竞争视角下网络口碑对电影票房的影响——基于中国2020—2022年325部电影的实证分析

谢向英，张 烨，刘丰波

（福建农林大学经济与管理学院，福建 福州 350002）

2021 年中国电影总票房达到472.58 亿元（人民币，下同略），实现稳定增长，保持全球第一［1］。在电影市场高速发展的同时，电影市场面临着更激烈的竞争难题。2020 年10 月，国家电影智库发布的《中国电影产业指数（2020 版）》显示，2009 年以来中国电影市场的竞争程度是增加的［2］。从消费者角度看电影市场竞争，除了电影自身制作的专业性之外，电影网络口碑是不可忽视的重要因素。当每天电影市场的竞争程度不一样时，这种竞争关系可能影响网络口碑的作用。当前研究中，学者普遍认为，网络口碑会显著促进消费者购买。如：Liu［3］发现口碑数量对累计票房与周票房是显著的正向影响；Duan等［4］构建了动态联立方程，结果表明口碑数量会对电影票房产生正向影响；李涛等［5］研究发现网络口碑随着分位点提升边际效应影响呈现“N型”；华锐等［6］发现口碑显著地促进票房的增长，但随着票房不断增加，口碑对票房的促进作用有所降低。少数几篇从竞争视角讨论网络口碑与电影票房的文献，主要是从电影产品的口碑竞争来反映电影市场的竞争情况，并以此研究电影的网络口碑竞争与票房的关系。例如，Benedict 等［7］研究发现，同档期电影的网络口碑差距会影响电影票房，口碑越高的电影会有更高的票房。贺凯彬等［8］研究表明，同档期电影之间存在动态竞争关系，目标电影口碑效价与同档期内电影最高口碑效价的差距越大，目标电影的票房越小。李思沅［9］研究表示，正在放映的电影中，网络口碑评分高于目标电影的电影是目标电影的主要竞争对手，会减少其票房；新上映的电影并不是目标电影的竞争对手，反而会增加其票房。总体上来看，现有文献难以回答在不同的市场竞争程度下网络口碑对电影票房的影响情况，并且现有定量研究中使用的评分和票房数据多是在某个短期的时间点一次性采集的，并非上映时期内的即时评分与票房。为此，本文收集每部电影日评分与日票房数据为更加精准的表现网络口碑对票房的影响，使用2020年9月到2022年1月在中国上映的325部电影的日票房与日评分数据，通过固定效应模型，研究竞争视角下网络口碑对电影票房的影响，并进一步分析电影的异质性下市场竞争的影响，以期为电影发行方和院线在安排电影档期、制定营销策略、获得竞争优势提供有益参考。

一、数据来源与变量定义

（一）数据来源

本文选取2020 年9 月—2022 年1 月在中国上映的325 部电影。本文的每日票房数据来自猫眼电影，其能提供精准的每日实时票房数据。电影网络口碑数据选用电影在线评分，来自猫眼电影、豆瓣网和淘票票，它们是目前最为成熟的影评平台。上映日期、续集、制片地区、演员、导演等影片信息都来自猫眼电影。档期和节假日信息根据国务院办公厅发布的国家法定节假日确定。在映电影数、CR4、CR8、HHI是通过每天电影的在映情况和票房情况自行计算。由于在收集的过程中会存在数据不完整、数据异常等问题，需要对数据在进行额外处理：第一，每部电影在映当天至少有1个平台有评分数据，剔除没有评分的电影；第二，对于重映的电影，电影的上映时间采用重映时间；第三，中国影院可以买到拷贝的放映权自己安排上映。此时电影的放映时间若是与电影上一轮上映时间间隔较远，将采用新一阶段的放映时间来计算上映天数。数据处理主要应用Excel 2019、Stata16.0软件。

（二）变量定义

1. 被解释变量

电影日票房（daily box office，简写DBO）。许多研究以总票房或日票房数据进行分析，但电影产品上映时间很多都不到一个月，且票房数据波动较大，因此本文采用日票房数据。由于电影票房差距较大，为使回归结果更加可靠，本文对电影日票房取自然对数。

2. 解释变量

电影日评分（SCORE）。本文选取在线评分来反应网络口碑，电影的在线评分会随着评分人数的增加发生改变，且消费者在选择电影时参考的是当下电影的即时评分。因此本文收集猫眼电影、豆瓣电影和淘票票目前较为成熟的互联网平台的日评分。为了使结果稳健，本文将使用三大平台日评分分别进行回归，分别为SCOREM、SCORED、SCORET。

