突发公共卫生事件中官方信源、信息交互与网络舆论压力的内生影响效应研究*

刘 焕

(西安交通大学新闻与新媒体学院 西安 710049)

0 引 言

新冠肺炎疫情期间，不同信息源发布的疫情相关信息及疫情谣言信息等，给整个社会带来巨大的舆论压力，疫情的网络舆论呈现跌宕起伏的状态。国家卫健委、权威医疗专家等官方信源在其疫情防控全过程中发挥了重要的舆论引导作用。

在突发公共卫生事件发展初期，政府及时进行信息公开是稳定网络舆论的最重要途径，但各地区政府数据开放工作仍存较大差异，极大影响了疫情权威信息快速抵达受众的效率[1]。“纵向”官方权威信息来源和正式的信息互动影响着公众的风险感知程度[2]。网络空间的信息量巨大，其真伪度不同造成的舆论压力使得突发公共卫生事件的网络舆情较为复杂[3]。突发公共卫生事件存在“不确定性”，官方信源和专家信源处于信源主导地位，如果忽视公众的风险认知和情绪演化，会引发公众情绪化、抗争性话语等网络舆情偏差现象[4]。如果媒体在矛盾和不一致的事件信息情况下进行报道，可能会增加官方决策者、公众等的不确定性经验[5]。突发事件中网络舆情结构逆转的现象频繁发生，严重威胁到社会公共安全[6]。突发公共卫生危机中，中央和地方政府作为信息发布者需做好纵向和横向上的信息共享和统筹协调工作[7]。信息发布和信息共享的过程中会伴随着“信息流行病”的发生[8]，最终会造成巨大的网络舆论压力。在新冠疫情期间，政府能够有效回应网络公共舆论议题框架中的主要议题，可在一定程度上缓解网络舆论压力[9]。由此可见，地方政府和公共卫生等相关部门通过官方信源发布权威信息、回应公众关切等，可及时澄清谣言和有利于社会稳定。

但在实践中，官方信源、公众参与和网络舆论压力是一个动态变化的过程，影响关系亦较为复杂。“新冠”疫情等突发公共卫生事件的冲击，会导致我国股市不同行业间存在金融风险传导和风险溢出效应，但该效应持续时间较短[10]。据此推断，突发公共卫生事件间存在网络舆论压力风险的传导现象。在此背景下，本文关注突发公共卫生事件中官方信源参与、信息交互度与网络舆论压力之间的内生影响，并探讨官方信源参与、信息交互度与网络舆论压力之间的脉冲响应效应如何？以为地方政府有效缓解突发公共卫生事件的网络舆论压力、提升官方信源参与度、合理引导用户信息交互行为提供经验证据，进而提高突发公共卫生事件网络舆论的治理效果。

1 文献综述

1.1 官方信源与网络舆论

突发公共卫生事件中，官方微博和官方媒体微信公众号是重要的事件信息源，政府在疫情信息传播网络中占据主导地位，公众是信息扩散和转发的重要主体[11-12]。公共卫生事件网络舆论风险的影响因素有事件属性、网络媒体特征、网民情绪、政府管理水平等，各因素对网络舆论风险的作用机理有所差异[13]。官方微信公众号对突发公共卫生事件主题的发布强度会显著公众认知的差异[14]。虽然疫情证据在以微博、微信等自媒体为代表的非正规途径中的传播比官方媒体要及时和丰富，但因自媒体渠道的非正规性、疫情证据缺乏权威性，存在大量的歪曲、虚假和错误等问题，给政府部门的循证治理和决策带来巨大负面压力[15]。碎片化的媒体信息、淡化疫情风险的信息传播会导致健康信息的不平等沟通和区域差异，会引发健康传播危机[16]。协同治理时代，媒体以实际行动参与了突发公共卫生事件的信息传递与舆论动员[17]。

