基于電影行業(yè)的在線口碑對(duì)商家行為影響的數(shù)據(jù)分析

郭愷強(qiáng)

（1．井岡山大學(xué)商學(xué)院，江西 吉安 343009；2．同濟(jì)大學(xué)經(jīng)濟(jì)與管理學(xué)院，上海 200092）

根 據(jù)Deloitte＇s Consumer Products Group的調(diào)查顯示，有67%的網(wǎng)民會(huì)瀏覽在線口碑，其中82%的人認(rèn)為在線口碑直接影響了他們的購(gòu)買決策。在線口碑逐步成為消費(fèi)者在選擇與購(gòu)買過(guò)程中的重要信息源，在線口碑也因此引起大量學(xué)者的關(guān)注。以電影行業(yè)為例，Dellarocas等采用修改的Bass Diffusion模型，利用在線口碑預(yù)測(cè)電影票房收入，結(jié)果表明，早期的在線口碑可以產(chǎn)生準(zhǔn)確的票房預(yù)測(cè)[1]（P23－45）。 Liu采用回歸法驗(yàn)證了在線口碑和電影銷售的關(guān)系，并發(fā)現(xiàn)在線口碑分值和電影票房并不顯著相關(guān)，但是口碑?dāng)?shù)量卻對(duì)電影票房顯著正向影響[2]（P74－89）。 同時(shí)Duan等認(rèn)為在線口碑和電影票房存在相互影響關(guān)系，把在線口碑和電影票房作為內(nèi)生變量，通過(guò)建立聯(lián)立方程發(fā)現(xiàn)，在線口碑分值并沒(méi)有明顯地影響票房收入，然而在線口碑?dāng)?shù)量則明顯影響票房收入[3]（P1007－1016）。 郝媛媛等以電影行業(yè)為背景，基于面板數(shù)據(jù)環(huán)境，研究了不同情感傾向的影評(píng)是否影響電影票房收入以及在電影發(fā)布后的什么階段存在影響，并進(jìn)一步比較了各情感等級(jí)的評(píng)論影響效應(yīng)的差異性。分析結(jié)果表明，僅在電影發(fā)布后第3周，在線影評(píng)的情感傾向?qū)﹄娪捌狈渴杖氪嬖陲@著影響，且這種影響超過(guò)在線影評(píng)數(shù)量的影響，口碑的勸說(shuō)功能發(fā)揮主要作用；極端好評(píng)（5星評(píng)論）的正向影響大于極端差評(píng)（1星評(píng)論）的負(fù)向影響，而中評(píng)（2－4星評(píng)論）沒(méi)有顯著影響[4]（P95－103）。

綜上所述，大量研究證實(shí)，在線口碑對(duì)產(chǎn)品銷量有顯著影響。但是在線口碑對(duì)商家行為的影響卻沒(méi)有得到太多關(guān)注。歸其原因，主要是因?yàn)樯碳倚袨殡y以測(cè)量，如：產(chǎn)品定價(jià)、促銷方式、產(chǎn)品質(zhì)量改進(jìn)等。幸運(yùn)的是，在電影行業(yè)中，電影上映場(chǎng)次的數(shù)據(jù)是公開(kāi)的，由于電影上映場(chǎng)次是電影院根據(jù)預(yù)期的市場(chǎng)需求進(jìn)行每周調(diào)整的。因此，我們可以把電影上映場(chǎng)次作為商家行為的測(cè)量指標(biāo)。選擇電影行業(yè)還有另外兩個(gè)優(yōu)勢(shì)，第一，相比于其它產(chǎn)品（如書(shū)籍、音樂(lè)）只公開(kāi)銷售排名，電影的票房收入也是完全公開(kāi)的，因此可大幅提高我們的測(cè)量準(zhǔn)確度。第二，口碑對(duì)電影票房的影響已經(jīng)被廣泛認(rèn)同。Rosen證實(shí)，53%的電影觀眾根據(jù)來(lái)自其他觀眾的信息判斷電影的好壞[5]（P22－29）。

基于以上討論，本文以電影行業(yè)為背景，研究在線口碑對(duì)商家行為的影響。另外，鑒于在線口碑包括用戶口碑和專家口碑兩種類型，兩種口碑是否對(duì)商家行為有相同的影響，也是本文研究的內(nèi)容之一。

一、研究假設(shè)

研究表明，電影票房收入存在自相關(guān)性，即前期的票房收入對(duì)后續(xù)的票房收入有影響，另外電影前期的票房收入也反映電影的市場(chǎng)需求，因此，電影院主要是根據(jù)電影前期在市場(chǎng)上的表現(xiàn)，來(lái)預(yù)測(cè)本周市場(chǎng)對(duì)此電影的需求，從而安排相應(yīng)的電影場(chǎng)次[6]（P1493－1514）[7]（P329－354）。 因此，本文提出以下假設(shè)：

