突發性公共衛生事件中居民的風險信息感知研究*
——基于全國81個城市的調研數據

劉青川 關 斌 包國憲

（1.蘭州大學管理學院 甘肅蘭州 730000）

1 引言

突發性公共衛生事件（Public Health Emergency，PHE）是人類生存的共同威脅。從1848年世界第一個公共衛生條例和第一個中央衛生委員會在英國的誕生，到1948年聯合國世界衛生組織（World Health Organization，WHO）的成立和《國際公共衛生條例》（International Health Regulation，IHR）的不斷完善，突發性公共衛生事件成了國際社會共同面對的戰略性管理任務之一。21世紀以來WHO共宣布了七起“國際關注的突發公共衛生事件”，并在控制和戰勝疫情方面起了重要作用。我國自20世紀以來經歷了多次病毒和瘟疫的嚴重侵害。經過數代人一個多世紀的艱苦抗疫行動，特別是新中國成立以來的70年里，我國人民在黨和政府領導下，為全球抗疫事業做出了重大貢獻。2003年5月7日，國務院第7次常務會議通過《突發公共衛生事件應急條例》，成為我國人民抗疫治疫的行動指南。近20年來，我國政府在無數次抗疫治疫中取得了舉世矚目的成就，為世界人民抗疫事業提供了大量成功的經驗，樹立了良好的形象。尤其是在治理新冠疫情的過程中，我國政府積極組織全國民眾，采取科學有效措施，萬眾一心、聯防聯控，在半年之內全面控制了疫情并實現了全行業的復工復產，穩定了民心，發展了經濟，并將治理新冠疫情的經驗推向了全世界。而部分國家和政府出于特殊政治目的，不斷推出“中國病毒”論、“向中國索賠”論和“中國數據造假”論等言論，加之網絡謠言的傳播，對部分國內居民的信息感知形成了負面影響。

人類治疫的經驗一再證明，居民的風險信息感知是影響疫情治理和社會穩定的重要影響因素。而疫情嚴重程度、居民特質、信息傳播來源和方式、政府行為是影響居民風險感知的主要因素。特別是疫情謠言具有傳播快、影響大、危害深的特點，容易誤導居民的風險信息感知、破壞社會秩序的穩定，其危害不亞于疫情本身。因此，病毒和謠言同樣惡毒，“治疫”與“治謠”同等重要。政府的作為與否、效率高低是疫情治理的關鍵因素。

國內外學者關于風險信息感知的研究經歷了理論研究等階段和量化分析階段。1987年，LOVIC P正式提出“風險感知”的概念，并系統闡述了公眾面臨公共危機事件時的風險認知和行為特點，及政府危機管理的政策供給、風險信息溝通、公民認知導向引導和救助提供等職責。此后的30多年里，有關公眾在突發性公共事件面前的風險信息感知影響因素的研究，形成了一系列研究成果，如心理狀態、經濟水平、文化背景、社會環境信號等對于公眾的風險信息感知的影響；情緒化的新聞形式會增加公眾對疾病嚴重程度的認知；相同信息的不同處理對公眾風險信息感知的影響；媒體信息來源（包括社區信息平臺和社區工作者）可能會導致公眾風險認知的增加；負性信息更易引起民眾的高風險認知，正性信息能降低個體風險認知水平；突發性公共衛生事件中政府執行政策的方式及其帶來的公眾信任對社區公民的信息感知和風險思辨的影響；信息發布渠道、性別、受教育程度、地域特征、事件發展階段等因素對居民風險認知的影響作用。這些研究成果豐富了風險認知理論的范疇，對政府治理突發性公共事件提供了理論支持和視角參考。

