電影預告片在線投放對票房的影響
——基于文本情感分析方法

孫春華，劉業政

(合肥工業大學管理學院，安徽 合肥 230009)

電影預告片在線投放對票房的影響
——基于文本情感分析方法

孫春華，劉業政

(合肥工業大學管理學院，安徽 合肥 230009)

預告片是電影上映之前的一種營銷方式。過去，預告片主要通過影院或者電視平臺進行傳播，現在，預告片更多被投放在網絡視頻播放平臺上。本文研究預告片的在線投放策略對預告片關注數量和預告片評論情感的影響，以及預告片關注數量和預告片評論情感對影片票房的影響。基于純暴露理論、消費者參與理論提出了研究假設，從視頻網站時光網(www.mtime.com)和電影數據庫網站藝恩網(www.entgroup.cn)采集了研究數據，對預告片評論文本進行了文本情感分析，建立模型并對模型參數進行了估計。研究結果表明：(1)預告片的投放時間、數量、長度對預告片關注數量有顯著作用。提前投放和密集投放會提高預告片的營銷效果。(2)預告片關注數量和預告片評論情感對影片票房有顯著作用。關注數量越多，積極情感詞匯越多，票房越高。(3)影片上映之前，預告片評論中的“樂”、“哀”詞頻對票房有顯著作用。影片上映期間，預告片評論中的“好”、“惡”詞頻對影片票房有顯著作用。研究結論可以為電影營銷策略制定和營銷資源分配提供支持。

電影預告片；在線投放；關注；情感；票房

1 引言

預告片是電影正式上映之前的一種營銷手段，通過對影片題材、風格、情節的提前展示，提高觀眾對影片的關注和期待[1]。過去，預告片主要是在影院和電視平臺進行播放。現在，電影營銷者將預告片投放在視頻網站上，使其成為影音產品的新興渠道[2]。除了觀看預告片以外，一些視頻網站還設置了交流區，用戶可以對預告片進行評價和參與討論，實現了口碑傳播的目的。從視頻分享平臺可以看到，一些預告片引起了密集的討論，另一些卻悄無聲息。有的預告片對觀眾喜好產生正面作用，有的預告片則產生負面作用[3]。預告片對觀眾行為及影片票房的作用機制引起了研究者的關注。

相關的研究包括：(1)預告片研究。現有研究主要聚焦于預告片的內容和設計要素方面[3-6]。Finsterwalder等[4]研究了預告片的人物、風格、故事、音樂、流派等因素如何激發觀眾對影片的期待；Sauer[5]研究了預告片中的一些啟發式線索，例如不知名電影與知名電影之間的關聯是否會影響觀眾對不知名電影的評價；Suckfüll等[6]將預告片分為故事型、情感型和質量型，檢驗了觀眾的信息接受模式與觀眾對預告片的評價之間的關系；Hou Yimin等[3]研究了預告片的顏色、運動及鏡頭等多媒介特征對Youtube網站上用戶喜好的影響。(2)電影票房研究。電影票房預測一直是研究者關注的熱點問題。早期的研究主要是基于影片自身特征、營銷要素特征、競爭影片特征等建立預測模型，近年來的研究開始關注消費者生成的在線評論、在線搜索等信息對票房的預測作用。例如，Duan Wenjing等[7]研究了在線評論的數量和極性對電影票房的作用；Gopinath等[8]研究了電影上映前后的博客對票房的作用。Karniouchina[9]從雅虎評論中區分出電影和演員兩種蜂鳴(Buzz)，研究了兩種蜂鳴產生的前向影響因素，以及它們對影片票房的作用。國內研究方面,也有一些研究成果。例如，郝媛媛等[10]研究了在線評論情感傾向對電影票房收入的影響；王煉等[11]建立了基于網絡搜索的票房預測模型。上述研究并未涉及預告片，使用的在線評論是電影評論而非預告片評論。目前，也有研究者將預告片觀看和轉發等數據納入了票房預測模型。例如，Oh 等[2]以40部電影為樣本，為每一部電影選擇具有最大點擊數的預告片為代表，檢驗了預告片觀看時長、評論數量、分享數量與票房之間的關系，發現在電影上映期間，預告片的每日觀看時長和評論數量正向地影響每日分享數量，每日分享數量正向地影響日票房；Apala等[12]基于影片上映之前的在線社交媒介數據，包括Twitter上的導演粉絲數量、演員粉絲數量、Youtube上的預告片觀看數量、預告片評論數量等建立分類模型，用于票房預測；Oh 等[13]基于電影上映之前多個社交媒介的用戶參與行為數據，包括預告片觀看數、影片粉絲數，微博數等，驗證了用戶參與行為對電影首周票房的正面作用。(3)文本情感分析和文本回歸。情感分析是通過自然語言處理或者機器學習自動識別出文本情感特征的方法。Archak等[14]指出，在線文本中包括各種混合的產品特征與觀點，對文本內容的挖掘可以用于消費者偏好學習和銷售變化建模與預測。Joshi等[15]將文本分析與回歸結合的方法稱為“文本回歸”，該研究基于文本回歸方法預測電影票房，發現在模型中加入文本特征確實能夠提高預測效果。Rui Huaxia等[16]和史偉等[17]在電影票房研究中，也使用了文本情感分析方法。

