Экономико-математическое моделирование коммерческого успеха высокорисковых проектов в киноиндустрии тема диссертации и автореферата по ВАК РФ 08.00.13, кандидат наук Антипов, Евгений Александрович

• Антипов, Евгений Александрович
• кандидат наук
• 2014

Оглавление диссертации кандидат наук Антипов, Евгений Александрович

Оглавление

Введение

Глава 1. Критерии оценки и факторы коммерческого успеха кинофильмов

1.1. Классификация и особенности экономико-математических моделей киноиндустрии

1.2. Подходы к оцениванию моделей спроса на кинофильмы

1.3. Критерии и детерминанты успеха кинофильма

1.4. Ограничения существующих исследований

1.5. Концептуальная модель коммерческого успеха кинофильмов

Глава 2. Описательный и сегментационный анализ рынка кинофильмов

2.1. Информационная база исследования

2.2. Методика измерения силы актерского состава и режиссера фильма

2.з! Формализация содержания кинофильмов на основе текстовой информации

2.4. Анализ соответствий между атрибутами кинофильмов и коммерческим успехом

2.5. Кластеризация кинофильмов по коммерческому успеху

Глава 3. Объясняющие модели коммерческого успеха кинофильмов

3.1. Робастные модели кассовых сборов

3.2. Модель кассовых сборов с латентными классами

Глава 4. Прогнозные модели коммерческого успеха и их диагностика

4.1. Требования к прогнозным моделям коммерческого успеха

4.2. Сегментационный подход к диагностике точности моделей

4.3. Построение и диагностика прогнозных моделей

4.4. Оценка вклада различных факторов в объяснение коммерческого успеха кинофильма

4.5. Подходы к прогнозированию кассовых сборов после выхода фильма в кинотеатральный прокат

Заключение

Список литературы

Введение диссертации (часть автореферата) на тему «Экономико-математическое моделирование коммерческого успеха высокорисковых проектов в киноиндустрии»

Введение

Актуальность. По данным Американской ассоциации кинокомпаний в 2013 году суммарные кассовые сборы всех вышедших в мировой кинотеатральный прокат фильмов достигли 35,9 миллиардов долларов, что на 4% больше, чем в 2012 году [Motion Picture Association of America, 2014]. 1-Ia долю США и Канады приходится почти половина всех кассовых сборов (10,9 миллиардов долларов). Однако наиболее быстрорастущими оказались китайский (+27%), мексиканский (+16%) и российский рынки (+11%). Суммарные кинотеатральные сборы в России составили в 2013 году 1,4 миллиарда долларов, что является 6-м результатом среди стран мира. Помимо кинотеатральных сборов, объем кинорынка включает в себя сборы от продаж фильмов в форматах DVD, В lu-Ray, в форме мобильного контента, а также сборы от продаж прав на показ кинопродуктов телевизионным каналам, поэтому объем всего кинорынка может быть в разы выше кинотеатрального. Кроме непосредственного вклада киноиндустрии в экономику, она стимулирует многочисленные внешние эффекты: потребление определенных товаров, появляющихся на экране, посещение стран, показанных в кинокартинах и т.п.

Несмотря на то, что киноиндустрия характеризуется достаточно большим размером и высоким темпом роста, производство кинофильмов - один из наиболее рискованных видов предпринимательства. Ряд фильмов имеют колоссальные бюджеты в несколько сотен миллионов долларов -соответствующими должны быть и доходы от показа фильма в кинотеатрах и продаж DVD, но инвесторы отмечают, что предсказать финансовый успех фильма крайне сложно даже для опытных участников рынка. Только 3-4 кинофильма из 10 окупают затраты на их производство и только каждый десятый приносит прибыль [Vogel, 2010; Valenti, 2004]. Расширение знаний относительно факторов успеха фильмов можно рассматривать как важнейший вклад в уменьшение доли неудачных инвестиций в кинопроизводство. Предварительная оценка будущего коммерческого успеха кинофильмов может позволить инвесторам сузить круг

проектов, требующих более тщательного последующего анализа их инвестиционной привлекательности. Разработка достаточно точных экономико-математических моделей также позволила бы кинотеатрам количественно обосновывать принятие решений о покупке прав на показ определенных фильмов. Умение предсказывать показатели успеха кинофильмов в последнее время стало актуальным и для людей, не участвующих в производстве и показе фильмов, в связи с существованием букмекерских контор, принимающих ставки на исход различных событий, и появлением так называемых бирж ставок, фактически являющихся частным случаем так называемых рынков предсказаний - особого вида финансовых рынков, на которых заключаются контракты, владельцы которых в случае наступления определенного события (например, превышения кассовыми сборами кинофильма определенной планки) получают выигрыш, в противном случае - нет. В таком случае цена контракта, которую агент готов уплатить, определяется ожидаемой агентом вероятностью наступления события. Соответственно, моделирование финансового успеха кинофильма можно сравнить с моделированием исхода спортивного матча или президентских выборов и, соответственно, как организатор торгов или букмекерской конторы, так и игроки могут быть заинтересованы в разработке моделей для расчета вероятности того или иного исхода.

Наличие большого объема свободно доступной исторической информации о характеристиках кинофильмов делает возможным и обоснованным использование эконометрических методов для понимания факторов, повышающих и понижающих вероятность успеха фильма и его кассовые сборы.

