Российский рынок платных медицинских услуг

3.2 Базовый анализ собранных данных

Перед тем, как переходить к более глубокому анализу, нам необходимо понять, что представляют из себя собранные данные: кто эти люди, ответившие на вопросы анкеты, какими признаками они обладают? Для расчётов использовался статистический пакет SPSS.

Так, анкету заполнили 1493 женщины и 411 мужчин, что неудивительно, так как известно, что за состоянием собственного здоровья и здоровья семьи следят скорее женщины, а не мужчины.

Средний возраст респондентов составил 37 лет. Возраст был закодирован в категории, которые используются РОССТАТом, и распределение по ним в сравнении с данными РОССТАТа представлено на рисунке 2:

Рис. 2. Профиль респондентов по возрасту в сравнении с населением

Основная масса опрошенных - трудоспособное население (90,7%). Остальные 9,3% - респонденты, вероятно, школьного, студенческого и пенсионного возраста. Об этом также говорят данные о роде деятельности - 1640 опрошенных из 1904 (86,1%) сказали, что работают. По данным еженедельного опроса Фонда Общественное Мнение работают 54% населения, а неработающие пенсионеры, безработные (ищущие и не ищущие работу в настоящий момент) и неработающие студенты составляют около 44%.

Вместе с этим, 1536 человек из 1904 (80,7%) отметили, что имеют высшее образование, в то время, как среди населения по данным еженедельного опроса Фонда Общественное Мнение высшее образование имеют 31%.

Своё материальное положение, по сравнению с данными еженедельного опроса Фонда Общественное Мнение, респонденты оценили следующим образом:

Рис. 3. Профиль респондентов по оценке материального положения семьи в сравнении с населением

Кроме этого, задавался вопрос об оценке собственного здоровья: 44,9% сказали, что их здоровье - хорошее, 50,5% - что оно среднее, и только 4,6% оценили его как плохое.

Такие распределения по основным социально-демографическим признакам в сравнении с данными по населению иллюстрируют портрет потребителя платных медицинских услуг: в нашем опросе принимали участие люди чаще всего молодого и среднего возраста, с высшим образованием, уже работающие, со сравнительно высоким материальным положением.

Далее, рассмотрим распределение опрошенных по регионам РФ и федеральным округам Эти данные были нами получены путём кодирования ответов респондентов на открытый вопрос о том, где они живут.. Отметим, что в опросе приняли участие респонденты из 80 субъектов РФ и из всех федеральных округов. Лидерами по количеству ответивших стали Москва (21,9% от всех опрошенных), Московская область (11,6%), Санкт-Петербург (8,2%), Краснодарский край (3%) и Республика Татарстан (2,5%). Почти три четверти опрошенных проживают в Центральном, Приволжском и Северо-Западном федеральных округах (44,8%, 15,6% и 13,2% соответственно).

Говоря о содержательных переменных, отметим, что в целом респонденты были склонны давать средние и высокие оценки разным элементам своего опыта, из-за чего в некоторых случаях распределения переменных оказывались несколько скошенными (см. Приложение 2). По предварительным оценкам, это не должно повлиять на выявления структуры отношений и установок респондентов к услугам клиник, однако, нам нужно будет это учитывать при поиске этой самой структуры.

3.3 Построение базовой схемы связи измеряемых конструктов и латентных переменных

Перед тем, как приступать к Моделированию Структурными Уравнениями, необходимо проверить, насколько структура полученных данных согласуется с той теоретической моделью, из которой мы предполагали исходить. Для этого мы обратимся к процедурам метрического факторного анализа, корреляционного анализа и иерархического кластерного анализа на переменных.

Метрический анализ главных компонент

На первом шаге попробуем выявить структуру латентных переменных на 15 измеримых переменных, которые были включены в анкету как индикаторы опыта взаимодействия клиники и пациента.

Результаты применения теста Кайзера-Мейера-Олкена (0,967) и теста сферичности Бартлетта (sig=0,000) говорят о том, что данные пригодны для метода главных компонент. Процедура метрического анализа главных компонент предлагает 2 латентные переменные (см. Табл. 4), которые объясняют 77,4% дисперсии, в данной процедуре был применен метод вращения Varimax.

Таблица 4. Таблица общей объясненной дисперсии

Рассмотрим таблицу факторных нагрузок после вращения.

