在線影評對電影上映場次和票房收入的影響研究

郭愷強

(井岡山大學商學院，江西吉安343009)

在線影評對電影上映場次和票房收入的影響研究

郭愷強

(井岡山大學商學院，江西吉安343009)

隨著電子商務的飛速發(fā)展，在線影評已經成為消費者在選擇觀看電影過程中的重要信息源，也使得利用在線影評來預測電影票房收入成為了可能。為此，將在線影評數(shù)量、電影票房收入、電影上映場次作為內生變量，并借助聯(lián)立方程模型分析它們的相互關系，結果表明：在線影評數(shù)量和電影上映場次顯著正向影響電影票房收入；而電影票房收入和在線影評分值又對在線影評數(shù)量有顯著影響；在用戶影評和專家影評中，只有用戶影評分值顯著正向影響電影上映場次。

在線影評；口碑；聯(lián)立方程；電影票房收入

互聯(lián)網上的在線評論逐步成為消費者在選擇與購買過程中的重要信息源。 根據(jù)CNNIC 的調查顯示，71.1%網購消費者認為產品的在線評論是影響其購買決策的最主要因素。在線影評是指關于電影的在線評論，主要可以分為兩類：用戶影評和專家影評。 在電影行業(yè)，用戶影評一般由普通的電影觀眾發(fā)布，用戶影評更多地是表達自己的觀點，很少評價電影的技術和藝術。專家影評則一般由專業(yè)的影評人士發(fā)布，更多關注電影的技術和藝術方面，從而迎合“精英人士”的口味。[1]一部電影獲得截然不同的用戶影評和專家影評是很普遍的事情。研究發(fā)現(xiàn)用戶影評和專家影評對不同的消費者有不同的影響。[2]

近年來涌現(xiàn)大量針對在線影評與電影票房收入的研究，但在線影評對電影上映場次的影響卻沒有得到太多關注。電影上映場次是電影院在電影上映期間動態(tài)調整的，反映了賣家行為，因此針對在線影評對電影上映場次的影響研究，可以彌補在線評論與賣家行為關系研究的空白?？傮w來說，選擇電影行業(yè)有兩個優(yōu)勢：首先，電影是典型的體驗型產品，消費者難以在消費前掌握體驗型產品的真實質量，體驗型產品有書籍、音樂、食物等，因此消費者在做購買決策前，會更為依賴相關產品的在線評論。調查發(fā)現(xiàn) 53% 的電影觀眾根據(jù)來自其他觀眾的信息判斷電影的好壞。[3]其次，電影上映場次和電影票房收入的數(shù)據(jù)是完全公開的，而其它產品(如書籍、音樂)只公開銷售排名。因此以電影行業(yè)為背景展開研究，可大幅提高實證分析的準確度。

