剧场电影成功的实际预测模型:以电影的体验商品特性为重点①,本文主要内容关键词为:电影论文,剧场论文,模型论文,特性论文,商品论文,此文献不代表本站观点,内容供学术参考,文章仅供参考阅读下载。
中图分类号:J943文献标识码:A 文章编号:1674-3180(2009)02-0190-12
电影产业是个庞大且不断发展的产业,据美国电影协会(MPAA)[1]统计,2002年美国的票房总收入达到9.5亿美元,与2001年相比,增长了13.2%。但是对这些历史趋势的深度分析显示出一些负面的迹象:与20世纪90年代末的十位数的增长相比,1999年后美国电影产业的长期增长率下降到个位数。更糟糕的是,其他竞争性的娱乐产业在持续增长,比如影碟、DVD、付费电视等,电影要走出长期低增长趋势不是那么容易的。
其他竞争性的媒体是电影发行的新窗口。也就是说,新媒体是能够促进电影发行的收入,正如电视、VCRs增加了电影业的收入一样。影片在这些种类繁多的新媒体上播出,可以多次开发利用一部影片,为好莱坞的制片厂增加巨额收入。
虽然二级市场作为新窗口重要性在上升,二级市场仍然只是起到辅助性作用,影片的发行依旧占据着电影传媒跨国集团的核心,因为票房是第一轮窗口,对后续市场起着决定性作用[2]。比如,以前的研究[3-5]表明剧场成功是解释该电影在电视黄金时段播出时的决定因素,剧场成功一直是用来衡量该电影质量的标准。[6]所以,票房的成功开启了一部电影的经济成功。[2]
鉴于剧场成功的重要性,一些研究证实了在大众传播时代影响电影成功的因素。回顾这些文献时,我们发现以下两个方面需要继续深入研究。第一,大部分文献把票房预测作为主要研究目标,但在研究中实际的情况考虑不够。比如,一些研究[2][7]把获得奥斯卡奖或提名作为预测票房的自变量,但多数现实情况是获奖通常是在电影发行之后,所以从从业者的角度来看,两者不可能是因果关系,获奖作为自变量进入回归等式也就不太切合现实情况。第二,一些研究采用电影的经济学特征的理论框架,比如industrial organization model(IO Model)[2],还有很多基于电影本身特征的自变量未纳入到研究中。本文特别关注电影的体验商品的特征,一些研究者在对娱乐产品如百老汇歌舞剧的研究中已经根据体验商品的特征将预测因子进行归类。
本文有两大研究目标。首先,本文致力于设计一个新的理论框架,该框架通过回顾电影的体验商品特征,将能够有效地预测电影票房成功的因素进行分类。第二,通过回顾前人研究,对预测因子做实证分析,本文综合了符合实际情况的变量,这样电影业的从业者可以进行电影票房成功的预测。
文献回顾分为两个部分,分别对应两个研究目标。第一部分解释了电影的体验商品的特征,另外则是文献回顾。基于研究框架和方法,本文致力于实际的票房预测模型,并在2000—2002年之间进行了实证测试,讨论和结果部分是本文的研究意义。
一、文献回顾
作为体验商品的电影
对电影的票房进行预测,理论框架很重要,因为理论框架是我们设计变量、对自变量进行有效分类的主要依据。以前预测电影票房的研究虽然对模型中的每个变量做了说明,但其还是没有严格的理论框架。近来的研究开始注重理论框架,基本上都建立在Litman[7]和Sochay[8]的创意领域、发行档期领域以及电影营销三个方面,但也未明确说明三大领域分类的标准。Litman & Ahn[2]根据IO模型把他们的自变量分为生产阶段、发行阶段、放映阶段三大部分。很少有研究关注电影体验商品的本质特征,根据这一特征设计的自变量,其有利之处在于与电影观众的决策过程是紧密相连的。
体验商品有两大特征。首先,观众选择观看电影主要是为了娱乐的体验。[9][10]也就是说,对于电影,消费体验就是消费目的。[11]第二,电影是体验商品是因为观众只有在观看体验了电影之后,才能对这部电影的质量做出评判。观众观看电影,实际上就签订了购买合同,购买知之甚少的某一部电影,形式或许熟悉,内容却是不熟悉的。[11]
本文特别关注第二点,因为不熟悉一部电影,会让那个观众去搜索相关信息,再做最后的决定。在观众事先不了解某部电影,或了解不够时,他们通过其他信息来减少风险,比如浪费时间和金钱,做出决定。[12]所以,电影的体验商品的特性与观众的购买决定过程紧密相关。