Однако работа актуальна не только для киноиндустрии. Эконометрические методы прочно вошли в практику экономических исследований, при этом существует тенденция обособления методов эконометрики от методов смежных областей, в частности машинного обучения. Предлагаемые в работе экономико-математические подходы к спецификации, интерпретации, диагностике и повышению точности моделей могут быть использованы в целом классе систем

принятия экономических и управленческих решений, связанных с оценкой перспективности различного рода инновационных проектов, спецификой которых являются высокие риски неудачной реализации. Использование предлагаемых математических подходов позволяет обеспечить большую реалистичность моделей и улучшить их интерпретацию, что особенно важно при обосновании и принятии управленческих решений в маркетинге и финансах.

Степень разработанности научной проблемы. На протяжении последних 30 лет происходил рост числа академических исследований, посвященных киноиндустрии. Сложность производственного процесса, уникальные особенности дистрибуции и показа, а также неопределенность спроса обеспечили ученых многими важными и интересными проблемами. Доступность значительного числа источников эмпирических данных по киноиндустрии (как открытых, так и закрытых) стала дополнительным фактором привлекательности этой темы для исследователей.

Исследованиями киноиндустрии на микроуровне, т.е. изучением проблем, связанных с отдельными участниками рынка, занимались такие зарубежные ученые, как С. Сочей, X. Фогель, У. Уолс, Б. Литман, Б. Чанг, Д. Делен, Р. Шарда, П. Кумар, А. Элберс, И. Элиашберг, А. Дэ Вэни, Ф. Цуфриден, С. Басурой, С. Рэвид и др. Среди российских исследователей проблемами маркетинга кинопроектов занимались И.А. Звегинцева, И.В. Неволин, Н.В. Ноакк, С.К. Сарымсаков, A.C. Татарников, М.А. Ульянова и др. Работы по изучению киноиндустрии на макроуровне, т.е. посвященные проблемам, относящимся к индустрии в целом, принадлежат таким авторам как Д. Бай, М. Вестерман, Д. Гайлс, Р. Девентер, П. Макмиллан, И. Смит, К. Хэнд и др.

Обзор исследований спроса на кинофильмы позволил нам выявить некоторые ограничения существующих в этой области работ и пути совершенствования моделей спроса на кинофильмы:

1. Авторы большинства исследований не учитывают характеристики, описывающие состояние рынка в момент выхода фильма в прокат, среди

которых особо важной представляется интенсивность конкуренции со стороны других фильмов. В своем исследовании мы измеряем эту интенсивность числом фильмов, вышедших на экраны кинотеатров за 2 недели до и 2 недели после релиза фильма, для которого делается прогноз.

2. Исследователи, как правило, делают попытку получить единую формулу успеха для всех фильмов, не принимая во внимание тот факт, что, например, рейтинг Я (лицам до 17 лет обязательно присутствие взрослого) может положительно влиять на кассовые сборы боевиков и триллеров, но отрицательно влиять на кассовые сборы семейных комедий. Для учета подобных особенностей мы используем более гибкую регрессионную модель, в которой коэффициенты перед регрессорами могут зависеть от других переменных.

3. Сила актерского состава и режиссера, их «звездность» оценивается с помощью субъективных показателей и/или показателей, которые были измерены уже после выхода фильма в прокат, что создает проблему обратной причинности (актер мог стать звездой после того, как фильм вышел в прокат). Мы отказались от экспертных оценок в пользу объективных и воспроизводимых количественных показателей.

4. Исследователям не удается в сколько-нибудь значительной степени учесть художественную составляющую фильма. Для решения этой проблемы в своем диссертационном исследовании мы используем классификацию фильмов не только по жанру, но и по художественному типу, а также предлагаем подход, позволяющий формализовать доступную текстовую информацию о фильме для более полного описания его содержания.

5. В существующей литературе мало внимания уделяется диагностике точности получаемых моделей. В то же время, модель может давать хороший прогноз на одном сегменте выборки, но плохой - на другом. Для выявления таких сегментов мы разработали сегментационный подход к диагностике точности предсказания.

Цель и задачи диссертационного исследования. Целью данной работы является развитие методов экономико-математического моделирования будущего коммерческого успеха высокорисковых кинопроектов на основе информации, имеющейся в открытом доступе на ранних этапах кинопроизводственного цикла. Для достижения этой цели были поставлены и решены следующие задачи:

■ Разработка концептуальной модели коммерческого успеха кинофильмов;

■ Разработка оригинальных количественных показателей, отражающих силу актерского состава и режиссера кинофильма, интенсивность конкуренции в момент выхода фильма в прокат;

■ Формализация доступной о кинофильмах текстовой информации с использованием интеллектуального анализа текстов и метода главных компонент для дальнейшего использования этой информации в экономико-математических моделях;

■ Проведение описательного и сегментационного анализа рынка кинофильмов;

■ Построение и интерпретация робастных регрессионных моделей кассовых сборов кинофильма, построенных по историческим данным;

■ Построение и интерпретация регрессионной модели с латентными классами, которые различаются параметрами модели кассовых сборов;

■ Разработка сегментационного подхода к диагностике однородности качества предсказания между сегментами наблюдений для задач регрессии и классификации;

■ Сравнительный анализ и диагностика прогнозных моделей кассовых сборов и относительной рентабельности;

■ Оценка важности различных предикторов кассовых сборов кинофильма. Объект и предмет исследования. Объектом исследования являются

предприятия киноиндустрии, занимающиеся производством кинофильмов для широкого кинотеатрального проката. Предметом исследования является процесс

формирования кинотеатральных кассовых сборов, являющихся основой для расчета показателей коммерческого успеха кинофильмов.

