電影票房影響因素分析

程糧君

摘要：我國自實施電影產業(yè)化改革以來，電影票房市場規(guī)模在不斷擴大，影院數量、觀影人次和人均觀影頻次明顯提升，電影產業(yè)實現了跨越式發(fā)展。然而2016年電影票房增速出現了十四年來的最低點，2017上半年的電影票房也不盡如意，此外，2017年3月實施的《電影產業(yè)促進法》也將會對電影市場產生深遠影響。文章選取2016-2017上半年票房過億元的80部電影，以多個因素作為指標，建立多元線性回歸模型，運用SPSS軟件進行分析，對電影票房的影響因素進行顯著性檢驗，以求對中國電影產業(yè)的發(fā)展有所幫助。

關鍵詞：電影票房 線性回歸 SPSS 影響因素

研究背景

電影作為極具藝術審美性的服務型產品，生命周期短暫，受眾偏好較難把握，屬于典型的體驗型商品，這些特性決定了電影票房的影響因素與其他商品有所不同，對電影票房預測的不確定性程度更高。分析電影票房的因素，對于提升國產電影軟實力，推動中國文化走出去具有重要意義，本文根據電影類型、口碑等諸多因素，選取2016年到2017年票房過億元的80部國產電影作為研究樣本，設立多元線性回歸模型對票房的影響因素進行定量分析研究。

現有電影票房影響因素研究方法介紹

一、國外研究。國外的電影市場發(fā)展較早，對于電影票房的研究也相對成熟，由于在上世紀80年代，電影票房并不是容易獲得的數據，因此美國電影經濟專家巴瑞·李特曼在他的研究模型中，以電影租金收入代替電影票房作為因變量。他一共搜集了1981年至1986年在美國上映的697部電影的租金收入作為樣本。同時，李特曼將影響電影票房的影響因子分為三大類型：創(chuàng)意、發(fā)行或上映、營銷能力，而在每個類型之中又下分為若干子項目。見表1。

接著，李特曼將表中所述自變量與因變量（電影收入）進行層次回歸的分析方法，得到的了一個回歸方程式：Y=-28.482×106+7.232×106頂級導演+14.846×106明星+11.818×106科幻+13.858×106續(xù)集+24.932×106奧斯卡提名-4.966×106劇情+6.972×106影評+3.814×106大發(fā)行公司。根據這個方程式，李特曼對當時上映電影的票房進行了相對準確的推算，這個模型也是后來各種票房預測多元回歸模型的基礎。到了1994年，蘇凱提出了基于李特曼的改進版票房預測模型。在蘇凱的預測模型中，因變量不但有電影租金收入，還增加了放映周數的預測。同時，他在李斯特研究的基礎上將自變量進一步細分，由原本的14個影響因子增加至22個，最重要的增加項目是銀幕數與市場集中度。市場集中度是指不同放映時期的市場競爭強度，即市場集中度=排名前四或前十的電影的一周票房/當周所有電影的總票房。比值越大，則市場集中度越高，在該周上映電影的市場競爭也越強。

二、國內研究。在國內，對于現有票房研究多以經濟學和統計學的方法居多，如使用最小二乘法來進行回歸分析，這種方法較為傳統，還有的學者在最小二乘法的基礎上進行更為復雜的數據分析方法，如王錚采用Logit模型來對票房的影響因素進行實證研究，胡小莉采用線性回歸模型來分析，張玉松采用加權最小二乘法估計電影票房，張洋引用白石信子提出的影視文本要素研究模型來對電影票房進行內容分析，綜合國內外的實證方法研究，基本上以最小二乘法和線性回歸方法等定量分析的方法來分析影響電影票房因素?；谝酝鶎W者的研究，本文采用多元線性回歸分析，來對電影票房的影響因素進行定量分析，然后對各類指標分別進行分析加以比較。

