基于IP品質(zhì)因子的早期電影票房預測研究

尹聰敏 竹翠 趙楓朝

摘 要：目前針對早期電影票房預測的研究較少，且預測精度不高。通過對中國電影票房市場的研究，發(fā)現(xiàn)隨著IP電影熱的興起，熱門小說IP改編成為電影票房的一大賣點。研究基于IP品質(zhì)的影響因子對電影票房預測的影響，選取電影票房預測中的3種經(jīng)典模型加以驗證，分別是多元線性回歸模型、支持向量機模型、BP神經(jīng)網(wǎng)絡模型。通過對比實驗得出增加IP品質(zhì)這一影響因子可使模型的R平方值得到提高。

關鍵詞：電影票房預測；多元線性回歸；支持向量機；BP神經(jīng)網(wǎng)絡；IP品質(zhì)

DOIDOI：10.11907/rjdk.181174

中圖分類號：TP301

文獻標識碼：A 文章編號：1672-7800（2018）010-0060-04

英文摘要Abstract：There are few studies on the prediction of the early movie box-office revenue，and the prediction accuracy is not high. Through the research of Chinese movie box-office market，we find that IP（Intellectual Property，IP） adaptation is a major selling point of movie box office.Therefore，we put forward the influence of IP quality factors on movie box-office prediction.Three classic models of movie box-office prediction are selected to be verified，which are multiple linear regression model，support vector machine model and BP neural network model.Through comparative experiments，it is concluded that the R square of the modelsare increased respectively by adding the influence factor of IP quality.

英文關鍵詞Key Words：movie box-office prediction；multiple linear regression ；support vector machine ；BP neural network ；IP quality

0 引言

不同國家和地區(qū)之間有著不同文化，而電影已成為文化交流的重要媒介。不僅如此，優(yōu)秀的電影能通過一則故事啟發(fā)人們對生活的思考，豐富人們的精神世界[1]。電影投資機構迫切希望利用高票房為電影贏得口碑，并獲取可觀利潤。然而，要評判一個電影是否具有高票房的潛質(zhì)，則需要對電影進行投資風險評估。因此，電影票房預測對于電影投資決策具有重要意義[2]。 在業(yè)界，根據(jù)所選自變量數(shù)據(jù)的性質(zhì)，將電影票房預測方法分為兩類：早期預測與實時預測。早期預測所需數(shù)據(jù)來自于電影本身，實時預測所需數(shù)據(jù)則與電影無關，而是來自網(wǎng)絡社交媒體對電影的評價[3]。本文主要研究早期電影票房預測，由于針對早期電影票房預測的研究相對較少，且預測精度不高，本文通過對中國電影票房市場的調(diào)查，發(fā)現(xiàn)隨著IP（Intellectual Property）電影熱的興起，根據(jù)熱門小說IP改編的電影是高票房的重要保障之一，因此將IP品質(zhì)因子作為電影票房預測的一個新加變量進行早期電影票房預測研究。

1 相關研究

上世紀80年代，西方學者開始進行電影票房相關問題的研究，他們不斷進行實驗，希望找出影響電影票房的因素，進而指導電影投資與拍攝。此后，很多學者也進行了電影票房預測研究，并取得了一些成果[4]。西方學者對電影票房的預測研究基本上形成了一套體系，但是精度不高，缺乏實際應用價值[5]。

Barry Litman[6]的電影票房預測模型在引入新增因素 MAPP、奧斯卡獲獎情況基礎上，利用回歸分析，經(jīng)過多次實驗得到一個基于多元線性回歸的電影票房預測模型。然而，該模型有很大的局限性，Barry采用電影租金收入代替電影票房，雖然電影票房與租金收入有一定關系，但仍存在差距。此后，Barman等[7]提出基于BP神經(jīng)網(wǎng)絡的電影票房預測方法，但其僅把電影類型作為自變量輸入，并且使用簡單的布爾型數(shù)值表示輸入輸出結果，這在實際應用時存在很大問題，僅提供了理論指導。近年來，很多學者也針對該領域進行了大量研究，如趙偉[8]提出一種基于粗糙集與支持向量機（Support Vector Machine，SVM）的電影票房預測模型，通過集合粗糙集強大的數(shù)據(jù)處理能力與支持向量機的分類機理，設計出基于粗糙集的支持向量機。然而由于粗糙集理論尚存在缺陷，該方法在嚴格的數(shù)學證明方面仍有待進一步研究。

