“网络水军”与旅游目的地网络形象

王大宇 张冰超

〔摘要〕在新媒体时代背景下，发挥网络正向引导旅游目的地网络舆论的作用、提高旅游目的地网络风险防范和舆情管控、营造良好的旅游城市网络形象，是旅游目的地网络工作的首要任务。基于此，本文通过阐述影响旅游目的地网络舆论传播群体“网络水军”的概念，基于“病毒传播”模型探究“网络水军”影响普通网民群体的模式和途径，构建“网络水军”影响旅游目的地网络舆论传播模型;随后对“网络水军”影响旅游目的地网络舆论传播模型进行动态系统仿真，模拟“网络水军”如何通过影响普通网民群体及影响旅游目的地网络舆论传播的具体机制。本文仿真模拟结果显示，旅游目的地当地政府应当构建以预防为主的网络舆情预警机制，同时在特定时间节点及时介入切断“网络水军”影响普通网民的渠道，阻断网络舆论传播的路径，从而前瞻性地管控旅游目的地网络舆论的走向。

〔关键词〕“网络水军”;旅游目的地网络形象;网络舆论;“病毒传播”模型;仿真模拟

中图分类号：F592.7;G206    文献标识码：A    文章编号：1008-4096（2021）03-0075-12

一、引  言

旅游已成为公众生活的重要组成部分，旅游目的地网络形象势必直接影响潜在游客的旅游选择。伴随着网络信息化的快速发展，微信、微博、短视频、直播等新兴媒体不断涌现，加快了网络信息的传播和交互，这无疑提高了网络舆论的传播力和影响力，极大增强了网络舆论的社会动员力，重构了旅游目的地网络舆论管控机制[1]。在此背景下，旅游目的地越来越重视网络形象的塑造，尤其是受移动互联网迅速发展的影響，旅游目的地网络舆论研究日益受到业界和学术界的关注。由于存在信息不对称和非理性，网民极易被“网络水军”诱导，生成网络凝视和聚焦，从而助推网络舆论对旅游目的地网络形象的影响和损害。“网络水军”主要表现在某些个体或组织通过大量发帖、跟帖、转帖等形式，煽动网民情绪获得网络关注并集聚大量网民，从而影响网络舆论的走势，而这些人员或组织统称作“网络水军”[2]。

近年来，网络上出现一系列通过网络舆论影响旅游目的地网络形象的事件，这些事件带有较为明显的舆论诱导迹象，掩盖部分真相或者混淆视听，人为制造对立情绪，以至于引发网络舆情。例如2015年的青岛“天价大虾”事件，由于当地政府回应迟缓，导致负面网络舆论刷爆全网，对青岛的旅游业发展造成严重冲击。根据青岛统计年报显示，2015年青岛接待游客总人次同比增速从2014年的8.82%降到7%，旅游总收入同比增长由2014年的15%降到13%。更为确切地说，经济损失尚且是次要的，主要影响是对青岛乃至山东旅游目的地网络形象产生严重破坏[3]。同样地，诸如丽江打人事件、黑龙江雪乡事件，分别对云南和黑龙江的旅游目的地网络形象造成较为严重的影响。从多起旅游目的地网络舆论事件的起因和传播脉络来看，这些旅游网络舆论事件均起源于游客的网络投诉行为，短时间内获得爆发式传播，致使大量旅游目的地负面信息充斥网络[4]。由于旅游目的地当地政府未能及时回应和处置，引致大量网民的声援和凝视，极大损害了旅游目的地网络形象，在很大程度上阻碍了当地旅游业的可持续发展，而这些负面网络舆论爆发式传播的背后均存在较为明显的“推手”和“网络水军”的身影。

然而，目前“网络水军”乱象多见于商业和娱乐领域，相关研究多集中于“网络水军”的概念、特征、功能、产生原因和发展历程，以及现状、识别和治理等方面[5]，而对于旅游目的地网络形象的研究相对较少。然而，随着经济发展和生活改善，旅游已成为公众休闲生活必不可少的部分，旅游目的地网络形象的作用也越来越重要。一类常见的“网络水军”操作手段是借助旅游目的地游客投诉行为，在当地政府尚未回应处置前，通过人为炒作快速放大传播和抹黑旅游目的地网络形象，达到影响网络舆论走势的目的[6];另一类相对较少的操作手段是通过网络炒作打造“网红”旅游目的地，增加旅游目的地的流量和曝光率，提升旅游目的地的网络形象[7]。

鉴于此，本文从“病毒传播”模型出发，利用网络舆论传播理论与“病毒传播”模型，研究“网络水军”对旅游目的地网络舆论的负面影响，将“网络水军”、旅游目的地当地政府和网民三者联系起来，构建“网络水军”影响下旅游目的地网络舆论传播模型，通过识别“网络水军”影响普通网民的路径，探明“网络水军”的本质和影响机制。在此基础上，通过动态系统仿真视角模拟“网络水军”影响下旅游目的地网络舆论传播演变趋势，厘清“网络水军”、旅游目的地当地政府和网民之间的关系。进而建构旅游目的地网络舆论管控机制，为当地政府有效引导网络舆论，营造良好的旅游目的地网络形象提供参考。

