Дипломная работа: Факторы экономического успеха зарубежных кинокартин: стратегии компаний и предпочтения зрителей

Типичный респондент - это неработающий 21-летний студент, проживающий с родителями, семья которого спокойно может позволить себе купить большинство товаров длительного пользования, но не может купить сверхдорогие товары, например квартиру. С некоторыми ограничениями можно назвать эту выборку молодёжной и подходящей для исследования предпочтений российской молодёжи в отношении зарубежных (американских фильмов).

Опишем основные статистические выкладки по однородности оцениваемой выборки и предпочтениям респондентов:

Таблица 3.2 Что предпочитает делать респондент в свободное время.

Опишем наших респондентов по их предпочтениям. Как видно из таблицы 3.2, наша выборка представлена любителями кино (85%), кафе (66%) и литературы (59%), что подчёркивает актуальность нашего исследования, т.к. подавляющее большинство любит посмотреть в свободное время кино. Этот вывод подтверждают результаты частотного анализа - 80% респондентов смотрят кино, как минимум, один раз в неделю, а половина из этих 80% смотрит кино, как минимум, один раз за пару дней.

Таблица 3.3.Как предпочитает респондент смотреть кино?

Как видно в таблице 3.3, респонденты практически равномерно отдают предпочтения как просмотру в кинотеатре, так и на торрент трекере, так и на онлайн стриминговых сервисах (45%-47%), однако практически никто не смотрит фильмы на дисковых носителях (2%).

Таблица 3.4 Как часто респондент смотрит кино?

Таблица 3.5 В каком случае респондент предпочитаете просмотр в кинотеатре?

Как видно из таблицы 3.5, более половины респондентов предпочитает пойти в кино по трём основным причинам: респондент следил за рекламной компанией (62%); фильма нет в открытом доступе (53%); его хотят посмотреть друзья/члены семьи респондента (50%).

Таблица 3.6 Какой жанр кино предпочитает респондент?

В основном молодёж стран СНГпредпочитает комедии (71%), драмы (62%), и триллеры (50%). Данные таблицы 3.6. схожи с результатами обследования американских респондентов. Holbrook, Morris B., & Michela Addis. (2007). “Taste versus the Market: An Extension of Research on the Consumption of Popular Culture.” Journal of Consumer Research, 24(3), p. 420.

Таблица 3.7 Где и какое кино посмотрел респондент?

Таблица 3.8 Агрегированный тип фильма по жанру.

Анализируя таблицы 3.7-3.8 можно прийти к крайне важному для нашего исследования выводу. Респонденты предпочитают смотреть популярные массовые американские фильмы (выделено зелёным) в кинотеатрах, а более серьёзные американские фильмы они предпочитают смотреть на торрент трекерах (выделено жёлтым). Такие же выводы можно получить по российским серьёзным, целящимся на награды, фильмам - их предпочитают смотреть на торрент трекерах (выделено жёлтым). Однако по массовым популярным фильмов СНГ нельзя сделать вывода о том, что их больше предпочитают смотреть в кино, так как выбранный нами фильм «Самый лучший день» посмотрело менее 19% респондентов (выделено красным), хотя это самый кассовый российский фильмом 2015 года (10,5 млн. $). Конкретно эту комедию смотрело слишком мало людей, чтобы сделать значимый вывод о предпочтениях респондентов при визуальном анализе. Вероятнее всего это связанно с тем, что фильм целится на более взрослую аудиторию. Также стоит заметить, что 95% респондентов обсуждают с друзьями просмотренные фильмы.

Таблица 3.9 Как часто респондент посещает кинотеатр?

В таблице №3.9 представлена наша главная зависимая переменная для эконометрического анализа - частота посещения кинотеатра. Это категориальная переменная, разделяющаяся на четыре категории: «чаще одного раза в неделю» (3; 2%); «раз в неделю» (20; 11%); «раз в 2-3 недели» (74; 42%); «реже одного раза в месяц» (78; 45%). Однако качественный мультикатегориальный анализ для этой переменной будет провести сложно, т.к. первые две категории неравномерно представлены в анализе: 2% и 11%, когда остальные две категории несут в себе 87% выборки, поэтому принято решение разделить выборку на две категории для дихотомического анализа. Первая подвыборка - «раз в месяц» с кодировкой 1 для 55% выборки (объединяя категории: чаще одного раза в неделю + раз в неделю + раз в 2-3 недели + реже одного раза в месяц); вторая подвыборка - «реже одного раза в месяц» с кодировкой 0 для 45%.