近10年來，有關風險認知特別是突發性公共衛生事件中的居民風險認知研究體現出廣泛的研究對象、成熟的測量范式和豐富的理論視角與研究模型。（1）對疫情風險感知的研究對象由公眾轉向醫護人員，如Stephanie和Morten通過公共衛生事件中風險認知對醫護人員的應對意愿的影響機制性研究，解釋了2014-2016年西非埃博拉病毒病（EVD）中死亡醫護人員最多的原因；Aditya等對印度孟買2008-2009年H1N1流感大流行期間醫護人員、衛生保健官員及接受治療的患者進行訪談和研究發現，醫護人員對疫情的風險感知和反應，是穩定居民疫情風險感知和保持應對能力的關鍵；（2）多元分析量化風險感知的“心理測量范式”，為這一領域的研究提供了科學的分析框架，也建立了風險感知與行為共識之間的過程機制。如Slovic等認為心理學將人類的風險判斷分為分析系統和經驗系統，兩個系統之間相互依賴、各有利弊，恰當結合運用才能做出理性的風險判斷和行為措施；Finucane等利用心理測量范式研究發現，在判斷突發性公共危機事件的風險程度時，受情感感知影響，公眾的風險感知和結果預期之間呈現反比關系；呂鵬和劉芳認為在不同的民眾心理和風險感知差異的情況下,通過個體風險認知與行為差異及代際互動模式，可以達成風險認知與行為共識的過程機制；（3）廣泛的理論視角和研究模型，不但豐富了風險感知的研究理論，也為風險感知的合理疏導提供了風險溝通和社會互動等方式方法。如Covello應用風險傳播的理論視角和基本風險傳播模型研究突發性公共衛生事件（1999年和2000年紐約市西尼羅病毒疫情）中風險溝通對正確引導公眾風險感知的作用；Stéphane和Hans-Peter通過對艾滋病毒的縱向數據進行固定效應分析，發現社會互動對受訪者關于艾滋病風險的認知有實質性的影響；李華強等認為建立在公眾風險感知特征及其影響因素基礎上的風險感知理論模型,可以解釋地震災區的居民風險感知對公眾心理健康和應對行為的作用機理；張曉君和王郅強通過社會行為理論對群體性事件中公民風險感知和行為特征機制進行研究。

突發性公共衛生事件下的風險信息感知本質上是公民在特定的疫情態勢之下對于疫情信息的一種風險認知過程。已有的研究成果鮮有從態勢感知理論的視角進行量化研究，本文試圖在態勢感知理論視角下構建突發性公共衛生事件中居民的風險信息感知框架并進行實證檢驗。

2 理論分析與研究假設

2.1 理論分析

態勢感知理論（Situation AwarenessTheory，SAT）概念最早于20世紀80年代出現在軍事領域。90年代出現了“網絡態勢感知（Cyberspace Situation Awareness，CSA）”概念。2009年，美國白宮提出要構建態勢感知能力并形成了NSAS框架。2016年，在中國網絡安全業界人士座談會上習近平總書記指示“全天候全方位感知網絡安全態勢”。隨著學術研究的深入和拓展，形成了態勢感知理論。態勢即狀態和趨勢，具有整體性、環境性、動態性；整體性是態勢各實體間相互關系的體現；環境性是指態勢感知的應用環境；動態性是態勢隨時間不斷變化。態勢感知分為三個階段，即態勢認知、態勢理解和態勢預測；態勢認知是了解當前的狀態，包括狀態識別與確認，以及對態勢認知所需信息來源和素材的質量評價；態勢理解是對當前態勢發生的原因及方式的了解，包括行為的趨勢與意圖分析、損害評估和因果分析；態勢預測是對態勢發展的預測評估，包括態勢演化和影響評估。

本文嘗試將態勢感知理論引入突發性公共衛生事件中，分析不同城市的居民在不同的疫情嚴重程度下的風險信息認知、理解和預測特點及其原因和機制（見圖1）。（1）從系統層面看，突發性公共衛生事件是一個系統性（整體性）的風險，給整個社會帶來嚴重的生命、生產和生活安全威脅，需要政府組織和調動廣大民眾和社會資源進行治理；（2）從個人層面看，不 同 的 居 民 具 有 不 同 的 受 教 育 程 度、政 治 心 理、社會關系和就醫難度，特別是不同區域的居民會面臨不同的政民關系、網絡輿情、疫情嚴重程度等環境性和動態性的問題，這些因素會直接影響居民在突發性公共衛生事件中的風險信息感知和風險感知目標；（3）從作用機制看，當不同區域的不同疫情嚴重程度（發展態勢）作用于不同特征的居民時，會形成不同的風險信息感知、理解和預測，在不同的風險感知目標（如規避風險）下，做出不同的決策和行為，而不同的行為又會反過來作用于網絡輿情、政民關系等環境性因素，進而影響事件的發展態勢。

