论文部分内容阅读
随着2009年第一部专业制作的网络剧的诞生，到2012年《屌丝男士》的播出，网络剧从起步阶段进入了迅速发展时期。到现在为止，网络上可以查到的网络剧数量已经超过了500部，增长趋势明显，网络剧市场也越来越成熟。网络剧所带来的新变革，对影视制作行业也产生了巨大的影响。因此，无论是创作者还是媒介方都急需对网络剧的生产方式、传播方式和传播效果进行研究，从而明确其未来的发展方向。通过查阅中国学术文献总库，可以看出网络剧的相关研究依然处于起步阶段，学术界尚未对这一领域进行较为深入的研究。
从一定程度上来说，大部分的网络剧都是低成本制作，没有明星号召力的网络剧究竟该如何营销，从而获得播放量的提升？
笔者以“网络剧”和“网剧”为篇名，查阅了中国学术文献总库的CSSCI期刊，比较突出的文献有12篇。这些文献的研究方向主要分为三类：网络剧的特征、网络剧的现状与发展，以及网络剧的营销手段。通过对这些文献的分析，笔者整理出网络剧最突出的特性：碎片化、互动性、随意性和共鸣性。因为网络剧过度迎合受众喜好，导致目前的网络剧陷入了三点困境：故事内容低俗化;传播方式依然沿袭传统电视剧;过度消费IP，导致原创能力低下。这些都是网络剧研究急需解决的问题。
（一）研究方法
张智华[1]和宋湘绮[2]等虽然对网络剧的发展提出了一些建议，但由于他们的研究方法依然局限在孙旭培[3]对新闻传播学研究方法的划分标准中的思辨研究或定性研究，缺少在定量分析法上的研究。而事实证明对网络剧数据进行定量分析，更有利于直观、理性的总结出其发展规律，从而提出更高效的解决方法。
（二）影响因素
利特曼（Barry R. Litaman）和琳达（Linda S. Kohl）在《基于八十年代的经验：预测电影的成功》一文中，论述了其電影票房预测模型的基本原理。模型的因变量是电影的票房收入，自变量主要是创意、发行、营销。[4]
我国学者尹一伊在《影响中国电影经济成功的因素分析——从票房预测模型看中国电影新发展》中以利特曼的票房预测模型为参照，对其进行国情化的调整并以之为依据进行数据整理，提出一个基本适应中国市场的模型，即内容分类（共八类）、著名导演、著名演员、影片预算、影片制片公司、影片档期、奥斯卡提名、国内奖项提名和网络评论。[5]
基于利特曼模型和各种文献，笔者根据实际数据可信度和有效度以及中国网络市场实际状况，去除掉低成本制作中极少存在的明星效应，将中国网络剧播放量的数据模型大致概括为网剧信息（包括网络剧时长、集数、类型和IP剧）、网络评分和网络营销。
（三）提出问题
通过对相关文献的分析，虽然戴清[6]、陈功[7]等通过定性方法对网络剧传播策略进行了研究，但依然不足以说明营销对策的正确性，因此相应的定量研究显得尤为重要。笔者排除掉有明星参演的大制作网络剧，着重通过分析低成本网络剧播放量的影响因素来探究网络剧可行的营销策略，为网络剧的发展和其能够成为我国文化软实力的重要部分提出相应的对策。笔者结合我国网络剧市场的实际情况，最终建立了多元线性回归模型：Y=C β1X1 β2X2 β3X3 …… βnXn（Y表示网络剧播放量，C表示横截距，β表示系数，X代表变量）。
假设网络剧信息、网络评分和网络营销对网络剧播放量有一定影响。下面也将依据假设进行分析。
（一）样本选取
为了数据的可用性以及排除掉个别有缺陷的数据（无相关数据），最终选取了可以查到相关数据的网络剧共92部。因为研究对象是低成本网络剧，所以选取的92部网络剧的主演微博粉丝量皆低于1000万。本文所采用的数据，主要来自骨朵数据、新浪微博和播放平台的相关数据，所有数据截止日期为2018年7月30日。
（二）变量设计
