基于神经网络的电影版权证券化估值研究

■ 赵振洋 章 程

一、引言

近年来，我国电影市场发展迅猛，电影总票房实现了连续17年快速增长。如图1所示，尤其是从2007年到2015年，年复合增长率高达38%。截至2017年，中国电影总票房的规模已经达到558.39 亿元，成为了仅次于美国的全球第二大电影市场。但我国电影融资渠道发展比较缓慢，当前我国电影行业融资主要依靠风险投资和私募基金投资。风险投资和私募机构往往会提出较为严苛的条件，其每一笔资金的使用和电影的制作进度都要受到严格约束。而诸如华谊兄弟、上海电影集团这样的行业巨头则选择上市筹措资金，但这一融资模式仅仅适用于那些发展前景良好、实力雄厚的大企业。

电影版权证券化，是指电影版权拥有者通过特设载体（SPV）将具有预期现金流入的电影版权重组后，以未来现金流为基础来发行证券、获取融资的资本运作过程。从发达国家的经验来看，电影版权证券化已经是一种成熟的电影融资方式。美国电影行业发行的版权证券化产品在全部知识产权证券化产品中占比达42%，规模远远超过商标和专利的证券化。2017年，国务院印发《国家技术转移体系建设方案》，提出要完善多元化投融资服务，具体措施之一就是“开展知识产权证券化融资试点”。2018年，国务院出台《关于支持海南全面深化改革开放的指导意见》，提出要鼓励探索知识产权证券化，完善知识产权信用担保机制。 2018年12月，在国家多部门指导下，我国首支以专利权、著作权等知识产权为标的物的“文科一期ABS”实现证券化，总规模达7.33 亿元，实现了我国知识产权证券化零的突破。

电影版权证券化一方面能够将版权这种无形资产成功地转化为实际生产力，解决电影行业的融资问题，另一方面也能够活跃资本市场，为广大投资主体提供多元化的投资选择。由于我国的电影版权证券化刚刚起步，电影投资整体上缺乏理性，风险规避渠道缺乏，电影版权价值难以评估。无论是理论界还是实务界，都尚未针对电影版权证券化形成统一规范的价值评估体系，制约了电影版权证券化的实践发展。

根据《著作权资产评估指导意见》的规定，确定著作权资产价值的评估方法包括市场法、收益法和成本法三种基本方法及其衍生方法。由于电影版权资产具有投入产出弱对应性，高投入低产出和低投入高产出的案例比比皆是，成本法不适用于电影版权价值评估。另一方面，电影的文化创意属性使得选取参照物时缺乏可比性，因此也不适用市场法。本文选用收益法对电影版权价值进行评估，借鉴传播学中的拉斯韦尔模式，构建影响电影收益的指标体系，基于神经网络建立电影收益预测模型，最终利用收益分成法确定电影版权的评估价值。

二、基于拉斯韦尔传播模式构建票房影响因素体系

电影既是艺术，也是商品，更是一种影响广泛的大众传播媒介。电影版权（即电影著作权）是指电影作品的所有者对其作品所享有的权利，主要包括人身权和财产权两个部分，具体可分为复制权、放映权、改编权等十七项权利。由于电影放映权是我国电影版权价值最重要的组成部分，而电影放映权产生的收益超过80%由票房提供，因此本文采用电影放映权价值代表电影版权价值，并主要通过票房收入来研究电影版权价值。

如图2所示，传播学中经典的拉斯韦尔传播模式认为，任何传播过程都可以被解析为五个主要环节：传播主体（传播者）、传播内容（讯息）、传播媒介（媒介）、传播对象（受众）和传播效果（效果）。不同的传播环节，对电影票房收入产生不同的影响。如表1所示，针对每一个电影传播环节，选取相应的具体指标，最终构建包含21 个维度的票房影响指标体系。其中，前20 个维度作为电影收益预测的自变量，电影票房作为因变量。

图2 拉斯韦尔传播模式

传播者是传播过程中信息的主动发出者。从电影的产出角度来看，所有参与电影制作的人都属于传播者，包括投资人、制片公司、导演和演员。对于投资人，选取投资成本指标。对于制片公司，考虑到有联合制作发行的情况，根据CNPP 平台的统计结果，选取行业内最具影响力的14 家公司：中影、华谊兄弟、光线传媒、博纳影业、万达影业、上海电影、安乐、北京文化、寰亚、英皇、乐创文娱（前身为乐视影业）、影联传媒、华夏发行和五洲发行，构成14 维布尔型变量。对于导演和演员，选取豆瓣影迷数量作为衡量其影响力的指标，同时选取获奖情况作为衡量其专业能力的指标。