3.2 Оценка факторов, влияющих на предпочтения респондентов

Для оценки параметров модели предлагается использовать бинарную модель логистической регрессии. Перечень и расшифровка используемых в исследовании переменных представлены в таблице 3.10.

Таблица 3.10: Расшифровка используемых переменных.

Примечание: для выделенных знаком «*» переменных, базовая группа «1»: «совсем не важно».

Стоит уточнить, что базовая группа «1» удаляется для каждой категориальной переменной, у которой более двух категорий, чтобы избежать ловушки искусственных переменных. Также до оценки модели проведён анализ мультиколлинеарности между всеми переменными и их группами - максимальный VIF составил 2,04; средний VIF 1,34;. Мультиколлинеарность не выявлена.

Количество переменных в этой модели является избыточным для выборки в 175 респондентов, поэтому необходимо более осторожно подойти к процессу спецификации модели. Принято решение, несмотря на большую критику подхода в ряде эконометрических учебников, Аистов А. В., Максимов А. Г. Эконометрика шаг за шагом. Учеб. пособие для вузов-М.: Изд. дом ГУ ВШЭ, 2006.- стр. 58. применить пошаговую регрессионную процедуру в двух вариациях: PE-процедура - рассчитывается общая модель со всеми регрессорами и далее пошагово удаляются незначимые на 20% уровне значимости параметры; PR-процедура - расчёты начинается с пустой модели и в неё добавляются наиболее значимые переменные, пока все значимые на 20% уровне значимости переменные не будут добавлены. Также, учитывая результаты главы №2 необходимо учесть влияние гетероскедастичности на значимость параметров, поэтому для каждой процедуры также продублированы расчёты для робастных стандартных ошибок.

Итоговый результат этих процедур представлен в таблице 3.11:

Таблица 3.11 Оценки параметров логистической регрессии:

Можно считать, что по степени подгонки модели эквиваленты, однако в каждой модели разный набор переменных и необходимо выбрать наиболее адекватную модель для оценки нашей выборки. Для выбора оптимальной модели мы будем использовать оценку площади под ROC-кривой, по методологии, предложенной М. Клеве. Cleves M. A., Rock L. From the help desk: Comparing areas under receiver operating characteristic curves from two or more probit or logit models //The Stata Journal. - 2002. - Т. 2. - №. 3. - С. 301-313. Чем больше будет выгнута ROC-кривая, тем более точным является прогнозирование результатов модели.

Оценивая таблицу 3.12, было принято решение остановиться на модели с PR-процедурой подбора параметров с робастными стандартными ошибками, как модели с большим значением под ROCC кривой (и как наименее противоречащей экономическому смыслу модели). Оценим качество нашей модели в таблице 3.13.

Таблица 3.12 Оценка площади под ROC кривой для выбора модели:

Таблица 3.13 Дополнительная статистика по модели:

Качество модели характеризуют: критерий согласия Хосмера-Лемешова (р=0,5415, что явно больше 5% ур. значимости), чувствительность - 83,16%, специфичность - 68 %. Прогностичность положительного результата 76,7%, прогностичность отрицательного результата - 76,12%. (см. приложение №10)

Оценивая выбросы в приложении №9 можно предположить, что в модели есть порядка десяти выбросов (по пять с каждой стороны подвыборок). Там же оценивая график чувствительности к специфичности, можно оценивать и изменять критерий отсечения одной подвыборки от другой. Предполагается, что для достижения более качественного разделения выборки необходимо расширить выборку и достичь двух равномерных подвыборок (50% на 50%) и избавиться от выбросов.

Оценим логит-модель в таблице 3.14:

Таблица 3.14 Оценки модели логистической регрессии:

Мы заинтересованы в том, чтобы узнать, какой эффект имеет изменение в определённой переменной на вероятность пойти в кинотеатр. Для этого необходимо вычислить маржинальный эффект этой переменной в данной регрессии. Для этого в STATA существует команда margins, atmeans c различными опциями, которая вычисляет маржинальные эффекты, фиксируя значения всех регрессоров на уровне средних (алгоритм процедуры опции atmeans). Другими словами, для более объективного анализа воспользуемся оценкой предельного эффекта влияния этого параметра на вероятность пойти в кино. (табл. 3.15 и см. приложение №11).

3.3 Рекомендации по повышению эффективности управленческих стратегий

На основе результатов главы №2 были выявлены две основные управленческие стратегии: стратегия максимизации кассовых сборов кинокартины (1) и стратегия максимизации рентабельности кинокартины (2).

Они предполагают разный подход к выбору жанра и целевой аудитории.

Таблица 3.16 Сводная таблица 1 - стратегия/рекомендации: