網絡口碑對電影票房影響實證研究

趙亞凡 劉偉

[提要] 本文以2015年上映影片的125組數據，從影片的網絡熱議度、口碑效價以及好評/差評率等方面，對移動互聯網時代的網絡口碑與電影票房收入關系進行實證分析。結果表明：網絡熱議度與電影票房收入積極相關，但相關度會隨時間遞減；網絡口碑具有消極偏向，即相對于正面口碑，負面口碑對票房收入有更顯著的負向影響，尤其是在上映期的前兩周。本文研究結論不僅是前人關于口碑營銷研究的拓展，并且能對電影發行團隊如何在移動互聯網時代借助網絡口碑進行電影營銷來提高票房收益產生新的啟示。

關鍵詞：網絡口碑；熱議指數；電影票房

中圖分類號：F272 文獻標識碼：A

收錄日期：2016年3月1日

一、引言

中國的移動互聯網時代已經全面來臨，“十二五”期間，移動互聯網呈現井噴式發展，根據中國互聯網網絡信息中心（CNNIC）發布的過去五年里我國互聯網發展十大亮點報告數據：我國手機網民規模達5.94億，使用手機上網比率相比PC端多20.5%，手機超越電腦成為中國網民第一大上網終端。移動互聯網時代是互聯網的“自媒體”時代，網絡口碑對電影票房的影響可能是最顯著的。本文提出這樣的推斷源于兩個原因：一是基于電影產業互聯網化的現實發展現狀；二是基于學術界相關研究現狀。

一方面，縱觀近幾年電影產業的發展，可以發現移動互聯網和它的融合是深入而緊密的，尤其是阿里巴巴、騰訊、百度等互聯網企業和資本開始大規模介入電影產業，電影產業對接“互聯網思維”，似乎成為制作方在電影宣傳階段面向市場溝通時的一門必修課?；ヂ摼W正在用自己的方式來重塑電影行業的風貌，以購票終端為例，手機購買電影票和在線電影選座已經成為大眾電影消費的主要方式，2015年7月的中國電影市場總票房54.9億元，其中電商票務就占據46%的份額（約合25.3億元）。最重要的是，移動互聯網讓信息更加透明，流動更快，縮短了電影發行公司和消費者及院線之間的信息不對稱性，賦予市場更快的反應速度，幾個小時影片口碑就被傳遍全國，影響消費者的觀影決策和院線排片決策，從而影響電影票房表現。

另一方面，電影是生命周期短暫的體驗型產品，現有眾多研究表明，網絡口碑和電影市場表現存在積極的相關關系。國外學者關注社會化媒體用戶在線情感表達與電影票房的關系，研究認為，用戶在博客、Twitter、影評網站等社交平臺上對影片的評論都對電影票房有顯著影響，線上網友的評論是觀影經驗較少的消費者觀影決策的重要參考。國內有關網絡口碑與電影票房表現關系的實證研究還處于探索階段，學者們從不同角度進行了如下研究：第一，網絡口碑情感表達的預測作用研究。史偉（2015）等學者基于新浪微博情感分析構建電影票房預測模型，證實用戶評論的情感表達在電影票房預測中扮演了很重要的因素；第二，網絡口碑數量的知曉效應和口碑效價的說服效應研究。汪旭暉（2015）以格瓦拉網站的55部國產電影為樣本，實證分析了網絡口碑與電影票房的內在影響機制，證明網絡口碑的數量對電影票房有顯著的正向影響，而口碑的效價對電影票房有顯著的負面影響；第三，網絡口碑形式的用戶行為數據研究。周明升（2014）將票房作為自變量，分析了用戶評分、評論數與票房的關系，實證結果表明網絡口碑存在明顯的自相關性，電影票房對網絡口碑有顯著影響。綜合目前國內外成果來看，現有研究雖然普遍認同口碑數量與電影票房的高度相關性，但有關口碑效價作用的驗證結果卻存在一定的分歧；此外，現有實證研究大多采用單一平臺數據，靜態數據進行分析，存在局限和不足。