Таблица 5. Факторные нагрузки после ортогонального вращения Varimax

Несмотря на то, что метод главных компонент не воспроизвёл структуру латентных переменных, предполагаемых моделью SERVQUAL, тем не менее, он дал интересный результат. Такое распределение факторных нагрузок подтверждает то, что было описано в теоретической части работы: платная медицинская услуга имеет сложную структуру. В её основе лежит медицинская помощь как таковая (фактор №1 в нашем случае), а на периферии - сервисная составляющая (фактор №2). Здесь мы можем сказать, что одна из гипотез подтверждается: мы смогли выделить как минимум две латентные переменные, иллюстрирующие медицинскую и сервисную составляющие медицинской услуги.

Тем не менее, такая структура латентных переменных представляется недостаточно детальной для содержательных выводов и рекомендаций. Выявлению более детальной структуры препятствует высокая коррелированность всех без исключения оценочных переменных между собой, которая вызвана влиянием на них общей внутренней, латентной составляющей: склонностью одних респондентов к выставлению относительно высоких, а других - к выставлению относительно низких оценок по всем переменным. Исключение этой составляющей позволит нам провести более детальный анализ взаимосвязей между переменными.

Дополнительный анализ главных компонент на стандартизированных регрессионных остатках

В качестве дополнительно анализа ещё раз применим метод главных компонент, преобразовав предварительно данные, очистив их данных от первого фактора - отражающего склонность одних респондентов к проставлению по большинству характеристик относительно высоких, а других - относительно низких оценок. Это позволит, во-первых, проверить, сохранятся ли после такой очистки данных две основные компоненты, о которых говорилось выше, а, во-вторых, поможет получить более детальные латентные переменные, которые далее будут тестироваться в измерительной и структурной моделях.

Приведем здесь для удобства полную формулировку переменных и соответствующий им код из массива:

Таблица 6. Переменные, в пространстве которых ищется структура латентных конструктов

Так, для того, чтобы детализировать структуру взаимосвязи переменных, будем исходить из предположения Основанием для этого предположения служит умеренная и относительно высокая корреляция между всеми измеримыми переменными. Самый низкий коэффициент корреляции равен 0,413., что ответ каждого респондента на каждый вопрос зависит не только от того, какого аспекта медицинской услуги этот вопрос касается, но и от склонности респондента ставить своей клинике относительно высокие или относительно низкие оценки. Для этого, мы принудительно задаём одну главную компоненту для извлечения и сохраняем её как переменную. Затем построим 15 линейных регрессионных моделей, в каждой из которых одна из измеримых переменных является зависимой переменной, а построенный нами первый фактор - независимой. В качестве новой, очищенной, измеримой переменной мы будем использовать остатки, то есть отклонения исходных значений данной переменной от рассчитанных по регрессионной модели. Эти остатки затем были стандартизованы путём деления на стандартное отклонение. Для анализа взаимосвязей между очищенными таким образом новыми переменными был вновь применен метод главных компонент (МГК). Заметим, что в данном случае этот метод был нами использован только для того, чтобы найти более детальную структуру данных. После нахождения этой структуры нами использовались для построения модели исходные, а не очищенные переменные

Рассмотрим таблицу факторных нагрузок, полученных на очищенных переменных с помощью МГК с вращением (см. Табл. 7). Цветом выделены переменные, сильно и положительно коррелирующие с одним из факторов.

Таблица 7. Матрица факторных нагрузок после ортогонального вращения (на регрессионных остатках)

Как мы видим, МГК на регрессионных остатках позволил уточнить структуру первого фактора, выделенного в прошлой процедуре, то есть теперь мы можем выделить три компоненты «внутри» крупной первичной компоненты, связанной непосредственно с лечением. Однако любопытно здесь то, что переменные, так или иначе относящиеся к сервисной составляющей, в явном виде не выделяются в отдельную компоненту, но располагаются при этом на противоположных сторонах осей трех отчётливых компонент. Это, во-первых, говорит о том, что теперь мы можем в пространстве только этих переменных поискать внутреннюю структуру, а, во-вторых, позволяет предположить, что при дальнейшем анализе связи «сервисных» конструктов и целевых зависимых переменных могут оказаться в некоторой степени неожиданными. Перейдем к интерпретации полученных компонент и в ходе описания попробуем еще более детально уточнить структуру данных.

Во-первых, обратимся к переменным, относящимся к типам Tang (q1, q2) и Rel (q4, q5, q6), которые не выделились в отдельную компоненту, но содержательно относятся к сервисной составляющей услуги: они отражают удобство и гибкость услуги, обстановку внутри клиники и отношение административного персонала. Однако, мы допускаем, что внутри этого набора между пятью переменными есть содержательная разница: переменные «В клинике чисто, хороший воздух; есть, где присесть» (q1_tang) и «Интерьер приятен глазу, есть кулеры с водой, телевизоры, журналы, стенды и т.п.» (q2_tang) отражают скорее физическую обстановку и атрибуты в помещениях клиники, а переменные «Процедура записи на приём к врачу понятна и удобна» (q4_rel), «Я попал(а) к врачу в удобное мне время, не было сбоев в графике приёма» (q5_rel), «Работники регистратуры с готовностью дают всю необходимую информацию, помогают» (q6_rel) иллюстрируют скорее удобство услуги в разрезе записи на приём и помощи персонала в самой клинике. Если мы проведем процедуру МГК непосредственно на этих пяти переменных и директивно назначим извлечение двух главных компонент, то увидим, что такое разделение действительно имеет место.

Таблица 8. Матрица факторных нагрузок после ортогонального вращения (на регрессионных остатках) для переменных сервисной составляющей

Для дальнейшего анализа мы принимаем данное допущение и разделяем относительно крупный набор сервисных переменных на 2 содержательно разных конструкта (показатель альфа Кронбаха на исходных переменных для первой и второй компоненты равен 0,901 и 0,892 соответственно).

Во-вторых, переменные, относящиеся к типам Resp (q7, q8) и Emp (q10, q11) представляют собой единую латентную переменную. Если обратиться к смыслу этих переменных, то можно увидеть, что все они отражают аспекты взаимодействия, коммуникации с врачом, то есть то, насколько врач интересуется не столько болезнью, сколько самим пациентом, и насколько врач вовлекает больного в процесс назначения лечения.

В-третьих, мы видим, что с отдельной компонентой коррелируют переменные разных, которые изначально из теоретических соображений планировалось относить к разным латентным переменным: Tang (q3), Resp (q9) и Emp (q12). Их коррелированность с одним фактором говорит о наличии в сознании пациентов ещё одной компоненты, обобщённо отражающей их отношение к проведению медицинских манипуляций, осмотра и диагностики. С чисто логической точки зрения такие мероприятия являются частью приёма врача, то есть, казалось бы, должны коррелировать с предыдущим фактором. Но, оказывается, в сознании пациентов они существуют в некоторой мере изолированно. Одни тесно взаимосвязанные переменные характеризуют коммуникативные и эмпатические навыки и способности врача, а другие - его «инструментальные» навыки, способностью уменьшить возможный дискомфорт пациента при осмотре с использованием, при этом, качественно медицинского оборудования. В этой связи нам представляется важным интерпретировать эти два фактора отдельно друг от друга.

И, наконец, мы видим относительно устойчивый набор переменных типа Assu, подразумевающих субъективную оценку результативности лечения, в сопоставлении с оценкой стоимости услуг. Данный набор переменных может быть проинтерпретирован как гарантия надежности, прозрачности услуг и выступать как итог взаимодействия пациента с платной клиникой. Эта переменная - в некотором смысле рациональная оценка пациентом адекватности соотношения стоимости и объема услуг, то есть той выгоды, или ценности, сложившейся под влиянием ряда факторов, которую он получил по итогам посещения клиники, не оказавшись при этом обманутым. Это довольно важное замечание, поскольку, мы считаем, что, когда речь идёт не об услугах вообще, а о платных медицинских услугах, латентная переменная Assu должна рассматриваться не как независимая (каковой она трактуется согласно методике SERVQUAL), а как зависимая, выражающая итоговое, обобщающее впечатление пациента после посещения клиники, которое подвергается влиянию других латентных переменных опыта пациента.

Итак, проанализировав структуру собранных данных, мы можем предложить следующую модель переменных, которая и будет тестироваться в ходе применения метода моделирования структурными уравнениями (см. Табл. 9).

