基于电影行业的在线口碑对商家行为影响的数据分析

郭恺强

（1．井冈山大学商学院，江西 吉安 343009；2．同济大学经济与管理学院，上海 200092）

根 据Deloitte＇s Consumer Products Group的调查显示，有67%的网民会浏览在线口碑，其中82%的人认为在线口碑直接影响了他们的购买决策。在线口碑逐步成为消费者在选择与购买过程中的重要信息源，在线口碑也因此引起大量学者的关注。以电影行业为例，Dellarocas等采用修改的Bass Diffusion模型，利用在线口碑预测电影票房收入，结果表明，早期的在线口碑可以产生准确的票房预测[1]（P23－45）。 Liu采用回归法验证了在线口碑和电影销售的关系，并发现在线口碑分值和电影票房并不显著相关，但是口碑数量却对电影票房显著正向影响[2]（P74－89）。 同时Duan等认为在线口碑和电影票房存在相互影响关系，把在线口碑和电影票房作为内生变量，通过建立联立方程发现，在线口碑分值并没有明显地影响票房收入，然而在线口碑数量则明显影响票房收入[3]（P1007－1016）。 郝媛媛等以电影行业为背景，基于面板数据环境，研究了不同情感倾向的影评是否影响电影票房收入以及在电影发布后的什么阶段存在影响，并进一步比较了各情感等级的评论影响效应的差异性。分析结果表明，仅在电影发布后第3周，在线影评的情感倾向对电影票房收入存在显著影响，且这种影响超过在线影评数量的影响，口碑的劝说功能发挥主要作用；极端好评（5星评论）的正向影响大于极端差评（1星评论）的负向影响，而中评（2－4星评论）没有显著影响[4]（P95－103）。

综上所述，大量研究证实，在线口碑对产品销量有显著影响。但是在线口碑对商家行为的影响却没有得到太多关注。归其原因，主要是因为商家行为难以测量，如：产品定价、促销方式、产品质量改进等。幸运的是，在电影行业中，电影上映场次的数据是公开的，由于电影上映场次是电影院根据预期的市场需求进行每周调整的。因此，我们可以把电影上映场次作为商家行为的测量指标。选择电影行业还有另外两个优势，第一，相比于其它产品（如书籍、音乐）只公开销售排名，电影的票房收入也是完全公开的，因此可大幅提高我们的测量准确度。第二，口碑对电影票房的影响已经被广泛认同。Rosen证实，53%的电影观众根据来自其他观众的信息判断电影的好坏[5]（P22－29）。

基于以上讨论，本文以电影行业为背景，研究在线口碑对商家行为的影响。另外，鉴于在线口碑包括用户口碑和专家口碑两种类型，两种口碑是否对商家行为有相同的影响，也是本文研究的内容之一。

一、研究假设

研究表明，电影票房收入存在自相关性，即前期的票房收入对后续的票房收入有影响，另外电影前期的票房收入也反映电影的市场需求，因此，电影院主要是根据电影前期在市场上的表现，来预测本周市场对此电影的需求，从而安排相应的电影场次[6]（P1493－1514）[7]（P329－354）。 因此，本文提出以下假设：

H1：电影票房收入正向影响电影上映场次。

众所周知，电影院主要是通过预测电影未来的市场需求来提前安排电影的上映场次，而市场需求又是消费者购买行为的汇总反映。因此，凡是会影响消费者购买行为的因素，都可能会被影院用来对未来市场需求的预测。

图1 在线口碑影响消费者购买行为的路径

Liu提出在线口碑影响消费者购买行为的路径主要有两条。如图1所示，首先，意识效应。消费者对产品知晓是消费者确定购买的第一步。显然，产品拥有知晓度越高，则销量越多。而在线口碑数量反映了市场对产品的知晓度，同时通过口碑的扩散，促使更多消费者了解产品[2]（P74－89）。另外，Sorensen和Rasmussen通过对纽约时报的销量分析，发现消费者对产品的知晓度是影响销量的重要因素之一，评论越多则消费者意识到产品的概率越高，甚至是负面评论都会增加销量[8]。Karniouchina也指出关于电影的谈论数量，甚至是负面的流言蜚语，也会正向影响电影的市场需求[9]（P62－74）。 其次，诱导效应。 口碑可以通过改变消费者对产品的态度而改变消费者购买行为，即正面的意见鼓励消费者购买此产品，而负面的意见则阻碍消费者购买。现有的在线口碑声誉系统都提供用户在发表对产品口碑的同时对产品的质量进行打分评价，并公开其汇总平均后的数值，即在线口碑分值。因此，在线口碑分值可以用来衡量口碑的诱导效应。因此，本文认为，高的在线影评数量和影评分值，会增加电影的市场需求，同时也提高电影院对未来市场需求的预期，最终导致影院增加电影的上映场次。因此提出假设H2、H3。

