蘇永華 王哲平

(1.杭州科技職業(yè)技術(shù)學院旅游管理學院，浙江 杭州 311402；2.浙江工業(yè)大學管理學院，浙江 杭州 310023；3.浙江工業(yè)大學人文學院，浙江 杭州 310023)

引 言

自19世紀末誕生以來，電影在人們追求美好生活的道路上扮演著重要角色：其不僅是個人娛樂和放松的重要消遣品，同時也是跨地區(qū)跨民族進行文化交流的重要媒介。作為商業(yè)行為的電影制作和發(fā)行，票房一直以來都是投資人主要的收入來源，對電影院線公司、電影院和發(fā)行公司而言，更是如此。即便是電影行業(yè)盈利模式不斷朝多元化努力，但各方在衍生品、廣告和其他周邊上的收入仍無法撼動票房在產(chǎn)業(yè)鏈盈利中的核心地位。包括《長城》《阿凡達》這樣的中外高投入電影在內(nèi)，投資人對票房的期許莫不翹首企足，票房不僅是影片成功與否的事后表征，基于預測的票房來評估風險和收益，進行拍攝、制作、宣傳和上映的策略調(diào)整，更是投資人追求收益最大化之所急需。

對特定電影的票房進行一個準確預測并不是件容易的事情。電影的出品方、制片方、發(fā)行方、影片質(zhì)量、導演、主演、影片類型、影片時長、上映日期、市場區(qū)域、宣傳力度還有同檔期中的競品情況，甚至是電影放映期間的社會環(huán)境和天氣狀況，都會影響著最終的票房表現(xiàn)。不僅如此，包括影片投資額在內(nèi)的許多數(shù)據(jù)實際上也是很難獲得的(抑或是難以準確測量)，而電影投資預算對票房和盈利的影響卻早已得到證實——預算超過6000萬美元的電影相較于低成本制作的電影更能盈利，這就意味著如果采用傳統(tǒng)線性方法來預測票房不得不面臨對明明已知影響變量卻無法控制的尷尬境地。

為了提升對電影票房預測的準確性，已有相關(guān)研究試圖從兩個方向進行突破。在預測方法改進上，包括支持向量機、多項式logit回歸、高斯樸素貝葉斯、多層感知器神經(jīng)網(wǎng)絡(luò)、自適應(yīng)增強、隨機森林、隨機梯度下降、決策樹和BP神經(jīng)網(wǎng)絡(luò)等一批機器學習的方法應(yīng)用其中，實證研究結(jié)果表明多層感知器神經(jīng)網(wǎng)絡(luò)在票房預測中獲得了更佳的效果，而電影上映前使用10折交叉驗證的神經(jīng)網(wǎng)絡(luò)模型則票房預測的準確性可高出90%以上。在預測指標挖掘上，包括微博、推特、優(yōu)兔和IMDb電影數(shù)據(jù)庫等社交媒體和網(wǎng)絡(luò)資源上的人氣、評分、評論數(shù)量以及文本情緒等數(shù)據(jù)被充分采用，但這些特征在最終算法模型中是否得到支持，答案仍不統(tǒng)一。

對于電影這樣一類體驗性商品而言，口碑毫無疑問是影響人們觀影決策的最重要的信息傳播渠道之一，在網(wǎng)絡(luò)社會中這一媒介效應(yīng)更是獲得極大的增強，網(wǎng)絡(luò)口碑越來越成為影響電影票房的重要變量。電影《厄夜叢林》以6萬美元投資創(chuàng)造了2.48億美元票房的奇跡成為電影在線口碑營銷的典范，相關(guān)研究報告更是披露了大約50%的年輕網(wǎng)民正在依靠口碑推薦來購買CD、電影、視頻或DVD。本文基于線性回歸和機器學習的方法，從電影票房預測角度探求網(wǎng)絡(luò)口碑的影響機制與效應(yīng)，揭示網(wǎng)絡(luò)口碑效價和網(wǎng)絡(luò)口碑量值在電影票房預測中的異質(zhì)性表現(xiàn)，并以此為基礎(chǔ)對電影口碑營銷提升提出了富有針對性的建議。