2.2 研究假設

（1）居民的政治心理、受教育程度和政民關系與風險信息感知。根據態勢感知理論和突發性公共衛生事件中居民的風險信息感知模型，本文構建了突發性公共衛生事件的概念框架圖（見圖2）。風險信息感知是指在突發性公共衛生事件中居民通過日常交流、紙媒閱讀、網絡媒體等可視聽方式，對事件的態勢做出相應地認知、理解以及對未來趨勢的預測，并以規避事件風險、免受疫情侵害為目標做出相應的風險應對決策。

圖1 突發性公共衛生事件中居民的風險信息感知模型圖

圖2 概念框架圖

政治心理是指居民直接或間接參與政治活動的心理感受，包括政治興趣、政治效能感和政治認知。政治興趣越濃，就越有可能更加廣泛而深刻地理解和把握事件風險信息；居民的政治效能感越強，就越有能力獲取更加完善而準確的風險信息；居民的政治認知越深刻，就越不容易受網絡輿情特別是負面輿情的影響，從而做出準確的風險判斷。總之，居民的政治心理越強，對風險信息的感知程度就越高，因此本文提出假設：

H1a：居民的政治心理與風險信息感知顯著正相關。

受教育程度是指按照國家教育體制本住戶成員接受教育的最高學歷。受教育程度在公民與社會的關系研究特別是在民眾參與群體性事件的研究以及公民訴求與政府回應的研究中都表現出顯著的影響。調查顯示，在突發性公共衛生事件中，居民受教育程度越高，受網絡輿情尤其是謠言的影響程度就越小，對風險信息的判斷越準確，故本文提出假設：

H2a：居民的受教育程度與風險信息感知顯著正相關。

政民關系是指在政府與民眾的長期活動中表現出來的公民政治參與水平和政府響應水平之間的關系和諧程度（冷漠型、無視型、代言型和合作型）；或者由不同的治理范式（官僚范式、消費主義范式、參與式范式、平臺范式）而塑造和重塑的公民與行政關系的格局，取決于公民信任與行政透明度、公民滿意度與行政績效之間的關系。黨的十九大以來，“互聯網+政務”模式深度推行，政府職能由管理轉向服務，政民關系由“政府中心主義”向“民眾中心主義”傾斜。在突發性公共衛生事件中，政民關系越好，政府的公信力就越高，越有利于提高民眾對風險信息的感知水平和戰勝疫情的決心，故本文提出假設：

H3a：政民關系與風險信息感知之間顯著正相關。

（2）城市疫情嚴重程度的調節作用。城市突發性公共衛生事件嚴重程度（以下簡稱“城市疫情嚴重程度”），是指截止2020年5月31日我國某城市累積確診的突發性公共衛生事件人數（單位：人）除以該城市常住人口數（單位：萬人）而得到的比例。

從組織層面看，不同城市的事件嚴重程度各不相同。對于不同政治心理的公民，其風險信息感知的傾向就會產生不同的變化：雖然居民政治心理對于風險信息感知具有正向影響作用，但隨著事件嚴重程度的增加，對于政治心理較強的居民也可能產生一定程度的擔憂，從而對風險信息感知形成一定程度的負面影響；而對于政治心理本來就比較弱的居民，可能形成更大程度的恐懼心理，從而對其風險信息感知產生更大的“不真實”感知。事件嚴重程度相對較輕城市的居民，無論其政治心理強弱，均可能以樂觀的心態推斷疫情的發展態勢，從而不會影響到政治心理和風險信息感知之間的原有關系。綜上，疫情嚴重程度不同地域，公眾的風險感知存在顯著差異，故本文提出假設：

H1b：城市疫情嚴重程度在居民政治心理和風險信息感知之間起到顯著負向調節作用。

雖然居民的受教育程度對風險信息感知起到正向作用，但隨著城市疫情嚴重程度的加重，即使受教育程度較高的居民，也會受到一定程度的干擾，從而可能對風險信息的估計偏高；而對于受教育程度較低的居民，可能對風險信息產生更高的風險感知。對于風險嚴重程度相對較輕城市的居民，無論其教育程度高低，均不會影響到教育程度和風險信息感知之間的原有關系。故本文假設：

H2b：城市疫情嚴重程度在居民受教育程度和風險信息感知之間起到負向調節作用。

隨著城市疫情嚴重程度的加重,原本良好的政民關系下的居民，可能會對風險信息產生較高的估計；而政民關系一般的城市居民，可能產生更高的風險信息感知。若城市疫情嚴重程度較輕，則可能不會對政民關系和風險信息感知之間的原有關系產生較大影響。故本文假設：