Теоретическая и методологическая основа исследования. Теоретической и методологической основами исследования послужили труды отечественных и зарубежных экономистов-математиков в области концептуального и экономико-математического моделирования коммерческого успеха кинофильмов, методы эконометрики и машинного обучения. При обработке данных использовались пакеты прикладных программ Stata 12, Statistica 8 и IBM SPSS Statistics 20.

Информационная база работы. В работе использованы данные компании Nash Information Ser-vices, LLC, известной на международном рынке информационных услуг для киноиндустрии. В набор данных вошли все фильмы с известным производственным бюджетом, вышедшие в широкий американский прокат в 1999-2012 гг.

Обоснованность и достоверность результатов диссертационного исследования. Обоснованность и достоверность результатов исследования обеспечивается высоким уровнем адекватности используемого информационного обеспечения и научной обоснованностью выбора инструментов исследования.

Соответствие диссертации Паспорту научной специальности. Диссертационная работа соответствует Паспорту научной специальности 08.00.13 - «Математические и инструментальные методы экономики», а именно следующим пунктам части 1 «Математические методы»:

■ 1.1. Разработка и развитие математического аппарата анализа экономических систем: математической экономики, эконометрики, прикладной статистики, теории игр, оптимизации, теории принятия решений, дискретной математики и других методов, используемых в экономико-математическом моделировании.

■ 1.4. Разработка и исследование моделей и математических методов анализа микроэкономических процессов и систем: отраслей народного хозяйства, фирм и предприятий, домашних хозяйств, рынков, механизмов

формирования спроса и потребления, способов количественной оценки предпринимательских рисков и обоснования инвестиционных решений. Научная новизна результатов исследования. Научная новизна результатов исследования состоит в разработке совокупности оригинальных моделей, подходов и методик, способствующих проведению многофакторного экономико-математического анализа коммерческого успеха кинофильмов, позволяющего сделать количественно обоснованные выводы об их коммерческом потенциале.

Наиболее существенные результаты исследования, обладающие научной новизной и полученные лично соискателем:

1. Разработана концептуальная модель коммерческого успеха кинофильмов, систематизирующая детерминанты спроса на кинокартины и формирующая основу для экономико-математического моделирования коммерческого успеха кинопроектов.

2. Получена расширенная система факторов, основанная на формализации текстовой информации о причинах присвоения фильму того или иного рейтинга Американской ассоциации кинопроизводителей (ААК), что существенно дополнило перечень объясняющих переменных, используемых в моделировании коммерческого успеха фильмов. Было показано, что использование полученного набора снижает проблему мультиколлинеарности в регрессионном моделировании за счет низкой корреляции получаемых переменных с жанром и художественным типом фильмов, при этом сохраняя долю объясняемой дисперсии на том же уровне, что и при использовании самих рейтингов ААК.

3. Разработан и применен подход к анализу жанровой специализации дистрибьюторов кинопродукции, основанный на количественном анализе соответствий, позволивший сделать обоснованный вывод о наличии у дистрибьюторов сравнительных преимуществ, несмотря на то, что крупные дистрибьюторы берутся за реализацию фильмов разных жанров. Данный

подход можно использовать для отслеживания жанровой специализации дистрибьюторов во времени.

4. Предложены методики расчета показателей силы актерского и режиссерского состава фильмов, а также интенсивности конкуренции на рынке в момент выхода фильма в прокат, особенностью которых является опора на объективные количественные данные. Эмпирически подтверждена статистическая значимость этих объясняющих переменных.

5. Проведена кластеризация рынка кинофильмов, позволившая выделить 7 крупных групп кинопроектов, между которыми доля рентабельных фильмов существенно варьируется. Кластеризация подтверждает гипотезу о различиях вероятности успеха кинофильмов в разных сегментах кинорынка.

6. Выявлены на основе робастной регрессионной модели устойчивые статистически значимые закономерности, описывающие характер влияния атрибутов кинофильмов на их кассовые сборы.

7. Разработана модель кассовых сборов, в которой впервые учтена неоднородность предельных эффектов характеристик кинофильмов в зависимости от сегмента, к которому относится фильм. Модель позволила выявить 2 латентных класса кинофильмов, в которых наблюдается различное влияние управляемых менеджером кинопроекта характеристик на кассовые сборы, и в значительной степени • объяснить получаемые исследователями различия в выводах о влиянии характеристик кинопроекта на его коммерческий успех.

8. Обоснована применимость метода Random Forest для прогнозирования коммерческого успеха кинофильмов, и эмпирически показаны его преимущества в предсказании кассовых сборов и рентабельности кинофильмов на тестовой выборке в сравнении с двумя другими методами.

9. Предложен и применен сегментационный подход к диагностике однородности качества предсказания в моделях регрессии и классификации, позволяющий выявить сегменты кинофильмов, различающиеся по качеству

предсказания, в т.ч. и сегменты, в которых определенная прогнозная модель недостаточно адекватна данным. 10.Количественно оценена важность каждого предиктора кинотеатральных сборов, и подтвержден значительный вклад детерминант коммерческого успеха кинофильмов, которые были впервые измерены и использованы автором в качестве объясняющих переменных.

