基于社交媒體用戶評(píng)論和關(guān)注度的電影票房預(yù)測(cè)模型*

周明升，韓冬梅

（上海財(cái)經(jīng)大學(xué)，上海 200433）

0 引言

商品經(jīng)濟(jì)以來(lái)，口碑被公認(rèn)為是信息傳遞的有效來(lái)源，特別是對(duì)體驗(yàn)型商品而言[1-2]。隨著信息技術(shù)的發(fā)展，人與人之間的信息傳遞方式發(fā)生了很大改變，人們可以通過計(jì)算機(jī)網(wǎng)絡(luò)，借助在線客戶評(píng)價(jià)系統(tǒng)，在前所未有的范圍內(nèi)實(shí)時(shí)方便地獲取公司、產(chǎn)品或服務(wù)的信息，并可以方便地交換意見[3]。網(wǎng)絡(luò)成為觀眾評(píng)論的重要媒介，網(wǎng)絡(luò)環(huán)境下，網(wǎng)絡(luò)口碑活動(dòng)效率高、靈活、不受地域限制，于是被越來(lái)越多地認(rèn)同和開展。

對(duì)在線聊天、微博、推特、在線評(píng)論系統(tǒng)等社交媒體口碑研究的文獻(xiàn)大量出現(xiàn)，但其研究結(jié)果卻是多樣的，有的研究認(rèn)為其作用很大[4]；有的研究卻對(duì)這種觀點(diǎn)提出挑戰(zhàn)[1，5-7]，如在線評(píng)論的說(shuō)服作用（Persuasive Effect）和認(rèn)知影響（Awareness Effect）的爭(zhēng)論、口碑作為外生還是內(nèi)生變量的爭(zhēng)論、所選樣本的異質(zhì)性問題等。

本文擴(kuò)充了對(duì)用戶行為的描述，將用戶行為作為內(nèi)生變量進(jìn)行研究，解決了數(shù)據(jù)異質(zhì)性問題。本文以電影產(chǎn)業(yè)為例，不僅考慮用戶評(píng)論，還引入了用戶關(guān)注度指標(biāo)，通過聯(lián)立方程來(lái)描述在線用戶行為的雙重作用，來(lái)評(píng)估在線用戶評(píng)論、用戶關(guān)注度的說(shuō)服作用和認(rèn)知影響；分析用戶行為與銷量的相互關(guān)系，同時(shí)分析了行為本身的特點(diǎn)。為消除不同樣本集數(shù)據(jù)的異質(zhì)性，本文研究的用戶評(píng)論、用戶關(guān)注度與產(chǎn)品銷量是同一樣板（Panel）數(shù)據(jù)集。本文的聯(lián)立方程利用樣板數(shù)據(jù)結(jié)果和雙向因果關(guān)系，構(gòu)建了預(yù)測(cè)模型，提供在線用戶評(píng)論真實(shí)影響的度量。

1 理論假設(shè)

前人的理論和實(shí)驗(yàn)研究[1，6，8]表明了口碑?dāng)?shù)量與產(chǎn)品銷量的正相關(guān)關(guān)系：用戶口碑（用戶評(píng)論數(shù)和用戶關(guān)注度）對(duì)票房收入有積極影響；同時(shí)，電影票房是自相關(guān)的，即近期票房較高的電影接下來(lái)票房仍然比較高，這些結(jié)論不再贅述。本文對(duì)相關(guān)假設(shè)進(jìn)行了擴(kuò)展，增加了如下假設(shè)：

假設(shè)1（H1）用戶評(píng)分對(duì)票房收入有積極影響。

把用戶評(píng)分分為兩種：累計(jì)評(píng)分和本周評(píng)分，H1變化為：

H1a：累計(jì)用戶評(píng)分對(duì)票房收入有積極影響；

H1b：每周用戶評(píng)分對(duì)票房收入有積極影響。

假設(shè)2（H2）口碑是過去銷售的產(chǎn)出，票房收入對(duì)口碑有積極影響。

用用戶評(píng)論數(shù)/發(fā)帖數(shù)量、用戶關(guān)注度（搜索量）來(lái)刻畫用戶口碑，H2變?yōu)椋?/p>

H2a：票房收入對(duì)用戶評(píng)論數(shù)有積極影響；

H2b：票房收入對(duì)用戶關(guān)注度有積極影響。

假設(shè)3（H3）用戶評(píng)論數(shù)量是自相關(guān)的，即最近帖子量的增加極有可能引起用戶評(píng)論增加。

假設(shè)4（H4）用戶關(guān)注度是自相關(guān)的，即最近搜索量的增加極有可能引起用戶搜索量增加。

2 模型建立

2.1 數(shù)據(jù)描述

本文中的數(shù)據(jù)主要有三類：（1）電影及票房信息：從電影網(wǎng)（http：//www.m1905.com/）獲得電影及票房信息，匯總得到當(dāng)周票房、當(dāng)周累計(jì)票房。（2）電影評(píng)論信息：從時(shí)光網(wǎng)（http：//www.mtime.com/）獲取電影評(píng)論數(shù)據(jù)，匯總得到各周評(píng)價(jià)數(shù)、各周平均評(píng)分、各周累計(jì)評(píng)價(jià)數(shù)、各周累計(jì)評(píng)分。（3）用戶指數(shù)信息：從百度指數(shù)查詢（http：//index.baidu.com）獲取電影用戶關(guān)注度信息，匯總得到每周用戶關(guān)注指數(shù)。

各指標(biāo)變量名稱及定義如表1所示。

表1 指標(biāo)變量名稱及定義

選取了2011年至2013年的52部電影 （國(guó)產(chǎn)影片27部，進(jìn)口影片25部，這52部電影的國(guó)內(nèi)總票房均在前100名內(nèi)）放映期內(nèi)的342組數(shù)據(jù)。

2.2 實(shí)驗(yàn)?zāi)Ｐ?/h3>

電影在內(nèi)地的上映周期為6～10周 （樣本中平均為7.17周），取前 8周（上映周期不足8周的，以實(shí)際上映周數(shù)為準(zhǔn)）。分三步進(jìn)行實(shí)驗(yàn)。

（1）每周票房與用戶評(píng)論、評(píng)分之間的關(guān)系：與本周評(píng)論數(shù)、評(píng)分，上周評(píng)論數(shù)、上周評(píng)分（WEEKLYGRADEi，t-1）/上周累計(jì)評(píng)分（CMUGRADEi，t-1）之間的關(guān)系，模型如下：

模型1.1

其中，i為電影數(shù)，i=1，2，…，N；t為上映周，t=1，2，…，T。

模型1.2

其中，i為電影數(shù)，i=1，2，…，N；t為上映周，t=1，2，…，T。

（2）每周評(píng)論數(shù)與票房、評(píng)論數(shù)、評(píng)分、關(guān)注度之間的關(guān)系：與本周票房、評(píng)分、關(guān)注度，上周評(píng)論數(shù)、評(píng)分、關(guān)注度之間的關(guān)系，模型如下：

模型2

（3）每周用戶關(guān)注度與票房、評(píng)論數(shù)、評(píng)分、關(guān)注度之間的關(guān)系：與本周票房、評(píng)分、評(píng)論數(shù)，上周評(píng)論數(shù)、分?jǐn)?shù)、用戶關(guān)注度之間的關(guān)系，模型如下：

模型3

3 結(jié)果與分析

通過Eviews 6.0建立樣板數(shù)據(jù)集，運(yùn)行上述模型。首先進(jìn)行協(xié)整檢驗(yàn)，確保其符合線性回歸要求，然后進(jìn)行回歸，結(jié)果如圖1所示（限于篇幅，協(xié)整檢驗(yàn)結(jié)果略）。

圖1 模型1.1、模型1.2運(yùn)行結(jié)果

圖1結(jié)果表明，每周票房與本周評(píng)分、本周評(píng)價(jià)數(shù)、本周關(guān)注度正相關(guān)，與上周評(píng)分/上周累計(jì)評(píng)分、上周評(píng)價(jià)數(shù)、上周關(guān)注度負(fù)相關(guān)。在消除了用戶評(píng)價(jià)的內(nèi)生性和產(chǎn)品的異質(zhì)性后，用戶評(píng)分僅作為票房收入的表現(xiàn)，不再顯著影響票房收入。用戶評(píng)分只是票房收入的反映，并不對(duì)票房收入產(chǎn)生影響，即假設(shè) 1（H1）是不成立的，高評(píng)分未必帶來(lái)高票房。

模型2、模型3的運(yùn)行結(jié)果分別如圖2、圖3所示。

圖2 模型2的運(yùn)行結(jié)果

圖3 模型3的運(yùn)行結(jié)果

從圖2和圖3可以得出以下結(jié)論：

（1）在p<0.01的置信水平下，每周評(píng)價(jià)數(shù)與本周票房正相關(guān)，每周用戶關(guān)注度與本周票房是正相關(guān)的，驗(yàn)證了假設(shè) 2（包括 H2a和 H2b），即票房收入對(duì)口碑（以用戶評(píng)價(jià)數(shù)和用戶關(guān)注度為指標(biāo)）有積極影響。