本文研究的是預告片的投放策略，包括投放時間、數量和長度對觀眾的關注和情感反應的影響，以及觀眾的關注和情感反應對影片票房的影響。本文與先前研究的不同之處在于：(1)本研究更關注預告片的投放策略。我們認為，預告片的內容在很大程度上取決于影片本身。例如，預告片的情節和畫面往往直接來自于影片。因此，預告片內容的作用可以被視為影片固定效應的一部分。而且，對于電影制片商和營銷者而言，預告片投放策略更容易控制和調整。(2)本研究使用文本分析方法，提取了預告片評論中的“好”、“惡”、“樂”、“哀”類情感詞，計算了情感詞頻及情感極性，并用于預告片評論作用的統計檢驗。(3)本研究比較了影片上映之前和影片上映期間的預告片作用差異。發現了預告片投放時間、預告片評論情感詞頻等因素在兩個時間階段上的作用差異。

2 理論依據與研究假設

2.1預告片投放策略的作用

先前研究中，預告片對電影票房的作用主要從兩個方面進行解釋。一方面，電影是一種短生命周期產品，上映期只有一個月左右，有必要在影片正式上映之前進行廣告宣傳，起到“預熱”作用。預告片作為一種廣告形式，有助于在影片上映之前創建觀眾對電影品牌的意識[1]。另一方面，電影又是典型的體驗型產品，消費者很難在實際消費之前判斷產品質量。與電影海報等其他形式的廣告相比，預告片是電影的“縮減版”，類似于新產品開發中的“樣品”，它為消費者提供了提前嘗試產品的機會[2]，有助于觀眾對影片質量及風格是否符合個人偏好進行判斷。

過去，預告片主要在影院和電視平臺播放，由于播放時間和費用方面的限制，制片商往往只為一部電影制作一兩段預告片。在線渠道的出現打破了播放時間與費用的限制。制片商可以為一部電影制作十幾段、甚至幾十段預告片，并進行投放。預告片的投放時間、投放數量、曝光程度均可能對預告片的營銷效果產生影響。

純暴露理論認為只要廣告的出現頻率夠高、即便只是簡單的接觸，也足以使受眾對新的產品產生積極的態度，甚至在受眾還沒有對接觸的信息進行認知加工時也是如此。Ehrenberg[18]的研究顯示，重復的預先投放廣告可以提高信息不足的消費者的意識，最終增加新產品的銷量。Karray 等[1]在研究預告片的內容和執行特征對好萊塢虛擬股票交易市場上累計平均異常回報的作用時發現，首段預告片更早發行會正向影響電影回報，作者解釋為預告片的投放時間傳遞了電影拍攝進展順利、能夠如期上映的信號。本研究認為，預告片作為一種廣告形式，同樣存在上述規律，即無論預告片內容如何，預告片投放越早、數量越多、長度越長，則曝光程度越高，所引起的關注水平也就越高，預告片的高頻率投放策略吸引了更多觀眾的注意。由此提出假設：

H1a：預告片的投放策略對預告片關注數量有影響。預告片投放越早、投放數量越多、視頻長度越長，則預告片關注數量越多。

新產品擴散研究表明，新產品的擴散是一個過程，包括意識和采納兩個階段[19]，產品預投放時期的營銷活動通過改變消費者意識而發生作用[20]。市場上的消費者們對產品的意識和偏好隨著時間而變化，早期產生產品意識的消費者有更多的時間去影響剩余的市場并成為意見領袖，后期產生產品意識的消費者由于近因效應的存在，對新產品的反應更為強烈[20]。就電影產品而言，一些人對影片信息更敏感，他們早在電影放映之前就看過所有預告片，對影片內容比較熟悉，另一些人直到電影上映了、身邊的人開始熱烈討論電影內容，才知道有這樣一部電影，此時，這些人會借助于搜尋和觀看預告片以決定是否值得去觀看這一部電影。因此，預告片的作用不止發生在影片上映之前，也發生在影片上映期間。習慣于在上映之前觀看預告片的人和在上映期間觀看預告片的人屬于不同的類型，預告片對他們的作用有所不同。例如，預告片投放時間的早晚只會影響早期意識者，對于那些后期意識者而言，預告片投放時間的早晚并沒有什么區別。由此提出假設：