Теоретическая и практическая значимость исследования. Теоретическая значимость работы заключается в разработке концептуальной модели коммерческого успеха кинофильмов, а также в развитии и расширении методологической базы исследований, направленных на изучение детерминант коммерческого успеха кинофильмов. Практическая ценность результатов диссертационного исследования обусловлена возможностью их использования для создания систем поддержки принятия решений об инвестициях в новые кинофильмы. Часть разработок, в частности, сегментационный подход к диагностике однородности качества предсказания в моделях регрессии и классификации, могут быть использованы в широком классе экспертных систем. В частности, результаты диссертации были внедрены в деятельность консалтинговой компании ООО «Пальмира Интернешнл» для повышения обоснованности управленческих решений при реализации проектов, связанных с прогнозированием коммерческого успеха новых продуктов до вывода их на рынок, что подтверждается справкой о внедрении. Также результаты исследования могут быть использованы при разработке учебно-методических материалов по курсам, связанным с оценкой инвестиционного потенциала проектов, а также организацией и анализом данных количественных маркетинговых исследований.

Апробация результатов исследования. Результаты исследования прошли апробацию на следующих конференциях и семинарах:

■ Российский экономический конгресс (Москва), декабрь 2009 г.

■ Городской семинар по экономико-математическим методам и моделям (Санкт-Петербургский экономико-математический институт РАН), 19 мая

2010 г.

■ II Всероссийская научная конференция с международным участием «Социально-экономические системы: вопросы развития и управления» (Самара), ноябрь 2010 г.

■ Научный семинар факультета экономики НИУ ВШЭ - Санкт-Петербург, 15 декабря 2010 г.

■ 5-я Ежегодная конференция Европейского университета в Санкт-Петербурге и Санкт-Петербургского экономико-математического института РАН «Современные подходы к исследованию и моделированию в экономике, финансах и бизнесе» (ЕУ СПб и СПб ЭМИ РАН), 15-16 апреля

2011 г.

м Научная конференция «Инновационная экономика: реалии и перспективы» (НИУ ВШЭ - Санкт-Петербург), 27 сентября 2011 г.

■ Всероссийская конференция «Моделирование в задачах городской и региональной экономики» (ЦЭМИ, ЭМИ РАН, Леонтьевский Центр), 24-25 октября 2011 г.

■ IV международная конференция «Государство и бизнес. Вопросы теории и практики: моделирование, менеджмент, финансы» (Санкт-Петербург), 23-25 апреля 2012 г.

Работа, основанная на некоторых результатах, изложенных в диссертации, стала лауреатом конкурса научно-исследовательских работ среди магистрантов НИУ ВШЭ в 2010 году.

Публикации результатов исследования. Важнейшие результаты исследования отражены в 4 научных работах, опубликованных в рекомендованных ВАК РФ журналах, среди которых 3 англоязычные статьи в международных рецензируемых журналах, индексированных в базе SCOPUS, а также в 4 статьях из материалов конференций [Antipov, Pokryshevskaya, 2012,

2011, 2010; Антипов, 2011а, 2011Ь, 2012а, 2012Ь, 2014]. Общее количество публикаций по теме диссертации - 8 (общий объем - 4 пл., вклад автора - 3,4 пл.). Часть научных работ была написана в соавторстве с Е.Б. Покрышевской. Упоминанием коллеги в качестве второго автора был отмечен ее вклад в формирование логичной структуры публикаций, редактировании англоязычного текста и статистическое консультирование основного автора по ряду вопросов. Однако в тексте диссертации приводятся исключительно полученные автором самостоятельно научные результаты.

Структура диссертации. Диссертация состоит из введения, четырех глав, заключения и списка литературы, включающего 99 источников на русском и английском языках. Общий объём диссертационной работы - 126 страниц. В диссертации содержится 24 таблицы и 8 рисунков.

В первой главе «Критерии оценки и факторы коммерческого успеха кинофильмов» на основе анализа существующей литературы выявлены особенности и проведена классификация экономико-математических моделей киноиндустрии, описаны существующие подходы к оцениванию моделей спроса на кинофильмы, а также часто используемые в литературе критерии и детерминанты успеха кинофильмов. В конце первой главы перечислены ограничения существующих исследований и предложена авторская концептуальная модель коммерческого успеха кинофильмов.

Во второй главе «Описательный и сегментационный анализ рынка кинофильмов» подробно описана информационная база исследования, предложена методика измерения силы актерского состава и режиссера фильма, формализовано содержание кинофильмов на основе текстовой информации, проведен анализ соответствий между атрибутами кинофильмов и их коммерческим успехом, а также сегментация кинофильмов по коммерческому успеху.

В третьей главе «Объясняющие модели коммерческого успеха кинофильмов» построены эконометрические модели кассовых сборов,

позволившие сделать выводы о влиянии различных характеристик кинокартины на ее финансовый успех.

Четвертая глава «Прогнозные модели коммерческого успеха и их диагностика» посвящена сравнительному анализу точности ряда прогнозных моделей коммерческого успеха и обоснованию целесообразности использования метода Random Forest для прогнозирования финансовой результативности кинопроектов. В этой главе сформулированы требования к прогнозным моделям коммерческого успеха, изложен авторский сегментационный подход к диагностике точности моделей, построены и продиагностированы прогнозные модели кассовых сборов и рентабельности, а также оценен вклад различных факторов в объяснение коммерческого успеха кинофильмов.

В заключении обобщены основные выводы и результаты диссертационного исследования.

Глава 1. Критерии оценки и факторы коммерческого успеха

кинофильмов

1.1. Классификация и особенности экономико-математических моделей

киноиндустрии

На протяжении последних 30 лет происходил рост числа академических исследований, посвященных киноиндустрии. Сложность производственного процесса, уникальные особенности дистрибуции и показа, а также неопределенность спроса обеспечили ученых многими интересными проблемами, достойными изучения. Доступность значительного числа источников эмпирических данных по киноиндустрии (как открытых, так и закрытых) стала дополнительным фактором привлекательности этой темы для исследователей.

