突發(fā)公共衛(wèi)生事件中官方信源、信息交互與網絡輿論壓力的內生影響效應研究*

劉 煥

(西安交通大學新聞與新媒體學院 西安 710049)

0 引 言

新冠肺炎疫情期間，不同信息源發(fā)布的疫情相關信息及疫情謠言信息等，給整個社會帶來巨大的輿論壓力，疫情的網絡輿論呈現跌宕起伏的狀態(tài)。國家衛(wèi)健委、權威醫(yī)療專家等官方信源在其疫情防控全過程中發(fā)揮了重要的輿論引導作用。

在突發(fā)公共衛(wèi)生事件發(fā)展初期，政府及時進行信息公開是穩(wěn)定網絡輿論的最重要途徑，但各地區(qū)政府數據開放工作仍存較大差異，極大影響了疫情權威信息快速抵達受眾的效率[1]?！翱v向”官方權威信息來源和正式的信息互動影響著公眾的風險感知程度[2]。網絡空間的信息量巨大，其真?zhèn)味炔煌斐傻妮浾搲毫κ沟猛话l(fā)公共衛(wèi)生事件的網絡輿情較為復雜[3]。突發(fā)公共衛(wèi)生事件存在“不確定性”，官方信源和專家信源處于信源主導地位，如果忽視公眾的風險認知和情緒演化，會引發(fā)公眾情緒化、抗爭性話語等網絡輿情偏差現象[4]。如果媒體在矛盾和不一致的事件信息情況下進行報道，可能會增加官方決策者、公眾等的不確定性經驗[5]。突發(fā)事件中網絡輿情結構逆轉的現象頻繁發(fā)生，嚴重威脅到社會公共安全[6]。突發(fā)公共衛(wèi)生危機中，中央和地方政府作為信息發(fā)布者需做好縱向和橫向上的信息共享和統籌協調工作[7]。信息發(fā)布和信息共享的過程中會伴隨著“信息流行病”的發(fā)生[8]，最終會造成巨大的網絡輿論壓力。在新冠疫情期間，政府能夠有效回應網絡公共輿論議題框架中的主要議題，可在一定程度上緩解網絡輿論壓力[9]。由此可見，地方政府和公共衛(wèi)生等相關部門通過官方信源發(fā)布權威信息、回應公眾關切等，可及時澄清謠言和有利于社會穩(wěn)定。

但在實踐中，官方信源、公眾參與和網絡輿論壓力是一個動態(tài)變化的過程，影響關系亦較為復雜?！靶鹿凇币咔榈韧话l(fā)公共衛(wèi)生事件的沖擊，會導致我國股市不同行業(yè)間存在金融風險傳導和風險溢出效應，但該效應持續(xù)時間較短[10]。據此推斷，突發(fā)公共衛(wèi)生事件間存在網絡輿論壓力風險的傳導現象。在此背景下，本文關注突發(fā)公共衛(wèi)生事件中官方信源參與、信息交互度與網絡輿論壓力之間的內生影響，并探討官方信源參與、信息交互度與網絡輿論壓力之間的脈沖響應效應如何？以為地方政府有效緩解突發(fā)公共衛(wèi)生事件的網絡輿論壓力、提升官方信源參與度、合理引導用戶信息交互行為提供經驗證據，進而提高突發(fā)公共衛(wèi)生事件網絡輿論的治理效果。

1 文獻綜述

1.1 官方信源與網絡輿論

突發(fā)公共衛(wèi)生事件中，官方微博和官方媒體微信公眾號是重要的事件信息源，政府在疫情信息傳播網絡中占據主導地位，公眾是信息擴散和轉發(fā)的重要主體[11-12]。公共衛(wèi)生事件網絡輿論風險的影響因素有事件屬性、網絡媒體特征、網民情緒、政府管理水平等，各因素對網絡輿論風險的作用機理有所差異[13]。官方微信公眾號對突發(fā)公共衛(wèi)生事件主題的發(fā)布強度會顯著公眾認知的差異[14]。雖然疫情證據在以微博、微信等自媒體為代表的非正規(guī)途徑中的傳播比官方媒體要及時和豐富，但因自媒體渠道的非正規(guī)性、疫情證據缺乏權威性，存在大量的歪曲、虛假和錯誤等問題，給政府部門的循證治理和決策帶來巨大負面壓力[15]。碎片化的媒體信息、淡化疫情風險的信息傳播會導致健康信息的不平等溝通和區(qū)域差異，會引發(fā)健康傳播危機[16]。協同治理時代，媒體以實際行動參與了突發(fā)公共衛(wèi)生事件的信息傳遞與輿論動員[17]。

