一、电影票房影响因素与口碑的文献综述

（一）口碑作为电影票房影响因素的多因素分析模型研究综述

检索现有中文文献，可以发现近年来有若干研究文章对电影票房的影响因素进行过文献综述，例如王建陵（2009）不仅对西方电影票房预测研究进行了梳理，还对中国电影市场中的明星、导演影响力与电影票房关系进行了实证研究；再如，马克·费茨切伦（2013）对宝莱坞电影票房主要决定因素进行了实证研究，同时也对电影票房的影响因素进行了文献综述。归纳这些已有的文献综述，可以初步判断在西方媒介经济学或电影市场研究中，电影票房与创意、发行/上映以及电影营销三大类影响因素（Litman,1989）具有一定的内在联系，同时还与消费者变量（Hennig-Thurau, Houston &Walsh, 2007；马克·费茨切伦，2013）息息相关，并且在短期票房（STBO，一般是指首映周票房）和长期票房（LTBO，或称总票房）之间存在一定差异。

在巴里·利特曼（Barry R.Litman,1989）的研究中，第一大类的创意指标中的“影评”其实是具有“口碑”性质的一个指标，意味着专业人士乃至公众对一部电影的评价，并且在其研究中获得的如下回归方程式（3.1）中具有正向的相关机制。

Y=-28.482×106+7.232×106 顶级导演+14.846×106明星+11.818×106科幻+13.858×106续集+24.932×106奥斯卡提名+4.966 ×106剧情+6.972×106影评+3.814×106大发行公司。式（3.1）

德国魏玛大学学者Hennig-Thurau和Walsh（2007）在其所列的“非制片因素”中也列有影评和观众感知的电影质量，这两者其实在某种程度上即为“口碑”的核心指标或内涵。马克·费茨切伦（2013）在其模型中列出了一个“观众反馈”的自变量，其测量方式也是通过互联网电影资料库（Internet Movie Database，简称IMDb）网站获取电影评级作为观众的意见指标。然而，其在模型数据的测算中发现“观众反馈”的假设（H8a和H8b）被推翻，即“观众反馈”对于宝莱坞电影票房并没有观察到显著的关联关系。（见图3-2）国内学者王铮、许敏（2013）基于Logit模型对电影票房的影响因素分析进行了测算，结果发现“电影评分的系数为正，且在5%的水平上显著。电影评分是网民对电影各方面水平的综合评价，反映了影片的质量以及人们对影片的认同程度，影响影片的口碑传播，是票房收入的重要保证”。

图3-2 引自马克·费茨切伦（2013）的电影票房的影响因素及其论证假设

综合上述文献中的理论模型，其基本思路都是通过建立多因素分析模型，对多元回归方程进行数据拟合，并在统计学意义上探讨已有的电影票房与潜在影响因素之间的相关性是否显著。

从系统论的思维角度看，在上述方程式或有关电影票房影响因素模型当中，顶级导演、明星属于华莱坞系统当中的创作生产子系统，而科幻（实际是电影类型的一种）、续集（实际也是电影类型的一种）与剧情这些要素则属于内容符号子系统，奥斯卡提名与影评的要素则属于评价评奖子系统，大公司发行、排映档期等属于市场销售子系统，由此可见，电影票房作为财务运作系统的一个关键变量实际上可能是综合受到了其他四个子系统当中的其他多种因素的影响。

（二）网络口碑用于电影票房预测的研究综述

运用网络传播的信息如搜索数量、关键词频度、社会化媒体话题讨论热度等对电影票房进行预测，主要是数据科学家和信息工程师的一些应用研究，其内在的逻辑性在于网络传播的关注度、搜索引擎关键词频度等从客观上记录下了观众对某部电影的兴趣，有兴趣才会有消费行为，所以就能从海量数据中挖掘出整个市场对某部电影的欢迎程度和其最终票房。例如，Asur和Huberman（2010）曾经运用推特（Twitter）对于某部电影的讨论数据来预测电影票房，公式为：

在这一方程式中，第一项（βa·A）是网民寻求关注比例的因素项；第二项（βp·P）是网民意见极化程度的因素项，所谓极化程度是指正面情绪的数量除以负面情绪的数量所得的比率，第三项（βd·D）是电影市场的供给能力项，即到底有多少影院上映该电影；第四项（ε）是随机变量误差。根据此公式和推特数据进行预测所得的结果，作者经过比较后认为优于以往的多种方法。国内学者郑亚琴、樊鹏（2012）参照上述模型的简化版对10部进口大片的数据进行了验证分析，依据在新浪微博、时光网以及豆瓣网上的网友在预告期内对电影讨论活跃度数据与预期票房进行相关分析，结果证实了两者之间的密切关系，说明社会化媒体的商业预测价值。王文文、周澍民（2013）通过收集新浪微博和豆瓣网上电影的相关数据进行假设检验后，认为社会化媒体具有电影票房预测的价值作用，并且发现电影上映后一周内新浪微博中有关电影的信息数与豆瓣评分的乘积对电影票房的影响最大。该研究事实上将网友评价的时间和数量、质量做了分类，数据证明上映后一周内的评价对票房有影响，评价数与豆瓣评分乘积得出的指标有更好的预测效果。夏丹（2013）对电影票房的预测是基于电影消费者的观影频次而进行的，而电影消费者从状态上看，总是处于一个宏观流动的过程，因此，可根据消费者在不同状态之间的改变规律（用数学中的转移矩阵来描述）来准确判定某个时刻的影院观影人数，从而预测票房收入。在此模型中，网络口碑对于电影观众行为状态之间的转变有一定的作用，电影消费者的行为状态常常受到周围其他人的影响。

当然，网民的口碑其实还具有多种衡量维度。测量口碑对票房的影响，可以将这些维度综合起来以寻找到最为精准的预测结果。网民对电影的选择行为决定了他们创造票房的能力，因此从某种程度上看，不论模型如何，口碑对于票房都具有重要的内在影响力。