搜索
一、引言自2002年国家把发展文化产业作为一项国策以来，中国文化产业的快速成长在拉动国民经济发展、促进文化繁荣、带动社会进步和应对国际竞争等方面发挥着越来越重要的作用，对于全球化文化背景下维护国家文化安全和应对国际文化市场挑战具有关键性的作用。在中国的文化产业结构中，影视产业一直是中坚力量，占据着近半壁江山。回顾近几年我国电影产业发展历程，可发现国产电影一直在保持着螺旋式上升的趋势。我国电影产业已经连续十几年保持增长态势，并且在2009年实现华丽蜕变，成为在金融危机中逆势上扬的典型代表，全年共有11部电影票房过亿。然而在2010年国产电影不敌国外大片，上映比例走到低谷。到了2012年，国产电影发展迎来转折点，并以此为分界，国产片产出量从稳步增长变为减量减速，从数量竞争正式开始进入票房竞争阶段。到了2015年，在消费的带动下，中国电影产业规模达到了1000亿元，全年上映电影449部，票房达到438.74亿元，其中国产电影的票房占到总额的62%，平均每部国产片的票房达到8138.6万元。中国逐渐由电影大国向电影强国转变。作为电影产业链的最后一环，院线上映是衡量影片投资与回报的基本因素电影。由于其较大的商业性质，票房总收入是衡量一部电影是否成功最直观的度量标准。虽然在好莱坞等电影产业发达地区，票房收入只占电影总体收入一部分，银幕上的突出成绩并一定代表电影自身的成功[1]，但对于中国这一还在发展中的电影产业而言，影片的票房成绩仍然是最重要的因素。二、文献综述关于电影票房的研究方面，国内外可以分为三类，第一类是基于西方传媒经济学理论对电影产业和票房之间关系的探讨，第二类对电影票房的预测，第三类则是影响因素的分析。西方相比较我国电影产业发展较早，因此对票房研究也相对更加成熟以及具有前瞻性，其中影响因素方面大量运用了实证模型进行分析。具体来看，主要有以下一些成果。BarryLitman（1989）开启了西方电影票房研究的先河，最先建立电影票房影响因素的研究模型，由于当时票房数据较难获得，因此在其模型中，以1981-1986年电影租金收入作为因变量，将具体影响因素分为创意、发行/上映以及电影营销三大方面，通过层次回归分析得到导演以、明星以及续集有着显著的正向影响，科幻片能正面影响而剧情片则产生负向影响[2]。在这之后，部分西方学者继续按照Litman的研究模型进行相应改进延续其的研究思路，还有一部分学者则开始对电影票房具体影响因素进行分类研究。主要集中在明星影响力以及口碑等方面，研究结论也有着一定分歧，其中Ravid(1999)发现明星影响力对票房并没有显著作用[3]，而Levin和Heath（1999）通过对测试者发现观众对知名演员出演的电影有着很强的好感，电影评论家也会因此减轻对其批评[4]。Elberse（2007）则用超过1200组明星阵容在好莱坞股票交易市场模拟与票房的关系发现能够显著增加票房收入[5]。06年之后随着Twitter等社交网络的崛起，对于网络口碑的研究开始增多，McKenzie(2009)发现口碑的效价会显著影响数量并进一步对票房产生显著作用。Henning（2014）等人进行了Twitter效应的测试，得到用户的口碑评价会对其他潜在观众的接受度产生负面偏向。我国学者方面，对电影票房的研究起步较晚，前些阶段主要是从艺术理论角度对单独某部电影的定性案例分析上面。直到2009年我国逐渐开始进行定量实证研究，其中比较具有代表性的有汪旭辉和王军（2015）通过分析网络口碑对票房内在机制，结果表明网络口碑数量显著正向影响首周票房，效价存在显著负向影响。侯勇和王铁男（2014）则发现前作电影票房和口碑都可以产生品牌溢出效应影响续作。王铮（2013）通过设立不同临界值进行logistic回归表明票价、续集、明星和导演有着显著影响，并且发现明星和导演影响力存在着“挤出效应”[6]。聂鸿迪（2015）则通过OLS回归分析得出盗版和剧情类电影有负面影响，并通过神经网络进行预测发现误差相比多元回归较小。