引用的作为解释变量的影响因素既有定量变量，又有定性变量（类型、IP剧）。为了提高模型的精度，力求在同一模型中反映这些因素的影响，需要将这些定性变量进行量化，因此下文会利用虚拟变量来实现。基础类型和肯定类型取值为1;比较类型和否定类型取值为0。
1、因变量设计
网络剧播放量：自网络剧开播——2018年7月30日为止总播放量。
2、自变量设计
播出天数：播出天数对网络剧播放量的影响一般来说是恒定的，播出天数长，被网友看到的几率也会变大，时间线也会加长。从播出天数也可以很好地判断出网络剧是否真的收视率高，因为有的网络剧即使播出时间短但总播放量却很高。
豆瓣评分：豆瓣评分在影视领域始终保持着较为专业的影响力，对影视的评分都比较客观且能够真实反映受众的心理。
平台打分：平台打分来自网络剧播放平台的评分。本次收集样本皆是播放平台的独播剧，平台的打分对于市场更加细分。
播放集数：网络剧的播放分集数，有的受众可能因为播放集数过多而放弃追剧，也可能因为播放集数太少不能满足心理预期而放弃观看。
播放时长：为了填补碎片化时间中的娱乐需求，受众在选择网络剧时越来越在意时长。
官方微博数：微博营销在目前的营销方式中有着快速有效的优势，官方的宣传越多，影响的受众也可能越多。
热门话题：网络剧的营销团队会在新浪微博制造热门话题，从而引发网民讨论，扩大宣传的影响力。
类型：网络剧类型反映了观众的观看偏好。根据数据整理得出，市场上比较受欢迎的网络剧类型是喜剧片，因此将喜剧片取值为1，喜剧片以外的类型取值为0。
播放平台：根据整理的数据，优酷、爱奇艺、腾讯视频是播放平台中拥有网络剧较多且综合播放率较高的平台，因此将优酷平台、爱奇艺平台、腾讯视频取值为1，其他平台（搜狐视频、乐视视频、PPTV聚力、芒果TV）取值为0。
表1、网络剧播放量与影响因素描述性信息有效的N（列表状态） 92
IP剧（小说改编）：目前多部网络剧都是根据小说改编，在播放前已经有了一定的粉丝基础，因此可能会对网络剧播放量有一定影响。此处改编自小说的网络剧取值为1，反之则取值0。播出天数、平台打分、播出集数、播出时长、类型、播放平台相关数据来源于爱奇艺、优酷、腾讯、搜狐、乐视、PPTV、芒果TV视频平台和骨朵数据;豆瓣评分来源于豆瓣网;IP来源于影片百度百科。
对通过整理获取的数据进行描述性分析、相关性分析以及回归分析。除了描述性分析以外，为了消除数据的异方差性，在相关性分析和回归分析时，定量变量采取LN值。
（一）描述性分析
根据表1的数据观察，网络剧累计播放量最高在107亿，最低在4300万，平均播放量在9.3亿，可以看出网络剧之间的差距特别大。播出天数的差距只是网络剧首播时间导致的，因此此处不做分析。集数和时长的差距巨大，说明了网络剧在制作上存在很大的差异。官方微博数和微博热门话题区别在于网络剧微博营销的差距，以及与网友互动的差距。豆瓣评分相较于平台打分来说差异更大，可以看出豆瓣上对网络剧的评价呈现两极化，平台打分则比较平和，相差不是特别大。
从描述性分析中，可以得出比较一般性的假设，即：网络剧出品方在微博营销（官方微博数与微博热门话题）上花的心思越多，营销做得越好，是否一定会引起网络剧播放量的变化;网络口碑是否能够左右网络剧的播放量。下文也将根据这一假设继续进行相关性分析和多元回归分析。
（二）相关性分析
通过对上述因素之间的相关性分析，可以看出集数、类型、微博热门话题、播出平台和平台打分与网络剧累计播放量有显著相关性;官方微博数与网络剧播放量有相关性;播出天数、时长、IP剧和豆瓣评分对网络剧播放量没有影响（见表2）。
（三）多元回归分析
由于IP剧在第一次回归分析中P值大于0.05，因此在删除IP剧后，得出表3分析结果。