H1b：影片上映之前和影片上映期間，預告片投放時間、數量、長度對預告片關注數量的作用不完全相同。

2.2預告片關注和情感的作用

消費者參與(Consumer engagement)，指消費者與公司、品牌或者產品之間的關聯，是一種心理結構，包括認知、情感和行為維度，表現為消費者對公司、品牌、產品的關注或者興趣等等，消費者參與可以帶來消費者滿意、信任、承諾等[13]。社交媒介上的消費者參與行為有信息搜尋、建立標簽、發表評論、參與討論、推薦、寫博客或者微博等[2]。本研究認為，人們觀看預告片和分享自己的觀影感受都屬于消費者參與行為，觀看預告片說明觀眾對電影產生了興趣，發表評論說明觀眾在觀看過程中產生了積極或者消極的情感反應。當觀眾觀看并發表評論之后,觀眾與影片之間已經建立了關聯。Cross等[21]的研究發現,電影作為一種享樂型產品，可以激發觀眾的正面情感，例如快樂、有趣、滿足、搞笑，也可以激發觀眾的負面情感，例如憂慮、悲傷、憤怒、失望。預告片作為電影的“樣品”，同樣可以引起觀眾的情感反應[3]。如果觀眾在觀看預告片過程中產生的情感反應是正面的、積極的，他在未來就會更加關注這部影片，更有可能做出觀影的決策。

此外，預告片的關注和情感會作為一種口碑信息對后來消費者的決策產生影響。對于電影這類體驗型產品，口碑信息能夠消除購買者的不確定性，輔助其進行決策[22]，口碑中的產品特征和觀點可以用來預測消費者的購買意向[23]。Divakaran 等[24]的研究發現，與電影評論家評論相比，社區成員評價對于票房更有預測效力。Moon等[20]的研究也表明，消費者的意識和偏好對影片銷售有預測作用。

由此提出假設：

H2a：預告片關注數量和預告片評論情感對影片票房產生影響。關注數量越多，積極情感越多，票房越高。

先前研究檢驗了在線評論的數量與極性對電影票房的作用。但是，研究結論并不一致，一些研究發現了在線評論的數量與極性對于票房的作用[10，17，25]，另一些研究發現只有評論數量對票房有作用，而評論極性則不產生作用[7，9，26]，Gopinath等[8]的研究得到了一個有趣的發現：首日票房只受到評論數量的影響，而后期的票房則受到評論極性的影響，本研究認為這反映了上映之前和上映期間的評論作用差異。在電影上映之前，很少有人看過完整的電影，所給出的評論只是基于信息片段的推測，缺少說服力[27]，而上映期間的評論是早期嘗試者在觀影之后的反饋，更加有說服力。由此提出假設：

H2b：影片上映之前和影片上映期間，預告片關注數量和預告片評論情感對票房的作用不完全相同(如圖1)。

圖1 預告片的影響過程

3 數據收集與處理

3.1數據收集

本研究首先抽取了2013至2015年期間上映的65部影片為研究樣本，其中，國產影片33部，進口影片32部，涉及了喜劇、動畫、科幻、動作、驚悚、劇情、戰爭、魔幻、愛情、文藝等10個流派。然后，以時光網(www.mtime.com)為視頻收集平臺，查找上述影片的所有預告片，共計找到464段預告片。在每一段預告片下方的用戶討論區有該預告片的評論。時光網也提供有電影評論和電影評分。與電影評論相比，預告片評論多數出現在電影上映之前，文本更為簡短，反應的是觀眾對影片的期待和初步判斷。本文研究的是預告片的作用，因此只對預告片評論進行了收集和文本處理。本研究收集了464段預告片的全部評論，共計6920條預告片評論。樣本影片的預告片投放數量和預告片評論規模的統計描述見表1。

表1 樣本概述

經過初步統計，發現：65部影片都有預告片，一部影片最多擁有34段預告片，最少擁有1段預告片。在65部影片中，36部影片的預告片有上映前評論，13部影片的預告片沒有上映前評論，但是有上映后評論，16部影片的預告片沒有評論。

本研究從藝恩網(www.entgroup.cn)收集了上述65部影片的周票房、總票房、上映時間、制片公司、導演、演員、海報、新聞等數據。為了對數據進行核實，本研究還收集了電影票房數據庫(58921.com)中的票房、放映場次、觀影人次等數據，并對數據一致性進行了分析。

