基于Netlogo的售后客服負性情緒傳播網絡的仿真研究

史乃尹 金玉蘭

摘? ?要：基于社會網絡理論及SHIR傳播模型，采用多主體建模的方法，構建了一個售后客服負性情緒傳播網絡模型。為了研究售后客服內部負性情緒的傳播機理，通過Netlogo 6.2.1仿真平臺設置售后客服負性情緒傳播主體、網絡、參數等，實現對售后客服負性情緒傳播網絡模型的仿真，并通過傳播網絡的可視化仿真觀察宏觀規律的涌現，研究網絡聚集度和初始人員狀態等因素對售后客服內部負性情緒傳播的影響，為售后客服內部負性情緒傳播管理提供有效依據。

關鍵詞：售后客服；負性情緒；SHIR模型；Netlogo

中圖分類號：TP391.9? ? ? ?文獻標志碼：A? ? ? 文章編號：1673-291X（2024）04-0040-06

引言

情緒傳播是一種由個體的情緒體驗誘發他人產生相似情緒的現象，是兼具生理屬性和社會屬性的特殊傳播[1]。因為負性情緒更易傳播[2]，因此關于負性情緒在群體內部傳播規律和控制機制已經成為研究的關注重點。

Bosse等人基于熱力學理論，提出吸收模型模擬群體內的情緒傳染，來監控預測群體內部的情緒水平，防止群體陷入負性情緒[3]。謝科范[4]通過建立智能體仿真模型研究疏散人群中恐慌情緒的傳播。楊雪[5]通過系統動力學的方法，從礦工群體、社交網絡和企業三個層面構建礦工不安全情緒影響因素的模型。此外，還有不少學者從傳染病學的角度對負性情緒傳播開展研究。例如，李佳洋[6]以SIS（Susceptible-Infectious-Susceptible）模型為基礎構造了人員情緒更新函數，通過仿真實驗對所構建動態情緒驅動人員疏散運動模型的性能開展分析。Fu等[7]通過將元胞自動機與SIR傳染病模型（Susceptible-

Infected-Recovered）結合來模擬人群中的情緒傳播狀態過程。萬立軍[8]以SIRS（Susceptible-Infected-Recovered

- Susceptible）模型為基礎構建輿情傳播的動態演化模型，分析輿情不同演化狀態下的閾值特征，研究網絡輿情的傳播與預警。

雖然眾多學者已經從系統動力學、智能體、傳染病模型等角度研究了負性情緒在群體內傳播的規律和控制方法，但是目前的研究對象主要集中于網民，較少對不同類型的負性情緒傳播的主體開展研究，尤其是從事情緒勞動的就業人員。而售后客服作為一種需要長時間、高強度提供情緒勞動，且長時間暴露在顧客的負性情緒下的職業，其群體內部負性情緒的傳播在理論和實踐上都極具研究意義。而且目前傳染病模型情緒傳播的研究已經取得不少成果。但是大部分采用的模型都是經典的SIR模型，與傳統的SIR模型相比，SHIR（Susceptible-Hesitated-Infected-Recovered）模型中多了一類H（Hesitated）猶豫者，充分考慮了個體接觸到負性情緒后有一個過渡的過程，更加貼合實際[9]。為了研究售后客服負性情緒在其群體內的傳播規律，本文以SHIR傳播模型為理論基礎，依托Netlogo 6.2.1平臺構建售后客服負性情緒傳播網絡模型，并進行可視化仿真。

一、基于多Agent的網絡傳播模型構建

根據售后客服的工作環境和負性情緒的傳播過程，本文將顧客和售后客服作為研究的行為主體。顧客Agent和售后客服Agent各自具有不同的屬性，它們之間根據交互規則進行信息的交換，從而互相影響，改變狀態與屬性，最后通過觀測Agent微觀行為的變化，得到整體宏觀規律的涌現[10]。

（一）Agent建模

1.顧客Agent

顧客是售后客服提供服務的對象，也是整個仿真實驗的重要環境組成部分，其具體屬性的模擬如下：

（1）顧客數量與位置。Netlogo的世界是由一片片patch組成的。在本文的實驗中，每一片patch代表一名需要售后服務的顧客和他所處的位置，顧客的數量即整個仿真世界的大小，實驗取系統的默認值40×40，共計1600個patches。