H1：電影票房收入正向影響電影上映場(chǎng)次。

眾所周知，電影院主要是通過(guò)預(yù)測(cè)電影未來(lái)的市場(chǎng)需求來(lái)提前安排電影的上映場(chǎng)次，而市場(chǎng)需求又是消費(fèi)者購(gòu)買行為的匯總反映。因此，凡是會(huì)影響消費(fèi)者購(gòu)買行為的因素，都可能會(huì)被影院用來(lái)對(duì)未來(lái)市場(chǎng)需求的預(yù)測(cè)。

圖1 在線口碑影響消費(fèi)者購(gòu)買行為的路徑

Liu提出在線口碑影響消費(fèi)者購(gòu)買行為的路徑主要有兩條。如圖1所示，首先，意識(shí)效應(yīng)。消費(fèi)者對(duì)產(chǎn)品知曉是消費(fèi)者確定購(gòu)買的第一步。顯然，產(chǎn)品擁有知曉度越高，則銷量越多。而在線口碑?dāng)?shù)量反映了市場(chǎng)對(duì)產(chǎn)品的知曉度，同時(shí)通過(guò)口碑的擴(kuò)散，促使更多消費(fèi)者了解產(chǎn)品[2]（P74－89）。另外，Sorensen和Rasmussen通過(guò)對(duì)紐約時(shí)報(bào)的銷量分析，發(fā)現(xiàn)消費(fèi)者對(duì)產(chǎn)品的知曉度是影響銷量的重要因素之一，評(píng)論越多則消費(fèi)者意識(shí)到產(chǎn)品的概率越高，甚至是負(fù)面評(píng)論都會(huì)增加銷量[8]。Karniouchina也指出關(guān)于電影的談?wù)摂?shù)量，甚至是負(fù)面的流言蜚語(yǔ)，也會(huì)正向影響電影的市場(chǎng)需求[9]（P62－74）。 其次，誘導(dǎo)效應(yīng)。 口碑可以通過(guò)改變消費(fèi)者對(duì)產(chǎn)品的態(tài)度而改變消費(fèi)者購(gòu)買行為，即正面的意見(jiàn)鼓勵(lì)消費(fèi)者購(gòu)買此產(chǎn)品，而負(fù)面的意見(jiàn)則阻礙消費(fèi)者購(gòu)買?，F(xiàn)有的在線口碑聲譽(yù)系統(tǒng)都提供用戶在發(fā)表對(duì)產(chǎn)品口碑的同時(shí)對(duì)產(chǎn)品的質(zhì)量進(jìn)行打分評(píng)價(jià)，并公開(kāi)其匯總平均后的數(shù)值，即在線口碑分值。因此，在線口碑分值可以用來(lái)衡量口碑的誘導(dǎo)效應(yīng)。因此，本文認(rèn)為，高的在線影評(píng)數(shù)量和影評(píng)分值，會(huì)增加電影的市場(chǎng)需求，同時(shí)也提高電影院對(duì)未來(lái)市場(chǎng)需求的預(yù)期，最終導(dǎo)致影院增加電影的上映場(chǎng)次。因此提出假設(shè)H2、H3。

H2：在線影評(píng)總數(shù)正向影響電影上映場(chǎng)次。

H3：在線影評(píng)分值正向影響電影上映場(chǎng)次。

為了比較在線用戶影評(píng)和在線專家影評(píng)對(duì)影院行為的影響，我們把假設(shè)H3分成以下兩個(gè)部分。

H3a：在線用戶影評(píng)分值正向影響電影上映場(chǎng)次。

H3b：在線專家影評(píng)分值正向影響電影上映場(chǎng)次。

我們同樣考慮電影上映時(shí)間和電影投資預(yù)算對(duì)電影場(chǎng)次的影響。電影上映時(shí)間越長(zhǎng)意味著電影被安排更多場(chǎng)次的機(jī)會(huì)更大；電影投資預(yù)算越多表明電影發(fā)行方對(duì)影院場(chǎng)次安排上可施加的影響也越大。因此提出：

H4：電影上映天數(shù)正向影響電影上映場(chǎng)次。

H5：電影投資預(yù)算正向影響電影上映場(chǎng)次。

二、模型構(gòu)建

為了驗(yàn)證假設(shè)，我們用專家口碑分值和用戶口碑分值分別建立兩組回歸方程組。

另外，本文對(duì)所連續(xù)型變量均取自然對(duì)數(shù)形式，這種變換不僅與多階段消費(fèi)者決策過(guò)程的相關(guān)理論模型相符合，還可以平滑模型中變量的分布，使變量間關(guān)系趨于線性化。表1是變量的解釋說(shuō)明。