Reddy et al.[11]将体验商品的特性以及相关信息应用于百老汇歌舞剧的预测上。他们使用的理论框架是百老汇歌舞剧是否成功是由以下因素决定的:a)信息源(评论、演出前的评论和广告),b)客观特征(票价、表演类型、演员天分特征和开演时间)。这一研究发现信息源,尤其是评论对百老汇歌舞剧的成功有着决定性的影响。
本文采用了Reddy et al.的概念框架,并对其进行了修正,设计了四类变量:与品牌的变量、客观特征变量、信息源变量以及与发行相关的变量。与Reddy et al.的研究不同,本文引入了与品牌和发行相关的变量。在Reddy et al.的研究中,导演或演员的作为人才的特征被归入客观特征变量中。我们则强调人才的影响,将其归入品牌变量中,这是因为观众对人才的感知不同。具体来说,本文在观众感知的基础上,运用品牌理论对一些自变量分类。品牌理论,尤其从消费者对一部电影了解的程度来看,源自观众的品牌知识。[13]简言之,本文认为品牌理论与观众密切相关,客观特征与电影本身相关,信息源与第三方评价有关。虽然这三个因素与观众搜寻额外信息的行为有关,第四类因素——发行相关的因素,与制片厂的营销能力和发行策略有关。
电影成功预测研究之文献回顾
对电影票房或其经济成功的研究主要采用了心理学或者经济学的方法。[2]心理学方法主要看个体电影消费者作观影而不是其他娱乐方式的选择,以及他为何要选择某一部影片。经济学方法基于经济学和产业中的供应因素。[2]研究方法上,心理学研究主要通过调查方法获得数据,经济学使用次序数据。本文使用的是经济学方法,但同时通过观众信息搜寻需要和行为的理论框架也引入了心理学的方法。
本文中的变量
续集:
根据品牌理论,一部电影的续集可以视为品牌扩展(brand extension)。品牌扩展是指一个公司使用已有的品牌来导入自己的新产品。[13]使用已有品牌作为母体品牌,扩展的品牌可以轻易地获得消费者的注意力,减少产品导入阶段的营销成本。比如,星球大战第一集和第二集就是利用该电影以前的知名度。一些研究者[14-17]的研究也表明,一部电影是否是续集在预测该电影的票房经济成功时很重要,但也有研究者[18][8]没有发现其显著效果。
演员:
演员或明星的影响力在相关文献[2][7-8][14-17][19-26]中已广受关注。在好莱坞,一部电影主要演员的重要性已经是常识了。从品牌理论来看,强烈推荐使用明星,因为事实上明星是品牌的有机组成部分。品牌的作用在于综合品牌的材料、组成部分、零配件等部分,创造出品牌价值。[13][23]对明星效果的实证研究虽然结论不一,有些甚至相互冲突。一些研究者[8][14][26]发现明星影响力的显著贡献,另一些研究者未发现明星影响力的显著性。[2][7][15][20-21][25]
导演:
根据品牌理论,导演的使用也是品牌的有机组成部分,正如明星的情况一样。也就是说,像明星通过吸引自己的“粉丝”来提高票房,知名导演被认为也具有同样的吸引力。但是,多数研究[2][8][14][17-18]却发现导演的影响力并不显著。
生产成本:
生产成本一直被视为一个重要的预测因子,因为大成本转换成了豪华的背景和服装,昂贵的数字技术和特效,这些都增加了对观众的吸引力。[19]多数研究[2][14][17-19]同样证实了生产成本的重要性。
影片类型:
一些电影类型被视为会有较好的电影票房表现。比如,喜剧在几个研究中是显著的,[8][14][17-18]科幻片和恐怖片的流行也在其他文献中得到了实证。[14][17-18]但是,Liman & Kohl[14]的研究发现剧情片与票房成功成负面相关。
美国电影协会分级:
美国电影协会(MPAA)对内容的分级一直以来都被视为影响电影产业的重要因素,因为分级决定了观众的潜在数量。[2][14-16]适合所有年龄观看的大众级(G级)、建议在父母陪同下观看的普通级(PG级)和普通级但不适合13岁以下儿童观看的PG-13级的潜在观众最多,以前的研究表明了这些级别的电影和电影票房的商业成功成正相关关系,而限制级(R级)、不适合在大院线播映的X级和17岁或者以下不可观看NC-17级、17岁以下观众禁止观看的成人级(NR级)的电影与电影票房成负相关关系,[27]但这一结论并未得到相关实证研究的支持。
影评家的评价:
和明星与成本一样,评论家的影评也广受关注,[8][14-16][20][26][28-29]其影响效果得到了实证支持。对于影评家的功能,Austin[30]曾说过影评家帮助个体消费者在消费决定、影片内容理解、创造该电影的最初舆论评价以及对他人的电影信息传播方面发挥了重要作用。
观众评价:
观众评价是以前研究中最被忽视的因素。观众评价反映了观影人的喜好程度,发挥着影响者的作用,产生了口碑传播的效果。虽然观众评价如此重要,以前的研究中未受关注的原因是要收集对样本电影的观众评价很难。现在一些网站(如Internet Movie Database;www.imdb.com; Yahoo ! Movies!; Movies.yahoo.com)会让他们的访问者评价他们观看过的电影并公布这些评价结果。虽然这些访问者的人口统计学特征和实际的观众可能不同,如果有足够数量的评价参与者,这些评价仍然是有效的指标。
发行商的市场能力:
发行商的市场能力和观众评价一样,没有进入电影票房研究。我们假定市场能力强的发行商在获得放映荧幕数和持续时间、让院线为其影片的宣传力度上要比其他竞争者有优势。本文采用了解释性的方法来计算发行商的市场能力,即过去一年中某发行商发行的影片中有多少部进入到票房排行榜的前100名。
发行日期:
一些研究把发行日期纳入到票房预测中,[2][7-8][14][19]基本原理认为在票房上座率高的时期发行的影片会吸引更多的观众,能够带来高额票房表现。和影片类型的情况一样,在对高上座率时期的文献进行回顾时,也只有几个时期,如暑期得到了实证支持。[8][17][31]
放映荧幕数量:
一部影片放映的荧幕数量越多,其票房收入越高,这一点是符合情理的。一些研究者发现影片的荧幕数量是预测电影票房的积极预测因子。[2][8][14][18][32-33]
本文排除的变量
一些文献中使用的变量在本文中未纳入研究模型,这是从实际情况出发做如此设计的。
获奖情况:
一些研究将获奖作为自变量,其逻辑是获奖反映了影片质量,会为影片生产更多的收入。但是,获奖所反映的质量与观众感知的质量是否成正相关关系尚不清楚。此外,很多电影在获奖时,该部电影在院线的上映都已结束。最重要的是,电影发行之前,电影从业者在预测他们产品的票房时,把获奖纳入其中不太符合实际情况。
竞争力:
每部电影都在和同期发行的电影或者发行了一段时间的电影竞争,该电影的成功高度依赖于市场的竞争程度。为了测量市场的竞争程度,一些文献用产业集中指数,比如赫芬因德指数(HHI)或者产业集中度(CR)。我们认为要求电影从业人员事先成功估计赫芬因德指数或产业集中度有些不切实际。
二、研究模型及方法
理论模型
通过回顾文献(尤其是Reddy et al.),[11]本文将影响电影剧场成功的主要因素作为研究的理论模型。具体而言,本文认为一部电影的成功由以下因素决定:a)品牌相关因素,b)客观特征,c)信息源,d)发行相关的变量。如图1。
数据来源
因变量
本文的因变量有三个:总票房收入、首映周票房以及放映时间。
总票房收入:
总票房收入是电影票房研究使用最多的变量。一些研究者(如Litman & Ahn)[2]使用了一部影片的国内票房及全球票房。本文不准备将全球票房作为因变量,这是因为,一部影片的国外发行,一些没有控制的变量或中间变量,如文化因素会影响票房成绩[34],其他的一些自变量如与品牌相关的变量会受到国内情况的制约。
首映周票房:
首映周票房被视为和国内总票房高度相关。本文采用这个变量去检验一些自变量是否会在不同程度上影响两个因变量。
放映时间(周数):
一些研究(如Sochay)[8]把放映时间作为一项重要的自变量。我们也认为放映时间(周数)与总票房成绩高度相关。所以,本文采用了放映时间作为一个因变量。
自变量
续集 1—续集2:
在品牌理论的基础上,本文把续集的操作分为两个部分:电影续集(续集1),改编自其他媒介的电影续集(续集2)。电影续集容易识别,在国际电影数据库网站(http://www.imdb.com)中还提供该电影内容是否改编自其他媒介,如小说、电视节目等。这两个变量都是虚拟变量。
演员 1—演员 2:
很多文献将演员作为虚拟变量,为了更为准确地测量明星效果,本文采用了Reddy et al.[11]研究中的方法。他的研究中选择了两个变量:演员 1——该演员最近一部出演的电影票房,演员 2——该演员出演的所有电影的票房之和。笔者认为,在品牌理论的基础上,演员1代表了该演员现在的品牌影响力,而演员2代表了该演员长期的、累积的品牌影响力。因为将这两个变量进行编码不容易,所以只选择了一部影片中的第一主角。
导演 1—导演 2:
导演影响力的测量使用的逻辑和测量明星的一致。导演 1——该导演最近一部影片的票房收入,导演 2——该导演的所有影片的票房之和。
生产成本:
影片成本数据由国际电影数据库网站(IMDB)获得。准确的成本数据是最难获得的数据,因为这是商业机密。所以,在使用生产成本方面的数据需要谨慎,这些数据通常是由制片厂在新闻发布会或者产业内部人士公布的。
影片类型:
根据前人研究(尤其是:Litman & Ahn)[2],电影类型归为七类:action/adventure,children/family,comedy,drama,horror,mystery/suspence and sci- fi/fantansy。这个分类完整且相互独立。本文的类型参照了IMDB和TV Guide(2003),对样本中多数电影都进行了类型的分类。具体而言,本文采用了两个网站上公布的第一个类型,如果第一个类型不一致,我们采取的是此后第二个或第三个类型。
美国电影协会(MPAA)分级:
总共有六个分级:适合所有年龄观看的大众G级、建议在父母陪伴下观看的普通辅导级(PG级)、不适合13岁以下儿童观看的特殊辅导级(PG-13级)、限制级(R级)、17岁以下不能观看的成人级(NC-17级)和限制NR级。样本中没有NC-17级和NR级的电影,所以剩下4个变量。
影评家的评价:
使用的方法是Litman & Ahn[2]使用过的方法。本调查使用了三个全国性的权威来源:2003年的电视指南杂志(TV Guide)上的评分,2003年影评家Ebert的评分,2003年影评家Maltin的评分,最后取其平均分。
观众评价:
国际电影数据库网站(IDMB)提供了访问其网站的观众的平均评价分数,从0分到10分。需要注意的是,人口统计学特征可能和观众不一样,因为他们都是网络使用者,对电影的兴趣较高。
发行商市场能力:
本文将通过计算过去一年中某发行商发行的影片中有多少部进入到票房排行榜的前100名,来对发行商的市场能力进行量化。
发行日期:
圣诞:11月到12月 暑期:5月到8月 其他:其他时间
荧幕数量:首映周的荧幕数量。
荧幕数量、首映周的荧幕数量由国际电影数据库网站(IDMB)提供,本文使用的是首映周的荧幕数量。
三、研究结果
样本特点:
样本中的电影在国内市场的平均票房收入是4700万美元(47.0 million),首映周的平均票房是1300万美元(13.0 million),首映周的票房成绩大约占总票房收入的28%,平均放映周数是14周。
在463部影片中,45部(9.7%)是续集,181部(39.1%)改编自其他媒介,这说明每年大量生产的影片中有很多是依赖品牌扩展。所有演员最近一部电影的平均票房是4444万美元(44.4 million),每个电影主角出演的影片平均数量是17.9部。导演旧作的平均票房是3540万美元(35.4 million),导演的平均影片数为5.0部。演员最近一部电影的平均票房比导演高的原因是制片厂喜欢使用新导演,而演员喜欢使用有名气的演员。这也证实了一个普遍的看法,相对于导演而言,电影制片厂考虑更多的是主要演员的品牌价值。
样本中平均生产成本是3690万美元(36.9 million),占平均票房收入的78.5%。国内收益可能是正的,因为成本中未包括营销成本,如广告支出。喜剧(n=163,35.2%),剧情(n=123,26.6%)在样本中占主导地位,之后是动作/冒险片(n=27,5.8%),科幻片(n=19,4.1%)和儿童/家庭片(n=11,2.4%)。在MPAA分级方面,R级(n=215,46.4%)、PG-13级(n=202,3.6%)占大多数,之后是PG级(n=39,8.4%)和G级(n=7,1.5%)。在做回归分析时,儿童/家庭片类型和G级这两个虚拟变量因为出现频率太低,未进行回归分析。