通過調(diào)研發(fā)現(xiàn)，國內(nèi)針對電影票房預測的研究起步較晚，相關文獻較少。由于電影票房的影響因子很多，且沒有統(tǒng)一的量化標準，在獲取電影數(shù)據(jù)方面也有較大難度，從而使研究難度增大，導致電影票房預測研究進展相對緩慢。本文通過對中國電影票房市場的研究，發(fā)現(xiàn)近幾年根據(jù)熱門小說IP改編的電影是電影票房的一大保障，因此增加IP品質(zhì)作為電影票房預測的新加因子，以提高早期電影票房預測精度。

2 模型選取

用于進行電影票房預測的模型有多種，近年來隨著神經(jīng)網(wǎng)絡的興起，學術界多采用神經(jīng)網(wǎng)絡模型進行電影票房預測。本文選取3種最具代表性的預測模型，分別為線性回歸模型、支持向量機模型和BP神經(jīng)網(wǎng)絡模型。

通過觀察圖1可知，圖中有（d+l+1）q+l個參數(shù)需要確定：輸入層到隱藏層的d*q個權值、隱藏層到輸出層的q*l個權值與l個輸出層神經(jīng)元閾值。BP是一個迭代學習算法，在迭代的每一輪中采用廣義感知機學習規(guī)則對參數(shù)進行更新估計。

BP算法是一種最有效的多層神經(jīng)網(wǎng)絡學習方法。其基本思想為：在前饋網(wǎng)絡中，輸入信號經(jīng)輸入層輸入，通過隱層計算后由輸出層輸出，輸出值與標記值進行比較，若有誤差，將誤差由輸出層向輸入層反向傳播。在該過程中，利用梯度下降算法對神經(jīng)元權值進行調(diào)整。

3 變量研究

西方學術界對電影票房影響因素的研究起步較早，研究結果表明，演員、導演、檔期、發(fā)行商、分級、獲獎、制作成本等因素都會對電影票房造成影響。我國電影產(chǎn)業(yè)起步相對較晚，發(fā)展尚不成熟，在參考西方學術界的研究結果時要綜合考慮我國電影產(chǎn)業(yè)現(xiàn)狀。由于中西方文化差異以及不同的管理制度，在變量選取方面，要結合我國電影產(chǎn)業(yè)實際情況進行取舍。

3.1 因變量選取

本文因變量為電影票房，電影票房是一部電影放映期間的累計總收入。電影票房相關數(shù)據(jù)來源于電影票房數(shù)據(jù)庫，本文主要獲取年度票房中的電影數(shù)據(jù)。

3.2 自變量選取

本文選取以下幾個因素作為解釋變量。

（1） 主演和導演。由于對明星效應的量化比較模糊，因此本文參考比較權威的量化標準，如Litman[6]提出的根據(jù)主演和導演是否獲得奧斯卡等權威獎項，設定虛擬變量以衡量明星效應。在不同國家有不同的獎項劃分標準，根據(jù)獲獎重量級別將導演和主演劃分為3類。

（2） 電影類型。不同電影類型有不同的受眾人群，本文根據(jù)業(yè)內(nèi)通用標準對電影進行分類。在進行變量處理時，電影類型中含有愛情、動作、喜劇、科幻冒險時變量設為1，否則為0[13]。

（3）上映檔期。上映檔期決定了人們是否有充裕的時間觀看。作為影響票房成敗的一個重要因素，目前國內(nèi)電影放映時間被分為賀歲檔、五一檔、暑期檔等多個檔期。在這些檔期內(nèi)，影迷觀影活動會相對集中。因此，在檔期處理方面，熱門檔期取值為1，否則取值為0[13]。

（4）出品地區(qū)。由于進口電影在大陸市場受歡迎程度較高，出品地區(qū)對大眾選擇也產(chǎn)生一定影響。因此，在出品地區(qū)方面，國內(nèi)（包括港澳臺）出品取0，其余取1[13]。

（5）IP改編。近年來IP改編熱潮持續(xù)不斷[14]，優(yōu)質(zhì)IP為影視劇改編提供了高質(zhì)量內(nèi)容，并且具有大量粉絲基礎，所以根據(jù)IP改編的電影更容易產(chǎn)生高票房[15]。因此，根據(jù)暢銷小說改編的電影變量值取1，非改編電影即原創(chuàng)劇取0。

3.3 IP品質(zhì)

2015年，我國電影票房超過440億元，其中IP改編的電影票房為85.87億元，較2014年增長了121%，占2015年國產(chǎn)片票房的36.1%，比2014年的24.04%高出12個百分點。在2015年票房前10名中，IP電影占7部，其中票房過10億的有4部，說明IP改編在很大程度上影響著票房收入[16]。但是如何定義一個IP的影響力呢？本文將其稱為IP品質(zhì)?？紤]將IP品質(zhì)作為影響電影票房的一個新加因素，但由于條件限制，初步選取影響IP品質(zhì)的因素為：①熱門小說IP改編的知名度，用W表示；②相同IP系列電影的平均評分，用Avg表示。