基于以上討論，本研究擬解決兩個問題：在線影評對電影上映場次與電影票房收入的影響機理；用戶影評和專家影評對電影上映場次以及票房收入影響上的異同。

一、文獻綜述

在線評論對產品銷量的影響已經被廣泛證實。在出版行業(yè)，Sorensen 和 Rasmussen (2004) 通過對《紐約時報》銷量的分析，發(fā)現(xiàn)評論數(shù)量是預測產品銷量最重要的因素，評論數(shù)量反映市場對產品的知曉度，甚至負面評論都會對銷量的增加有所幫助。[4]龔詩陽等(2013)通過研究當當網的大樣本面板數(shù)據(jù)，發(fā)現(xiàn)在線書評對圖書的銷量有顯著影響；其中，評論數(shù)量和評論效價對銷量有顯著的正向影響。[5]在酒店業(yè)，Ye等(2009)收集攜程網的酒店評論，利用線性回歸模型研究在線評論對酒店預訂量的影響。結果表明，評論的情感極性對酒店預定量有顯著影響。[6]Zhang 等(2009) 的研究表明關于食物質量、環(huán)境以及服務質量的評論分值，與評論數(shù)量一起顯著影響酒店的歡迎程度，而專家評論卻負向影響顧客瀏覽酒店網站的意圖。[7]在電視行業(yè)，Cadario(2014)通過收集tvbythenumbers.com網站上的數(shù)據(jù)，實證分析了在線評論對美國電視節(jié)目收視率的影響。結果表明，在線評論對收視率的影響是個倒“U”形，在線電視節(jié)目剛剛播映階段，在線評論對收視率的影響并不顯著，在中期階段在線評論對收視率的影響達到頂峰，隨后逐漸衰退。[8]在電影行業(yè)，Liu (2006)對于在線影評與電影票房之間的關系構建了線性回歸模型，實證結果發(fā)現(xiàn)，在線影評的數(shù)量比影評分值對票房收入具有更為顯著的解釋力。[9]Duan等(2008)通過建立聯(lián)立方程，分析了在線影評與票房的動態(tài)影響關系，結果證實，在線影評應為內生變量。影評既是票房的先導因素，也是票房的產出變量，兩者相互影響。影評數(shù)量的增加會提高票房，票房的增加也會帶來影評的增加。[10]楊揚(2015)通過格瓦拉網上電影評論的樣本面板數(shù)據(jù)，從在線評論數(shù)量、評論分數(shù)、星級評論三個角度，對在線評論和電影票房收入的關系展開實證分析，結果表明，評論數(shù)量對票房收入有顯著正向影響，并且影響效應隨時間呈現(xiàn)出拋物線的變化趨勢。星級評論對票房收入的影響主要發(fā)生在第 1周，并且一星級的負面評論對票房收入的影響大于五星級的正面評論。[11]

關于在線評論對賣家行為的影響，現(xiàn)有研究并不多。在照相機行業(yè)，Li 和 Hitt 發(fā)現(xiàn)在線評論會影響公司的定價行為；評價中等的產品，其價格浮動會更大。[12]在電影行業(yè)，Elberse 和 Eliashberg(2003)發(fā)現(xiàn)在線影評通過影響票房收入，從而影響電影上映場次的安排。[13]Karniouchina (2011) 則指出關于影星和電影的流言蜚語對電影上映場次有顯著影響。[14]

二、理論框架

現(xiàn)有研究中，Elberse 和 Eliashberg (2003) 把電影上映場次和電影票房收入作為內生變量，認為電影上映場次和電影票房收入有相互影響的關系，而把在線影評作為外生變量，并通過建立聯(lián)立方程模型分析證實了這種相互關系，即：高票房收入，將促使電影院安排更多的上映場次，同時額外的場次會帶來更多的票房收入。[13]然而，Duan等(2008)把在線影評和電影票房收入作為內生變量，把電影上映場次作為外生變量，構建聯(lián)立方程模型進行分析，結果表明電影票房收入和在線影評之間存在相互影響關系。

本文綜合了以上兩種觀念，認為電影票房收入、在線影評、電影上映場次都存在相互影響關系，且都應為內生變量。如圖1所示，高的票房收入會增加電影院對市場需求的期望，從而導致更多的上映場次被安排；另一方面，高的票房收入表示有更多的觀眾觀看過電影，意味著更多的人可以發(fā)表在線影評，而新增的在線影評將進一步提高市場對電影的知曉程度，從而吸引更多觀眾。最終，電影票房收入將因為在線影評數(shù)量和電影上映場次的增加而增加。

圖1 理論框架

本文研究對象的時間單位是從電影的上映到下線期間，而不是單日或單周。為此，本文收集的是累積匯總數(shù)據(jù)，即：電影票房總收入、在線影評總數(shù)、電影上映總場次；關于在線影評分值，以電影上映日最后一天的影評分值為準。另外，根據(jù)觀察，在線影評的數(shù)量和分值在上映六周后基本趨于穩(wěn)定。

