网络口碑与电影票房的双向效应研究

网络口碑与电影票房的双向效应研究

一引言文化产业的发展一直是我国经济发展的重要课题之一，文化产业的发展对我国的经济发展影响深远。电影产业是文化产业的核心产业之一，对文化产业的发展起着至关重要的作用。过去几年，中国电影产业发展迅速，在票房、影院建设以及影片数量上均取得了不错的成绩：自2009年至2017年，我国电影年度总票房由60.2亿元增长到559.11亿元，荧幕总数由4723块上升到50776块，国产公映影片数则由88部上升到379部。[1]。电影票房等指标是衡量电影商业价值的重要因素，从侧面反映了电影产业的发展状况，因而一直受到业界和学界的关注。长期以来，网络口碑一直被认为是影响电影票房的重要因素，并有助于电影票房的预测。这是因为以电影为代表的传媒产品往往属于体验性产品，消费者只有在购买之后才能通过观看对产品质量、价值进行判断。电影的消费者，即电影观众，在观看电影前是无法知道电影的价值的。因此，作为可被电影观众消费的产品，电影的品质和质量可通过电影口碑向潜在消费者发出。可见，口碑对电影票房的影响是存在的。随着互联网的发展，网络口碑使人们不再局限于人对人的口头交流，开始成为人们获取口碑信息的主要渠道，网络口碑作为一个能够实时更新的信息，为消费者对电影价值的判断提供更多的依据，从而帮助消费者做出最终的决策。电影观众在观看电影之前是无法知道电影的价值的。对于这类产品，Koschat认为口碑是为潜在消费者发出的反映电影品质和质量的信号。[2]Bayus在其早期的研究中也认为，口碑对电影消费选择的影响是巨大的。[3]可见，口碑和电影票房间是存在相关关系的。而在早期对电影票房与口碑关系的实证研究中，Prag和Casavant也证实了这一点。在他们的研究中，电影预算、评论（口碑）、明星、续集以及获奖情况对电影票房存在正向影响，而在引入“广告”这一变量后，仅有评论（口碑）对票房的影响显著。[4]至此，在未来对于电影票房影响因素的实证研究中，口碑或是网络口碑，一直是用于解释电影票房的重要变量，而在近几年，网络口碑较传统口碑更易被搜集、保存的特点使对网络口碑与电影票房间影响关系的研究变得越来越多。在网络口碑的度量方面，网络口碑主要由网络口碑数量（volume）、网络口碑效价（valence）反映。其中，电影网络口碑的数量是相对容易获得的网络口碑量化信息。在以Liu为代表的研究中，各大电影评分网站的评分或是评论的数量为网络口碑数量的主要度量指标。[5]杨扬用电影的网络评分衡量网络口碑效价。[6]因此，考虑到本文研究的网络口碑的特点，将网络口碑定义为在网络公告牌（BBS）等交流平台，或者通过如MSN（MicrosoftServiceNetwork）之类的即时通信工具等途径进行的关于产品、品牌或服务的信息交流与互动。在实证研究方面，绝大多数的研究都证明了网络口碑数量对电影票房影响显著。但由于所研究的国家、电影上映时段、所用数据的长度和细分程度（如日数据、周数据等）、计量方法等存在差异等，网络口碑效价对电影票房是否有显著影响以及影响的方向，结论并不统一。例如，有学者使用动态面板模型，将电影评论的数量、正负向口碑占比这些指标均滞后一期进行回归，发现口碑对总票房和周票房都是有影响的，尤其是电影刚上映的几周，但这种影响几乎是由网络口碑的数量带来的，网络口碑的效价对电影票房的影响并不显著。也有学者使用动态面板数据，引入滞后一期的网络口碑变量，发现网络口碑的效价对电影票房影响显著，但仅发生在电影上映后的第三周。另外，还有学者在认为电影网络口碑和票房是相互影响的互为因果的基础上，建立了三个反映二者关系的等式，采用联立方程模型中的3SLS法进行估计，发现口碑数量对电影票房有显著影响而口碑效价对票房没有影响。然而，综观上述文献，它们往往忽略了同档期影片的竞争、替代作用。一部影片能否获得较好的票房成绩，一方面取决于它本身的质量，另一方面，取决于和它同时期上映的电影的质量。在某一时期，如果影片质量普遍偏高，那么高水平的影片未必能获得高票房；反之，如果影片质量普遍偏低，一部质量稍好却不能被称为高质量的影片，也可能获得可观的票房收入。这或许是口碑效价对电影票房的影响并不显著的原因之一。考虑到同档期上映影片之间存在着竞争关系，并将这一竞争关系量化，本研究对同一天上映的电影的豆瓣评分进行排名，这一网络评分的排名即为网络口碑效价的度量指标。