3.2文本處理

本研究對時光網的6920條預告片評論進行了文本處理，目標是識別出其中的情感詞匯。文本更能夠表達真實情感，并為消費者決策提供進一步支持[28]。文本處理的具體步驟為：(1)將預告片評論按照發表時間排序，應用中國科學院計算技術研究所的ICTCLAS分詞系統對評論進行分詞和詞性標注，由于評論語料存在規范性和口語化等問題，所以采用人工方式對分詞結果進行了判定和修正。(2)將影片上映日之前的預告片評論保存為文本集1，共計4017條。(3)影片的上映周期通常為1個月左右，本文統一以1個月為上映期，將上映之日起1個月之內的預告片評論保存為文本集2，共計1628條。(4)情感主要表現為形容詞和動詞形式，也有少數名詞帶有情感傾向。我們依據詞性標注結果提取文本集中所有形容詞、動詞和名詞，按照其在文本集中出現的頻次進行排序，過濾其中低頻詞匯，人工剔除無關情感詞匯，得到情感詞集合。(5)情感詞之前出現“不”、“無”、“沒”、“沒有”、“失”、“失去”等否定詞的，連同否定詞一起作為情感詞短語。(6)參考大連理工大學的情感詞匯本體的結構[29]，并結合預告片評論文本的特點，對提取出來的情感詞及短語進行歸類，歸類采用人工投票策略。大連理工大學的情感詞匯本體包括“樂”、“好”、“怒”、“哀”、“懼”、“惡”、“驚”7個情感大類，每個大類下又包括若干子類，共計21個情感類。通過歸類發現，情感詞集中于“好”、“樂”、“惡”、“哀”四個大類，“懼”、“怒”、“驚”很少出現，因此采用“好”、“樂”、“惡”、“哀”四個大類對情感詞匯進行歸類， “懼”“怒”、“驚”只有極個別詞匯，按照接近程度將“懼”歸于“哀”類，將“怒”、“驚”歸于“惡”類。預告片評論中的高頻情感詞匯及歸類結果如表2所示。

表2 預告片評論中的高頻情感詞匯及歸類示例

3.3情感值計算

我們對照上述的情感詞匯表，對每一條評論進行查找，找到其中的情感詞，歸入情感大類，并統計各個情感大類上的詞頻數。最終，得到預告片評論在“好”、“樂”、“惡”、“哀”四大類別上的詞頻數，計為一個四元組(g,h,d,s)。

以影片為單位，按照評論發表時間進行累計，可以得出每一部影片的上映前情感詞頻，以及影片上映期間的每周情感詞頻。

本研究對預告片評論的情感極性進行了計算，SenVal=g+h-d-s。如果預告片評論中“好”、“樂”詞頻之和大于“惡”、“哀”類詞頻之和，則該預告片評論的情感極性為正，如果預告片評論中“惡”、“哀”詞頻之和大于“好”、“樂”類詞頻之和，則該預告片評論的情感極性為負。

3.4變量描述

3.4.1 預告片投放變量

預告片投放的相關變量：(1)預告片投放時間。影片的拍攝需要一段時間，有些電影在拍攝之初就開始了宣傳，另一些電影直至拍攝即將完畢才開始營銷。本研究以天為單位，計算每部電影的首段預告片發布時間與影片上映時間之間的間隔。(2)預告片投放數量。一些電影制片方會提前制作一系列的預告片，每隔一段時間投放一段預告片，以達到保持觀眾注意、避免遺忘的目的。我們對預告片數量進行了統計。(3)預告片長度。我們以秒為單位，度量了每段預告片的長度以及每一部影片的所有預告片的平均長度。

3.4.2 預告片的觀眾反應變量

預告片的觀眾反應變量包括：(1)預告片關注數量。時光網沒有提供預告片觀看數量，本文以預告片評論數量為預告片關注數量的替代變量。本文認為，評論是一種消費者參與行為，發表評論這一行為意味著消費者觀看了預告片，而且在心理上與影片之間建立了關聯，預告片評論數量可以作為預告片關注數量的替代。(2)預告片評論情感。本研究計算了每一部影片在上映之前和上映期間的預告片評論中的情感詞頻，共計得到四個情感大類上的詞頻，分別為“好”詞頻、“樂”詞頻、“惡”詞頻和“哀”詞頻。本研究也計算了上映之前和上映期間的預告片評論情感極性值。

3.4.3 票房變量

藝恩網提供了每部影片的總票房和周票房。每部影片的上映期并不完全一樣，絕大多數的影片上映期在4-5周，本文的周票房數據統一計算至上映后5周。另外，本文對藝恩網的票房數據與電影票房數據庫的票房數據進行了一致性檢驗，兩組數據的Pearson相關系數為0.9941(p<0.001)，數據之間的一致性較高。

3.3.4 其他控制變量

其他可能對票房產生影響的因素主要有：(1)影片的相關特征，包括制片公司影響力、導演影響力、演員影響力、影片是否續集、影片的國別、上映時間是否假日等。(2)其他的營銷策略，包括海報、新聞等。本研究對這些因素進行了度量，并作為協變量加入模型。

制片公司、導演及演員影響力在先前研究中有兩種度量方法，一是基于網絡搜索指數、粉絲數等指標來度量[12]，二是使用以往獲獎記錄或者參與高票房影片的記錄來度量，并設定為虛擬變量[30-32]。本研究的樣本包括國內和國外影片，這兩部分樣本在中文搜索引擎上的指數值不具有可比性，所以本研究采用了第二種度量方法。制片公司影響力依據以往的高票房影片產出情況，設定為知名和非知名兩個等級。導演及演員影響力依據以往的國際與國內獲獎情況，設定為國際獎、國內獎、非獲獎三個等級。影片是否續集、影片國別、上映日是否假日均設置為虛擬變量。