在信息源方面,影评家评价的平均分为0.55分(0-1分),观众评价的平均分为6分(0-10分)。制片厂过去一年中发行的电影进入前100名排行榜的电影数量平均为8部。在发行时间方面,88部(19.0%)电影在圣诞档期发行,140部(30.2%)在暑假档期发行,87部(18.8%)在复活节档期发行,148(32.0%)在其他时间发行。在回归分析中,最后一个虚拟变量其他(other)未进行分析。首映周的平均荧幕数为1837,如表1。
(表1水平方向项目分别为:变量名称、个案数、平均值、标准方差、最小值、最大值;垂直方向项目分别为:国内总票房、首映周票房、放映时间、续集1、续集2、导演1、导演2、演员1、演员2、生产成本、动作/冒险片、儿童/家庭片、喜剧、剧情片、恐怖片、悬疑片、科幻片、MPAA大众级、MPAA普通辅导级、MPAA-13岁以下不宜级、MPAA限制级、影评家的评价、观众评价、发行商、圣诞档期、夏季档期、复活节档期、其他档期、上映的荧幕数量。)
相关分析表明每个因变量与自变量都是紧密相关的。在总票房收入中,所有的非名称型变量,导演1(director 1),导演2(director 2),演员1(actor 1),演员2(actor 2),生产成本(budget),影评家的评价(critics' rating),观众评价(audience rating),发行商(distributor)及上映的荧幕数量(screen)都显著相关。在首映周票房中,只有演员2(actor 2)和影评家的评价(critics' rating)没有显著相关,而荧幕数与放映周数没有相关关系。
演员1(actor 1)和演员2(actor 2)以及导演1(director 1)和导演2(director 2)相互成显著相关,意味着水平方向的品牌影响力与纵向的品牌影响力是成积极关系的。排除演员2(actor 2),品牌相关的演员和导演变量与影评家和观众的评价都成积极关系。影评家和观众的评价彼此高度相关(r=0.72)。代表制片厂发行能力的发行商变量与导演1(director 1)、演员1(actor 1)、生产成本(budget)和放映的银幕数量(screen)都成正相关,这符合我们的预期。但是,导演2(director 2)和演员2(actor 2)都没有和发行商成显著相关关系。这些相互矛盾的结果表明,制片厂喜欢雇佣当下最流行的导演和演员。有趣的是,和发行相关的变量如发行商、荧幕数量与影评家和观众的评价成负相关关系。如表2所示。
(表2水平与垂直方向每栏项目名称分别为:国内总票房、首映周票房、放映时间、导演1、导演2、演员1、演员2、生产成本、影评家的评价、观众评价、发行商、上映的荧幕数量。)
多元回归
表3是对国内总票房(total)、首映周票房(first)、放映时间长度(length)作为因变量的逐步回归模型。三个模型都显著地解释较大部分的方差(调整后的R2=.588,.611,.344分别对应总票房收入,首映周票房收入和放映周数)。与以往的研究相比,这些模型的优势在于高预测能力。
第一个模型以总票房作为因变量,表明续集1(squeal 1),演员2(actor 2),生产成本(budget),剧情片(drama),普通辅导的PG级,限制级的R级,影评家的评价(critics' rating),观众评价(audience rating),夏季档期(summer),复活节档期(Easter)和放映的荧幕数量(screen)都是显著的预测因子。在以前的文献中,续集1(squeal 1),电影续集是影响总票房的显著因素。但是,续集2(squeal 2),也就是改编自其他媒介内容的生产的影片不显著。虽然本研究在量化导演影响力和明星影响力方面采用了更加细致的方法,但他们的影响力没有得到实证验证。而且,演员2(actor 2),演员出演的总电影数量和票房是负相关关系。