综合来看，目前国内的研究较多还是停留在定性分析以及对某一单方面因素的分析，而多方面的影响因素探讨的文献数量较少，并且大多为基于传统Litman模型进行影响因素的选择，并未结合中国特有市场环境进行考虑。另一方面，较多仍然采用普通OLS回归分析法，但正如王铮（2013）所述，可能会存在偏态性会使得结果不稳健，然而logit模型虽然消除了极值偏态影响，但是容易使得信息利用量减少。三、研究设计（一）研究变量选取本文中我们随机选取2015-2016年共90部国产电影，将票房数据作为被解释变量，单位为万元，票房数据通过艺恩网①查询得到。解释变量具体可分为如下几类：1.主创阵容（Director、Actor）主创阵容具体可分为编剧、制片人、导演以及演员，由于我国较西方制度间的差异，创作中心基本以导演为主，而编剧制片人等身居幕后往往不为人所熟知。因此本文重点选取导演作为创作阵容中的研究变量。国内外关于导演影响力度量方式不尽相同，如Litman和Kohl（1989）将导演四年间的执导影片是否获得奥斯卡奖或提名作为虚拟变量衡量，Hennig-Thruau等（2006）以执导的最近三部影片的平均票房度量[7]，还有的直接使用《好莱坞报道》中的导演指数。本文在参考前些基础之上，根据导演所获五大华语奖项及提名②数量并结合时光网上导演受欢迎度评分，从低到高划分1-5五个等级，并且考虑到目前一小部分的新锐跨界导演原有的粉丝基础进行相应调整。主演的明星方面，国外学者通常使用《综艺》以及《好莱坞报道》③中的数据，我国学者中在研究中由于没有这方面权威性排名，故与导演影响力衡量方法相类似[8]。笔者认为，随着网媒、电视综艺等快速崛起，跨界现象愈发明显，获取明星效应的渠道逐渐扩大，继续以过往例如奖项数量等方法难免有失偏颇，所以本文根据奖项、提名数量并结合2015年明星微博粉丝数排名综合衡量④，同样划分为1-5五个等级。2.票价（Price）2012年广电总局发布的电影票“限折令”不得低于电影院挂牌价的70%曾一石激起千层浪引发不小的争论，同样，一些例如冯小刚的知名导演也曾在两会上联提案实施“最高限价”。电影院在票价制定方面往往采用针对不同客户需求及影片属性的弹性定价策略，经济学中一般称之为“价格歧视”。为了探究票价对票房具体影响程度，本文选取猫眼儿网的每部电影全国平均票价信息作为变量。3.网络口碑（WOM）传统口碑在研究领域的重要性通过前文的文献综述中已经提到，如今随着互联网的普及，一些专业的电影口碑评分已经较为成熟化，其给予了观看过电影的关注一个交流、抒发自己观影感受的平台。主要通过三个度量指标：数量、效价以及离散程度。其中效价即对电影的评价，Liu(2006)认为其可以影响公众的感知并进一步对公众的观影决策行为产生作用，有着重要的地位[9]。因此，本文通过对每一部电影时光网及豆瓣网基于满分为10分的口碑评价得分取其平均值作为研究变量。4.技术效果（Tech）过往的研究中学者普遍较少考虑到电影的技术效果这一影响因素。当今，随着技术水平及观众观①艺恩网票房数据参见：②中国五大华语奖项是目前华语电影界艺术水准和认可度最高的奖项，具体包括：中国电影华表奖、中国电影金鸡奖、大众电影百花奖（从近期刚结束情况来看，质量存疑！）、香港电影金像奖和台湾电影金马奖。③《综艺》和《好莱坞报道》是美国娱乐界两大权威报刊，前者每年都会刊登具有票房价值的明星名单，后者对全世界主要国家中具有票房号召力的明星和导演进行排名和打分形成量化影响指数。④导演及演员影响力因素权重均通过AHP决策分析法确定，限于篇幅不做列示，但留存备索。影体验需求的提高，电影的播放制式也有着很大的改变，具体可分为普通的2D（35mm胶片变形银幕）、IMAX（巨形超大银幕）、3D（立体）及三者两两结合的类型。本文将技术水平从低到高排序，将普通2D设为1，含有IMAX的非3D电影设为2，含有3D技术的设定为数值3。