海報和新聞數據均來自時光網。時光網提供了每部影片的劇情介紹、圖片、新聞等信息。劇情介紹為統一格式的文本，圖片包括海報、桌面、DVD封套等，新聞指所有與影片相關的新聞，并帶有時間標簽。考慮到預告片、海報、新聞是最常用的影片營銷方式，本研究將海報數量和新聞數量納入了控制變量的范圍。

主要研究變量的描述性統計結果如表3所示。

4 模型建立與擬合

4.1預告片投放策略對預告片關注數量的影響

如前文所述，一部分預告片在投放之后所獲得的關注數量為0，另一部分預告片所獲得的關注數為正整數值，由于數據的這一特點，本研究使用Hurdle 模型來檢驗預告片投放策略對預告片關注數量的影響。Hurdle模型將數據中的零計數和正計數分開，分別進行概率估計。因此，模型包括兩個部分：一個二分類模型和一個截斷計數模型，前者用于判斷事件是否發生的概率，后者用于處理“零”值數據截斷之后的計數。

本研究使用R軟件的pscl程序包對Hurdle模型的兩個部分進行參數估計。為了能夠區分上映之前和上映期間的作用差異，本文將影片上映前的預告片關注數量(是否受關注和受關注頻次)和影片上映期間的預告片關注數量(是否受關注和受關注頻次)分開進行了估計，結果如表4所示。

表3 主要研究變量的描述性統計

表4 預告片投放策略對預告片關注數量的影響

注：***顯著性水平0.001，**顯著性水平0.01，*顯著性水平0.05。

由表4可以看出：(1)影片特征及預告片投放策略更多影響關注程度，而不是關注與否。只有國別這一個因素顯著地影響預告片的關注與否。兩個模型的zero hurdle成分的參數估計結果完全相同，是因為上映前關注數為0的影片，其上映后關注數也為0，這一部分樣本完全重疊。(2)預告片的投放策略顯著影響預告片的關注數量。影片上映之前，預告片投放越早、投放數量越多，關注數量就越高。影片上映期間，預告片數量越多，關注數量就越高。另外，預告片的長度并非越長越好，簡短的預告片受到了更多關注。因此，假設H1a得到了部分支持，其中預告片投放時間和數量的作用與研究預期一致，而預告片長度的作用與預期不一致，這一點可以理解為，預告片長度過長可能導致觀眾認知負荷大、觀看興趣下降，這阻礙了預告片的傳播效果。(3)影片特征也對預告片的關注數量產生影響。制片公司影響力、導演影響力對預告片關注數量有顯著的正向作用，但這一作用僅限于影片上映之前。演員影響力對預告片關注數量有正向作用，明星的吸引效應在上映前和上映后始終存在。國產影片比進口影片受到更多關注，這可能與國內觀眾的文化背景以及國產影片的主場營銷優勢有關。

影片上映之前與影片上映期間，影響預告片關注數量的因素有所不同，主要表現在預告片投放時間、制片公司影響力和導演影響力上，它們的作用只發生在影片上映之前。本研究認為，預告片及預告片網頁上的評論起著創建產品意識和傳播產品體驗的作用。影片上映之前，預告片投放越早，投放數量越多，越容易提高觀眾的產品意識。影片上映之后，預告片仍然發生作用，看過電影的人在這里發表感想，沒看過的人來這里搜尋信息。后者是新產品擴散過程中的跟隨者，預告片的投放時間對他們而言并不重要，他們關注的是當前的熱門影片。另外，大制作的電影，其預告片一旦發出就會引起人們關注，這種電影自帶的光環及對市場的吸引力，是那些小制作電影所不具備的，小制作電影的預告片在投放之后往往沒有多少市場反應，直到電影上映之后才開始為眾人所知曉，預告片的關注數量迅速上升。因此，上述變量的作用只發生在影片上映之前。假設H1b得到了支持。

4.2預告片關注數量及情感反應對票房的影響

為了檢驗預告片關注數量和預告片評論情感對票房的作用，本文分別建立了兩個模型：(1)對首周票房建立了截面數據模型，用于檢驗上映前的預告片關注數量、預告片評論情感對于首周票房的作用。(2)對后續周票房建立了面板數據模型，用于檢驗上映期間的周預告片關注數量、周預告片評論情感對后續周票房的作用。面板數據模型中加入了被解釋變量(周票房)的滯后項。

模型的形式如下所示：

BoxOpeninglyi=γ0+γ1*ViewBeforei+γ2*SentBeforei+γ3*Posteri+γ4NewsBeforei+γ5X+εi

(1)

BoxWeeklyit=γ0+γ1*viewWeeklyit+γ2*SentWeeklyit+γ3*BoxWeeklyi,t-1+γ4*Posteri+γ5*NewsWeeklyit+γ6*Xi+μi+ξit

