程粮君
摘要:我国自实施电影产业化改革以来,电影票房市场规模在不断扩大,影院数量、观影人次和人均观影频次明显提升,电影产业实现了跨越式发展。然而2016年电影票房增速出现了十四年来的最低点,2017上半年的电影票房也不尽如意,此外,2017年3月实施的《电影产业促进法》也将会对电影市场产生深远影响。文章选取2016-2017上半年票房过亿元的80部电影,以多个因素作为指标,建立多元线性回归模型,运用SPSS软件进行分析,对电影票房的影响因素进行显著性检验,以求对中国电影产业的发展有所帮助。
关键词:电影票房 线性回归 SPSS 影响因素
研究背景
电影作为极具艺术审美性的服务型产品,生命周期短暂,受众偏好较难把握,属于典型的体验型商品,这些特性决定了电影票房的影响因素与其他商品有所不同,对电影票房预测的不确定性程度更高。分析电影票房的因素,对于提升国产电影软实力,推动中国文化走出去具有重要意义,本文根据电影类型、口碑等诸多因素,选取2016年到2017年票房过亿元的80部国产电影作为研究样本,设立多元线性回归模型对票房的影响因素进行定量分析研究。
现有电影票房影响因素研究方法介绍
一、国外研究。国外的电影市场发展较早,对于电影票房的研究也相对成熟,由于在上世纪80年代,电影票房并不是容易获得的数据,因此美国电影经济专家巴瑞·李特曼在他的研究模型中,以電影租金收入代替电影票房作为因变量。他一共搜集了1981年至1986年在美国上映的697部电影的租金收入作为样本。同时,李特曼将影响电影票房的影响因子分为三大类型:创意、发行或上映、营销能力,而在每个类型之中又下分为若干子项目。见表1。
接着,李特曼将表中所述自变量与因变量(电影收入)进行层次回归的分析方法,得到的了一个回归方程式:Y=-28.482×106+7.232×106顶级导演+14.846×106明星+11.818×106科幻+13.858×106续集+24.932×106奥斯卡提名-4.966×106剧情+6.972×106影评+3.814×106大发行公司。根据这个方程式,李特曼对当时上映电影的票房进行了相对准确的推算,这个模型也是后来各种票房预测多元回归模型的基础。到了1994年,苏凯提出了基于李特曼的改进版票房预测模型。在苏凯的预测模型中,因变量不但有电影租金收入,还增加了放映周数的预测。同时,他在李斯特研究的基础上将自变量进一步细分,由原本的14个影响因子增加至22个,最重要的增加项目是银幕数与市场集中度。市场集中度是指不同放映时期的市场竞争强度,即市场集中度=排名前四或前十的电影的一周票房/当周所有电影的总票房。比值越大,则市场集中度越高,在该周上映电影的市场竞争也越强。
二、国内研究。在国内,对于现有票房研究多以经济学和统计学的方法居多,如使用最小二乘法来进行回归分析,这种方法较为传统,还有的学者在最小二乘法的基础上进行更为复杂的数据分析方法,如王铮采用Logit模型来对票房的影响因素进行实证研究,胡小莉采用线性回归模型来分析,张玉松采用加权最小二乘法估计电影票房,张洋引用白石信子提出的影视文本要素研究模型来对电影票房进行内容分析,综合国内外的实证方法研究,基本上以最小二乘法和线性回归方法等定量分析的方法来分析影响电影票房因素。基于以往学者的研究,本文采用多元线性回归分析,来对电影票房的影响因素进行定量分析,然后对各类指标分别进行分析加以比较。
在因变量的选取中,大部分学者都采用电影票房作为因变量,在自变量的选取中,卢文景选择了导演、主角、类型、消费者关注、档期、发行能力作为自变量,张玉松选择了投资、质量、导演、演员、续集、盗版这几个指标作为自变量,还有的学者如王铮引进了票价和居民收入作为自变量。本文将自变量划分为生产环节、上映环节、消费者因素、市场因素和地域因素这五种类型进行研究。其中电影的导演、主演和类型归为生产环节,档期归为上映环节,网络评分、用户期待度和评价人数归为消费者因素,票价归为市场因素,一线、二线、三线、四线城市的票房归为地域因素,将各因素当做自变量,电影总票房为因变量,建立多元线性回归模型,并对五类因素分别进行显著性检验,运用spss软件进行分析,对电影票房进行价值评估研究。
模型建立
笔者选取以下指标作为自变量,并将这些指标进行量化处理、编码处理。导演影响力以导演的作品数量为衡量标准,主演影响力以前三位主演获奖提名数为准;在类型上对不同类型进行编码处理,1=喜剧,2=动作,3=剧情,4=爱情,5=悬疑,6=动画,其他变量的选择标准具体见表2。
根据表1的指标建立多元线性回归模型,以Y代表电影总票房(亿元),其公式为:Y=C+电影导演影响力。β1 +电影主演影响力。β2 +电影类型。β3 +网络评分。β4 +用户期待度。β5 +评价人数。β6 +票价。β7 +电影档期。β8 +一线城市票房。β9+二线城市票房。β10+三线城市。β11+四线城市。β12+u。其中C为常量,u为绝对误差。
模型分析
本文利用八爪鱼采集器抓取2016年到2017年票房过亿的80部国产电影数据,选取标准:第一,以票房过亿元作为量化标准具有代表性。第二,2016年内地电影票房增速整体遭遇滑铁卢,甚至达到了电影产业化改革14年来的最低速,2017年实行《电影产业促进法》势必对电影票房产生影响,选取样本具有典型性。第三,这80部电影数据易采集,且具有时效性。利用spss软件,对多元线性回归模型进行最小二乘法估计,结果见表3、表4。