讯息是指电影作为载体所传达的内容，包括电影类型、电影时长、技术应用、剧情熟悉度、核心价值和剧情设置。对于电影类型，根据中国票房网的标签，选取“动作、冒险、犯罪、剧情、传记、喜剧、奇幻、古装、青春、悬疑、爱情、科幻、运动、惊悚、战争、恐怖、警匪和武侠”共18 个种类构成布尔型变量；考虑到音乐剧、动画等类型电影受众的特殊性，予以剔除。对于技术应用，选取3D和IMAX 构成2 维布尔变量。对于剧情熟悉度，选取改编、续集、翻拍构成3 维布尔变量。对于核心价值，根据电影是否弘扬正能量、积极的世界观、人生观、电影价值观层次是否多元、以及电影主题与社会热点的关联程度等因素打分，打分范围为0-10 分。对于剧情设置，根据剧情跌宕起伏程度、人物形象刻画程度、剧情的合理性和创意性以及是否涉嫌抄袭等因素打分，打分范围为0-10 分。

表1 数据指标及其来源

媒介是指传播过程中传播者和受众进行信息交流的渠道，即电影的发行和上映，具体包括发行公司，银幕数量，档期和上映天数。对于发行公司，由于联合出品的情况较多，且大多数制片公司兼具发行业务，故将发行公司和制片公司做合并处理。银幕数量是指全国影院银幕的数量，体现影响票房收益的外部宏观因素。对于档期，根据行业惯例，划分为“贺岁档：11.20- 次年2.20，五一档：4.20-5.10，暑期档：6.20-8.31，国庆档：9.20-10.10，其他”，构成5 维布尔型变量。

受众是指基于特定需求观看电影的消费者，也是电影票房收益的直接来源。本文主要选取电影平均票价、场均人数和网络搜索指数。对于网络搜索指数，针对电影上映前后两个不同阶段，分别选取上映前的百度搜索数量和上映后的百度搜索数量。其中，前者反映的是电影前期的营销能力，而后者反映的更多是电影本身吸引观众的能力。

效果是指电影对于受众所造成的影响，体现为受众对电影的评价和情绪反应。电影一旦引起受众情感上的共鸣或是对现实的思考，其口碑就会快速发酵。因此选取豆瓣评分和评分人数，以及专家对电影的情绪体验打分来衡量电影效果，最终对电影票房收入造成影响。对于情绪体验，根据观众对剧情人物的代入感、视觉听觉与思想上的冲击、电影是否引起观众愉悦或感动等情绪反应及其程度打分，打分范围为0-10 分。

三、基于BP 神经网络估测电影版权价值的路径

神经网络是以计算机、数学、神经科学等学科为基础，用来模拟人脑特性的抽象简化模型。该模型由大量神经元按照一定层次相互联结而成，具有卓越的非线性映射能力，被广泛应用于分类、识别和预测等人工智能领域。与传统的统计回归模型不同，它无需数据集的因变量和自变量之间具有特定关系或是满足特定假设。神经网络能够通过迭代学习，自主地根据数据特征调整神经元之间的连接权重，拟合出变量之间复杂的非线性关系。因此十分适合用来预测电影票房收入这种极不稳定的变量。

（一）BP 神经网络概述

目前各领域使用的神经网络中，超过80% 都选用了BP 神经网络。BP 网络（Back-Propagation Network），是一种多层前馈神经网络，名字源于网络权值的调整规则，采用的是后向传播学习算法，即BP 学习算法。本文采用BP 神经网络来评估电影版权价值。网络结构如图3所示。由于网络评分和评分人数等指标只能在电影上映后取得，而电影版权的评估基准时点可能在电影上映前，也可能在电影上映后，因此本文针对两个不同阶段选取不同指标分别构建神经网络模型，用于预测电影票房收益。

图3 BP 神经网络拓扑结构

BP 网络学习过程和步骤如图4所示。

图4 BP 神经网络算法流程图

1.初始化。确定模型的层数和每一层神经元的数量，并随机赋予连接权值和阈值初始值。其中，和分别描述了输入层，隐含层和输出层之间的权值，表示隐含层的阈值，表示输出层的阈值。