二、文献回顾和理论基础

（一）“网络水军”与旅游目的地网络舆论传播

已有“网络水军”及其网络舆论传播的相关研究，主要集中于“网络水军”的概念与成因、识别与应对，及其网络舆论传播影响机制[5]。目前，学术界对于“网络水军”的概念定义尚未达成一致的共。周光清和刁宗鹏[8]认为“网络水军”是指在互联网环境下，通过网络推手和网络公关等个体人员或者组织，以网络发帖、转帖、顶帖、删帖等方式进行规模化炒作，营造虚假网络口碑，诱导网民认知偏差和煽动网民情绪，从而影响网络舆论的走向。杨枝煌[9]认为“网络水军”普遍具有发布主体、发布动机、自身特征等方面的特征。张翔云和徐虹[10]认为一方面“网络水军”行为特征对于网民的情感态度产生影响;另一方面，“网络水军”的负面偏差，提高了网络空间的风险性，加大了治理难度。针对“网络水军”行为目的的研究，李彪和郑满宁[11]系统梳理了26起“网络水军”参与的网络事件，研究发现“网络水军”通过混淆网民的信息来源，诱导网民产生认知偏差，影响网民的情绪，以此达到欺骗网民的目的。楼旭东和刘萍[12]从传播学视角出发，认为网络公关公司通过雇佣大批网络推手，以网络发帖、回帖的形式传播特定信息，营造特定舆论氛围。孙光宁[13]认为“网络水军”本质上是一种网络信息欺骗行为，以虚假信息欺骗网民，绑架民意和干扰网民决策。“网络水军”的这种行为这也是一种违法行为，于冲[14]基于网络诽谤视角，探讨“网络水军”侵犯个人权益和公共利益，破坏网络道德秩序。张筱筠和连娜[15]研究发现，“网络水军”通过使用不当手段操纵和利用网民，欺骗煽动网民传播虚假信息和传播不良情绪，营造虚假民意，甚至影响社会风气。特别是在旅游领域，“网络水军”本质上是一种网络诱导行为，通过个体或者组织等网络推手虚假或者夸大信息，营造紧张氛围煽动网民情绪，影响旅游目的地网络舆论传播和走向。换言之，“网络水军”的存在提高了旅游目的地网络舆论的风险性，极大地损害了旅游目的地的网络形象[10]。

“网络水军”之所以能够影响到旅游目的地网络舆论走向主要在于网络大“V”与社交媒体别有用心的炒作和网民的心态。具体而言，部分网民将网络空间视为情绪发泄的场所，充斥着大量的非理性认知和情感，极易被网络大“V”与社交媒体诱导，对旅游目的地网络舆论产生错误的认知和判断[16]。此处煽动网民情绪和提高流量的网络大“V”与社交媒体在很大程度上充当“网络水军”的角色。青平等[17]研究发现，“网络水军”的刻意诱导显著影响到旅游目的地网络舆论的有序与稳定，识别和治理“网络水军”乱象成为旅游学界和业界关注的问题。识别和应对“网络水军”的相关研究多聚焦于主体多元化、法律以及技术等方面。尤其是技术层面，旅游目的地当地政府既能够利用数据挖掘技术识别“网络水军”行为，又能够及时监测到“网络水军”动态，积极处置网络舆论事件，提前堵住“网络水军”进一步传播旅游目的地负面信息，有效引导网络舆论和疏导网民情绪[18]。

“网络水军”影响旅游目的地网络舆论传播过程，主要包括传播者、传播内容和受众3个要素。付业勤和郑向敏[19]研究发现，“网络水军”作为网络舆论传播内容与受众之间的桥梁，通过散旅游布目的地信息和特定情绪感染网民的情感，诱导网民产生伤害感和情感共鸣，而被“网络水军”感染的网民进一步传播目的地负面信息和情绪，乃至感染整个网络，生成旅游目的地网络舆论事件。而旅游目的地网络舆论多指公众对旅游目的地的看法和态度，直接影响到旅游目的地的网络形象。阳长征[20]研究发现，旅游目的地网络舆论多起于游客的抱怨和投诉行为，通过网络推手的炒作和煽动，刻意制造对立情绪，转变公众对于旅游目的地网络形象的认知。

“网络水军”作为网络舆论的传播者改变了旅游目的地网络舆论的传统传播方式和公眾参与方式，主要通过诱导公众成为网络舆论的二次传播者，达到提高流量，增强影响力的目的，从而扰乱正常网络秩序[21]。这意味着，“网络水军”在旅游目的地网络舆论传播过程中扮演着重要的负面角色，具有较大的影响力。因此，对旅游目的地网络舆论管理带来了诸多挑战。而作为受众的网民，由于非理性认知和情感，较易形成“争议”和“围观”乃至“聚焦”，助推自身的传播行为，甚至引致旅游目的地网络舆情[5]。正如陈旭辉等[22]以青岛“天价大虾”事件为例，研究发现当受众面对多元化网络信息时，往往倾向于社交媒体的宣传，从而高估负面信息，极易形成对于旅游目的地网络形象的负面偏差。同样地，青平等[17]以消费者受侵害为例，探讨网络大“V”对普通网民的动员方式，研究网络大“V”对网络舆论的影响作用。在此基础上，李勇等[23]“以丽江女游客被打”事件为例，通过收集互联网新闻报道和网民评论数据，研究发现网民极易被新闻报道的放大效应引导进行评论转发，进一步传播旅游目的地负面信息和情绪。

