基于Netlogo的售后客服负性情绪传播网络的仿真研究
2024-03-21史乃尹金玉兰
史乃尹 金玉兰
摘 要：基于社会网络理论及SHIR传播模型，采用多主体建模的方法，构建了一个售后客服负性情绪传播网络模型。为了研究售后客服内部负性情绪的传播机理，通过Netlogo 6.2.1仿真平台设置售后客服负性情绪传播主体、网络、参数等，实现对售后客服负性情绪传播网络模型的仿真，并通过传播网络的可视化仿真观察宏观规律的涌现，研究网络聚集度和初始人员状态等因素对售后客服内部負性情绪传播的影响，为售后客服内部负性情绪传播管理提供有效依据。
关键词：售后客服；负性情绪；SHIR模型；Netlogo
中图分类号：TP391.9 文献标志码：A 文章编号：1673-291X（2024）04-0040-06
引言
情绪传播是一种由个体的情绪体验诱发他人产生相似情绪的现象，是兼具生理属性和社会属性的特殊传播[1]。因为负性情绪更易传播[2]，因此关于负性情绪在群体内部传播规律和控制机制已经成为研究的关注重点。
Bosse等人基于热力学理论，提出吸收模型模拟群体内的情绪传染，来监控预测群体内部的情绪水平，防止群体陷入负性情绪[3]。谢科范[4]通过建立智能体仿真模型研究疏散人群中恐慌情绪的传播。杨雪[5]通过系统动力学的方法，从矿工群体、社交网络和企业三个层面构建矿工不安全情绪影响因素的模型。此外，还有不少学者从传染病学的角度对负性情绪传播开展研究。例如，李佳洋[6]以SIS（Susceptible-Infectious-Susceptible）模型为基础构造了人员情绪更新函数，通过仿真实验对所构建动态情绪驱动人员疏散运动模型的性能开展分析。Fu等[7]通过将元胞自动机与SIR传染病模型（Susceptible-
Infected-Recovered）结合来模拟人群中的情绪传播状态过程。万立军[8]以SIRS（Susceptible-Infected-Recovered
- Susceptible）模型为基础构建舆情传播的动态演化模型，分析舆情不同演化状态下的阈值特征，研究网络舆情的传播与预警。
虽然众多学者已经从系统动力学、智能体、传染病模型等角度研究了负性情绪在群体内传播的规律和控制方法，但是目前的研究对象主要集中于网民，较少对不同类型的负性情绪传播的主体开展研究，尤其是从事情绪劳动的就业人员。而售后客服作为一种需要长时间、高强度提供情绪劳动，且长时间暴露在顾客的负性情绪下的职业，其群体内部负性情绪的传播在理论和实践上都极具研究意义。而且目前传染病模型情绪传播的研究已经取得不少成果。但是大部分采用的模型都是经典的SIR模型，与传统的SIR模型相比，SHIR（Susceptible-Hesitated-Infected-Recovered）模型中多了一类H（Hesitated）犹豫者，充分考虑了个体接触到负性情绪后有一个过渡的过程，更加贴合实际[9]。为了研究售后客服负性情绪在其群体内的传播规律，本文以SHIR传播模型为理论基础，依托Netlogo 6.2.1平台构建售后客服负性情绪传播网络模型，并进行可视化仿真。
一、基于多Agent的网络传播模型构建
根据售后客服的工作环境和负性情绪的传播过程，本文将顾客和售后客服作为研究的行为主体。顾客Agent和售后客服Agent各自具有不同的属性，它们之间根据交互规则进行信息的交换，从而互相影响，改变状态与属性，最后通过观测Agent微观行为的变化，得到整体宏观规律的涌现[10]。
（一）Agent建模
1.顾客Agent
顾客是售后客服提供服务的对象，也是整个仿真实验的重要环境组成部分，其具体属性的模拟如下：
（1）顾客数量与位置。Netlogo的世界是由一片片patch组成的。在本文的实验中，每一片patch代表一名需要售后服务的顾客和他所处的位置，顾客的数量即整个仿真世界的大小，实验取系统的默认值40×40，共计1600个patches。
（2）顾客服务时长，即一个售后客服服务完一个顾客所需的时间，用Random-One表示，在仿真模拟中取1—5ticks。
（3）顾客状态。用颜色区分完成服务前和完成服务后的顾客。还未得到售后客服接待的顾客用棕色的patches表示，已经完成售后服务的顾客用灰色的patches表示。
2.售后客服Agent
作为负性情绪传播网络的主体，售后客服的个体特征也会影响负性情绪在群体间的传播，其属性设置具体如下：
（1）数量，售后客服的人数将用全局变量num-of-
employees表示，并在可视窗口用滑块调整数量。
（2）位置，指每个售后客服在仿真世界中的坐标，用Position-One表示，取值为（X1，Y1），其中（X1，Y1）∈（-20，20）。
（3）传播状态，指每个售后客服在SHIR传播模型中所处的传播状态，共分为四类，即未知者（S）、犹豫者（H）、传播者（I）和免疫者（R）。用不同颜色以区分售后客服所处的不同传播阶段。用白色表示未知者状态，黄色代表犹豫者状态，红色代表传播者状态，紫色代表免疫者状态。
（4）工作单数，用worktimes表示，即一个售后客服在工作期间接待的客户数量。
（5）差评单数，用bad-review-times表示，即售后客服在服务结束后收到顾客差评的数量。
（二）网络模型构建
依据社会网络理论和SHIR传播模型，为了构建合理并切合实际情况的售后客服负性情绪传播模型，本文对社会网络理论及SHIR传播模型进行合理化处理，所构建售后客服负性情绪传播模型如下。
1.售后客服负性情绪传播网络的节点与边
售后客服内部的负性情绪传播可以视为一张有N个节点和M条无方向无权重边的网络，其中，N代表传播网络中售后客服的数量，M则代表售后客服之间的联系。在构建的模型中，这N个节点将以一定的网络度随机与自己附近的节点建立连接。
2.售后客服负性情绪传播网络的网络平均度
在售后客服负性情绪传播网络模型中，某一个节点Ni与其他节点连接的数量就是网络度。而网络平均度
其中，M 表示传播网络中边的数量，即售后客服间的联系数量；N 表示传播网络中节点的数量，即售后客服的人数。
3.售后客服负性情绪传播网络的聚集系数
网络聚集系数是网络平均度
4.售后客服负性情绪传播机制
根据SHIR传播模型理论，将售后客服负性情绪传播模型中的节点分为4类，包括处于未知阶段的售后客服S、处于犹豫阶段的售后客服H、处于传播阶段的售后客服I以及处于免疫阶段的售后客服R。将S类售后客服定义为：还未参与售后服务工作，还未受顾客负性情绪影响的处于未知状态的售后客服，一旦开始工作便会改变其传播状态。将H类售后客服定义为：已经参与工作，且已经接收到来自顾客或者其他售后客服的负性情绪，但当前并未选择传播负性情绪的售后客服，这类售后客服会随着工作时间的增加改变传播状态。将I类售后客服定义为：由于在工作中受到来自顾客负性情绪的影响，所以在工作间隙选择向其他处于工作间隙中的售后客服传播负性情绪的售后客服。将R类售后客服定义为：已经接触到来自顾客或其他售后客服的负性情绪，但不选择扩散负性情绪的售后客服。处于免疫阶段的售后客服将不会再改变自身的传播状态。
本文建立的负性情绪传播机制如图1所示：S类售后客服在接收到来自顾客和其他售后客服的负性情绪之后，有α1的概率转变为H类售后客服，也有α2的概率转变为I类售后客服；当H类售后客服持续接触负性情绪时，有β1的概率转变为I类售后客服，向其他处于工作间隙的售后客服传播负性情绪，同时也有β2的概率转变为免疫者，摆脱负性情绪的传播影响；最后当I类售后客服被管理者识别出来并采取干预措施后，也会有γ的概率转变为R类售后客服。
5.售后客服负性情绪传播的宏观规则
（1）研究对象为售后客服，在负性情绪传播网络的节点中不包含其他客户服务的上下游岗位，仅由售后客服组成。
（2）不考虑售后客服之间的亲疏关系，将负性情绪传播网络视为由无向无权重的边构成的网络。
（3）仅研究工作期间售后客服负性情绪传播的情况，不考虑下班、交接班等情况下的负性情绪传播。
二、传播网络模型可视化仿真
（一）仿真算法
为了在Netlogo 6.2.1 平台上实现对售后客服负性情绪传播模型的模拟，建立仿真算法如下。
1.初始化创建N个孤立的节点，将节点形状设置为“person”，依据实验需求，改变节点的传播状态和颜色。同时，将网络平均度
模型仿真初始状态示意图
2.程序开始运行，售后客服节点通过移动坐标来到代表需要客户服务的顾客的棕色patch提供服务，完成服务后顾客离开，对应的patch变色，且售后客服会有一定概率改变传播状态。当售后客服处于工作状态时，不受客服群体内部负性情绪的影响；而当售后客服处于工作间隙时，即暂时没有需要服务的顾客时，则各类售后客服节点按照上文构建传播规则进行负性情绪传播。
3.当售后客服节点处于传播者（I）阶段时，有一定概率获得顾客的差评。
4.当售后客服负性情绪传播网络中既不存在未知者（S）状态员工，也不存在传播者（I）状态员工时，负性情绪传播结束，仿真终止，并将各类数据输出成Excel文件。
5.重新开始则重复上述步骤。
（二）仿真初始化
根据天猫、淘宝、京东等电商平台客服调研情况，结合《2021客服行业分析报告》内的相关数据，本文仿真实验的初始参数设定如表1所示。同时，为了方便模拟仿真及符合实际，设置了7个可调节变量，在Netlogo 6.2.1平台中以滑动条的形式实现，具体参数控制模块如图3所示，具体解释如下。
1.初始总人数：该仿真环境内S、H、I、R这四类售后客服的总人数为N。
2.节点平均连接数：根据网络平均度
3.传播状态更新频率：每隔一定仿真步长就会更新所有售后客服当前所处的传播状态，但处于工作状态的售后客服只会在工作结束后才更新状态。
4.售后客服犹豫率：S类售后客服接受负性情绪后转变为H类售后客服的概率。
5.负性情绪传播概率：在程序运行中，I类售后客服将负性情绪传播给S类售后客服或H类售后客服的概率。
6.售后客服恢复率：I类售后客服转变为H类售后客服的概率。
7.售后客服免疫率：指H类售后客服和I类售后客服转变为R类售后客服的概率。
三、仿真结果分析
（一）网络聚集度对负性情绪传播网络模型的影响
在控制初始參数设置不变且所有售后客服的初始状态为未知者的情况下，通过改变售后客服传播网络的聚集度，研究售后客服节点的联系密度对于售后客服负性情绪传播的影响。随着可视化仿真的进行，可以实时输出S、H、I、R四类售后客服的人员占比数据，如图4所示。其中，横坐标代表程序运行时间（ticks），纵坐标代表四个传播阶段的售后客服在总人数中所占百分比（%）。经过9次重复实验后，得到的从网络聚集度0.1到0.9的负性情绪传播网络仿真实验数据，整理后如表2所示。
当网络聚集度为0.1时，经过了720 ticks整个负性情绪传播，网络中的传播者数量才下降为0，且该网络中的100名售后客服在整个仿真过程中服务了共计44 403名顾客，其中7 764名顾客给出了差评，差评率达到了17.49%。随着网络聚集度的增加，仿真步长呈现出先减少后增加的趋势，从网络聚集度0.1到网络聚集度0.6，仿真步长也从720ticks下降到了最低值487 ticks；而网络聚集度从0.7开始，仿真步长又开始逐步增加，从最低值的487 ticks增长到了网络聚集度0.9时的750 ticks。仿真步长的变化说明了网络聚集度的变化对于负性情绪传播网络中传播者数量的影响，当网络聚集度小于0.6时，随着网络聚集度的增加，整个负性情绪传播网络中的传播者数量的下降速度是逐渐提升的；而当网络聚集度大于0.6时，随着网络聚集度的增大，传播者数量的下降速度逐渐放缓。
网络聚集度的变化不只影响着传播网络中传播者的数量变化和仿真步长的变化，同时也影响着差评率的变化，当网络聚集度处于0.4—0.7的范围内时，该负性情绪传播网络内的售后客服的差评率大于20%；而当网络聚集度小于0.4或者大于0.7时，差评率就会有所下降。
（二）不同网络聚集度下初始状态的改变对负性情绪传播网络模型的影响
在控制参数不变的情况下，通过改变负性情绪传播网络中售后客服节点的初始传播状态，即从原先的全部节点初始为未知者状态，改变为“未知者+犹豫者”“未知者+传播者”“未知者+免疫者”这三种初始状态，通过调整两种传播状态初始状态的比例，横向研究负性情绪传播网络初始状态的改变对于负性情绪传播的影响。同时，在不同网络聚集度下，重复实验，纵向研究在不同网络聚集度下初始状态的改变对于负性情绪传播网络的影响。
1.不同网络聚集度下传播者售后客服初始比例对负性情绪传播网络模型的影响
在初始化负性情绪传播网络节点时，将其中90%节点的初始状态设置为未知者，剩余10%的节点设置为传播者，每次实验按照10%的比例改变初始未知者与初始传播者的数量，重复实验9次，得到初始未知者与初始传播者之比从9：1到1：9的实验数据，并将上述实验在网络聚集度为0.1、0.3、0.5、0.7、0.9的情况下重复5次。
将在不同网络聚集度情况下，售后客服负性情绪传播网络中初始传播者节点等比例改变实验得到的仿真步长和顾客差评率的数据绘制成3D散点图，得到的结果如图5、图6所示。
随着负性情绪传播网络模型中初始传播者节点的增多，实验的仿真步长呈现出先下降后上升的趋势，且在不同的网络聚集度下重复实验时，得到的结果亦是如此，所以整个3D散点图呈现出“四周高、中心低”的特征。由于在售后客服负性情绪传播网络模型中，根据模拟仿真的条件，传播者节点的数量会先上升再下降最后归零，而初始传播者节点的出现加速了传播者节点上升的速度，所以刚开始时随着初始传播者节点的增加仿真步长呈现出下降的趋势。而当初始传播者节点的比例大于50%时，整张网络中由于传播者节点的比例过高，且由于要等到整个传播网络中的传播者数量为零时负性情绪传播才会停止，所以实验的仿真步长反而呈现出上升趋势，且这一趋势会随着网络聚集度的增加而增加。当网络聚集度为0.9且初始传播者比例为90%时，实验的仿真步长达到最大值865ticks；而当网络聚集度为0.7且初始传播者比例为50%时，实验的仿真步长为最小值567ticks。
随着负性情绪传播网络模型中初始传播者节点的增多，顾客的差评率呈现上升趋势，且随着网络聚集度的增加而增加。所以，当网络聚集度为0.1且初始传播者比例为10%时，顾客的差评率最低为21.68%；而当网络聚集度为0.9且初始传播者比例为90%时，顾客的差评率达到最大值31.04%。
2.不同网络聚集度下免疫者售后客服初始比例对负性情绪传播网络模型的影响
将在不同网络聚集度情况下售后客服负性情绪传播网络中初始免疫者节点等比例改变实验得到的仿真步长和顾客差评率的数据绘制成3D散点图，得到的结果如图7、图8所示。
由图可得，初始免疫者节点的数量的变化对售后客服负性情绪传播网络有着直接影响。当初始免疫者节点的比例为10%时，在不同网络聚集度的实验下，仿真步长均超过600ticks，最高达到了814ticks，顾客差评率均超过12%，最高达到了15.29%；而初始免疫者节点的比例提升到90%时，在不同网络聚集度的实验下，仿真步长均低于100ticks，最低为23ticks顾客差评率均低于5%，最低为3.41%。所以，免疫者数量越多、顾客差评率就越低，仿真步长就越短，即负性情绪传播网络停止传播的时间越早，且在不同的网络聚集度下重复实验时得到的结果不变。