（2）顧客服務時長，即一個售后客服服務完一個顧客所需的時間，用Random-One表示，在仿真模擬中取1—5ticks。

（3）顧客狀態。用顏色區分完成服務前和完成服務后的顧客。還未得到售后客服接待的顧客用棕色的patches表示，已經完成售后服務的顧客用灰色的patches表示。

2.售后客服Agent

作為負性情緒傳播網絡的主體，售后客服的個體特征也會影響負性情緒在群體間的傳播，其屬性設置具體如下：

（1）數量，售后客服的人數將用全局變量num-of-

employees表示，并在可視窗口用滑塊調整數量。

（2）位置，指每個售后客服在仿真世界中的坐標，用Position-One表示，取值為（X1，Y1），其中（X1，Y1）∈（-20，20）。

（3）傳播狀態，指每個售后客服在SHIR傳播模型中所處的傳播狀態，共分為四類，即未知者（S）、猶豫者（H）、傳播者（I）和免疫者（R）。用不同顏色以區分售后客服所處的不同傳播階段。用白色表示未知者狀態，黃色代表猶豫者狀態，紅色代表傳播者狀態，紫色代表免疫者狀態。

（4）工作單數，用worktimes表示，即一個售后客服在工作期間接待的客戶數量。

（5）差評單數，用bad-review-times表示，即售后客服在服務結束后收到顧客差評的數量。

（二）網絡模型構建

依據社會網絡理論和SHIR傳播模型，為了構建合理并切合實際情況的售后客服負性情緒傳播模型，本文對社會網絡理論及SHIR傳播模型進行合理化處理，所構建售后客服負性情緒傳播模型如下。

1.售后客服負性情緒傳播網絡的節點與邊

售后客服內部的負性情緒傳播可以視為一張有N個節點和M條無方向無權重邊的網絡，其中，N代表傳播網絡中售后客服的數量，M則代表售后客服之間的聯系。在構建的模型中，這N個節點將以一定的網絡度隨機與自己附近的節點建立連接。

2.售后客服負性情緒傳播網絡的網絡平均度

在售后客服負性情緒傳播網絡模型中，某一個節點Ni與其他節點連接的數量就是網絡度。而網絡平均度則是傳播網絡中所有節點的網絡度的和的平均值，具體表示如下：

其中，M 表示傳播網絡中邊的數量，即售后客服間的聯系數量；N 表示傳播網絡中節點的數量，即售后客服的人數。

3.售后客服負性情緒傳播網絡的聚集系數

網絡聚集系數是網絡平均度與節點數N之比，網絡聚集系數越大，則網絡中節點之間的關系越密切，即售后客服內部負性情緒傳播途徑越多。網絡聚集系數是衡量售后客服負性情緒傳播網絡的重要指標之一，具體表示如下：

4.售后客服負性情緒傳播機制

根據SHIR傳播模型理論，將售后客服負性情緒傳播模型中的節點分為4類，包括處于未知階段的售后客服S、處于猶豫階段的售后客服H、處于傳播階段的售后客服I以及處于免疫階段的售后客服R。將S類售后客服定義為：還未參與售后服務工作，還未受顧客負性情緒影響的處于未知狀態的售后客服，一旦開始工作便會改變其傳播狀態。將H類售后客服定義為：已經參與工作，且已經接收到來自顧客或者其他售后客服的負性情緒，但當前并未選擇傳播負性情緒的售后客服，這類售后客服會隨著工作時間的增加改變傳播狀態。將I類售后客服定義為：由于在工作中受到來自顧客負性情緒的影響，所以在工作間隙選擇向其他處于工作間隙中的售后客服傳播負性情緒的售后客服。將R類售后客服定義為：已經接觸到來自顧客或其他售后客服的負性情緒，但不選擇擴散負性情緒的售后客服。處于免疫階段的售后客服將不會再改變自身的傳播狀態。

本文建立的負性情緒傳播機制如圖1所示：S類售后客服在接收到來自顧客和其他售后客服的負性情緒之后，有α1的概率轉變為H類售后客服，也有α2的概率轉變為I類售后客服；當H類售后客服持續接觸負性情緒時，有β1的概率轉變為I類售后客服，向其他處于工作間隙的售后客服傳播負性情緒，同時也有β2的概率轉變為免疫者，擺脫負性情緒的傳播影響；最后當I類售后客服被管理者識別出來并采取干預措施后，也會有γ的概率轉變為R類售后客服。

5.售后客服負性情緒傳播的宏觀規則

（1）研究對象為售后客服，在負性情緒傳播網絡的節點中不包含其他客戶服務的上下游崗位，僅由售后客服組成。

（2）不考慮售后客服之間的親疏關系，將負性情緒傳播網絡視為由無向無權重的邊構成的網絡。

（3）僅研究工作期間售后客服負性情緒傳播的情況，不考慮下班、交接班等情況下的負性情緒傳播。

二、傳播網絡模型可視化仿真

（一）仿真算法

為了在Netlogo 6.2.1 平臺上實現對售后客服負性情緒傳播模型的模擬，建立仿真算法如下。

1.初始化創建N個孤立的節點，將節點形狀設置為“person”，依據實驗需求，改變節點的傳播狀態和顏色。同時，將網絡平均度設置為可變的滑動模塊，根據不同的網絡平均度，確定每個節點與其他節點的連接數量，然后隨機產生售后客服負性情緒傳播網絡，如圖2所示。

模型仿真初始狀態示意圖

2.程序開始運行，售后客服節點通過移動坐標來到代表需要客戶服務的顧客的棕色patch提供服務，完成服務后顧客離開，對應的patch變色，且售后客服會有一定概率改變傳播狀態。當售后客服處于工作狀態時，不受客服群體內部負性情緒的影響；而當售后客服處于工作間隙時，即暫時沒有需要服務的顧客時，則各類售后客服節點按照上文構建傳播規則進行負性情緒傳播。

3.當售后客服節點處于傳播者（I）階段時，有一定概率獲得顧客的差評。

4.當售后客服負性情緒傳播網絡中既不存在未知者（S）狀態員工，也不存在傳播者（I）狀態員工時，負性情緒傳播結束，仿真終止，并將各類數據輸出成Excel文件。

5.重新開始則重復上述步驟。

（二）仿真初始化

根據天貓、淘寶、京東等電商平臺客服調研情況，結合《2021客服行業分析報告》內的相關數據，本文仿真實驗的初始參數設定如表1所示。同時，為了方便模擬仿真及符合實際，設置了7個可調節變量，在Netlogo 6.2.1平臺中以滑動條的形式實現，具體參數控制模塊如圖3所示，具體解釋如下。

1.初始總人數：該仿真環境內S、H、I、R這四類售后客服的總人數為N。

2.節點平均連接數：根據網絡平均度來確定每一個節點與其他節點連接的平均數量，反映售后客服群體內部負性情緒傳播途徑的數量水平。

3.傳播狀態更新頻率：每隔一定仿真步長就會更新所有售后客服當前所處的傳播狀態，但處于工作狀態的售后客服只會在工作結束后才更新狀態。

4.售后客服猶豫率：S類售后客服接受負性情緒后轉變為H類售后客服的概率。

5.負性情緒傳播概率：在程序運行中，I類售后客服將負性情緒傳播給S類售后客服或H類售后客服的概率。

6.售后客服恢復率：I類售后客服轉變為H類售后客服的概率。

7.售后客服免疫率：指H類售后客服和I類售后客服轉變為R類售后客服的概率。

三、仿真結果分析

（一）網絡聚集度對負性情緒傳播網絡模型的影響

在控制初始參數設置不變且所有售后客服的初始狀態為未知者的情況下，通過改變售后客服傳播網絡的聚集度，研究售后客服節點的聯系密度對于售后客服負性情緒傳播的影響。隨著可視化仿真的進行，可以實時輸出S、H、I、R四類售后客服的人員占比數據，如圖4所示。其中，橫坐標代表程序運行時間（ticks），縱坐標代表四個傳播階段的售后客服在總人數中所占百分比（%）。經過9次重復實驗后，得到的從網絡聚集度0.1到0.9的負性情緒傳播網絡仿真實驗數據，整理后如表2所示。

當網絡聚集度為0.1時，經過了720 ticks整個負性情緒傳播，網絡中的傳播者數量才下降為0，且該網絡中的100名售后客服在整個仿真過程中服務了共計44 403名顧客，其中7 764名顧客給出了差評，差評率達到了17.49%。隨著網絡聚集度的增加，仿真步長呈現出先減少后增加的趨勢，從網絡聚集度0.1到網絡聚集度0.6，仿真步長也從720ticks下降到了最低值487 ticks；而網絡聚集度從0.7開始，仿真步長又開始逐步增加，從最低值的487 ticks增長到了網絡聚集度0.9時的750 ticks。仿真步長的變化說明了網絡聚集度的變化對于負性情緒傳播網絡中傳播者數量的影響，當網絡聚集度小于0.6時，隨著網絡聚集度的增加，整個負性情緒傳播網絡中的傳播者數量的下降速度是逐漸提升的；而當網絡聚集度大于0.6時，隨著網絡聚集度的增大，傳播者數量的下降速度逐漸放緩。