由此可见，网络大“V”和社交媒体主要通过网民群体对于旅游目的地网络舆论传播进行偏差引导。而在现实中案情调查进展、当地政府应对以及信息公布均与旅游目的地网络舆论传播密切相关，文宏[24]以“雪乡”事件的大数据为数据来源，研究网民的情感特征以及当地政府回应与网络舆论导向的关系，强调当地政府正面回应和处置、信息公布对于网络舆论传播具有正向引导作用。

如上所述，为追求流量和提高影响力的网络大“V”和社交媒体，在一定程度上具备了“网络水军”的性质，主要通过放大报道，煽动大量网民群体。不可忽视的是，大部分网民极易被网络大“V”和社交媒体的影响，以成见和否定的态度去判断问题和表达观点，这种带有目的性、强烈情绪性的网络传播，容易导致旅游目的地网络舆论的出现，传播旅游目的地负面网络形象。贾衍菊[1]认为，互联网发展改变了传统的网络舆论的信息获取和传播方式，挑战和影响了旅游目的地的危机管理模式。总之，由于“网络水军”的过分干预和刻意引导，致使旅游目的地网络舆论偏离正常轨道，扰乱旅游目的地网络舆论的稳定。因此，探索“网络水军”影响网民的具体途径，以及传播网络舆论的影响机制，营造健康有序的旅游目的地网络环境至关重要。

（二）“病毒传播”模型的应用

国内外已对网络舆论传播进行了大量研究，但是传统的网络舆论传播模型无法比较全面地描述“网络水军”影响下旅游目的地网络舆论的传播过程，也无法深入探究“网络水军”扰乱旅游目的地网络环境的途径[18]。丁学君[25]基于“病毒传播”模型研究发现，与传统的网络舆论传播模式不同，通过引入感染者和免疫者变量因素，可以更好地描述“网络水军”参与下的旅游目的地网络舆论传播规律。“网络水军”传播类似于病毒传播，同样具有感染性强、传播速度快、受感染群体巨大、交互效应强等特征。由此，部分学者借鉴“病毒传播”模型，研究“网络水军”如何传播网络舆论。

当前国内外对于“病毒传播”模型的研究，主要是SIR模型（S为易感染者、I为感染者、R为恢复者）、SIS模型（S为易感染者、I为感染者、S为易感染者）和SIRS模型（S为易感染者、I为感染者、R为恢复者、S为易感染者），以及其他衍生性传染病模型，并被广泛应用于传播学研究[26]。其中，SIR模型是“病毒传播”模型的经典模型，由Kermack和McKendrick[27]于1927年提出，起初应用于传染病传播领域，并将人口分为易感染者（S）、感染者（I）和恢复者（R）三类，且基于三个基本假设：人口是一个常数，不考虑人口出生、死亡、流动等因素;病人一旦与易感染者（S）接触必定具有一定的传染性;单位时间内从染病者中移出的人数与病人数量成正比。在此基础上，学者们根据不同的情境对SIR模型进行改进，如Keeling和Eames[28]将SIR模型感染期细分为感染初期、中期、晚期三个阶段，并提出不同阶段感染期，传染率时效也不同。而Keeling和Eames[28]通过改进SIR模型研究不同阶段网络舆论的传播和感染性，研究发现“网络水军”感染网民的速率不同，尤其是网络舆论后期，感染性大幅度衰减。Zhang等[29]根据SIR模型，通过系统动力学理论，构建网络热点事件的网络舆论信息模型，以预测网络舆论传播演进模型，同时探索多种因素对于网络舆论传播的影响。然而，Whigham和Dick[30]认为，SIS模型与SIR模型的不同之处在于易感染者（S）和感染者（I）状态之间交替互换，不存在恢复者（R）状态，且当感染状态结束后便循环回到易感状态，再次具备感染条件。正是基于此，Leskovec等[31]通过SIS模型，研究发现网络热点事件在社交媒体间的传播和演变规律。Taylor等[32]认为SIRS模型与SIR模型不同之处在于恢复者（R）并不是长期免疫，而是赋予受感染者暂时免疫性。SIRS模型结合SIR模型和SIS模型的基本元素，表示受感染个体恢复后，成为短暂恢复者（R），再回到易感染者（S）状态，传播链条为S-I-R-S。在实际应用方面，Gruhl等[33]基于SIRS模型构建网络热点事件在网络空间的传播路径，探讨不同传播节点对于网络舆论传播的影响。已有大量研究表明，“网络水军”传播网络舆论机制与病毒传染病传播模式类似。在此背景下，本文将选择“病毒传播”模型研究“网络水军”如何影响网络舆论传播。