三、假設

(一)關于票房收入的影響因素

在線影評影響票房收入的路徑有兩條。[9]一是意識效應，通過影評的擴散，促使更多消費者了解電影。市場研究者早已認同顧客對產品知曉是顧客確定購買的第一步, 在線評論的數(shù)量反映了市場對產品的知曉度，顯然，越高的知曉度，導致越多的銷售。大量研究證明在線評論的數(shù)量和產品銷量正相關。[4]二是誘導效應, 消費者通過閱讀在線影評對電影有新的認識，并重新估計觀看該電影的預期價值，一般而言正面的意見鼓勵消費，而負面的意見則阻礙消費。 現(xiàn)有的在線影評系統(tǒng)不僅提供文字評價的功能，還提供打分評價功能，并公開其匯總平均后的數(shù)值，即在線影評分值。因此，在線影評分值可以用來衡量影評的誘導效應。但是，大部分研究卻證實在線影評的分值對電影票房的影響并不顯著。[10]這正解釋了，無論是在好萊塢還是在國內，“叫座不叫好”的電影比比皆是。因此，本文提出以下假設：

H1:在線影評總數(shù)正向影響電影票房總收入。

在電影業(yè)，眾多研究證明了電影上映場次強烈影響票房收入，它反映了現(xiàn)實環(huán)境下觀眾對電影的實際可獲得性。[15][16]同時，我們的模型也考慮影響電影票房收入的傳統(tǒng)因素，如：電影投資額、電影等級(以美國電影協(xié)會MPAA的定級制度為標準)、是否為續(xù)集、明星號召力。因此，本文提出假設 H2和H3：

H2:電影上映總場次正向影響電影票房總收入。

H3：電影投資額、電影等級、明星號召力、電影續(xù)集正向影響電影票房總收入。

(二)關于在線影評的影響因素

顯然，產品銷量的增加意味著有更多顧客體驗過此產品，也預示著將有更多顧客有可能發(fā)表在線評論。以上現(xiàn)象符合產品擴散理論，即體驗過產品的消費者人數(shù)是產品口碑傳播的重要因素。[17]因此，本文假設：

H4：電影票房總收入正向影響在線影評總數(shù)。

另一方面，有學者認為，在線影評分值越高，越容易刺激對電影失望的觀眾發(fā)表負面影評，以便降低電影評價的總分值，達到他們報復制片方的目的。另外在線影評分值同時反映了觀眾滿意度，而滿意的消費者，有強烈的動機發(fā)表正面影評，來滿足自我提升的心理需求。[18]另外，為了分析用戶影評和專家影評對發(fā)表影評行為影響的差異，提出以下兩個假設：

H5a:在線用戶影評分值正向影響在線影評總數(shù)。

H5b:在線專家影評分值正向影響在線影評總數(shù)。

大牌明星總是擁有更多的擁躉，可以吸引更多的關注目光，同樣也伴隨著更多流言蜚語；以往的研究表明，明星的號召力和在線影評數(shù)量正相關。[14]因此，本文提出假設：

H6:明星號召力正向影響在線影評總數(shù)。

(三)關于電影場次的影響因素

調查表明，電影院一般每隔一周調整電影的上映場次，調整的依據(jù)主要是電影前期在市場上的表現(xiàn)。[19]另外， Karniouchina (2011) 指出網絡上關于電影明星和電影的話題越多，市場對電影的需求就越大，最終導致電影院安排更多的電影場次。[13]因此，本文提出以下假設：

