臺灣博碩士論文加值系統

在科技的進步下，近年來電影產業發展快速，票房在全球逐年突破新紀錄，而市場上任何一部電影上映之後，最終以「高口碑高票房」、「高口碑低票房」、「低口碑高票房」、「低口碑低票房」，這四種結局找到歸宿，過去研究中沒有一個分類標準來區分這四種結局，故本研究利用電影相關特性來做為區分票房與口碑之重要變數，並利用鑑別分析(LDA)、多元適應性雲形迴歸(MARS)、分類回歸樹(CART)等分類方法，探討影響分類的決定因素以及其影響程度，以及方法適用性。
結果顯示，本研究使用多元適應性雲形迴歸，在分類準確率明顯優於另外兩種分類方法，CART整體準確率雖較差，但透過CART分類規則，可以找出隱藏在資料中的重要影響變數，可提供電影產業相關業者，利用現有的資源與網路資源，掌握電影票房銷售與口碑可能落點，並規劃應對的行銷方案，創造出更大的收益結果。

Because technology rapidly improves , the film industry is flourishing in these years , which creates new record of box office year by year .Then it can be divided into several categories of result in market ,which are「high WOM High box office」,「high WOM low box office」,「low WOM High box office」and「low WOM low box office」.There was no standard to distinguish these four kinds of result before .Consequently , the features of movies are utilized to variable reference of box office .
This study used LDA , MARS and CART to select their inflential,and their relative importance.The result shows that MARS is used in this research ,which is better than the other two classification models.CART is less accurate in general ,but it can find out the critical variables in the movie classification ,which can be provided to film industries to grasp the market with current information and internet resource .Therefore,film firm can make appropriate sales strategy and gain more benefits.

目錄
表目錄 V
圖目錄 VI
第一章 緒論 1
1.1 研究背景 1
1.2 研究動機與目的 2
1.3 研究流程 3
第二章 文獻探討 5
2.1 口碑 5
2.2 電影相關特性 6
2.3 鑑別分析(Linear Discriminant Analysis ,LDA) 12
2.4 多元適應性雲形迴歸(Multivariate Adaptive Regression Spline ,MARS) 13
2.5 分類迴歸樹(Classification and Regression Tree ,CART) 14
第三章 研究方法 15
3.1 資料收集 15
3.2 研究架構 16
3.3 鑑別分析(LDA) 18
3.4 多元適應性雲形迴歸(MARS) 21
3.5 分類迴歸樹(CART) 23
第四章 實證研究 25
4.1 資料來源與整理 25
4.2 電影票房與口碑分類模式建構 36
4.3 曲高和寡分類模式 44
4.4 綜合比較 49
第五章 結論與建議 51
5.1 研究結論 51
5.2 未來方向與建議 53
參考文獻 54

表目錄
表 2.2.1美國電影分級制度 7
表 2.2.2各電影類型的中英對照表 8
表 2.2.3相關文獻整理 11
表 4.1.1 資料收集 26
表 4.1.2 電影票房＆口碑之樣本資料 27
表 4.1.3訓練樣本的交叉分類結果 28
表 4.1.4本研究票房口碑類別範圍 28
表 4.1.5變數編碼說明 31
表 4.1.6低口碑低票房的訓練資料分布(第1類) 32
表 4.1.7高口碑低票房的訓練資料分布(第2類) 33
表 4.1.8低口碑高票房的訓練資料分布(第3類) 34
表 4.1.9高口碑高票房的訓練資料分布(第4類) 35
表 4.2.1 LDA票房口碑鑑別模式測試結果 37
表 4.2.2 MARS臨界點界定範圍 38
表 4.2.3 MARS票房口碑分類模式 39
表 4.2.4 MARS票房口碑分類模式測試結果 40
表 4.2.5 CART分類之重要變數相對重要性 41
表 4.2.6 CART葉結點分類規則 42
表 4.2.7 CART票房口碑分類模式測試結果 44
表 4.3.1 LDA曲高和寡鑑別模式測試結果 45
表 4.3.2 MARS曲高和寡分類模式 46
表 4.3.3 MARS曲高和寡分類測試結果 47
表 4.3.4 CART最適結構之重要變數相對重要性 47
表 4.3.5 CART葉結點分類結果 48
表 4.3.6 CART曲高和寡分類測試結果 49
表 4.4.1四個類別的分類模式重要變數 50
表 4.4.2曲高和寡分類模式重要變數 50
圖目錄
圖 1.3.1研究流程 4
圖 3.2.1研究架構圖 17
圖 4.2.1 CART樹狀實際全圖 43
圖 4.3.1 CART樹狀實際全圖 48