（三）“网络水军”的网络舆论传播过程

病毒传播理论能较好地描述“网络水军”影响网络舆论传播路径和规律，但是这依赖于网民个体参与指数和行为参数，具体来说网民个体行为信息多嵌入于网络情境，并且“网络水军”正是借此影响网络舆论，通过设定特定的网络情境，以此来影响网民的情绪和行为[34]。宋明华等[35]认为，一般地“网络水军”通过扰乱网络空间内的信息流和意见流来影响普通网民的认知和情感，尤其是海量网民的非理性情绪极易被感染，从而达到左右网络舆论走向的目的。更确切地说，网民的信息和情感也极易受到“网络水军”的操控与影响，张薇等[3]以青岛“天价大虾”事件为例，研究旅游目的地网络舆论的传播对于旅游目的地网络形象的影响，研究发现“网络水军”刻意营造的不公平和欺骗的情境，比较容易引发网民不理智行为，显著影响到潜在游客的出游意向。在此方面，马丽君和张家凤[36]以网络关注度为视角探讨旅游危机事件网络舆论传播时空演化规律，研究发现旅游目的地网络形象深受网络舆论的影响，主要通过激起网民和潜在游客之间的共同联想和情感共鸣，致使网民采取较激进的行为方式传播旅游目的地网络舆论。

总之，旅游目的地网络舆论主要通过“网络水军”影响而作用网民的情绪与行为来传播，加速旅游目的地网络舆论负面信息的扩散。同时，由于网络舆论的负面信息和情绪感染旅游目的地整体网络舆论空间，明显影响到网民的认知判断和行为模式，极易升级成为针对旅游目的地的群体凝视事件。由此可见，研究“网络水军”影响作用下旅游目的地网络舆论的传播路径和规律特征，有助于帮助旅游目的地当地政府厘清“网络水军”影响普通网民和潜在游客的途径和方式，有利于营造良好的旅游目的地网络生态环境。

三、研究模型和研究假设

（一）研究模型选取

三种“病毒传播”模型（SIR模型、SIS模型、SIRS模型）主要不同之处在于感染传播后的表现，其中，SIR模型比较关注易感者受到感染后，部分感染者会成为恢复者，而这部分恢复者不再受到感染。但SIS模型则是一种反复感染，不存在免疫者。与之不同的是，尽管SIRS模型恢复者具有免疫力，但是经过一段时间还将再次受到感染。

比较三种模型的同时结合实际情况，一方面，在网络生态域中不存在SIS模型的反复感染性，这是由于网民一旦发现网络舆论虚假信息，将不再相信此类信息。这意味着，网民将不会再受到“网络水军”舆论的感染。另一方面，虽然SIRS模型比较适用于现实流行病感染研究，但是“网络水军”舆论感染网民，甚至诱导网民成为疑似“网络水军”，散播网络舆论。当感染网民恢复成普通网民后，将对被欺骗行为产生不满情绪，尤其是会强烈抵制网络虚假信息，恢复网民将不再成为感染者。由此可见，SIS模型与SIRS模型不适用于研究“网络水军”的网络舆论传播途径。与之相反，SIR模型分为易感阶段、感染阶段和恢复阶段三个阶段，正好对应于网络生态环境的“网络水军”影响网民的阶段过程。通过SIR模型可以涵盖“网络水军”影响下旅游目的地网络舆论传播的不同发展阶段和演进趋势。SIR模型建立在系统动力学的基础上，能够比较全面地概括旅游目的地网络舆论传播的全过程，清晰呈现出“网络水军”影响下旅游目的地网络舆论传播的具体环节和路径。

由此，本文选择SIR模型作为“网络水军”影响下旅游目的地网络舆论传播的研究模型。互联网作为网民个体与个体之间交互的生态域场，一方面，能提供网民之间自由接触和沟通的平台，另一方面，“网络水军”感染网络空间与扰乱网络空间秩序，通过网络空间的“病毒式”感染和传播网络舆论，诱骗普通网民成为“网络水军”輿论散播者，左右网络舆论态势。“网络水军”影响下旅游目的地网络舆论传播和旅游目的地当地政府干预路径如图1所示。

由图1所示，网络空间中“网络水军”感染网民传播网络舆论和旅游目的地当地政府干预路径可以概括为以下三步：

第一步，尚未接触“网络水军”舆论感染的正常网民，通过浏览“网络水军”所发布的具有煽动性的舆论信息收到传染，使得这部分收到“网络水军”舆论接触的网民有可能被感染成“疑似水军”，也可能不被感染仍是正常网民。第二步，受“网络水军”舆论影响同时扩散“网络水军”舆论成为疑似“网络水军”，继续传播感染其他网民或者加剧网络舆论态势，极易诱发网络群体凝视形成群体感染。第三步，旅游目的地当地政府对“网络水军”舆论影响进行政府行政干预，纠正错误信息并扭转舆论导向，加之由于网络舆论事件信息逐渐披露和事态发展使得事实得到澄清，从而疑似“网络水军”修正个体认知和判断，逐步恢复成较为理性的正常网民，最终“网络水军”舆论传播衰退。在“网络水军”舆论传播全过程中，受到“网络水军”舆论影响的正常网民总数和恢复成正常网民的疑似“网络水军”数量是评价“网络水军”舆论传播影响程度的重要指标。

（二）研究假设提出

根据SIR模型的基本假设和要求，首先，确定考察周期，本文从专业网络舆情监测公司官方网站“蚁坊软件”选取10起网络热点事件，以此观察网络热点事件的网络舆论传播周期。然后，通过选取的网络热点事件引爆时间记为第一次爆发时间，其中不包括后续的再次爆发。网络热点事件网络舆论传播周期统计如表1所示。