政府與公眾之間的認知差異造成突發(fā)公共衛(wèi)生事件中存在政策供需張力[14]，決定了公眾對突發(fā)公共衛(wèi)生事件防治和心理援助等政策信息需求的滿足狀況[18]。突發(fā)公共衛(wèi)生事件風險信息的獲取、感知與異常識別是提升風險防控能力的關鍵，官方媒體對權威風險信息的傳播影響網絡輿論演化趨勢[19]。政府加強與公眾之間的風險溝通，是有效控制公共衛(wèi)生事件網絡輿情風險的關鍵[20]。融合用戶注意力機制的情感分析模型可幫助地方政府有效引導輿情走向和避免輿情危機的產生[21]。政府對輿論的控制在公共事件發(fā)生的初期最有效，如果網民信任政府和媒體，媒體通過與政府合作，可有效促進應急管理和改善網絡輿情管理[22]。在新冠疫情期間，政府部門重視網絡輿論引導，及時回應公眾關切，不斷加強與公眾的風險溝通交流[23]。由此可見，官方信源是引導突發(fā)公共衛(wèi)生事件網絡輿論的重要渠道，在一定程度上代表了政府聲音。

1.2 信息交互度與網絡輿論場

網民對網絡輿論生態(tài)系統具有反向建構功能，在被互聯網、新媒體賦權的過程中，不同網民群體之間以及與媒介之間發(fā)生交互關系，不斷增強其自身主體性力量，網民用戶對網絡輿論場的反向影響正在加速凸顯[24]。突發(fā)公共衛(wèi)生事件的信息在用戶的接收和再傳播(轉發(fā)、點贊、評論、發(fā)布等)行為中，官方信源較之個人社交媒體其權威性較高，公眾更傾向信任官方媒體發(fā)布的事件信息，促進官方信息源與用戶之間信息交互行為的產生，此時事件信息具備了以用戶情感為載體的附加價值[25]，影響著突發(fā)公共衛(wèi)生事件網絡輿論的產生。算法型內容推送并未導致用戶的信息接收渠道窄化和“信息繭房”，反而提升了用戶對傳統媒體等非算法信源的信任程度，并在主流價值觀的引導上發(fā)揮了積極作用，且為用戶提供了更多元和理性的信息世界[26]，但存有部分個人社交媒體、熱衷蹭熱度的“營銷號”等非權威性的信息源，若它們與關注事件的用戶之間發(fā)生頻繁的信息交互行為，將會帶來巨大的輿論偏差。

基于信息行為理論的視角，公眾對官方信源發(fā)布的信息質量感知會直接影響公眾風險感知，進而影響信息交互的意圖和行為[27-28]。網絡空間中的信息交流影響著公眾的風險感知[29]，“片面、錯誤”信息的接收和互動會導致公眾對風險控制的錯覺[30]，進而影響事件網絡輿論的發(fā)展走向。多數公共事件發(fā)生的根源在于一直未解決的現實矛盾等社會因素[31]。突發(fā)公共事件之間存在的關聯或衍生關系，會對當前突發(fā)事件的熱度和網絡輿論壓力產生影響[32]。如某類突發(fā)公共衛(wèi)生事件的輿情是處于暫時消弭和潛伏狀態(tài)的，一旦有類似公共衛(wèi)生事件發(fā)生而相關問題又未及時解決，就會再次引發(fā)新一輪更加強烈的網絡輿論壓力，即突發(fā)公共衛(wèi)生事件的網絡輿論會產生滯后效應。因此，本文關注突發(fā)公共衛(wèi)生事件中官方信源、用戶的信息交互行為與網絡輿論壓力相互之間、自身的自相關滯后效應之間的內生影響關系，以及該影響效應在不同時間點的動態(tài)變化特征，并分解出相互之間的貢獻度。

