Vad utgör en framgångsrik film?: En analys av Hollywoods filmindustri

INOM

EXAMENSARBETE TEKNIK, GRUNDNIVÅ, 15 HP

STOCKHOLM SVERIGE 2016 ,

Vad utgör en framgångsrik film?

En analys av Hollywoods filmindustri SIMON DANIELSSON

JAKOB FLYGARE

KTH KUNGLIGA TEKNISKA HÖGSKOLAN

SKOLAN FÖR TEKNIKVETENSKAP

Vad utgör en framgångsrik film?

En analys av Hollywoods filmindustri

S I M O N D A N I E L S S O N J A K O B F L Y G A R E

Examensarbete inom teknik: Tillämpad matematik och industriell ekonomi (15 hp) Civilingenjörsutbildning i industriell ekonomi (300 hp)

Kungliga Tekniska högskolan 2016 Handledare på KTH: Thomas Önskog, Jonatan Freilich Examinator: Henrik Hult

TRITA-MAT-K 2016:09 ISRN-KTH/MAT/K--16/09--SE

Royal Institute of Technology

SCI School of Engineering Sciences

KTH SCI

SE- 100 44 Stockholm, Sweden

URL: www.kth.se/sci

“ People come to me all the time and they say, ’How do I become a millionaire in Hollywood?’ It’s simple... You arrive in Hollywood with one billion dollars, invest in film and you’ll be a millionaire before you know it.

- Frank Smith (TEDx 2014) ”

A B S T R AC T

This work examined the main drivers behind box office success for American movies in the production- and distribution phase. The data sample consisted of movies released between 2010 and 2014. An overall regression analysis of all movies as well as a genre specific regres- sion analysis were made. The 4ps model of marketing was used to investigate a film studio’s strategic possibilities during the distribution of a film. The results showed that it was possible to determine significant drivers behind a movie’s revenue. Budget and sequel were the two factors that had the largest positive effect on revenue for the majority of the regression models.

The genre specific analysis showed that the impact of each factor varied between genres.

Keywords: Box office revenue, regression analysis, film, 4ps of marketing.

2

S A M M A N FAT T N I N G

I detta arbete undersöktes vilka de främsta framgångsfaktorerna var med avseende på bioin- täkter för en amerikansk film i produktions- och distributionsfasen. Analysen av produktions- fasen baserades på filmer mellan åren 2010-2014 och bestod dels av en övergripande regres- sionsanalys över alla filmer och dels en genrespecifik regressionsanalys. Undersökningen av distributionsfasen grundade sig i 4p modellen för att visa på filmbolagens strategiska möjlig- heter. Resultaten visade att det fanns signifikanta faktorer som påverkar biointäkterna både positivt och negativt. Däribland var uppföljare och budget de två faktorerna som hade störst positiv påverkan på biointäkterna för majoriteten av regressionsmodellerna. Den genrespecif- ka analysen visade även på skillnader för vilka faktorer som bidrar till att öka biointäkterna för de olika genrerna.

Nyckelord: Biointäkter, regressionsanalys, film, 4p marknadsföringsmix.

3

F I G U R E R

1. Residual plot för homoskedatisk modell . . . . 15

2. Residual plot för hetroskedastisk modell . . . . 15

3. Likafördelade, oberoende normalfördelade residualer . . . . 16

4. Ej likafördelade, oberoende normalfördelade residualer . . . . 16

5. Genrefördelning efter frekvens för år 2010-2014. Totalt 641 st filmer . . . . 19

6. Q-Q plot för reducerad modell . . . . 26

7. Residual plot för reducerad modell . . . . 26

8. Stolpdiagram över antal 3D filmer mellan åren 2010-2014 . . . . 38

9. Stolpdiagram över antal IMAX filmer mellan åren 2010-2014 . . . . 38

10. Reducerad grundmodell: histogram av residualerna . . . . 48

11. Action: residual och QQ-plots . . . . 51

12. Drama: residual och QQ-plots . . . . 52

13. Thriller: residual och QQ-plots . . . . 52

14. Romans: residual och QQ-plots . . . . 53

15. Science fiction: residual och QQ-plots . . . . 53

16. Fantasy: residual och QQ-plots . . . . 54

17. Äventyr: residual och QQ-plots . . . . 54

4

TA B E L L E R

1. Övergripande grundmodell: regressionsresultat (641 filmer) . . . . 24

2. Övergripande reducerad modell: regressionsresultat (641 filmer) . . . . 25

3. Övergripande analys: modelljämförelse . . . . 25

4. Action: regressionsresultat (190 filmer) . . . . 27

5. Action: modelljämförelse . . . . 27

6. Drama: regressionsresultat (259 filmer) . . . . 28

7. Drama: modelljämförelse . . . . 28

8. Thriller: regressionsresultat (115 filmer) . . . . 28

9. Thriller: modelljämförelse . . . . 29

10. Romans: regressionsresultat (91 filmer) . . . . 29

11. Romans: modelljämförelse . . . . 29

12. SciFi: regressionsresultat (63 filmer) . . . . 30

13. SciFi: modelljämförelse . . . . 30

14. Fantasy: regressionsresultat (76 filmer) . . . . 30

15. Fantasy: modelljämförelse . . . . 31

16. Äventyr: regressionsresultat (161 filmer) . . . . 31

17. Äventyr: modelljämförelse . . . . 31

18. Sammanställning av budget och försäljning: I Am Legend vs Children of Men . . . . 42

19. Betyg, publik och kritiker: I Am Legend vs Children of Men . . . . 43

20. Reducerad grundmodell: korrelationsmatris . . . . 49

21. Förklaring av variabler för korrelationsmatris . . . . 49

22. Action: korrelationsmatris . . . . 49

23. Drama: korrelationsmatris . . . . 50

24. Thriller: korrelationsmatris . . . . 50

25. Romans: korrelationsmatris . . . . 50

26. Science fiction: korrelationsmatris . . . . 50

27. Fantasy: korrelationsmatris . . . . 50

28. Äventyr: korrelationsmatris . . . . 51

5

I N N E H Å L L

1. inledning . . . . 8

1.1. Bakgrund . . . . 8

1.2. Syfte . . . . 8

1.3. Frågeställningar . . . . 9

2. teori . . . . 10

2.1. Multipel Linjär Regressionsanalys . . . . 10

2.1.1. Antaganden . . . . 11

2.1.2. Ordinary Least Squares . . . . 11

2.2. Modellfel . . . . 11

2.2.1. Multikolinjäritet . . . . 12

2.2.2. Endogenitet . . . . 12

2.2.3. Hetroskedasticitet . . . . 12

2.3. Modellvalidering . . . . 13

2.3.1. AIC . . . . 13

2.3.2. F-test, p-värde och konfidensintervall . . . . 13

2.3.3. η ² , R ² och justerat R ² . . . . 14

2.3.4. Residual plot mot y b . . . . 15

2.3.5. Normal Q-Q plot . . . . 16

3. metod . . . . 17

3.1. Val av variabler . . . . 17

3.1.1. Responsvariabel . . . . 17

3.1.2. Förklaringsvariabler . . . . 17

3.2. Datainsamling . . . . 20

3.3. Avgränsningar . . . . 21

3.4. Övergripande modell . . . . 21

3.5. Genrespecifik modell . . . . 22

4. resultat . . . . 23

4.1. Övergripande modell . . . . 23

4.1.1. Grundmodell . . . . 24

4.1.2. Reducerad modell . . . . 25

4.1.3. Q-Q plot för reducerad modell . . . . 25

4.1.4. Residual plot för reducerad modell . . . . 26

4.2. Genrespecifika modeller . . . . 27

5. diskussion . . . . 32

5.1. Modellvalidering . . . . 32

5.2. Kovariatanalys . . . . 34

6

Innehåll 7

6. 4p modellen applicerat på filmbranschen . . . . 39

6.1. Inledning . . . . 39

6.2. Litteraturstudie . . . . 39

6.3. Produkt . . . . 40

6.4. Plats . . . . 40

6.5. Pris . . . . 41

6.6. Påverkan . . . . 41

6.7. Fallstudie . . . . 42

7. slutsats och rekommendationer . . . . 46

A. appendix . . . . 48

A.1. Histogram av residualerna . . . . 48

A.2. Korrelationsmatrier . . . . 49

A.3. Residual och Q-Q plot för de genrespecifika analyserna . . . . 51

Litteratur . . . . 57

1

I N L E D N I N G

1.1 bakgrund

De senaste fem åren har över 1 miljard biobiljetter sålts årligen i USA vilket genererat intäkter på över $10 miljarder per år (TheNumbers 2016a). Att filmindustrin är en viktig del av lan- dets ekonomi råder det ingen tvekan om. Framgången av en film är oförutsägbar och endast en av fem filmer lyckas gå med vinst vilket resulterar i en riskabel bransch med kostsamma felinvesteringar (Mayyasi 2013). För filmbolagen är det således viktigt att i tidigt skede kunna identifiera vinstprojekt och i större utsträckning undvika förlustprojekt.

Litman (1983) var först med att använda regressionsanalys för att analysera biointäkter. Hans modell inkluderar faktorer som filmbolagen själva inte har någon kontroll över, som exem- pelvis recensioner och galanomineringar efter filmens premiär. Selvaretnam och Yang (2015) samt Elberse (2007) skiftade fokus i sina arbeten till att specifikt analysera skådespelarnas in- verkan på biointäkter. Gemensamt för dessa tidigare arbeten är att filmerna i urvalet är från alla möjliga genrer. Aldrig tidigare har en genrespecifik analys gjorts för att studera om fram- gångsfaktorerna skiljer sig mellan olika genrer.

Eliashberg (2006) delar in filmskapandet i tre faser: produktion, distribution och visning. Under produktionfasen fattas beslut om manus, genre, rollfördelning, regissör och så vidare. Det är inverkan av dessa beslut som den största delen av det här arbetet fokuserar på. I slutet av arbetet analyseras även de olika strategiska besluten som fattas under distributionsfasen.

1.2 syfte

Syftet med detta arbete är att undersöka vilka de främsta framgångsfaktorerna är med avseende på biointäkter för en amerikansk film i produktions- och distributionsfasen. Undersökningen riktar sig främst till de amerikanska filmbolagen för att verka som beslutsunderlag.

8

1.3 frågeställningar 9

1.3 frågeställningar

Frågeställningarna som besvaras i arbetet är:

• Vilka är de främsta framgångsfaktorerna med avseende på biointäkter för amerikanska filmer?

• Hur skiljer sig dessa faktorer inom olika filmgenrer?

• På vilket sätt påverkar dessa faktorer filmintäkterna?

• Vad är den bakomliggande orsaken till faktorernas skattning?

2

T E O R I

Den teori som legat till grund för detta arbete är multipel linjär regressionsanalys. Nedan pre- senteras vad regression är, hur det används samt de verktyg som används inom området.

2.1 multipel linjär regressionsanalys

Linjär regressionsanalys grundar sig i att bäst anpassa data till en responsvariabel y med hjälp av förklaringsvariabler x. Förklaringsvariablerna kallas även kovariat och ska vara nära korre- lerade med responsvariabeln y. Eftersom anpassningen av data till responsvariabeln inte blir exakt uppstår residualer vilket betecknas e och målet är att minimera dessa. Således utgörs en linjär regressionsanalys av en responsvariabel y, kovariat x samt residualer e och kan skrivas som

y _i = β ₀ +

∑ k j = 1

x _ij β _j + e _i , i = 1, . . . , n (1) där β j är de okända parametrarna som uppskattas i regressionen. Reponsvariabeln samt resi- dualerna är stokastiska variabler, kovariaten är deterministiska variabler (Lang 2015). I matris- form kan (1) skrivas som

Y = Xβ + e där

Y =





 y ₁

...

y _n





 , X =







1 x ₁₁ . . . x _1k ... ... ... ...

1 x _n1 . . . x _nk





 , β =





 β ₀

...

β _k





 , e =





 e ₁

...

e _n







10

2.2 modellfel 11

2.1.1 Antaganden

Nedan listas ett antal grundläggande antaganden som linjär regression bygger på.

• Responsvariabeln kan skrivas som en linjär kombination av variabler plus en residual, enligt (1). De okända koefficienterna i vektorn β antas vara konstanter. Antagandet bryts vid avsaknad av relevanta kovariat eller vid inkludering av irrelevanta kovariat.

• Residualerna är normalfördelade med väntevärdet noll, dvs. E ( e _i ) = _0.

• Residualerna är oberoende och har samma varians. Detta kallas för homoskedasticitet och är ett vanligt antagande vid regressionsanalys. Ett mer ambitiöst antagande är mot- satsen, dvs. att residualerna har olika varians. Detta kallas för heteroskedasticitet och är en mer korrekt men mindre effektiv modell än homoskedasticitet.

• Kovariaten är konstanta vid upprepade stickprov, det vill säga de kan betraktas som de- terministiska.

• Det finns inga perfekta linjärkombinationer mellan kovariaten. Observationerna översti- ger antalet kovariat (Kennedy 2008).

2.1.2 Ordinary Least Squares

Vid uppskattning av de okända parametrarna β används OLS (Ordinary Least Squares). Denna metod bygger på normalekvationen X ^T b e = 0 och det uppskattade parametrarna β ges av

X ^T b e = ₀ X ^T ( Y − X b β ) = 0 X ^T Y − X ^T X b β = 0

X ^T Y = X ^T X b β

β b = ( X ^T X ) ^{− 1} X ^T Y

där β b är OLS uppskattningen av β och minimerar summan av kvadraten på residualen (Lang 2015).

2.2 modellfel

Modellfel kan uppstå vid linjär regressionsanalys vilket får implikationer på hur tillförlitligt

resultatet blir. Nedan ges en förklaring på relevanta modellfel till detta arbete.

2.2 modellfel 12

2.2.1 Multikolinjäritet

Multikolinjäritet uppstår då minst ett kovariat är nära eller helt korrelerat med de övriga ko- variaten. Graden av multikollinjaritet kan delas in i perfekt och imperfekt. Vid perfekt mul- tikollinjaritet är minst ett kovariat helt korrelerat med de övriga kovariaten och OLS saknar en unik lösning. Vid imperfekt multikollinjaritet är minst ett kovariat nära korrelerat med de övriga kovariaten. Problemet berör främst de kovariat som är av intresse för tolkning eftersom standardavvikelsen ökar och ger således en dålig punktskattning (Lang 2015).

2.2.2 Endogenitet

Endogenitet uppstår då ett eller flera kovariat är korrelerade med residualen och det grund- läggande antagandet E ( e _i ) = 0 bryts, vilket resulterar i att OLS inte ger konsekventa upp- skattningar. Endogenitet är endast ett problem om avsikten med regressionsanalysen är att analysera hur kovariaten påverkar responsvariabeln och är därmed inte ett problem för en pre- diktionsmodell (Lang 2015). Det finns olika situationer som får endogenitet att uppstå och de vanligaste fallen beskrivs kortfattat nedan.

• Som tidigare nämnt ska kovariaten vara korrelerade med responsvariabeln men om re- sponsvariabeln även är korrelerat med ett eller flera kovariat uppstår simultaniety.

• Sample selection bias uppstår då urvalet av observationer inte är slumpmässigt valt. Detta resulterar i att den valda datan inte blir representativ för populationen (Hansen 2016).

• Self selection bias förekommer då individer i urvalet själv väljer grupper baserat på egna preferenser.

• Vid mätfel av kovariaten uppstår endogenitet medan mätfel i responsvariabeln endast leder till att ytterligare en komponent adderas till residualen.

• Om relevanta kovariat utelämnas adderas effekten av dem till feltermen som kan bli korrelerat med ett eller flera kovariat, därmed uppstår endogenitet.

2.2.3 Hetroskedasticitet

Hetroskedasticitet uppstår, som tidigare nämnt, då antagandet bryts om att residualerna har

samma varians. Nackdelen med detta är att OLS inte är ett lika effektivt regressionsverktyg

då som vid det homoskedastiska fallet. Därmed föredras det att formulera om modellen för

att i stor utsträckning uppnå homoskedasticitet. Ett sätt att transformera responsvariabeln är

genom logaritmering.

2.3 modellvalidering 13 Whites variansskattning ger en formel för att uppskatta kovariansmatrisen vid hetroskedasti- citet. Formeln för detta är

Cov ( β b ) = ⁿ

n − k − ₁ ( X ^T X ) ^{− 1} X ^T D ( _b e ² _i ) X ( X ^T X ) ^{− 1}

där n är antal observationer, k antal kovariat och D ( _b e ² _i ) är en diagonalmatris innehållande de skattade residualerna i kvadrat. Termen _{n −} ⁿ _{k − 1} är en ad-hoc kompensation för undervärdering- en av residulerna i kvadrat. Denna term är alltså inte en del av Whites ursprungliga formel (Lang 2015).

2.3 modellvalidering

Syftet med modellvalidering är att uppnå en effektiv linjär regressionsmodell. Detta görs ge- nom att utnyttja modellvalideringsmetoder och avväga förklaringsgrad mot komplexitetsnivå (McQuarrie 1998). Nedan listas några modellvalideringsmetoder som är av relevans för detta arbete.