由表1可知，网络热点事件网络舆论传播平均时间为6.7天，由此本文选取的考察周期为6天。基于2019年2月份中国互联网络信息中心（CNNIC）发布第43次《中国互联网络发展状况统计报告》，截至2018年12月，中国网民规模达到8.29亿人，普及率达59.6%，全年新增网民5 653万。根据2018年全年网民增加数量，通过考察周期6天的网民增长人数平均值计算，平均每天网民增长15.88万，那么考察周期6天网民增长总数为95.28万人。而目前我国网民总数达到8.29亿人，显然考察周期6天增长数远低于规模总数，这意味着考察周期6天的网民增长数量可以忽略。因此，提前设定考察期内，网络热点事件网民总数不变，记作N。

受感染网民具有感染其他正常网民的可能，从而成为疑似“网络水军”，发挥的作用和“网络水军”基本一致，得到假设1。

假设1：受感染网民成为疑似“网络水军”，又可以感染其他正常网民。

自当地政府正面回应和处置“网络水军”舆论以后，受感染的网民逐渐恢复正常，不再相信“网络水军”舆论信息，即这部分网民不再受到“网络水军”舆论影响，得到假设2。

假设2：恢复的网民不会再进行感染传播，也不会再受“网络水军”舆论的影响。

目前中国网民总规模高达8.29亿人，其中网民具有不同年龄、不同学历、不同职业等特征，且上网习惯、浏览习惯也不同，这意味着并非所有网民参与到“网络水军”舆论，如果直接使用总数是不准确的，同时获得精准数据又比较困难，由此，本文模拟假设网民规模1千万人，即初始时刻没有人受到“网络水军”舆论感染，得到假设3。

假设3：初始时刻网民总人数S0=1千万，初始时刻浏览“网络水军”舆论信息的人数I0=1（即初始时刻只有1人浏览“网络水军”舆论信息），初始时刻疑似“网络水军”E0=0，初始时刻受影响网民数Q0=0，初始时刻恢复网民数R0=0。

（三）动态系统仿真模型构建

由以上研究模型和假设得式（1）：

S（t）+I（t）+E（t）+Q（t）+R（t）=N （1）

其中，S（t）为t时刻网民总数，E（t）为t时刻“疑似水军”总数，I（t）为t时刻浏览“网络水军”舆论的网民总数，Q（t）为t时刻受影响的网民总数，R（t）为t时刻恢复的网民总数，Δt时间内正常网民数量变化为式（2）：

S（t+Δt）-S（t）=-λQ（t）（1-p）S（t）Δt （2）

其中，p为采取措施强度或当地政府采取辟谣的强度，Δt时间内恢复的网民数量变化为式（3）：

R（t+Δt）-R（t）= 1/d_3  I（t）Δt （3）

其中，d3为受影响网民转变为正常网民所需时间（小时），1/d_3 为单位时间内受影响网民的恢复率。Δt时间内“疑似水军”数量变化为式（4）：

E（t+Δt）-E（t）=-λQ（t）（1-p）[E（t）（1-p）+E（t）p 1/d_3 ]Δt （4）

其中，λ为“网络水军”舆论的传染率，Δt时间内受影响的网民变化为式（5）：

Q（t+Δt）-Q（t）= 2/（d_1+d_2 ） I（t）Δt- 1/d_3  Q（t）Δt （5）

其中，d1～d2为网络舆论传播的时间（小时）Δt时间内浏览“网络水军”舆论的网民变化为式（6）：

I（t+Δt）-I（t）={λQ（t）（1-p）[S（t）+E（t）（1-p）+E（t）p 1/d_3 ]-2/（d_1+d_2 ） I（t）}Δt （6）

由式（2）至式（6）的变化，等式两边同除以Δt，得到式（7）至式（11）：

dS/dt=-λQ（t）（1-p）S（t） （7）

dR/dt=1/d_3  I（t） （8）

dE/dt=-λQ（t）（1-p）[E（t）（1-p）+E（t）p1/d_3 ] （9）

dQ/dt=2/（d_1+d_2 ） I（t）- 1/d_3  Q（t） （10）

dI/dt=λQ（t）（1-p）[S（t）+E（t）（1-p）+E（t）p1/d_3 ]-2/（d_1+d_2 ） I（t） （11）

四、动态系统仿真和结果分析

（一）系统仿真过程

1.动态系统仿真模拟一

假设旅游目的地当地政府2小时后监测到“网络水军”活动，且采取强度系数为0.6的应对措施。则当d1=1，d2=14，d3=30，r=20，p=0.6时，当地政府监测到“网络水军”正在干预网络舆论，并进行相应回应与干预，则此时受影响的网民人数是：

Q=Q（0）?{（N-Q（0）-E（0））/N?r}?2 （12）

其中，r为“疑似水军”人均接触的网民数，“随着时间变化，受网络水军”干预的网络舆论传播受影响网民人数变化趋势如图2所示。

图2仿真结果一显示：当t∈[0，13.097]时，受“网络水军”干预的网络舆论影响的网民数量急剧上升，这意味着“网络水军”干预网络舆论的传播爆发速度非常快，且感染性强烈。尽管假设旅游目的地当地政府2小时后采取了应对“网络水军”的措施，但是受“网络水军”干预的网络舆论影响的网民人数将在13小时后达到峰值，共约22.867万人受到“网络水军”干预的网络舆论影响，随后受影响的网民人数逐渐下降。同时从图2也可知，“网络水军”干预的网络舆论传播感染性迅猛，但受影响网民恢复阶段相对比较缓慢。