H3b：城市疫情嚴重程度在政民關系和風險信息感知之間起到負向調節作用。

（3）城市疫情嚴重程度與風險信息感知。突發性公共衛生事件嚴重的城市，居民的心理壓力相對較大，容易夸大風險的危害程度，對風險的發展態勢做出嚴重的判斷；相反，事件較輕的城市，居民的心理壓力較小，不容易夸大風險的危害程度，對風險態勢做出較輕的判斷。故本文假設：

H1c：政治心理作為層1自變量時，城市疫情嚴重程度與風險信息感知之間顯著負相關；

H2c：受教育程度作為層1自變量時，城市疫情嚴重程度與風險信息感知之間顯著負相關；

H3c：政民關系作為層1自變量時，城市疫情嚴重程度與風險信息感知之間顯著負相關。

3 研究設計

3.1 樣本選取

圍繞居民疫情風險信息感知的影響因素，調研團隊于2020年5月對全國31個省、自治區和直轄市所轄市（州）進行了問卷調查。本次調研采用分層抽樣的方式,首先從國家政務服務平臺·疫情風險等級查詢 網 （http://bmfw.www.gov.cn/yqfxdjcx/index.html）調取“全國新冠肺炎病毒最新實時疫情動態數據”（截至2020年5月1日），按照累計確診病例數由高到低的順序進行排序，再按照0-9、10-99、100-499、500-999、1000-10000、大于10000等6個區間對市（州）確診病例數進行分段歸類；每個市州發放不少于30份的調查問卷，累計確診病例大于10000的城市不少于50份，問卷形式包括網絡問卷、電子郵件、紙質信件、電話詢問和現場訪談等方式；截止5月31日共發放問卷5145份，回收2193份,回收率42.63%；然后根據分層線性模型的樣本數量要求，刪除少于5個樣本的市州，剔除數據缺失、矛盾等無效問卷,最終獲取2121份有效問卷,有效率96.72%，有效樣本涵蓋了全國81個市（州）。

3.2 變量測量

根據研究需要，本文選取了突發性公共衛生事件的“風險信息感知”作為因變量，并設置題項“Q1.您感覺官方報出的疫情數據符合實際情況嗎？”進行測試。

自變量為“政治心理”“居民受教育程度”“政民關系”。根據“政治心理”的三個方面（政治興趣、政治效能感、政治認知），本文設置了三個題項進行測試，即“Q2.您對疫情相關的話題有多大興趣？Q3.如果政府能了解到您對疫情的觀點或行為，那么您認為您能對政府的行為產生多大影響？Q4.您在多大程度上了解目前我國對疫情防控所采取的政策措施？”設置“Q5.您的最高學歷是？”測試“居民受教育程度”。設置“Q6.您認為當地政府和老百姓的關系怎么樣？”和“Q7.您認為當地政府能及時回應老百姓的訴求嗎？”兩個題項測試“政民關系”。

跨層調節變量為“城市疫情嚴重程度”,調取截止2020年5月31日某城市新冠肺炎疫情累計確診人數（人）除以該地常住人口數（萬人）作為測量數據，并設置“Q8.您認為您所在城市的疫情嚴重程度如何？”了解被試對官方數據的認可程度；此外，設置“Q9.疫情期間您正處在哪個城市？”獲取位置信息，與網絡問卷上面顯示的IP地址進行匹配，校驗被試所在區域的準確性，以此作為區分省市并進行數據分層的依據。

控制變量為網絡輿情、就醫難度、社會關系等三個變量，對于“網絡輿情”，設置三個題項逐步測試，首先設置“Q10.您通過哪些渠道獲取此次疫情的現狀？”了解被試獲取信息的渠道是否為非官方網絡；其次，設置“Q11.您認為非官方網絡傳播的疫情信息可靠嗎？”了解被試的對非官方信息的態度；最后通過“Q12.您認為網絡輿情對您的影響有多大？”獲取網絡輿情對被試的心理影響程度。對于“就醫難度”，設置“Q13.您覺得疫情期間您所在的城市看病難嗎？”。對于“社會關系”設置開放式多選題“Q14.您的社會關系主要有哪些？（如親人關系、親戚關系、朋友關系、同事關系、同學關系、網友關系、其他關系）”根據選項個數統計得分。