Литературу, посвященную экономике киноиндустрии можно условно разделить на 2 группы:

1. Исследования киноиндустрии на микроуровне, т.е. посвященные проблемам, связанным с отдельными единицами рынка [Sochay, 1994; Vogel, 2010; Walls, 2005d; Litman, 1983; Lee, Chang, 2009; Delen, Sharda, Kumar, 2007; Chang, Ki, 2005; Sharda, Delen, 2006; Zhang, Luo, Yang, 2009];

2. Исследования киноиндустрии на макроуровне, т.е. посвященные проблемам, относящимися к индустрии в целом [Hand, 2002; Macmillan, Smith, 2001; Dewenter, Westermann, 2005; Bi, Giles, 2009]. Диссертационное исследование автора относится к исследованиям

киноиндустрии на микроуровне. В свою очередь в микроэкономической литературе можно выделить следующие направления исследований:

1. Исследования движущих сил спроса на кинофильмы со стороны конечных потребителей [Hennig-Thurau, Houston, Walsh, 2007; Chang, Ki, 2005; Sharda, Delen, 2006; Delen, Sharda, Kumar, 2007; Ноакк, Неволин, Татарников, 2012; Сарымсаков, 2010];

2. Исследования производства: контракты, финансирование и некоторые другие аспекты процесса создания фильма [Chisholm, 1997, 2004; Corts, 2001; Fee, 2002; Palia, Ravid, Reisel, 2008; Jansen, 2005];

3. Исследования стратегий дистрибуции: выбор даты выхода фильма в прокат, решение о количестве афиш и объеме рекламы [Einav, 2007; Moul, 2007, 2008];

4. Исследования, посвященные стратегиям поведения кинотеатров [Davis, 2005, 2006а, 2006b; Chisholm, Norman, 2006].

Данная работа посвящена анализу движущих сил спроса на кинофильмы. Литература по предсказанию спроса на кинофильмы может быть классифицирована на основе момента составления прогноза:

1. Модели, использующие информацию, доступную до релиза фильма, то есть выхода фильма в кинотеатральный прокат [Silva, 1998; Eliashberg и др., 2000; Litman, 1983; Litman, Kohl, 1989; Sochay, 1994; Zhang, Luo, Yang, 2009];

2. Модели для предсказания кассовых сборов после выхода фильма в прокат с использованием информации за первые дни проката [Neelamegham, Chintagunta, 1999; Ravid, 1999; Sawhney, Eliashberg, 1996].

Модели второй группы дают, как правило, более точные прогнозы, поскольку используют более полную информацию. Между тем, такие модели подходят скорее для объяснения динамики кассовых сборов, тогда как модели первого типа - для скрининга новых проектов. Наше исследование посвящено преимущественно оценке будущего коммерческого успеха фильмов на ранних стадиях производства, задолго до выхода в прокат. Этим определяются использованные в работе методы и обсуждаемые в качестве потенциально значимых факторы успеха.

Понимание факторов, влияющих на кассовые сборы фильмов, осложняется тем, что фильмы относятся к экспериментальным благам, то есть их качество выявляется только в процессе использования [Cooper-Martin, 1991, 1992]. Это

имеет два следствия: во-первых, фильмы - экспериментальное благо, поскольку потребители выбирают и используют фильмы исключительно для получения определенных ощущений и наслаждения [Holbrook, Hirschman, 1982]; во-вторых, индивиды не знают ценности фильма, пока не попробуют его [Shapiro, Varían, 1998].

Тот факт, что людьми движет мотив получения удовольствия, когда они принимают решение о просмотре фильма, позволяет сделать допущение, что зрители ориентируются на так называемые «квази-искомые качества» («quasi-search qualities»). Поэтому вполне обоснованно использовать гедонический (основанный на характеристиках продукта) подход для объяснения и прогнозирования спроса на кинофильмы. В исследованиях, посвященных выявлению детерминант успеха фильмов, как правило, выделяют три группы движущих сил успеха кинофильма: характеристики фильма, маркетинговые мероприятия после производства фильма и внешние факторы [Elberse, Eliashberg, 2003]. Под внешними факторами понимаются отзывы зрителей, рецензии и награды фильма, то есть информация, недоступная на этапе предварительного отбора проектов. Поэтому мы сосредоточимся на характеристиках творческой и коммерческой составляющих фильма.

Список литературы диссертационного исследования кандидат наук Антипов, Евгений Александрович, 2014 год

Список литературы

1. Айвазян С.А., Мхитарян B.C.. Прикладная статистика и основы эконометрики. М.: ЮНИТИ-ДАТА, 2001.

2. Антипов Е.А.. Использование общедоступной текстовой информации при моделировании коммерческого успеха кинофильмов // Моделирование в задачах городской и региональной экономики: Материалы Всероссийской конференции, посвященной 75-летию со дня рождения первого директора СПб ЭМИ РАН, заместителя председателя Президиума СПб НЦ РАН, профессора Бориса Львовича Овсиевича 24-25. СПб.: Нестор-История, 2011а. С. 14-17.

3. Антипов Е.А.. Построение и диагностика прогнозных моделей коммерческого успеха кинофильмов // Современные подходы к исследованию и моделированию в экономике, финансах и бизнесе: Материалы 5-й Ежегодной конференции Европейского университета в Санкт-Петербурге и Санкт-Петербургского экономико-математического института РАН Вып. 5. СПб.: Европейский университет в Санкт-Петербурге, 2011b. С. 14-15.

