二、文献综述

20世纪80年代以来，国内外对于电影票房的传统影响因素进行了一系列研究，Litman（1989）提出了巴里·利特曼的票房分析模型，发现奥斯卡提名、明星、续集、导演、影评等因素对影片租金有正面影响。许多后续研究由此展开，利特曼使用的回归分析法也成为影响至今的票房分析主流方法。Sharda和Delen（2006）首次提出利用神经网络进行票房预测的模型，并将电影的MPAA评级、竞争度、明星价值、影片类型、科技特效、是否为续集和银幕数七项信息作为自变量，供神经网络学习。但由于自变量的选择不尽合理，尤其是缺少了影评、口碑两类重要变量，研究结果不尽如人意。王锦慧（2016）发现导演、演员、特效与总票房显著相关，发行公司、放映时间、影评与总票房的相关性并不显著。

上述研究围绕电影票房的传统影响因素而展开，而随着互联网的普及、社交媒体大数据的积累，针对社交媒体上的营销活动对票房的影响以及其相关的票房预测研究也有了长足发展。Asur和Huberman（2010）创建了基于推特的票房影响因素研究，结果表明：电影宣传方在宣传期间发布的影片相关内容的转发量与票房有一定的正相关性。但该研究样本数太小，仅24部，故其准确性还有待检验。Oh（2013）利用来自推特的数据，发现电影营销方发布的内容和用户的参与度对票房有间接影响，而且当电影营销方更多地利用社交媒体与用户互动时，影片更可能取得较高的关注度。该研究说明了利用社交媒体进行宣传时与用户的互动对最终宣传结果的影响。Hennig－Thurau和Wiertz（2014）研究超过400万的微博评论数据，发现微博用户的观影评论会对潜在观众对电影的接受度产生影响，并且总结了潜在观众如何利用微博信息做出消费决定的过程和特点，该研究通过表明社交媒体上的电影评论对消费决定的影响，强调了口碑营销对票房的重要性。王文文和周法根（2013）研究电影上映前一周和后一周认证用户微博信息数、豆瓣评分等因素对电影票房的影响，通过相关性检验得出结论：社交媒体上的数据在一定程度上可以对电影票房进行预测，上映前社交媒体上影片物料的相关数据与最终的电影票房没有直接关系，该结果表明社交媒体上前期的内容营销未能有效刺激用户需求。周明升和韩冬梅（2014）研究时光网上关于电影的平均评分、累计评价数、各周累计评分以及百度指数对电影票房的影响，得出结论：票房收入与评价数、用户关注度显著相关。但该研究选取电影上映时网络平台的相关数据，故研究结果是否适用于前期的票房营销有待检验。杨威（2014）选取电影主演和导演的微博粉丝数、相关微博的转发量和评论量作为研究变量，使用神经网络预测模型进行票房预测。预测模型的训练集数据的拟合优度较高，表明微博数据与电影票房具有一定的相关性，进一步论证了使用社交媒体进行票房营销的可行性。王锦慧（2019）将微博内容进行细分，得出微指数对于总票房的影响较为显著，话题阅读量、讨论量和粉丝数以及上映前导演微博的转发量和评论量与总票房有相关关系。研究通过指出微指数、微博话题关注度对票房有显著影响，肯定了社交媒体营销对电影票房的影响。