此外，本文還設置了諸如“性別”“年齡”“家庭資產”“工作行業及工種”“黨派”“您的家庭成員中是否有確診人員”等問題作為輔助分析的題項。根據統計數據的相關性分析，確定了測量變量（見表1）。

3.3 分析方法與模型設定

（1）分析方法。不同城市的疫情嚴重程度不同，對所在城市居民的風險信息感知的影響也不同。而傳統的多元回歸模型在處理嵌套數據時，因受隨機誤差項不相互獨立和異方差的影響而無法得出準確的估計結果，故本文采用多層線性模型（HLM）的分析方法，使用HLM6.8軟件,構建兩層線性模型，通過各層變量的效應及其跨層交互作用（Cross-Level Interactions）分析居民的風險信息感知。

（2）模型設定。依據居民嵌套于城市的特點，建立居民和城市兩層線性模型。

i.零模型。即不含任何解釋變量的模型:

表1 變量設置及測量表

將（2）代入（1）,得到零模型的簡化形式（reduced form）

其中，因變量MesPer表示j城市i居民對疫情風險信息感知水平；β是截距，代表j城市居民的平均風險信息感知水平；γ代表j城市i居民圍繞j城市平均風險信息感知水平的變異程度，即誤差項均方和，在HLM中為層1回歸方程的誤差項變異數（組內方差σ）；γ是全體被調研居民的平均風險信息感知水平；μ表示各城市平均風險信息感知水平圍繞全國平均水平的變異程度，在HLM中為層2回歸方程的誤差項變異數（組間方差τ）。

在零模型中，跨層相關系數ICC(Intra-class correlation)表示因變量的變異能被組間方差解釋的程度，等于組間方差與總方差的比值，即ICC=τ/(σ+τ)；用以評估有沒有必要使用HLM方法進行解釋。根據經驗，ICC大于0.059時表示因變量的組間差異顯著，可以考慮使用跨層分析方法。

ii.隨機系數模型。在零模型的基礎上，在層1中引入居民個體層面的預測變量“政治心理”建立隨機系數模型（其他兩個自變量“受教育程度”和“政民關系”的引入方式及結構方程模式相同）：

將（5）-（9）代入（4）得到隨機系數模型的簡化形式:

其中β（t=1，2，3，4）表示居民個體層面第t個預測變量對居民風險信息感知的影響，包括固定效應γ和隨機效應μ兩部分。隨機系數模型檢驗β在組間有沒有顯著變化，可以假設H0:Var（β）=0，如果檢驗結果不能拒絕H0,可將β設為固定系數；如果拒絕H0，則在層2加入組水平解釋變量來解釋其變異。

iii.完全模型。在隨機系數模型的基礎上建立完全模型:

將（12）-(16)代入（11），得到斜率模型的Mixed Model形式:

4 數據分析與結果

4.1 數據分析

本文通過網上問卷、入戶調研并輔以電話訪談方式獲取了截至2020年5月31日的新冠肺炎疫情數據，并對調研數據進行相應地處理，各個變量基本統計信息（見表2）。

表2 變量基本統計信息

數據處理如下：（1）本次調研收集到了36個來自國外的樣本，由于此次的研究對象是我國居民在突發性公共衛生事件中的風險信息感知情況，故刪除了該部分樣本；（2）將調查問卷的IP地址和被調研對象風險期間所在位置進行比對，對兩個位置信息不一致的居民進行了進一步核實，最終以被調研對象在疫情期間所在地為準來確定層2的變量所指的城市；（3）依據HLM對樣本容量的要求（Rabe-Hesketh&Skronda，2012），刪除了樣本數量少于5個的城市,最終保留2121個居民樣本，81個城市樣本。

4.2 多層線性模型結果分析

（1）零模型結果分析。從零模型的分析結果（見表3）可知。截距表示被調研居民的整體風險信息感知水平，估計值為4.165，在0.001的水平上顯著。層1和層2的效應分別表示信息感知差異是由個體間特質差異（組內差異）和城市間的疫情差異（組間差異）造成的。在方差成分中，組間方差值為0.414，卡方值為658.065，P值顯著小于0.001，表明不同城市的居民風險信息感知存在顯著差異。跨級相關系數（ICC）為27.49%，這表明風險信息感知差異中，有27.49%是由城市間疫情嚴重程度的差異造成的。依據Cohen（1988）的判斷標準（P＞0.138），屬于高關聯強度，因變量存在顯著的組間差異，適合采用HLM進行分析。