2.3.1 AIC

AIC (Akaike Information Criterion) är en modellvalideringsmetod som grundar sig på relativ informationsförlust mellan två modeller. AIC används för att undersöka om en viss variabel ska ingå i modellen. Ett AIC-värde beräknas enligt

AIC = n ∗ ln (| _b e | ² ) + 2k

där n är antalet observationer, k är antalet kovariat och | _b e | ² är kvadratsumman av residualerna.

Vid jämförelse av två modeller beräknas

∆AIC = AIC ∗ − AIC

där AIC ∗ är den reducerade modellen (utan variabeln) och AIC den kompletta modellen. Den regressionsmodell som minimerar AIC är också den som minimerar informationsförlusten, det vill säga om ∆AIC < 0 är den reducerade modellen att föredra (Lang 2015).

2.3.2 F-test, p-värde och konfidensintervall

F-test är ett hypotestest som inom regressionsanalys används för att testa om ett eller flera

koviariat är signifikant skiljt från noll. Först beräknas ett värde F, som har en känd fördelning

2.3 modellvalidering 14 under antagandet att nollhypotesen ( β _j = 0 ) är sann. p-värdet är sannolikheten att erhålla ett minst lika extremt resultat som det observerade resultatet F. Nollhypotesen förkastas för p- värden som är mindre än en bestämd signifikansnivå, α, då detta innebär att det är osannlikt att det observerade resultatet kom från den angivna fördelningen. Signifikansnivån är traditionellt satt till 5%. F-värdet beräknas genom

F = ^{ b β j} − β ⁰ _j SE ( β b _j )

 2

, där β ⁰ _j = 0

p-värdet för testet är

p = Pr ( X > F ) _{, där X} ∈ F ( 1, n − k − 1 )

där n är antalet observationer och k antalet kovariat i modellen. Ett konfiensintervall på nivå 1 − α för β j kan beräknas enligt (Lang 2015)

β b _j ± q

F _α ( 1, n − k − 1 ) _SE ( β b _j )

2.3.3 η ² , R ² och justerat R ²

Eta-kvadrat, η ² , är ett mått på förklaringsgraden av ett eller flera kovariat, det vill säga hur mycket av variansen som förklaras av kovariaten. Vid beräkning av eta-kvadrat görs dels en regression på den fulla modellen och dels en regression på den reducerade modellen, där | _b e | ² och | _b e | ² _∗ är residualerna för respektive modell. Eta-kvadrat ges av

η ² = | _b e | ² _∗ − | _b e | ²

| _b e | ² _∗

och är måttet på förklaringsgraden för de kovariat som reducerades bort.

I fallet då alla kovariat reduceras bort samtidigt erhålls R ² som blir ett mått på hur väl hela modellen passar data, så kallat goodness of fit. Vid prediktion är målet med modellen att uppnå ett så högt R ² värde som möjligt då detta innebär en hög prediktionsförmåga. Ett problem med R ² är att den aldrig minskar när antalet kovariat ökar, vilket innebär att en modellvalidering utifrån enbart R ² föredrar den största och mest komplicerade modellen. Därför används istäl- let det justerade R ² värdet i praktiken vid modellvalidering. Detta värde tar hänsyn till antal kovariat i modellen och ger ett lägre värde än R ² (Lang 2015). Justerat R ² definieras enligt

JusteratR ² = 1 − ( 1 − R ² )( n − 1 )

n − k − 1

2.3 modellvalidering 15

2.3.4 Residual plot mot y b

En residual plot mot den predicerade responsvariabeln, y, visar om regressionsmodellen är b hetroskedastisk, det vill säga Var ( e _i ) = σ _i ² . Grafen utgörs av de predicerade värdena för responsvariabeln längs horisontalaxeln och residualvärdena längs vertikalaxeln (R.Anderson 2007). Är modellen homoskedastisk visar grafen slumpmässigt utspridda punkter kring nollan på vertikalaxeln, se figur 1.

Figur 1.: Residual plot för homoskedatisk modell

Råder hetroskedasticitet kan en trattliknande utspridning av de plottade värderna avläsas på grafen, se figur 2.

Figur 2.: Residual plot för hetroskedastisk modell

2.3 modellvalidering 16

2.3.5 Normal Q-Q plot

En Normal Q-Q plot har för avsikt att visa hur normalfördelad den observerade datan är. Detta görs genom en jämförelse över hur observationspunkterna förhåller sig till den räta linjen, som representerar den idealiska normalfördelningen. Således om observationspunkterna ligger per- fekt längs med den räta linjen kommer de ifrån likafördelade, oberoende normalfördelningar (Spanios 1999). Nedan ges en grafisk presentation över två olika fall.

Figur 3.: Likafördelade, oberoende normalfördelade residualer

Figur 4.: Ej likafördelade, oberoende normalfördelade residualer

3

M E T O D

3.1 val av variabler

I detta avsnitt redogörs för valet av responsvariabel och förklaringsvariabler samt hur de har anpassats till regressionsmodellen.

3.1.1 Responsvariabel

Inhemska biointäkter, justerat för inflation, används som mått på en films framgång. I mo- dellen logaritmeras intäkterna för att få den procentuella effekten av varje kovariat. Denna logaritmering leder även till en mer normalfördelad responsvariabel vilket är att föredra vid linjär regression.

De inhemska biointäkterna utgör endast försäljningen i USA. Eftersom viss data, till exempel premiärdatum och klassificering, är anpassad till den amerikanska filmmarknaden så lämpar det sig att endast inkludera inrikesintäkterna.

3.1.2 Förklaringsvariabler

Förklaringsvariabler har identifierats utefter vad som antas påverka intäkterna för en film. Ma- joriteten av variablerna karaktäriseras av att de bestäms redan i produktionsfasen av en film och fungerar således som indikatorer för framgång innan filmen haft premiär.

De variabler som används är budget, MPAA-rating, premiärdatum, genre, skådespelare, regi, uppföljare, originalmanus, 3D samt IMAX. Nedan följer en förklaring av varje variabel och hur de har anpassats till regressionsmodellen.

17

3.1 val av variabler 18

Budget

Produktionsbudget för filmen, justerat för inflation. Anges i amerikansk dollar och logaritmeras i modellen. En logaritmering av budgeten möjliggör en analys av effekten av den procentuella budgetökningen samt förenklar en jämförelse mellan filmer med stora nominella skillnader i budget. Den angivna budgeten är uppskattad och viss osäkerhet råder kring dess värde. Det exakta värdet på budgeten är sällan känt eftersom produktionsbolag inte offentliggör den in- formationen (TheNumbers 2016b).

MPAA-rating

MPAA-rating är det klassificeringssystem som används för amerikanska filmer. En film ges ett betyg beroende på mängden och graden av olämpligt innehåll för barn. Betygen är följande:

• General audiences (G): Inget olämpligt innehåll för barn.

• Parental guidance suggested (PG): Kan innehålla olämpligt innehåll för barn.

• Parents strongly cautioned (PG-13): Innehåller troligen olämpligt innehåll för barn under 13 år.

• Restricted (R): Barn under 17 år måste vara i sällskap av en vuxen.

• Adults only (NC-17): Ingen under 17 år får se filmen (Film Ratings 2016).

Vid införandet av MPAA-rating som variabel i modellen grupperas de olika betygen ihop i två grupper, en barntillåten och en barnförbjuden grupp. I första gruppen ingår betygen G, PG och PG-13 och i andra betygen R och NC-17. En dummyvariabel införs i modellen som antar värdet 1 om filmens MPAA-rating tillhör den andra gruppen (R,NC-17), 0 annars.

Premiärdatum

Två speciella premiärdatum för en film är under sommarmånaderna samt under den s.k. Oscar- säsongen i slutet av året.

Blockbusters såsom superhjältefilmer tenderas att visas under sommarmånaderna, till exempel hade Avengers och Iron Man 3 båda premiär under maj månad. En dummyvariabel införs i modellen som antar värdet 1 om filmen har premiär mellan maj och augusti, 0 annars.

En typisk strategi för att maximera filmens chanser att bli nominerad vid nästa års Oscarsgala

är att släppa filmen i slutet av året så att den fortfarande är aktuell när juryn röstar (Zuckerman

2013). I modellen representeras detta av en dummyvariabel som antar värdet 1 om filmen har

premiär i november eller december, 0 annars.

3.1 val av variabler 19

Genre

En film kan räknas till en eller flera genrer; Paranormal Activity räknas endast som skräckfilm, medan Avengers tillhör Action, Äventyr och Science fiction. Totalt används 20 genrer i modellen, varav de fem vanligast förekommande är Drama, Komedi, Action, Äventyr och Thriller. För en fullständig sammanställning av genrer, se figur 5 nedan. I modellen införs en dummyvariabel för varje genre som antar värdet 1 om filmen tillhör den genren, 0 annars.