一、文獻綜述與研究假說

美國電影協(xié)會前首席執(zhí)行官杰克·瓦倫蒂(Jack Valenti)曾于1979年宣稱，沒有人能夠告訴你電影在市場上的表現(xiàn)，但這并不能阻擋人們探究的腳步。自20世紀80年代初以來，對電影票房進行預測的研究一直都未停止嘗試。從預測的時間節(jié)點來看，這些研究主要分為兩種：一種是在電影上映前對票房進行預測，而另一種則是在電影上映一定時間后(通常是一周以內(nèi))進行的預測。就投資策略調(diào)整的角度而言，前一種預測似乎更具商業(yè)價值，但復雜多樣的影響因素加之上映后所面臨的動態(tài)變化往往令這些模型預測捉襟見肘。值得注意的是，網(wǎng)絡(luò)口碑(或稱之為在線口碑，縮寫為eWOM)作為一種可被存儲、搜索和再傳播的口碑形式，其在電影票房預測中的表現(xiàn)使得后一種預測也成為關(guān)注的方向，尤其是整合電影最初幾天票房、評級和口碑數(shù)據(jù)的方法被證實是獲得相當準確票房預測結(jié)果的方法。

網(wǎng)絡(luò)口碑影響電影票房的機制和效果都成為研究關(guān)注的重點。網(wǎng)絡(luò)口碑不僅是電影的評分，其還包含評論數(shù)、轉(zhuǎn)發(fā)量以及積極和消極評論的比重等多個方面。評論深度和數(shù)量代表了網(wǎng)絡(luò)口碑的量值，而評論等級和正面評論的數(shù)量則表征了評論的效價。在反映互動總量的口碑量值和反映評價情感趨向的口碑效價之間，傳統(tǒng)的直覺傾向都是希望干預口碑效價以提振票房，“價位是推動票房表現(xiàn)的因素，而不是數(shù)量”，評論評分對電影的銷售有積極影響。在一個指定的市場區(qū)域內(nèi)，效價是票房收入的重要影響因素。從全球范圍來看，電影在國際市場上的口碑和票房是呈現(xiàn)出“共線性”的，影片品質(zhì)決定影片評價,影片評價又決定著影片票房,這也是成熟電影市場的規(guī)律展現(xiàn)。Dellarocas等(2007)、Chintagunta等(2010)的前期研究結(jié)果也都表明了網(wǎng)絡(luò)口碑效價對電影票房的正向顯著影響，基于此，本文提出的第一個核心假設(shè)是：

假設(shè)1：在線評價獲得的評分越高，電影票房表現(xiàn)越好。

實際上，國內(nèi)外不少研究也提出了新的觀點，認為評論的量值很重要，而效價則無關(guān)緊要。網(wǎng)絡(luò)口碑量值特指網(wǎng)絡(luò)口碑評價規(guī)模的大小，在一部分研究看來，電影評分雖然是電影質(zhì)量的表征，其有可能有助于預測票房表現(xiàn)，但卻不是影響票房成功的因素。另外一些研究也揭示了網(wǎng)絡(luò)口碑與電影票房之間與直覺相迥異的關(guān)系，結(jié)果顯示了口碑效價與電影票房無關(guān)，但在線消息量與電影每周票房則存在著顯著相關(guān)。對美國動畫電影票房的研究也表明，網(wǎng)絡(luò)口碑量值對動畫票房收入產(chǎn)生了積極的正向影響，而網(wǎng)絡(luò)口碑褒貶(效價)對這類電影的票房收入并未呈現(xiàn)出顯著影響。在國家層面的數(shù)據(jù)研究同樣揭示了評論的量值真正影響著電影的票房表現(xiàn)。整體來看，大部分網(wǎng)絡(luò)口碑量值和票房收入之間的研究均揭示了兩者存在的顯著正相關(guān)關(guān)系，如Godes等(2004)、Duan等(2008)、Rui(2010)等的前期研究中所發(fā)現(xiàn)的網(wǎng)絡(luò)口碑量值對電影票房的積極影響。結(jié)合主流影評網(wǎng)站可獲得的網(wǎng)絡(luò)口碑評價數(shù)量方面的數(shù)據(jù)情況，本文提出了后續(xù)幾個假設(shè)：

