网络口碑对电影票房影响实证研究

赵亚凡 刘伟

[提要] 本文以2015年上映影片的125组数据，从影片的网络热议度、口碑效价以及好评/差评率等方面，对移动互联网时代的网络口碑与电影票房收入关系进行实证分析。结果表明：网络热议度与电影票房收入积极相关，但相关度会随时间递减；网络口碑具有消极偏向，即相对于正面口碑，负面口碑对票房收入有更显著的负向影响，尤其是在上映期的前两周。本文研究结论不仅是前人关于口碑营销研究的拓展，并且能对电影发行团队如何在移动互联网时代借助网络口碑进行电影营销来提高票房收益产生新的启示。

关键词：网络口碑；热议指数；电影票房

中图分类号：F272 文献标识码：A

收录日期：2016年3月1日

一、引言

中国的移动互联网时代已经全面来临，“十二五”期间，移动互联网呈现井喷式发展，根据中国互联网网络信息中心（CNNIC）发布的过去五年里我国互联网发展十大亮点报告数据：我国手机网民规模达5.94亿，使用手机上网比率相比PC端多20.5%，手机超越电脑成为中国网民第一大上网终端。移动互联网时代是互联网的“自媒体”时代，网络口碑对电影票房的影响可能是最显著的。本文提出这样的推断源于两个原因：一是基于电影产业互联网化的现实发展现状；二是基于学术界相关研究现状。

一方面，纵观近几年电影产业的发展，可以发现移动互联网和它的融合是深入而紧密的，尤其是阿里巴巴、腾讯、百度等互联网企业和资本开始大规模介入电影产业，电影产业对接“互联网思维”，似乎成为制作方在电影宣传阶段面向市场沟通时的一门必修课。互联网正在用自己的方式来重塑电影行业的风貌，以购票终端为例，手机购买电影票和在线电影选座已经成为大众电影消费的主要方式，2015年7月的中国电影市场总票房54.9亿元，其中电商票务就占据46%的份额（约合25.3亿元）。最重要的是，移动互联网让信息更加透明，流动更快，缩短了电影发行公司和消费者及院线之间的信息不对称性，赋予市场更快的反应速度，几个小时影片口碑就被传遍全国，影响消费者的观影决策和院线排片决策，从而影响电影票房表现。

另一方面，电影是生命周期短暂的体验型产品，现有众多研究表明，网络口碑和电影市场表现存在积极的相关关系。国外学者关注社会化媒体用户在线情感表达与电影票房的关系，研究认为，用户在博客、Twitter、影评网站等社交平台上对影片的评论都对电影票房有显著影响，线上网友的评论是观影经验较少的消费者观影决策的重要参考。国内有关网络口碑与电影票房表现关系的实证研究还处于探索阶段，学者们从不同角度进行了如下研究：第一，网络口碑情感表达的预测作用研究。史伟（2015）等学者基于新浪微博情感分析构建电影票房预测模型，证实用户评论的情感表达在电影票房预测中扮演了很重要的因素；第二，网络口碑数量的知晓效应和口碑效价的说服效应研究。汪旭晖（2015）以格瓦拉网站的55部国产电影为样本，实证分析了网络口碑与电影票房的内在影响机制，证明网络口碑的数量对电影票房有显著的正向影响，而口碑的效价对电影票房有显著的负面影响；第三，网络口碑形式的用户行为数据研究。周明升（2014）将票房作为自变量，分析了用户评分、评论数与票房的关系，实证结果表明网络口碑存在明显的自相关性，电影票房对网络口碑有显著影响。综合目前国内外成果来看，现有研究虽然普遍认同口碑数量与电影票房的高度相关性，但有关口碑效价作用的验证结果却存在一定的分歧；此外，现有实证研究大多采用单一平台数据，静态数据进行分析，存在局限和不足。

本文在前人研究的基础上，立足于移动互联网时代的中国电影市场，着重研究网络口碑对电影票房市场表现的影响，选取2015年上映的25部电影为研究样本，在“豆瓣电影”和“新浪微博”两个平台上采集网络口碑相关数据，分析网络口碑的效价、好评率/差评率的作用机理，与前人的研究不同，本文以影片的网络热议度取代网络口碑数量，验证口碑传播的知晓效应，并通过每周相关动态数据的分析，探讨在电影上映周期的不同阶段网络口碑影响的动态变化，希望能对电影发行公司通过战略管理口碑营销来提高影片票房收益提供参考。

