别用两种方法计算了消费者的福利水平变化。A部分以成本进行衡量，不同组消费者选择的保险计划与相对于专家推荐选择保险计划的自付开支差异分布，可知，控制组消费者基于自身所放弃节省的平均成本为239美元，而“仅信息”组和“信息+数字专家”组消费者所放弃节省的平均成本分别减少到了215.3美元和129.3美元，并且处于不同分布的消费者之间还存在着较大的异质性，处于前5%的消费者无差异，但是25%以后的每组消费者节省成本的差异逐渐增大。B部分使用“信息+专家”组估计的偏好来量化消费者剩余，结果显示的是放弃的消费者剩余数量，因为消费者尽管处于“信息+数字专家”组，也不一定会选择专家推荐的保险计划，所以也会存在消费者剩余的损失，但如果消费者根据“仅信息”组估计的偏好做出选择，平均每年损失的消费者剩余为82.3美元。

设定采取干预的处理效应的基础模型：

为了研究潜在结果水平的选择，本文将表2中报告的2SLS（两阶段最小二乘法）处理效应估计与普通OLS（普通最小二乘法）回归进行比较。普通OLS通过比较使用该工具的个体和未使用该工具的个体的结果差异来估计在线工具对结果Y的影响。普通OLS模型设定如下：

τ1和τ2衡量了在每个处理组中使用该工具的人和没有使用该工具的人之间结果的差异，但是这些是有偏的处理效应估计，因为它们既包含了处理效应，也包含了由于选择进入处理而产生的偏差。而表3中的2SLS估计提供了无偏的处理效应估计，因此，用普通OLS减去2SLS估计，就得到了选择偏差的估计。模型12的回归结果如下：

表 6 有偏的处理效应回归结果

由表6的第1列可知，在“信息+专家”组中，使用干预后转换计划的概率增加27个百分点相关（在“仅信息”组中为19%）。对于两个组，这都比表3中报告的处理效应估计值大17个百分点。我们得出结论，在普通OLS所示的“信息+专家”组增加的27个百分点的转换率（“仅信息”处理组为19个百分点）中，10%是处理效应，17%是选择效应。换句话说，采纳干预的个体在没有干预的情况下，比被分配到实验组但选择不使用该工具的个体更有可能转换他们的计划，这种内在可能性高出17%。同理，采纳干预的个体在没有干预的情况下，比被分配到实验组但选择不使用该工具的个体更有可能节省更多的预期保险计划成本和选择专家推荐的保险计划。

可以得出结论，主动选择数字专家工具的消费者可以给他带来更大的效用。虽然为人们提供数字专家工具的访问权确实会影响他们的选择，但该工具更有可能吸引主动购物者，因此它可能是一个针对普通人群推广的效果不佳的政策工具。如果没有额外的针对性干预来鼓励非主动购物者使用这类工具，数字专业知识可能无法触及其原本意图覆盖的消费者群体。

本文接下来使用广义随机森林方法，系统分析试验参与者样本中治疗效应的异质性。基于年龄、性别、种族、婚姻状况、普查区级收入、普查区大学学历比例、处方药数量、Charlson评分、在线病历使用情况及其使用强度10个可观察的人口统计学和健康相关特征进行分析。结果如下：

表 7 处理效应：基于个人特质的异质性

根据p值可知，使用数字工具后，在年龄较大者、非白人、未婚者、收入、教育水平较高者、用药较少者和使用EMR频率较低者之中会具有更高的转换保险计划概率。

本文接下来进行样本外预测。表8报告了对每个结果的预测处理效应与一个指示变量（如果个人属于参与实验的群体则取值为1）之间回归的结果，并且分别对“信息+专家”（面板A）和“仅信息”（面板B）处理组进行了回归估计。结果如下：

表 8 预测回归结果

由结果可知，未参与试验的个人总体上会比参与的个人在使用“信息+数字专家”工具后在转换保险计划、减少保险计划与其成本和选择专家推荐保险计划会产生更大的效应。

总结上述的实证结果发现，使用数字专家工具产生效用水平与参与试验呈负相关，即数字专家工具应用能够带来较高效用的人，自身对该工具的运用的积极水平不高。研究结果可以从成本和收益两方面因素的进行分析。在成本方面，我们发现估计使用数字工具效用较大的消费者使用电子病历(EMR)的比率最低，表明他们对信息技术的熟悉程度较低，消费者可能理性地选择不参与试验，因为他们正确地预期使用数字工具的成本会超过收益。在收益方面，一方面，该类消费者可能低估了数字工具应用带来的收益，另一方面，消费者对预期收益的感知可能存在噪音。这种感知噪音可能受到多种因素的影响，其中重要的包括对在线工具或任何实验干预的信任度。

个性化的数字专家工具在市场上越来越普及，理论上，将消费者决策委托给个性化的预测算法（例如简单的加权平均）可能会显著改变消费模式，尤其是在较为复杂的决策环境中。不过，目前关于消费者决策如何以及为什么会响应专家建议（无论是数字化的还是面对面的）的实证证据却相对较少，并且更缺乏关于哪些类型的消费者需求数字化专家建议的研究。本文利用一项随机实地实验的数据，对这两个问题提供了新的证据。该实验为老年人提供了个性化的数字专家建议，帮助他们选择保险计划，研究结果表明提供数字专家工具的接触干预措施改变了消费者的行为，使他们更有可能更换保险计划，并选择预期成本更低的计划。

研究发现，数字专家工具可以通过学习和解释两种渠道影响消费者选择。消费者不仅对产品特征的信息存在噪声，也对自身效用函数的参数了解不足。因此，当消费者接触到数字专家对计划的评分时，他们不仅更新了对产品特征的认知，还更新了如何评价这些特征的方式，进而改变了消费者的行为决策。

此外，通过比较消费者没有选择干预的潜在效果和选择干预的潜在效果，发现消费者寻求数字专家建议存在明显的选择效应。接受实验干预的消费者本身就是更为活跃的购物者，即在积极购买金融产品的意愿与对数字专家建议的需求之间存在强互补性。但是，同时本文研究发现，预测的对专家建议干预效果最大的消费者个体，却最不可能寻求此类建议。因此，本文研究的一个关键贡献在于展示了数字专家建议与现有知识和行为的互补性，数字工具和算法扩展专业知识可能更有利于那些最不需要这种专业知识的消费者。