(2)

模型(1)中，BoxOpeningly為首周票房，ViewBefore和SentBefore分別表示影片上映之前的預告片關注數量和預告片評論情感值，Poster表示海報數量，NewsBefore表示上映之前的新聞數量，X為一組與影片相關的變量，包括投資額、制片公司影響力、導演影響力、演員影響力、影片是否續集、影片是否國產、上映日是否假日。下標i表示第i部電影。

模型(2)中，BoxWeekly為周票房，ViewWeekly和SentWeekly分別表示影片上映期間的周預告片關注數量和周預告片評論情感值，Poster表示海報數量，NewsWeekly表示上映期間的周新聞數量，X為一組與影片相關的變量，包括投資額、制片公司影響力、導演影響力、演員影響力、影片是否續集、影片是否國產、上映是否假日。下標i表示第i部電影，下標j表示第j周。

本研究使用R軟件的lm函數和plm程序包對模型(1)和模型(2)進行了參數估計，結果如表5和表6所示。

表5 首周票房的模型估計結果

注：***顯著性水平0.001，**顯著性水平0.01，*顯著性水平0.05，·顯著性水平0.1。

表5的1-4列顯示了不同情感度量方法和不同控制變量組合下的參數估計結果。由表5可以看出：(1)影片上映之前的預告片關注數量正向影響首周票房，而預告片評論總體情感極性的作用不顯著。(2)如果使用各類情感詞頻來替代情感極性，則預告片關注數量和部分情感詞頻的作用是顯著的。其中，“樂”、“哀”類情感詞頻對票房的作用顯著，而“好”“惡”類的情感詞頻對票房的作用不顯著。(3)使用情感詞頻替代總體情感極性之后，模型的擬合程度和顯著性水平得到較大程度的提升，R方和調整R方均提高20%左右。(4)影響首周票房的因素還包括上映日是否假日、影片是否續集、影片國別。

表6 后續周票房的模型估計結果

注：***顯著性水平0.001，**顯著性水平0.01，*顯著性水平0.05，·顯著性水平0.1。本次研究對模型選擇進行了PF檢驗，按照PF檢驗的結果，選擇了混合模型。

表6的1-4列顯示了不同情感度量方法和不同控制變量組合下的參數估計結果。由表6可以看出：(1)影片上映期間，“樂”、“哀”類情感詞頻對票房的作用不顯著，而“好”“惡”類的情感詞頻，尤其是 “惡”類詞頻對票房有顯著作用。(2)除了預告片關注數量和預告片評論情感之外，后續周票房還受到前一周票房和當前周新聞數量的影響。如果模型不包含被解釋變量的滯后變量，影片是否續集對后續周票房也有顯著的作用。

結合表5和表6的結果發現，整體而言，預告片關注數量和評論情感對票房有作用。上映之前，預告片評論中“樂”“哀”類的情緒詞頻對票房有作用。上映期間，預告片評論中“好”“惡”類的評價詞頻對票房有作用。因此，假設H2a和H2b得到了支持。正如前文所述，在影片上映之前，觀眾對電影的了解非常有限，這一時期的評價(“好”或者“惡”)往往基于一些信息片段的推測，在傳播過程中不具備足夠的說服力，所產生的作用非常有限。與“好”“惡”不同的是，“樂”或者“哀”是觀眾自身的情緒反應。在影片正式上映之前，情緒反應更為自然真實、有感染力。在影片上映之后，一些觀眾已經去影院看過電影，對電影有所感觸并發表觀點，這一時期的評價比上映之前的評價更具備說服力。

表7 預告片、海報、新聞對票房作用的比較

注：***顯著性水平0.001，**顯著性水平0.01，*顯著性水平0.05，·顯著性水平0.1。

由表5和表6還可以發現，新聞數量只在后續周票房模型中發生作用，海報的作用則不顯著。為了比較預告片、海報和新聞對票房的作用差異，本研究分別以總票房和周票房為因變量，以預告片、海報和新聞的數量為自變量，建立回歸模型。結果顯示：(1)對總票房影響最大的是預告片，其次是新聞，這與以往的研究結論一致[33]。(2)第一周至第五周的五個周內，預告片對票房的影響都是顯著的。隨著時間推移，預告片的影響程度有所減弱。新聞在前兩周中的作用不顯著，后期開始產生作用(見表7)。