二、理论假设与模型

众多实证研究均支持口碑数量与票房收入之间的正相关关系，认为口碑数量具有“知晓效应”。Godes和Mayzlin的研究发现，对某商品的讨论越多，就越有可能受到更多的关注，由此可能引发更多的购买行为。前人的研究中，口碑数量其实反映的是热议度对电影票房收入的影响。得益于移动互联网时代大数据的时代特征，海量的用户行为数据已经能被互联网记录并加以分析，通过某一关键词在网络中被主动搜索、讨论或关注的加权和值运算得出的“热词指数”能更直观科学地衡量口碑的知晓效应。因此，本文采用“新浪微博”统计的电影在微博平台的 “热词指数”取代口碑数量，基于前人关于口碑数量和票房收入的研究结果，提出假设H1。

H1：热议度与电影市场表现显著相关，正向影响票房收入。

众多研究表明，基于用户网络评分的网络口碑效价会影响消费者的评价和判断，从而影响消费者观影决策。但综合目前国内外研究成果来看，有关网络口碑效价作用的验证结果存在一定的分歧，有认为口碑效价具有说服效应，能引导消费者观影意愿，也有认为口碑效价对票房收入的影响并不显著，甚至会有负面影响。基于上述分歧，本文将进一步验证网络口碑效价的作用，结合消费者行为决策理论，本文认为网络口碑效价是大众在线情感表达的体现，影响消费者感知价值和感知风险等消费心理，是消费者观影意愿的重要信息参考，提出如下假设：

H2：消费者观影决策受网络口碑效价影响，口碑效价和票房收入正向相关。

此外，有研究表明，负面口碑对于降低产品销量的作用比正面口碑带来的销量上升的效果更加显著。Skowronski&Carlston关于印象形成中负面偏好的研究和Hardie等人基于扫描面板数据的厌恶损失研究也有类似的发现，负面信息比正面信息会产生更大的影响，即否定性偏见。基于这些论点，本文提出了如下假设：

H3：负面口碑对票房的伤害作用大于正面口碑的帮助作用。

最后，考虑到移动互联网时代的网络口碑传播速度的影响，引入时间轴，进行每周独立回归，观察网络口碑的影响是如何随时间变化的，也弥补了前人研究中缺乏动态性这一不足，提出如下假设进行验证：

H4：热议度对票房收入的影响随时间的推移逐渐减少。

H5：口碑效价对票房收入的影响随时间的推移逐渐减少。

三、实证研究

（一）数据与变量。本文中的研究数据有三类，分别来自如下三个平台：①电影票房信息：艺恩咨询中国票房网（http：//www.cbooo.cn/），获取周票房信息；②热词指数：新浪微指数数据库（http：//data.weibo.com/index），获取根据片名关键词汇总整理的影片在社交平台的讨论热度指数；③网络口碑效价信息：豆瓣电影（http：//movie.douban.com/），获取总评分（1～10分）、每周好评率（4星及以上）、每周差评率（2星及以下）等信息。

各指标在模型中的变量名称及定义如表1所示。（表1）

本文选取的研究样本是2015年2月至8月在中国大陆上映，且在每月票房前10名榜单中的25部电影。中国电影市场影片上映周期为3～11周，本研究样本的平均上映期为5.64周，取前6周，上映期不足6周的，以实际周数为准，共计125组数据。其中，参考多数研究文献的做法，本文对除比例型变量以外的连续型变量均取自然对数形式，这种变换不仅与多阶段消费者决策过程的相关理论模型相符合，还可以平滑模型中变量的分布，使变量间关系趋于线性化。

（二）实验模型

首先，假设1、2、3讨论网络口碑和票房收入的相关关系，以每周票房收入的对数为因变量，通过运算时间序列截面回归函数进行回归分析，研究每周票房收入与热议度、口碑效价、好评率/差评率的关系，同时引入固定效应？滋i来控制由遗漏变量（影片类型、明星影响力等）引起的内生性影响，以及时间趋势变量Trendi来控制时间趋势的变化对票房收入产生的影响。模型如下：

Ln Revenueit=？琢0+？琢1Ln Hotit+？琢2Ln Valit+？琢3PosRatioit+？琢4NegRatioit+？琢53egio

其中，i=1，2，…，N为电影样本数；t=1，2，…，N为电影放映周数。

其次，参照Eliashberg和Shugan等的做法，以每周票房收入的对数为因变量，进行每周独立回归，研究网络口碑对影片票房收入的影响是如何随上映周期变化的，模型如下：