表1 變量的解釋說(shuō)明

鑒于美國(guó)電影業(yè)更為成熟，相關(guān)數(shù)據(jù)更為全面，因此本文的研究?jī)H基于美國(guó)電影市場(chǎng)。相關(guān)研究數(shù)據(jù)來(lái)源自以下三個(gè)網(wǎng)站：IMDB（www．IMDB．com），Box Office Mojo （www．boxofficemojo．com），和 Forbes （www．forbes．com）。 本 文 從 Box Office Mojo網(wǎng)站收集電影票房收入、電影上映場(chǎng)次、電影投資額、電影上映時(shí)間和電影等級(jí)的信息，并剔除了動(dòng)畫(huà)電影、成人電影以及票房或口碑信息嚴(yán)重缺失的電影。IMDB網(wǎng)站是美國(guó)最出名的電影口碑網(wǎng)站，本文從該網(wǎng)站收集電影在線口碑分值和在線口碑?dāng)?shù)量信息。表2提供了電影樣本的統(tǒng)計(jì)描述。

表 2 電影樣本的統(tǒng)計(jì)描述

三、結(jié)果分析

本文利用Eviews 6．0軟件對(duì)模型采用最小二乘法進(jìn)行參數(shù)估計(jì)。估計(jì)結(jié)果呈現(xiàn)在表3中。方程（1）和方程（2）都以電影上映總場(chǎng)次為因變量。比較兩方程的估計(jì)結(jié)果，有以下相似點(diǎn)：首先，影響電影上映總場(chǎng)次最為重要的因素是電影票房收入，這和假設(shè)H1相一致，再次證明影院在電影場(chǎng)次安排上首要參考的是電影前期的市場(chǎng)表現(xiàn)。其次，在線影評(píng)數(shù)量和電影上映總場(chǎng)次沒(méi)有顯著關(guān)系，因此否定了假設(shè)H2。歸其原因，口碑?dāng)?shù)量反映的是市場(chǎng)的意識(shí)效應(yīng)以及多少消費(fèi)者對(duì)產(chǎn)品有所認(rèn)知。大量研究證明在線口碑?dāng)?shù)量和產(chǎn)品銷量正相關(guān)。因此本文猜測(cè)，影院方偏向于通過(guò)借鑒電影票房來(lái)間接觀察了解市場(chǎng)對(duì)電影的意識(shí)效應(yīng)，此猜測(cè)有待更多的后續(xù)證明。最后，電影上映時(shí)間和電影投資預(yù)算正向影響電影上映總場(chǎng)次，證明了假設(shè)H4、H5。

另一方面，兩方程的估計(jì)結(jié)果同時(shí)存在明顯不同，在方程（1）中，在線用戶影評(píng)分值并不顯著正向影響電影場(chǎng)次。然而，在方程（2）中，一旦我們用專家口碑分值替代用戶口碑分值，專家口碑分值則顯著影響電影場(chǎng)次。這說(shuō)明，電影院在安排電影場(chǎng)次的時(shí)候，更多是借鑒專家對(duì)電影的評(píng)價(jià)，而不是普通用戶對(duì)電影的評(píng)價(jià)。因此，假設(shè)H3b得到支持，而假設(shè)H3a沒(méi)有得到支持。這一結(jié)果可以用Li和Chakravaty的研究進(jìn)行解釋，Li認(rèn)為，用戶口碑尤其是早期的用戶口碑大量來(lái)自于產(chǎn)品的粉絲，對(duì)產(chǎn)品有強(qiáng)烈的偏見(jiàn)，并不能真實(shí)地反映產(chǎn)品的質(zhì)量，因此專家口碑相對(duì)于用戶口碑更準(zhǔn)確地代表了市場(chǎng)對(duì)產(chǎn)品的滿意度[10]（P809－831）。 另外，Chakravarty針對(duì)美國(guó)電影市場(chǎng)指出經(jīng)常觀影者（成熟觀眾）會(huì)偏向于借鑒專家口碑，而不經(jīng)常觀影者更多是被用戶口碑所影響[11]（185－197）。而美國(guó)人平均每人每年看六次電影是中國(guó)人的近三十倍，正是因?yàn)槊绹?guó)電影市場(chǎng)主要為成熟觀眾，所以電影院主要是借鑒專家口碑來(lái)制定經(jīng)營(yíng)策略。不管怎樣，在線影評(píng)對(duì)影院行為的影響仍然得到了證明。