2 研究設計

2.1 數據收集和處理

根據“微熱點”網站中的熱點事件庫為抽樣框，將事件影響力、媒體參與、網絡輿論場、公眾參與等維度為選擇標準，同時結合《突發(fā)公共衛(wèi)生事件應急條例》中對突發(fā)公共事件的界定，最終選擇2015—2020年間我國具有代表性的45起突發(fā)公共衛(wèi)生事件作為研究樣本。由于所選突發(fā)公共衛(wèi)生事件的影響力較大、與公眾健康密切相關，但媒體參與和公眾參與情況卻有差異，網絡輿論聚合和輿論空間占據亦有所不同，說明突發(fā)公共衛(wèi)生事件網絡輿論的影響因素較為復雜，凸顯研究突發(fā)公共衛(wèi)生事件網絡輿論內生影響效應的重要性。

本文數據收集方式以爬蟲技術為主、內容分析法為輔，具體變量的測量和計算公式下見文變量說明部分?？紤]到突發(fā)公共衛(wèi)生事件信息傳播的渠道多元和時間跨度的問題，本文聚焦官方網絡媒體和官方新浪微博中關于突發(fā)公共衛(wèi)生事件的權威信息和公眾參與文本等信息。首先，基于“微熱點”和“知微”中45起突發(fā)公共衛(wèi)生事件的基礎信息，在百度搜索引擎中逐一人工確認參與報道的官方媒體和非官方媒體的數量，并進行編碼統計；其次，考慮到突發(fā)公共衛(wèi)生事件的高參與度及其網絡輿論形成的快速性，以及本文的案例事件相對較多，確定對案例事件網絡輿論的跟蹤時間為24小時；再次，為便于信息交互度的整理和計算，對每個官方網絡媒體和官方新浪微博中參與突發(fā)公共衛(wèi)生事件互動的用戶及其評論、點贊、轉發(fā)的數量和時間點進行編碼，并將其發(fā)表評論數量最多的區(qū)間和用戶比例單獨進行統計；最后，對收集到的數據信息進行整理，對出現缺失值、錯誤信息等數據進行人工核查和刪除，最終獲取本文所用的數據集合。

2.2 變量說明

2.2.1官方信源(Official)

信源可信性包括傳播者的信譽和專業(yè)權威性兩個要素，霍夫蘭實證研究結果顯示信源的可信度越高，其說服效果越大[33]。信源真實是事件真實的起點，用戶是根據信源的可信度來判斷信息價值的，所以信源的權威性對突發(fā)公共衛(wèi)生事件的網絡輿論發(fā)展有著重要影響?；诖?，本文將官方信源界定為產生各類信息的官方權威媒體，在突發(fā)公共衛(wèi)生事件情境中，指生產和傳播突發(fā)公共衛(wèi)生事件信息的權威媒體。根據數據可獲得性，本文中的官方信源通過中央級媒體參與度進行測量，即用網絡媒體平臺參與某突發(fā)公共衛(wèi)生事件報道的媒體數量匹配新浪微博中參與報道的媒體數量，依據《互聯網新聞信息稿源單位名單》，人工將其參與報道的媒體分為官方媒體和非官方媒體。

具體計算公式如下：

(1)

其中，OfficialMediaeventi表示參與突發(fā)公共衛(wèi)生事件報道的中央級媒體的數量(包括官方網絡媒體和官方媒體的新浪微博賬號)，UnofficialMediaeventi表示參與突發(fā)公共衛(wèi)生事件報道的非官方媒體的數量(包括非官方的網絡媒體和非官方的新浪微博賬號)。同時，為控制其他類型信源對突發(fā)公共衛(wèi)生事件網絡輿論壓力的影響，本文將所有參與某突發(fā)公共衛(wèi)生事件信息生產的媒體總數量作為外生變量加入到VAR模型中。

2.2.2信息交互度(Interaction)

