黄金档占比对不同类型电影票房的影响分析

山东理工大学经济学院 金融本1801 项目组:邵扬、居巧巧、魏兴莲、王慧敏

摘要:本文通过计量经济学上统计分析方法的应用,为了分析黄金档占比对电影票房的影响,根据2019年的中国内地电影票房数据,进行模型检验,最终得到黄金档占比与不同类型电影票房呈线性相关,并提出了几条建议。在影响电影票房的因素选择上面,由于自身资源的有限,有些因素没有放到模型里面,这可能会导致最终模型跟实际的存在一些偏差。

一、研究背景

随着现代化建设的发展,我国城乡居民的收入水平显著提高,精神、文化生活随着物质生活水平的提高也日益成为广大消费者追求的目标。影视是一个与我们生活息息相关的话题,现在各类影视作品遍布各大中小城市中的电影院中,成为人们精神生活的寄托以及放松心情的方式,日益丰富着我们的日常生活。

现在,影视作品的数量每年都在以惊人的速度增长,影视业的竞争也因此日益增大,影视制片公司想要生存下去,在行业内站稳脚跟,票房是其中的关键因素,一部电影的成败就可以决定一家公司的生死,生产一部质量高且符合大众喜好标准的电影,努力为一部电影上市造势宣传,已经是制片公司的当务之急。

二、研究问题描述

一部电影的票房如何,上映时间也有着关键作用。首映的前1-3天是最好打口碑的时候。如果首映市场上都没有口碑,没有人观影,反响不热烈,再好的电影,票房也达不到理想的效果。我们将五一档,六一档,暑期档,国庆档,元旦档,贺岁档,春节档统称为黄金档。只有在节假日观影的人数会比较多,口碑和票房自然就上去了。

有数据显示,从06年至今的中国内地电影票房排行榜前20名中,暑期档电影有5部,占据25%。国庆档有4部,占据20%。春节档有4部,占据20%。而圣诞档占比相当之少,情人节档更是没有。由此可见,西方节假日的档期电影票房成绩与中国节假日电影档期存在一定差距。中国节假日假期时间更长,观众观影意向更强。我国传统节假日有法定假期,人们有足够的时间休闲娱乐,这也是影响票房的一大因素。

通过研究,找出影响电影票房的因素到底有哪些,并进一步找出它们与电影票房的内在统计关系,为影视公司推出一部电影时的决策提供一些参考,同时可以锻炼自己的分析思考能力以及动手能力,而且,弄清楚哪些因素对票房影响很大而又不能真实反映电影质量,将来自己做决策决定要不要看一部电影的时候也可以有意识地规避这些因素,从而使决策更有效,不至于花钱花时间去看一部没有价值的的电影了。

三、模型构建

(一)指标体系

①不同电影类型黄金档占比:档期指的是一部电影从上映到最后映票下映的时间间隔,而过往的研究表明档期作为一种时间纵向市场也往往会对票房产生影响。从票房最终的数据看来,档期与节假日有着比较大的联系,观影人数会比其他时间集中。我国电影最热门的档期可以划分为暑期档、国庆档以及贺岁档。为此,我们将这些档期的电影统归为黄金档,通过计算得出不同类型电影的黄金档占比,并以此作为核心变量。

②不同电影类型物料总播放量:电影在上映前的宣传也十分的重要,任何事物的出名都离不开炒作的巨大推动能力和宣传力度,新鲜的事物尤其如此。在电影这个行业,电影作品的推陈出新率很高,为了使自己的影片在众多电影中不被沉底,引起人们的注意,电影制作者通常利用预告片来激发人们的好奇心理从而达到观众买票的目的。因此,我们将不同电影类型的物料总播放量,来作为控制变量。

③不同类型电影的关注度:在电影上映之前,人们通过预告片对电影想看的意愿与票房也有一定的联系。本文的数据选取的是猫眼专业版中每部电影的“想看指数”,其数值为每部电影从宣布档期到上映前一天时间段公众想看意愿的具体人次,并以此来作为控制变量。(具体见附录表1)

(二)数据来源以及数据整理

本文主要利用了猫眼专业版以及电影票房数据库查取了2019年1月1日到2019年12月31日的电影数据,数据包括影片名称、影片类型、上映时间、累计票房、首周票房、评分人数以及电影宣传片的播放量等,共收集了537部电影。然后经过数据预处理,剔除了一些重复以及未在影院上映的电影数据,再对不同的电影类型进行分类,分档期等,最终获取共有355部电影数据。我们将电影类型分成了10类,并对此进行了整理,得到一组关于不同电影类型票房的截面数据(见附录表2)。

(三)基本模型建立

通过各项指标对不同类型电影票房的影响程度构建线性回归分析模型:

本文运用stata,采用表2中的数据进行分析,观察各个变量之间的相关性,因为变量之间的数据太大,所以对每个变量进行对数处理,去量纲,得到相关系数矩阵。

1、相关系数矩阵

由附录表3可以看出x3与x2之间存在着很强的相关性,所以要考虑两个变量之间是否存在多重共线性。

方差膨胀系数(VIF)是衡量多元线性回归模型中多重共线性严重程度的一种度量。它表示回归系数估计量的方差与假设自变量之间线性相关时方差相比的比值。VIF的取值大于1,VIF值接近于1,多重共线性越轻,反之越重。通常以10作为判断边界,当VIF<10,不存在多重共线性,当10≤VIF<100时,存在较强的多重共线性,当VIF≥100存在严重多重共线性。

在对数据进行方差膨胀因子处理后,得出不同类型电影的物料播放量和不同类型电影的关注度为6.28、5.56,VIF均小于10,所以不同类型电影的物料总播放量与不同类型电影的关注度之间不存在多重共线性。

2、OLS回归分析:

通过stata对表2中的数据对变量进行OLS回归分析,结果如下:

①对模型进行初步分析,得出x2的p值为0.001,发现变量x2在95%的置信区间下是非常显著的,x1的p值为0.180,可以发现x1并不是很显著,又因控制变量太少,误差太大可能导致数据不准确,所以又增加了x3(不同类型电影的关注度)这一变量进行回归分析。

②加入另一控制变量后,可以看出模型的系数比较大,x1甚至为1216198,x1的p值为0.244,x3的p值为0.833,均不在10%以内,可能是存在量纲,所以对所有的变量进行对数处理,去除量纲。

③去量纲后发现调整R²为0.9484,得出lna,lnb,lnc可能存在多重共线性,所以对数据进行方差膨胀因子检验,结果显示不存在多重共线性,但是方差膨胀因子比较大,然后引入了不同类型电影的物料总播放量与不同类型电影的关注度的交互项。

④在进行交互项之后,交互项的p值为0.000,而lna的p值为0.044,交互项在5%内显著,这意味着不同类型电影的物料播放量能够显著加强不同类型电影的关注度对电影票房的影响。 R²为0.9292,可能依然存在多重共线性。在进行了方差膨胀因子检验后,发现VIF分别为1.08、1.08,所以不存在多重共线性,模型有效。

表4:回归结果

注:单个系数在10%(*),5%(**)或1%(***)的显著性水平下显著。

由表4可以看出,F=0.0001可知整体模型显著,P值也是显著的,最终通过检验。所以说各项指标对不同类型电影票房的影响程度构建线性回归分析模型为:

Y=9.95+2.21lnx1+0.083×(lnx2×lnx3)

(0.92)   (0.90)      (0.01)     

四、实证结果分析

综上,不同类型黄金档占比、不同电影类型物料播放量和不同类型电影关注度对电影票房都有影响。根据最终回归模型,得出以下主要结论:

①不同类型电影的黄金档占比与电影类型成正相关,每提高1%的黄金档占比,电影票房将增加2.21%,且在1%的水平下是显著的。

②回归(4)中不同电影类型物料播放量和不同类型电影关注度均与电影票房成正相关。物料播放量每增加1%,电影票房增加0.86%,且在5%的水平上是显著的。关注度在10%的水平上是不显著的,说明不同类型电影关注度对电影票房关系不大。

③回归(5)是交互回归,其中包含了不同电影类型物料播放量和不同类型电影关注度。交互项的系数在1%的水平上是显著的,且交互项与电影票房成正比,每增加1%,电影票房增加9.95%。

五、结论和建议

通过构建黄金档占比对不同电影类型票房的模型,得出在黄金档上映的电影票房会高于非黄金档上映的票房,而且还会受到花絮的制作水平和人们对电影的看法的影响。基于这个结论我们提出了以下建议:

首先,电影的上映期尽量安排在黄金档。排好电影的档期对电影票房的影响巨大,火热的电影档期都隶属于观众空闲时间,通俗的来说就是假期时间,这个时间段人们都更愿意集中观影。其次,电影制作片方可以通过提高影片宣传营销方面能力促进票房收入,抓住互联网+所带来的机遇提前制定好策略,构建新颖立体化的发行体系,可以通过制造网络热门话题、增强影迷线上线下互动、充分利用移动终端流量资源等以提升热度。最后,基于网络口碑对人们观影抉择有着越来越大的影响,一些电影网站应该加强对想看人数体系的建设,引入专业影评师及资深影迷发挥其意见领袖作用引导更多客观有见地的评论。同时,片方也可以通过参考大众影评及时调整营销策略、取长补短为以后的制作提供宝贵的经验教训。

Next Post

教育部学校规划建设发展中心主任陈锋:学习方式的变革一定是未来教育的核心

周日 12月 20 , 2020
2020年是一个特殊的年份,经历了疫情期间的“停课不停学”,也让整个行业在探讨关于课堂内外、课前课后 […]
登录 注册

热门文章