Figur 5.: Genrefördelning efter frekvens för år 2010-2014. Totalt 641 st filmer

Skådespelare

En Oscar-statyett används som mått på en skådespelares talang. Oscarsgalan hålls årligen i

USA och belönar de främsta filminsatserna under året. Priset delas ut i fyra skådespelarkate-

gorier; bästa manliga/kvinnliga huvudroll samt bästa manliga/kvinnliga biroll. I modellen är

skådespelare en dummyvariabel som antar värdet 1 om någon av filmens skådespelare har

vunnit en Oscar sedan år 2000, 0 annars. Urvalets avgränsning till år 2000 beror primärt på att

den omfattande datainsamlingen minskas men också för att främst ha med Oscarsvinster som

fortfarande är en aktuell igenkänningsfaktor. Endast de priser som vunnits av skådespelarna

innan filmens premiär räknas med, till exempel hade The Dark Knight Rises premiär 2012 och

således räknas inte Anne Hathaways vinst under 2013 års Oscargala med.

3.2 datainsamling 20

Regi

Vid bedömning av regissörens förmåga används två varianter. Den första är kopplad till Oscars- galan och representeras i modellen av en dummyvariabel som antar värdet 1 om regissören vunnit en Oscar för bästa regi sedan 2000, 0 annars. Den andra varianten är en dummyvariabel som antar värdet 1 om regissören tidigare regisserat en av de 50 mest framgångsrika filmerna sedan 1990, 0 annars. Oscarsstatyer för regissören begränsas till vinster från och med år 2000 av samma anledning som för skådespelare. Att variabeln för en av de 50 mest framgångsrika filmerna sträcker sig till 1990 beror på att dessa filmers popularitet troligen resulterat i att re- gissörens namn och status stått sig en längre tid. En tidsgräns behövs sättas för att minimera förekomsten av inaktuella regissörer.

Uppföljare

Dummyvariabel som antar värdet 1 om filmen är en uppföljare till en tidigare film, 0 annars.

Originalmanus

Ett originalmanus är ett manuskript som ej grundar sig på tidigare publicerat arbete, till exem- pel böcker eller TV-serier. I modellen införs en dummyvariabel som antar värdet 1 om manuset är originellt, 0 annars.

3D

Dummyvariabel som antar värdet 1 om filmen visas i 3D, 0 annars.

IMAX

IMAX är en relativt ny teknik inom Hollywood och The Dark Knight (2008) var första filmen som använde IMAX-kameror för vissa scener. Innan konverterades filmerna i efterhand för att anpassas till ett IMAX-format. I Sverige öppnade den första IMAX biografen i Mall of Scandi- navia 2015. Aldrig tidigare har effekten av IMAX undersöks med regression. I modellen införs en dummyvariabel som antar värdet 1 om filmen visas i IMAX, 0 annars.

3.2 datainsamling

Majoriteten av all kvantitativ datainsamling har skett med hjälp av Opusdata, ett webb-baserad

verktyg dedikerat till forskning inom film. Opusdata är framtaget av skaparna bakom hemsi-

3.3 avgränsningar 21 dan thenumbers och deras olika analysverktyg används av såväl utomstående analytiker som produktionsbolagen själva (TheNumbers 2016c). Verktyget och dess innehåll bedöms därmed som trovärdigt.

Informationen om genrer var ej tillräcklig via Opusdata så denna datainsamling kompletterades via imdb.com, världens största databas för film. Med miljontals användare dagligen är hemsidan det självklara alternativet för senaste informationen i Hollywood (IMDB 2016). Deras omfat- tande genreindelning på filmerna bedöms således som representativ för filmernas innehåll.

Totala antalet filmer i urvalet är 641 st, där The Avengers toppar listan med $660 miljoner i intäkter och The Apparition ligger sist med intäkter på $5,2 miljoner.

3.3 avgränsningar

Följande kriterier har ställts på filmerna och de filmer som inte uppfyller dessa kriterier har uteslutits från datamängden.

• Producerade i USA med engelska som filmspråk.

• Premiärdatum från år 2010 till och med 2014. År 2015 utesluts från urvalet då filmerna som hade premiär i slutet av året fortfarande går på bio vid tidpunkten för datainsam- lingen.

• Intäkter över $5 miljoner.

• Budget över $1 miljon .

• En officiell MPAA-rating.

3.4 övergripande modell

Den övergripande modellen är en regressionsanalys över alla filmer i datamängden. Syftet är att undersöka om det finns några framträdande framgångsfaktorer generellt sett.

Analysen utgår ifrån en regressionsmodell innehållande alla kovariat och reduceras därefter

med hjälp av Aikake. De kovariat vars värde på ∆AIC är mest negativt tas bort ur modellen

om även standardfelet på residualen minskar. När alla kovariat har ett positivt värde på ∆AIC

3.5 genrespecifik modell 22 anses modellen ha reducerats klart. Regressionen för den övergripande modellen ser ut som följande:

ln(Intäkter) = β ₀ + ln(Budget)β 1 + Barnförbjudenβ 2 + Sommarpremiärβ 3

+ Oscarsäsongβ 4 + SkådisOscarβ 5 + _{RegiOscarβ 6}

+ _{TopRegiβ 7} + Uppföljareβ 8 + Originalmanusβ 9 + _{3Dβ 10} + _{IMAXβ 11} + _{Actionβ 12} + _{Animeradβ 13} + · · · + _{Äventyrβ 31}

(2)

3.5 genrespecifik modell

En regressionanalys görs för de specifika genrerna för att undersöka om det finns skillnader i framgångsfaktorer mellan dem. Regressionsmodellen innehåller då inga kovariat för genrer och endast filmer för den genre som analyseras är med i datan. Samma strategi för reducering som vid den övergripande modellen appliceras på de genrespecifika modellerna. Regressions- modellen som inledningsvis används för varje genrespecifik regression är:

ln(Intäkter) = γ 0 + ln(Budget)γ 1 + Barnförbjudenγ 2 + Sommarpremiärγ 3

+ Oscarsäsongγ 4 + SkådisOscarγ 5 + _{RegiOscarγ 6} + _{TopRegiγ 7} + Uppföljareγ 8 + Originalmanusγ 9

+ _{3Dγ 10} + _{IMAXγ 11}

(3)

4

R E S U L TAT

Resultatet presenteras först för den övergripande regressionsmodellen, med tillhörande gra- fer för modellvalidering, för att därefter gå in på de genrespecifika regressionsmodellerna. I tabellerna redovisas för varje kovariat dess estimat, standardavvikelse, eta-kvadrat, p-värde samt nedre och övre gräns för det 95%-iga konfidensintervallet. Tabellerna är sorterade efter p-värde från minsta till största och har en streckad linje som visar var gränsen för en fem- procentig signifikansnivå går. Samtliga värden är beräknade under antagande att det råder heteroskedasticitet.

Tolkningen av beta koefficienterna påverkas av logaritmeringen av responsvariabeln. För icke- logaritmerade koefficienter, det vill säga alla utom budget, ger e ^{β j} koefficientens genomsnittliga ökning i intäkter, allt annat lika. För budget, som är logaritmerad, ger till exmpel en tioprocentig ökning av budgeten en 1.1 ^{β 1} ökning av intäkterna, allt annat lika.

4.1 övergripande modell

På nästa sida redovisas resultatet för grundmodellen (2) följt av den reducerade modellen.

23

4.1 övergripande modell 24

4.1.1 Grundmodell

Nedanstående är resultatet vid en regression av modellen (2).