信息交互度，指社交網絡用戶在獲取突發(fā)公共衛(wèi)生事件信息使用價值的過程中，所形成的自身的信息行為變化，并以此來衡量突發(fā)公共衛(wèi)生事件被關注的程度[25]。疫情信息溝通及時透明，每日發(fā)布疫情及防控進展、召開新聞發(fā)布會、客觀回應疫情信息、開發(fā)數字化平臺等與信息交互密切相關的支持性活動是搭建重大突發(fā)公共衛(wèi)生事件治理體系的重要支撐[34]。據此可知，當突發(fā)公共衛(wèi)生事件信息交互度越高時，該突發(fā)公共衛(wèi)生事件具備的信息量越大，被關注的程度越高，反之，被關注的程度越低。突發(fā)公共衛(wèi)生事件中，用戶通過與官方信源和其他用戶等的信息互動而建構和發(fā)展相互關系，在網絡空間中外化為信息交互的動態(tài)行為變化。在突發(fā)公共衛(wèi)生事件發(fā)生后，官方信源要發(fā)出什么符號是不確定的，可根據其出現的概率來度量，所以本文要考慮該信源所有可能發(fā)生情況的平均不確定性。借鑒已有學者對信息價值的測量[25]，基于方差加權信息熵理論，構建本文的信息交互度的測量模型。

信息熵的基本概念模型為：

(2)

其中，H表示信息熵；pi表示某一隨機事件的概率分布。

信息交互度的概念模型為：

(3)

(4)

(5)

(6)

2.2.3網絡輿論壓力(Opinion)

有學者用發(fā)帖數、閱讀關注數去定義和測量網絡輿論壓力[35]。輿論場，指包括若干相互刺激的因素，使許多人形成意見的時空環(huán)境[36]，是特定的輿論主客體相互作用而形成的具有一定強度和能量的時空范圍[37]。網絡輿論場，為網絡上許多人形成共同意見提供了環(huán)境，并非單一的時空結構，糅合了行為環(huán)境、心理環(huán)境與社會環(huán)境[38]?；谝延醒芯浚疚膶⒕W絡輿論壓力界定為，網民針對關系到自身利益或者關心的各種公共事件發(fā)表自己的意見和觀點，而在網絡輿論場中形成的輿論壓力[39]。借鑒上述研究，借助“知微事見”中的“網絡輿論場占比”來測量，具體指突發(fā)公共衛(wèi)生事件發(fā)生后最近一小時的熱度除以同一時段所有在更新事件的熱度計算得到。

3 模型構建

本文選取的2015—2020年45起突發(fā)衛(wèi)生事件的官方信源參與度、信息交互度和網絡輿論壓力為時間序列，即同一變量按時間順序排列的變量，這類變量具有時間趨勢。如果采用最小二乘法(OLS)回歸，會產生“虛假回歸”現象。因此，本文建立向量自回歸(VAR)模型來預測相關聯的時間序列組成的系統，進而分析變量隨時間變化的動態(tài)沖擊對變量的影響。

3.1 單位根檢驗

采用ADF單位根檢驗的方法對時間序列：突發(fā)公共衛(wèi)生事件網絡輿論壓力(Opinion)、官方信源、信息交互(Interaction)和參與報道的媒體數量分別進行平穩(wěn)性檢驗，選擇5%的顯著性水平，檢驗結果(見表1)。

檢驗結果表明：時間序列Opinion、Official、Interaction和Media的ADF值均小于5%的水平值，p<0.05，可以拒絕“存在單位根”的原假設，即原序列不存在單位根，為平穩(wěn)時間序列，不需要進行相關變量的差分和協整檢驗，可直接建立VAR模型，同時不會損失各水平序列所包含的信息。

表1 ADF檢驗結果

3.2 VAR模型的建立

本文把突發(fā)公共衛(wèi)生事件網絡輿論演化系統中的每個內生變量網絡輿論壓力、官方信息、信息交互作為Opinion、Official和Interaction滯后值的函數而構造形成多元時間序列變量組成的向量自回歸模型，該模型可以預測Opinion、Official和Interaction相互聯系的時間序列系統，并可以分析隨機擾動對該變量系統帶來的動態(tài)沖擊，進而解釋各變量的動態(tài)沖擊對各變量形成的影響。

VAR模型中為突出變量系統中各時間序列的動態(tài)特征，需要確定適合的滯后階數p，滯后階數足夠大，可完整反映所構建模型的動態(tài)特征，但如果滯后階數越大，需要估計的參數也就越多，會導致模型的自由度太少。采用多準則聯合確定合適的滯后階數，根據LR(Likelihood Ratio)檢驗，以及FPE、AIC、SC、HQ信息準則最小化的標準選擇足夠的滯后階數和自由度，選擇VAR模型的最佳時間滯后階數為p=2(見表2)。在上述單位根檢驗的基礎上，構建VAR模型并進行估計。