H7: 電影票房總收入正向影響電影上映總場次。

H8: 在線影評總數(shù)正向影響電影上映總場次。

H9: 在線影評分值正向影響電影上映總場次。

為了分析在線用戶影評和在線專家影評對電影上映場次影響的差異，我們把假設H9分成兩個部分：

H9a: 在線用戶影評分值正向影響電影上映總場次。

H9b: 在線專家影評分值正向影響電影上映總場次。

最后，顯而易見電影上映時間越長，電影被安排的場次也可能更多。因此提出：

H10: 電影上映天數(shù)正向影響電影上映總場次。

四、研究方法

(一) 數(shù)據(jù)來源

本文的研究主要基于美國電影市場，一方面是因為美國的電影數(shù)據(jù)更為全面，另一方面是因為美國電影業(yè)更為成熟。本研究中的在線影評分值和在線影評數(shù)量的數(shù)據(jù)均來自IMDB網站，該網站是美國最受歡迎的電影評論網站。電影票房收入、電影上映場次、電影上映時間、電影投資額和電影等級的數(shù)據(jù)來自Box Office Mojo網站，而明星號召力是根據(jù)Forbes 網站發(fā)布的2013年100名人報告判定的，如果電影的主創(chuàng)人員出現(xiàn)在100名人列表中，則認為電影存在明星號召力。在收集數(shù)據(jù)的過程中，剔除了動畫電影、成人電影及票房或評論信息嚴重缺失的電影。最終樣本包括了美國 2013年度出品的120部電影。表1提供了電影樣本的統(tǒng)計描述。

表1 電影樣本的統(tǒng)計描述

(二)模型構建

根據(jù)收集的數(shù)據(jù)，發(fā)現(xiàn)上映場次、票房總收入、在線影評總數(shù)不存在線性相關性，兩兩之間相關系數(shù)均在0.5左右，而一般情況下大于0.8才被認為線性相關，可以分別對這三個變量構建模型。為了驗證以上假設，建立以下兩組聯(lián)立方程組。聯(lián)立方程組1:

LNREVENUE=α0+α1LNREVIEWS+α2LNSCREENS+α3LNBUDGET+α4STAR+α5SEQUEL+α6MPAAPG+α7MPAAR+μ1

(1)

LNREVIEWS=β0+β1LNREVENUE+β2LNUSERRATING+β3STAR+μ2

(2)

LNSCREENS=γ0+γ1LNREVENUE+γ2LNREVIEWS+γ3LNUSERRATING+γ4LNRELEASEDAYS+μ3

(3)

為了分析在線用戶影評和專家影評的差異，建立另外一組聯(lián)立方程組，在該方程組中用專家影評分值替代了用戶影評分值。聯(lián)立方程組2：

LNREVENUE=δ0+δ1LNREVIEWS+δ2LNSCREENS+δ3LNBUDGET+δ4STAR+δ5SEQUEL+δ6MPAAPG+δ7MPAAR+μ4

(4)

LNREVIEWS=θ0+θ1LNREVENUE+θ2LNCRITICRATING+θ3STAR+μ5

(5)

LNSCREENS=φ0+φ1LNREVENUE+φ2LNREVIEWS+φ3LNCRITICARTING+φ4LNRELEASEDAYS+μ6

(6)

表2 變量的解釋說明

另外，本文對所有連續(xù)型變量均取自然對數(shù)形式，這種變換有三個好處：一是符合多階段消費者購買決策過程的理論模型；二是盡可能將潛在的非線性關系變?yōu)榫€性關系；三是因為數(shù)據(jù)的對數(shù)化壓縮了變量的量綱，控制了潛在離群值的影響。表2是變量的解釋說明。

五、結果分析

在對模型進行估計之前，本文檢驗了上述聯(lián)立方程模型的階條件和秩條件，發(fā)現(xiàn)所有方程的階條件和秩條件均成立，說明所有方程是可識別的。另外，本文采用Hauseman(1978)確認檢驗方法進一步證實了方程的聯(lián)立性。[20]因此，本文采用三階段最小二乘法( 3SLS) 進行參數(shù)估計，估計結果呈現(xiàn)在表3中。所有方程的R2都大于0.6，表示擬合度較好。

(一)關于票房收入的影響因素

在兩個聯(lián)立方程組中，方程(1)和方程(4)同以電影票房總收入為因變量，且估計結果非常相似。影響電影票房總收入的首要因素是電影放映總場次，其次是在線影評總數(shù)，這再次證明評論數(shù)量的意識效應，即更多用戶討論某個產品，則其他用戶意識到產品的概率就越高，從而帶來更多銷量。因此，假設 H1和H2得到支持。