对于检验结果是否在统计意义下显著，常用P值和R平方两个统计量来综合评价其显著性。当P值大于预设值（一般取0.05或0.01），則表示预测模型不显著;当P值小于预设值时，说明预测模型在统计意义下是显著的。而表3中的P值除了IP剧均小于0.05，表示其他的数据通过检验。而R平方则表示估计模型的显著性，即可以解释多少比例的因变量。F值越高表示拟合程度越好，这里的F值为11.815，表示该数据的检测结果显著有效。
表2、网络剧播放量与影响因素相关性分析
从一定程度上来说，大部分的网络剧都是低成本制作，没有明星号召力的网络剧究竟该如何营销，从而获得播放量的提升？
一、研究现状
笔者以“网络剧”和“网剧”为篇名，查阅了中国学术文献总库的CSSCI期刊，比较突出的文献有12篇。这些文献的研究方向主要分为三类：网络剧的特征、网络剧的现状与发展，以及网络剧的营销手段。通过对这些文献的分析，笔者整理出网络剧最突出的特性：碎片化、互动性、随意性和共鸣性。因为网络剧过度迎合受众喜好，导致目前的网络剧陷入了三点困境：故事内容低俗化;传播方式依然沿袭传统电视剧;过度消费IP，导致原创能力低下。这些都是网络剧研究急需解决的问题。
（一）研究方法
张智华[1]和宋湘绮[2]等虽然对网络剧的发展提出了一些建议，但由于他们的研究方法依然局限在孙旭培[3]对新闻传播学研究方法的划分标准中的思辨研究或定性研究，缺少在定量分析法上的研究。而事实证明对网络剧数据进行定量分析，更有利于直观、理性的总结出其发展规律，从而提出更高效的解决方法。
（二）影响因素
利特曼（Barry R. Litaman）和琳达（Linda S. Kohl）在《基于八十年代的经验：预测电影的成功》一文中，论述了其電影票房预测模型的基本原理。模型的因变量是电影的票房收入，自变量主要是创意、发行、营销。[4]
我国学者尹一伊在《影响中国电影经济成功的因素分析——从票房预测模型看中国电影新发展》中以利特曼的票房预测模型为参照，对其进行国情化的调整并以之为依据进行数据整理，提出一个基本适应中国市场的模型，即内容分类（共八类）、著名导演、著名演员、影片预算、影片制片公司、影片档期、奥斯卡提名、国内奖项提名和网络评论。[5]
基于利特曼模型和各种文献，笔者根据实际数据可信度和有效度以及中国网络市场实际状况，去除掉低成本制作中极少存在的明星效应，将中国网络剧播放量的数据模型大致概括为网剧信息（包括网络剧时长、集数、类型和IP剧）、网络评分和网络营销。
（三）提出问题
通过对相关文献的分析，虽然戴清[6]、陈功[7]等通过定性方法对网络剧传播策略进行了研究，但依然不足以说明营销对策的正确性，因此相应的定量研究显得尤为重要。笔者排除掉有明星参演的大制作网络剧，着重通过分析低成本网络剧播放量的影响因素来探究网络剧可行的营销策略，为网络剧的发展和其能够成为我国文化软实力的重要部分提出相应的对策。笔者结合我国网络剧市场的实际情况，最终建立了多元线性回归模型：Y=C β1X1 β2X2 β3X3 …… βnXn（Y表示网络剧播放量，C表示横截距，β表示系数，X代表变量）。
二、研究设计
假设网络剧信息、网络评分和网络营销对网络剧播放量有一定影响。下面也将依据假设进行分析。
（一）样本选取
为了数据的可用性以及排除掉个别有缺陷的数据（无相关数据），最终选取了可以查到相关数据的网络剧共92部。因为研究对象是低成本网络剧，所以选取的92部网络剧的主演微博粉丝量皆低于1000万。本文所采用的数据，主要来自骨朵数据、新浪微博和播放平台的相关数据，所有数据截止日期为2018年7月30日。
（二）变量设计
引用的作为解释变量的影响因素既有定量变量，又有定性变量（类型、IP剧）。为了提高模型的精度，力求在同一模型中反映这些因素的影响，需要将这些定性变量进行量化，因此下文会利用虚拟变量来实现。基础类型和肯定类型取值为1;比较类型和否定类型取值为0。
1、因变量设计
网络剧播放量：自网络剧开播——2018年7月30日为止总播放量。