H2：在线影评总数正向影响电影上映场次。

H3：在线影评分值正向影响电影上映场次。

为了比较在线用户影评和在线专家影评对影院行为的影响，我们把假设H3分成以下两个部分。

H3a：在线用户影评分值正向影响电影上映场次。

H3b：在线专家影评分值正向影响电影上映场次。

我们同样考虑电影上映时间和电影投资预算对电影场次的影响。电影上映时间越长意味着电影被安排更多场次的机会更大；电影投资预算越多表明电影发行方对影院场次安排上可施加的影响也越大。因此提出：

H4：电影上映天数正向影响电影上映场次。

H5：电影投资预算正向影响电影上映场次。

二、模型构建

为了验证假设，我们用专家口碑分值和用户口碑分值分别建立两组回归方程组。

另外，本文对所连续型变量均取自然对数形式，这种变换不仅与多阶段消费者决策过程的相关理论模型相符合，还可以平滑模型中变量的分布，使变量间关系趋于线性化。表1是变量的解释说明。

表1 变量的解释说明

鉴于美国电影业更为成熟，相关数据更为全面，因此本文的研究仅基于美国电影市场。相关研究数据来源自以下三个网站：IMDB（www．IMDB．com），Box Office Mojo （www．boxofficemojo．com），和 Forbes （www．forbes．com）。 本 文 从 Box Office Mojo网站收集电影票房收入、电影上映场次、电影投资额、电影上映时间和电影等级的信息，并剔除了动画电影、成人电影以及票房或口碑信息严重缺失的电影。IMDB网站是美国最出名的电影口碑网站，本文从该网站收集电影在线口碑分值和在线口碑数量信息。表2提供了电影样本的统计描述。

表 2 电影样本的统计描述

三、结果分析

本文利用Eviews 6．0软件对模型采用最小二乘法进行参数估计。估计结果呈现在表3中。方程（1）和方程（2）都以电影上映总场次为因变量。比较两方程的估计结果，有以下相似点：首先，影响电影上映总场次最为重要的因素是电影票房收入，这和假设H1相一致，再次证明影院在电影场次安排上首要参考的是电影前期的市场表现。其次，在线影评数量和电影上映总场次没有显著关系，因此否定了假设H2。归其原因，口碑数量反映的是市场的意识效应以及多少消费者对产品有所认知。大量研究证明在线口碑数量和产品销量正相关。因此本文猜测，影院方偏向于通过借鉴电影票房来间接观察了解市场对电影的意识效应，此猜测有待更多的后续证明。最后，电影上映时间和电影投资预算正向影响电影上映总场次，证明了假设H4、H5。

另一方面，两方程的估计结果同时存在明显不同，在方程（1）中，在线用户影评分值并不显著正向影响电影场次。然而，在方程（2）中，一旦我们用专家口碑分值替代用户口碑分值，专家口碑分值则显著影响电影场次。这说明，电影院在安排电影场次的时候，更多是借鉴专家对电影的评价，而不是普通用户对电影的评价。因此，假设H3b得到支持，而假设H3a没有得到支持。这一结果可以用Li和Chakravaty的研究进行解释，Li认为，用户口碑尤其是早期的用户口碑大量来自于产品的粉丝，对产品有强烈的偏见，并不能真实地反映产品的质量，因此专家口碑相对于用户口碑更准确地代表了市场对产品的满意度[10]（P809－831）。 另外，Chakravarty针对美国电影市场指出经常观影者（成熟观众）会偏向于借鉴专家口碑，而不经常观影者更多是被用户口碑所影响[11]（185－197）。而美国人平均每人每年看六次电影是中国人的近三十倍，正是因为美国电影市场主要为成熟观众，所以电影院主要是借鉴专家口碑来制定经营策略。不管怎样，在线影评对影院行为的影响仍然得到了证明。