Таблица 9. Предлагаемая структура латентных конструктов

3.4 Построение модели связи измеряемых конструктов и латентных переменных с помощью метода моделирования структурными уравнениями

В предыдущем параграфе нами была предложена базовая, теоретическая модель оценки качества амбулаторных медицинских услуг, которая далее будет тестироваться методом моделирования структурными уравнениями. Эта модель, с одной стороны, основывается на теоретической модели SERVQUAL, воспроизводя при этом идею о многокомпонентности медицинской услуги, и, с другой, содержательно строится на основе уже существующих зарубежных исследований с учетом особенностей отечественной медицины и опыта автора работы в этой области.

Построение Измерительной модели связи переменных и оценка её качества

На первом этапе моделирования структурными уравнениями нам необходимо убедиться в том, что связи между измеримыми и латентными переменными, которые мы предлагаем в теоретической модели, действительно таковы. Для этого построим измерительную модель, показатели качества которой покажут, насколько мы были правы относительно структуры связей (Рис. 4).

Рис. 4. Измерительная модель

Перед тем, как строить структурную модель, нам необходимо убедиться, что измерительная модель надежна и валидна, то есть подтвердить пригодность латентных переменных для включения их в структурную модель. Приведем таблицу с разными мерами близости (индексами) и их границами нормы, чтобы оценить, попадают ли в эти границы показатели нашей измерительной модели.

Таблица 10. Индексы качества измерительной модели

Значения всех индексов приближения свидетельствуют о том, что ковариационная матрица между измеримыми переменными хорошо приближается с помощью данной измерительной модели, то есть данный набор латентных переменных правильно описывает наблюдаемые взаимосвязи.

Кроме проверки качества модели с помощью индексов, нам также необходимо оценить, насколько она надежна и валидна, то есть обратиться к расчёту композитной надежности (CR - composite reliability), конвергентной валидности (AVE - Average Variance Extracted) и дискриминантной валидности.

Композитная надежность (CR) показывает, насколько надежны латентные конструкты, то есть насколько согласованы между собой измеримые переменные, используемые для оценки каждого конструкта. Пороговое значение, свидетельствующее о надежности конструктов, должно быть не менее 0,7 [Malhotra 2010, p. 701-702]. Композитная надежность (CR) рассчитывается по формуле:

,

где: л_i - факторные нагрузки (стандартизованные); д_i - дисперсии ошибок; p - число измеримых переменных.

Конвергентная валидность (AVE) показывает, какая доля дисперсии измеримых переменных может быть объяснена «своими» конструктами. Пороговое значение, свидетельствующее о валидности конструктов модели, должно быть не менее 0,5 [Malhotra 2010, p. 701-702]. Конвергентная валидность рассчитывается по формуле:

Приведем результаты расчётов двух показателей надежности и валидности:

Таблица 11. Показатели CR и AVE для латентных конструктов

Показатели композитной надежности и конвергентной валидности, рассчитанные по нашей измерительной модели, говорят о её высокой надежности и валидности. Однако нам необходимо оценить и дискриминантную валидность, показывающую, в какой мере каждый отдельный латентный конструкт отличается от других, насколько существенен, самостоятелен его вклад в объяснение исследуемой зависимой переменной. Об этом можно судить путём сравнения корня квадратного из показателя AVE (Average Variance Extracted) с коэффициентами корреляции между латентными конструктами. Приведем таблицу с расчётами:

Таблица 12. Расчёты для оценки дискриминантной валидности

Мы видим, что все коэффициенты корреляции между конструктами меньше корня из показателя AVE, что свидетельствует в пользу дискриминантной валидности построенной нами модели.

Построение Структурной модели связи переменных, оценка её качества и связей между переменными

Проверив качество измерительной модели, мы можем приступить к построению двухуровневой структурной модели Выдачу (output) из программы LISREL для структурной модели см. в Приложении 3.. В этой модели будут отражены не только связи между измеримыми переменными и латентными конструктами, но, что более важно, влияние одних латентных переменных (экзогенных) на другие (эндогенные).

На основе теории и предлагаемой теоретической базовой модели мы изучаем связи между пятью эндогенными конструктами:

1) Субъективная оценка «выгод» от посещения клиники (assu);

2) Субъективная оценка «правильности» выбора клиники (choice);

3) Удовлетворенность (sat);

4) Эмоциональная лояльность / готовность рекомендовать (emot);

5) Поведенческая лояльность / готовность обращаться повторно (behav).