5 結語

本文研究預告片投放對觀眾反應的作用，以及觀眾反應對票房的作用。主要結論如下：(1)預告片的投放時間、數量、長度對預告片關注數量有顯著的作用，提前投放和密集投放會提高預告片的營銷效果，但是預告片并非越長越好，過長的預告片會增加觀眾的認知負荷、降低觀眾的觀看興趣。(2)預告片關注數量和預告片評論情感對影片票房有顯著的作用。預告片投放之后，只有被觀眾關注了，產生情感上的共鳴，預告片對票房的促進作用才能得以實現。如果預告片投放之后，沒有得到關注，或者受到大量的負面評價，則預告片沒有起到預期的作用甚至產生負面作用。(3)影片上映之前，預告片評論中的“樂”、“哀”詞頻對票房有顯著的作用，影片上映期間，預告片評論中的“好”、“惡”詞頻對影片票房有顯著作用。在影片上映之前，電影市場上的“嘗鮮者”開始意識到影片的存在，觀眾對電影的了解非常有限，此時的評價缺乏足夠的說服力，而觀眾自身的情緒反應更為自然真實、有感染力。在影片上映期間，一些觀眾已經去影院看過電影，這一時期的評價比上映之前更具備說服力，電影市場上的“追隨者”開始關注熱門影片。本文的研究結論可以為電影營銷策略制定和營銷資源分配提供支持。

本文研究還存在著兩個方面的局限性。第一，本文只研究了預告片投放的時間、數量、長度的作用，沒有考慮每一段預告片的邊際效應和組合效應，未來可以分析每一段預告片的邊際貢獻，預告片之間的相關性及其對于組合效應的影響，并對同一部影片的不同預告片的作用差異進行比較。第二，本文沒有考慮影片類型對預告片營銷效果的調節作用，不同類型的影片，其預告片作用可能有所不同，未來可以做進一步研究。

[1] Karray S, Debernitz L. The effectiveness of movie trailer advertising [J].International Journal of Advertising Research,2017,36(2):368-392.

[2] Oh S, Ahn J, Baek H. Viewer engagement in movie trailers and box office revenue[C]//Proceedings of 2015 48th Hawaii International Conference on System Sciences, Kauai,HI,USA,January, 5-8,2015.

[3] Hou Yimin, Xiao Ting, Zhang Shu, et al.Predicting movie trailer viewer’s “like/dislike” via learned shot editing patterns [J]. IEEE Transactions on Affective Computing, 2016, 7(1):29-44.

[4] Finsterwalder J, Kuppelwieser V G, Villiers M D.The effects of film trailers on shaping consumer expectations in the entertainment industry [J]. Journal of Retailing and Consumer Services, 2012, 19(6): 589-595.

[5] Sauer M. Cue-recognition effects in the assessment of movie trailers [J]. Journal of Retailing and Consumer Services,2014, 21 (3):376-382.

[6] Suckfüll M, Moellering K. The differential success of movie trailers [J]. Journal of Retailing and Consumer Services, 2015, 22:138-144.

[7] Duan Wenjing, Gu Bin, Whinston A B.Do online reviews matter? An empirical investigation of panel data [J].Decision Support Systems, 2008, 45(4):1007-1016.

[8] Gopinath S,Chintagunta P K, Venkataraman S. Blogs, advertising and local-market movie box-office performance [J]. Management Science, 2013, 59(12):2635-2654.

[9] Karniouchina E V. Impact of star and movie buzz on motion picture distribution and box office revenue [J]. International Journal of Research in Marketing, 2011, 28 (1):62-74.

[10] 郝媛媛，鄒鵬，李一軍,等.基于電影面板數據的在線評論情感傾向對銷售收入影響的實證研究[J].管理評論,2009,21(10):95-103.

[11] 王煉,賈建民.基于網絡搜索的票房預測模型——來自中國電影市場的證據[J]. 系統工程理論與實踐，2014,34(12):3079-3090.

[12] Apala K R, Jose M, Motnam S, et al. Prediction of movies box office performance using social media [C]// Proceedings of 2013 IEEE/ACM International Conference on Advances in Social Networks Analysis and Mining,Niagara Falls,ON,Canada,August,25-28,2013.

[13] Oh C, Roumani Y, Nwankpa J K, et al. Beyond likes and tweets: Consumer engagement behavior and movie box office in social media [J]. Information &Management.2017,54(1):25-37.

[14] Archak N, Ghose A, Ipeirotis P G. Deriving the pricing power of product features by mining consumer reviews [J]. Management Science, 2011, 57(8): 1485-1509.

[15] Joshi M, Das D, Gimpel K, et al. Movie reviews and revenues: An experiment in text regression [C]//Proceedings of the 2010 Annual Conference of the North American Chapter of the ACL, Los Angeles,Califonia,USA,June 2-4,2010.

[16] Rui Huaxia, Liu Yizao, Whinston A. Whose and what chatter matters? The effect of tweets on movie sales [J]. Decision Support Systems, 2013, 55(4): 863-870.

[17] 史偉,王洪偉,何紹義. 基于微博情感分析的電影票房預測研究[J].華中師范大學學報(自然科學版),2015,49(1):66-72.

[18] Ehrenberg A S C. Repetitive advertising and the consumer [J]. Journal of Advertising Research,2000, 40(6): 39-48.