網絡聚集度的變化不只影響著傳播網絡中傳播者的數量變化和仿真步長的變化，同時也影響著差評率的變化，當網絡聚集度處于0.4—0.7的范圍內時，該負性情緒傳播網絡內的售后客服的差評率大于20%；而當網絡聚集度小于0.4或者大于0.7時，差評率就會有所下降。

（二）不同網絡聚集度下初始狀態的改變對負性情緒傳播網絡模型的影響

在控制參數不變的情況下，通過改變負性情緒傳播網絡中售后客服節點的初始傳播狀態，即從原先的全部節點初始為未知者狀態，改變為“未知者+猶豫者”“未知者+傳播者”“未知者+免疫者”這三種初始狀態，通過調整兩種傳播狀態初始狀態的比例，橫向研究負性情緒傳播網絡初始狀態的改變對于負性情緒傳播的影響。同時，在不同網絡聚集度下，重復實驗，縱向研究在不同網絡聚集度下初始狀態的改變對于負性情緒傳播網絡的影響。

1.不同網絡聚集度下傳播者售后客服初始比例對負性情緒傳播網絡模型的影響

在初始化負性情緒傳播網絡節點時，將其中90%節點的初始狀態設置為未知者，剩余10%的節點設置為傳播者，每次實驗按照10%的比例改變初始未知者與初始傳播者的數量，重復實驗9次，得到初始未知者與初始傳播者之比從9：1到1：9的實驗數據，并將上述實驗在網絡聚集度為0.1、0.3、0.5、0.7、0.9的情況下重復5次。

將在不同網絡聚集度情況下，售后客服負性情緒傳播網絡中初始傳播者節點等比例改變實驗得到的仿真步長和顧客差評率的數據繪制成3D散點圖，得到的結果如圖5、圖6所示。

隨著負性情緒傳播網絡模型中初始傳播者節點的增多，實驗的仿真步長呈現出先下降后上升的趨勢，且在不同的網絡聚集度下重復實驗時，得到的結果亦是如此，所以整個3D散點圖呈現出“四周高、中心低”的特征。由于在售后客服負性情緒傳播網絡模型中，根據模擬仿真的條件，傳播者節點的數量會先上升再下降最后歸零，而初始傳播者節點的出現加速了傳播者節點上升的速度，所以剛開始時隨著初始傳播者節點的增加仿真步長呈現出下降的趨勢。而當初始傳播者節點的比例大于50%時，整張網絡中由于傳播者節點的比例過高，且由于要等到整個傳播網絡中的傳播者數量為零時負性情緒傳播才會停止，所以實驗的仿真步長反而呈現出上升趨勢，且這一趨勢會隨著網絡聚集度的增加而增加。當網絡聚集度為0.9且初始傳播者比例為90%時，實驗的仿真步長達到最大值865ticks；而當網絡聚集度為0.7且初始傳播者比例為50%時，實驗的仿真步長為最小值567ticks。

隨著負性情緒傳播網絡模型中初始傳播者節點的增多，顧客的差評率呈現上升趨勢，且隨著網絡聚集度的增加而增加。所以，當網絡聚集度為0.1且初始傳播者比例為10%時，顧客的差評率最低為21.68%；而當網絡聚集度為0.9且初始傳播者比例為90%時，顧客的差評率達到最大值31.04%。

2.不同網絡聚集度下免疫者售后客服初始比例對負性情緒傳播網絡模型的影響

將在不同網絡聚集度情況下售后客服負性情緒傳播網絡中初始免疫者節點等比例改變實驗得到的仿真步長和顧客差評率的數據繪制成3D散點圖，得到的結果如圖7、圖8所示。

由圖可得，初始免疫者節點的數量的變化對售后客服負性情緒傳播網絡有著直接影響。當初始免疫者節點的比例為10%時，在不同網絡聚集度的實驗下，仿真步長均超過600ticks，最高達到了814ticks，顧客差評率均超過12%，最高達到了15.29%；而初始免疫者節點的比例提升到90%時，在不同網絡聚集度的實驗下，仿真步長均低于100ticks，最低為23ticks顧客差評率均低于5%，最低為3.41%。所以，免疫者數量越多、顧客差評率就越低，仿真步長就越短，即負性情緒傳播網絡停止傳播的時間越早，且在不同的網絡聚集度下重復實驗時得到的結果不變。