Согласно теории, мы предполагаем (см. Рис. 5), что на переменную Субъективная оценка выгод от посещения клиники (assu) будут оказывать влияние такие экзогенные конструкты как Физическая обстановка (env), Запись на приём (appoint), Проведение медицинских манипуляций (proced) и Коммуникация с врачом (cure). Субъективная оценка выгод от посещения клиники (assu), в свою очередь, будет влиять на субъективную оценку «правильности» выбора клиники (choice). Ощущение правильного или неправильного выбора (choice) будет оказывать влияние на Удовлетворенность (sat). Эмоциональная лояльность / готовность рекомендовать (emot) формируются под влиянием Удовлетворенности (sat), а Поведенческая лояльность / готовность обращаться повторно (behav) - под влиянием как Удовлетворенности (sat), так и Эмоциональной лояльности (emot).

Рис. 5. Предполагаемая структурная модель связи латентных конструктов

Теперь нам необходимо проверить, можно ли считать предлагаемую нами модель надежной и валидной, то есть оценить её характеристики качества.

Таблица 13. Индексы качества измерительной модели

Таким образом, все показатели модели, за исключением одного, свидетельствуют о высоком качестве модели. Лишь значение RMSR (средний квадратный корень из остатков) выходит за границы рекомендуемого диапазона.

Впрочем, этот показатель рекомендуют [Malhotra 2010, p. 700] использовать с осторожностью, т.к. его значение зависит от того, в каких единицах измерены переменные. В нашем случае его повышенное значение может объясняться не дефектом модели, а всего лишь тем, что в нашем исследовании используются 10-балльные и 5-балльные шкалы, а не, например, трёхбалльные.

Если бы модель обладала реальными дефектами, это бы сказалось на значениях ещё каких-то индексов. А поскольку этого не произошло, следует признать, что структурная модель соответствует требованиям качества, мы можем перейти к её интерпретации.

Интерпретация Структурной модели: выявление значимых элементов опыта взаимодействия пациентов и клиник, оказывающих влияние на удовлетворенность и лояльность клиентов.

Мы удостоверились в том, что предлагаемая структурная модель является надежной и валидной, а это означает, что теперь можно перейти к её содержательной интерпретации с учётом силы и характера связей. Содержательное описание модели мы основываем на представленной ниже схеме и структурных уравнениях в полной и редуцированной формах, далее все названия и связи будут пояснены:

Структурные уравнения

assu = - 0.27*env + 0.24*appoint + 0.028*proced + 0.86*cure, R = 0.79

sat = 0.89* choice, R = 0.91

emot = 1.09*sat, R = 0.81

behav = 0.079*sat + 0.22*emot, R = 0.86

choice = 2.39*assu, R = 0.66

Уравнения в редуцированной форме

assu = - 0.27*env + 0.24*appoint + 0.028*proced + 0.86*cure, R = 0.79

sat = - 0.56*env + 0.51*appoint + 0.060*proced + 1.83*cure, R = 0.48

emot = - 0.61*env + 0.56*appoint + 0.065*proced + 1.99*cure, R = 0.39

behav = - 0.18*env + 0.16*appoint + 0.019*proced + 0.59*cure, R = 0.37

choice = - 0.63*env + 0.58*appoint + 0.067*proced + 2.07*cure, R = 0.53

На схемах программы LISREL экзогенные переменные изображаются овалами зеленого цвета, их формируют измеримые переменные, изображаемые прямоугольниками серого цвета; эндогенные переменные, в свою очередь, изображаются овалами желтого цвета, а формирующие их измеримые переменные изображаются прямоугольниками голубого цвета. Стрелки, обозначающие направленное влияние, проводятся от экзогенных и эндогенных конструктов к измеримым переменным (прямоугольникам), а также от экзогенных конструктов к эндогенным. Каждая связь на схеме характеризуется двумя показателями: показателем направления и силы влияния (Estimation) и значением критерия Стьюдента (t-value), на основе которого проверяется статистическая значимость зависимости. Рассмотрим полученную схему подробнее. Для удобства она была разделена на две части (см. Рис. 6 и Рис. 7).

Рис. 6. Структурная модель с коэффициентами связей (часть 1)

Рис. 7. Структурная модель с коэффициентами связей (часть 2)

На схеме мы видим, что Субъективная оценка выгод от посещения клиники (assu) определяется тремя из четырех экзогенных конструктов: Физическая обстановка (env), Запись на приём (appoint) и Коммуникация с врачом (cure). Проведение медицинских манипуляций (proced) оказывает на Субъективную оценку выгод от посещения клиники (assu) слабое положительное, но статистически незначимое влияние. Рассмотрим данный фрагмент модели подробнее.