Ln Revenueit=？琢0+？琢1Ln Hotit+？琢2Ln Valit+？琢3NegRatioit+？着it

其中，i=1，2，…，N为电影样本数；t=1，2，…，N为电影放映周数。

（三）结果与分析。先通过Eviews 8.0运行实验1的时间序列截面模型，回归模型结果见表2。（表2）

采取逐步回归的方法来进行分析。模型1仅对时间趋势变量进行回归分析，结果显示为显著的负向影响（=-1.235，？籽<0.001），表明票房收入存在趋势性下降的情况，影片的上映时间越长，周票房收入越低，因此在模型中引入时间趋势变量来去除趋势的影响是有必要的。模型2和模型3分别加入热议度和网络口碑效价变量之后，模型的R2和调整后的R2值都变大了，且F-statistic结果也显示新加入的解释变量都是显著地增加了对因变量的解释力度（？籽<0.001），说明网络口碑能够显著影响票房收入。Ln Hot和Ln Val的系数都是正向且显著的（？籽<0.001），这似乎表明大众对影片的热议程度和在线评分都能显著影响票房收入的增加，即网络热议程度越高，票房越高，网络口碑效价越好，票房越好。但是，值得注意的是，当将Ln Hot和Ln Val放入同一个模型（模型4）分析时，回归结果表明，虽然模型的解释力度显著变强了（R2=0.869>0.859 or 0.822），但是Ln Val的系数变成了负值，且显著性降低了（=-2.611，？籽<0.01），而Ln Hot的系数值增加了且仍为正，显著性不变（=0.964，？籽<0.001，表示当网络口碑效价和热议程度同时对票房收入产生影响时，口碑效价与低票房收入显著相关，热议度和高票房收入显著相关。综合模型2、3、4的结果来看，影片热议度能够正向影响票房收入，假设H1成立，这个结果和前人通过口碑数量指标进行分析的结果是一致的，进一步说明了在移动互联网时代，影片的广泛讨论能够有效提高影片的知晓程度，带动票房收入的增加。而关于网络口碑效价的影响，鉴于模型3、4回归结果的分歧，本文通过在模型4的基础上分别加入解释变量好评率和差评率进行模型5和模型6的回归分析，对网络口碑效价的影响进行补充讨论。结果显示，虽然加入新变量后，两个模型的R2值又增加了，且模型6的R2和调整后的R2都略大于模型5 （0.876>0.872），说明好评/差评率使模型的拟合优度得到了明显的提升。但好评率的系数虽然是正值但是其实是不显著的（=4.723，？籽<0.05），而差评率的回归结果是负值且十分显著（=-4.802，？籽<0.001），表明正面口碑并不重要，负面口碑却很重要，假设H3成立。结合模型5、6和模型3、4的回归结果，发现热议度、网络口碑效价、好评/差评率同时作用于票房收入时，回归模型的解释力度会显著变强，说明移动互联网络口碑对票房收入有十分重要的影响。其中，口碑效价和好评/差评率等解释变量的加入后，Ln Val的系数仍旧是负值，和模型4结果对比发现模型5的结果是系数绝对值变大，显著性不变，而模型6的结果是系数绝对值变大，显著性变强（？琢2-Posratio=-4.102，？籽<0.01；？琢2-Negratio=-3.538，？籽<0.001），表明口碑效价并不能正向影响票房收入，假设H2不成立，这也验证了杨扬（2015）和汪旭辉（2015）等人的研究结论。

表3所示是实验2运行每周独立回归模型的结果，仅仅涉及了3个解释变量（Negratio，Ln Hot，Ln Val），分别对电影上映后6周内每周的网络口碑对票房收入的影响进行回归分析，分析网络口碑对处于不同周期的电影票房收入的影响。（表3）

结果显示，在6周的上映周期内，影片热议度对每周票房收入都有显著的正向影响，在上映首周，影响最大（=0.8），第2周小幅下降至0.781，第3周开始衰减至0.639，显著性也从第5周开始下降，假设H4成立。影片热议度在电影上映初期会与电影票房的收入有较高相关性，但其影响会随上映期的增长而降低。关于网络口碑效价，由表2的回归分析结果可知，当和热议度同时作用于票房收入时，网络口碑效价在6周的上映周期内会表现为显著的负向影响，但表3的每周独立回归结果显示，口碑效价只在上映首周对票房收入有较显著的负向影响，且影响系数较小，从第2周开始并没有显著的影响，假设H2依然不成立，H5部分成立。据表2所示的回归结果分析，正面口碑对票房收入并没有显著的影响，而负面口碑有显著的负向影响，因此实验2仅采用差评率变量作为口碑效价影响的补充。表3结果显示，负面口碑只在上映首周和第2周对票房收入有显著的影响，尤其是在第2周，差评率每增加1%，票房收入会降低5.898%。第3周之后，负面口碑的影响也不再显著了，假设H5成立。