2、自变量设计
播出天数：播出天数对网络剧播放量的影响一般来说是恒定的，播出天数长，被网友看到的几率也会变大，时间线也会加长。从播出天数也可以很好地判断出网络剧是否真的收视率高，因为有的网络剧即使播出时间短但总播放量却很高。
豆瓣评分：豆瓣评分在影视领域始终保持着较为专业的影响力，对影视的评分都比较客观且能够真实反映受众的心理。
平台打分：平台打分来自网络剧播放平台的评分。本次收集样本皆是播放平台的独播剧，平台的打分对于市场更加细分。
播放集数：网络剧的播放分集数，有的受众可能因为播放集数过多而放弃追剧，也可能因为播放集数太少不能满足心理预期而放弃观看。
播放时长：为了填补碎片化时间中的娱乐需求，受众在选择网络剧时越来越在意时长。
官方微博数：微博营销在目前的营销方式中有着快速有效的优势，官方的宣传越多，影响的受众也可能越多。
热门话题：网络剧的营销团队会在新浪微博制造热门话题，从而引发网民讨论，扩大宣传的影响力。
类型：网络剧类型反映了观众的观看偏好。根据数据整理得出，市场上比较受欢迎的网络剧类型是喜剧片，因此将喜剧片取值为1，喜剧片以外的类型取值为0。
播放平台：根据整理的数据，优酷、爱奇艺、腾讯视频是播放平台中拥有网络剧较多且综合播放率较高的平台，因此将优酷平台、爱奇艺平台、腾讯视频取值为1，其他平台（搜狐视频、乐视视频、PPTV聚力、芒果TV）取值为0。
IP剧（小说改编）：目前多部网络剧都是根据小说改编，在播放前已经有了一定的粉丝基础，因此可能会对网络剧播放量有一定影响。此处改编自小说的网络剧取值为1，反之则取值0。播出天数、平台打分、播出集数、播出时长、类型、播放平台相关数据来源于爱奇艺、优酷、腾讯、搜狐、乐视、PPTV、芒果TV视频平台和骨朵数据;豆瓣评分来源于豆瓣网;IP来源于影片百度百科。
三、数据分析
对通过整理获取的数据进行描述性分析、相关性分析以及回归分析。除了描述性分析以外，为了消除数据的异方差性，在相关性分析和回归分析时，定量变量采取LN值。
（一）描述性分析
根据表1的数据观察，网络剧累计播放量最高在107亿，最低在4300万，平均播放量在9.3亿，可以看出网络剧之间的差距特别大。播出天数的差距只是网络剧首播时间导致的，因此此处不做分析。集数和时长的差距巨大，说明了网络剧在制作上存在很大的差异。官方微博数和微博热门话题区别在于网络剧微博营销的差距，以及与网友互动的差距。豆瓣评分相较于平台打分来说差异更大，可以看出豆瓣上对网络剧的评价呈现两极化，平台打分则比较平和，相差不是特别大。
从描述性分析中，可以得出比较一般性的假设，即：网络剧出品方在微博营销（官方微博数与微博热门话题）上花的心思越多，营销做得越好，是否一定会引起网络剧播放量的变化;网络口碑是否能够左右网络剧的播放量。下文也将根据这一假设继续进行相关性分析和多元回归分析。
（二）相关性分析
通过对上述因素之间的相关性分析，可以看出集数、类型、微博热门话题、播出平台和平台打分与网络剧累计播放量有显著相关性;官方微博数与网络剧播放量有相关性;播出天数、时长、IP剧和豆瓣评分对网络剧播放量没有影响（见表2）。
（三）多元回归分析
由于IP剧在第一次回归分析中P值大于0.05，因此在删除IP剧后，得出表3分析结果。
对于检验结果是否在统计意义下显著，常用P值和R平方两个统计量来综合评价其显著性。当P值大于预设值（一般取0.05或0.01），則表示预测模型不显著;当P值小于预设值时，说明预测模型在统计意义下是显著的。而表3中的P值除了IP剧均小于0.05，表示其他的数据通过检验。而R平方则表示估计模型的显著性，即可以解释多少比例的因变量。F值越高表示拟合程度越好，这里的F值为11.815，表示该数据的检测结果显著有效。