Наиболее сильное влияние на переменную assu оказывает латентная переменная cure. Эта переменная представляет собой набор измеримых переменных, отражающих коммуникацию и взаимодействие пациента и врача. Здесь подразумевается способность и готовность врача налаживать личный контакт с пациентом, то есть врач должен не только собрать анамнез, поставить диагноз и назначить лечение, но и с бомльшим вниманием отнестись к самому пациенту: поинтересоваться жизненными обстоятельствами, которые могли скрыто повлиять на течение заболевания; вовлечь пациента в обсуждение лечения, учесть его мнение при назначении лечения, подробно объяснить схему лечения и доходчиво объяснить действие лекарств или результаты диагностики; взглянуть на проблему комплексно, то есть оценить, с какими другими проблемами может быть сопряжено данное недомогание пациента. Это вносит наибольший вклад в общее впечатление пациента от посещения клиники, выражающееся в соотношении объема услуг (в т.ч. в уверенность в отсутствии обмана) и стоимости этих услуг. Напомним, что по данным зарубежных исследователей этот элемент взаимодействия также является одним из ключевых, способных значительно повысить общее впечатление пациента от клиники.

Следующая по силе положительного влияния - это переменная appoint, которая характеризуется тем, насколько человеку было удобно записаться на приём в клинику и посетить её в подходящее ему время без дополнительных временных затрат, а также тем, насколько административный персонал смог оказать человеку информационную помощь в самой клинике. Этот элемент модели согласуется с теми требованиями, которые современные работающие пациенты предъявляют к медицинским клиникам: процедура записи должна быть удобной, гибкой, мобильной, а сам приём должен быть четко по запланированному расписанию, без сбоев и очередей.

Интересно, как сработала в данной модели переменная proced, отражающая оценку пациентами медицинских манипуляций, качества оборудования и аккуратности медицинских работников. Эта переменная продемонстрировала слабо положительное и статистически незначимое влияние на субъективную оценку выгод от посещения клиники (assu). Это можно объяснить тем, что аккуратность при проведении осмотров и диагностики воспринимается пациентами как должное: даже если медицинские манипуляции могут быть неприятными, то медицинские работники должны, если не минимизировать неприятные ощущения, то хотя бы предупредить пациента о них заранее, чтобы тот не испытал болезненных ощущений внезапно.

Однако, самым неожиданным результатом оказалось негативное влияние на assu переменной env, отражающей оценку пациентами физической обстановки и атрибутов, находящихся в помещениях клиники. На первый взгляд, это может быть выглядеть странным: чем выше пациент оценил качество физической обстановки и дополнительных атрибутов, тем ниже в среднем он оценит свои выгоды от посещения клиники. Тем не менее, такому явлению можно найти объяснение и выдвинуть некоторые содержательные предположения относительного такого результата на основе развернутых ответов респондентов, пожелавших поделиться своим опытом посещения клиники Для этого в анкете было предусмотрено поле для ввода развернутого ответа под названием: «Здесь Вы можете поделиться своим опытом посещения платных клиник, мы будем рады прочесть Ваши истории.». Рассмотрим несколько примеров:

«Пришла с насморком, прописали кучу таблеток, безумно дорогих процедур по очистке носа, сказали, что я чуть ли не умру, потому что у меня гайморит. Я испугалась, но сразу соглашаться не стала, обратилась в районную поликлинику, где прошла курс физио, причем бесплатно, ничего критичного не подтвердилось. Как говориться, делайте выводы. Обычное вымогательство, зато внимательно, без очередей и с кулером и аквариумом в коридорах. Плюс просто за консультацию платить надо. Противно, когда тебя за дурака держат, да еще за это и платить надо из своего кармана.» (Женщина, 32 года)

«Цены можно и пониже. Понимаю, что все условия благоприятны. Но за консультацию без лечения отдавать 1к все-таки многовато, как по мне.» (Мужчина, 29 лет)

«В платных клиниках все хорошо, но обращаться туда всегда, когда того требует состояние здоровья, - не позволительная роскошь.» (Женщина, 29 лет)