政府与公众之间的认知差异造成突发公共卫生事件中存在政策供需张力[14]，决定了公众对突发公共卫生事件防治和心理援助等政策信息需求的满足状况[18]。突发公共卫生事件风险信息的获取、感知与异常识别是提升风险防控能力的关键，官方媒体对权威风险信息的传播影响网络舆论演化趋势[19]。政府加强与公众之间的风险沟通，是有效控制公共卫生事件网络舆情风险的关键[20]。融合用户注意力机制的情感分析模型可帮助地方政府有效引导舆情走向和避免舆情危机的产生[21]。政府对舆论的控制在公共事件发生的初期最有效，如果网民信任政府和媒体，媒体通过与政府合作，可有效促进应急管理和改善网络舆情管理[22]。在新冠疫情期间，政府部门重视网络舆论引导，及时回应公众关切，不断加强与公众的风险沟通交流[23]。由此可见，官方信源是引导突发公共卫生事件网络舆论的重要渠道，在一定程度上代表了政府声音。

1.2 信息交互度与网络舆论场

网民对网络舆论生态系统具有反向建构功能，在被互联网、新媒体赋权的过程中，不同网民群体之间以及与媒介之间发生交互关系，不断增强其自身主体性力量，网民用户对网络舆论场的反向影响正在加速凸显[24]。突发公共卫生事件的信息在用户的接收和再传播(转发、点赞、评论、发布等)行为中，官方信源较之个人社交媒体其权威性较高，公众更倾向信任官方媒体发布的事件信息，促进官方信息源与用户之间信息交互行为的产生，此时事件信息具备了以用户情感为载体的附加价值[25]，影响着突发公共卫生事件网络舆论的产生。算法型内容推送并未导致用户的信息接收渠道窄化和“信息茧房”，反而提升了用户对传统媒体等非算法信源的信任程度，并在主流价值观的引导上发挥了积极作用，且为用户提供了更多元和理性的信息世界[26]，但存有部分个人社交媒体、热衷蹭热度的“营销号”等非权威性的信息源，若它们与关注事件的用户之间发生频繁的信息交互行为，将会带来巨大的舆论偏差。

基于信息行为理论的视角，公众对官方信源发布的信息质量感知会直接影响公众风险感知，进而影响信息交互的意图和行为[27-28]。网络空间中的信息交流影响着公众的风险感知[29]，“片面、错误”信息的接收和互动会导致公众对风险控制的错觉[30]，进而影响事件网络舆论的发展走向。多数公共事件发生的根源在于一直未解决的现实矛盾等社会因素[31]。突发公共事件之间存在的关联或衍生关系，会对当前突发事件的热度和网络舆论压力产生影响[32]。如某类突发公共卫生事件的舆情是处于暂时消弭和潜伏状态的，一旦有类似公共卫生事件发生而相关问题又未及时解决，就会再次引发新一轮更加强烈的网络舆论压力，即突发公共卫生事件的网络舆论会产生滞后效应。因此，本文关注突发公共卫生事件中官方信源、用户的信息交互行为与网络舆论压力相互之间、自身的自相关滞后效应之间的内生影响关系，以及该影响效应在不同时间点的动态变化特征，并分解出相互之间的贡献度。

2 研究设计

2.1 数据收集和处理

根据“微热点”网站中的热点事件库为抽样框，将事件影响力、媒体参与、网络舆论场、公众参与等维度为选择标准，同时结合《突发公共卫生事件应急条例》中对突发公共事件的界定，最终选择2015—2020年间我国具有代表性的45起突发公共卫生事件作为研究样本。由于所选突发公共卫生事件的影响力较大、与公众健康密切相关，但媒体参与和公众参与情况却有差异，网络舆论聚合和舆论空间占据亦有所不同，说明突发公共卫生事件网络舆论的影响因素较为复杂，凸显研究突发公共卫生事件网络舆论内生影响效应的重要性。