假設(shè)2：在線參與評分的人數(shù)越多，電影票房表現(xiàn)越好。

假設(shè)3：在線發(fā)布的短評數(shù)量越多，電影票房表現(xiàn)越好。

假設(shè)4：在線發(fā)布的影評數(shù)量越多，電影票房表現(xiàn)越好。

假設(shè)5：在線刊載的新聞數(shù)量越多，電影票房表現(xiàn)越好。

假設(shè)6：在線標記“想看”的人數(shù)越多，電影票房表現(xiàn)越好。

二、研究設(shè)計

(一)樣本選擇與數(shù)據(jù)來源

相較于格瓦拉和豆瓣，時光網(wǎng)(www.mtime.com)的電影評分機制具有類專業(yè)特征，其分項評分機制的顯著優(yōu)點是規(guī)避了同類網(wǎng)站基于主觀籠統(tǒng)印象和模糊評價標準進行評價的弊端，其細致的評分機制、較高的用戶專業(yè)素質(zhì)和獨立的發(fā)布載體特點,令其成為未來有條件向IMDb看齊的專業(yè)電影評價平臺。本文以該網(wǎng)站2010年—2019年十年間中國內(nèi)地制作的、對白語言為漢語普通話的各種類型的彩色電影為研究對象，通過公開數(shù)據(jù)的搜集整理，與藝恩票房數(shù)據(jù)(www.endata.com.cn)以及中國電影數(shù)據(jù)網(wǎng)(www.films.cn)公布的電影人粉絲數(shù)(新浪微博)相匹配，排除缺失值后(無插補)最終獲得有效觀測樣本541個。在穩(wěn)健性檢驗中，采用了豆瓣(www.douban.com)公開的相關(guān)電影數(shù)據(jù)。

(二)模型設(shè)定和變量定義

1.多元線性回歸模型

本文構(gòu)建了多元線性回歸模型檢驗網(wǎng)絡(luò)口碑對電影票房的影響：

LnBoxoffice=β+βScore+βLnScale+βLnFilmreview+βLnShortcomment+βLnNews+βLnDemand+γControls+ε(1)

其中，LnBoxoffice代表電影票房，從票房的數(shù)據(jù)分布來看，其曾出現(xiàn)偏態(tài)分布(正偏態(tài))，采用自然對數(shù)的方式有效消除了右偏問題。Score為電影的在線評分，取值為0～10，Scale為評分人數(shù)，LnFilmreview為長劇評數(shù)，LnShortcomment為微劇評數(shù)，LnNews為新聞數(shù)量，LnDemand為潛在觀眾數(shù)，被解釋變量和主要解釋變量的數(shù)據(jù)采集時間為2020年9月29日。

Controls是本文的控制變量。在信息較為缺乏的情況下，消費者更可能是基于沖動和依賴于影評的特征信息(如預告片、劇情介紹、演員目錄、出品公司、制作成本等)來判斷影片質(zhì)量并以此做出購買決策,參照之前已有研究，本文對如下變量進行了控制：電影類型(Genre)、電影制式(Type)、主演(LnActor)、片長(Duration)、年度(Year)和檔期(Schedule)。除在線評分和片長變量外，本文對連續(xù)的自變量均進行了對數(shù)變換，以便使得回歸的結(jié)果更加穩(wěn)健，同時控制潛在離群值的影響。變量的定義詳見表一。

表一 變量定義表

(續(xù)表)

2.BP神經(jīng)網(wǎng)絡(luò)算法

人工神經(jīng)網(wǎng)絡(luò)是機器深度學習算法的典型代表，既可以應(yīng)用于有監(jiān)督學習(回歸、分類等)，亦可應(yīng)用于無監(jiān)督學習(降維、聚類等)，與支持向量機方法相類似，其也是一種黑箱算法。與早期單層神經(jīng)網(wǎng)絡(luò)和前饋神經(jīng)網(wǎng)絡(luò)不同，由激活函數(shù)、網(wǎng)絡(luò)結(jié)構(gòu)和優(yōu)化算法所構(gòu)成的反向傳播神經(jīng)網(wǎng)絡(luò)——BP神經(jīng)網(wǎng)絡(luò)在預測性能上獲得了大幅提升。神經(jīng)網(wǎng)絡(luò)模型的參數(shù)主要包括權(quán)重矩陣、偏誤向量以及包括學習率、訓練因子、隱藏層層數(shù)、神經(jīng)元個數(shù)等在內(nèi)的多個超參數(shù)，其能較好地描述數(shù)據(jù)間復雜的非線性關(guān)系，因此具有非常好的預測能力。本研究的人工神經(jīng)網(wǎng)絡(luò)模型設(shè)定為一層隱藏網(wǎng)絡(luò)，每層有10個神經(jīng)元，算法結(jié)構(gòu)如圖一所示。