4 實驗驗證

本文用于實驗的電影數(shù)據(jù)來源于電影票房數(shù)據(jù)庫（http：//58921.com/alltime）。電影票房數(shù)據(jù)庫可提供全國各院線包括電影票房在內(nèi)的多項權威數(shù)據(jù)，本文選取2015-2017年間的546部電影在中國內(nèi)地上映的票房及電影數(shù)據(jù)，作為本次實驗數(shù)據(jù)。在實驗模型選擇方面，本文選取3種具有代表性的模型：多元線性回歸模型、支持向量機模型、BP神經(jīng)網(wǎng)絡模型，主要調(diào)用機器學習中的sklearn庫構建不同模型進行實驗，采用70%作為訓練數(shù)據(jù)集，30%作為測試數(shù)據(jù)集。在回歸結果度量中，選用可解釋方差（R平方）的回歸評分函數(shù)作為評價指標。

通過實驗得到如圖2所示的回歸預測結果對比柱狀圖。分別是不加IP影響因子、新加IP改編因子、新加IP品質(zhì)3種情況下，回歸預測的R平方值。通過對比發(fā)現(xiàn)，增加是否為IP改編這一因子能提高R平方值，但由于其變量處理機制比較粗糙，所以通過參考貝葉斯投票機制計算出IP品質(zhì)，并在電影票房預測中新加IP品質(zhì)作為影響因子，將對電影票房的提高有較大影響。

5 結語

本文提出IP品質(zhì)因子，并采用3個有代表性的模型完成驗證性實驗，從而驗證了在早期電影票房預測中，通過新加IP品質(zhì)影響因子，可以使票房預測準確度得到提升。后續(xù)研究重點是基于本文提出的IP品質(zhì)計算方法，對其它影響因子進行合理量化，以進一步完善早期電影票房預測方法，從而幫助電影投資人規(guī)避投資風險，獲取最大利益，并對我國電影市場的發(fā)展起到一定推動作用。

參考文獻：

[1] GINSBURGH V A，THROSBY D.Handbook of the economics of art and culture[J].David Throsby，2006，32（1）：79-81.

[2] JEHOSHUA E，ELBERSE A，LEENDERS M A. The motion picture industry：critical issues in practice，current research，and new research directions[J].Marketing Science，2006（6）：638-661.

[3] 謝靜.基于微博數(shù)據(jù)的電影票房預測[D].保定：河北大學，2016.

[4] MARSHALL P，DOCKENDORFF M，IBEN··EZ S.A forecasting system for movie attendance[J].Journal of Business Research，2013，66（13）：1800-1806.

[5] SAWHNEYMS，ELIASHBERGJ.A parsimonious model for forecasting gross box-office revenues of motion picture[J].Marketing Science，1996，15（2）：113-131.

[6] LITMAN B R，KOHL L S.Predicting financial success of motion pictures：The ′80s experience[J].Journal of Media Economics，1989，2（2）：35-50.

[7] BARMAN D，CHOWDHURY N，SINGHA R K.To predict possible profit/loss of a movie to be launched using MLP with back-propagation learning[C].International Conference on Communications，Devices and Intelligent Systems，2013：322-325.

[8] 趙偉.基于粗糙集與支持向量機的票房預測研究[D].大連：大連理工大學，2009.

[9] GUO Y，GOH H L."I Have AIDS"：content analysis of postings in HIV/AIDS support group on a Chinese microblog[J].Computers in Human Behavior，2014，34（34）：219-226.

[10] 代亮，許宏科，陳婷，等.基于MapReduce的多元線性回歸預測模型[J].計算機應用，2014，34（7）：1862-1866.

[11] 丁世飛，齊丙娟，譚紅艷.支持向量機理論與算法研究綜述[J].電子科技大學學報，2011，40（1）：2-10.

[12] 聞新，張興旺，朱亞萍，等.智能故障診斷技術：MATLAB應用[M].北京：北京航空航天大學出版社，2015.

[13] 王一帆.我國電影票房影響因素分析[J].市場研究，2015（5）：30-32.

[14] 徐霞.著作權視角下的IP改編與影視產(chǎn)業(yè)發(fā)展[J].現(xiàn)代視聽，2016（6）：26-29.

[15] 熊芳.中國IP影視劇改編現(xiàn)狀研究[J].西安電子科技大學學報：社會科學版，2017（2）：136-140.

[16] 袁國寶.互聯(lián)網(wǎng)+IP如何深度挖掘IP價值[J].互聯(lián)網(wǎng)經(jīng)濟，2016（8）：12-15.

（責任編輯：黃 健）