在Litman and Kohl(1989)的研究中,剧情片(drama)与票房收入成负相关关系,本文中剧情片与票房收入也是负相关的。影片类型未对总票房收入产生影响。令人吃惊的是,本研究中美国电影协会(MPAA)分级中的普通辅导的PG级与总电影票房成正相关关系,限制级R级成负相关关系。笔者认为形成这一结果的原因是近来成功的大制作影片多数的级别都不是限制级R级,因为限制级观众规模会减少。影评家和观众的评价与电影总票房收入关系显著。本文中的新变量发行商,结果并不显著。发行日期和荧幕数量,对于预测票房成绩有显著的贡献。暑期和复活节档期尤为重要。
{J8U33
0.JPG}
(表3水平方向每栏项目分别为:自变量、国内总票房、首映周票房、放映时间长度;垂直方向每栏项目为:生产成本、观众评价、续集1、放映屏幕数、MPAA普通辅导级、MPAA限制级、演员2、剧情片、影评家的评价、夏季档期、复活节档期、发行商、样本总数、、调整后的、F值、大于F值的概率。)
第二个预测首映周票房成绩的模型中显著变量较少,显著的有续集1(squeal 1),演员2(actor 2),生产成本(budget),观众评分(audience rating)、暑假档期(summer)和放映的荧幕数(screen)。第二个模型中所有这些显著变量在第一个模型中也是显著的,但普通辅导级PG,限制R级,剧情(dramma),影评家的评价(critics' rating)和复活节档期(Easter)这些在第一个模型中显著的变量,在第二个模型中失去了显著性。值得注意的是,影评家的评论对首映周票房收入没有显著影响,但是与总票房收入成显著关系。这意味着影评家的评价对预测一部电影票房成功而言,是一个预测因子,而不是影响因子。与票房总收入的模型相比,第二个模型中的显著变量虽然减少,其解释能力R2反而没有降低。
第三个放映时间的模型稍有不同,在所有的自变量中,续集1(squeal 1),成本(budget),普通辅导PG级、限制R级,影评家的评价(critics' rating)、观众评价(audience rating)和发行商(distributor)都是显著变量。该模型中的发行商市场能力变量,在总票房收入模型和首映周票房收入模型不显著,但在该模型中表明发行商的市场能力对于电影的长期上映有显著影响,这意味着荧幕数量这一表明发行商市场能力的变量并不显著,这表明首映周一部电影上映的荧幕数量多,并不能保证他的长期放映。相对低的(.34)表明其他未纳入到预测总票房和首映周票房的变量,需要纳入到放映时间模型中来进行解释。
深度分析:
把荧幕数量(screen)作为因变量进行回归的结果与前面的分析有所不同。首先,品牌相关的因素对于预测院线的选择是显著的,四个变量如续集1(sequel 1)、续集2(sequel 2)、导演1(director 1)和导演2(director 2)可以显著地预测首映周的荧幕数量。续集2(squeal 2)和纵向的品牌影响力导演2(director 2)与首映周的荧幕数量是负相关的。在客观因素中,生产成本、剧情片、恐怖片和限制R级是显著因素,但是剧情片和限制R级对于荧幕数量是负面的。影评家评价显著,观众评价却不显著。解释观众评价和荧幕数量的负相关关系,需要谨慎的解释。正如我们的预期,多数发行相关的变量是显著的,只有暑假档期不显著,圣诞节与荧幕数量正相关,但是复活节与荧幕数量是负关系。如表4所示。
四、讨论和结论
理论意义:
品牌相关因素的重要性没有预期得那么重要,只有续集1(squeal 1)在三个模型中都是显著的,和我们的预期刚好相反,明星品牌影响力和导演品牌影响力都未强到可以影响票房成功的地步,但要得出明星不是影响票房经济成功的重要因素的结论还言之过早,需要一套更为准确的量化明星和导演影响力的方法。根据Wallace et al.的研究[26],明星影响力并不是恒定的。一些明星在其职业生涯中很快失去了吸引力,一些明星的影响力不断增强,演出的电影也越来越多,避免了单一的下滑方式。本文未考虑这些不同的情况。此外,本文每部电影只计算了一位主要演员的明星影响力,如果每部电影可以考虑更多的明星影响力,演员的效果可能会增加。