圖一 電影票房預測的BP神經(jīng)網(wǎng)絡(luò)模型

(三)變量描述性統(tǒng)計

連續(xù)性變量的描述性統(tǒng)計及相關(guān)關(guān)系如表二、表三所示。從主要變量間相關(guān)系數(shù)的顯著性來看，網(wǎng)絡(luò)口碑的組成變量均與電影票房在0.01置信水平上統(tǒng)計差異顯著。為減輕極端觀察值對研究的影響，研究后續(xù)采用1%的標準對連續(xù)變量進行了縮尾處理。同時，為讓數(shù)據(jù)盡量滿足假設(shè)以便更好地進行統(tǒng)計推斷，對除在線評分(Score)和時長(Duration)外的連續(xù)變量均采用自然對數(shù)的方式消除偏態(tài)問題，并在線性回歸中采用穩(wěn)健標準誤進行估計以消除異方差對模型結(jié)果的影響。

表二 變量描述性統(tǒng)計

(續(xù)表)

表三 主要變量間相關(guān)系數(shù)

三、實證結(jié)果與分析

(一)線性回歸模型分析

從多元線性逐步回歸結(jié)果來看(見表四)，模型中放入網(wǎng)絡(luò)口碑效價因素(Score)，在控制了一系列控制變量后該變量在0.05水平上統(tǒng)計差異顯著，但是其并未能顯著增加模型的解釋力(模型2)。而當模型中加入多個量值層面的口碑評價(模型3)，模型的解釋力立刻得到較為顯著的提升，其中新聞數(shù)量(Lnnews)在0.01水平上顯著，評分人數(shù)(Lnscale)在0.05水平上顯著。數(shù)據(jù)縮尾處理后，模型的解釋力無顯著變化(模型4)，但是微劇評數(shù)(Lnshortcomment)在0.1水平上表現(xiàn)出顯著。初步來看，相較于網(wǎng)絡(luò)口碑效價，網(wǎng)絡(luò)口碑量值對票房預測作用更為顯著。

值得注意的是，模型在沒有放入網(wǎng)絡(luò)口碑量值時，網(wǎng)絡(luò)口碑效價對票房的影響是正面的，但加入網(wǎng)絡(luò)口碑量值系列變量后，這一影響機制發(fā)生了反轉(zhuǎn)，在線評分(Score)對票房的影響系數(shù)由正轉(zhuǎn)負，且在0.01水平上呈現(xiàn)出顯著。此外，還應(yīng)重點關(guān)注的問題是，雖然上述線性回歸都采用了穩(wěn)健標準誤，但是模型的內(nèi)生性問題并未從根本上得到解決，因此，有必要就影響機制做更進一步的研究。

表四 多元線性回歸模型

(續(xù)表)

(二)BP神經(jīng)網(wǎng)絡(luò)模型預測

在涉及度量計算時，變量數(shù)值量級的差異會產(chǎn)生很大影響，為提高模型的收斂速度、提高機器學習模型的精度，研究對主要連續(xù)變量進行了min-max歸一化處理，對分類變量進行了啞變量處理。根據(jù)電影票房預測的BP神經(jīng)網(wǎng)絡(luò)模型(圖一)，采用一層隱藏網(wǎng)絡(luò)、每層10個神經(jīng)元、取訓練因子(eta=0.25)的方式進行不同次數(shù)的迭代操作，可以發(fā)現(xiàn)，隨著迭代次數(shù)的增加，BP神經(jīng)網(wǎng)絡(luò)模型的解釋力也同步上升，迭代1000次時模型解釋力發(fā)生了躍遷，如表五所示。

表五 BP神經(jīng)網(wǎng)絡(luò)對電影票房的解釋能力

(續(xù)表)