（2）式中， 是输出层神经元的数目。

5.修正各层阈值和连接权值。利用反传误差更新网络

各式中，η为学习率。

6.按照新的阈值、权值和均方误差，判断网络是否达到预期。如图4所示，如果已经达到期望的精度或迭代次数，就可以停止学习；否则返回第二步，继续学习新的样本或重复学习样本。

（二）运用收益分成法确定电影版权价值

根据我国《著作权法》第十五条的规定，电影版权由电影的制片方享有。因此，电影版权证券化的发起人往往是电影制片方。在评估其版权价值时，要先将电影票房总收益中归属于制片方的部分抽取出来，再按照贡献分成确定版权收益。根据收益分成法，评估电影版权价值的模型为：

电影总票房收益额已经通过神经网络模型预测得到。根据我国电影行业的惯例，院线占票房收益的57%，制片方占43%。在获得制片方的票房收入之后，依据电影版权和其他资产对收入做出贡献的比例，将票房收入在各项资产之间进行分成，即可得到被评估电影版权的预期收益额。其分成率可在参考行业平均水平的基础上，根据制片方具体情况确定。

由于我国电影市场的发展相对欧美还不够完善，票房收入占据版权收入的80%以上，后续衍生收入很少。因此在选择收益期限时，只考虑票房收入的期限。该收益期限通常较短，也就是从评估基准日到电影结束放映之间的天数。

折现率的选取采用风险累加法。一方面，电影作为文化产品，作品之间不具有可比性，消费者从中获得的精神性满足也难以被量化；另一方面，电影票房收入受到诸多因素影响，具有较大不确定性，属于风险较高的投资活动。因此，在考虑电影版权的折现率时，应当着重考虑电影的个别风险调整。折现率公式为：

折现率=无风险报酬率+风险报酬率+个别风险调整

其中，无风险报酬率使用五年期国债的到期收益率。关于风险报酬率，可以在实务操作过程中，选取若干家可比影视公司近三年的净资产收益率，求取其均值作为行业平均净资产收益率。个别风险调整根据被评估电影版权的具体情况分析确定。

将上述参数代入公式（8）即可得到电影版权的评估值。

四、基于BP 神经网络电影版权价值的实证分析

（一）样本选择

本文收集了从2015年1月到2018年9月期间公开上映的450 部国产电影。如表2所示，样本涵盖了18 个电影类型和5 个不同档期，能够较为全面地反映国产电影的特征。票房收入范围包括100 万元到56 亿元，中位数为4137 万，平均数为2.3 亿。其中《战狼2》票房最高为56 亿，《你往哪里跑》票房最低为100 万。由于数据的差距过大，在数据预处理时对收入、评分人数等数值型变量进行取对数。

（二）建立两阶段的票房预测模型

鉴于电影上映前后两个阶段的不同特征，分别建立票房预测模型。针对尚未上映的电影，只能通过前期数据来预测其未来收益。另外，由于评估人员能够在电影上映前接触到被评估电影的具体内容，所以将核心价值、剧情设置和情感体验这三项由评估人员打分的指标也划为上映前预测模型指标。如表3所示，选取前述指标体系中制作公司、发行公司、导演和主演影迷数量及获奖情况、电影类型、上映档期、技术应用和上映前网络搜索指数等共计53 个维度的数据作为输入变量，将累计票房收入作为输出变量。

针对已经上映的电影，可以获取到首日票房、场均人数、平均票价、网络评分及评分人数等数据。基于传播学的角度考虑，电影上映后的数据已经包含了前期因素的影响，信息从传播者到受众的单向传播过程已然完成，后续票房的增长更多地依赖于受众对电影反馈和口碑在人群中的扩散。因此，如表4所示，第二阶段只选取首日票房、场均人数、网络评分及评分人数、上映后网络搜索指数、平均票价和上映天数这7 个维度的数据作为输入变量，将累计票房收入作为输出变量。

表2 样本数据的描述性统计

表3 第一阶段的预测模型指标

表4 第二阶段的预测模型指标

两个模型都采用只有一个隐含层的网络结构。输入层神经元数量由输入变量决定，分别是53 个和7 个，输出层神经元数量都只有1 个。隐含层神经元数量的确定，则需要根据经验公式反复试验得到：