3. 调节变量

竞争程度（COMP）采用CR4、CR8、HHI、同天在映电影数（NUM）为指标。

（1）CR4。市场前4 名份额集中度指标，每日电影市场上最高的4 部电影的票房占总票房的百分比，能够反应当天电影市场的竞争程度。

（2）CR8。市场前8 名份额集中度指标，每日电影市场上最高的8 部电影的票房占总票房的百分比。

（3）HHI。赫芬达尔—赫希曼指数，每天电影市场上每部电影的票房占总票房的平方之和。

（4）同天在映电影数（NUM）。每天在映的电影数量越多，竞争程度越激烈。

4. 控制变量

除了网络口碑外，影响电影票房的因素还有很多。本文尽可能选取可视化的变量进行控制，选择续集（SEQUEL）、制片地区（AREA）、档期（SCHEDULE）、演员（ACTOR）、导演（DIRECTOR）、节假日（HOLIDAYS）作为控制变量。

（1）续集（SEQUEL）。续集电影通常有一定的粉丝基础，更容易获得消费者的关注。在影片是否为续集方面，如果影片为续集，SEQUEL=1，否则SEQUEL=0。

（2）制片地区（AREA）。将电影分为中国制片的电影和非中国制片的电影。设置虚拟变量，如果制片地区有中国，AREA=1，否则AREA=0。

（3）档期（SCHEDULE）。档期也是影响票房的重要因素。以2021年贺岁档来说，大年初一的票房产生了中国影史上单日总人次和单日票房的新纪录。本文以电影上映时间来确定档期，档期的分法要结合中国电影市场的实际情况，分贺岁档、五一档、暑假档、国庆档为热门档期，其余为普通档期，并以此设置虚拟变量。如果上映当天为热门档期，SCHEDULE＝1，否则SCHEDULE=0。

（4）演员（ACTOR）。有知名演员的电影更容易吸引到消费者，特别是有票房号召力的演员。演员如果获得权威性、代表性的奖项及提名，可以认为演员有较大知名度。本文选取比较具有权威的奖项，五大华语奖项、奥斯卡金像奖与欧洲三大国际电影节奖项。本文设置虚拟变量，如果电影前3位主演是获奖演员，ACTOR＝1，否则ACTOR=0。

（5）导演（DIRECTOR）。导演的影响力可以由其是否获得权威性、代表性的奖项及提名来反应，导演以往的作品若是获奖或被提名，则说明导演影响力越大。本文选取比较具有权威的奖项，与上文演员奖项一致。本文设置虚拟变量，如果导演为获奖导演，DIRECTOR=1，否则DIRECTOR=0。

（6）节假日（HOLIDAYS）。节假日会有更多的消费者进入影院看电影。如果在映日期为节假日，HOLIDAYS=1，否则HOLIDAYS=0。

二、模型设计与数据分析

（一）模型设计

本文构建模型1来检验网络口碑对电影票房的影响，即

构建模型2来检验竞争程度对网络口碑与电影票房之间的调节效应，即

式（1）、（2）中：DBOit为第i部电影在时期t的票房；SCOREit为第i部电影在时期t的评分；COMPt为时期t的竞争程度；CONTROLS 为控制变量的集合，包括续集、制片地区、档期、演员、导演、节假日6 个控制变量。μi表示电影i不随时间变化的个体固定效应，δt表示控制时间固定效应，εi，t表示随机扰动项。

（二）数据分析

1. 描述性分析

表1为本文各变量的描述性统计结果。

表1 变量描述性统计Table 1 Variable descriptive statistics

从表1可知，每日票房DBO 最小值仅为1、最大值为104 980.05、标准差为3 094，表明每天在映电影票房存在较大差异和波动。在2021 年2 月12 日上映的《唐人街探案3》，在上映第一天就取得了10.498 05 亿元票房收入，是观察期内最高的日票房。猫眼日评分的均值为8.725，标准差为0.727，最大值和最小值之间存在较大差距，说明电影的平均评分有较大差异但波动较小。猫眼评分和淘票票评分的均值高于豆瓣评分，这是由于平台性质不同，不同网络口碑平台给出的评分存在差别，猫眼电影和淘票票作为国内的票务平台需要通过高评分刺激用户进行消费行为。

从表1可知，样本电影数量为325部。续集SEQUEL的平均值为0.266，可见在样本期间的续集电影比例较低，仅78部。制片地区AREA 的均值为0.659，意味着样本期间内由中国制片的电影会稍多一些。演员ACTOR 的均值为0.512，反映出将近有半数的电影比较注重主演阵容的影响力。导演DIRECTOR 的均值为0.426，说明很多电影是会看重导演的号召力的。样本期为470 d。档期SCHEDULE 的均值为0.508，反映在样本期内，热门档期所占的比例近一半。节假日HOLIDAYS 的均值为0.344，表示在样本期内节假日占比近34%，在这期间内可能有更多消费者花时间去影院观影。调节变量中同天在映电影数量NUM的均值为31.51，反映在样本期内我国电影市场每天上映的电影数量较多，消费者有较多的选择。但是从CR4、CR8、HHI的描述性统计结果来看，虽然样本期内我国电影市场每天有数量可观的电影可供消费者选择，但是我国电影市场一直保持极高的市场集中度，3个变量的均值分别高达0.824、0.947、0.288，标准差仅为0.103、0.042、0.130，每天的票房都是由少数几部电影占据，众多的其他电影只能获得少量票房。