考慮到參與報道媒體的數量對突發(fā)公共衛(wèi)生事件網絡輿論壓力的影響，本文以內生變量網絡輿論壓力、官方信源和信息交互滯后2階的變量作為內生變量，同時將參與報道媒體的總數量Media和常數項c作為外生變量，構建本研究的VAR模型(見表3)并對其進行估計。

表3 VAR模型參數估計結果

由表3分析結果可知，僅有大約1/3的滯后項是顯著的，由于參數是否顯著不為零并不是VAR模型最關注的，所以在建立VAR模型時可以保留各個滯后變量。將參數估計結果寫成矩陣形式：

3.3 VAR模型穩(wěn)定性檢驗

本文通過AR根的圖來檢驗所構建VAR模型的穩(wěn)定性，檢驗結果(見圖1)，滯后期長度為2且有3個內生變量的VAR模型，特征根多項式有2*3=6個特征根。每個特征根的倒數均小于1，即所有特征根的倒數都在單位圓內，沒有位于單位圓外的根，因此該VAR模型通過穩(wěn)定性檢驗，即該VAR模型滿足穩(wěn)定性條件。

圖1 VAR模型穩(wěn)定性檢驗

3.4 因果關系檢驗

針對時間序列變量，考察官方信源和信息交互是否影響突發(fā)公共衛(wèi)生事件網絡輿論壓力的問題，主要看當期的突發(fā)公共衛(wèi)生事件網絡輿論壓力、官方信源和信息交互能夠在多大程度上被過去的同類突發(fā)公共衛(wèi)生事件的網絡輿論、官方信源和信息交互的情況所解釋[40]。

在D(Opinion)中，D(Opinion)作為被解釋變量對解釋變量D(Official)、D(Interaction)進行格蘭杰因果檢驗(見表4)，D(Official)和D(Interaction)的聯合統計量值是19.2053且在5%的水平上構成對D(Opinion)的格蘭杰因果關系；但在D(Official)方程中，D(Opinion)的概率值為0.8803，D(Interaction)的概率值為0.1395，它們不構成對D(Official)的格蘭杰因果關系；在D(Interaction)方程中，D(Opinion)的概率值為0.0417，D(Official)的概率值為0.0022，且它們的聯合統計量值是18.8651且在5%水平構成對D(Interaction)的格蘭杰因果關系。說明突發(fā)公共衛(wèi)生事件官方信源的滯后期和信息交互的滯后期能夠顯著地解釋或預測突發(fā)公共衛(wèi)生事件的網絡輿論壓力的變化，突發(fā)公共衛(wèi)生事件網絡輿論壓力的滯后期、官方信源的滯后期能夠顯著地解釋或預測突發(fā)公共衛(wèi)生事件的信息交互狀況。因此，在VAR模型中將突發(fā)公共衛(wèi)生事件的網絡輿論壓力、官方信源和信息交互的滯后項作為模型的內生變量的設置合理有效。

表4 Granger因果關系檢驗

4 脈沖響應和方差貢獻度分解

因VAR模型是一種非理論性的模型，它無須對變量做任何先驗性約束，故在分析VAR模型時，往往不分析一個變量的變化對另一個變量的影響如何，而是分析當一個誤差項發(fā)生變化時，或者說模型受到某種沖擊時對系統的動態(tài)影響，包括響應的大小、響應滯后的期數、響應的動態(tài)變化過程等，即稱為脈沖響應函數(Impulse Response Function, IFR)，描述的是VAR模型中一個內生變量的沖擊給其他內生變量所帶來的影響。本研究采用“正交”(殘差協方差矩陣的Cholesky分解)脈沖響應函數來分析VAR模型的動態(tài)變化，Cholesky分解的結果嚴格地依賴于VAR模型中變量的次序。