[19] Kalish S, A new product adoption model with price, advertising, and uncertainty[J]. Management Science, 1985, 31(12): 1569-1585.

[20] Moon S, Kim J, Bayus B L, et al. Consumers’ pre-launch awareness and preference on movie sales [J]. European Journal of Marketing, 2016, 50(5/6): 1024-1046.

[21] Cross J J, Levenson R W. Emotion elicitation using films [J]. Cognition and Emotion. 1995, 9(1): 87-108.

[22] 郝媛媛,葉強，李一軍.基于影評數據的在線評論有用性影響因素研究[J].管理科學學報,2010,13(8):78-88.

[23] 王偉,王洪偉.特征觀點對購買意愿的影響:在線評論的情感分析方法[J].系統工程理論與實踐,2016,36(1):63-76.

[24] Divakaran P K P, N?rskov S. Are online communities on par with experts in the evaluation of new movies? Evidence from the Fandango community [J]. Information Technology & People, 2016, 29(1): 120-145.

[25] Asur S,Huberman B A. Predicting the future with social media [C]//Proceedings of the 2010 IEEE/WIC/ACM International Conference on Web Intellingence and Intelligent Agent Technology,Washington,DC,USA,August 31-September 03,2010.

[26] Liu Yong. Word-of-mouth for movies: Its dynamics and impact on box office revenue [J]. Journal of Marketing, 2006, 70(3):74-89.

[27] Ghiassi M, Lio D, Moon B. Pre-production forecasting of movie revenues with a dynamic artificial neural network [J].Expert Systems with Applications, 2015, 42(6):3176-3193.

[28] 施曉菁,梁循,孫曉蕾.基于在線評級和評論的評價者效用機制研究[J].中國管理科學,2016,24(5):149-157.

[29] 徐琳宏,林鴻飛,潘宇,等.情感詞匯本體的構造[J].情報學報,2008,27(2):180-185.

[30] Hur M, Kang P, Cho S. Box-office forecasting based on sentiments of movie reviews and Independent subspace method [J].Information Sciences, 2016,372: 608-624.

[31] Niraj R, Singh J.Impact of user-generated and professional critics reviews on Bollywood movie success [J]. Australasian Marketing Journal, 2015, 23(3):179-187.

[32] Kim SH, Park N, Park SH .Exploring the effects of online word of mouth and expert reviews on theatrical movies' box office success [J]. Journal of Media Economics, 2013, 26(2):98-114.

[33] Eliashberg J, Jonker JJ, Sawhney MS, et al. MOVIEMOD: An implementable decision support system for pre-release market evaluation of motion pictures [J].Marketing Science, 2000,19(3):226-243.

TheEffectsofOnlinePre-launchMovieTrailersontheBoxOfficeRevenue——Based on Text Sentiment Analysis Method

SUNChun-hua，LIUYe-zheng

(School of Management，Hefei University of Technology，Hefei 230009, China)

Trailers are the most widely used method of movie advertising, with the purpose of building consumer awareness and expectations before the release of the movie. In the past, movie trailers were shown at the cinema or on television. Nowadays, trailers appear on the video websites. The effects of online pre-launch movie trailers include two periods:before the release of the movie and after the release of the movie. In the paper, the effects of movie trailers on the viewers' awareness and preference and the effects of the viewers' awareness and preference on the movies' box office revenue are studied. Based on the theories of pure exposure and consumer engagement, the research hypothesis is put forward. Data is collected from mtime.com(www.mtime.com)and entgroup.com(www.entgroup.cn) and text sentiment analysis methods are used to extract the sentiment words from the viewer comments of the movie trailers. A hurdle model is established to examine the effects of movie trailers on the viewers' awareness and preference. A cross section data model and a panel data model are established to examine the effects of the viewers' awareness and preference on the openingweek box office revenue and the weekly box office revenue. The results show that: (1) the release time, the number and the length of movie trailers have effects on the number of the viewer comments.(2) The number of viewer comments and the frequencies of sentiment words have effects on the box office revenue.(3)Before the release of the movie, the frequencies of the words about “joy” and “sadness” have effects on the box office revenue. After the release of the movie, the frequencies of the words about“like”and“dislike” have effects on the box office revenue. The conclusions of the study can provide support for movie marketing strategy development and marketing resource allocation.

1003-207(2017)10-0151-11

10.16381/j.cnki.issn1003-207x.2017.10.016

F713.36

A

2016-08-31；

2017-01-05

教育部人文社會科學研究資助項目(15YJC630111)；國家自然科學基金重大研究計劃資助項目(71490725)；國家自然科學基金資助項目(71501057)

劉業政(1965-)，男(漢族)，安徽和縣人，合肥工業大學管理學院教授，博士生導師，研究方向：電子商務、數據挖掘,E-mail:liuyezheng@hfut.edu.cn.

Keywords： movie trailers； online pre-launch； awareness； sentiment；box office revenue