李思沅

(中国传媒大学经济与管理学院，北京 100024)

伴随着电影制作技术的进步与电影消费需求的增加，电影市场竞争愈发激烈。电影制片方与发行方虽然制定了营销策略，但是仅依赖于电影营销而忽略电影的竞争对手究竟是谁并不可行。2017年，中国内地市场全年上映影片共726部，基本以每天1.99部的速度上映电影，正在放映的电影在上映期间几乎每天都要面对新增加的竞争对手。电影之间的竞争体现在多个方面，如：剧本、制作成本、主演、导演等(唐玲玲，2009)[1]。从消费者角度看电影之间的竞争，除了电影制作的专业性，电影口碑是不可忽视的一个重要因素。

当前的研究中，学术界普遍认为口碑是影响电影票房的主要因素之一。口碑通常是指通过人与人之间通过口头传递的信息。网络口碑是消费者凭借网络发表对产品或服务的评价与体验，共享口碑，形成的新的口碑传播方式。电影是经验性产品，且每一部电影都是独一无二的，消费者很难在购买前做出判断与评估(Vany，2004)[2]，因此消费者主动地就某一部电影的质量进行评估并相互交流传播其看法，由此电影口碑产生。Chaffee和Steven(1982)就信息可访问性和可影响性理论，证实群体之间关于电影存在一定的交流，并且这种交流会显著影响消费者的购买决策[3]。互联网的发展延伸了电影消费者交换电影口碑的能力，催生了全新的口碑传播方式——网络口碑，这不仅助力于电影消费者的购买决策，还加深了口碑对电影票房的影响(王德胜等，2014)[4]。

本文主要采用网络口碑评分、网络口碑数量和网络社交媒体的口碑信息衡量电影的网络口碑。电影的网络口碑会对电影的票房产生一定的影响。在现有的文献中，Hsu和Jane(2016)认为在短期内，评论数量和电影票房体现出了因果关系，网络口碑与电影票房存在双向因果关系[5]。在Chintagunta et al.(2011)的研究中，网络评分对电影票房收入有显著且重要的影响，网络口碑数量与网络口碑分布离散则对电影票房无明显影响[6]。但是，陈素白等(2016)通过研究网络口碑领域中的锚定效应发现，豆瓣电影的评分中存在锚定效应；外部信息会影响消费者评分，例如：通过有意设定的高锚信息使得消费者评分偏高。而不同的网络社交媒体对电影票房有不同的影响[7]。Baek et al.(2017)研究发现Twitter在电影上映初期对票房有显著影响，而Yahoo!Movies因具有强大的说服力，在电影上映后期对票房影响较大；博客和YouTube因是同时具有大众媒体和个人社交特征的传播媒体，在电影上映初期和后期并无明显影响差异[8]。至于国内的社交媒体如新浪微博，由于社交媒体在早期电影营销阶段能够有效地引起潜在消费者的关注与兴趣(Ding et al.，2016)[9]，电影制片人和发行商应该选择新浪微博中的大V用户及其粉丝进行宣传与转发，而非普通微博用户或发表审核信息微博进行电影营销(Xiao et al.，2017)[10]。

本文关注的焦点在于帮助目标电影分辨其上映后的竞争对手。根据不同的竞争对手，电影制片方与发行方可以制定更有效的营销策略，延长电影的生命周期，最终达到提高电影票房的目的。

1 电影竞争的研究设计

1.1 电影竞争模型

通常而言，一部电影是否为另一部电影的竞争对手，可以从两部电影存在替代关系还是互补关系来判断。一般对替代品的定义是：产品1会减少产品2的边际利润，互补品则与之相反。但是电影的之间的替代与互补效应无法通过这一定义进行判断，因为在电影票价一定的情况下，随着电影票卖出数量的不断增加，电影的边际成本会逐渐减少，由此边际利润处于变化之中，不是唯一且确定的。为了更为具体、准确地判断电影之间的替代效应与互补效应，将市场上的电影进行分类：电影A上映期间，晚于电影A上映的电影称为“新上映的电影”，早于电影A上映的电影则为“正在放映的电影”。这两类电影对电影A票房的影响可以从两个方面体现：影片的数量与网络口碑评分。影片数量会给消费者更多的观影选择，因此会影响电影A的票房。对于网络口碑评分，我们依据电影A的网络口碑评分进一步细分为：网络口碑评分高于A的电影和网络口碑评分与A相近的电影。由此，电影总共分为四类：(1)新上映电影中，网络口碑评分高于A的电影；(2)新上映电影中，网络口碑评分与A相近的电影；(3)正在放映的电影中，网络口碑评分高于A的电影；(4)正在放映的电影中，网络口碑评分与A相近的电影。