表3 零模型分析結果

（2）隨機系數模型結果分析。在零模型估計的基礎上，分別引入層1的三個自變量，建立隨機系數模型（見表4-1）。為減少參數估計中迭代收斂不理想及加強自變量的解釋意義，對層1的自變量進行了組均數中心化（group-meaning centering）處理（Hox，2002）。

在層1引入第一個自變量“政治心理”和三個控制變量網絡輿情、就醫難度、社會關系。由隨機系數回歸模型參數估計結果（見表4-1），組內差異r的變異系數（Sigma_squared）由1.092降為0.909,降幅16.76%；組間變異μ系數（τ由0.414降低為0.216，降幅為47.83%，離差統計量由6358降為6136，說明加入了自變量和控制變量之后，方程的解釋力度顯著增強。

從固定效應看，自變量“政治心理”對居民風險信息感知具有顯著正向影響（γ=0.212，p＜0.05），說明居民的政治心理越強大（政治興趣越濃厚、政治效能感越高、政治認知越清晰），對風險的感知就越趨于“真實”；控制變量“網絡輿情”對居民風險信息感知具有較顯著地負向影響（γ=-0.040，p＜0.05），說明網絡輿情（特別是負面輿情）力度越大，居民的風險感知越趨于“不真實”；“就醫難度”對風險信息感知具有顯著的負向影響（γ=-0.069，p＜0.001），說明就醫難度越大，越會造成居民的心理恐慌，從而對風險做出夸大的或悲觀的判斷，影響了居民對風險的 判斷；“社會關系”對風險感知具有顯著的正向影響（γ=0.103，p＜0.001），說明居民的社會關系越廣泛，對風險信息感知就趨于“安全”。

從隨機效應看，自變量和控制變量的隨機效應均未通過p＜0.05的卡方檢驗，說明未解釋的部分（殘差）已經很小，固定效應部分的解釋力度很強。可見層1加入自變量“政治心理”之后，組間差異、組內差異、離差統計量均顯著降低，固定效應加強而隨機效應降低，且“政治心理”對“風險信息感知”有顯著正向影響，故假設H1a驗證通過。

同理，在層1引入表中第二個自變量“受教育程度”和三個控制變量（見表4-2）。組內方差由1.092降為0.978,降幅10.44%；組間方差由0.414降低為0.346，降幅為16.43%，離差統計量由6358降為6183，說明加入了自變量和控制變量之后，方程的解釋力度在增強。

從固定效應看，自變量“受教育程度”對居民風險信息感知具有顯著正影響（γ=0.060，p＜0.001），說明居民的教育程度越高，就越能正確判斷風險的發展趨勢，對風險的感知就越趨于“真實”;控制變量“網絡輿情”對居民風險信息 感知具有較顯著正向影響（γ=0.051，p＜0.010），說明隨著居民受教育程度的提高，居民對于網絡輿情的看法就會傾向于科學和理智，進而對風險的感知也趨于“真實”；“就醫難度”（γ=-0.065，p＜0.001）和“社會關系”（γ=0.209，p＜0.001）分別對風險感知具有顯著的負向和正向影響。

從隨機效應看，自變量和控制變量的隨機效應均未通過p＜0.05的卡方檢驗。

表4-1 隨機系數模型回歸結果1

表4-2 隨機系數模型回歸結果2

故假設H2a驗證通過。

在層1引入表中第三個自變量“政民關系”和三個控制變量（見表4-3）。組內方差由1.092降為0.933,降幅14.56%；組間方差由0.414降低為0.198，降幅為52.17%，離差統計量由6358降為6091，說明加入了自變量和控制變量之后，方程的解釋力度在增強。

從固定效應看，自變量“政民關系”對居民風險信息 感知具有顯著正影響（γ=0.183，p＜0.001），說明“政民關系”越好，居民對風險信息的感知就越趨于“真實”；這種情形下的“網絡輿情”對居民風險信息感知不具有顯著的影響（γ=1.722，p＞0.05）；“就醫難度”對風險感知具有顯著的負影響（γ=-0.074，p＜0.001）；“社會關系”對風險感知具有顯著的正影響（γ=0.128，p＜0.001）。