3.不同网络聚集度下犹豫者售后客服初始比例对负性情绪传播网络模型的影响
将在不同网络聚集度情况下售后客服负性情绪传播网络中初始犹豫者节点等比例改变实验得到的仿真步长和顾客差评率的数据绘制成3D散点图，得到的结果如图9和图10所示。随着初始犹豫者比例的上升以及网络聚集度的变化，每次实验的仿真步长的变化范围在541 ticks至688 ticks之间，且平均仿真步长为617 ticks，说明在负性情绪传播网络中，当部分节点的初始状态从未知者改变为犹豫者，且随着初始网络中犹豫者節点比例上升时，对整个负性情绪传播网络传播时长的影响是有限的。因为当整个负性情绪传播网络中的传播者数量为零时，仿真自动停止，所以仿真步长代表这个网络停止传播负性情绪的时刻。
图9 不同网络聚集度初始犹豫者节点比例改变时的
负性情绪传播网络模型的仿真步长
图10 不同网络聚集度初始犹豫者节点比例改变时
的负性情绪传播网络模型的差评率
同样，随着初始犹豫者节点比例的上升，顾客差评率的变化范围在15.10%—16.89%，且平均差评率为15.76%，说明初始网络中犹豫者数量增多对于整个网络的顾客差评率的影响是有限的。且上述实验均在不同网络聚集度的情况下重复，说明在不同网络聚集度下，上述实验结论依然成立。
四、结论
本文通过Netlogo仿真平台对售后客服负性情绪传播网络模型的建模仿真，得到的结论如下。
1.当售后客服负性情绪传播网络的初始节点都是未知者时，随着网络聚集度的增加，负性情绪传播网络的传播时长会先下降再上升；而顾客差评率的改变则正好相反，呈现出先上升再下降的趋势。
2.当售后客服负性情绪传播网络的初始节点出现传播者时，随着传播者节点的增多，负性情绪传播网络的传播时长呈现出先下降再上升的趋势，且在不同的网络聚集度下保持不变，而顾客差评率则是随着初始传播者比例和网络聚集度的增加而增加。
3.当售后客服负性情绪传播网络的初始节点出现免疫者时，随着免疫者节点的增多，负性情绪传播网络的传播时长和顾客差评率均会呈现出明显下降的趋势。
4.當售后客服负性情绪传播网络的初始节点出现犹豫者时，犹豫者节点数量的变化对于负性情绪传播网络的传播时长和顾客差评率的影响均不明显，且网络聚集度的改变也不影响这一结果。
参考文献：
[1] 王潇，李文忠，杜建刚.情绪感染理论研究述评[J].心理科学进展，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] 谢科范，宋钰，梁本部.人群疏散中的恐慌传播与干预策略研究[J].管理学报，2019，16（2）：273-279.
[5] 杨雪，杨娟，张瀚元.基于系统动力学的矿工情绪演化机理研究[J].煤矿安全，2021，52（1）：252-256.
[6] 李佳洋，唐加福，郭恩铭.基于动态情绪驱动的人员应急疏散模型[J].东北大学学报（自然科学版），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] 万立军，郭爽，侯日冉.基于SIRS模型的微博社区舆情传播与预警研究[J].情报科学，2021，39（2）：137-145.
[9] 马宇红，赵媛媛，强亚蓉.社交网络中谣言传播的从众效应和权威效应[J].计算机应用，2019，39（1）：232-238.
[10] 刘小波.基于NetLogo平台的舆情演化模型实现[J].情报资料工作，2012（1）：55-60.
[责任编辑 彦 文]