關于假設H3，只有電影投資額、明星號召力被證明和電影票房總收入正相關，而電影等級和電影續(xù)集對電影票房總收入沒有顯著影響。因此假設H3只被部分支持。高額投資意味著有力的市場推廣、極具票房號召力的演員、華麗的場景、精彩的動作戲，多方位增大用戶對電影的知曉和期望，最終導致高的票房收入。對于明星號召力，一方面、明星自身的影響力有助于提高電影的知名度，另一方面，由于觀眾對明星演技的認可，或相信明星對參演電影的慎重選擇，提高了觀眾對電影的期望。電影續(xù)集固然可以借助上集的影響力提高觀眾對電影的知曉程度，但是市場上不乏“狗尾續(xù)貂”的電影作品，大大降低了觀眾的期望，兩種效應的抵消，導致電影續(xù)集的影響不顯著。

(二)關于在線影評數(shù)量的影響因素

方程(2)和方程(5)都以在線影評總數(shù)為因變量。在兩個方程中，電影票房總收入和明星號召力都顯著正向影響在線影評數(shù)量，因此，假設H4和H6都得到支持。在方程(2)中，在線用戶影評分值的系數(shù)為1.3，說明在線用戶影評對在線影評數(shù)量的影響顯著且強烈。然而，在方程(5)中在線專家影評分值的系數(shù)下降到0.58, 說明相對于用戶影評分值，在線專家影評分值對在線影評數(shù)量的影響力較弱。因此假設H5a 和 H5b 都得到支持。這一結果與Duan等(2008)的實證研究結果相符[10]，但與Anderson (1998)的研究結果不一致。 Anderson指出滿意度和口碑之間是 U 型的曲線關系，當消費者對消費體驗的滿意度越極端時，其傳播口碑的可能性越大；而當消費者對消費體驗的感知較平淡時，即滿意或不滿意的程度不強烈時，消費者傳播口碑的可能性也較低。[21]

歸其原因，可能是因為，Anderson的研究是針對泛指的所有產品和服務的傳統(tǒng)口碑，而本文和Duan等(2008)的實證研究都是針對電影行業(yè)的網絡口碑，因此我們大膽推測，針對體驗型產品(如 電影、書籍、音樂等)，滿意的觀眾更愿意主動發(fā)表正面在線評論，不滿的觀眾則更趨于沉默，且用戶評論相對于專家評論可更準確地代表消費者的滿意度。[10]此猜測有待更多的后續(xù)證明。

(三) 關于電影場次的影響因素

方程(3)和方程(6)中都以電影上映總場次為因變量，且估計結果有以下三個共同點：首先，電影票房總收入對電影上映總場次有顯著正向的影響，因此假設H7得到支持；其次，在線影評數(shù)量對電影上映總場次的影響并不顯著，這個假設 H8不符；最后，電影上映時間對電影上映總場次有顯著正向影響，假設H10得到驗證。

另一方面，兩個方程的估計結果同時存在明顯不同，在方程(3)中，在線用戶影評分值對電影上映總場次有顯著正向的影響。然而，方程(6)的估計結果卻顯示，在線專家影評分值對電影上映總場次的影響并不顯著。因此，假設H9a得到支持, 而假設H9b 沒有得到支持。這意味著，電影院在安排電影場次的時候，更多是依據(jù)普通用戶對電影的評價，而不是專家或業(yè)界對電影的評價?？赡艿脑蚴?，在線用戶影評相對于專家影評能更準確地代表消費者對電影的滿意度。另外，Chakravarty等(2010)針對美國電影市場指出普通電影消費者(不經常觀影者)更多是被用戶影評所影響，而成熟電影消費者(經常觀影者)會更多地借鑒在線專家影評。[2]由于成熟電影消費者的數(shù)量要遠遠小于普通電影消費者，因而電影院主要是依據(jù)在線用戶影評來安排上映場次。