相較于傳統(tǒng)線性回歸模型，迭代1000次的BP神經(jīng)網(wǎng)絡(luò)模型基本已趨于穩(wěn)定，其校正決定系數(shù)(Adj R-squared)達到了0.942，與線性回歸模型解釋力相比提升了28.9%，擬合相對完美，如圖二所示。訓練集中機器學習展現(xiàn)出了優(yōu)異的擬合能力，采用非線性函數(shù)方式對電影票房進行預測，未來或?qū)⒕哂休^強的實踐應(yīng)用空間和價值，當然這也需要進一步在測試中集中予以驗證。

圖二 神經(jīng)網(wǎng)絡(luò)與線性回歸預測電影票房對比

(三)基于BP神經(jīng)網(wǎng)絡(luò)模型的特征選取

由于機器學習對樣本量要求較高，而客觀上囿于當前樣本總數(shù)不合適再進行二次劃分，故上述神經(jīng)網(wǎng)絡(luò)是將已有全樣本作為訓練樣本進行的建模，其仍需一批測試樣本對模型的外推(預測能力)進行進一步檢驗。但換一個思路，也可通過BP神經(jīng)網(wǎng)絡(luò)的方法進一步找出影響電影票房的關(guān)鍵性因素，從而可以優(yōu)化線性模型對電影票房的預測。在這一設(shè)想下，對電影票房預測的BP神經(jīng)網(wǎng)絡(luò)模型可進行適當修改，在其他參數(shù)不變的情況下，僅改變神經(jīng)元的個數(shù)(設(shè)定為1個)和最優(yōu)迭代次數(shù)(iter=500)，可以方便地找到在電影票房預測中權(quán)重較大的特征(自變量)，分別是評分人數(shù)(Lnscale_w)、微劇評數(shù)(Lnshortcomment_w)、新聞數(shù)量(Lnnews_w)、題材(Genre)和年份(Year)，如表六所示。

表六 BP神經(jīng)網(wǎng)絡(luò)模型特征權(quán)重

(續(xù)表)

表七 優(yōu)化的電影票房預測模型

從機器學習遴選的關(guān)鍵解釋變量線性回歸模型可以發(fā)現(xiàn)(見表七)，當自變量從12個(基準線性回歸模型)減少到5個時，模型的解釋力幾乎沒有什么變化(校正決定系數(shù)從0.73變化為0.72)。從具體指標來看，在控制類型效應(yīng)和年度效應(yīng)后，代表網(wǎng)絡(luò)口碑量值指標的評分人數(shù)(Lnscale_w)、微劇評數(shù)(Lnshortcomment_w)和新聞數(shù)量(Lnnews_w)均在不同水平上顯著。

(四)穩(wěn)健性檢驗

以數(shù)據(jù)角度而言，一種常用的穩(wěn)健性檢驗方法是剔除可能影響結(jié)論的特殊樣本(極端異常值)，從本文之前對樣本進行winsor縮尾處理后進行的回歸結(jié)果來看(模型4)，網(wǎng)絡(luò)口碑量值對電影票房的影響相當穩(wěn)定且顯著。為進一步揭示研究結(jié)論，本文從以下兩個方面開展了進一步的穩(wěn)健性檢驗。

1.變換解釋變量

在時光網(wǎng)之外，諸如豆瓣、貓眼等電影社交平臺同樣為大眾所熟知，自變量具有不同渠道和方法的測量為變量替換法提供了可能。研究進一步采集了豆瓣電影的評分數(shù)據(jù)，基于BP神經(jīng)網(wǎng)絡(luò)進行特征選取，得到了完全一致的關(guān)鍵解釋變量。

表八 變換自變量后的核心解釋變量權(quán)重

2.增加遺漏解釋變量

對電影票房業(yè)績產(chǎn)生影響的因素很多，除了演員的因素，導演、制片人、發(fā)行公司都被認為是可能的關(guān)鍵性因素?；诖?，研究采集了導演相關(guān)數(shù)據(jù)(新浪微博粉絲數(shù)的自然對數(shù))，同樣基于BP神經(jīng)網(wǎng)絡(luò)進行特征選取，與前面結(jié)果不同，長劇評數(shù)指標(Lnfilmreview_w)特征權(quán)重表現(xiàn)出顯著性，如表九所示。但進一步的回歸顯示，如果將長劇評數(shù)指標放回線性回歸模型(見表十)，其既不能增加模型的解釋力，作為自變量本身也未能表現(xiàn)出顯著性。因此，可以認為這一自變量實際上在電影票房預測中的作用有限，其之所以能夠在機器學習中呈現(xiàn)特征顯著，主要原因可能是采集樣本過少。增加的解釋變量(導演)在預測模型中也未能表現(xiàn)出顯著性，但這與國產(chǎn)電影大數(shù)據(jù)分析的結(jié)論相一致——面對以80后和90后為主導的影視觀眾,知名導演的核心作用并沒能進一步拉升電影票房。