其中， 表示隐含层神经元数目， 表示输入层神经元数目， 表示输出层神经元数目， 表示1-10之间的常数。

（三）实证结果分析

将样本数据中的70%作为训练集，交叉验证样本和测试集各占15%。训练过程中，学习算法采用Levenberg-Marquardt 反向传播算法，激活函数选取Sigmoid 函数。本文使用MATLAB，将样本分别导入两个阶段的神经网络模型中进行训练，根据经验公式设置不同的隐含层神经元数量，挑选出表现最佳的两个模型。

通过反复实验发现，在第一阶段的预测模型中，隐含层含有10 个神经元的网络结构拟合效果最佳。如图5所示，训练集的回归R 值达到了0.98311，测试集回归R 值达到了0.96993，模型整体上的拟合效果较好。但图5的测试集中也出现个别离群值，经过梳理发现，这与现实中存在的低投入高票房和高投入低票房情况相吻合。例如电影《阿修罗》，投资成本高达7 亿，视觉效果和演员阵容堪称华丽，但最终票房不到5000 万。

在第二阶段的预测模型中，隐含层含有4 个神经元的网络结构拟合效果最佳。如图6所示，训练集的回归R 值达到了0.99725，测试集回归R 值达到0.98863。通过对比可以发现，上映后的预测模型相比上映前的预测模型，其预测能力更强。同时发现，上映后的预测模型在一定程度上修正了离群值问题，说明观众对于电影的反馈和传播对电影票房具有重大贡献。

将前述占样本总数15%的测试集数据代入已建立的预测模型，得出预测结果。共计67 部测试电影，部分结果如表5所示。电影票房预测值和电影实际票房收入误差较小，基本在10%左右。考虑到模型数据来源于网络，以及中国票房收入的真实性问题，本文认为预测模型的实证结果是比较合理的。

图5 第一阶段预测模型的实验结果（10 个隐含层神经元）

图6 第二阶段预测模型的实验结果（4 个隐含层神经元）

表5 票房预测模型部分结果

综上，采用BP 神经网络预测电影票房收入具有可行性。在用第一阶段的预测模型时，要注意异常值对预测结果的影响，而第二阶段指标建立的神经网络模型具有更强的性能，能够对电影票房做出较为准确的预测。再将预测出来的票房收益代入收益分成法估值模型公式（8）中，即可得到证券化电影版权的评估价值。

五、电影版权证券化估值应注意的问题

本文通过对电影行业融资现状和电影版权证券化发展前景的分析，论证了电影版权价值评估对于推进电影版权证券化的重要意义，基于传播学理论构建了评估电影版权的指标体系，并结合大数据和神经网络进行实证分析，最终利用收益分成法建立了电影版权估值模型。但在电影版权证券化估值的过程中，还应该注意以下几点问题：

1.注意数据真实性和可靠性对票房预测精度的影响

由于电影行业和电影版权评估业务的发展都相对不完善，评估电影版权时选用的数据大多来自网络。因此，为了避免劣质数据对票房收入的预测精度产生负面影响，需要特别注意网络数据的真实性和可靠性。除此之外，随着互联网大数据的发展，资产评估行业建立健全行业数据库刻不容缓。这就要求资产评估行业将能够获取的数据资源和专家库进行整合，形成不断更新完善的信息系统，

2.注意导演、演员丑闻对电影票房的影响

一旦导演、演员爆出吸毒、嫖娼等违法犯罪的丑闻，相关电影可能将面临换人重拍、删减戏份，甚至是无法上映的困境，对电影票房收入有着致命影响。因此，在评估电影版权价值时，要格外关注导演、演员是否丑闻缠身、是否有不当的言论等。

3.在实际预测电影版权收入时，注意衍生收入的影响

由于我国电影市场的发展相对还不够完善，票房收入占据版权收入的绝大部分，后续衍生收入较少，因此本文采用票房收入代表版权收入。但在实际评估中，应当关注被评估电影未来产生衍生收入的可能性。根据被评估电影和制片方实际情况，当具有充分证据表明被评估电影在可预见未来可能产生衍生收入时，应该谨慎地考虑这种衍生收入对版权价值的影响，这样才能使得评估价值更加准确。

4.在选取折现率时，注意个别风险的影响

电影作为文化产品所具有的创意属性和精神属性，是其投入与产出不匹配的主要原因。低投入高票房和高投入低票房的现象时有发生，使得其未来收入具有极强的不稳定性。因此，在选取折现率时，应当针对被评估电影特有的风险做出调整，以便更准确可靠地评估其价值。