关于电影票房的市场调查报告——网络口碑与电影票房的实证研究

南京邮电大学管理学院贝尔学院 闯家梁 许世珍 胡全峰

关于电影票房的市场调查报告
——网络口碑与电影票房的实证研究

南京邮电大学管理学院贝尔学院 闯家梁 许世珍 胡全峰

摘 要：本文立足于中国电影市场的实际情况，通过定量分析选取了电影票房的影响因素模型。同时将网络口碑作为自变量，之后又将网络口碑分为网站评分和网友评论两个因子；将电影票房作为因变量，引入电影制作因素、电影宣传因素作为调节变量，探讨各变量对于电影票房的影响，以及调节变量与网络口碑的交互效应。在此基础上，笔者认为中国电影应该重视影片内容的锻造，丰富影片文化内涵，增强网络口碑的作用。

关键词：网络口碑 电影票房 网站评分 网友评论

对中国电影产业来讲，2015年又是一个“战绩”辉煌的年份。2015年全国影院总票房为440.69亿元，占全球总票房的17.8%，居世界第二位；国产片票房达到271.36亿元人民币，占总票房的61.58%，观众观影人次126036.58万人，放映场次5438万场，电影产业的各项指标均取得了较大幅度的增长，中国电影市场发展良好。

而随着互联网的发展，中国电影舆情生态呈现出多元交织的局面，网络传播渠道、社交媒体与其他传播渠道构成了当前中国电影产业的网上舆论场，将影片、电影人、电影产业、电影市场的情绪、认知、态度、情感及行为倾向全方位、多角度地呈现出来。从近几年的情况看，发现网络口碑对消费者的观影选择具有显著影响，口碑评价越高，其票房收入越高。然而，2013年的《富川山居图》在格瓦拉上的评分为3.7分，被封为史上第一烂片，但在意见领袖的传播下，虽然在网上被骂得很烂，但《富川山居图》的票房扶摇直上，两天过亿，上映一周票房高达2.5亿。随着豆瓣、时光网等电影评分栏目的兴起，越来越多的观众在观影前会查看其他观影者的评分或者是影评。因此，本文希望研究了解网络口碑对电影票房产生的影响。

1　 理论基础与模型

网络口碑是借助于互联网媒介而进行的口碑传播，传播范围较广，且口碑形式有形化。通过网络开展电子商务最核心的价值和竞争力，即在于其中的评论信息形成的舆论导向，这对电影观众决策具有非常重要的影响。Hanson(2000)将这种传播形式也称作电子口碑(Electronic WOM)或者在线口碑(Online WOM)，认为这种传播方式以网络为媒介，通过电子邮件、在线论坛和讨论区等形式进行口碑传播。

Chaffee和Steven(1982)根据信息可访问性及可影响性理论，证实群体之间关于电影的交流一定存在，并且这种交流会对消费者的购买决策产生影响。同时电影本身的特殊性无法使观众在观看电影前对其内容质量等做出判断与评价，而当观众在购买决策过程中产生评价与评估困难时，按照口碑来搜寻产品信息经常成为优先选择。电影口碑信息对消费者购买决策的形成会产生巨大影响。

网络口碑一般指网络用户产生的内容，总体而言主要包括网络评论数量、网络评论效价及网络评分分布。网络评论数量的多少反映了电影关注度的大小，越多的人讨论某部电影，则说明越多的人能够知晓这部电影。网络评论效价指人们对于电影持有的正面、负面或者中性的评价，意味着网络口碑的说服力。网络评分将网络用户对于电影的评价进行了量化，既简单明了地表达对于电影的评价，也使信息搜寻者更为直接地获得网络口碑信息。在我国，电影口碑对观众消费意愿的影响变得越来越显著。口碑好的电影能够取得优异的票房佳绩；反之，就非常有可能面临票房骤减的后果。从某种程度上我们可以说，电影口碑对电影票房的作用越来越具有决定性。

本文在吸取国内外专家学者Yong Liu网络口碑模型的基础上，立足于中国电影市场的实际情况，通过定量分析选取电影票房影响因素的模型。同时将网络口碑作为自变量，又将网络口碑分为网站评分与网友评论两个因子；将电影票房作为因变量，引入电影制作因素、电影宣传因素作为调节变量，探讨各变量对于电影票房的影响以及调节变量与网络口碑的交互效应如图1。

图1 网络口碑模型

2　 研究设计

(1)抽样设计。采用分层抽样与简单随机抽样相结合。依据中国大陆地区观影总人数，计算出本次调研最低样本量为12,441,770人，依据各区域(将中国划分为七大地理区域)票房计算出其占全国的比例，并分为三个层次，每个层次中通过简单随机抽样抽取一个地区作为代表，抽取结果为华东地区、华北地区、东北地区。

采用简单随机抽样。将华东地区、华北地区、东北地区各省份列表并编号，通过生成的随机数表，随机选取省份，选取数量依据各地票房贡献率结果如下，华东地区：上海、江苏、山东；华北地区：北京、山西；东北地区：辽宁。采用非概率抽样中的配额抽样，依据各省份票房贡献比率，将每个区域的问卷分配到所抽省份，使得分配的问卷量与其票房贡献率成正比。

采用简单随机抽样，将上海、江苏、山东、北京、山西、辽宁各省份的TOP影院列表并编号，通过生成的随机数表，随机选取影院，选取数量依据各省份票房贡献率。问卷发放时，根据所求出的各个省份所需样本量有选择性地进行发放。