本文数据收集方式以爬虫技术为主、内容分析法为辅，具体变量的测量和计算公式下见文变量说明部分。考虑到突发公共卫生事件信息传播的渠道多元和时间跨度的问题，本文聚焦官方网络媒体和官方新浪微博中关于突发公共卫生事件的权威信息和公众参与文本等信息。首先，基于“微热点”和“知微”中45起突发公共卫生事件的基础信息，在百度搜索引擎中逐一人工确认参与报道的官方媒体和非官方媒体的数量，并进行编码统计；其次，考虑到突发公共卫生事件的高参与度及其网络舆论形成的快速性，以及本文的案例事件相对较多，确定对案例事件网络舆论的跟踪时间为24小时；再次，为便于信息交互度的整理和计算，对每个官方网络媒体和官方新浪微博中参与突发公共卫生事件互动的用户及其评论、点赞、转发的数量和时间点进行编码，并将其发表评论数量最多的区间和用户比例单独进行统计；最后，对收集到的数据信息进行整理，对出现缺失值、错误信息等数据进行人工核查和删除，最终获取本文所用的数据集合。

2.2 变量说明

2.2.1官方信源(Official)

信源可信性包括传播者的信誉和专业权威性两个要素，霍夫兰实证研究结果显示信源的可信度越高，其说服效果越大[33]。信源真实是事件真实的起点，用户是根据信源的可信度来判断信息价值的，所以信源的权威性对突发公共卫生事件的网络舆论发展有着重要影响。基于此，本文将官方信源界定为产生各类信息的官方权威媒体，在突发公共卫生事件情境中，指生产和传播突发公共卫生事件信息的权威媒体。根据数据可获得性，本文中的官方信源通过中央级媒体参与度进行测量，即用网络媒体平台参与某突发公共卫生事件报道的媒体数量匹配新浪微博中参与报道的媒体数量，依据《互联网新闻信息稿源单位名单》，人工将其参与报道的媒体分为官方媒体和非官方媒体。

具体计算公式如下：

(1)

其中，OfficialMediaeventi表示参与突发公共卫生事件报道的中央级媒体的数量(包括官方网络媒体和官方媒体的新浪微博账号)，UnofficialMediaeventi表示参与突发公共卫生事件报道的非官方媒体的数量(包括非官方的网络媒体和非官方的新浪微博账号)。同时，为控制其他类型信源对突发公共卫生事件网络舆论压力的影响，本文将所有参与某突发公共卫生事件信息生产的媒体总数量作为外生变量加入到VAR模型中。

2.2.2信息交互度(Interaction)

信息交互度，指社交网络用户在获取突发公共卫生事件信息使用价值的过程中，所形成的自身的信息行为变化，并以此来衡量突发公共卫生事件被关注的程度[25]。疫情信息沟通及时透明，每日发布疫情及防控进展、召开新闻发布会、客观回应疫情信息、开发数字化平台等与信息交互密切相关的支持性活动是搭建重大突发公共卫生事件治理体系的重要支撑[34]。据此可知，当突发公共卫生事件信息交互度越高时，该突发公共卫生事件具备的信息量越大，被关注的程度越高，反之，被关注的程度越低。突发公共卫生事件中，用户通过与官方信源和其他用户等的信息互动而建构和发展相互关系，在网络空间中外化为信息交互的动态行为变化。在突发公共卫生事件发生后，官方信源要发出什么符号是不确定的，可根据其出现的概率来度量，所以本文要考虑该信源所有可能发生情况的平均不确定性。借鉴已有学者对信息价值的测量[25]，基于方差加权信息熵理论，构建本文的信息交互度的测量模型。

信息熵的基本概念模型为：

(2)

其中，H表示信息熵；pi表示某一随机事件的概率分布。

信息交互度的概念模型为：

(3)

(4)

(5)

(6)

2.2.3网络舆论压力(Opinion)

有学者用发帖数、阅读关注数去定义和测量网络舆论压力[35]。舆论场，指包括若干相互刺激的因素，使许多人形成意见的时空环境[36]，是特定的舆论主客体相互作用而形成的具有一定强度和能量的时空范围[37]。网络舆论场，为网络上许多人形成共同意见提供了环境，并非单一的时空结构，糅合了行为环境、心理环境与社会环境[38]。基于已有研究，本文将网络舆论压力界定为，网民针对关系到自身利益或者关心的各种公共事件发表自己的意见和观点，而在网络舆论场中形成的舆论压力[39]。借鉴上述研究，借助“知微事见”中的“网络舆论场占比”来测量，具体指突发公共卫生事件发生后最近一小时的热度除以同一时段所有在更新事件的热度计算得到。