總的來說，估計結果(參見表3)證明了電影票房收入、在線影評、電影上映場次之間的相互關系。表4對假設檢驗結果作了匯總。

表3 估計結果

***p<0.01, **p <0.05.

表4 假設檢驗的結果匯總

六、結論

本文應用了計量經濟學的方法，構建了關于在線影評、電影票房收入、電影上映場次相互關系的聯(lián)立方程組。研究結果有力地證明了它們之間存在相互影響關系。

研究結果發(fā)現(xiàn)， 影響電影票房總收入的主要因素是電影放映總場次和在線影評總數(shù)，再次證明評論數(shù)量的意識效應，即更多用戶討論某個產品，則其他用戶意識到產品的概率就越高，從而帶來更多的銷量。其次，在線影評數(shù)量同時受到電影票房總收入和在線用戶影評分值的影響，表明在線用戶影評分值可通過在線影評數(shù)量間接影響票房收入。針對在線影評分值和在線影評數(shù)量這一正向關系，本文大膽推測，針對體驗型產品(如電影、書籍、音樂等)，滿意的消費者更愿意主動發(fā)表正面在線評論，不滿的消費者則更趨于沉默。最后，我們發(fā)現(xiàn)在線影評分值中只有用戶影評分值正向影響電影上映場次，證明了在線影評對電影院排片行為的影響。另外，在線影評數(shù)量雖然不直接影響電影院排片行為，但可通過影響電影票房收入間接作用于電影院排片行為。

根據(jù)本文的研究結果，提出如下建議以幫助企業(yè)的管理實踐。首先，企業(yè)應盡量提高產品的在線評論數(shù)量。 在線評論的數(shù)量反映了市場對產品的知曉度，顯然，越高的知曉度，則越多的銷售。大量研究證明在線評論的數(shù)量和產品銷量正相關。因此，商家應采取多種方式引導消費者發(fā)布評論。例如，淘寶商城部分商家為積極發(fā)表產品評論的消費者提供積分或其它獎勵；當當網為發(fā)表產品評論的消費者提供經驗值獎勵，并有機會獲得禮物或者抽獎機會；一號店設置發(fā)表買家體驗積分，積分可用來購買特惠產品或抽獎。網絡零售商的這些激勵措施有助于提高產品知名度，擴大產品的潛在市場。

其次，以往的大部分研究并未重視在線影評分值和票房收入的顯著影響關系。本文通過將在線影評數(shù)量設為內生變量，發(fā)現(xiàn)在線影評分值可通過在線影評數(shù)量間接地影響票房收入，從而證實在線影評的誘導效應。因此，電影發(fā)行方應盡全力提供高質量的電影，讓消費者獲得大于其所期望的價值，激發(fā)消費者的滿意情緒，從而發(fā)表更多的電影評論，最終提高市場對電影的知曉度，進而吸引更多的消費者。

最后,研究結果證實在線用戶影評對電影院排片行為的影響，這意味著，互聯(lián)網時代在線評論不僅是消費者購買產品的重要依據(jù)，同時也是企業(yè)營銷決策的重要參考。因此，企業(yè)不僅可以通過在線評論了解市場對自己產品的意見，還可以了解競爭產品在市場中的表現(xiàn)并加以分析，以此來預先判斷競爭對手下一步可能的營銷策略，提早采取應對措施。

本文的研究對象在線評論是一個相對新鮮的事物，且研究涉及多個學科，研究過程充滿挑戰(zhàn)，因此本研究仍然存在一些有待改進的地方， 需要繼續(xù)展開深入的研究。首先，本文中的研究未考慮時間因素，后續(xù)研究可以分析在線影評在不同時期內對票房和上映場次的變化。其次，近年來電影評論網站層出不窮，有時不同網站上對同一電影的評價大相徑庭，因此后續(xù)研究可以將在線影評來源納入到研究模型中，分析在線影評在不同平臺上的影響差異。最后，本文的研究是以電影行業(yè)為背景，而電影是典型的體驗型產品，研究結果是否同樣適用于搜索型產品，還有待進一步檢驗。

[1] Jong K.E. I., Christian B. Do consumer critics write differently from professional critics? A genre analysis of online film reviews[J]. Discourse, Context and Media, 2013, 2(2):75-83.

[2] 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(3): 185-197.

[3] Rosen E. The anatomy of buzz: how to create word of mouth marketing[M]. New York, NY: Random House Press, 2000.

[4] Sorensen A. T.，Rasmussen S. J. Is any publicity good publicity? A note on the impact of book review[R]. Stanford University and NBER Working paper,2004.