（2）在p<0.01的置信水平下，每周評(píng)價(jià)數(shù)與上周評(píng)價(jià)數(shù)正相關(guān)，驗(yàn)證了假設(shè) 3（H3），即每周評(píng)論數(shù)是自相關(guān)的，最近帖子量的增加極有可能引起接下來(lái)用戶評(píng)論的增加。

（3）在p<0.01的置信水平下，每周用戶關(guān)注度與上周用戶關(guān)注度正相關(guān)，驗(yàn)證了假設(shè) 4（H4），即每周用戶關(guān)注度是自相關(guān)的，最近搜索量的增加極大可能引起接下來(lái)搜索量的增加。

4 結(jié)論

本文研究的是社交媒體用戶行為對(duì)產(chǎn)品銷售的影響，通過電影票房及在線口碑?dāng)?shù)據(jù)來(lái)觀測(cè)在線口碑影響及其特質(zhì)。定立了聯(lián)立方程，通過樣本數(shù)據(jù)來(lái)獲取在線口碑與電影票房之間的關(guān)系?？梢园l(fā)現(xiàn)，票房收入與在線用戶人氣（評(píng)價(jià)數(shù)、用戶關(guān)注度）是顯著相關(guān)的，而用戶評(píng)分通常是票房收入的反映，并不顯著影響票房，即高評(píng)分并不一定獲得高票房。這一研究結(jié)果是有趣的，它表明用戶有自己的判斷力，有能力自己判斷產(chǎn)品的好壞，而不被口碑的說(shuō)服作用影響；另一方面，受到用戶口碑的認(rèn)知作用影響，高人氣帶來(lái)高知名度，往往帶來(lái)高銷量。

用戶評(píng)論、用戶關(guān)注度（搜索量）作為在線口碑的表現(xiàn)形式，本文分析了它們的特質(zhì)。在線用戶口碑表現(xiàn)出明顯的自相關(guān)性，即最近評(píng)論數(shù)的增加具有可能引起接下來(lái)用戶評(píng)論的增加，最近搜索量的增加極有可能引起接下來(lái)用戶搜索量的增加。電影銷量對(duì)在線口碑有顯著影響，即電影票房的增加往往帶來(lái)用戶評(píng)論、用戶關(guān)注度的增加。

本文構(gòu)建了基于社交媒體用戶行為的產(chǎn)品銷量預(yù)測(cè)模型，對(duì)在線口碑特質(zhì)進(jìn)行了分析，研究具有良好的現(xiàn)實(shí)意義。以電影產(chǎn)業(yè)為例，通過前期的策劃，可以帶來(lái)較高的網(wǎng)絡(luò)人氣，也往往帶來(lái)較高的銷量，但通過提高電影評(píng)級(jí)卻無(wú)法帶來(lái)更高的銷量，這為電影服務(wù)商策略提供了參考。通過稍加改動(dòng)，這一模型可以擴(kuò)展至其他行業(yè)、其他企業(yè)。

[1]GODES D，MAYZLIN D.Usingonlineconversationsto study word of mouth communication[J].Marketing Science，2004，23（4）：545-560.

[2]GRANOVETTER M.The strength of weak ties[J].American Journal of Sociology， 1973，78（6）：1360-1380.

[3]DELLAROCAS C.The digitization ofword ofmouth：promise and challenges of online feedback mechanisms[J].Management Science， 2003，49（10）：1407-1424.

[4]Chen Yubo， FAY S， Wang Qi.Marketing implications of online consumer product reviews[J].Information Technology and Management， 2003，9（3）：201-214.

[5]Chen Peiyu， Wu Shiyi， YOON J.The impact of online recommendations and consumer feedback on sales[C].Proceedings of the International Conference on Information Systems，2004：711-724.

[6]Liu Yong.Word of mouth for movies：its dynamics and impact on box office revenue[J].Journal of Marketing， 2006，70（3）： 74-89.

[7]Duan Wenjing， Gu Bin， WHINSTON A B.Do online reviews matter？-An empirical investigation of panel data[J].Decision Support Systems， 2008，45（4）：1007-1016.

[8]MCFADDEN D L， TRAIN K E.Consumer′s evaluation of new products：learning from self and others[J].Journal of Political Economy， 1996， 104（4）： 683-703.