Estimat Std.fel η ² p-värde Nedre Övre

(Intercept) 10.25 0.81 0.24 0.00 8.66 11.83

ln(Budget) 0.42 0.05 0.14 0.00 0.33 0.52

Uppföljare 0.37 0.08 0.03 0.00 0.21 0.53

IMAX 0.28 0.09 0.01 0.00 0.10 0.46

TopRegi 0.28 0.10 0.01 0.01 0.08 0.48

Action -0.21 0.09 0.01 0.02 -0.39 -0.03

Sommarpremiär 0.14 0.07 0.01 0.05 -0.00 0.29

Drama -0.16 0.08 0.01 0.05 -0.33 0.00

Barnförbjuden -0.14 0.07 0.01 0.06 -0.29 0.01

Dokumentär 0.51 0.29 0.00 0.07 -0.05 1.07

SciFi 0.19 0.11 0.00 0.08 -0.02 0.40

RegiOscar 0.14 0.09 0.00 0.11 -0.03 0.32

Biografi 0.25 0.17 0.00 0.15 -0.09 0.58

Skräck 0.17 0.13 0.00 0.19 -0.09 0.44

3D -0.12 0.10 0.00 0.22 -0.31 0.07

Musik -0.19 0.16 0.00 0.23 -0.49 0.12

Äventyr 0.12 0.10 0.00 0.25 -0.08 0.32

SkådisOscar 0.07 0.07 0.00 0.34 -0.07 0.21

Fantasy -0.11 0.12 0.00 0.36 -0.34 0.12

Originalmanus -0.06 0.06 0.00 0.36 -0.19 0.07

Animerad 0.12 0.16 0.00 0.43 -0.19 0.43

Komedi 0.08 0.10 0.00 0.45 -0.13 0.28

Thriller -0.06 0.10 0.00 0.55 -0.26 0.14

Krig 0.17 0.35 0.00 0.61 -0.50 0.85

Romans -0.04 0.09 0.00 0.68 -0.23 0.15

Sport -0.10 0.25 0.00 0.70 -0.58 0.39

Familje -0.04 0.12 0.00 0.71 -0.28 0.19

Oscarsäsong 0.03 0.08 0.00 0.71 -0.13 0.20

Kriminal 0.04 0.10 0.00 0.73 -0.17 0.24

Historisk 0.08 0.33 0.00 0.80 -0.56 0.72

Västern -0.06 0.51 0.00 0.91 -1.06 0.94

Mystery -0.01 0.12 0.00 0.95 -0.25 0.23

Tabell 1.: Övergripande grundmodell: regressionsresultat (641 filmer)

4.1 övergripande modell 25

4.1.2 Reducerad modell

Efter en reducering med Aikake gav detta nedanstående resultat vid regressionen.

Estimat Std.fel η ² p-värde Nedre Övre

(Intercept) 10.39 0.73 0.29 0.00 8.96 11.82

ln(Budget) 0.42 0.04 0.17 0.00 0.34 0.50

Uppföljare 0.36 0.08 0.03 0.00 0.20 0.51

Action -0.25 0.07 0.02 0.00 -0.39 -0.11

Drama -0.21 0.07 0.01 0.00 -0.34 -0.08

IMAX 0.25 0.09 0.01 0.00 0.08 0.42

TopRegi 0.28 0.10 0.01 0.01 0.08 0.47

Sommarpremiär 0.14 0.06 0.01 0.02 0.02 0.26

SciFi 0.17 0.09 0.00 0.05 -0.00 0.34

Biografi 0.28 0.15 0.01 0.07 -0.02 0.58

Barnförbjuden -0.12 0.07 0.01 0.07 -0.26 0.01

RegiOscar 0.14 0.08 0.00 0.08 -0.02 0.31

Äventyr 0.13 0.08 0.00 0.10 -0.02 0.28

Tabell 2.: Övergripande reducerad modell: regressionsresultat (641 filmer)

Reduceringen minskade standardfelet från 0.74 till 0.73 och Aikake från 1455 till 1429. Den slutliga modellen har en förklaringsgrad på 44%, se nedanstående sammanställning.

AIC Justerat R ² Resid. SE

Full modell 1454.693 0.434 0.736

Reducerad modell 1429.384 0.440 0.732 Tabell 3.: Övergripande analys: modelljämförelse

4.1.3 Q-Q plot för reducerad modell

Nedanstående Q-Q plot visar att samtliga residualer förhåller sig bra till den idealiska normal-

fördelningen. Som tidigare nämnt indikerar detta på att residualerna i den reducerade modellen

(2) har nästintill likafördelade, oberoende normalfördelningar och därmed uppfylls det grund-

läggande antagandet(se 2.1.1). Histogrammet över residualerna antyder även att de är normal-

fördelade (se Appendix A.1).

4.1 övergripande modell 26

Figur 6.: Q-Q plot för reducerad modell

4.1.4 Residual plot för reducerad modell

Nedanstående residual plot är över de predicerade värdena för responsvariabeln, y, mot respek- b tive residual. Denna graf visar hur homoskedastisk den reducerade modellen är. Då punkter- na har en slumpmässig utspridning kring nollan längs den vertikala axeln indikerar detta att regressionsmodellen är homoskedastisk.

Figur 7.: Residual plot för reducerad modell

4.2 genrespecifika modeller 27

4.2 genrespecifika modeller

Resultat för varje genrespecifik regression där endast de genrer med signifikanta kovariat pre- senteras nedan. Varje regression utgår från grundekvationen (3) och reduceras därefter med samma strategi som tidigare nämnt(se 3.4). Avsnitten för genrerna inleds med en sammanställ- ning av resultatet från den reducerade modellen följt av en jämförelse mellan grundmodell och reducerad modell. För residual och Q-Q plot för varje modell, se Appendix A.3.

Action

Estimat Std.fel η ² p-värde Nedre Övre

ln(Budget) 0.65 0.08 0.27 0.00 0.48 0.81

(Intercept) 6.01 1.43 0.10 0.00 3.18 8.84

Uppföljare 0.37 0.12 0.05 0.00 0.13 0.61

SkådisOscar 0.25 0.11 0.02 0.03 0.03 0.46

IMAX 0.24 0.11 0.02 0.03 0.03 0.46

Sommarpremiär 0.19 0.10 0.02 0.06 -0.01 0.40 Tabell 4.: Action: regressionsresultat (190 filmer)

AIC Justerat R ² Resid. SE Full modell 416.1173 0.5296 0.6756 Reducerad modell 406.7723 0.5382 0.6694

Tabell 5.: Action: modelljämförelse

Anmärkningsvärt för Action är att budget har en förklaringsgrad på 27%, jämfört med 17% för

den övergripande modellen. Skådespelarvariabeln visar sig vara signifikant inom Action. Den

reducera modellen för Action har en förklaringsgrad på 54% vilket är tio procentenheter mer

än den övergripande modellen.

4.2 genrespecifika modeller 28

Drama

Estimat Std.fel η ² p-värde Nedre Övre (Intercept) 10.75 1.00 0.35 0.00 8.77 12.72

ln(Budget) 0.40 0.06 0.18 0.00 0.28 0.51

Uppföljare 0.73 0.15 0.04 0.00 0.44 1.02

Originalmanus -0.27 0.10 0.03 0.01 -0.46 -0.08 Barnförbjuden -0.20 0.10 0.02 0.06 -0.40 0.01

TopRegi 0.38 0.22 0.01 0.08 -0.05 0.80

RegiOscar 0.19 0.13 0.01 0.14 -0.06 0.44

Tabell 6.: Drama: regressionsresultat (259 filmer)

AIC Justerat R ² Resid. SE Full modell 598.5549 0.3405 0.7516 Reducerad modell 593.5710 0.3410 0.7514

Tabell 7.: Drama: modelljämförelse

Endast tre av kovariaten är signifikanta vid en femprocentig nivå. Unikt för Drama är att ett ori- ginalmanus är statistisk signifikant och uppskattas till -24%. Den reducera modellen för Drama har en förklaringsgrad på 34%, betydligt lägre än för Action (54%).

Thriller

Estimat Std.fel η ² p-värde Nedre Övre (Intercept) 13.02 1.49 0.44 0.00 10.07 15.98

TopRegi 0.68 0.22 0.05 0.00 0.25 1.12

ln(Budget) 0.26 0.09 0.08 0.00 0.09 0.43

Uppföljare 0.46 0.18 0.06 0.01 0.09 0.83

Barnförbjuden -0.35 0.14 0.05 0.02 -0.63 -0.07

IMAX 0.45 0.20 0.04 0.02 0.06 0.84

SkådisOscar 0.31 0.15 0.03 0.04 0.01 0.62

3D -0.34 0.19 0.02 0.07 -0.72 0.04

Tabell 8.: Thriller: regressionsresultat (115 filmer)

4.2 genrespecifika modeller 29 AIC Justerat R ² Resid. SE

Full modell 266.4501 0.4206 0.7273 Reducerad modell 260.5617 0.4319 0.7202

Tabell 9.: Thriller: modelljämförelse

En barnförbjuden film (R/NC-17) har en tydlig negativ påverkan med -30% jämfört med en barntillåten film. Förklaringsgraden för modellen är 43%.

Romans

Estimat Std.fel η ² p-värde Nedre Övre

ln(Budget) 0.54 0.09 0.30 0.00 0.36 0.71

(Intercept) 8.39 1.53 0.26 0.00 5.35 11.44

Uppföljare 0.58 0.15 0.04 0.00 0.29 0.87

3D -0.77 0.30 0.06 0.01 -1.36 -0.18

Barnförbjuden -0.35 0.17 0.06 0.05 -0.69 -0.00 Tabell 10.: Romans: regressionsresultat (91 filmer)

AIC Justerat R ² Resid. SE Full modell 195.1445 0.3556 0.6609 Reducerad modell 187.0723 0.3741 0.6513

Tabell 11.: Romans: modelljämförelse

Unikt för romantiska filmer är att 3D är statistisk signifikant och uppskattas till -64%. Förkla-

ringsgraden för modellen är 37%.

4.2 genrespecifika modeller 30

Science fiction

Estimat Std.fel η ² p-värde Nedre Övre

(Intercept) 11.56 1.50 0.42 0.00 8.55 14.56

ln(Budget) 0.35 0.09 0.16 0.00 0.18 0.53

Barnförbjuden -0.74 0.19 0.22 0.00 -1.12 -0.37

SkådisOscar 0.42 0.17 0.09 0.01 0.09 0.75

Uppföljare 0.37 0.15 0.08 0.02 0.06 0.67

Sommarpremiär 0.35 0.15 0.08 0.02 0.05 0.66

IMAX 0.26 0.16 0.04 0.11 -0.06 0.58

TopRegi 0.33 0.22 0.05 0.14 -0.12 0.77

Tabell 12.: SciFi: regressionsresultat (63 filmer)

AIC Justerat R ² Resid. SE Full modell 122.7717 0.6468 0.5797 Reducerad modell 116.9587 0.6610 0.5680

Tabell 13.: SciFi: modelljämförelse

Science fiction filmer med premiär under sommarmånaderna tjänar 42% mer än övriga filmer inom genren. Modellen för Science fiction har högst förklaringsgrad (66%) samt lägst standardfel i residualen (57%) av samtliga modeller.

Fantasy

Estimat Std.fel η ² p-värde Nedre Övre (Intercept) 13.02 1.54 0.55 0.00 9.94 16.10 Uppföljare 0.90 0.18 0.23 0.00 0.55 1.26

RegiOscar 0.68 0.18 0.11 0.00 0.31 1.05

ln(Budget) 0.25 0.09 0.12 0.01 0.07 0.42

TopRegi 0.37 0.25 0.03 0.15 -0.13 0.86

Tabell 14.: Fantasy: regressionsresultat (76 filmer)

4.2 genrespecifika modeller 31 AIC Justerat R ² Resid. SE

Full modell 190.1677 0.4799 0.7535 Reducerad modell 180.0183 0.5060 0.7343

Tabell 15.: Fantasy: modelljämförelse

Fantasy är den genre där budget har lägst förklaringsgrad (12%). Förklaringsgraden för model- len är 51%.

Äventyr

Estimat Std.fel η ² p-värde Nedre Övre

ln(Budget) 0.61 0.08 0.32 0.00 0.46 0.77

(Intercept) 6.69 1.40 0.15 0.00 3.92 9.46

TopRegi 0.39 0.13 0.05 0.00 0.14 0.64

Uppföljare 0.31 0.11 0.05 0.00 0.10 0.51

Oscarsäsong 0.24 0.14 0.02 0.07 -0.02 0.51

Sommarpremiär 0.24 0.13 0.02 0.08 -0.02 0.50

IMAX 0.20 0.11 0.02 0.08 -0.03 0.42

SkådisOscar 0.15 0.10 0.01 0.13 -0.05 0.34

Tabell 16.: Äventyr: regressionsresultat (161 filmer)

AIC Justerat R ² Resid. SE Full modell 310.7235 0.5752 0.6090 Reducerad modell 303.7692 0.5836 0.6029

Tabell 17.: Äventyr: modelljämförelse

5

D I S K U S S I O N

I detta kapitel diskuteras det erhållna resultaten från alla regressionsmodeller. Diskussionen inleds med en modellvalidering av samtliga modeller för att sedan analysera varje kovariat för sig.

5.1 modellvalidering

Multikolinjäritet

Som tidigare nämnt leder multikolinjäritet till ett stort standardfel och dålig punktskattning (se 2.2.1 Multikolinjäritet). Budget är de kovariat som har störst korrelation med övriga kova- riat, vilket är förväntat. Förutom responsvariabeln korrelerar budget mest med Äventyr (0.52), IMAX (0.48) och Action (0.41) i den reducerade grundmodellen. Även detta är naturligt då fil- mer inom Äventyr och Action förväntas kosta mer än övriga genrer och IMAX är fortfarande en relativt ny, dyr teknologi. I övrigt är det ingen större korrelation mellan variablerna, vare sig i grundmodellen som de genrespecifika modellerna (se Appendix A.2), vilket även indikeras av de låga standardfelen i samtliga regressionsmodeller. Därmed utesluts att någon större mul- tikolinjäritet förekommer vilket möjliggör en mer trovärdig analys av orsak-verkan samband.

Endogenitet

Ingen simultaneity förekommer i modellerna eftersom intäkterna genereras först efter att samt- liga kovariat är bestämda. En ökad intäkt kan inte påverka kovariaten i efterhand då dessa bestäms under produktions- och distributionsfasen av filmen.

Urvalet av filmer har inte baserats till fördel för något kovariat. Kraven som ställts på urvalet (intäkter över $ 5 miljoner, budget över $ 1 miljon) är sådana att hobbyfilmer som knappt visats

32

5.1 modellvalidering 33 på bio ska uteslutas då dessa filmer inte är av intresse för analysen. Sample selection bias anses således inte förekomma.

Relevanta kovariat har oundvikligen utelämnats i brist på information vilket kan ge endogeni- tet i regressionsmodellerna. Exempelvis finns inte en mer detaljerad indelning av produktions- budgeten tillgänglig eller hur mycket som lagts på marknadsföring. Detta är givetvis viktiga kovariat som skulle gett värdefull information men det är svårt att göra någonting åt det.

Det råder troligen en viss self selection bias gällande variablerna för premiärdatum. Om en film anses ha goda chanser att vinna en Oscar på grund av dess kvalitet väljs med större sanno- likhet ett premiärdatum sent på året (motsvarande variabeln Oscarssäong) för att maximera chanserna inför juryn. Men om filmen är så pass “bra” att den tävlar om en Oscar hade den nog attraherat en stor publik oavsett premiärdatum, vilket gör analysen av Oscarsäsongens effekt på intäkter svår. Samma problem gäller för variabeln Sommarpremiär, då många superhjältefil- mer har premiär under sommarmånaderna och dessa filmer hade troligen presterat väl oavsett premiärdatum. En mer ingående analys av dessa variabler finns under kovariatkapitlet nedan.

Etablerade regissörer och skådespelare i Hollywood har större valbarhet vad gäller vilket pro- jekt de vill ansluta sig till. Dessa personer kan då i större utsträckning ansluta sig till filmer som de anser “bra”. Huruvida det är deras bidrag till filmen som gör att den presterar bra på bio eller om källmaterialet är så pass starkt att filmen hade nått succé oavsett skådespelare/regissör är svårt att säga. Det finns definitivt en risk att dessa variabler övervärderas på grund av detta.

Förklaringsgrad

Att analysera förklaringsgraden för den övergripande modellen är svårt och ofta meningslöst då värdet inte kan jämföras med en annan modell. Det är mer givande att jämföra de genre- specifika modellerna med varandra. Den genrespecifka regressionsanalysen visade på stora skillnader i justerat R ² med ett högsta värde på 66% för Science fiction och ett lägsta värde på 34% för Drama. Anledningen tros vara att dramafilmer är mer dialogdrivna och utgörs såle- des av mer svårmätbara faktorer än science fiction-filmer, som bygger mer på visuell stimuli.

Skapandet av en film är i någon mening ett konstnärligt verk där många subjektiva faktorer

tillsammans bidrar till att skapa känslor och effekter för biobesökaren. För vissa genrer är dessa

känslor och effekter mer mätbara än andra.

5.2 kovariatanalys 34

5.2 kovariatanalys

Budget

Ur den övergripande modellen dras slutsatsen att budget har en stor positiv inverkan på en films intäkter. Detta är naturligt eftersom den utgör i någon mening grunden för en film och en stor budget ger fler möjligheter för filmbolagen att förbättra kvaliteten. Budget hade en starkt positiv inverkan på biointäkter hos samtliga genrespecifika regressionsmodeller men det var stor skillnad hur mycket den förklarade av intäkterna. Anmärkningsvärt var att budget hade en förklaringsgrad på 32% för Äventyr men endast 12% för Fantasy.

Nackdelen med budget är att en mer detaljerad beskrivning av vad den utgörs av inte offent- liggörs av filmbolagen (TheNumbers 2016b). Det är således omöjligt att urskilja vad som till exempel är skådespelarlöner och vad som är produktionskostnader. Budgetens struktur kan även se olika ut beroende på vilken typ av film som producerats. Exempelvis bör en större del av budgeten allokeras för specialeffekter hos en science fiction-film jämfört med en dramafilm.