5.IP（知识产权）（Sequel）近年来，IP可以说是影视圈内较火爆的名词，一个运营十分成功的IP可以从一种媒介转化到另一种媒介而产生一种极大的关注度，是一种宝贵的无形资产。在电影领域中IP主要可以分为畅销小说改编电影例如《盗墓笔记》、系列电影的续集如近期的《大话西游3》、对过去经典电影的翻拍如由杨幂和鹿晗主演的《我是证人》，就是对韩国经典电影《盲证》的翻拍。本文定义其为虚拟变量，当电影为IP电影时用1表示，反之为0，是否是翻拍改编等信息通过百度百科查询所得。6.档期（Schedule）档期是一部电影从上映到最后下映的时间间隔，过往研究表明档期作为一种时间纵向市场也往往会对票房产生影响。目前而言，档期与节假日有着比较大的关联，观影活动会比其他时间集中。我国电影最热门的档期可以划分为暑期档、国庆档、五一以及贺岁档⑤，为此，我们选取与电影从上映到下映平均一个月时间与上述档期重合天数作为档期的研究变量。7.营销热度（Want）电影在上映前的营销手段也是十分重要的一环，具体可包括出品方的宣传以及基于其所引发的话题规模效应引起公众对电影的兴趣。过往研究中，较多使用消费者的搜索量作为研究，如Hand和Judge（2012）利用公众对电影的谷歌趋势的搜索数据作为度量[10]，王炼（2014）等通过利用数据抓取软件对电影上映前后百度搜索引擎数据构建搜索指标[11]。由于对搜索引擎过去一段时间搜索量实现起来较为困难，本文则出于数据以获取角度考虑选取猫眼电影网中每部电影的“想看指数”，其数值为每部电影从宣布档期到上映前一天时间段公众想看意愿的具体人次。8.电影题材每个人会对电影不同类型产生不同的偏好，进而影响制片方在制作前对电影题材的考虑。由于我国电影发展还不是十分成熟，相比较西方好莱坞类似于互联网电影资料库（IMDB）十多种明确的分类方式，我国国产电影则较为集中。本文根据所选取的样本，按照其最主要的题材类型总共分为喜剧片（Comedy）、爱情片（Romance）、动作片（Action）、惊悚片（Horror）以及魔幻片（Magic），分别设定为虚拟变量，是赋值1，否则赋值为0，有关电影类型均通过时光网、豆瓣网以及猫眼网等查询⑥所得。（二）计量模型基于回归的最小二乘法分析是目前学术界使用最多的方法，如前文中所述的Litman(1998)、Sochay(1994)等均以票房作为连续变量进行OLS影响因素研究。所以参考其首先建立多元线性回归模型进行OLS估计，模型如下：（1）其中，对票房总收入以及想看指数均作了自然对数处理以控制可能的异方差问题。传统的线性回归一般都采用上述OLS来估计参数，其刻画的是因变量的条件均值的边际效益或者弹性大小。另外其要求变量同时满足随机性、独立性等一系列严格规定，如果数据出现扰动项非正态分布以及异方差等情况，结果可能表现出不稳健性。而由Koenker和Bassett（1978）所提出的分位数回归（QuantileRegression）则能够全方面描述因变量条件分布中不同分位点上的解释变量对其的影响，且其估计方法与OLS相比对离群值更加稳健，也不要求严格满足正态分布假设[12]。本文中，经过样本的统计发现前20%样本影片的票房合计占到了所有电影总票房的76.84%，因此从条件分布上来看具有较高的偏态性，OLS回归可能因极值影响不稳健且无法刻画全貌。因此，本文随后进一步采⑤五一：5.1-5.3日；国庆：10.1-10.7日；暑期：7.1-8.31日；贺岁：11.20-2月底，是业内较认可划分标准。⑥由于我国目前还没有一个统一的权威性电影分类标准，每个电影网站具体分类可能会略有不同。为此，笔者选取两个不同的网站对电影最主要的类型进行综合考量。用分位数回归分析票房从低到高的不同分位数下解释变量对因变量可能存在的不同回归系数估计量。首先，分位数的定义为对于一个随机连续变量y，其小于第τ分位数即y≤y(τ)概率为τ：（2）假设由n个解释变量组