4.1 脈沖響應分析

脈沖響應分析結果(見圖2)，橫軸表示時期數，縱軸表示脈沖響應函數的大小，實線表示脈沖響應函數，虛線表示正負兩倍的標準差偏離帶。在第一行脈沖圖中，當突發(fā)公共衛(wèi)生事件網絡輿論壓力(Opinion)對其自身的一個標準差新息立刻有較強反映，網絡輿論壓力增加了約0.10，即網絡輿論壓力的自相關滯后效應的影響在第1期響應達到最大，在第1期和第2期之間加速下降，但影響時間不長，到第4期降到最低，到第7期逐漸趨于平穩(wěn)并已回到原來的水平。該序列的新息對其他方程在第一期都沒有反映。當突發(fā)公共衛(wèi)生事件網絡輿論壓力(Opinion)受到官方信源(Official)的一個標準差新息的影響時，網絡輿論壓力在第2期和第4期之間呈現快速增大趨勢，到第4期網絡輿論壓力增加了約0.01，從第4期開始，網絡輿論壓力逐漸減小且持續(xù)時間比較長，在第7期逐漸趨于平穩(wěn)和零值。當突發(fā)公共衛(wèi)生事件網絡輿論壓力受到信息交互度(Interaction)的一個標準差新息的影響時，網絡輿論壓力在第2期有較強反映，但第3期網絡輿論壓力增加了約0.02，持續(xù)時間較短，從第5期開始，網絡輿論壓力呈負向并趨于平穩(wěn)和零值。

在第二行脈沖響應圖中，當突發(fā)公共衛(wèi)生事件官方信源(Official)對其自身的一個標準差新息立刻有較強反映，即突發(fā)公共衛(wèi)生事件官方信源參與度的自相關滯后效應的影響在第1期響應達到最大，官方信源增加了約0.14。該序列的新息對網絡輿論壓力(Opinion)方程在第1期有強烈負向影響，而對信息交互度(Interaction)方程在第1期沒有反映。官方信源在第1期和第2期之間快速下降，之后逐漸減弱，在第4期之后官方信源參與度趨近于零值并趨于平穩(wěn)。當突發(fā)公共衛(wèi)生事件官方信源受到網絡輿論壓力一個標準差新息的影響時，官方信源在第1期有強烈的負向反映，官方信源參與度減少了約0.06，在第1期和第4期之間，官方信源參與度快速增加，從第5期開始逐漸趨于平穩(wěn)和零值。當突發(fā)公共衛(wèi)生事件官方信源受到信息交互度一個標準差新息的影響時，官方信源在第1期沒有反映，從第2期開始官方信源參與度逐漸，減少了約0.02，在第3期和第7期之間，官方信源參與度逐漸增加，從第7期開始逐漸趨于平穩(wěn)和零值。

在第三行脈沖響應圖中，當突發(fā)公共衛(wèi)生事件信息交互度(Interaction)對其自身的一個標準差新息立刻有較強反映，即突發(fā)公共衛(wèi)生事件信息交互度的自相關滯后效應的影響在第1期響應達到最大，信息交互度增加了約0.11，且持續(xù)時間較長。該序列的新息對其他方程在第1 期均產生了反映。信息交互度在第2期和第7期之間呈現劇烈的動態(tài)響應趨勢，在第7期之后逐漸趨于平穩(wěn)和零值。當突發(fā)公共衛(wèi)生事件信息交互度受到網絡輿論壓力(Opinion)一個標準差新息的影響時，信息交互度在第1期有強烈的反映，信息交互度增加了約0.02，在第1期和第2期之間快速下降，從第2期開始，信息交互度有負向反映，在第2期和5期之間呈現劇烈的負向動態(tài)響應趨勢，從第6期開始逐漸趨于平穩(wěn)和零值。當突發(fā)公共衛(wèi)生事件信息交互度受到官方信源(Official)一個標準新信息的影響時，信息交互度在第1期幾乎沒有響應，在第1期和第2期之間快速增加，且在第2期影響效應達到最大，信息交互度增加了約0.05， 在第2期和第5期之間呈現劇烈的正向動態(tài)響應趨勢，從第6期開始逐漸趨于平穩(wěn)和零值。