3 模型构建

本文选取的2015—2020年45起突发卫生事件的官方信源参与度、信息交互度和网络舆论压力为时间序列，即同一变量按时间顺序排列的变量，这类变量具有时间趋势。如果采用最小二乘法(OLS)回归，会产生“虚假回归”现象。因此，本文建立向量自回归(VAR)模型来预测相关联的时间序列组成的系统，进而分析变量随时间变化的动态冲击对变量的影响。

3.1 单位根检验

采用ADF单位根检验的方法对时间序列：突发公共卫生事件网络舆论压力(Opinion)、官方信源、信息交互(Interaction)和参与报道的媒体数量分别进行平稳性检验，选择5%的显著性水平，检验结果(见表1)。

检验结果表明：时间序列Opinion、Official、Interaction和Media的ADF值均小于5%的水平值，p<0.05，可以拒绝“存在单位根”的原假设，即原序列不存在单位根，为平稳时间序列，不需要进行相关变量的差分和协整检验，可直接建立VAR模型，同时不会损失各水平序列所包含的信息。

表1 ADF检验结果

3.2 VAR模型的建立

本文把突发公共卫生事件网络舆论演化系统中的每个内生变量网络舆论压力、官方信息、信息交互作为Opinion、Official和Interaction滞后值的函数而构造形成多元时间序列变量组成的向量自回归模型，该模型可以预测Opinion、Official和Interaction相互联系的时间序列系统，并可以分析随机扰动对该变量系统带来的动态冲击，进而解释各变量的动态冲击对各变量形成的影响。

VAR模型中为突出变量系统中各时间序列的动态特征，需要确定适合的滞后阶数p，滞后阶数足够大，可完整反映所构建模型的动态特征，但如果滞后阶数越大，需要估计的参数也就越多，会导致模型的自由度太少。采用多准则联合确定合适的滞后阶数，根据LR(Likelihood Ratio)检验，以及FPE、AIC、SC、HQ信息准则最小化的标准选择足够的滞后阶数和自由度，选择VAR模型的最佳时间滞后阶数为p=2(见表2)。在上述单位根检验的基础上，构建VAR模型并进行估计。

考虑到参与报道媒体的数量对突发公共卫生事件网络舆论压力的影响，本文以内生变量网络舆论压力、官方信源和信息交互滞后2阶的变量作为内生变量，同时将参与报道媒体的总数量Media和常数项c作为外生变量，构建本研究的VAR模型(见表3)并对其进行估计。

表3 VAR模型参数估计结果

由表3分析结果可知，仅有大约1/3的滞后项是显著的，由于参数是否显著不为零并不是VAR模型最关注的，所以在建立VAR模型时可以保留各个滞后变量。将参数估计结果写成矩阵形式：

3.3 VAR模型稳定性检验

本文通过AR根的图来检验所构建VAR模型的稳定性，检验结果(见图1)，滞后期长度为2且有3个内生变量的VAR模型，特征根多项式有2*3=6个特征根。每个特征根的倒数均小于1，即所有特征根的倒数都在单位圆内，没有位于单位圆外的根，因此该VAR模型通过稳定性检验，即该VAR模型满足稳定性条件。

图1 VAR模型稳定性检验

3.4 因果关系检验

针对时间序列变量，考察官方信源和信息交互是否影响突发公共卫生事件网络舆论压力的问题，主要看当期的突发公共卫生事件网络舆论压力、官方信源和信息交互能够在多大程度上被过去的同类突发公共卫生事件的网络舆论、官方信源和信息交互的情况所解释[40]。