4. Антипов Е.А.. Формализация содержания кинофильмов с использованием текстовой информации // Государство и бизнес. Вопросы теории и практики: моделирование, менеджмент, финансы: тезисы докладов IV Международной конференции. Санкт-Петербург, 23-25 апреля 2012 г. СПб.: Издательство СЗИ РАНХиГС, 2012а. С. 35-37.

5. Антипов Е.А.. Американский кинопрокат в 2000-2010 годах: эмпирические факты и «парадокс фильмов ужасов» // Инновационная экономика: реалии и перспективы: научная конференция, Санкт-Петербург, 27 сентября 2011 года. Отдел оперативной полиграфии НИУ ВШЭ - Санкт-Петербург, 2012b. С. 139— 146.

6. Антипов Е.А.. Регрессионный анализ кассовых сборов кинофильмов с учетом эффектов модерации. // Известия Санкт-Петербургского государственного экономического университета. 2014. № 2. С. 89-92.

7. Звегинцева И.. Успех кинофильма—успех product placement. // Реклама. Теория и практика. 2005. № 2. С. 48-54.

8. Звегинцева И.. Фильм как товар. // Реклама. Теория и практика. 2011. № 1. С. 56-60.

9. Клишина Ю.Н.. Применение анализа соответствий в обработке нечисловой информации. // Социология: 4М. 1991. С. 105-119.

10. Ноакк Н.В., Неволин И.В., Татарников А.С.. Методика прогнозирования выручки от проката кинофильмов. // Финансовая аналитика: проблемы и решения. 2012. С. 17-24.

11. Сарымсаков С.К.. Прогнозирование коммерческого потенциала кинопроекта на ранних этапах фильмопроизводства. // Вестник ВГИК. 2010. С. 157-179.

12. Ульянова М.А.. Особенности маркетинга кинорынка и специфика кинопродукции как объекта маркетинга. // Маркетинг в России и за рубежом. 2000. №2. С. 3.

13. Albert S.. Movie Stars and the Distribution of Financially Successful Films in the Motion Picture Industry. // Journal of Cultural Economics. 1998. № 22. C. 249-270.

14. Antipov E., Pokryshevskaya E.. Applying CHAID for logistic regression diagnostics and classification accuracy improvement. // Journal of Targeting, Measurement and Analysis for Marketing. 2010. № 18. C. 109-117.

15. Antipov E.A., Pokryshevskaya E.. Accounting for latent classes in movie box office modeling. // Journal of Targeting, Measurement and Analysis for Marketing. 2011. № 19. C. 3-10.

16. Antipov E.A., Pokryshevskaya E.B.. Mass appraisal of residential apartments: An application of Random forest for valuation and a CART-based approach for model diagnostics. // Expert Systems with Applications. 2012. № 39. C. 1772-1778.

17. Bagella M., Becchetti L.. The Determinants of Motion Picture Box Office Performance: Evidence from Movies Produced in Italy. // Journal of Cultural Economics. 1999. № 23. C. 237 - 256.

18. Basuroy S., Ravid S.. Beyond Morality and Ethics: Executive Objective Function, the R-Rating Puzzle, and the Production of Violent Films. // Journal ofBusiness, forthcoming. 2003.

19. Bi G., Giles D.E.. Modelling the financial risk associated with U.S. movie box office earnings. // Mathematics and Computers in Simulation. 2009. № 79. C. 27592766.

20. Bishop C.. Neural Networks for Pattern Recognition. Oxford University Press, USA, 1996. Вып. 1.

21. Breiman L.. Classification and regression trees. Chapman & Hall/CRC, 1984.

22. Breiman L.. Random forests. // Machine learning. 2001. № 45. C. 5-32.

23. Chang B.H., Ki E.J.. Devising a practical model for predicting theatrical movie success: Focusing on the experience good property. // Journal of Media Economics. 2005. № 18. C. 247-269.

24. Chisholm D.. Two-Part Share Contracts, Risk, and the Life Cycle of Stars: Some Empirical Results from Motion Picture Contracts. // Journal of Cultural Economics. 2004. № 28. C. 37 - 56.

25. Chisholm D.C.. Profit-Sharing versus Fixed-Payment Contracts: Evidence from the Motion Pictures Industry. // Journal of Law, Economics and Organization. 1997. № 13. C. 169-201.

26. Chisholm D.C., Norman G.. When to exit a product: Evidence from the US motion-picture exhibition market. // The American economic review. 2006. C. 57-61.

27. Collins A., Hand C., Snell M.C.. What makes a blockbuster? Economic analysis of film success in the United Kingdom. // Managerial and Decision Economics. 2002. № 23. C. 343-354.

28. Cooper-Martin E.. Consumers and movies: some findings on experiental products. // Advanced Consumer Research. 1991. № 18. C. 372-378.

29. Cooper-Martin E.. Consumers and movies: information sources for experimental products. // Advanced Consumer Research. 1992. № 19. C. 756-761.

30. Corts K.S.. The Strategic Effects of Vertical Market Structure: Common Agency and Divisionalization in the US Motion Picture Industry. // Journal of Economics & Management Strategy. 2001. № 10. C. 509 - 528.

31. Davis P.. The Effect of Local Competition on Admission Prices in the US Motion Picture Exhibition Market. // Journal of Law and Economics. 2005. № 48. C. 677-707.

32. Davis P.. Measuring the business stealing, cannibalization and market expansion effects of entry in the motion picture exhibition market. // The journal of industrial economics. 2006a. № 54. C. 293-321.