4.2 方差貢獻度分解

方差分解(Variance Decomposition)是通過分析每一個結構沖擊對內生變量變化的貢獻度，進而評價不同沖擊的重要性，給出對VAR模型中的變量產生影響的每個隨機擾動的相對重要性的信息。因此，利用方差分解可以看出每個變量的變動對VAR系統變量影響的貢獻度，本文基于VAR模型進行方差分解(見表5)。

表5 方差貢獻度分解

續(xù)表5 方差貢獻度分解

由表5分析結果可知，在突發(fā)公共衛(wèi)生事件網絡輿論壓力的波動中，不考慮其網絡輿論壓力自身的貢獻度，官方信源和信息交互的貢獻度在第1期均為0，官方信源在第2期的貢獻度為0.0380%，隨后逐漸上升，貢獻度最高達2.2636%；信息交互在第2期的貢獻度為1.5563%，隨后逐漸上升，貢獻度最高達5.553%；這說明信息交互度對突發(fā)公共衛(wèi)生事件網絡輿論壓力具有較大的影響，而官方信源對突發(fā)公共衛(wèi)生事件網絡輿論壓力的影響較小。

在突發(fā)公共衛(wèi)生事件官方信源的波動中，官方信源在第1期的貢獻度僅為83.9582%，不考慮其官方信源自身的貢獻度，信息交互在第1期的貢獻度為0，隨后逐漸上升，在第10期貢獻度最大為3.9706%；網絡輿論壓力在第1期的貢獻度為16.0418%，隨后逐漸上升，在第3期貢獻度達到最大為22.8750%；這說明官方信源在突發(fā)公共衛(wèi)生事件爆發(fā)期參與度相對較低，網絡輿論壓力對官方信源的影響較大，信息交互度對官方信源的影響較小。

在突發(fā)公共衛(wèi)生事件信息交互的波動中，不考慮信息交互自身的貢獻度，突發(fā)公共衛(wèi)生事件網絡輿論壓力在第1期的貢獻度僅為1.9348%，在第2期突然增加到13.3057%，在第9期之后逐漸趨于平穩(wěn)，最高貢獻度達14.1873%；突發(fā)公共衛(wèi)生事件官方信源在第1期的貢獻度僅為0.0486%，在第2期突然增加到13.9497%，在第6期之后逐漸平穩(wěn)，最高達15.2360%；這說明突發(fā)公共衛(wèi)生事件中信息交互發(fā)生的速度非常之快，且官方信源與網絡輿論壓力對突發(fā)公共衛(wèi)生事件信息交互度的影響程度相當。

5 結果分析與討論

本文以2015—2020年我國45起突發(fā)公共衛(wèi)生事件作為研究樣本，通過建立VAR模型、Granger因果關系檢驗、脈沖響應分析和方差分解，對突發(fā)公共衛(wèi)生事件的官方信源、信息交互與網絡輿論壓力之間的關系進行了實證研究，得出如下結論：

a.影響關系分析：官方信源、信息交互與網絡輿論壓力之間存在相互影響關系，當官方信源、信息交互度和網絡輿論壓力受到一個正向沖擊時，該沖擊在第1期傳導至網絡輿論壓力，突發(fā)公共衛(wèi)生事件網絡輿論壓力的自相關滯后影響效應最大，官方信源與信息交互度對網絡輿論壓力的沖擊影響效應較大，而且信息交互的影響大于官方信源的影響。官方信源的自相關滯后效應和信息交互的沖擊在第1期對官方信源產生負向影響，官方信源的自相關滯后效應尤為明顯。來自官方信源、信息交互的自相關滯后效應的沖擊會在第1期對信息交互產生影響，且在第2期和第5期之間產生劇烈的動態(tài)響應趨勢。這說明官方信源、信息交互度對突發(fā)公共衛(wèi)生事件網絡輿論壓力具有顯著的沖擊作用，突發(fā)公共衛(wèi)生事件的網絡輿論壓力與官方信源能夠顯著地影響信息交互，但官方信源在突發(fā)公共衛(wèi)生事件中的響應速度和強度還需增強。