在因變量的選取中，大部分學者都采用電影票房作為因變量，在自變量的選取中，盧文景選擇了導演、主角、類型、消費者關注、檔期、發(fā)行能力作為自變量，張玉松選擇了投資、質量、導演、演員、續(xù)集、盜版這幾個指標作為自變量，還有的學者如王錚引進了票價和居民收入作為自變量。本文將自變量劃分為生產環(huán)節(jié)、上映環(huán)節(jié)、消費者因素、市場因素和地域因素這五種類型進行研究。其中電影的導演、主演和類型歸為生產環(huán)節(jié)，檔期歸為上映環(huán)節(jié)，網絡評分、用戶期待度和評價人數歸為消費者因素，票價歸為市場因素，一線、二線、三線、四線城市的票房歸為地域因素，將各因素當做自變量，電影總票房為因變量，建立多元線性回歸模型，并對五類因素分別進行顯著性檢驗，運用spss軟件進行分析，對電影票房進行價值評估研究。

模型建立

筆者選取以下指標作為自變量，并將這些指標進行量化處理、編碼處理。導演影響力以導演的作品數量為衡量標準，主演影響力以前三位主演獲獎提名數為準；在類型上對不同類型進行編碼處理，1=喜劇，2=動作，3=劇情，4=愛情，5=懸疑，6=動畫，其他變量的選擇標準具體見表2。

根據表1的指標建立多元線性回歸模型，以Y代表電影總票房（億元），其公式為：Y=C+電影導演影響力。β1 +電影主演影響力。β2 +電影類型。β3 +網絡評分。β4 +用戶期待度。β5 +評價人數。β6 +票價。β7 +電影檔期。β8 +一線城市票房。β9+二線城市票房。β10+三線城市。β11+四線城市。β12+u。其中C為常量，u為絕對誤差。

模型分析

本文利用八爪魚采集器抓取2016年到2017年票房過億的80部國產電影數據，選取標準：第一，以票房過億元作為量化標準具有代表性。第二，2016年內地電影票房增速整體遭遇滑鐵盧，甚至達到了電影產業(yè)化改革14年來的最低速，2017年實行《電影產業(yè)促進法》勢必對電影票房產生影響，選取樣本具有典型性。第三，這80部電影數據易采集，且具有時效性。利用spss軟件，對多元線性回歸模型進行最小二乘法估計，結果見表3、表4。

從表3和表4可以看出，模型基本上通過了T檢驗，擬合度達到了97%表示擬合較好，但檔期、評價人數、主演影響力、一線城市票房和四線城市票房這幾個指標沒有通過檢驗，所以所建模型存在問題，需要進行調試。經過調試后，剔除沒有通過檢驗的指標，對導演影響力、類型、票價、用戶期待度、網絡評分、二線城市票房、三線城市票房進行重新回歸分析，得出結果見表5和表6。

經過剔除某些變量，從表5和表6可以看出回歸方程和變量都通過了顯著性檢驗，也就是說sig<0.05，擬合度也就是R方達到了97%，因此根據分析結果，得到影響票房因素的多元線性回歸方程如下：Y=4.591+0.02。用戶期待度-0.153。票價+0.134。評分+0.132。電影類型-0.724。導演影響力-0.072。二線城市票房+4.005。三線城市票房。

由表4數據可以看出，就通過顯著性檢驗的變量結果來看，屬于電影生產環(huán)節(jié)因素有2個，屬于地域因素的有2個，屬于消費者因素有2個，屬于市場因素的有1個。

在對以上指標進行總體回歸分析以后，緊接著對電影生產環(huán)節(jié)、消費者因素、市場因素和地域因素分別進行顯著性檢驗。

一、電影生產環(huán)節(jié)。電影生產環(huán)節(jié)的自變量包括導演、主演和電影類型，將這三個因素與電影票房進行顯著性分析，得出表7，從sig.可以看出生產環(huán)節(jié)的因素對電影票房的影響是顯著的（sig.<0.05），而在表2的回歸模型分析中，主演影響力并沒有通過顯著性檢驗，通過對所選80部電影的進一步梳理分析，高票房電影基本上都有明星演出，而此因素沒有通過檢驗的原因可能是改編電影的影響，一些由IP改編的電影并沒有明星參演，如《誰的青春不迷茫》《大魚海棠》《十萬個冷笑話2》等電影，這些電影的票房收入基本來源于IP本身的影響力。