從隨機效應看，自變量和控制變量的隨機效應均未通過p＜0.05的卡方檢驗。

故假設H3a通過驗證。

（3）完全模型結果分析。在隨機系數模型的基礎上，在層2的方程中納入跨層變量“城市疫情嚴重程度”；將層1變量進行組中心化，層2變量進行總體中心化；并分別與層1的三個自變量做了乘積項。完整模型估計結果（見表5-1）顯示，在“政治心理”作為層1自變量的基礎上，引入“城市疫情嚴重程度”之后，相對于隨機模型，離差統計量由6136降為6051，組內方差由0.909降低為0.902，組間系數（τ）由0.216降低為0.187，減少比重13.43%，說明跨層變量對組間變異的解釋程度增加13.43%；從主效應看，城市疫情嚴重程度負向影響居民風險感知程度（γ=-0.015，p＜0.001），說明城市疫情越嚴重的城市，其居民的風險信息感知程度越低，出現這一現象的原因在于疫情越嚴重的地區居民的心理壓力越大，降低了居民風險信息感知水平。故H1c驗證通過。

從跨層交互作用看，加入跨層調節變量“城市疫情嚴重程度”之后，政治心理與城市疫情嚴重程度交互項的估計系數為-0.005，通過了0.001的顯著性水平檢驗，并且自變量與因變量之間由顯著正相關 （γ=0.292,p＜0.001）變成了較顯著負相關（γ=-0.215，p＜0.01）。從現實情況看，政治心理強大的居民，風險信息感知就越強，但隨著城市疫情的加重，這一關系發生了逆轉，而此時在政治心理和城市疫情嚴重程度的交互作用（調節作用）下，居民的風險信息感知明顯地趨于“不真實”。

表4-3 隨機系數模型回歸結果3

表5-1 完全模型結果1

故假設H1b通過檢驗。

在“受教育程度”作為層1自變量的基礎上，引入層2的變量“城市疫情嚴重程度”，形成完整模型估計結果（見表5-2）。相對于隨機模型，離差統計量由6183升為6202，組內方差沒有改變，組間方差（τ）由0.346反升為0.394，跨層變量對組間變異的解釋程度反而變弱了；從主效應看，“城市疫情嚴重程度”對“風險信息感知”并沒有顯著影響（γ=-0.003，p＞0.05）。

故H2c未驗證通過。

加入跨層調節變量之后，“受教育程度”與“風險信息感知”之間的關系幾乎沒有變化；而層1自變量“受教育程度”與層2調節變量“城市疫情嚴重程度”的交互項（γ=-0.001，p＞0.05）也沒有通過0.05水平上的檢驗，方程的解釋力反而變弱。實際上，居民受教育程度越高，對城市疫情嚴重程度就越能夠正確看待，對風險信息感知的影響就越小；本文被調研對象的受教育程度平均值為5.078，這個值對應問卷設置中的本科學歷，說明調研對象的受教育程度普遍偏高，而教育程度與風險信息感知顯著正相關，從而層2的變量對這一關系幾乎沒有調節作用。

故H2b未驗證通過。

在“政民關系”作為層1自變量的基礎上，引入“城市疫情嚴重程度”，形成完整模型估計結果（見表5-3）。相對于隨機模型，離差統計量由6091降為6006，組內系數由0.933降低為0.904，組間系數（τ）由0.198降低為0.124，減少的比重37.37%，代表了跨層變量對組間變異的解釋程度增加37.37%；說明加入跨層調節變量及其與層1自變量“政民關系”的交互項之后方程的解釋力變強。此外，城市疫情嚴重程度負向影響居民風險信息感知 （γ=-0.011，p＜0.01），說明城市疫情嚴重程度越高，其所在城市的居民風險信息感知程度就會越低。

故H3c驗證通過。

從跨層交互作用看，加入跨層調節變量之后，政民關系與城市疫情嚴重程度交互項的估計系數為-0.004，通過了0.001水平上的顯著性檢驗，而同時政民關系與居民風險信息感知之間的相關關系明顯降低（γ=0.178，p＜0.05），這表明城市疫情嚴重程度負向調節了政民關系和居民風險信息感知之間的關系。可見，盡管政民關系會正向影響居民的風險信息感知，但隨城市疫情的加重，居民的恐慌心理會加大，在政民關系和城市疫情嚴重程度的交互作用下，居民的風險信息感知趨于“危險”。