表九 增加遺漏變量后的核心解釋變量權(quán)重

表十 增加遺漏變量后的線性回歸模型

四、研究結(jié)論與啟示

(一)研究結(jié)論

一般認為,網(wǎng)絡(luò)口碑對消費者的觀影選擇有著顯著的影響，國外部分研究也證實了在發(fā)達國家電影市場中口碑評價越好的電影票房收入往往也是越高的。但從本文樣本研究來看，僅就票房預測而言，網(wǎng)絡(luò)口碑效價對最終票房的預測貢獻并不大(如表十一所示)——加入在線評分(Score)的預測模型的校正決定系數(shù)并無顯著變化。而如果就其影響上看，在線評分和電影票房之間存在著負向相關(guān)關(guān)系，這似乎與汪旭輝等(2015)對中國電影票房的研究結(jié)論相一致。

表十一 網(wǎng)絡(luò)口碑效價對票房的影響

關(guān)于網(wǎng)絡(luò)口碑效價的研究假設(shè)1沒有獲得支持。但值得注意的是，網(wǎng)絡(luò)口碑效價對電影票房負向影響是在一個模型解釋力增加極為有限的情況下顯現(xiàn)的，且這很可能還是一個高估的結(jié)果，如果繼續(xù)排除遺漏變量或者雙向因果等內(nèi)生性問題后，其影響的顯著性或可存疑。

國內(nèi)電影發(fā)展與國外成熟產(chǎn)業(yè)間似乎存在著很大的相悖之處，國產(chǎn)電影“差口碑高票房”的逆增長現(xiàn)象，可以從兩個方面進一步理解：一種理解是認為消費者是理性且完全有能力從泛在的網(wǎng)絡(luò)在線評論中推斷出影片的真實質(zhì)量，而不必受到電影評分的左右；另一種可能的解釋是評價機制的自選擇，由于網(wǎng)絡(luò)口碑評價有被操縱的可能，水軍對雇主電影打高分、對競爭對手電影打低分，直接導致了對評分機制的不信任。

關(guān)于網(wǎng)絡(luò)口碑量值的研究假設(shè)部分獲得了支持(假設(shè)2、假設(shè)3、假設(shè)5)。無論是評分人數(shù)、微劇評數(shù)還是新聞數(shù)量，這些量值實際上都反映了口碑的知曉和流行程度,“爛片高票房”后面實際上也生動地反映了電影票房的內(nèi)在規(guī)律：在網(wǎng)絡(luò)口碑效價評價上，重復評價、水軍、刷口碑榜等因素對結(jié)果有較大影響，而這對網(wǎng)絡(luò)口碑量值的影響要小得多，其原因主要是效價評價是帶有分數(shù)權(quán)重杠桿的評價，而量值評價則是均等權(quán)重，這也是人們觀影決策中之所以偏倚網(wǎng)絡(luò)口碑量值的一種解釋。

(二)研究啟示

網(wǎng)絡(luò)口碑量值相較于效價對電影票房的決定性影響，為電影營銷提供了有益的啟示。對一個要求在較短時間內(nèi)完成的產(chǎn)品擴散，過程不變但行程壓縮毫無疑問會給營銷管理帶來更多挑戰(zhàn)。電影對消費者而言不是搜尋品而是經(jīng)驗品，對有些觀眾而言，即便是專家的稱贊和推薦都不能奏效，他們或許更愿意參考周圍群體對電影的評價來決定這部電影是否值得自己去消費，這也就是說，在電影產(chǎn)品屬性之外，網(wǎng)絡(luò)外部性、社會學習實際上也是解釋票房表現(xiàn)的重要路徑。但值得注意的是，從電影消費之后產(chǎn)生的天壤之別的效價評分中可以發(fā)現(xiàn)，由于信息不對稱、消費者意識形態(tài)和自我建構(gòu)等因素的影響，網(wǎng)絡(luò)口碑效價的參考價值相對有限(但其負向引導作用是否存在偏誤仍需更多驗證)，讓更多的受眾“卷入”才是營銷的重點，廣泛借助媒體推廣、公共關(guān)系、事件營銷、“點映”等宣傳推廣手段，讓電影在更大范圍、更多人群中發(fā)酵并催生更多的網(wǎng)絡(luò)口碑——無論是“吐槽”抑或是“叫好”，這對提升電影的知曉度及最終票房表現(xiàn)都將產(chǎn)生積極的促進作用。