二、消費者因素。在對消費者因素三個指標進行顯著性分析后，得出的結果見表8，可以看出消費者因素對電影票房的影響是顯著的（sig.=.000<0.05），而在調整后的回歸分析表5中可以看出用戶期待度和評分的顯著性值均小于0.05，也就是說，電影的內容如果能夠滿足觀眾的期待度，符合觀眾的觀影口味，那么電影的票房自然會走高。

三、地域因素。從表4可以看出地域因素的兩個指標通過了顯著性檢驗，這也從下面的表9可以得到驗證，而表4中的一線票房和四線票房沒有通過檢驗的原因可能有這幾點。首先是一線城市的觀眾觀影品位較高，而且一線城市的工作壓力較大，生活節(jié)奏較快，使很多一線城市的觀眾沒有時間和精力到電影院看電影。其次從市場發(fā)展階段到消費能力來看，二三線城市仍處于增長期，一線城市的消費能力較為疲軟，而四線城市消費人群普遍收入較低，對票房的貢獻率不高也是理所當然。

四、市場因素。對市場因素進行顯著性分析得出表10，可以看出通過了檢驗，表明票價對電影票房的影響是顯著的，也說明了一些電影高票房高票價的現象依然存在，如《美人魚》《西游記之孫悟空三打白骨精》《英倫對決》等電影平均票價達37元，這反映出在電影票房市場中影院具有比較大的市場力。

研究結論

國內學界對電影產業(yè)的研究大部分還是將電影看做一門藝術，尤其是缺乏對電影產業(yè)的實證研究。根據以上的樣本數據分析，可以看出電影生產環(huán)節(jié)，消費者因素和地域因素對電影票房的影響較為顯著，分別有兩個指標通過顯著性檢驗。隨著國內電影票房收入日益增加，人們的觀影品位越來越高，電影制作人應該在注重經濟效益的同時也要顧及影片質量，不能總是燒錢請明星來獲取關注度，使國產電影市場充斥著許多爛片，不利于國產電影良好生態(tài)的維護。2016年國內整個電影票房增速陷入低迷，出現14年以來的最低增速，而一向只顧票房不顧質量的跨界導演郭敬明，在新片《爵跡》僅收獲3億多元票房，不敵之前的《小時代》系列，這也說明僅僅靠明星就能贏得高票房的手段已經失靈了，而2017年3月實施的《電影產業(yè)促進法》明確要保障電影質量，維護國產電影良好生態(tài)。此外，從地域因素的幾個指標來看，一線城市的票房逐漸下移到二三線城市，二三線城市觀眾成為電影票房收入的主力軍，隨著渠道的下沉和人們消費能力的提高，電影發(fā)行商應著重考慮二三線城市的院線，充分發(fā)掘二三線城市的票房潛力。（作者單位：安徽大學）欄目責編：陳道生

參考文獻：1.王 錚，許 敏：《電影票房的影響因素分析——基于Logit模型的研究》，《經濟問題探索》，2013（11）。

2.胡小莉，李 波，吳正鵬：《電影票房的影響因素分析》，《中國傳媒大學學報（自然科學版）》，2013（2）。

3.王建陵：《當代西方電影票房預測研究的發(fā)展演變》，《電影藝術》，2009（1）。

4.盧文景，馮 曉：《大數據時代電影票房影響因素證實分析》，《中國傳媒大學學報（自然科學版）》，2017（2）。

5.張玉松，張 鑫：《電影票房的影響因素分析》，《經濟論壇》，2009 （8）。

6.丁漢青，鄭馨怡，周志成：《美國動畫電影票房的影響因素分析及預測模型建構——與真人電影的比較研究》，《新聞大學》，2016（01）。

7.連聰聰，杜 儀，張 輝：《基于電影營銷因素分析的電影票房預測》，《中國傳媒大學學報（自然科學版）》，2015（8）。

8.張 洋：《國內受眾對商業(yè)電影要素的偏好嬗變——基于國內近五年電影票房的內容分析》，《寧夏大學學報（人文社會科學版）》，2014（1）。

9.陳 然：《我國商業(yè)電影票房影響因素研究》[D]，云南財經大學碩士學位論文，2016年。

10.崔凝凝，唐嘉庚：《基于回歸分析的中國電影票房影響因素研究》，《江蘇商論》，2012（8）。