b.預測作用分析：在預測的10個周期內，官方信源與信息交互對突發(fā)公共衛(wèi)生事件網絡輿論壓力有著持續(xù)的正向沖擊作用，但對突發(fā)公共衛(wèi)生事件當期的網絡輿論壓力影響不大，而是對第1期之后的網絡輿論壓力有著持續(xù)穩(wěn)定的沖擊作用；這表明，隨著官方信源參與度和信息交互度的增加，突發(fā)公共衛(wèi)生事件網絡輿論壓力在持續(xù)增大，且這種影響關系存在一定的滯后效應。此外，突發(fā)公共衛(wèi)生事件網絡輿論壓力的7.81%可由2.26%的官方信源參與度與5.55%的信息交互度來解釋，官方信源參與度的26.76%可由22.79%的網絡輿論壓力與3.97%的信息交互度來解釋，信息交互度的29.41%%可由14.18%的網絡輿論壓力與15.23%的官方信源參與度來解釋；這表明，信息交互度大于官方信源參與度對網絡輿論壓力的影響，網絡輿論壓力大于信息交互度對官方信源參與的影響，網絡輿論壓力略大于官方信源參與對信息交互度的影響。

該研究對緩解突發(fā)公共衛(wèi)生事件網絡輿論壓力具有重要實踐啟示：

官方信源應構建突發(fā)公共衛(wèi)生事件網絡輿論信息生態(tài)系統。網絡空間中官方信源、信息交互的跨媒介轉向、網絡輿論主體理性與非理性的錯綜交織、事件信息流動性的動態(tài)交錯對網絡輿論信息生態(tài)系統的穩(wěn)定具有重大影響。官方信源在面對巨大網絡輿論壓力時，應及時有效參與，如通過工作機制的創(chuàng)新，培養(yǎng)和儲備更多具有較強新聞素養(yǎng)和政治敏感的新聞工作者。同時，官方信源應建立人工智能挖掘系統，在第一時間掌握跨媒介的、綜合的、有價值的、動態(tài)的網絡輿論信息，及時掌握網絡輿論走向。基于以往突發(fā)公共衛(wèi)生事件網絡輿論引導的成功經驗，建立突發(fā)公共衛(wèi)生事件應急預案，從網絡輿論壓力源頭上切斷虛假有害信息，及時公開權威信息，直面網絡輿論壓力背后的矛盾和信息交互的焦點，解決公眾的現實擔憂，促使公眾堅定對官方信源的信任、堅持積極正向的信息交互，緩解突發(fā)公共衛(wèi)生事件的網絡輿論壓力。

政府相關部門應通過“媒體聯動”搭建網絡輿論區(qū)域協同調控體系。突發(fā)公共衛(wèi)生事件網絡輿論壓力的大小取決于信息交互主體的價值判斷。公開透明、信息權威和信息真實是突發(fā)公共衛(wèi)生事件網絡輿論調控的關鍵。地方政府相關部門應堅持以人為本，及時滿足公眾對健康、安全的核心訴求，辯證地看待突發(fā)公共衛(wèi)生事件的網絡輿論；在不斷提高媒介素養(yǎng)的基礎上，增加公眾與不同類型媒介的信息交互度，釋放公眾對未知的恐慌和焦慮情緒，協調各方聯動高效調配多方資源，最快提出和公開事件具體解決方案。同時，地方政府相關部門應重視網絡新媒體和個人社交媒體等的網絡輿論影響力，不斷深化與事件發(fā)生區(qū)域內外的不同類型媒體的溝通合作，共享事件的信息資源，協同疏散網絡輿情壓力和維護社會穩(wěn)定。

突發(fā)公共衛(wèi)生事件網絡輿論壓力產生的影響因素及其復雜，本文從利益相關者視角，在考慮參與報道媒體數量的同時，僅對官方信源參與度、信息交互度與突發(fā)公共衛(wèi)生事件網絡輿論壓力之間的內生影響效應進行了研究，未來研究可進一步探討個人社交媒體的參與度對突發(fā)公共衛(wèi)生事件網絡輿論壓力的內生影響。另外，突發(fā)公共衛(wèi)生事件網絡輿論壓力具有時間維度上的持續(xù)影響，未來研究可以將突發(fā)公共衛(wèi)生事件網絡輿論壓力持續(xù)周期納入分析模型，從而為全面理解突發(fā)公共衛(wèi)生事件網絡輿論壓力的內生影響因素和提升突發(fā)公共衛(wèi)生事件網絡輿論治理績效提供經驗證據。