3.不同網絡聚集度下猶豫者售后客服初始比例對負性情緒傳播網絡模型的影響

將在不同網絡聚集度情況下售后客服負性情緒傳播網絡中初始猶豫者節點等比例改變實驗得到的仿真步長和顧客差評率的數據繪制成3D散點圖，得到的結果如圖9和圖10所示。隨著初始猶豫者比例的上升以及網絡聚集度的變化，每次實驗的仿真步長的變化范圍在541 ticks至688 ticks之間，且平均仿真步長為617 ticks，說明在負性情緒傳播網絡中，當部分節點的初始狀態從未知者改變為猶豫者，且隨著初始網絡中猶豫者節點比例上升時，對整個負性情緒傳播網絡傳播時長的影響是有限的。因為當整個負性情緒傳播網絡中的傳播者數量為零時，仿真自動停止，所以仿真步長代表這個網絡停止傳播負性情緒的時刻。

圖9? 不同網絡聚集度初始猶豫者節點比例改變時的

負性情緒傳播網絡模型的仿真步長

圖10? 不同網絡聚集度初始猶豫者節點比例改變時

的負性情緒傳播網絡模型的差評率

同樣，隨著初始猶豫者節點比例的上升，顧客差評率的變化范圍在15.10%—16.89%，且平均差評率為15.76%，說明初始網絡中猶豫者數量增多對于整個網絡的顧客差評率的影響是有限的。且上述實驗均在不同網絡聚集度的情況下重復，說明在不同網絡聚集度下，上述實驗結論依然成立。

四、結論

本文通過Netlogo仿真平臺對售后客服負性情緒傳播網絡模型的建模仿真，得到的結論如下。

1.當售后客服負性情緒傳播網絡的初始節點都是未知者時，隨著網絡聚集度的增加，負性情緒傳播網絡的傳播時長會先下降再上升；而顧客差評率的改變則正好相反，呈現出先上升再下降的趨勢。

2.當售后客服負性情緒傳播網絡的初始節點出現傳播者時，隨著傳播者節點的增多，負性情緒傳播網絡的傳播時長呈現出先下降再上升的趨勢，且在不同的網絡聚集度下保持不變，而顧客差評率則是隨著初始傳播者比例和網絡聚集度的增加而增加。

3.當售后客服負性情緒傳播網絡的初始節點出現免疫者時，隨著免疫者節點的增多，負性情緒傳播網絡的傳播時長和顧客差評率均會呈現出明顯下降的趨勢。

4.當售后客服負性情緒傳播網絡的初始節點出現猶豫者時，猶豫者節點數量的變化對于負性情緒傳播網絡的傳播時長和顧客差評率的影響均不明顯，且網絡聚集度的改變也不影響這一結果。

參考文獻：

[1]? ?王瀟，李文忠，杜建剛.情緒感染理論研究述評[J].心理科學進展，2010，18（8）：1236-1245.

[2]? ?LIU Z，ZHANG T，LAN Q. An extended SIS a model for sentiment contagion[J].Discrete in Nature &Society，2014（4）：1-7.

[3]? ?Bosse T，Duell R，Memon Z A，et al. A Multi-agent Model for Emotion Contagion Spirals Integrated within a Supporting Ambient Agent Model[C].International Conference on Principles of Practice in Multi-Agent Systems，2009：48-67.

[4]? ?謝科范，宋鈺，梁本部.人群疏散中的恐慌傳播與干預策略研究[J].管理學報，2019，16（2）：273-279.

[5]? ?楊雪，楊娟，張瀚元.基于系統動力學的礦工情緒演化機理研究[J].煤礦安全，2021，52（1）：252-256.

[6]? ?李佳洋，唐加福，郭恩銘.基于動態情緒驅動的人員應急疏散模型[J].東北大學學報（自然科學版），2021，42（11）：1656-1662.

[7]? ?Fu Libi，Song Weiguo，Lv Wei，et al. Simulation of emotional contagion using modified SIR model：A cellular automaton approach[J].Physical A Statistical Mechanics & Its Applications，2014（405）：380-391.

[8]? ?萬立軍，郭爽，侯日冉.基于SIRS模型的微博社區輿情傳播與預警研究[J].情報科學，2021，39（2）：137-145.

[9]? ?馬宇紅，趙媛媛，強亞蓉.社交網絡中謠言傳播的從眾效應和權威效應[J].計算機應用，2019，39（1）：232-238.

[10]? ?劉小波.基于NetLogo平臺的輿情演化模型實現[J].情報資料工作，2012（1）：55-60.

[責任編輯? ?彥? ?文]