2. 网络口碑对电影票房的影响

为尽可能控制因遗漏变量导致的内生性问题，采用固定效应模型检验网络口碑对电影票房的影响及市场竞争的调节作用。表2 为网络口碑对电影票房的影响结果。从表2 第1 列可见，模型调整后的R2为0.846，说明模型构建较为合理。猫眼日评分对电影日票房具有显著的正向影响，猫眼日评分越高，当天电影日票房越高。由第1 列的结果还发现，部分控制变量在1%水平下显著。其中续集、档期、演员的系数显著为负值，地区与节假日的符号为正数。

表2 网络口碑对电影票房的影响结果Table 2 Impact of online word-of-mouth on film box office sales

为使结果更加稳健，分别使用豆瓣日评分与淘票票日评分再进行检验，估计结果为第2 列与第3列。豆瓣日评分与淘票票日评分分别对电影日票房具有显著正向影响。但具体的影响程度是不一样的，说明不同平台的网络口碑对电影日票房影响不同。猫眼电影的影响程度相较于其他平台更大的原因，可能是猫眼电影作为国内最大票务平台，当消费者在猫眼电影上看到高评分的电影，更容易刺激消费者直接在猫眼电影上进行购买行为。

3. 市场竞争对网络口碑与票房关系的调节作用

为进一步验证市场竞争对网络口碑与电影票房之间的关系是否存在调节作用，使用同天在映电影数量NUM、CR4、CR8和HHI 4个能够反映市场竞争情况的变量作为调节变量。从上文的描述性统计结果可知，根据贝恩的市场结构划分，在样本期内我国电影市场的市场集中度非常高。 CR4、CR8指数体现的是前4部与前8部电影票房的集中率，但未将企业规模分布和集中度同时考虑到，不能够非常准确地体现市场中的垄断竞争情况。为克服CR4、CR8指标的内在缺陷问题，本文同时还使用HHI指数表示竞争程度。HHI赋予市场份额更高的电影产品以更高的权重，同时具有绝对集中度和相对集中度的优点，能够比较准确反映市场竞争情况。同时本文参考温忠麟等的做法，首先运用变量减去均值的方法，将解释变量SCOREM 与调节变量做中心化处理，再将处理后的解释变量SCOREM 与调节变量分别构成交互项，检验市场竞争的调节效应。

表3 为市场竞争对网络口碑与票房关系调节作用的检验结果。表3 的第1 列结果显示，同天在映电影数与网络口碑交互项显著且是负数，这说明同天在映电影数对猫眼日评分与电影日票房之间存在负向调节，同天在映电影数越多，市场竞争越激烈，网络口碑对电影票房的正向影响越弱。表3的第2 列到4 列结果表示，CR4、CR8、HHI 分别与网络口碑交互项显著且为正，说明CR4、CR8、HHI 对猫眼日评分与电影日票房之间存在调节作用。因此CR4、CR8、HHI值越小时，市场竞争越激烈，网络口碑对电影票房的正向影响越弱。这说明随着CR4、CR8、HHI的值越小，电影市场集中化程度越低，市场竞争逐渐取代市场垄断，消费者可能更多依据自身的喜好选择电影，网络口碑的影响逐渐减弱。

表3 市场竞争对网络口碑与票房关系的调节作用Table 3 Moderating effect of market competition on the relationship between online word-of-mouth and box office

总体来讲，竞争程度对网络口碑与电影票房之间存在负向调节，竞争越激烈，网络口碑对电影票房的正向影响越弱。这说明当市场竞争越激烈时，可能会吸引更多消费者关注，消费者在面对众多的观影选择时，没有更依赖于网络口碑，而是依据自己的喜好选择电影，因此网络口碑对于电影票房的影响会减弱。

4. 异质性分析

网络口碑于电影票房有显著正向影响，而市场竞争存在负向的调节作用。然而，电影是典型的差异化产品，同时存在横向差异和纵向差异，对于不同的电影，这种影响是否存在差异需要进一步验证。本文分别从制片地区、续集和档期等3个角度，使用猫眼日评分SCOREM 与HHI的交互项考查电影差异给调节作用所带来的影响。回归结果见表4和表5。