最后，模型（2）中調(diào)整的R2為0．61大于模型（1）的0．575，說(shuō)明模型（2）有更好的整體擬合效果，即模型（2）能更好的表示在線影評(píng)與電影上映場(chǎng)次的關(guān)系，因此模型（2）為最終模型。根據(jù)模型（2）的估計(jì)結(jié)果可知，影響電影上映場(chǎng)次最主要的因素仍然是電影票房收入，其系數(shù)為0．387，表示電影票房每增加1%，則上映場(chǎng)次提高0．387%；緊隨其后的是在線專家口碑分值，系數(shù)為0．306，意味著專家口碑分值每上升1%，則上映場(chǎng)次提高0．306%；其次是上映天數(shù)（0．253）和電影投資額（0．081）。而在線口碑?dāng)?shù)量和在線用戶口碑分值對(duì)上映場(chǎng)次沒(méi)有顯著影響。表4對(duì)假設(shè)檢驗(yàn)結(jié)果進(jìn)行了匯總。

表3 估計(jì)結(jié)果

表4 假設(shè)檢驗(yàn)的結(jié)果匯總

四、結(jié)論

本文應(yīng)用了計(jì)量經(jīng)濟(jì)學(xué)的方法，以電影行業(yè)為背景，構(gòu)建了關(guān)于在線口碑（以在線影評(píng)為代理變量）、商家行為（以電影上映場(chǎng)次為代理變量）相互關(guān)系的回歸模型。研究結(jié)果有力地證明了它們之間存在影響關(guān)系，并發(fā)現(xiàn)在線影評(píng)分值，尤其是在線專家影評(píng)分值正向影響電影上映場(chǎng)次，證明了在線口碑對(duì)商家行為的影響。另外，在線影評(píng)的數(shù)量卻對(duì)電影上映場(chǎng)次沒(méi)有顯著影響；最后，票房收入、電影投資預(yù)算均對(duì)電影上映場(chǎng)次有顯著影響。

根據(jù)本文的研究結(jié)果，提出如下建議以幫助企業(yè)的管理實(shí)踐。第一，由于本文證明了在線專家口碑對(duì)商家行為的影響，因此，商家不僅要關(guān)注網(wǎng)絡(luò)上與自己產(chǎn)品的相關(guān)口碑，同時(shí)也應(yīng)注意收集對(duì)手產(chǎn)品的口碑信息，尤其是專業(yè)人士對(duì)其產(chǎn)品的口碑，并加以分析，以此來(lái)預(yù)先判斷競(jìng)爭(zhēng)對(duì)手下一步可能的營(yíng)銷策略，提早做好應(yīng)對(duì)措施。第二，隨著在線口碑對(duì)產(chǎn)品銷量的影響被反復(fù)證明，越來(lái)越多的商家組織起專業(yè)的團(tuán)隊(duì)，對(duì)自身相關(guān)在線口碑進(jìn)行管理，并進(jìn)行合理引導(dǎo)來(lái)提高企業(yè)績(jī)效，但是大部分商家忽略了對(duì)競(jìng)爭(zhēng)對(duì)手以及行業(yè)伙伴在線口碑的合理干預(yù)。因此商家可以在避免惡意攻擊的基礎(chǔ)上，通過(guò)合理的引導(dǎo)其它商家的相關(guān)在線口碑，以促使整個(gè)市場(chǎng)的合理發(fā)展。例如：引導(dǎo)輿論更多關(guān)注競(jìng)爭(zhēng)產(chǎn)品的某個(gè)特征，從而改變競(jìng)爭(zhēng)對(duì)手在產(chǎn)品設(shè)計(jì)上的改變，提高市場(chǎng)上產(chǎn)品的差異性，避免惡性的價(jià)格戰(zhàn)。

基于上述分析，今后可以在以下方面展開(kāi)后續(xù)研究。首先，本文中的研究對(duì)象的時(shí)間單位是從電影的上映到下線期間，因此，后續(xù)研究可以收集以天或周為單位的電影票房、在線口碑、電影場(chǎng)次數(shù)據(jù)，從而探討它們隨著時(shí)間變化的動(dòng)態(tài)關(guān)系。其次，盡管電影票價(jià)和上映天數(shù)同樣屬于賣家行為，但是由于數(shù)據(jù)收集的便利，本文僅采用電影場(chǎng)次測(cè)量賣家行為。因此，后續(xù)研究可以加入電影票價(jià)和上映天數(shù)作為測(cè)量指標(biāo)，從而更精確地表示影院行為。最后，本文僅對(duì)電影這類體驗(yàn)型商品的在線口碑進(jìn)行了研究，結(jié)論是否可以推廣到其它商品（如圖書(shū)、游戲等），還有待進(jìn)一步檢驗(yàn)。因此，后續(xù)研究可復(fù)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，鄒鵬，李一軍，等．基于電影面板數(shù)據(jù)的在線評(píng)論情感傾向?qū)︿N售收入影響的實(shí)證研究[J]．管理評(píng)論，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．