中文文獻
史靄琍 (2012)，《侯孝賢與蔡明亮之後：台灣電影於法國行銷之研究分析》政治大學國際傳播英語碩士學程（IMICS）學位論文，新北市

江淑娟 (2003) 《信用評等因素與信用卡違約風險之關係－以台灣A金融機構所發行之信用卡為例》逢甲大學碩士論文，台中

何文程，林霖和簡志健 (2011)，《奧斯卡得獎男女演員對電影票房收入效應之探討》，東海管理評論，第十二卷，第一期，151-186 頁。

吳紹安(2016)，《電影產業經營模式》，證卷櫃台雙月刊，第162期，58-62

郭宗麟 (2009)，《網路口碑與產品銷售在時間動態上之研究》台北科技大學碩士論文，新北市

袁愛清(2013) ，《高票房低口碑悖論模型的研究》，新聞界，第13期，47-51

陳麒文 (2002)，《顧客流失分析模式之個案研究－以臺灣H健康休閒俱樂部為例》臺灣體育運動管理學報，(5)

陳麒文 (2011)，《資料採礦於職業棒球勝隊預測模式之建構》國立體育大學指育研究所博士論文

黃炳翔(2014)，《口碑及季節性對於電影票房的影響－以美國電影票房為例》淡江大學管理科學研究所碩士班學位論文，新北市

黃琬玲和王信文 (2007)，《建構電影文化創意產業之成功行銷模式：以美國賣座票房電影爲例》萬能商學學報，第十二期，51-68

蔡瑤昇，呂文琴，高國書和郭宗麟(2011)，《網路口碑特性與電影票房銷售之動態關係研究》中華管理評論國際學報，14（4），香港

顏志龍(2007)，《美國電影在台灣》臺灣大學經濟學研究所學位論文，台北市

顏怡音和韓千山(2012)，《企業信用風險指標對智慧資本影響企業價值之干擾效果》東吳經濟商學學報，台北市

簡妤庭(2015)，《非線性電影票房預測模式－以美國市場為例》淡江大學管理科學研究所碩士班學位論文，新北市




英文文獻
Agag, G.,and El-Masry,A.A. (2016). Understanding consumer intention to participate in online travel community and effects on consumer intention to purchase travel online and WOM: An integration of innovation diffusion theory and TAM with trust. Computers in Human Behavior, 60, 97-111.
Alain d''Astous1, Nadia (1999) Consumer evaluations of movies on the basis of critics'' judgments.”Psychology and Marketing Volume 16, Issue 8, pages 677–694,December
Anast, P. (1967). Differenttial Movie Appeals as Correlates of Attendance. ” Journalism Quarterly, 44(1), 86–90
Basuroy, S., Chatterjee, S., and Ravid, A. S. (2003). How critical are critical reviews? The box office effects of film critics, star power, and budgets. ”Journal of Marketing, 67(4), 103–117.
B.R. Litman. (1983) Predicting success of theatrical movies: an empirical study ”,Journal of Popular Culture, 16 (4), pp. 159–175
C. Dellarocas, X.M. Zhang, N.F. Awad. (2007),Exploring the value of online product reviews in forecasting sales: the case study of motion pictures,”Journal of Interactive Marketing, 21 (4), pp. 23–45
Carvalho, N. B., Minim, V. P. R., Nascimento, M., Vidigal, M. C. T. R., Ferreira, M. A. M., Gonçalves, A. C. A., and Minim, L. A. (2015). A discriminant function for validation of the cluster analysis and behavioral prediction of the coffee market. Food Research International, 77, Part 3, 400-407.
Chen,P.Y.,Wu,S.Y.andYoon,J.(2004).The impact of online recommendations and consumer feedback on sales. ”In Proceedings of the 25th Annual International Conference Information Systems (pp.711–724), Washington, DC., USA.
d’Astous, A., & Touil, N. (1999). Consumer evaluations of movies on the basis of critics’ judgments. Psychology and Marketing, 16(8), 677-694.
Davis, A., and Khazanchi, D. (2008). An empirical study of online word of mouth as a predictor for multi-product category e-commerce sales. ”Electronic Markets, 18(2), 130-141
Deconinck, E., Zhang, M. H., Petitet, F., Dubus, E., Ijjaali, I., Coomans, D., and Vander Heyden, Y. (2008). Boosted regression trees, multivariate adaptive regression splines and their two-step combinations with multiple linear regression or partial least squares to predict blood–brain barrier passage: A case study. Analytica Chimica Acta, 609(1), 13-23.
Einav, L. (2007). Seasonality in the U.S. Motion Picture Industry. ”The RAND Journal of Economics, 38(1), 127–145.
Frederick, L., VanDerslice, J., Taddie, M., Malecki, K., Gregg, J., Faust, N., and Johnson, W. P. (2016). Contrasting regional and national mechanisms for predicting elevated arsenic in private wells across the united states using classification and regression trees. Water Research, 91, 295-304.
Ghiassi, M., Lio, D., and Moon, B. (2015). Pre-production forecasting of movie revenues with a dynamic artificial neural network. Expert Systems with Applications, 42(6).
Huang, P., Lai, Z., Gao, G., Yang, G., and Yang, Z. (2016). Adaptive linear discriminant regression classification for face recognition. Digital Signal Processing, 55, 78-84.
Kim, T., Hong, J., and Kang, P. (2015). Box office forecasting using machine learning algorithms based on SNS data. International Journal of Forecasting, 31(2), 364-390.
Kulkarni, G., Kannan, P. and Moe, W. (2012). Using Online Search Data to Forecast New Product Sales. ”Decision Support Systems, 52(3), 604–611.
Lee, K., and Koo, D. (2015). Evaluating right versus just evaluating online consumer reviews. Computers in Human Behavior, 45, 316-327.
Litman, B. R., and Kohl, L. S. (1989), “Predicting Financial Success of Motion Pictures: The ''80s Experience,” Journal of Media Economics, 2(2), 35-50.
Liu, Y. (2006). Word of mouth for movies: Its dynamics and impact on box office revenue. ” Journal of Marketing, 70(3), 74-89.
S.A. Ravid. (1999),Information, blockbusters, and stars: a study of the film industry, ”The Journal of Business, 72 (4), pp. 463–492