2.动态系统仿真模拟二

假设旅游目的地当地政府1.5小时后监测到“网络水军”活动，且采取强度系数为0.6的应对措施。则当d1=1，d2=14，d3=30，r=20，p=0.6时，旅游目的地当地政府积极回应与处置“网络水军”干预网络舆论，则受影响的网民人数是Q=Q（0）?{（N-Q（0）-E（0））/N?r}?1.5。与此同时，随着时间变化，受“网络水军”干预的网络舆论影响网民人数的系统仿真结果如图3所示。

图3仿真结果二显示：当t∈[0，13.375]时，“网络水军”干预的网络舆论传播网民人数急剧上升，约有5.285万人受到“网络水军”干预的网络舆论的影响，随后“网络水军”干预网络舆论的传播速度快速下降。与仿真模拟一相比可见，旅游目的地當地政府虽然仅仅提前0.5小时应对与处置“网络水军”干预网络舆论的活动，但是得到的效果却相当好，使得受影响的网民人数比仿真模拟一的效果提升了约4.3倍。

3.动态系统仿真模拟三

假设旅游目的地当地政府2小时后监测到“网络水军”活动，且采取强度系数为0.4的应对措施。则当d1=1，d2=14，d3=30，r=20，p=0.4时，旅游目的地当地政府监测到“网络水军”干预网络舆论活动，并且进行回应和处置，则受到“网络水军”影响网民人数是Q=Q（0）?{（N-Q（0）-E（0））/N?r}?2。随着时间变化，受“网络水军”干预的网络舆论传播影响网民人数的系统仿真结果如图4所示。

图4仿真结果三显示：当t∈[0，14.324]时，“网络水军”干预的网络舆论传播影响的网民人数快速上升。尽管旅游目的地当地政府2个小时后采取应对措施回应和处置“网络水军”干预的网络舆论，但是14小时后受影响的网民人数达到峰值约22.887万，随后“网络水军”干预的网络舆论传播逐渐衰减。尽管旅游目的地当地政府降低应对“网络水军”干预的网络舆论的强度系数，但是并没有对受影响的网民数量产生作用，这表明旅游目的地当地政府应对“网络水军”干预的网络舆论的强度系数并不显著影响“网络水军”干预的网络舆论的传播。

（二）动态系统仿真结果分析

表2是三次仿真模拟结果对比，仿真结果一和仿真结果二旅游目的地政府对“网络水军”干预的网络舆论的强度系数同为0.6。但旅游目的地当地政府介入回应和处置“网络水军”干预的网络舆论的时间则不同。在2小时和1.5小时的时间节点上，旅游目的地当地政府回应与处置“网络水军”干预的网络舆论的强度系数相同但是效果差距较大，这也意味着提前0.5小时介入将会得到约4.3倍的管控效果。仿真结果三的旅游目的地政府对“网络水军”干预舆论的强度系数为0.4，在同为2小时的时间节点上，旅游目的地当地政府回应与处置“网络水军”干预的网络舆论的时间节点相同但是效果差异不大。由此可知，旅游目的地当地政府的回应和处置时间对于“网络水军”干预的网络舆论的传播效应显著，但是干预强度对于“网络水军”干预的网络舆论的传播效果影响并不显著。

由表2可知，通过对比仿真一和仿真三的结果，旅游目的地当地政府回应与处置“网络水军”干预的网络舆论的时间节点同为2小时，尽管旅游目的地当地政府回应与处置“网络水军”干预的网络舆论的强度系数不同，但是受影响网民数量几乎相同，旅游目的地当地政府若不提前管控“网络水军”干预网络舆论的活动，那么即使后期采用更强有力的管控措施，也并没有起到较好的效果。旅游目的地当地政府回应与处置“网络水军”强度系数与“网络水军”干预的网络舆论的传播影响并不显著。

这意味着，管控“网络水军”干预的网络舆论的传播措施主要是旅游目的地当地政府的提前发现和及时回应和处置，旅游目的地当地政府回应和处置介入的时间节点与“网络水军”干预的网络舆论的传播具有显著正向影响。然而，旅游目的地当地政府回应和处置“网络水军”强度系数与“网络水军”干预的网络舆论的传播影响并不显著，这表明“网络水军”干预的网络舆论的传播超过一定时间节点范围，再进行管控其影响效果甚微。

五、结论与启示

（一）结论

通过分析仿真模拟结果可以发现，旅游目的地当地政府管控“网络水军”干预的网络舆论传播的强度系数并不显著影响“网络水军”干预的网络舆论的传播，而旅游目的地当地政府回应和处置的介入时间节点则显著影响到“网络水军”干预的网络舆论的传播效率。在实际情境下，旅游目的地当地政府回应和处置“网络水军”的时间相对比较滞后，而提前察觉并及时回应和处置是管控“网络水军”乱象的重点。

在“网络水军”作用于旅游目的地网络舆论的初始阶段，“网络水军”作用于网络舆论传播散布旅游目的地信息和特定情绪，感染互联网生态环境，此阶段“网络水军”进行全面炒作。在此时间节点，旅游目的地当地政府尚未察觉到或尚未及时进行回应和处置，以至于“网络水军”干预的网络舆论呈现压倒式优势，随后被感染的网民被诱导传播，使得“网络水军”干预的网络舆论全面爆发，极大地扰乱了旅游目的地网络形象。