(2)调查方法与数据特征。从各大影院查询其开放时间基本为9∶30～23∶30，考虑到观影人群基本集中于工作日中午或晚间、双休日，我们选择在人群较为集中的时间发放问卷，较多选择正在等待的人群，有较多空闲时间。

通过计算，在99%的置信水平下，以10%作为抽样误差，在男女各0.5的比例期望值的情况下，通过计算，得出理想的样本量应为166份。最终共回收有效问卷140份，问卷的有效率为88.55%。

(3)电影票房与高校数量。根据2013年，中国电影发行放映协会的一项调查数据显示，中国的电影观众平均年龄为21.5岁；2014年略微有所上升，但也就22岁上下。“85后”占比70%，在校大学生每年贡献数十亿票房，在校时形成的去影院观影的习惯，毕业后转变为都市白领。因此，我们调查了大陆各省高校数量与累计票房。

(4)电影票房与网络口碑。依据电影票房数据库2015年11月最新数据显示，我们选取了中国大陆地区票房位列前100位的电影，并从网上查询相对权威的电影评分网站时光网、豆瓣网对其相应的评分状况，以考查电影票房与网络口碑是否具有相关关系。

3　 数据分析

(1)信效度分析。在项目整体统计量表中，各分量表的Cronbach’s α值都大于0.7，且总量表的Cronbach’s α值大于0.9，故总量表和分量表的信度检验通过，该量表具有比较良好的信度。

(2)交叉分析。我们分别对性别与观影次数、性别与喜爱电影类型进行了交叉分析。得到如下结论：每年去影院观影次数集中分布在5次以下以及5～10次两个频率。表明大多数人去影院观影的次数较少。同时可以看出男女在观影次数上的差别不大。说明性别对于观影次数的影响不显著。男女在喜爱的电影类型上是有一定的差异。男性最喜欢的电影类型是科幻片，其次是喜剧片。而女性最喜欢的电影类型为喜剧片，其次是爱情片。由此表明，性别对电影类型的选择有显著的影响。

(3)量表均值分析。通过对量表的均值分析得到如下结论：大多人看中的是电影的故事情节和故事类型，也就是说大多数人关注的是电影本身；人们比较关注电影的宣传情况，尤其是明星效应，同时网络评分也是一个重要的因素，表明大家比较关注电影本身的情节，同时也是比较客观的选择；影迷对于电影评分网站的信任程度较高，对于网友评论持相对怀疑的态度。

(4)相关性分析。本文选取2015年在中国内地上映的票房排名前100位的影片作为研究对象，对每部影片的网络口碑、类型、是否为续集或翻拍电影、产地、上映日期、演员及导演、票房收入等相关数据进行实证分析。对各变量进行显著性检验，网络口碑与电影票房存在显著相关性；调节变量中，电影类型、电影是否为翻拍续集或改编、导演号召力与电影票房的相关性显著；电影产地、电影档期、演员号召力与电影票房不存在显著相关性。

4　 研究结论与建议

本文首先对采用问卷法调查影迷认为的影响电影票房的因素。结果表明，电影内容与电影类型以及网络评分是影响电影票房的主要因素。实证研究部分，借鉴以往研究成果，建立理论模型、设计问卷、收集数据。接着选取2015年的前100位影片作为研究对象，经过对各变量进行显著性检验，作为自变量的网络口碑与电影票房存在显著相关性，电影类型、电影是否为翻拍续集或改编、导演号召力与电影票房的相关性显著。针对以上结论，我们提出以下建议。

(1)关注电影本身，提高电影的制作水平，以质量获取高票房。电影的内容与电影的类型是吸引影迷买票的主要因素。而电影作为一种文化产品，给予消费者精神层面的满足，电影本身质量是其取得好口碑和高票房的根本要素。基于此，制片方理当先关注电影本身，注重电影题材、内容和拍摄质量等方面的改进，进行突破创新，增强电影本身对观众的吸引力，树立电影自身品牌，提高价值，收获高票房。

(2)着重关注口碑效应及对应营销，采用多种多样的宣传方式来提高电影的关注度。电影本身的特殊性无法使观众在观看电影前对其内容质量等做出判断与评价，而当观众在购买决策过程中产生评价与评估困难时，按照口碑来搜寻产品信息经常成为第一选择。以电影为中心引发的任何话题都可以形成一定的口碑效应，提高观众对于电影的知晓度和关注度，才能使电影获得高票房。

(3)发挥网络口碑的积极作用。电影的网络口碑主要包括网站评分与网友评论，两个因素都在很大程度上影响了网络口碑对观众的影响力。电影制片方和发行方应积极有效把握网络口碑的这两个属性，尽可能发挥其积极作用，推动人们更多在网络平台参与电影讨论，并引导其做出更多正面的评价。电影制片方和发行方可以建立相关电影口碑网站与电影的合作，激励、鼓励人们尽可能多的在口碑网站上发表对于电影的评论和感受。

参考文献

［1］龚诗阳，刘霞，刘洋，赵平.网络口碑决定产品命运吗——对线上图书评论的实证分析［J］.南开管理评论，2012（4）.

［2］史伟，王洪伟，何绍义.基于微博情感分析的电影票房预测研究［J］.华中师范大学学报（自然科学版），2015（01）.

［3］汪旭晖，王军.网络口碑如何影响电影票房——中国电影“高票房低口碑”现象反思［J］.湖南师范大学社会科学学报，2015（02）.

［4］周明升，韩冬梅.基于社交媒体用户评论和关注度的电影票房预测模型［J］.微型机与应用，2014（18）.

中图分类号：F49

文献标识码：A

文章编号：2096-0298（2016）06（b）-006-02