最后，模型（2）中调整的R2为0．61大于模型（1）的0．575，说明模型（2）有更好的整体拟合效果，即模型（2）能更好的表示在线影评与电影上映场次的关系，因此模型（2）为最终模型。根据模型（2）的估计结果可知，影响电影上映场次最主要的因素仍然是电影票房收入，其系数为0．387，表示电影票房每增加1%，则上映场次提高0．387%；紧随其后的是在线专家口碑分值，系数为0．306，意味着专家口碑分值每上升1%，则上映场次提高0．306%；其次是上映天数（0．253）和电影投资额（0．081）。而在线口碑数量和在线用户口碑分值对上映场次没有显著影响。表4对假设检验结果进行了汇总。

表3 估计结果

表4 假设检验的结果汇总

四、结论

本文应用了计量经济学的方法，以电影行业为背景，构建了关于在线口碑（以在线影评为代理变量）、商家行为（以电影上映场次为代理变量）相互关系的回归模型。研究结果有力地证明了它们之间存在影响关系，并发现在线影评分值，尤其是在线专家影评分值正向影响电影上映场次，证明了在线口碑对商家行为的影响。另外，在线影评的数量却对电影上映场次没有显著影响；最后，票房收入、电影投资预算均对电影上映场次有显著影响。

根据本文的研究结果，提出如下建议以帮助企业的管理实践。第一，由于本文证明了在线专家口碑对商家行为的影响，因此，商家不仅要关注网络上与自己产品的相关口碑，同时也应注意收集对手产品的口碑信息，尤其是专业人士对其产品的口碑，并加以分析，以此来预先判断竞争对手下一步可能的营销策略，提早做好应对措施。第二，随着在线口碑对产品销量的影响被反复证明，越来越多的商家组织起专业的团队，对自身相关在线口碑进行管理，并进行合理引导来提高企业绩效，但是大部分商家忽略了对竞争对手以及行业伙伴在线口碑的合理干预。因此商家可以在避免恶意攻击的基础上，通过合理的引导其它商家的相关在线口碑，以促使整个市场的合理发展。例如：引导舆论更多关注竞争产品的某个特征，从而改变竞争对手在产品设计上的改变，提高市场上产品的差异性，避免恶性的价格战。

基于上述分析，今后可以在以下方面展开后续研究。首先，本文中的研究对象的时间单位是从电影的上映到下线期间，因此，后续研究可以收集以天或周为单位的电影票房、在线口碑、电影场次数据，从而探讨它们随着时间变化的动态关系。其次，尽管电影票价和上映天数同样属于卖家行为，但是由于数据收集的便利，本文仅采用电影场次测量卖家行为。因此，后续研究可以加入电影票价和上映天数作为测量指标，从而更精确地表示影院行为。最后，本文仅对电影这类体验型商品的在线口碑进行了研究，结论是否可以推广到其它商品（如图书、游戏等），还有待进一步检验。因此，后续研究可复制本文的研究方法到其它商品上。

[1] Dellarocas C．， Awad， N F．， Zhang X．Exploring the Value of Online Product Ratings in Revenue Forecasting: The Case of Motion Pictures[J]．Journal of interactive Marketing， 2007．21．

[2] Liu Y．Word－of－Mouth for movies:Its dynamics and impact on box office revenue[J]．Journal of Marketing， 2006，70．

[3] Duan W．， Gu B．， Whinston A B． Do online reviews matter？－An empirical investigation of panel data[J]．Journal of Retailing，2008，45．

[4] 郝媛媛，邹鹏，李一军，等．基于电影面板数据的在线评论情感倾向对销售收入影响的实证研究[J]．管理评论，2009（21）．

[5] Rosen E．The anatomy of buzz:How to create Word of Mouth marketing[M]．NY:Random House， New York， 2000．

[6] De Vany A．， Walls W D．Bose－Einstein dynamics and adaptive contracting in the motion picture industry[J]．The Economic Journal， 1996， 106．

[7] Elberse， A．， Eliashberg J．Demand and Supply Dynamics for Sequentially Released Products in International Markets:The Case of Motion Pictures[J]．Marketing Science， 2003， 22．

[8] Sorensen A．T．， Rasmussen S．J．， Is any publicity good publicity？A note on the impact of book review[J]， NBER Working paper， Stanford University， 2004．

[9] Karniouchina E V．Impact of star and movie buzz on motion picture distribution and box office revenue[J]．International Journal of Research in Marketing， 2011， 28．

[10] Li X．， Hitt L M．Price effects in online product reviews:an analytical model and empirical analysis[J]．MIS Quarterly，2010， 34．

[11] Chakravarty A．， Liu Y．， Mazumdar T．The Differential Effects of Online Word－of－Mouth and Critics＇Reviews on Pre－release Movie Evaluation[J]．Journal of Interactive Marketing， 2010， 24．