Sammantaget för budget har den en stor positiv inverkan på en films intäkter men variabeln i sig blir svårtolkad. En större budget behöver nödvändigtvis inte ge högre intäkter utan det kan snarare vara dess allokering som är viktig att tänka på.

MPAA-rating

Barnförbjudna filmer har en tydlig negativ effekt på en films intäkter. Denna effekt är som störst inom Science fiction där dessa filmer i snitt har 52% lägre intäkter än jämförbara, icke- barnförbjudna filmer. Den övergripande regressionsmodellen visar även att barnförbjudna fil- mer har i snitt 11% lägre biointäkter, dock sett till en signifikans nivå på 10%. Resultatet av denna variabel är logiskt och förväntat då filmer med betyg R eller NC-17 inte når ut till en lika stor marknad som till exempel en PG-13 film. Att inte visa blod i Christoper Nolans Batman- trilogi gör att filmerna håller sig till en PG-13 rating och alla barn kan se sin favorithjälte på bioduken tillsammans med föräldrarna. Hade trilogin istället haft betyget R hade den troligen inte nått samma succé.

Premiärdatum

Sommarpremiär är statistisk signifikant vid den övergripande analysen samt för Science fiction.

I båda fallen har variabeln en positiv inverkan på intäkterna vilket tyder på att sommarmåna-

derna är en populär period för biotittande. Detta tros bero på att barn är hemma från skolan

5.2 kovariatanalys 35 och föräldrarna är lediga från jobben vilket ger familjer fler möjliga dagar under veckan att gå på bio.

Det finns en risk att denna variabel övervärderats i modellen då många superhjältefilmer har premiär under sommaren. Dessa filmer hade troligen presterat bra oavsett premiärdatum. Vik- tigare än själva premiärdatumet är nog vilka filmer som har närliggande premiärer. Att lägga premiärdatumet samma vecka som The Avengers i maj kanske inte är den bästa strategin trots att det är under en sommarmånad.

Inga slutsatser kring Oscarsäsongens effekt på en films intäkter kan dras utifrån detta arbete då variabeln ej var statistisk signifikant vid någon av regressionerna. Variabeln reducerades även bort från samtliga modeller förutom för äventyrsfilmer vilket tyder på att den inte har någon stor effekt på intäkterna.

Genre

I den övergripande modellen är det endast Action, Biografi, Drama, Science fiction och Äventyr som ej reduceras bort. Sammantaget för genrerna är att de har relativ låg förklaringsgrad, där Action toppar med 2%. Deniz och Hasbrouck (2012) lyfter fram idén att vilka genrer som är po- pulära beror på nuvarande trender inom den amerikanska kulturen, vilket gör det meningslöst att försöka identifiera framgångsrika genrer som filmbolagen bör satsa på i framtiden genom att studera historisk data.

Skådespelare

Att ha med en Oscarskådespelare i filmen visade sig enbart vara signifikant inom vissa gen- rer. Resultatet visar att för Action, Science fiction och Thriller ger en Oscarskådespelare positiv effekt på förväntade intäkter vilket indikerar att inom dessa genrer är det värt att satsa på skådespelare av hög kaliber. Resultatet är förvånansvärt då intuitionen säger att det är inom framförallt drama som fokus läggs på skådespelarnas förmågor.

Selvaretnam och Yang (2015) analyserar även effekten av tidigare intäkter för filmer där skåde- spelaren medverkat. Deras resultat visar att en skådespelare som tidigare haft framgång ökar förväntade intäkter för framtida filmer. Elberse (2007) hävdar att den bästa strategin inte alltid är att satsa allt på en A-list star utan det är sammansättningen av samtliga skådespelare som spelar roll. Hon menar att det handlar om att kombinera rätt skådespelare med varandra till rätt genre.

Analysen av skådespelarnas roll för framgången av en film kompliceras av svårigheten att mä- ta denna variabel. Ska samtliga skådespelare tas hänsyn till eller endast huvudskådespelarna?

George Clooney syns bara i en minut i den nästan tre timmar långa krigsfilmen The Thin Red

5.2 kovariatanalys 36 Line men användes ändå i reklamsyfte inför premiären (Winter 2010). Komplexiteten av skåde- spelarvariabeln är vad som motiverar att hela arbeten dedikeras till att analysera det. Därmed är det svårt att dra definitiva slutsatser om skådespelarnas påverkan utifrån variabeln Skådi- sOscar.

Regi

Som tidigare nämnt behandlar regressionsmodellerna två variabler för att mäta regissörer, Re- giOscar och TopRegi (se 3.1.2). I den övergripande modellen har TopRegi en positiv inverkan på intäkterna på 32% och en signifikansnivå på 1% medan RegiOscar endast har en positiv in- verkan på 15% vid en signifikansnivå på 10%. Skillnaden i positiv inverkan mellan variablerna tros bero på att TopRegi baseras på tidigare verk som varit framgångsrika på bio. Därmed har ett stort antal biobesökare sett filmer från regissören och i tron att samma regissör är kapabel till att göra ännu ett framgångsrikt verk ger detta en positiv försäljningseffekt.

Den genrespecifika analysen gav däremot olika resultat. TopRegi hade störst positiv inverkan för thrillerfilmer med 97% men reducerades bort för romans- och actionfilmer. Anledningen till att TopRegi reducerades bort hos romansfilmer beror med stor sannolikhet på att endast en film i urvalet hade en top-regissör.

Bland fantasyfilmer hade RegiOscar störst positiv inverkan på 97% men saknade signifikans för de övriga genrerna. Den positiva effekt hos fantasyfilmer kan förklaras av att regissören Peter Jackson vunnit Oscar för bästa regi tidigare och hans framgångsrika The Hobbit-trilogi finns med i urvalet.

Uppföljare

Variabeln för uppföljare är, bortsett från budget, den största indikatorn för en films framgång. I

samtliga regressioner var variabeln signifikant med relativt hög förklaringsgrad vilket förklarar

filmbolagens benägenhet att satsa på fler och fler uppföljare. Under de senaste tio åren har

antalet uppföljare bland de 100 bästsäljande filmerna varje år mer än fördubblats (22% i 2014

jämfört med 9% i 2005) (Stephen 2016). Idag produceras comic book-filmer som på löpande band

där flertalet uppföljare planeras redan innan första filmens premiär. Det finns en trygghet i att

producera en uppföljare då den föregående filmen bidrar med en redan existerande fanbase

vilket underlättar marknadsföringen. Filmbolagen behöver inte attrahera nya kunder utan det

räcker med att bibehålla existerande kunder.

5.2 kovariatanalys 37

Originalmanus

Att variabeln för originalmanus reducerades bort från samtliga modeller, förutom för Drama, tyder på att den inte påverkar försäljningen. Den negativa inverkan som ett originalmanus har för dramafilmer är förväntat om logiken bakom uppföljares positiva effekt stämmer. Om en uppföljare presterar bättre för att de redan finns en kundbas som är familjär med innehållet bör en film med ett originalmanus prestera sämre.

Notera att bara för att det är en uppföljare betyder det inte automatiskt att filmens manus inte är originellt. Manuset för Toy Story 3 är inte baserat på något tidigare verk och manuset klassas därmed som originellt trots att filmen är del av en trilogi. I datamängden har hälften av alla uppföljare även ett originalmanus.

3D

I den övergripande regressionsmodellen reducerades kovariatet för 3D bort och verkar därmed inte ha någon förklarande inverkan på en films intäkter. Knapp och Hennig-Thurau (2015) visar på liknande resultat, vars undersökning är specifikt inriktad på att visa på om 3D har en positiv inverkan på en films framgång.

Inom den genrespecifika analysen gav endast Romans en signifikans för 3D variabeln, där den visade en negativ inverkan på filmens intäkter med 54%. Det ska dock nämnas att denna sig- nifikans endast utgörs av fem filmer i urvalet. För thrillerfilmer gav 3D en negativ inverkan vid en sexprocentig signifikansnivå. Ett rimligt antagande är att inom genrerna Action, Science fiction och Fantasy ska 3D ha en positiv inverkan på filmens biointäkter men variabeln är ej signifikant på en femprocentig nivå i dessa fall.

Sammantaget verkar inte 3D ha några förklarande egenskaper för en films intäkter vare sig sett till den övergripande regressionsmodellen som till de genrespecifka regressionsmodellerna.

Intressant är dock att filmbolag verkar öka produktionen av 3D-filmer vilket framgår av figur

8. Således är frågan vad som är incitamentet bakom tillverkandet av 3D-filmer då det inte kan

bevisas att något mervärde tillförs hos biobesökarna. Svaret på den frågan ligger rimligtvis

i att skapandet av 3D-filmer har lett till stora teknologiska investeringar och därmed är inte

filmbolagen beredda att släppa denna teknik (Knapp och Hennig-Thurau 2015).