二网络口碑与电影票房的双向效应（一）消费者观影及口碑发布机制消费者对某产品或服务进行消费后，便能够对此次消费体验的好坏进行一个判断，而这种仅存于脑内的判断，并不能被称为口碑。关于口碑的定义，Godes和Mayzlin将其定义为消费者进行的有关产品、服务等的人际交流，这种交流可以是口头的方式也可以是书面的方式。[7]因此，口碑的重点在于交流，而消费者对评价产品质量存在交流的动机，交流行为的发生，将最终形成口碑。至于口碑形成的动机，有学者认为，引起口碑传播的动机分别为自我表现的动机、利他的动机、自我防卫的动机、自我涉入的动机、在模糊环境下提高认知程度的动机以及降低感知不一致的动机。也有学者将口碑分为正面和负面两种，认为进行正面口碑传播的动机有利他动机、产品涉入的动机和自我提高的动机，而进行负面口碑传播的动机主要是利他、减少焦虑、报复以及寻找建议。研究表明，消费者对产品的满意程度可能是正面口碑最主要的驱动因素。同样地，消费者对产品的不满意则是负面口碑的驱动因素，而对产品不满意的顾客往往比对产品满意的顾客进行更多的口碑传播。由于消费者对产品的满意是有程度之分的，也有学者认为，相较于满意或不满意程度较低的消费者，对产品十分满意或十分不满意的消费者更可能进行口碑传播。在对网络口碑形成机制的研究中，黄敏学将网络口碑的产生分为消费者发起的网络口碑以及企业引导的网络口碑。[8]而消费者发起的网络口碑的形成与消费者消费体验的满意或不满意程度有关。此外，由于网络能够帮助人们便捷、低成本地发布、获得信息，很多人出于信息分享这一考虑，选择发布网络口碑信息。而企业引导的口碑则可以被称为口碑营销，是由企业发起，主要由顾客推动的。基于此，可以认为消费者在消费（观影）后对影片质量的满意程度决定了消费者是否发布持某种态度的网络口碑。在对影片的质量判断处于极好或极差的情况下，观影者更有可能对影片做出评价。而网络作为如今最为便捷、易用的信息传播媒介，加之网民们在社交媒体上较强的互动性以及信息接收已经依赖于网络的惯性，电影口碑往往依托于网络这一介质进行发布、传播。而从企业引导的口碑角度考虑，影片发行方会在影片正式上映前进行点映，由于点映的稀缺性，更能诱发消费者分享此次观影活动，并做出一定的评价，从而获取电影上映前期的口碑，这也能在一定程度上对正式上映电影之后的票房进行预测。此外，电影院和影片发行方也可以通过一些类似于分享观影感受领取礼品或折扣的活动来刺激消费者发布网络口碑。具体到某一部电影的口碑上，该口碑信息接收者是否会发布电影的网络口碑，其实取决于他是否看过该电影，而该口碑信息对他的具体作用还应取决于这是在他观影之前还是之后被接收到的。如果是在观影之前，该网络口碑应该更多地影响到该接收者是否观影的决策；而如果是在观影之后，该网络口碑则应该更多影响到接收者是否也发布口碑信息。需要说明的是，消费者接受的口碑信息的数量也将决定其最终的决策。消费者从观影到发布网络口碑信息的整个过程可用图1表示。一部电影从确定上映到消费者观影之前，消费者只能够接触到关于该电影的基础信息，如影片题材、主演、导演以及文化背景等，而这些电影的基础信息即为吸引消费者观影的主要因素。在部分消费者进行电影消费之后，他们可能基于观影体验以及其他观影者的口碑，发布自己的网络口碑信息。而当一部电影已经有一部分观众并形成了一定的网络口碑后，尚未观影的消费者能够获得的信息除了电影基本信息（此时，电影现阶段票房也会作为电影的基本信息为消费者做出是否观影的决策提供依据），还有先前观影者的口碑信息，这两类信息将帮助消费者决定是否观影。图1消费者观影及口碑发布决策全过程当消费者完成了观影行为，即观看了电影，他就会对影片的质量形成判断，对影片的满意程度也因此形成。此时，消费者可能会出于对其他人对影片的好奇、对自己的判断能够获得他人观点支持等原因，主动去获得新的口碑信息。对影片的满意度以及已经获取到的口碑信息，是消费者决定是否发布口碑信息的依据。需要指出的是，由于口碑获取是一个动态过程，是否发布口碑这一决定在切实发布口碑之前，都是有可能变化的。而一旦消费者发布了口碑，新产生的口碑将有机会被尚未观影或是已经观影的消费者看到，从而影响他们的观影以及口碑发布决策。显而易见，在观影决策上，优秀的电影可能会由于其高质量，引发观影者的二次或多次观影，这与消费者对影片的满意程度有关；而在口碑发布决策上，同一个消费者也可能会因为其信息的更新、态度的转变等原因多次发布口碑信息。