隨著網(wǎng)絡(luò)在線購票比例的不斷上升，越來越多的觀影決策出現(xiàn)在觀眾到達影院之前。電影購買越來越依賴于觀眾主動的網(wǎng)絡(luò)搜索，他們對社會化分享內(nèi)容的識別機制直接影響著電影的銷售。評分人數(shù)、微劇評數(shù)、新聞數(shù)量在電影票房預測中的顯著作用，進一步揭示和印證了個體和專家的評論參與已成為當今電影票房成敗的關(guān)鍵性影響因素。網(wǎng)絡(luò)口碑量值而不是網(wǎng)絡(luò)口碑效價在票房上發(fā)揮顯著作用，這為電影營銷策略的有效調(diào)整提供了思路。勸說(網(wǎng)絡(luò)口碑效價)對于票房表現(xiàn)影響式微，而知曉和從眾(網(wǎng)絡(luò)口碑量值)才是營銷應(yīng)當主攻的發(fā)力點——在線評論數(shù)量的多寡實際上體現(xiàn)了電影的流行性特征，流行性是票房的直接表征，而負面評論同樣可以創(chuàng)造出流行性。就此而言，新聞發(fā)布會、預告片、主題歌曲、首映活動等諸多形式都被認為是可以增加觀眾好奇與期待、提升影片話題討論熱度并最終促成知曉效應(yīng)、從眾效應(yīng)和蜂鳴效應(yīng)的可行路徑。

(三)不足與展望

本文運用機器學習的方法提升了對電影票房的預測能力，更為重要的貢獻是，通過改進BP神經(jīng)網(wǎng)絡(luò)模型篩選出影響票房表現(xiàn)的關(guān)鍵因素，從而對電影票房的線性預測模型實現(xiàn)了優(yōu)化改進。但值得注意的是，網(wǎng)絡(luò)口碑與電影票房的關(guān)系實際上并不是外生的，二者存在的反向因果關(guān)系已被相關(guān)研究所證實，找到合適的工具變量進一步解決模型的內(nèi)生性問題是本文可以進一步改進之處。

就進一步研究而言，本文僅研究了網(wǎng)絡(luò)口碑效價的一種形式，而潛在消費者可能受到其他形式影響，如不進一步考慮口碑效價的具體內(nèi)容，這將不足以深刻理解口碑行為。因此，通過文本挖掘提取在線評論中正面負面情緒比例關(guān)系從而進一步理解網(wǎng)絡(luò)口碑效價對觀影決策的影響，是未來值得研究的一個方向?；谡雇碚摵托畔⒃\斷性理論的分析，網(wǎng)絡(luò)口碑的另一維度——網(wǎng)絡(luò)口碑離散也對票房有重要影響，網(wǎng)絡(luò)口碑的影響還存在著非全周期性的問題，這兩點同樣也值得進一步探討。

精彩炫目的高科技影視特效為影視作品創(chuàng)作和實現(xiàn)帶來了更多想象空間，但作品的人文情懷、時代光華和精神共鳴亦不可缺。“惡評創(chuàng)造票房”的奇觀實際上是網(wǎng)絡(luò)口碑無法為觀影決策提供客觀可靠的參考標準下的短暫失序，眼下的熱炒吸睛是資本逐利的應(yīng)時之舉，但電影美好遠方必然是道近易從，一個集專家評論與網(wǎng)民點評于一體、規(guī)范可信的網(wǎng)絡(luò)口碑體系不僅能為人們觀影提供有效決策參考，也能成為電影票房名副其實的風向標。