四、结论及启示

本文以移动互联网时代电影行业为研究背景，使用国内领先的社交网络平台“新浪微博”统计的影片网络热议度数据和国内最大的电影爱好者集聚平台“豆瓣电影”统计的电影评分和好评/差评率数据，结合电影每周票房收入，对网络口碑和电影票房收入的关系进行实证分析，主要结论和营销启示如下：

（一）网络热议度在电影上映的前6周均对电影每周票房收入有显著的正向影响，但其影响效应呈随时间递减的变化趋势。这不仅补充验证了前人有关网络口碑知晓效应的研究，同时从最简单的营销层面上启示我们，任何电影营销活动都应当以引发网络广泛讨论为前提，尤其是在电影上映期前的造势和上映周期前两周宣传扩散。例如，可以在社交平台上引爆与潜在消费者有强相关性的电影相关话题，来引起大众对电影的关注；或者借助明星社会网络资源，运用“粉丝效应”带动影片的热议度。

（二）口碑效价反映的是广大消费者对电影质量的个人判断，在一定程度上会影响潜在消费者的观影决策。本文的研究结果表明，负面口碑对电影票房的伤害作用大于正面口碑的助力作用，尤其是在上映期的前两周，有显著的负向影响。因此，尽管电影发行方更希望影片获得更多的好评，但在成本有限的情况下，相对于促进正面口碑的营销活动，营销团队应更多的将资金用于成本效益更高的，可以控制负面口碑影响的活动。比如，当预估电影口碑可能不好或不符合主流市场消费者的品位时，发行方应当放弃提前点映活动以延迟负面口碑的发酵期。电影《一步之遥》就是一个很好的反面例子，近3，000名观众的首映式囊括了各路精英人士，造足了势头，然而影迷看完之后纷纷在微博表示“看不懂”，上映18天，票房5.04亿元，而第18天的票房仅111万元，距离一开始夸口的20亿票房有天壤之别，一部写舆论杀人的电影结果在移动互联网时代的口碑舆论上马失前蹄。

主要参考文献：

[1]第36次中国互联网络发展状况统计报告[R].CNNIC，2015.

[2]安迪·塞诺维兹.口碑的力量[M].台海出版社，2014.9.

[3]Mishne G，Glance N.Predicting moviesales from blogger sentiment[C].//AAAI2006 Spring Symposiumon Computational Approaches to Analysing Weblogs. MenloPark，CA：AAAI Press，2006.

[4]Chakravarty A，Liub Y，Mazumdar T.The differential effects of online word-of-mouth and criticsreviews on pre-release movie evaluation[J].Journal of Interactive Marketing，2010.24.3.

[5]Zhang W，Skiena S.Improving Movie Gross Prediction Through News Analysis[C].//Proceedingsof the 2009 IEEE/WIC/ACM International Conference on Web Intelligence and Intelligent Agent Technology.IEEE Computer Society，2009.

[6]Sitaram A，HubermanB.A.Predicting the future with social media[C].//2010IEEE/WIC/ACM International Conference on Web Intelligence and Intelligent Agent Technology（WI-IAT）.IEEE Computer Society，2010.

[7]史伟，王洪伟，何绍义.基于微博情感分析的电影票房预测研究[J].华中师范大学学报（自然科学版），2015.49.1.

[8]汪旭晖，王军.网络口碑如何影响电影票房——中国电影“高票房低口碑”现象反思[J].湖南师范大学社会科学学报，2015.2.

[9]周明升，韩冬梅.基于社交媒体用户评论和关注度的电影票房预测模型[J].微型机与应用，2014.18.

[10]Godes D，Mayzlin D.Using Online Conversations to Study Word of Mouth Communication[J].Marketing Science，2002.23.

[11]Chevalier J A，Mayzlin D.The Effect of Word of Mouth on Sales：Online Book Reviews[J].Nber Working Papers，2004.43.3.

[12]Carlston D E，Skowronski J J.Linking versus thinking：evidence for the different associative and attributional bases of spontaneous trait transference and spontaneous trait inference[J].Journal of Personality & Social Psychology，2006.89.6.

[13]Hardie B G S，Fader P S. Modeling Loss Aversion and Reference Dependence Effects on Brand Choice[J].Social Science Electronic Publishing，1993.12.4.

[14]Eliashberg J，Shugan S M.Film critics：Influencers or predictors[J].Journal of Marketing，1997.61.2.