表4 网络口碑对电影票房的异质性分析Table 4 Heterogeneity analysis of online word-of-mouth on film box office

回归结果显示，对于中国制片电影、非续集电影、非热门档期的电影来说，网络口碑对电影票房的影响会更强烈，市场竞争的调节作用也会更强烈。

第一，制片地区差异的影响。表4 的第1 列与第2 列结果表示，较于非中国制片影片，中国制片的影片猫眼日评分对于电影票房的影响程度更大，说明消费者在选择中国制片电影时更加依赖于网络口碑。从表5 的第1 列与第2 列结果来看，对于中国制片的电影，市场竞争对网络口碑和电影票房之间的关系存在显著的调节作用。出现这种结果可能是由于文化差异，中国消费者对进口电影的信息掌握程度较低，难以判断电影产品质量，因而在决定是否观看进口电影的时候，更依赖于网络口碑以外的信息获取渠道，因而网络口碑对电影票房的影响程度要低于中国制片的电影，而且这种影响可能不受竞争水平的影响，即无论电影市场竞争程度如何，消费者都高度依赖于通过其他渠道来判断电影产品质量，从而做出观影决策。

第二，续集差异的影响。表4 的第3 列与第4 列结果表示，当影片为非续集时，猫眼日评分与电影票房存在更显著影响关系，但与续集电影差异性不大。从表5 的第3 列与第4 列结果来看，对于续集电影与非续集电影，市场竞争对网络口碑和电影票房间的关系有着显著的调节作用。针对非续集电影，市场的调节作用会高一点。以上结果可能由于消费者对于是否续集电影这个信息不抱有信任，许多续集电影的制作成果不佳的情况，让消费者选择电影时更偏向于依据口碑信息。同理在市场竞争的调节下，消费者做观影选择时不受电影是否续集的影响，更多依赖电影网络口碑。

第三，档期差异的影响。表4 的第5 列与第6 列结果表示，当影片在非热门档期上映时，较于热门档期的电影，猫眼日评分对电影票房更具有显著正向影响。热门档期电影可能由于激烈的竞争，消费者不只通过网络口碑作出观影决定。从表5 的第5 列与第6 列来看，对于非热门档期的电影，市场竞争对网络口碑和电影票房间的关系有显著的调节作用。但对于热门档期的电影，回归系数不显著，市场竞争对网络口碑和电影票房之间可能不存在调节作用。出现这种结果可能是，热门档期时，电影市场上本就有很多的电影，市场竞争激烈，消费者难以选择电影，因而在决定是否观看时更依赖于多种渠道来了解电影信息等，因而网络口碑对电影票房的影响程度要低于非热门档期，而且这种影响可能不受竞争的影响，即无论电影市场竞争程度如何，消费者都依赖于通过多种渠道来了解电影。

三、结论与建议

本文使用2020年9月到2022年1月在中国上映的325部电影的每日票房和评分数据，实证研究竞争情况下网络口碑对电影票房的影响。研究表明，网络口碑对票房显著正向影响，地区、节假日对电影票房有显著正向影响，而续集、档期、演员对电影票房有显著负向影响；在不同的竞争水平下网络口碑对电影票房仍具有显著正向影响，竞争程度对网络口碑与电影票房之间存在负向调节，同天在映电影数对网络口碑与电影票房之间存在显著的负向调节，CR4、CR8、HHI 对网络口碑与电影票房之间存在显著的正向调节。异质性分析发现，由于电影间的差异网络口碑对电影票房的影响、市场竞争的调节作用会有不同。对于中国制片电影、非续集电影、非热门档期的电影来说，网络口碑对电影票房的影响会更强烈，市场竞争的调节作用也会更强烈。

根据上述结论，提出以下几点建议：

第一，由于网络口碑能对电影票房有影响，应该避免电影市场中水军打分影响票房的现象。网络口碑平台应该处于一定的监管之下，对于“刷分”“恶意打低分”等行为进行管理，以保证电影市场的公平竞争。

第二，影视公司要注意电影的口碑营销，适当对口碑进行引导，吸引消费者注意力。电影发行方在对电影进行口碑营销时，还要充分考虑到电影不同的特点。因为不同情况的电影网络口碑对于电影票房的影响程度不一样。例如，对于获奖导演指导的电影，网络口碑对电影票房影响更大，加强口碑宣传，有助于该电影获得竞争优势。

第三，同天在映电影之间存在竞争，那么在电影上映档期的安排上，应该避免直接的竞争，避免和网络口碑高的电影选择相同的档期。当无法避免与网络口碑高的电影竞争时，可以选择同天在映电影数量较多的时候，来冲淡高分电影带来的威胁。