Simonoff, J. and Sparrow, I. (2000). Predicting Movie Grosses: Winners and Losers, Blockbusters and Sleepers. ”Chance, 13(3), 15–24.
Miguéis, V. L., Camanho, A., and Falcão e Cunha, J. (2013). Customer attrition in retailing: An application of multivariate adaptive regression splines. Expert Systems with Applications, 40(16),
Mishra, P., Bakshi, M., and Singh, R. (2016). Impact of consumption emotions on WOM in movie consumption: Empirical evidence from emerging markets. Australasian Marketing Journal (AMJ), 24(1), 59-67.
Neelamegham, R. and Chintagunta, P. (1999). A Bayesian Model to Forecast New Product Performance in Domestic and International Markets. ”Marketing Science, 18(2), 115–136.
Piwczyński, D., Sitkowska, B., and Wiśniewska, E. (2012). Application of classification trees and logistic regression to determine factors responsible for lamb mortality. Small Ruminant Research, 103(2–3), 225-231.
Romano, R., Davino, C., and Næs, T. (2014). Classification trees in consumer studies for combining both product attributes and consumer preferences with additional consumer characteristics. Food Quality and Preference, 33, 27-36.
Shahbazi, F., and Asl, B. M. (2015). Generalized discriminant analysis for congestive heart failure risk assessment based on long-term heart rate variability. Computer Methods and Programs in Biomedicine, 122(2), 191-198.
Wang, Q. (2010), “Box Office Drivers of Motion Picture Sequels,” M.Sc., Concordia University, Canada. ProQuest Dissertations and Theses.
Zhan, G., Yan, X., Zhu, S., and Wang, Y. (2016). Using hierarchical tree-based regression model to examine university student travel frequency and mode choice patterns in china. Transport Policy, 45, 55-65.
Zhou, W., and Duan, W. (2015). An empirical study of how third-party websites influence the feedback mechanism between online word-of-mouth and retail sales. Decision Support Systems, 76, 14-23.
Zhou, W., and Duan, W. (2015). An empirical study of how third-party websites influence the feedback mechanism between online word-of-mouth and retail sales. Decision Support Systems, 76, 14-23.
Zhu, F., and Zhang, X. (2010). Impact of online consumer reviews on sales: The moderating role of product and consumer characteristics. Journal of Marketing, 74(2), 133-148.





網站來源
The Number <http://www.the-numbers.com/> ,
擷取日期：2015/11/20
Box Office Mojo < http://www.boxofficemojo.com/>,
擷取日期：2015/11/20
IMDB < http://www.imdb.com/>,
擷取日期：2015/11/20
Rotten Tomatoes <http://www.rottentomatoes.com/>,
擷取日期：2015/11/20
膝關節，名家論壇，"2015電影年度票房總體檢"，
擷取日期：2016.01.07