（二）网络口碑与电影票房的相互作用机制在Ellis提出的“认知—行为”模型中，认知行为被分为激发事件（ActivatingEvent）、对事件的认知（Beliefsabouttheevent）和由行为代表的结果（Consequences）三个步骤。[9]基于这个模型，以电影的消费—评价为逻辑，那么电影本身和网络口碑将作为激发事件，电影消费者消费前获得的包括口碑的与电影相关的信息作为对事件的认知，是否消费将作为结果。网络口碑具有知晓效应（AwarenessEffect），知晓效应可以通过网络口碑的数量进行衡量，并且最终反映在电影票房中。在电影消费市场中，即为电影影评的数量。同时，网络口碑也具有说服效应（PersuasiveEffect），在电影消费市场中，即为电影影评的分数或影评的内容。电影的评分或影评内容能够作为消费者进行消费前对电影产品质量判断的依据。在实际中，同档期上映的电影之间的关系属于竞争关系。因此，网络口碑的说服效应不仅在于体现电影质量以说服消费者，还在于体现某一电影与其他电影在质量上的差异，从而说服消费者观看更高质量的电影，而非消费质量较低的电影。从“认知—行为”模型的角度出发，可以认为电影票房本身也具有知晓效应，因此也能影响到后续电影票房的发展。而就个体消费者而言，从受到网络口碑影响到进行观影消费再到发布网络口碑，整个过程存在时间先后，并非同时进行。因此，网络口碑对电影票房的影响是存在时滞的，即今天的口碑可能影响的是明天的观影决策（最终形成明天的电影票房）；同样地，今天的观影感受可能到明天才会变成口碑信息在网络中发布。此外，可以认为，具有知晓效应和说服效应的网络口碑也会影响新的网络口碑的产生，而同样具有知晓效应和说服效应的电影票房也会影响未来的电影票房，即存在电影产业的信息报酬递增规律。基于这一点，可以在Duan[10]的基础上，构建如图2所示的理论模型。其中，影响因素l为除电影本身影响口碑发布的因素，因素i为除口碑外其他影响电影票房的因素。因素l包括了电影类型、专家评论等非时变因素。而因素i除了因素l包括的非时变因素外，还有荧幕数和周末效应这两个因素。需要说明的是，在接下来的实证分析中，计量模型的搭建以及研究假设均基于图2所反映的“口碑—票房”交互影响模型。图2“口碑-票房”交互影响模型基于“口碑—票房”交互影响模型，网络口碑和电影票房均具有知晓效应和说服效应。而网络口碑的知晓效应和说服效应分别对应网络口碑的数量和效价，在理论上促进电影票房的增长。在Bikhchandani等的研究中，他们发现口碑引致观影需求与票房增长的现象引致了电影业信息报酬递增规律，[11]同样地支持了这一观点。此外，电影票房也会促进网络口碑内容的形成。因此，提出假设1和假设2如下。假设1：当期网络口碑的数量和效价对电影票房存在正向影响。假设2：当期电影票房对网络口碑的数量和效价存在正向影响。三网络口碑与电影票房双向关系的实证分析（一）模型和数据基于所收集的相关面板数据，考虑到研究的问题为网络口碑和电影票房间可能存在的双向影响关系，根据先前的文献综述，可以认为联立方程模型是最适合分析这一问题的，但二者之间的因果关系仍待检验。在构建回归模型方面，本文构建模型如下：其中，p表示变量的滞后阶数，i表示电影片名，t表示累计上映天数，y为电影票房，x1，和x2，分别表示网络口碑的数量和效价，controly表示控制变量集合。本文研究的重点除了验证网络口碑与电影票房间的双向因果关系，关注点还在于，网络口碑的认知效应和说服效应是否对电影票房有影响。一方面，网络口碑数量越多，越表明影片受更多人的关注并被更多次扩散，网络口碑的扩散意味着影片可能被更多的人了解和关注，即影片信息到达了更多的潜在消费者；另一方面，反映电影质量的网络评分是口碑效价信息的有效传递：电影网络评分越高，意味着电影质量越高；电影网络评分较同期上映电影网络评分更高，意味着该电影的质量高于同时期上映电影的质量。口碑效价信息的说服效应，即说服消费者观影，是通过影响消费者对电影质量的主观判断实现的。因此，本文引入变量box表示电影票房的收入，daily表示影片的当日评分人数，score表示电影的当日评分，rank表示电影当日评分排名。