在D(Opinion)中，D(Opinion)作为被解释变量对解释变量D(Official)、D(Interaction)进行格兰杰因果检验(见表4)，D(Official)和D(Interaction)的联合统计量值是19.2053且在5%的水平上构成对D(Opinion)的格兰杰因果关系；但在D(Official)方程中，D(Opinion)的概率值为0.8803，D(Interaction)的概率值为0.1395，它们不构成对D(Official)的格兰杰因果关系；在D(Interaction)方程中，D(Opinion)的概率值为0.0417，D(Official)的概率值为0.0022，且它们的联合统计量值是18.8651且在5%水平构成对D(Interaction)的格兰杰因果关系。说明突发公共卫生事件官方信源的滞后期和信息交互的滞后期能够显著地解释或预测突发公共卫生事件的网络舆论压力的变化，突发公共卫生事件网络舆论压力的滞后期、官方信源的滞后期能够显著地解释或预测突发公共卫生事件的信息交互状况。因此，在VAR模型中将突发公共卫生事件的网络舆论压力、官方信源和信息交互的滞后项作为模型的内生变量的设置合理有效。

表4 Granger因果关系检验

4 脉冲响应和方差贡献度分解

因VAR模型是一种非理论性的模型，它无须对变量做任何先验性约束，故在分析VAR模型时，往往不分析一个变量的变化对另一个变量的影响如何，而是分析当一个误差项发生变化时，或者说模型受到某种冲击时对系统的动态影响，包括响应的大小、响应滞后的期数、响应的动态变化过程等，即称为脉冲响应函数(Impulse Response Function, IFR)，描述的是VAR模型中一个内生变量的冲击给其他内生变量所带来的影响。本研究采用“正交”(残差协方差矩阵的Cholesky分解)脉冲响应函数来分析VAR模型的动态变化，Cholesky分解的结果严格地依赖于VAR模型中变量的次序。

4.1 脉冲响应分析

脉冲响应分析结果(见图2)，横轴表示时期数，纵轴表示脉冲响应函数的大小，实线表示脉冲响应函数，虚线表示正负两倍的标准差偏离带。在第一行脉冲图中，当突发公共卫生事件网络舆论压力(Opinion)对其自身的一个标准差新息立刻有较强反映，网络舆论压力增加了约0.10，即网络舆论压力的自相关滞后效应的影响在第1期响应达到最大，在第1期和第2期之间加速下降，但影响时间不长，到第4期降到最低，到第7期逐渐趋于平稳并已回到原来的水平。该序列的新息对其他方程在第一期都没有反映。当突发公共卫生事件网络舆论压力(Opinion)受到官方信源(Official)的一个标准差新息的影响时，网络舆论压力在第2期和第4期之间呈现快速增大趋势，到第4期网络舆论压力增加了约0.01，从第4期开始，网络舆论压力逐渐减小且持续时间比较长，在第7期逐渐趋于平稳和零值。当突发公共卫生事件网络舆论压力受到信息交互度(Interaction)的一个标准差新息的影响时，网络舆论压力在第2期有较强反映，但第3期网络舆论压力增加了约0.02，持续时间较短，从第5期开始，网络舆论压力呈负向并趋于平稳和零值。

在第二行脉冲响应图中，当突发公共卫生事件官方信源(Official)对其自身的一个标准差新息立刻有较强反映，即突发公共卫生事件官方信源参与度的自相关滞后效应的影响在第1期响应达到最大，官方信源增加了约0.14。该序列的新息对网络舆论压力(Opinion)方程在第1期有强烈负向影响，而对信息交互度(Interaction)方程在第1期没有反映。官方信源在第1期和第2期之间快速下降，之后逐渐减弱，在第4期之后官方信源参与度趋近于零值并趋于平稳。当突发公共卫生事件官方信源受到网络舆论压力一个标准差新息的影响时，官方信源在第1期有强烈的负向反映，官方信源参与度减少了约0.06，在第1期和第4期之间，官方信源参与度快速增加，从第5期开始逐渐趋于平稳和零值。当突发公共卫生事件官方信源受到信息交互度一个标准差新息的影响时，官方信源在第1期没有反映，从第2期开始官方信源参与度逐渐，减少了约0.02，在第3期和第7期之间，官方信源参与度逐渐增加，从第7期开始逐渐趋于平稳和零值。