电影特征为电影市场同时拥有许多卖者(电影)、每一部电影都略有不同和电影可以无限制地进入或退出市场，属于垄断竞争市场。根据Bulow et al.(1985)的研究，在垄断竞争市场中，如果产品1采取更为积极的策略时，产品2的应对策略不是很积极，则产品1与产品2存在替代关系，二者之间关于利润的系数为负。如果产品1采取更为积极的策略时，产品2的应对策略是积极的，则产品1与产品2存在互补关系，二者之间关于利润的系数为正[11]。将这一研究结论应用到电影竞争中：上述四类电影中，如果其中一类电影对电影A的票房存在负向影响，则这类电影与电影A之间存在替代关系，是电影A的竞争对手。如果某一类电影对电影A的票房存在正向影响，则这类电影与电影A之间存在互补关系。

基于电影竞争中替代效应与互补效应的产生条件，本文构建了电影竞争模型，如图1所示。除此之外，本文将电影本身的网络口碑作为解释变量，并且引入口碑突出、票房突出、电影的原IP、主演粉丝数量、导演号召力、电影类型、电影档期、是否为进口电影和是否为3D电影共11个变量作为控制变量，研究这些变量对电影票房的影响。

图1 电影竞争模型

1.2 研究假设

本文统计了175部电影的相关数据，在研究本周新上映电影与本周正在放映电影数量、网络口碑评分对175部电影票房的影响时，为明确表述，将175部电影称为“目标电影”，将电影上映第二、三、四周分别称为目标电影的“本周”。

参考电影之间的替代与互补关系、现有的网络口碑对电影票房存在影响的研究文献后，结合电影竞争模型，本文提出如下假设：

H1：本周新上映电影数量对目标电影的票房有正向影响。

H2：本周正在放映电影数量对目标电影的票房有负向影响。

H3：本周新上映电影高于目标电影的网络口碑评分对目标电影的票房有负向影响。

H4：本周新上映电影与目标电影相近的网络口碑评分对目标电影的票房有正向影响。

H5：本周正在放映电影高于目标电影的网络口碑评分对目标电影的票房有负向影响。

H6：本周正在放映电影与目标电影相近的网络口碑评分对目标电影的票房有正向影响。

H7：本周正在放映电影中存在的最高网络口碑评分对目标电影的票房有正向影响。

2 变量与数据

本文的被解释变量为电影周票房，将电影票房分为上映后第二、三、四周票房，电影票房是指电影放映期间的累计总收入，电影票房数据均来自艺恩网。

电影竞争变量为本文核心解释变量，主要分为两大类：目标电影上映第二、三、四周每周新上映电影数据与每周正在上映电影数量；网络口碑评分高于目标电影的电影数量、每周最高网络口碑评分与网络口碑评分与目标电影相近的电影数量。其中，网络口碑评分与目标电影相近的标准为：与目标电影网络口碑评分一致、高于或低于目标电影0.1分之内，不包含0.1分。

本文将目标电影本身的网络口碑作为控制变量，主要包括目标电影上映第二、三、四周每周平均网络口碑评分、每周网络口碑总数量和每周微信指数。详见表1。

表1 变量定义表

续表

注：①口碑突出标准：本文选取的175部电影其上映第二、三、四周总平均网络口碑评分为6.216，因此将每周网络口碑平均效价突出的标准定为周网络口碑评分大于或等于8.00，并统计目标电影上映第二、三、四周每周网络口碑评分突出的电影数量。经筛选，仅有25部电影在上映后第二、三、四周中存在周网络口碑评分突出的情况。