在客观因素方面,成本在三个模型中一直显著。使用生产成本来预测电影票房收入,仍需阐明一个理论问题:观众如何获知、如何在心理上加工这些成本信息?或者说,大制作是否是观众选择观影时的重要因素,观众如何知道一部电影的制作成本到底有多大?观众如何解释一部电影大制作相关的信息?这些问题都值得注意,因为还没有用心理学方法来解决这个问题的文献。
虽然本研究中类型(剧情)和一些美国电影协会(MPAA)分级如普通辅导的PG级、限制R级都是显著变量,这些变量在方法上和理论上仍面临挑战。至于类型,我们认为使用虚拟变量未能解决一部影片多种类型的倾向。同样,一定类型在一段时间流行也需要更深入的研究。比如,Litman和Ahn的研究[2]发现家庭类型片在圣诞节档期播出具有高度的成功概率。对于美国电影协会的分级,需要更为准确的理论。现有的解释是,和限制级R级影片相比,大众级G级,普通辅导级PG级,特别辅导级PG-13有更多的潜在观众,可以带来更多的票房。仔细观察本文的研究结果,让我们思索以下问题:为什么只有普通辅导级PG显著,而大众级G级和特别辅导级PG-13两个拥有相似范围的观众却不显著。
第三方评价一直因为客观,所以它的劝服效果要比其他信息如广告好得多。本文表明影评家和观众的评价对总票房收入紧密相连,但在首映周模型中,影评家评价不显著。这个结果是因为影评家的评价是预测因子而不是影响因子。
和预期一致,发行相关的变量普遍都显著。至于发行时间,需要做一些方法上的修正,因为发行档期的分类是基于大致的假设上,而不是基于实际的市场计算。比如,一般认为12月上旬的潜在观众规模较小,而12月下旬因为有圣诞节是热门档期。[19]本文使用的方法可以捕捉这些细微差别。
虽然有缺陷,本文基于观影人的信息搜索行为方面的信息,在预测电影经济成功方面开启了新的方法。模型中等式的拟合度相对以前研究也较高,几个主要自变量也都成显著关系。我们认为把经济学和心理学的研究方法结合起来可以有更强有力的预测能力。这两种方法一直以来都分开使用,本文把这两种方法融合,在心理学方法基础上对经济学方法中的变量进行重新解释。
管理意义:
本文模型中的各个变量可以解释60%以上的方差,这是目前研究中最高的(在总票房收入作为因变量的回归模型中),而且业界可以使用本文中的变量作为实际的预测因子。也就是说,本文未采用获奖和竞争力因素,虽然这两个因素在以前的研究中得到了实证支持,但实际上这两个因素对于业界在发行一部电影之前很难获得相应数据。所以,本文只采用了可以获得数据的实际变量来预测一部电影的成功。
本文预测模型虽未纳入获奖和竞争力因素,但采用了新的变量——观众评价。有研究者认为观众评价在发行前不易获得相应数据,其实制片厂会在发现之前给影评家和观众做测试,这是电影业的常规策略。也就是说,采用观众评价作为自变量是切合实际情况的。
本文同样表明首映周回归模型和总票房收入模型中的自变量可以成功估计,两个模型的拟合度也相似,且首映周模型中的显著变量比总票房模型中显著变量要少(分别是6个和11个)。这一结果证实了一个普遍的观念,就是首映周票房要比总票房容易预测。此外,如果其他自变量如竞争力能纳入回归等式中,总票房模型的预测能力会更强。最后,需要多个不同时间段的票房预测模型,以便业界能够更为精确地进行预测。
未来研究方向:
需要进一步发现体验商品性质方面的其他变量。比如,改编自其他媒介的续集2(squeal 2),这一变量决定了一部电影内容来自哪一种媒介,在以前媒介市场的市场表现如何(如小说的销量等)。
此外,需要更为细致、精确的方法来测量各个自变量。本文中使用的虚拟变量最好转换为定距变量。比如,发行时间应该转换为能够反映一段时间内实际市场需求的测量数据。
最后,虽然本文提供了两个票房预测等式与时间段相对应,电影生产的每个阶段还需要更多的等式。比如,在每个阶段,电影生产的前期准备、生产、后期生产、放映前阶段和放映后阶段,业界需要通过使用不同的预测因子集合来预测一部电影的票房成功。
收稿日期:2009-02-03
注释:
① 原文发表于Journal of Media Economics,2005,18(4):247-269,经作者授权同意翻译并发表。