在第三行脉冲响应图中，当突发公共卫生事件信息交互度(Interaction)对其自身的一个标准差新息立刻有较强反映，即突发公共卫生事件信息交互度的自相关滞后效应的影响在第1期响应达到最大，信息交互度增加了约0.11，且持续时间较长。该序列的新息对其他方程在第1 期均产生了反映。信息交互度在第2期和第7期之间呈现剧烈的动态响应趋势，在第7期之后逐渐趋于平稳和零值。当突发公共卫生事件信息交互度受到网络舆论压力(Opinion)一个标准差新息的影响时，信息交互度在第1期有强烈的反映，信息交互度增加了约0.02，在第1期和第2期之间快速下降，从第2期开始，信息交互度有负向反映，在第2期和5期之间呈现剧烈的负向动态响应趋势，从第6期开始逐渐趋于平稳和零值。当突发公共卫生事件信息交互度受到官方信源(Official)一个标准新信息的影响时，信息交互度在第1期几乎没有响应，在第1期和第2期之间快速增加，且在第2期影响效应达到最大，信息交互度增加了约0.05， 在第2期和第5期之间呈现剧烈的正向动态响应趋势，从第6期开始逐渐趋于平稳和零值。

4.2 方差贡献度分解

方差分解(Variance Decomposition)是通过分析每一个结构冲击对内生变量变化的贡献度，进而评价不同冲击的重要性，给出对VAR模型中的变量产生影响的每个随机扰动的相对重要性的信息。因此，利用方差分解可以看出每个变量的变动对VAR系统变量影响的贡献度，本文基于VAR模型进行方差分解(见表5)。

表5 方差贡献度分解

续表5 方差贡献度分解

由表5分析结果可知，在突发公共卫生事件网络舆论压力的波动中，不考虑其网络舆论压力自身的贡献度，官方信源和信息交互的贡献度在第1期均为0，官方信源在第2期的贡献度为0.0380%，随后逐渐上升，贡献度最高达2.2636%；信息交互在第2期的贡献度为1.5563%，随后逐渐上升，贡献度最高达5.553%；这说明信息交互度对突发公共卫生事件网络舆论压力具有较大的影响，而官方信源对突发公共卫生事件网络舆论压力的影响较小。

在突发公共卫生事件官方信源的波动中，官方信源在第1期的贡献度仅为83.9582%，不考虑其官方信源自身的贡献度，信息交互在第1期的贡献度为0，随后逐渐上升，在第10期贡献度最大为3.9706%；网络舆论压力在第1期的贡献度为16.0418%，随后逐渐上升，在第3期贡献度达到最大为22.8750%；这说明官方信源在突发公共卫生事件爆发期参与度相对较低，网络舆论压力对官方信源的影响较大，信息交互度对官方信源的影响较小。

在突发公共卫生事件信息交互的波动中，不考虑信息交互自身的贡献度，突发公共卫生事件网络舆论压力在第1期的贡献度仅为1.9348%，在第2期突然增加到13.3057%，在第9期之后逐渐趋于平稳，最高贡献度达14.1873%；突发公共卫生事件官方信源在第1期的贡献度仅为0.0486%，在第2期突然增加到13.9497%，在第6期之后逐渐平稳，最高达15.2360%；这说明突发公共卫生事件中信息交互发生的速度非常之快，且官方信源与网络舆论压力对突发公共卫生事件信息交互度的影响程度相当。

5 结果分析与讨论

本文以2015—2020年我国45起突发公共卫生事件作为研究样本，通过建立VAR模型、Granger因果关系检验、脉冲响应分析和方差分解，对突发公共卫生事件的官方信源、信息交互与网络舆论压力之间的关系进行了实证研究，得出如下结论：

a.影响关系分析：官方信源、信息交互与网络舆论压力之间存在相互影响关系，当官方信源、信息交互度和网络舆论压力受到一个正向冲击时，该冲击在第1期传导至网络舆论压力，突发公共卫生事件网络舆论压力的自相关滞后影响效应最大，官方信源与信息交互度对网络舆论压力的冲击影响效应较大，而且信息交互的影响大于官方信源的影响。官方信源的自相关滞后效应和信息交互的冲击在第1期对官方信源产生负向影响，官方信源的自相关滞后效应尤为明显。来自官方信源、信息交互的自相关滞后效应的冲击会在第1期对信息交互产生影响，且在第2期和第5期之间产生剧烈的动态响应趋势。这说明官方信源、信息交互度对突发公共卫生事件网络舆论压力具有显著的冲击作用，突发公共卫生事件的网络舆论压力与官方信源能够显著地影响信息交互，但官方信源在突发公共卫生事件中的响应速度和强度还需增强。