表5-2 完全模型結果2

表5-3 完全模型結果3

故H3b檢驗通過。

圖3-1 城市疫情嚴重程度的調節作用1

圖3-2 城市疫情嚴重程度的調節作用2

圖3-3 城市疫情嚴重程度的調節作用3

為了更加直觀地表現城市疫情嚴重程度對以上三種關系的調節效應，本文繪制了調節效應作用圖進行展示（見圖3-1，圖3-2，圖3-3）。圖3-1表示城市疫情嚴重程度對政治心理和風險信息感知之間關系的調節效應。可見，當城市疫情嚴重程度較低時，政治心理與居民風險信息感知之間顯著正相關，隨著城市疫情嚴重程度的加重，政治心理與風險感知的關系變成了顯著負相關（直線斜率變負），這是城市疫情嚴重程度的顯著（負向）調節結果。

圖3-2表示城市疫情嚴重程度對居民受教育程度和風險信息感知關系的調節效應。可見，受教育程度與風險信息感知之間呈現較為顯著的正相關關系，加入調節變量之后，教育程度對風險信息感知之間的關系幾乎沒有變化（直線的斜率幾乎沒有變化），即城市疫情嚴重程度對教育程度和風險信息感知的關系沒有調節作用。

圖3-3表示城市疫情嚴重程度對政民關系和居民風險感知關系的調節效應。可見，政民關系和居民風險信息感知之間顯著正相關；隨著城市疫情嚴重程度的加重，政民關系與風險信息感知之間的關系逐漸變弱（直線的斜率變小），這是城市疫情嚴重程度的（強弱）調節結果。

5 研究結論和討論

5.1 主要結論

本文利用網絡問卷的調查數據，通過建立HLM模型，實證分析了城市疫情嚴重程度對居民風險信息感知的影響，主要結論如下:第一，不同城市的居民風險信息感知存在顯著差異;第二，從主效應來看，政治心理、受教育程度、政民關系對居民風險信息感知均有正向影響;第三，城市疫情嚴重程度對風險信息感知的影響具有異質性，城市疫情嚴重程度負向調節了政治心理和風險信息感知之間的關系，弱化了政民關系與風險信息感知的正相關關系，但對教育程度和風險信息感知之間的關系沒有影響。

5.2 政策建議與研究展望

城市疫情嚴重程度對居民風險信息感知存在顯著的直接影響和間接（調節）作用，因此應該區分疫情的風險等級，有針對性地調動資源、明確職責，采取科學防治措施。既要防止一刀切、運動風等形式主義和官僚主義，又要防止推諉扯皮、麻痹大意。協調衛生、統計、媒體等部門的職能和職責，嚴格審核并及時報道風險數據，嚴厲打擊造謠傳謠行為，提高全民的風險認識水平，穩定居民正常生活狀態，防止集體恐慌行為，是政府在突發性公共衛生事件中的重點工作。同時，抗擊風險要靠全體公民的共同努力，因此充分發揮各級黨委和政府的組織與領導職能，廣泛聽取民眾的心聲和意見，正確引導民眾的政治認知，提高民眾的政治興趣和政治效能感，充分利用民間自發的防疫組織，統一指揮，實現全民聯防聯控。

研究發現，隨著居民受教育程度的提高，城市疫情嚴重程度對風險信息感知的負面影響明顯減少。嚴重的疫情態勢可能改變政治心理、政民關系對風險信息感知的影響，但改變不了教育對風險信息感知的影響，因此，應當高度重視全民思想政治教育和愛國主義教育、普遍提高學歷教育、大力加強應對突發性事件的科普教育。堅持“權為民所用、情為民所系、利為民所謀”，大力改善政民關系和黨群關系，這是黨政工作的基本要求，也是應對突發性公共衛生事件的根本保證。

本文探討了城市疫情嚴重程度對居民風險信息感知的影響，雖然使用了多種問卷調研方式，但絕大部分問卷是通過網絡問卷的形式完成的，因此被調研對象以掌握網絡信息的知識分子為主。其次，雖然控制了網絡輿情、就醫難度和社會關系等重要變量，但從殘差項看，依然存在一些有待研究的空間，如官員的領導力和績效導向、居民的資產狀況和宗教信仰等因素。因此，進一步探究風險信息感知的影響因素是未來疫情治理研究的一個重要方向。