在“网络水军”作用于旅游目的地网络舆论的传播阶段。自“网络水军”作用于网络舆论引爆后迅速传播蔓延达到传播峰值伊始，“网络水军”干预的网络舆论的传播开始呈现下降趋势。在此阶段“网络水军”干预的网络舆论的传播峰值与旅游目的地当地政府管控强度并没有直接相关性。尽管旅游目的地当地政府回应和处置“网络水军”干预的网络舆论，且控制其无序蔓延感染其他网民，但是被影响的网民人数还在上升，直至达到峰值后才逐渐下降。在此阶段“网络水军”干预的网络舆论的传播基本处于可控阶段。

（二）启示

由于“网络水军”作用于网络舆论运作模式的复杂多变和互联网环境的日新月异，无疑增加了旅游目的地当地政府管控“网络水军”的难度，本文基于“网络水军”影响下旅游目的地网络舆论的传播进行动态系统仿真，探讨“网络水军”作用于网络舆论传播的规律，提高旅游目的地当地政府管控网络舆论的水平。为此，本文提出以下三方面启示：

第一，构建旅游目的地网络舆情预警机制，不仅包括网络关键词的预警，而且还包括网络热点事件传播速率的预警。当旅游目的地网络舆论在单位时间内传播量（传播速率）超过阈值，系统自动报警。同时，鉴于“网络水军”主要通过较短时间内炒作旅游目的地事件进而影响网络舆论的传播，建议旅游目的地当地政府设立专业部门，及早发现“网络水军”活动迹象。

第二，监测到“网络水军”作用于网络舆论的活动迹象，旅游目的地当地政府要第一时间回应和处置，尽早发布旅游目的地网络舆论事件涉及的信息和脉络。另外，根据动态系统仿真结果显示，旅游目的地当地政府发现“网络水军”活动迹象，1.5小时内介入的抑制效果是2小时的约4.3倍。因而，旅游目的地当地政府回应和处置的时间节点显著影响到网络舆论走向，理应提前发现和及时介入，防范于未然。

第三，“网络水军”影响作用的网民人数在经过旅游目的地当地政府回应和处置后逐渐减少，此时旅游目的地当地政府应继续采取措施，保持警醒，防止网络舆论再起波澜，这样才能把“網络水军”干预的网络舆论的传播抑制效果发挥最大。另外，旅游目的地当地政府还应对“网络水军”干预的网络舆论的具体内容进行特别说明，提高处置措施的强度，实时关注网络舆论动态。

参考文献：

[1]  贾衍菊.社交媒体时代游客行为研究进展——基于境外文献的梳理[J].旅游学刊，2017，（4）：117-126.

[2]  郑春东，韩晴，王寒.网络水军言论如何左右你的购买意愿[J].南开管理评论，2015， （1）：89-97.

[3]  张薇，史坤博，杨永春，等.网络舆情危机下旅游形象感知的变化及对出游意向的影响——以青岛“天价虾事件”为例[J].人文地理，2019，（4）：152-160.

[4]  刘嘉毅，陈玉萍.网络舆情对旅游目的地网络关注度的时空影响——以“雪乡宰客”事件为例[J].福建农林大学学报（哲学社会科学版），2019，（1）：77-83.

[5]  刘焕.公共事件网络舆情偏差及影响因素研究述评[J].情报杂志，2018，（11）：96-102.

[6]  付业勤，陈雪钧.基于旅游消费者感知的旅游网络舆情危机研究[J].求索，2016，（1）：36-40.

[7]  吕兴洋，徐海军，谭慧敏，等.声音营销力：目的地歌曲对潜在游客的影响研究——以歌曲《成都》为例[J].旅游学刊，2020，（5）：124-138.

[8]  周光清，刁宗鹏.“网络水军”的社会危害及刑法适用[J].传媒，2016，（20）：67-69.

[9]  杨枝煌.网络水军类型、多重信用及其治理[J].广东行政学院学报，2011，（4）：16-22.

[10]  张翔云，徐虹.从危机事件看旅游地品牌管理中长效运行机制的缺陷——以青岛大虾产生的危机事件为例[J].   社会科学家，2017，（8）：89-94.

[11]  李彪，郑满宁.微博时代网络水军在网络舆情传播中的影响效力研究——以近年来26个网络水军参与的网络事    件为例[J].国际新闻界，2012，（10）：30-36.

[12]  楼旭东，刘萍.“网络水军”的传播学分析[J].当代传播，2011，（4）：76-77.

[13]  孙光宁.网络水军的反民主危害及其规制[J].理论视野，2012，（8）：48-51.

[14]  于冲.网络诽谤刑法处置模式的体系化思考——以网络水军为切入点[J].中国刑事法杂志，2012，（3）：45-51.

[15]  张筱筠，连娜.网络水军：微博营销中的“灰色阴影”[J].新闻界，2012，（1）：10-12，38.

[16]  苏宏元，黄晓曦.突发事件中网络谣言的传播机制——基于清晰集定性比较分析[J].当代传播，2018，（1）：64-67，71.