b.预测作用分析：在预测的10个周期内，官方信源与信息交互对突发公共卫生事件网络舆论压力有着持续的正向冲击作用，但对突发公共卫生事件当期的网络舆论压力影响不大，而是对第1期之后的网络舆论压力有着持续稳定的冲击作用；这表明，随着官方信源参与度和信息交互度的增加，突发公共卫生事件网络舆论压力在持续增大，且这种影响关系存在一定的滞后效应。此外，突发公共卫生事件网络舆论压力的7.81%可由2.26%的官方信源参与度与5.55%的信息交互度来解释，官方信源参与度的26.76%可由22.79%的网络舆论压力与3.97%的信息交互度来解释，信息交互度的29.41%%可由14.18%的网络舆论压力与15.23%的官方信源参与度来解释；这表明，信息交互度大于官方信源参与度对网络舆论压力的影响，网络舆论压力大于信息交互度对官方信源参与的影响，网络舆论压力略大于官方信源参与对信息交互度的影响。

该研究对缓解突发公共卫生事件网络舆论压力具有重要实践启示：

官方信源应构建突发公共卫生事件网络舆论信息生态系统。网络空间中官方信源、信息交互的跨媒介转向、网络舆论主体理性与非理性的错综交织、事件信息流动性的动态交错对网络舆论信息生态系统的稳定具有重大影响。官方信源在面对巨大网络舆论压力时，应及时有效参与，如通过工作机制的创新，培养和储备更多具有较强新闻素养和政治敏感的新闻工作者。同时，官方信源应建立人工智能挖掘系统，在第一时间掌握跨媒介的、综合的、有价值的、动态的网络舆论信息，及时掌握网络舆论走向。基于以往突发公共卫生事件网络舆论引导的成功经验，建立突发公共卫生事件应急预案，从网络舆论压力源头上切断虚假有害信息，及时公开权威信息，直面网络舆论压力背后的矛盾和信息交互的焦点，解决公众的现实担忧，促使公众坚定对官方信源的信任、坚持积极正向的信息交互，缓解突发公共卫生事件的网络舆论压力。

政府相关部门应通过“媒体联动”搭建网络舆论区域协同调控体系。突发公共卫生事件网络舆论压力的大小取决于信息交互主体的价值判断。公开透明、信息权威和信息真实是突发公共卫生事件网络舆论调控的关键。地方政府相关部门应坚持以人为本，及时满足公众对健康、安全的核心诉求，辩证地看待突发公共卫生事件的网络舆论；在不断提高媒介素养的基础上，增加公众与不同类型媒介的信息交互度，释放公众对未知的恐慌和焦虑情绪，协调各方联动高效调配多方资源，最快提出和公开事件具体解决方案。同时，地方政府相关部门应重视网络新媒体和个人社交媒体等的网络舆论影响力，不断深化与事件发生区域内外的不同类型媒体的沟通合作，共享事件的信息资源，协同疏散网络舆情压力和维护社会稳定。

突发公共卫生事件网络舆论压力产生的影响因素及其复杂，本文从利益相关者视角，在考虑参与报道媒体数量的同时，仅对官方信源参与度、信息交互度与突发公共卫生事件网络舆论压力之间的内生影响效应进行了研究，未来研究可进一步探讨个人社交媒体的参与度对突发公共卫生事件网络舆论压力的内生影响。另外，突发公共卫生事件网络舆论压力具有时间维度上的持续影响，未来研究可以将突发公共卫生事件网络舆论压力持续周期纳入分析模型，从而为全面理解突发公共卫生事件网络舆论压力的内生影响因素和提升突发公共卫生事件网络舆论治理绩效提供经验证据。