从表3和表4可以看出,模型基本上通过了T检验,拟合度达到了97%表示拟合较好,但档期、评价人数、主演影响力、一线城市票房和四线城市票房这几个指标没有通过检验,所以所建模型存在问题,需要进行调试。经过调试后,剔除没有通过检验的指标,对导演影响力、类型、票价、用户期待度、网络评分、二线城市票房、三线城市票房进行重新回归分析,得出结果见表5和表6。
经过剔除某些变量,从表5和表6可以看出回归方程和变量都通过了显著性检验,也就是说sig<0.05,拟合度也就是R方达到了97%,因此根据分析结果,得到影响票房因素的多元线性回归方程如下:Y=4.591+0.02。用户期待度-0.153。票价+0.134。评分+0.132。电影类型-0.724。导演影响力-0.072。二线城市票房+4.005。三線城市票房。
由表4数据可以看出,就通过显著性检验的变量结果来看,属于电影生产环节因素有2个,属于地域因素的有2个,属于消费者因素有2个,属于市场因素的有1个。
在对以上指标进行总体回归分析以后,紧接着对电影生产环节、消费者因素、市场因素和地域因素分别进行显著性检验。
一、电影生产环节。电影生产环节的自变量包括导演、主演和电影类型,将这三个因素与电影票房进行显著性分析,得出表7,从sig.可以看出生产环节的因素对电影票房的影响是显著的(sig.<0.05),而在表2的回归模型分析中,主演影响力并没有通过显著性检验,通过对所选80部电影的进一步梳理分析,高票房电影基本上都有明星演出,而此因素没有通过检验的原因可能是改编电影的影响,一些由IP改编的电影并没有明星参演,如《谁的青春不迷茫》《大鱼海棠》《十万个冷笑话2》等电影,这些电影的票房收入基本来源于IP本身的影响力。
二、消费者因素。在对消费者因素三个指标进行显著性分析后,得出的结果见表8,可以看出消费者因素对电影票房的影响是显著的(sig.=.000<0.05),而在调整后的回归分析表5中可以看出用户期待度和评分的显著性值均小于0.05,也就是说,电影的内容如果能够满足观众的期待度,符合观众的观影口味,那么电影的票房自然会走高。
三、地域因素。从表4可以看出地域因素的两个指标通过了显著性检验,这也从下面的表9可以得到验证,而表4中的一线票房和四线票房没有通过检验的原因可能有这几点。首先是一线城市的观众观影品位较高,而且一线城市的工作压力较大,生活节奏较快,使很多一线城市的观众没有时间和精力到电影院看电影。其次从市场发展阶段到消费能力来看,二三线城市仍处于增长期,一线城市的消费能力较为疲软,而四线城市消费人群普遍收入较低,对票房的贡献率不高也是理所当然。
四、市场因素。对市场因素进行显著性分析得出表10,可以看出通过了检验,表明票价对电影票房的影响是显著的,也说明了一些电影高票房高票价的现象依然存在,如《美人鱼》《西游记之孙悟空三打白骨精》《英伦对决》等电影平均票价达37元,这反映出在电影票房市场中影院具有比较大的市场力。
研究结论
国内学界对电影产业的研究大部分还是将电影看做一门艺术,尤其是缺乏对电影产业的实证研究。根据以上的样本数据分析,可以看出电影生产环节,消费者因素和地域因素对电影票房的影响较为显著,分别有两个指标通过显著性检验。随着国内电影票房收入日益增加,人们的观影品位越来越高,电影制作人应该在注重经济效益的同时也要顾及影片质量,不能总是烧钱请明星来获取关注度,使国产电影市场充斥着许多烂片,不利于国产电影良好生态的维护。2016年国内整个电影票房增速陷入低迷,出现14年以来的最低增速,而一向只顾票房不顾质量的跨界导演郭敬明,在新片《爵迹》仅收获3亿多元票房,不敌之前的《小时代》系列,这也说明仅仅靠明星就能赢得高票房的手段已经失灵了,而2017年3月实施的《电影产业促进法》明确要保障电影质量,维护国产电影良好生态。此外,从地域因素的几个指标来看,一线城市的票房逐渐下移到二三线城市,二三线城市观众成为电影票房收入的主力军,随着渠道的下沉和人们消费能力的提高,电影发行商应着重考虑二三线城市的院线,充分发掘二三线城市的票房潜力。(作者单位:安徽大学)栏目责编:陈道生
参考文献:1.王 铮,许 敏:《电影票房的影响因素分析——基于Logit模型的研究》,《经济问题探索》,2013(11)。
2.胡小莉,李 波,吴正鹏:《电影票房的影响因素分析》,《中国传媒大学学报(自然科学版)》,2013(2)。
3.王建陵:《当代西方电影票房预测研究的发展演变》,《电影艺术》,2009(1)。
4.卢文景,冯 晓:《大数据时代电影票房影响因素证实分析》,《中国传媒大学学报(自然科学版)》,2017(2)。
5.张玉松,张 鑫:《电影票房的影响因素分析》,《经济论坛》,2009 (8)。
6.丁汉青,郑馨怡,周志成:《美国动画电影票房的影响因素分析及预测模型建构——与真人电影的比较研究》,《新闻大学》,2016(01)。
7.连聪聪,杜 仪,张 辉:《基于电影营销因素分析的电影票房预测》,《中国传媒大学学报(自然科学版)》,2015(8)。
8.张 洋:《国内受众对商业电影要素的偏好嬗变——基于国内近五年电影票房的内容分析》,《宁夏大学学报(人文社会科学版)》,2014(1)。
9.陈 然:《我国商业电影票房影响因素研究》[D],云南财经大学硕士学位论文,2016年。
10.崔凝凝,唐嘉庚:《基于回归分析的中国电影票房影响因素研究》,《江苏商论》,2012(8)。