[17]  青平，张莹，涂铭，等.网络意见领袖动员方式对网络集群行为参与的影响研究——基于产品伤害危机背景下的实验研究[J].管理世界，2016，（7）：109-120.

[18]  白中英，何云峰，陈佳丽.网络谣言研究述评：对内涵特征、孵化平台、规律机制的观照[J].西南交通大学学报（社会科学版），2018，（4）：57-64.

[19]  付业勤，郑向敏.网络新媒体时代旅游网络舆情研究：源起、价值与构想[J].河北学刊，2013，（5）：182-184.

[20]  阳长征.危机事件中网络信息表征对用户持续分享意愿影响研究[J].图书情报工作，2019，（21）：105-116.

[21]  Luo，Q， Zhai，X.“I will never go to Hong Kong again！” How the Secondary Crisis Communication of “Occupy Central” on Weibo Shifted to a Tourism Boycott[J]. Tourism Management， 2017， 62（4）： 159-172.

[22]  陈旭辉，苏晓娟，崔丽霞.基于社交媒体关系互动的旅游城市形象负面偏差引导策略——以“青岛天价虾”事件为例[J].旅游学刊，2017，（7）：47-56.

[23]  李勇，蒋冠文，毛太田，等.基于情感挖掘和话题分析的旅游舆情危机演化特征——以“丽江女游客被打”事件为例[J].旅游学刊，2019，（9）：101-113.

[24]  文宏.网络群体性事件中舆情导向与政府回应的逻辑互动——基于“雪鄉”事件大数据的情感分析[J].政治学研究，2019，（1）：77-90，127-128.

[25]  丁学君.基于SIR的SNS网络舆情话题传播模型研究[J].计算机仿真，2015，（1）：241-247.

[26]  丁学君， 樊荣， 杨锦仪.突发公共卫生事件网络舆情研究现状及评述[J]. 电子政务， 2017，（6）：47-56.

[27]  Kermack，W.O.， McKendrick，A. G. A Contribution to the Mathematical Theory of Epidimics[J]. Mathematical and Physical Character， 1927，115（772）：700-721.

[28]  Keeling，M.J.，Eames，K.T.D. Networks and Epidemic Models[J]. Journal of The Royal Society Interface， 2005， 2（4）：295-307.

[29]  Zhang，B.，Guan，X.，Khan，M.J.，et al. A Time-Varying Propagation Model of Hot Topic on BBS Sites and Blog Networks[J]. Information Sciences， 2012， 187（15）：15-32.

[30]  Whigham，P.A.， Dick，G. Evolutionary Dynamics for The Spatial Moran Process[J]. Genetic Programming and Evolvable Machines， 2008， 9（2）：157-170.

[31]  Leskovec，J.，McGlohon，M.，Faloutsos，C.，et al.Cascading Behavior in Large Blog Graphs[A]. Proceedings of the SIAM International Conference on Data Mining[C].New York：ACM Press， 2007.

[32]  Taylor，C.， Fundenberg，D.，Sasaki，A.，et al.Evolutionary Game Dynamics in Finite Pupulations[J] . Bulletin of Mathematical Biology，2004，6（66）：1621-1644.

[33]  Gruhl，D.，Guha，R.，Liben-Nowell D.， et al. Information Diffusion Through Blogspace[A].Proceedings of the 13th International Conference on World Wide Web[C].New York：ACM Press， 2004.

[34]  丁学君，梁昌勇.基于传染病动力学的博客舆情话题传播模型研究[J].信息系统学报，2016，（1）：63-76.

[35]  宋明华，刘燊，朱转，等.相对剥夺感影响网络集群攻击行为：一个有调节的双路径模型[J].心理科学，2018，（6）：1436-1442.

[36]  马丽君，张家凤.旅游危机事件网络舆情传播时空演化特征与机理——基于网络关注度的分析[J].旅游导刊，2019，（6）：26-47.

“Network Water Army” and Internet Tourism Destination Identity System：A Study Based on Dynamic System Simulation of “Virus Spreading” Model

WANG Da-yu，ZHANG Bing-chao

（School of Tourism and Hotel Management，Dongbei University of Finance and Economics，Dalian 116025，China）

Abstract：In the context of the new media era， it is a priority for tourism destinations to play a positive role in guiding online public opinion， improving the prevention and control of online risks in tourism destinations， and creating a good network image of tourism cities. Based on this， this paper constructs a model of “network water army” influencing network opinion dissemination in tourism destinations by explaining the concept of “network water army”， exploring the mode and way of “network water army”influencing ordinary netizens based on the “viral propagation” model， and constructing a model of “network water army”influencing network opinion dissemination in tourism destinations.. Subsequently， a dynamic system simulation was conducted on the model of “network water army” influencing the network public opinion of tourism destinations to simulate how “network water army” influences the general Internet users and the specific mechanism of influencing the network public opinion of tourism destinations. The simulation results show that the local government of tourism destinations should build a prevention-oriented early warning mechanism for network public opinion， and at the same time intervene at specific time points to cut off the channels through which the “network water army” influences ordinary Internet users and block the path of network public opinion dissemination， so as to control the direction of network public opinion in tourism destinations in a forward-looking manner.

Key words：“network water army”; tourism destination network image; network public opinion; “virus spreading” model;simulation

（責任编辑：李明齐）