33. Davis P.. Spatial competition in retail markets: Movie theaters. // The RAND Journal of Economics. 2006b. № 37. C. 964-982.

34. Delen D., Sharda R., Kumar P.. Movie forecast Guru: A Web-based DSS for Hollywood managers. //Decision Support Systems. 2007. № 43. C. 1151-1170.

35. Derrick F.W., Williams N.A., Scott C.E.. A two-stage proxy variable approach to estimating movie box office receipts. // Journal of Cultural Economics. 2014. № 38. C. 173-189.

36. Dewenter R., Westermann M.. Cinema Demand In Germany. // Journal of Cultural Economics. 2005. №29. C. 213-231.

37. Draper N.R., Smith H.. Applied regression analysis 2nd ed. New York, NY, USA: John Wiley and Sons, 1981.

38. Einav L.. Seasonality in the U.S. motion picture industry. // The RAND Journal of Economics. 2007. № 38. C. 127-145.

39. Elberse A.. The Power of Stars: Do Star Actors Drive the Success of Movies?. // Journal of Marketing. 2007. № 71. C. 102-120.

40. Elberse A., Eliashberg J.. Demand and Supply Dynamics for Sequentially Released Products in International Markets: The Case of Motion Pictures. // Marketing Science. 2003. № 22. C. 329-354.

41. Eliashberg J. h Ap.. MOVIEMOD: An Implementable Decision-Support System for Prerelease Market Evaluation of Motion Pictures. // Marketing Science. 2000. № 19. C. 226-243.

42. Fee C.E.. The Costs of Outside Equity Control: Evidence from Motion Picture Financing Decisions. // The Journal of Business. 2002. № 75. C. 681-712.

43. Flores B.E.. A pragmatic view of accuracy measurement in forecasting. // Omega. 1986. № 14. C. 93-98.

44. Greenacre M.. Correspondence analysis and its interpretation. // Correspondence analysis in the social sciences. 1994. C. 3-22.

45. Hamilton L.C.. How robust is robust regression?. // Stata Technical Bulletin. 1992. № 1.

46. Hand C.. The Distribution and Predictability of Cinema Admissions. // Journal of Cultural Economics. 2002. № 26. C. 53 - 64.

47. Heckman J., Singer B.. A method for minimizing the impact of distributional assumptions in econometric models for duration data. // Econometrica: Journal of the Econometric Society. 1984. C. 271-320.

48. Hennig-Thurau T., Houston M.B., Walsh G.. Determinants of motion picture box office and profitability: an interrelationship approach. // Review of Managerial Science. 2007. № l.C. 65-92.

49. Hoffman D.L., Franke G.R.. Correspondence analysis: graphical representation of categorical data in marketing research. // Journal of Marketing Research. 1986. № 23. C. 213-227.

50. Holbrook M.B., Hirschman E.C.. The Experiential Aspects of Consumption: Consumer Fantasies, Feelings, and Fun. // Journal of Consumer Research. 1982. № 9. C. 132-40.

51. Hosmer D.W., Lemeshow S., Sturdivant R.X.. Model-building strategies and methods for logistic regression. // Applied Logistic Regression, JDhird Edition. 2000. C. 89-151.

52. Huber P.J.. Robust estimation of a location parameter. // The Annals of Mathematical Statistics. 1964. № 35. C. 73-101.

53. Jansen C.. The Performance of German Motion Pictures, Profits and Subsidies: Some Empirical Evidence. //Journal of Cultural Economics. 2005. № 29. C. 191-212.

54. Jones J.M., Ritz C.J.. Incorporating distribution into new product diffusion models. // International Journal of Research in Marketing. 1991. № 8. C. 91-112.

55. Kass G. V. An exploratory technique for investigating large quantities of categorical data.//Applied statistics. 1980. C. 119-127.

56. Lee K.J., Chang W.. Bayesian belief network for box-office performance: A case study on Korean movies. // Expert Systems with Applications. 2009. № 36. C. 280-291.

57. Lehmann D.R., Weinberg C.B.. Sales through sequential distribution channels: An application to movies and videos. // Journal of Marketing. 2000. № 64. C. 18-33.

58. Li G.. Robust Regression. // Exploring Data Tables, Trends, and Shapes. 1985. C. 281-343.

59. Litman B.R.. Predicting success of theatrical movies: An empirical study. // The Journal of Popular Culture. 1983. № 16. C. 159-175.

60. Litman B.R., Ahn H.. Predicting financial success of motion pictures: The early 90s' experiencele // The motion picture mega-industry / под ред. B.R. Litman. , 1998. C. 172-197.

61. Litman B.R., Kohl L.S.. Predicting financial success of motion pictures: The '80s experience. //Journal of Media Economics. 1989. № 2. C. 35-50.

62. Macmillan P., Smith I.. Explaining Post-War Cinema Attendance in Great Britain. // Journal of Cultural Economics. 2001. № 25. C. 91-108.

63. Magidson J.. The chaid approach to segmentation modeling: Chi-squared automatic interaction detection. // Advanced methods of marketing research. 1994. С. 118-159.

64. McCarty J.A., Hastak M.. Segmentation approaches in data-mining: A comparison of RFM, CHAID, and logistic regression. // Journal of business research. 2007. № 60. C. 656-662.

65. Mckenzie J.. Bayesian Information Transmission and Stable Distributions: Motion Picture Revenues at the Australian Box Office. // The Economic Record. 2008. № 84. C. 338 -353.

