Ясницкий Л.Н.доктор технических наук, профессор кафедры прикладной математики и информатики, Пермский государственный национальный исследовательский университет, Пермь, Российская Федерация yasn@psu.ru
Белобородова Н.О.студентка факультета экономики, менеджмента и бизнес-информатики, Национальный исследовательский университет «Высшая школа экономики», Пермь, Российская Федерация natasha09.12@mail.ru
Медведева Е.Ю.студентка факультета экономики, менеджмента и бизнес-информатики, Национальный исследовательский университет «Высшая школа экономики», Пермь, Российская Федерация medvedevaeyu@mail.ru
Тема. Нейросетевое прогнозирование в кинобизнесе. Цели. Статья посвящена исследованию возможностей применения метода экономико-математического моделирования для прогнозирования выручки и прибыли от проката будущих кинофильмов, а также выявлению факторов, влияющих на коммерческий успех кинобизнеса. Методология. В основе экономико-математической модели лежит нейронная сеть, обученная на известных исторических данных о прокате кинофильмов и включающая в себя 20 входных параметров. Компьютерные эксперименты выполнены методом «замораживания»: с помощью нейронной сети проводились вычисления при виртуальном изменении одного из входных параметров модели, тогда как остальные входные параметры сохранялись неизменными. Результаты. Среднеквадратичная относительная ошибка модели составила 13,8%, коэффициент детерминации – 0,86. Возможности модели продемонстрированы на кинофильмах «Код да Винчи», «Звездные войны». Выводы. Виртуальное увеличение бюджета фильмов по-разному сказывается на прогнозируемых кассовых сборах фильмов и величине прибыли. В первом случае виртуальное увеличение бюджета приводит к существенному возрастанию сборов и прибыли, тогда как во втором сборы с определенного момента перестают увеличиваться, а рост прибыли замедляется и даже наблюдается ее падение. По-разному влияют на успех кинобизнеса и другие параметры фильмов. На основании компьютерных экспериментов предложены рекомендации, которые могут способствовать повышению кассовых сборов фильмов. Значимость. Созданная экономико-математическая модель может быть использована для оптимизации финансовых затрат и выбора параметров при планировании новых фильмов. Она позволяет делать прогнозы в отношении кассовых сборов и прибыли от кинопроката, а также исследовать влияние различных параметров на коммерческий результат кинобизнеса.
Holbrook M.B., Hirschman E.C. The Experiential Aspects of Consumption: Consumer's Fantasies, Feelings and Fun. Journal of Consumer Research, 1982, vol. 9, iss. 2, pp. 132–140.
Eliashberg J., Sawhney M.S. Modeling Goes to Hollywood: Predicting Individual Differences in Movie Enjoyment. Management Science, 1994, vol. 40, iss. 9, pp. 1151–1173. doi: 10.1287/mnsc.40.9.1151
Sharda R., Delen D. Predicting Box-Office Success of Motion Pictures with Neural Networks. Expert Systems with Applications, 2006, vol. 30, iss. 2, pp. 243–254. doi: Link
Litman B.R. Predicting Success of Theatrical Movies: An Empirical Study. Journal of Popular Culture, 1983, vol. 16, no. 9, pp. 159–175. doi: 10.1111/j.0022-3840.1983.1604_159.x
Riwinoto M.T., Selly Artaty Zega, Gia Irlanda. Predicting Animated Film of Box-Office Success with Neural Networks. Jurnal Teknologi, 2015, no. 23, pp. 77–82.
Неволин И.В., Татарников А.С. Модели прогнозирования кассовых сборов кинофильмов на основе эмоциональных факторов спроса // Экономика и социум. 2014. № 4. С. 1244–1259.
Wasserman M., Mukherjee S., Scott K. et al. Correlations Between User Voting Data, Budget, and Boxoffice for Films in the Internet Movie Database. Journal of the Association for Information Science and Technology, 2015, vol. 66, iss. 4, pp. 858–868.
Ghiassi M., Lio D., Moon B. Pre-Production Forecasting of Movie Revenues with a Dynamic Artificial Neural Network. Expert Systems with Applications, 2015, vol. 42, iss. 6, pp. 3176–3193. doi: Link
Dhar T., Sun G., Weinberg C.B. The Long-Term Box Office Performance of Sequel Movies. Marketing Letters, 2012, vol. 23, no. 1, pp. 13–29.
McCulloch W.S., Pitts W.A. Logical Calculus of Ideas Immanent in Nervous Activity. Bulletin of Mathematical Biophysics, 1990, vol. 52, iss. 1-2, pp. 73–97.
Черепанов Ф.М., Ясницкий Л.Н. Нейросетевой фильтр для исключения выбросов в статистической информации // Вестник Пермского университета. Серия: Математика. Механика. Информатика. 2008. № 4. С. 151–155.
Rosenblatt F. Principles of Neurodynamics: Perceptrons and the Theory of Brain Mechanisms. New York, Spartan Books, 1962, pp. 245–248.