[5] 龔詩陽，劉霞，趙平，等．線上消費者評論如何影響產品銷量?——基于在線圖書評論的實證研究[J]．中國軟科學，2013(6)：171-183．

[6] Ye Q., Law R., Gu B. The impact of online user reviews on hotel room sales[J]. International Journal of Hospitality Management, 2009, 28(1): 180-182.

[7] Zhang Z. Q., Ye Q., Law R., Li Y. J. The impact of e-word-of-mouth on the online popularity of restaurants: A comparison of consumer reviews and editor reviews[J]. International Journal of Hospitality Management, 2010,29(4):694-700.

[8] Cadario R. The impact of online word-of-mouth on television show viewership: An inverted U-shaped temporal dynamic[J]. Marketing Letters, 2015, 26(4): 411-422.

[9] Liu Y. Word-of-Mouth for movies: Its dynamics and impact on box office revenue[J]. Journal of Marketing, 2006, 70(3):74-89.

[10] Duan W., Gu, B., Whinston A. B. The dynamics of online WOM and product sales-an empirical investigation of the movie industry[J]. Journal of Retailing, 84(2): 233-242.

[11] 楊揚. 網絡口碑對體驗型產品在線銷量的影響——基于電影在線評論面板數(shù)據(jù)的實證研究[J]. 中國流通經濟, 2015, 5(10): 62-67.

[12] Li X., Hitt L. M. Price effects in online product reviews: an analytical model and empirical analysis[J]. MIS Quarterly, 2010, 34(4): 809-831.

[13] 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(3): 329-354.

[14] 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(1): 62-74.

[15] Jones J.M., Ritz, C.J. Incorporating distribution into new product diffusion models[J]. International Journal of Research in Marketing, 1991, 8(2): 91-112.

[16] Swami S., Elisahberg J., Weinberg C.B. Silver Screener: A modeling Approach to Movie Screens Management[J].Marketing Science, 1999, 18(3):352-372.

[17] Mahajan V., Mulle E., Wind Y. New-product diffusion models[M]. Boston, MA: Kluwer Academic Publishers, 2000.

[18] Wangenheim F. V., Bayón T. The effect of word of mouth on services switching: measurement and moderating variables[J]. European Journal of Marketing, 2003, 38(9):1173-1195.

[19] De Vany A., Walls W.D. Bose-Einstein dynamics and adaptive contracting in the motion picture industry[J]. The Economic Journal, 1996, 106(439):1493-1514.

[20] Hausman J.A. Specification tests in econometrics[J]. Econometrica,1978, 46(6): 1251-1271.

[21] Anderson E.W. Customer satisfaction and word-of-mouth[J]. Journal of Service Research, 1998, 1(1): 5-17.

[責任編輯 李長成]

Research on Inter-Relationship among Online Review,Number of Screens and Box Office Revenue

GUO Kai-qiang

(School of Business, Jinggangshan University, Ji’an 343009, China)

This research studies the impact that online reviews has on seller’s behavior in the context of movie industry by taking advantage of its publicly available data. To this end, this paper develops a simultaneous equation system by regarding online reviews, box office revenue (product sales) and the number of screens (seller behavior) as endogenous variables. Compared with the prior studies, the result shows that number of screens and number of online reviews are positively correlated to box office revenue，box office revenue and online users’ rating have positive effect on number of online reviews. Besides, online users’ rating is positively associated with the number of screens, confirming that the online reviews have influence on seller’s behavior.

online reviews; online user reviews; online critic reviews; word-of-mouth; simultaneous equations; seller’s behavior

10.16088/j.issn.1001-6597.2016.06.008

2016-04-20

國家自然科學基金資助項目“在線評論對商家業(yè)績的影響研究：情感分析的視角”(71371144)；江西省教育廳科學技術研究課題一般基金項目“中文產品評論細粒度情感分析研究”(GJJ150783)

郭愷強 (1982-)，男，江西興國人，井岡山大學講師，管理學博士，研究方向：電子商務與商務智能。

F713.36

A

1001-6597(2016)06-0046-08