Можно предположить, что физическая обстановка и дополнительные атрибуты в медицинской клинике могут оказывать умеренное негативное влияние на впечатления пациентов в связи с тем, что в представлениях пациентов дополнительные сервисные атрибуты, такие как телевизоры, кулеры, аквариумы и т.п., лишь увеличивают стоимость услуг, а не улучшают качество медицинской помощи, которое, по мнению респондентов, зачастую незначительно отличаться как между платными клиниками, так и даже между секторами здравоохранения. Из-за этого у пациентов, вероятно, нарушается воспринимаемый ими баланс между стоимостью услуги, с одной стороны, и качеством и объемом медицинской услуги, с другой. В этой связи, мы можем сказать, что в условиях российского здравоохранения сервисная составляющая, выраженная преимущественно в физических объектах, может работать не так, как говорят нам зарубежные и некоторые отечественные исследования, то есть положительная связь с ощущением выгоды и удовлетворенностью не столь очевидна. Таким образом, относительно этого конструкта мы предполагаем, что в некоторых случаях физические атрибуты сервиса могут быть излишни и вызывать некоторую неприязнь, раздражение пациентов.

Мы обсудили, как формируется Субъективная оценка выгод от посещения клиники (assu). Данная переменная, наряду с соседствующей с ней на схеме переменной choice, является «узловой», то есть связывающей непосредственно оценки опыта пациентов и наши «целевые» показатели, то есть удовлетворенность, эмоциональную и поведенческую лояльность.

Действительно, если вновь обратиться к открытым ответам пациентов, то мы увидим, что ключевым требованием, критерием качества посещения клиники является то, что человека не обманули, «не развели на деньги»:

«В платных клиниках зачастую назначаются ненужные дополнительные анализы (благодаря этим назначениям врачи получают денежные бонусы к зарплате).» (Женщина, 29 лет)

«Почти год ходила в данную клинику на прием, это просто какое-то высасывание денег! Мало того, что прием у врача стоил 2000р. так еще и лекарств каждый месяц мне выписывала на 10-15 т.р.! Это был какой-то кошмар. Но суть не в этом, несмотря на то, что доктор была кандидатом мед.наук (по идее хорошим специалистом должна быть), она почти год (год!) лечила меня не от того, в чем на самом деле оказалась проблема. Даже не удосужилась направить к другим специалистам! В жизни туда ни ногой!» (Женщина, 26 лет)

«Сомнения, а может доктора специально не долечивают или не договаривают, чтобы обратиться к ним повторно и еще раз заплатить им немалую сумму» (Женщина, 62 года)

Так, рассмотрим теперь связь переменной assu и choice, предполагающей оценку пациентом «правильности» своего выбора клиники. Мы видим, что assu значимо, сильно и позитивно влияет на choice, то есть мы можем сказать, что чем выше человек оценивает адекватность соотношения заплаченной цены за услугу и её качества, тем чаще в среднем он будет считать, что совершил правильный выбор, обратившись в данную медицинскую клинику. Оценка «правильности» выбора клиники - это в некотором смысле рациональная оценка пациента собственного решения, размышляя о которой он, на самом деле, учитывает вклад каждого из рассмотренных нами ранее элементов взаимодействия с клиникой. Такая рациональная оценка «правильности» выбора, подразумевающая обдумывание и осмысление полученного опыта, непосредственно оказывает влияние на общую удовлетворенность пациента (sat). Такое расположение связей между переменными assu, choice и sat говорит о том, что здесь присутствует эффект полной медиации, то есть оценка пациентом своих выгод (assu) влияет на удовлетворённость (sat) опосредованно, через оценку «правильности» выбора (choice).

Во фрагменте схемы, где располагаются конструкты Удовлетворенность (sat); Эмоциональная лояльность (emot) и Поведенческая лояльность (behav), действуют вполне известные законы: удовлетворенность оказывает значимое положительное влияние на эмоциональную лояльность, а поведенческая лояльность формируется в зависимости как от удовлетворенности, так и, в даже в большей степени, от эмоциональной лояльности. Получается, что чем более человек удовлетворен (то есть чем более он уверен, что адекватно заплатил за полученную медицинскую услугу правильно выбрал клинику), тем более вероятно, что он порекомендует данную клинику своему окружению и обратится в неё еще раз сам при необходимости.