出于对内生性问题的考虑，本文引入表示电影播放场次的变量scene，表示电影排座的变量seat，表示电影平均票价的变量price，表示电影类型的变量type，分别表示电影导演以及两位主演社交媒体的被关注人数的变量w_director、w_actor1以及w_actor2作为模型的控制变量。以上数据中，艺恩网是电影票房收入（box）、电影播放场次（scene）、电影排座（seat）以及电影平均票价（price）的数据来源。豆瓣网是数据电影当日评分人数、电影当日评分以及电影当日评分排名的数据来源。电影当日评分人数（daily）由每日统计所得的电影评分总人数相减获得。考虑到市场竞争因素引入的电影当日评分排名（rank）指标则通过对当天上映的所有电影的评分进行排名得到，rank是对网络口碑效价的一个变形，其考虑到了影片网络口碑效价为影片挣得的口碑竞争力。另外，电影类型（type）来自豆瓣网，是一个虚拟变量。考虑到多数国外导演和演员并不使用中国社交媒体，因此，导演及两位主演的微博被关注人数（w_director，w_actor1以及w_actor2）取自新浪微博或Twitter。此外，本文研究所用的数据来自2017年4月25日至2017年12月31日的日度面板数据，共计上映电影150部，观察值为5754。（二）网络口碑与电影票房双向因果关系的确定表1列出了动态面板模型系统GMM方法的估计结果。考虑到可能存在序列相关，对部分变量取对数，并且在解释变量中引入了电影票房对数的滞后项。由于部分变量值小于1或等于0，取对数结果会小于0或无法取对数，故在进行取对数操作时，将需要取对数的数值加1后再取对数。在表1所反映的回归结果中，第（1）列和第（2）列反映的是电影票房和网络评分的回归结果，第（3）列和第（4）列反映的是电影票房和当日网络评分排名的回归结果，第（5）列和第（6）列反映的是电影票房和当日网络评分人数的回归结果。为获得更为准确的估计结果本，本文采用系统GMM方法进行回归。此外，在使用系统GMM方法进行回归时，使用了前面论述中提及的控制变量，但限于篇幅且本文主要研究网络口碑与电影票房之间的关系，故仅列出几个主要变量的系统GMM回归结果。由表1可知，电影网络评分、电影网络评分排名以及电影网络评分人数对电影票房的影响是显著的。同样地，电影票房也对电影网络评分、电影网络评分排名和电影网络评分人数的影响显著。其中，滞后一期的电影票房显著促进着现阶段的电影票房，滞后二期的电影票房对现阶段电影票房有显著的抑制作用。这说明电影票房作为电影相关信息对于消费者的观影行为产生了影响，而滞后一期和滞后二期的电影票房对现阶段电影票房影响方向不一致的原因可能是消费者更愿意消费有热度的电影：滞后一期的电影票房在时间节点上距离现阶段消费者更近，滞后一期的电影票房越高，说明电影仍存在一定的热度；而滞后二期的电影票房越高，则意味着已经有很大一部分的消费者已经进行了观影，就现阶段而言，观影人数会减少，电影热度降低。表1系统GMM回归结果（1）（2）（3）（4）（5）（6）log_boxscorelog_boxranklog_boxlog_dailyL.log_box0.576***0.003***0.588***-0.392***0.556***0.049***（249.96）（40.07）（233.56）（-42.38）（219.75）（7.46）L2.log_box-0.132***-0.004***-0.114***-0.161***-0.127***0.008（-124.55）（-83.63）（-47.42）（-15.47）（-71.69）（1.57）log_box-0.001***0.496***0.165***（-15.51）（48.20）（28.36）Score0.078***（12.18）L.score0.075***0.335***（24.15）（1095.83）L.rank-0.011***0.356***（-17.19）（85.60）L2.rank-0.026***0.250***（-36.50）（82.75）log_daily0.075***（42.13）L.log_daily0.023***0.218***（16.91）（36.67）arm1-5.985***-1.576-5.932***-3.867***-5.929***-9.252***（0.00）（0.11）（0.00）（0.00）（0.00）（0.00）arm20.267-1.652*0.0760.031-0.101-1.029（0.79）（0.10）（0.94）（0.98）（0.92）（0.30）Sargan182.539165.570178.999176.876177.126181.459（1.00）（1.00）（1.00）（1.00）（1.00）（1.00）N405340534053405340534053注：相关变量回归结果的括号中数字为异方差稳健标准误计算得到的t值，*、**和***分别代表在10%、5%和1%的水平显著。