②票房突出标准：175部电影上映第二、三、四周电影周总票房的平均值为2260万元，因此将每周电影总票房突出的标准定为每周电影票房大于或等于2500万元。经统计，电影上映第二、三、四周电影每周总票房突出的电影有43部。

3 实证分析

为探究新上映电影、正在放映电影和目标电影之间的竞争关系，我们采用固定效应模型的方法进行回归分析。

由于控制变量中有些变量存在个体固定效应，不随电影上映时间而改变，只与电影个体有关，存在个体固定效应，不适合用固定效应模型进行估计，因此我们将这类变量分组为：含个体效应的其他控制变量(下文称：其他控制变量)，包括：电影网络口碑评分(valence)、每周网络口碑评分突出的电影数量(vbest)、电影上映档期(dq1、dq2、dq3和dq4)、是否存在原IP(ipxj)、主演粉丝数量(fan)、导演号召力(director)、是否为进口片(input)、是否为3D电影(d)和电影类型(lxi，i=1，...13)；并且在固定效应模型的回归中不加入这些控制变量。控制变量每周电影票房突出的电影数量(bbest)在回归结果中不显著，所以删除此变量。对于不存在个体控制效应的控制变量，我们将其分类为主要控制变量，包括：每周微信指数(wx)和网络口碑数量(volume)。其他控制变量OLS回归结果均显著；主要控制变量使用固定效应模型回归后，回归结果均显著。

在考察高于目标电影的网络口碑评分是否会对其票房产生影响时，由于数据统计时存在缺失值和目标电影本身为周网络口碑评分最高的情况，因此分别引入虚拟变量：xg与rg，这两个变量的定义如下：

本文在使用固定效应模型进行估计时，加入了主要控制变量：随电影上映时长而变化的每周微信指数与每周网络口碑数量。

对于新上映电影对目标电影的影响，我们使用H1、H3和H4进行说明。

表2中第1列使用固定效应进行对H1回归。H1认为新上映电影的数量对目标电影的票房有正向影响。变量new在1%的显著性水平上显著为正，完全支持H1。在对H1的检验中，我们认为由于电影消费存在一定的风险性，新上映的电影虽然存在口碑信息，但是与已经放映至少一周的目标电影相比，缺乏具体的观影体验与口碑信息的传播时间，因此即使消费者面临更多的观影选择，也有极大机率优先选择有更多参考信息的目标电影，目标电影的票房相对增加。

表2第3列是对H3进行固定效应估计的结果，H3为本周新上映电影高于目标电影的网络口碑评分对目标电影的票房有负向影响。xg在1%的显著性水平上显著为正，与H3预期符号相反。原因可能是在进行样本数据统计时，新上映的电影并不包括与目标电影同日上映的电影，新上映的电影在当周内至少晚于目标电影一天上映，甚至是当周最后一天上映的。因此，即使新上映的电影网络口碑评分高于目标电影，也会因为缺少足够的传播时间而流失一部分票房，目标电影的票房因此增加。

表2中第4列为对于与目标电影相近的网络口碑评分对目标电影票房有正向影响的检验。在第4列中，xy在10%的显著性水平上显著为正，可以证实H4，认为本周新上映电影与目标电影相近的网络口碑评分对目标电影的票房有正向影响。这是因为：电影的体验性特征使得消费者在进行消费时，需要承担一定的消费风险。与正在上映的电影相比，网络口碑评分相近的情况下，新上映的电影参考信息较少，观看新上映的电影消费者需要承担更多的风险，因此消费者会优先选择可以有更多参考信息的正在上映的电影。

正在放映的电影对目标电影票房的影响，通过H2、H5、H6和H7说明。

表2中第2列中可以看出，变量re在1%的显著性水平上显著为负，可以证实H2，即正在放映的电影数量对目标电影的票房有负向影响。与正在放映的电影相比，目标电影的上映时间晚于这类电影，正在放映的电影有相对充足的时间传播自己的口碑和观影体验，观众基于电影消费的风险性，正在放映的电影数量越多，观众的选择越丰富，选择正在放映的电影的可能性越高，目标电影的票房由此减少。