66. McKenzie J.. Revealed word-of-mouth demand and adaptive supply: survival of motion pictures at the Australian box office. // Journal of Cultural Economics. 2009. № 33. C. 279-299.

67. Morduch J.. Using mixture models to detect sex bias in health outcomes in Bangladesh. // Journal of Econometrics. 1997. № 77. C. 259-276.

68. Motion Picture Association of America. Theatrical Market Statistics. ,2014.

69. Moul C.C.. Measuring Word of Mouth's Impact on Theatrical Movie Admissions. // Journal of Economics & Management Strategy. 2007. № 16. C. 859-892.

70. Moul C.C.. Retailer entry conditions and wholesaler conduct: The theatrical distribution of motion pictures. // International Journal of Industrial Organization. 2008. № 26. C. 966-983.

71. Neelamegham R., Chintagunta P.. A Bayesian Model to Forecast New Product Performance in Domestic and International Markets. // Marketing Science. 1999. № 18. C. 115-136.

72. Palia D., Ravid S., Reisel N.. Choosing to cofinance: Analysis of project-specific alliances in the movie industry. // Review of Financial Studies. 2008.

73. Peel D., McLachlan G.J.. Robust mixture modelling using the t distribution. // Statistics and computing. 2000. № 10. C. 339-348.

74. Prag J., Casavant J.. An empirical study of the determinants of revenues and marketing expenditures in the motion picture industry. // Journal of Cultural Economics. 1994. № 18. C. 217-235.

75. Prosser E.K.. How Early Can Video Revenue Be Accurately Predicted?. // Journal of Advertising Research. 2002. № 42. C. 47-55.

76. Ravid S.A.. Information, Blockbusters, and Stars: A Study of the Film Industry. // The Journal of Business. 1999. № 72. C. 463^192.

77. Ravid S.A., Basuroy S.. Managerial Objectives, the R-Rating Puzzle, and the Production of Violent Films. // The Journal of Business. 2004. № 77. C. S155-S192.

78. Rousseeuw P.J., Leroy A.M.. Robust regression and outlier detection. John Wiley & Sons, 2005.

79. Sawhney M.S., Eliashberg J.. A Parsimonious Model for Forecasting Gross BoxOffice Revenues of Motion Pictures. // Marketing Science. 1996. № 15. С. 113-131.

80. Shapiro C., Varian H.. Information Rules: A Strategic Guide to the Network Economy. Boston, MA: Harvard Business School Press, 1998.

81. Sharda R., Delen D.. Predicting box-office success of motion pictures with neural networks. // Expert Systems with Applications. 2006. № 30. C. 243-254.

82. Silva I. De. Consumer selection of motion pictures // The motion picture mega-industry / под ред. В. Litman. Boston, MA: Allyn and Bacon Publishing, Inc., 1998.

83. Sochay S.. Predicting the performance of motion pictures. // Journal of Media Economics. 1994. № 7. C. 1-20.

84. Sood S., Drze X.. Brand Extensions of Experiential Goods: Movie Sequel Evaluations. // Journal of Consumer Research. 2006. № 33. C. 352 - 360.

85. Street J.O., Carroll R.J., Ruppert D.. A note on computing robust regression estimates via iteratively reweighted least squares. // The American Statistician. 1988. № 42. C. 152-154.

86. Valenti J.. Movies in the Digital Age. [Электронный ресурс]. URL: http://web.mit.edu/comm-forum/forums/valenti.html.

87. De Vany A.. Does Hollywood Make Too Many R-Rated Movies? Risk, Stochastic Dominance, and the Illusion of Expectation. // The Journal of Business. 2002. № 75. C. 425-452.

88. De Vany A., Walls W.. Uncertainty in the Movie Industry: Does Star Power Reduce the Terror of the Box Office?. // Journal of Cultural Economics. 1999. № 23. C. 285 -318.

89. De Vany A., Walls W.D.. Bose-Einstein Dynamics and Adaptive Contracting in the Motion Picture Industry. //Economic Journal. 1996. № 106. C. 1493-1514.

90. De Vany A.S., Walls W.D.. The Market for Motion Pictures: Rank, Revenue, and Survival. // Economic Inquiry. 1997. № 35. C. 783-97.

91. De Vany A.S., Walls W.D.D.. Motion picture profit, the stable Paretian hypothesis, and the curse of the superstar. // Journal of Economic Dynamics and Control. 2004. № 28. C. 1035-1057.

92. Vogel H.L.. Entertainment industry economics: A guide for financial analysis. Boston, MA: Cambridge University Press, 2010.

93. Walls W.. Modelling heavy tails and skewness in film returns. // Applied Financial Economics. 2005a.

94. Walls W.D.. Product survival at the cinema: evidence from Hong Kong. // Applied Economics Letters. 1998. № 5. C. 215-219.

95. Walls W.D.. Modeling Movie Success When "Nobody Knows Anything": Conditional Stable-Distribution Analysis Of Film Returns. // Journal of Cultural Economics. 2005b. № 29. C. 177-190.

96. Walls W.D.. Demand stochastics, supply adaptation, and the distribution of film earnings. // Applied Economics Letters. 2005c. № 12. C. 619-623.

97. Walls W.D.. Modelling heavy tails and skewness in film returns. // Applied Financial Economics. 2005d. № 15. C. 1181-1188.

98. Zhang L., Luo J., Yang S.. Forecasting box office revenue of movies with BP neural network. // Expert Systems with Applications. 2009. № 36. C. 6580-6587.

99. Zufryden F.. New film website promotion and box-office performance. // Journal of Advertising Research. 2000. № 40. C. 55-64.