本文在前人研究的基礎上，立足于移動互聯網時代的中國電影市場，著重研究網絡口碑對電影票房市場表現的影響，選取2015年上映的25部電影為研究樣本，在“豆瓣電影”和“新浪微博”兩個平臺上采集網絡口碑相關數據，分析網絡口碑的效價、好評率/差評率的作用機理，與前人的研究不同，本文以影片的網絡熱議度取代網絡口碑數量，驗證口碑傳播的知曉效應，并通過每周相關動態數據的分析，探討在電影上映周期的不同階段網絡口碑影響的動態變化，希望能對電影發行公司通過戰略管理口碑營銷來提高影片票房收益提供參考。

二、理論假設與模型

眾多實證研究均支持口碑數量與票房收入之間的正相關關系，認為口碑數量具有“知曉效應”。Godes和Mayzlin的研究發現，對某商品的討論越多，就越有可能受到更多的關注，由此可能引發更多的購買行為。前人的研究中，口碑數量其實反映的是熱議度對電影票房收入的影響。得益于移動互聯網時代大數據的時代特征，海量的用戶行為數據已經能被互聯網記錄并加以分析，通過某一關鍵詞在網絡中被主動搜索、討論或關注的加權和值運算得出的“熱詞指數”能更直觀科學地衡量口碑的知曉效應。因此，本文采用“新浪微博”統計的電影在微博平臺的 “熱詞指數”取代口碑數量，基于前人關于口碑數量和票房收入的研究結果，提出假設H1。

H1：熱議度與電影市場表現顯著相關，正向影響票房收入。

眾多研究表明，基于用戶網絡評分的網絡口碑效價會影響消費者的評價和判斷，從而影響消費者觀影決策。但綜合目前國內外研究成果來看，有關網絡口碑效價作用的驗證結果存在一定的分歧，有認為口碑效價具有說服效應，能引導消費者觀影意愿，也有認為口碑效價對票房收入的影響并不顯著，甚至會有負面影響?；谏鲜龇制?，本文將進一步驗證網絡口碑效價的作用，結合消費者行為決策理論，本文認為網絡口碑效價是大眾在線情感表達的體現，影響消費者感知價值和感知風險等消費心理，是消費者觀影意愿的重要信息參考，提出如下假設：

H2：消費者觀影決策受網絡口碑效價影響，口碑效價和票房收入正向相關。

此外，有研究表明，負面口碑對于降低產品銷量的作用比正面口碑帶來的銷量上升的效果更加顯著。Skowronski&Carlston關于印象形成中負面偏好的研究和Hardie等人基于掃描面板數據的厭惡損失研究也有類似的發現，負面信息比正面信息會產生更大的影響，即否定性偏見?；谶@些論點，本文提出了如下假設：

H3：負面口碑對票房的傷害作用大于正面口碑的幫助作用。

最后，考慮到移動互聯網時代的網絡口碑傳播速度的影響，引入時間軸，進行每周獨立回歸，觀察網絡口碑的影響是如何隨時間變化的，也彌補了前人研究中缺乏動態性這一不足，提出如下假設進行驗證：

H4：熱議度對票房收入的影響隨時間的推移逐漸減少。

H5：口碑效價對票房收入的影響隨時間的推移逐漸減少。

三、實證研究

（一）數據與變量。本文中的研究數據有三類，分別來自如下三個平臺：①電影票房信息：藝恩咨詢中國票房網（http：//www.cbooo.cn/），獲取周票房信息；②熱詞指數：新浪微指數數據庫（http：//data.weibo.com/index），獲取根據片名關鍵詞匯總整理的影片在社交平臺的討論熱度指數；③網絡口碑效價信息：豆瓣電影（http：//movie.douban.com/），獲取總評分（1～10分）、每周好評率（4星及以上）、每周差評率（2星及以下）等信息。

各指標在模型中的變量名稱及定義如表1所示。（表1）

本文選取的研究樣本是2015年2月至8月在中國大陸上映，且在每月票房前10名榜單中的25部電影。中國電影市場影片上映周期為3～11周，本研究樣本的平均上映期為5.64周，取前6周，上映期不足6周的，以實際周數為準，共計125組數據。其中，參考多數研究文獻的做法，本文對除比例型變量以外的連續型變量均取自然對數形式，這種變換不僅與多階段消費者決策過程的相關理論模型相符合，還可以平滑模型中變量的分布，使變量間關系趨于線性化。

（二）實驗模型

首先，假設1、2、3討論網絡口碑和票房收入的相關關系，以每周票房收入的對數為因變量，通過運算時間序列截面回歸函數進行回歸分析，研究每周票房收入與熱議度、口碑效價、好評率/差評率的關系，同時引入固定效應？滋i來控制由遺漏變量（影片類型、明星影響力等）引起的內生性影響，以及時間趨勢變量Trendi來控制時間趨勢的變化對票房收入產生的影響。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為電影樣本數；t=1，2，…，N為電影放映周數。

其次，參照Eliashberg和Shugan等的做法，以每周票房收入的對數為因變量，進行每周獨立回歸，研究網絡口碑對影片票房收入的影響是如何隨上映周期變化的，模型如下：

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

其中，i=1，2，…，N為電影樣本數；t=1，2，…，N為電影放映周數。

（三）結果與分析。先通過Eviews 8.0運行實驗1的時間序列截面模型，回歸模型結果見表2。（表2）

采取逐步回歸的方法來進行分析。模型1僅對時間趨勢變量進行回歸分析，結果顯示為顯著的負向影響（=-1.235，？籽<0.001），表明票房收入存在趨勢性下降的情況，影片的上映時間越長，周票房收入越低，因此在模型中引入時間趨勢變量來去除趨勢的影響是有必要的。模型2和模型3分別加入熱議度和網絡口碑效價變量之后，模型的R2和調整后的R2值都變大了，且F-statistic結果也顯示新加入的解釋變量都是顯著地增加了對因變量的解釋力度（？籽<0.001），說明網絡口碑能夠顯著影響票房收入。Ln Hot和Ln Val的系數都是正向且顯著的（？籽<0.001），這似乎表明大眾對影片的熱議程度和在線評分都能顯著影響票房收入的增加，即網絡熱議程度越高，票房越高，網絡口碑效價越好，票房越好。但是，值得注意的是，當將Ln Hot和Ln Val放入同一個模型（模型4）分析時，回歸結果表明，雖然模型的解釋力度顯著變強了（R2=0.869>0.859 or 0.822），但是Ln Val的系數變成了負值，且顯著性降低了（=-2.611，？籽<0.01），而Ln Hot的系數值增加了且仍為正，顯著性不變（=0.964，？籽<0.001，表示當網絡口碑效價和熱議程度同時對票房收入產生影響時，口碑效價與低票房收入顯著相關，熱議度和高票房收入顯著相關。綜合模型2、3、4的結果來看，影片熱議度能夠正向影響票房收入，假設H1成立，這個結果和前人通過口碑數量指標進行分析的結果是一致的，進一步說明了在移動互聯網時代，影片的廣泛討論能夠有效提高影片的知曉程度，帶動票房收入的增加。而關于網絡口碑效價的影響，鑒于模型3、4回歸結果的分歧，本文通過在模型4的基礎上分別加入解釋變量好評率和差評率進行模型5和模型6的回歸分析，對網絡口碑效價的影響進行補充討論。結果顯示，雖然加入新變量后，兩個模型的R2值又增加了，且模型6的R2和調整后的R2都略大于模型5 （0.876>0.872），說明好評/差評率使模型的擬合優度得到了明顯的提升。但好評率的系數雖然是正值但是其實是不顯著的（=4.723，？籽<0.05），而差評率的回歸結果是負值且十分顯著（=-4.802，？籽<0.001），表明正面口碑并不重要，負面口碑卻很重要，假設H3成立。結合模型5、6和模型3、4的回歸結果，發現熱議度、網絡口碑效價、好評/差評率同時作用于票房收入時，回歸模型的解釋力度會顯著變強，說明移動互聯網絡口碑對票房收入有十分重要的影響。其中，口碑效價和好評/差評率等解釋變量的加入后，Ln Val的系數仍舊是負值，和模型4結果對比發現模型5的結果是系數絕對值變大，顯著性不變，而模型6的結果是系數絕對值變大，顯著性變強（？琢2-Posratio=-4.102，？籽<0.01；？琢2-Negratio=-3.538，？籽<0.001），表明口碑效價并不能正向影響票房收入，假設H2不成立，這也驗證了楊揚（2015）和汪旭輝（2015）等人的研究結論。

表3所示是實驗2運行每周獨立回歸模型的結果，僅僅涉及了3個解釋變量（Negratio，Ln Hot，Ln Val），分別對電影上映后6周內每周的網絡口碑對票房收入的影響進行回歸分析，分析網絡口碑對處于不同周期的電影票房收入的影響。（表3）

結果顯示，在6周的上映周期內，影片熱議度對每周票房收入都有顯著的正向影響，在上映首周，影響最大（=0.8），第2周小幅下降至0.781，第3周開始衰減至0.639，顯著性也從第5周開始下降，假設H4成立。影片熱議度在電影上映初期會與電影票房的收入有較高相關性，但其影響會隨上映期的增長而降低。關于網絡口碑效價，由表2的回歸分析結果可知，當和熱議度同時作用于票房收入時，網絡口碑效價在6周的上映周期內會表現為顯著的負向影響，但表3的每周獨立回歸結果顯示，口碑效價只在上映首周對票房收入有較顯著的負向影響，且影響系數較小，從第2周開始并沒有顯著的影響，假設H2依然不成立，H5部分成立。據表2所示的回歸結果分析，正面口碑對票房收入并沒有顯著的影響，而負面口碑有顯著的負向影響，因此實驗2僅采用差評率變量作為口碑效價影響的補充。表3結果顯示，負面口碑只在上映首周和第2周對票房收入有顯著的影響，尤其是在第2周，差評率每增加1%，票房收入會降低5.898%。第3周之后，負面口碑的影響也不再顯著了，假設H5成立。

四、結論及啟示

本文以移動互聯網時代電影行業為研究背景，使用國內領先的社交網絡平臺“新浪微博”統計的影片網絡熱議度數據和國內最大的電影愛好者集聚平臺“豆瓣電影”統計的電影評分和好評/差評率數據，結合電影每周票房收入，對網絡口碑和電影票房收入的關系進行實證分析，主要結論和營銷啟示如下：

（一）網絡熱議度在電影上映的前6周均對電影每周票房收入有顯著的正向影響，但其影響效應呈隨時間遞減的變化趨勢。這不僅補充驗證了前人有關網絡口碑知曉效應的研究，同時從最簡單的營銷層面上啟示我們，任何電影營銷活動都應當以引發網絡廣泛討論為前提，尤其是在電影上映期前的造勢和上映周期前兩周宣傳擴散。例如，可以在社交平臺上引爆與潛在消費者有強相關性的電影相關話題，來引起大眾對電影的關注；或者借助明星社會網絡資源，運用“粉絲效應”帶動影片的熱議度。

（二）口碑效價反映的是廣大消費者對電影質量的個人判斷，在一定程度上會影響潛在消費者的觀影決策。本文的研究結果表明，負面口碑對電影票房的傷害作用大于正面口碑的助力作用，尤其是在上映期的前兩周，有顯著的負向影響。因此，盡管電影發行方更希望影片獲得更多的好評，但在成本有限的情況下，相對于促進正面口碑的營銷活動，營銷團隊應更多的將資金用于成本效益更高的，可以控制負面口碑影響的活動。比如，當預估電影口碑可能不好或不符合主流市場消費者的品位時，發行方應當放棄提前點映活動以延遲負面口碑的發酵期。電影《一步之遙》就是一個很好的反面例子，近3，000名觀眾的首映式囊括了各路精英人士，造足了勢頭，然而影迷看完之后紛紛在微博表示“看不懂”，上映18天，票房5.04億元，而第18天的票房僅111萬元，距離一開始夸口的20億票房有天壤之別，一部寫輿論殺人的電影結果在移動互聯網時代的口碑輿論上馬失前蹄。

主要參考文獻：

[1]第36次中國互聯網絡發展狀況統計報告[R].CNNIC，2015.

[2]安迪·塞諾維茲.口碑的力量[M].臺海出版社，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]史偉，王洪偉，何紹義.基于微博情感分析的電影票房預測研究[J].華中師范大學學報（自然科學版），2015.49.1.

[8]汪旭暉，王軍.網絡口碑如何影響電影票房——中國電影“高票房低口碑”現象反思[J].湖南師范大學社會科學學報，2015.2.

[9]周明升，韓冬梅.基于社交媒體用戶評論和關注度的電影票房預測模型[J].微型機與應用，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.