3.5 Экспресс-диагностика опыта пациентов после посещения клиники

В данной работе был проведен количественный опрос пациентов медицинских клиник, состоящий из 12 вопросов, отражающих непосредственно опыт пациента, 3 вопроса, отражающих субъективную оценку выгоды, приобретаемой пациентом, и 6 вопросов, отражающих «целевые» показатели, то есть вопросы об удовлетворенности и лояльности. Таким образом, анкета содержит 21 вопрос по теме исследования, а также социально-демографические, психографические и иные вопросы. Если руководство или отдел маркетинга клиники решит проводить подобный опрос своих посетителей, то такая анкета слишком велика, чтобы обращаться с ней к пациенту, который направляется к определённому времени на приём к врачу или торопится куда-то после приёма. В этой связи представляется полезным рассмотреть, можно ли каким-либо образом сократить анкету. Собранный массив данных даёт возможность выделить среди вопросов анкеты ключевые, по которым можно с достаточно высокой уверенностью судить о мнениях респондентов по другим вопросам.

Для этого обратимся к такому методу анализа, как деревья классификации. Классификационные деревья помогут понять, какие из наших измеримых переменных наилучшим образом предсказывают каждый из четырех выделенных нами факторов опыта - env (физическая обстановка и атрибуты), appoint (удобство, гибкость услуги), proced (осмотр и диагностика, проведение медицинских манипуляций), cure (коммуникация с врачом), а также пятый фактор - assu (субъективная оценка выгоды), являющийся зависимым от перечисленных ранее четырех. Механика следующая: для каждого из пяти факторов строится собственная модель в виде дерева, сам фактор - это переменная отклика (зависимая), а исходные измеримые переменные, формирующие данный фактор, - это предсказывающие (независимые). Такие модели позволят выделить одну или две измеримые переменные, которые наилучшим образом предскажут значения переменных отклика у каждого из респондентов, а качество такого предсказания будет проверяться с помощью корреляций между самим «фактическим» фактором Значения латентных переменных для каждого респонденты рассчитывались методом главных компонент на измеримых переменных, относящихся к данной латентной. Для каждой группы измеримых переменных мы добавили в массив одну новую стандартизованную переменную (фактор). и непосредственного предсказанным фактором. Если коэффициент корреляции оказывается значимым и высоким, то мы считаем предсказание качественным, а вошедшие в «дерево» показатели - ключевыми составляющими опыта пациентов.

В параметрах настройки деревьев классификации были заданы следующие опции: метод Exhaustive CHAID, 100 и 50 наблюдений для родительских и дочерних узлов соответственно. Чтобы избежать переобучения модели, была применена кроссвалидация на 10 подвыборках, позволяющая подобрать наиболее устойчивое решение.

Так, далее приведем модели классификационных деревьев для пяти факторов и подготовим на этой основе вариант экспресс-анкеты для пациентов.

Физическая обстановка и атрибуты (Env)

Для того, чтобы предсказать переменную env (физическая обстановка и атрибуты), нам понадобится одна переменная «Интерьер приятен глазу, есть кулеры с водой, телевизоры, журналы, стенды и т.п.» и один уровень дерева. Коэффициент корреляции между фактическим и предсказанным факторами значим и составляет 0,872.

Рис. 8. Дерево для переменной env

Удобство, гибкость услуги (Appoint)

Для того, чтобы предсказать переменную appoint (гибкость и удобство услуги), нам фактически понадобится одна переменная «Я попал(а) к врачу в удобное мне время, не было сбоев в графике приёма» и два уровня дерева, то есть нам нужно знать точную оценку по 5 балльной шкале (а не просто больше или меньше/равно 3, что и предполагается при таком формате вопросов), чтобы улучшить качество предсказания. Коэффициент корреляции между фактическим и предсказанным факторами значим и составляет 0,865.

Рис. 9. Дерево для переменной appoint

Проведение осмотра, диагностики (Proced)

Для того, чтобы предсказать переменную proced (осмотр и диагностика, проведение медицинских манипуляций), нам понадобится одна переменная «Медицинское оборудование - качественное, современное» и один уровень дерева. Коэффициент корреляции между фактическим и предсказанным факторами значим и составляет 0,869.

Рис. 10. Дерево для переменной proced

Коммуникация с врачом (Cure)

Для того, чтобы предсказать переменную cure (коммуникация с врачом), нам понадобятся две переменные «Врач учёл мои жизненные обстоятельства, которые могут влиять на здоровье» и «Врач обсудил со мной возможные варианты лечения» и, соответственно, два уровня дерева. Коэффициент корреляции между фактическим и предсказа...