第5列的回归结果为对H5的检验。rg在1%的显著水平上显著为负，回归结果完全支持H5，即本周正在放映电影高于目标电影的网络口碑评分对目标电影的票房有负向影响。正在上映的电影中，网络口碑评分高于目标电影的电影存在一定的观众基础，观众所需要承担的消费风险较小，因此这类电影会与目标电影产生激烈的竞争。因此，可以进一步得出结论：正在放映电影中网络口碑评分高于目标电影的电影是目标电影的竞争对手，二者之间存在替代关系。

H7的检验结果在第7列。rv在5%的显著水平上显著为正，可以证实H7，即本周正在放映电影中存在的最高网络口碑评分对目标电影的票房有正向影响。由于电影属于体验型产品，消费者在观看电影时会承担一定的风险，同时，网络口碑是消费者消费决策中重要的影响因素之一，同期上映的电影中，消费者会优先选择网络口碑高的电影进行观看，所以，每周最高网络口碑评分的电影是消费者的优先选择。但Ho et al.(2016)发现随着时间的推移，已经上映的电影会逐渐失去对消费者的吸引力，消费者偏好降低[12]。当最高网络口碑评分的电影观看完毕后，消费者再次进入影院时会选择未观看的电影进行消费。因此，正在上映的电影中，每周网络口碑评分最高的电影会对目标电影的票房产生正向影响，即增加目标电影票房。

对H6的检验结果参加下表中第6列。在第6列中，ry的回归结果不显著，无法支持H6，说明正在放映电影中与目标电影相近的网络口碑效价对目标电影的票房没有影响。产生这种情况的原因一是当周正在放映电影中不存在与目标电影相近的网络口碑评分；二是当周正在放映的电影中虽然存在与目标电影相近的网络口碑评分，但是在这种情况下，正在放映的电影中均存在高于目标电影的网络口碑评分，无论是目标电影还是正在放映电影中与目标电影拥有相近网络口碑评分的电影，其竞争对手都是网络口碑评分高于目标电影的电影。

第8列是被解释变量对所有核心解释变量的回归。可以看出变量new、xg与re均在1%的显著性水平上显著，变量rg与变量xg均为虚拟变量，二者存在完全共线性，因此在固定效应的回归中被系统删除。

综上所述，在目标电影放映期间，正在放映的电影数量越多，对目标电影票房的负向影响越明显；且网络口碑评分高于目标电影的电影与目标电影之间存在替代关系。正在放映的电影中，与目标电影网络口碑评分相近的电影，与目标电影既不存在替代关系，也不存在互补关系。新上映的电影则与目标电影之间存在互补关系，对目标电影的票房存在正向影响。

4 研究结论与建议

本文利用2017年中国电影消费市场的数据，通过固定效应模型分析了电影在上映期间的竞争对手，发现正在放映的电影中，网络口碑评分高于目标电影的电影与目标电影存在替代关系，是目标电影的主要竞争对手。正在放映的电影数量对目标电影的票房存在负向影响。对于目标电影的票房存在正向影响的因素有：目标电影上映当周最高网络口碑评分的电影，新上映电影的数量，和新上映电影中网络口碑评分比目标电影高或与目标电影相近。正在放映的电影中，与目标电影网络口碑评分相近的电影对目标电影票房既不存在正向影响，也不存在负向影响。

表2 固定效应模型回归结果

注：括号中数字为t统计量；*、**和***分别代表在10%、5%和1%水平显著。

基于以上结论，本文提出以下三点建议：第一，在保持影片神秘感的情况下，上映前加强对电影的宣传，扩大影片的观众基础。利用消费者的猎奇心理，通过跌宕起伏的预告片与适当的点映，扩大潜在观众的基础。第二，在上映过程中加强电影口碑宣传，提升电影网络口碑。第三，通过上映档期选择电影竞争对手，避开贺岁档等大片集中上映的档期。类似贺岁档这样的档期中，上映的影片大多为制作精良、上映后口碑良好的影片。制片方与发行方需要对影片进行合理定位，选择合适的上映档期以获得尽可能高的电影票房。