5.2 kovariatanalys 38

Figur 8.: Stolpdiagram över antal 3D filmer mellan åren 2010-2014

IMAX

Till skillnad från 3D gav IMAX en positiv effekt för den övergripande modellen. Variabeln var även signifikant positiv för Action och Thriller. Inom Science Ficiton var IMAX endast signifikant vid en nivå på 11% men med en effektstorlek på 4%, högst av alla genrespecifika modeller.

Resultaten indikerar att IMAX är en teknisk utveckling som faktiskt uppskattas av biopubliken.

Tekniken är ännu inte helt utvecklad och nyttjandet av IMAX-kameror försvårar filmprocessen.

Kamerorna är tunga, högljudda och kan endast filma ett par minuter i taget (Porges 2013). Detta har gjort att endast ett fåtal scener filmas med IMAX kameror och ännu finns det ingen film som använt kamerorna genom hela processen. Att det främst är filmer med stor budget som äventyrar med IMAX-kameror framgår tydligt av korrelationen mellan variablerna IMAX och budget (se Appendix A.2). Antal filmer som visas i IMAX ökar årligen, (se Figur 9), och Avengers:

Infinity War kommer bli den första filmen som helt och hållet använder IMAX-kameror. Om tekniken är påväg mot samma öde som 3D eller om den är här för att stanna återstår att se, men resultatet från arbetet indikerar att vi kan vara påväg mot en ny standard att se bio på.

Figur 9.: Stolpdiagram över antal IMAX filmer mellan åren 2010-2014

6

4 P M O D E L L E N A P P L I C E R AT PÅ F I L M B R A N S C H E N

6.1 inledning

Denna rapport har hittills endast behandlat faktorer kopplat till prerelease-fasen av filmpro- duktionen. Hur väl en film presterar avgörs inte helt av dessa faktorer vilket framgår av förkla- ringsgraden från regressionsmodellerna. Därför är de fristående modellerna inte det fullända- de verktyget för att avgöra en films framgång. För att ge en bättre helhetsbild och komplettera regressionsmodellerna följer därför en analys av distrubitionsfasen av filmen baserat på 4p mo- dellen. Vidare appliceras denna modell på två liknande filmer i en fallstudie med syfte att visa på vilka faktorer som orsakade skillnaden i framgång.

6.2 litteraturstudie

Analysen grundar sig i 4p modellen vilket är en klassisk modell inom marknadsföring som används för att identifera den marknadsföringsmix som ger störst efterfrågan för produkten (Kotler 1999). Philip Kotler sägs vara den som gett 4p modellen störst spridning i och med publikationen av hans bok “Principles of Marketing” och därmed lämpar sig boken väl som grund för analysen. Vidare inom respektive del av de fyra p:na appliceras litteratur i form av artiklar och tidskrifter hämtat från “google scholar” och “web of sience”. De främsta sökorden vid litteraturanskaffningen var: “WOM movie industry”, “Pixar/Disney Branding strategy”, “De- cision strategy release date” och “Reviews affect on movies success”. Urvalet av relevanta artiklar och tidskrifter baseras på kopplingen med filmindustrin. Är kopplingen svag eller saknas blir användningen endast i syfte att förbättra den generella förståelsen för ett koncept. Använd- ningen av litteratur med en stark koppling blir istället att tillföra intressant och betydelsefullt analysmaterial.

39

6.3 produkt 40

6.3 produkt

Produkten är det företaget erbjuder kunderna för att tillfredsställa ett behov. Inkluderar fysiska varor, tjänster, event, service med mera.

Vad själva filmen ska innehålla är exakt det som tidigare i arbetet undersökts med regression.

I detta avsnitt presenteras istället andra aspekter av produkten.

Varumärket ¹ är en viktig del ur marknadsföringssynpunkt och bör vara väl genomtänkt ef- tersom det kan tillföra mycket värde till en produkt (Kotler 1999). I andra branscher, som till exempel bilindustrin, är varumärket starkt kopplat till produkten. Detta gäller inte på samma sätt inom filmindstrin. Det är bara de mest inbitna filmfanatikerna som vet vilket produktions- bolag som ligger bakom en viss film, med undantag för Disney Pixar. Inom film handlar det mer om individerna bakom varje enskilt projekt. Från regressionsmodellerna visas exempelvis att regissörer som tidigare producerat kända filmer har positiv inverkan på biointäkterna (se diskussion 5 om regi) och tidigare arbeten har visat på detsamma vad gäller skådespelare som medverkat i framgångsrika filmer (se diskussion 5 om skådespelare).

Ända sedan 1995, när Toy Story hade premiär som den första 3D-animerade långfilmen, har Pixar levererat succé efter succé. Fisk (2016) menar att Pixars brand består av en struktur inne- hållande flera nivåer, exempelvis är Toy story och Buzz Lightyear brands i sig, som innefattar mer än bara logotyper och namn. Varje nivå kopplas till känslor för karaktärer, attityder och beteenden vilket skapar en personlighet för varumärket. Denna branding-strategi härstammar från Disney, som byggt upp ett imperium kring sina animerade filmer (Burns 2015). Numera är Pixar en del av Disney-koncernen.

6.4 plats

Hur produkten distribueras till kunderna.

Möjligheterna till att distribuera film har ökat med tiden från att endast visats på biografer till att även finnas tillgänglig på TV, streaming-tjänster och festivaler. Således har detta gett filmbolagen större utrymme till att göra strategiska beslut rörande kombinationen av dessa distrubitionskanaler. Då detta arbete fokuserar på bioförsäljning så tar följande diskussion ej upp distribution via streaming-tjänster och TV.

Biografer är för de större filmbolagen den första kanalen som filmen distribueras ut. Einav (2002) menar i sin artikel att de viktigaste strategiska besluten i denna fas rör premiärdatum ef- tersom filmer på biografer har kort livscykel och homogen prissättning. I detta arbete bekräftas att sommarpremiär har en positiv inverkan på en films intäkter.

1 Med varumärke menas allt som kunden associerar med företaget, jämför engelskans brand

6.5 pris 41 Andra taktiska val rör huruvida en förhandsvisning ska hållas för speciellt utvalda personer, exempelvis kritiker och inflytelserika personer i filmbranschen, eller inte. Implikationerna för detta val behandlas under avsnittet påverkan.

Filmfestivaler, såsom Sundance, är en distrubitionskanal som riktar sig till små, självständiga filmer (indiefilmer). Festivalerna ger en möjlighet att nå ut till en större publik och öka efter- frågan på filmen.

6.5 pris

Det priset som kunden betalar för produkten. Inkluderar rabatter, betalningsvillkor med mera.

Prissättningen av en produkt är i många branscher en kritisk fråga och ger företagen utrym- me att positionera sig genom utnyttjadet av olika prissätningstrategier. Detta är inte fallet i filmbranschen där priset i stort sätt är standardiserat och majoriteten av alla filmer har samma biljettpris. Det finns ett fåtal undantag till detta, bland annat 3D och IMAX-filmer där biljett- priset är något högre än för “vanliga” filmer. 3D filmer har inte kunnat visas ha en signifikant effekt på amerikanska biointäkter i detta arbete, med undantag för romantiska filmer där 3D skadade försäljningen. IMAX gav en signifikant positiv effekt på försäljningen vilket indikerar att kunderna är villiga att betala för den extra kostnaden, till skillnad mot 3D.

6.6 påverkan

Alla aktiviteter ett företag gör för att övertyga kunderna att köpa deras produkt.

Filmbolagen spenderar i snitt hälften så mycket på marknadsföring som vid produktionen av filmen (McGlade 2013). Den typiska reklamkampanjen för filmer inkluderar bland annat trailers och TV-reklamer.

Trailers erbjuder kunden en förhandsvisning av produkten och syftar till att väcka tillräckligt med intresse hos personen så att den investerar i en biobiljett. Panaligan och Chen (2013) visar i ett av Googles whitepapers att antal sökningar på trailern fyra veckor innan premiär har stark korrelation med första veckans bioförsäljning. Att trailern spelar en sån viktig roll i dagens digitala samhälle är föga förvånande. Det är ett av de enklaste och mest tillgängliga sätten för en person att undersöka filmens kvalitet utan att betala för en biljett. Med plattformar som Youtube är det idag väldigt enkelt att ladda upp sin trailer och nå ut till miljontals människor varje dag tack vare plattformens popularitet.

Den kanske mest effektiva marknadsföringen är word of mouth (WOM) då produkten i princip

marknadsför sig själv. Denna metod är speciellt attraktiv för mindre, självständiga filmprojekt

som inte har samma marknadsföringsbudget som de stora filmbolagen. Ett sätt att uppnå det-