arm1、arm2和Sargan检验括号中的数值为P值。表1系统GMM回归结果另外，当期和滞后一期的网络口碑评分对电影票房的影响是正向显著的。考虑到网络口碑排名的计算是在每一天结束后的网络口碑评分排名，其真正发挥作用是在排名结果出来的第二天，因此，仅考虑滞后一期和滞后二期的网络口碑评分排名对现阶段电影票房的影响。由表1可知，滞后一期和滞后二期的网络口碑评分排名对电影票房的影响是正向显著的。即评分越高，电影票房越高，以及评分排名越靠前（rank值越低），电影票房越高。这意味着影片在先前时间节点的评分越高，排名越靠前，在现阶段就更容易获得高的评分和靠前的排名。因此，假设1得以验证。此外，滞后一期和滞后二期的网络口碑数量对现阶段网络口碑数量的影响均是正向显著的，这说明之前的网络口碑行为，将影响现阶段的网络口碑行为。反观电影票房对网络口碑数量和网络口碑效价的影响，由表1可知，当期和滞后一期的电影票房对当期的网络口碑数量有显著的促进作用，但当期的电影票房对当期的网络口碑效价有抑制作用。这可能是因为观影人数越多，意味着消费者对电影质量的预期质量越高，一旦电影无法满足消费者的预期，消费者通过评分反映的电影质量往往会偏低。因此，实证结果只能部分验证假设2，即当期的电影票房对当期的网络口碑数量有显著从促进作用。此外，在表1中还列出了动态面板残差的一阶和二阶自相关检验的结果，可见，为了去除序列相关，至少要选择二阶滞后。并且，sargan统计量的值表明过度识别约束是有效的。通过观察表1所呈现的结论，可以认为网络口碑和电影票房之间的相互作用均是正向显著的。但网络口碑和电影票房是否存在双向因果关系这一问题仍需进一步的检验才能得以回答。为解答这一问题，需要进一步进行格兰杰因果检验。根据格兰杰因果检验的结果，在5%的显著性水平下，仅有电影票房和电影当日网络评分人数是互为因果关系。电影票房和电影网络评分、电影网络评分和电影当日网络评分人数并不互为因果关系。其中，电影票房是电影网络评分排名的原因，电影网络评分排名却不是电影票房的原因；同样地，电影网络评分人数是电影网络评分排名的原因，电影网络评分排名却不是电影网络评分人数的原因。电影票房和电影网络口碑数量互为因果这一结果证实了本文理论部分所提到的消费者观影评分逻辑：消费者在观影后对电影质量有了一定的认识，出于社交互动、抒发观影情绪等一系列原因，最终选择发布电影口碑信息，电影口碑数量上升；部分潜在消费者通过网络接收到已观影消费者发布的口碑信息，根据自身偏好等一系列原因，最终决定观影，电影票房上升。电影票房和电影网络评分并不互为因果，这意味着本文之前提出的高口碑将导致高票房，高票房的电影是高口碑的理论假设并不成立。其原因可能是消费者在进行观影决策时，质量并不是其唯一的判断标准，很多时候，社交、娱乐等也是影响其观影决策的重要因素。正因为如此，消费者并不一定选择高口碑的电影，因而在观影后也并不一定会对电影做出很高的口碑评价。四总结本文基于网络传播理论、“认知—行为”模型等相关理论，从理论上总结分析了电影网络口碑和电影票房是如何相互影响、互为因果的。并基于理论，利用2017年4月25日至2017年12月31日国内电影消费市场的相关数据进行实证分析。考虑到内生性问题，本文通过系统GMM模型初步证实二者之间的关系后通过格兰杰因果检验证实了网络口碑数量和电影票房之间确实存在双向的因果关系，发现电影网络口碑的数量和效价分别在知晓效应和说服效应上影响着电影票房。其中，当期电影网络口碑数量和当期网络口碑效价对当期电影票房的影响是正向且显著的；当期电影票房对当期网络口碑数量的影响是正向且显著的，对当期网络口碑效价的影响是负向且显著的。另外，本文还发现，电影票房和电影当日网络评分人数是互为因果关系。电影票房和电影网络评分、电影网络评分和电影当日网络评分人数并不互为因果关系。其中，电影票房是电