ISSN 2587-7666 (Online)
Поиск
/
ВТЭ

Вопросы теоретической экономики

Институт экономики Российской академии наук

От теории к экономической политикеНаучная статья

Прогнозирование результатов кинопроката с помощью машинного обучения

Prediction of the Results of Movie Release Using Machine Learning

Страницы: 93-114
УДК: 338.984
JEL: G11, G17, Z11, C38, C53, C65, C45

Авторы

Дождиков Антон Валентинович

к.полит.наук

ORCID: 0000

antondnn@yandex.ru

  • независимый исследователь, Москва
Получена: 15.08.2023
Принята в печать: 12.09.2023

Аннотация

Предметом исследования являются результаты кинопроката российских национальных фильмов. Цель исследования — классификация проектов по принципу их успеха/неуспеха в прокате и прогнозирование характеристик проката. Задачи исследования — создание алгоритмов отбора (классификации) в инвестиционный портфель потенциально успешных проектов и прогнозирования (регрессии) прокатных характеристик: количество просмотров зрителей, окупаемость, зрительский рейтинг. Методика исследования основывается на применении ансамблевых моделей машинного обучения. База исследования – вся совокупность российских национальных фильмов в прокате с 2004 по апрель 2022 года (N=1469) и с мая 2022 г. по апрель 2023 г. (N=194). Основные результаты: достигнута точность (accuracy) в 0.95 и 0.89 для двух и четырехклассовой классификации и высокие характеристики ROC_AUC = 0.97 для двухклассовой модели и 0.94 – 0.98 для четырехклассовой. Более сложные метамодели (суперансамбли) могут достигать точности в 0.97-0.98 для двухклассовой классификации и 0.96 для четырехклассовой. Сложные регрессионные метамодели прогнозируют абсолютные значения окупаемости, сборов, просмотров с коэффициентом детерминации (R2) в пределах 0.97-0.98 с использованием синтетических данных. В результате появилась возможность формирования инвестиционных портфелей кинопроектов с годовой исторической доходностью до 139%. Область применения – обеспечение отбора фильмов для инвестиционных «портфелей кинопроектов» государственных (Министерство культуры, Фонд кино) и частных инвесторов. Модели машинного обучения могут быть адаптированы к условиям глобального и иностранных рынков за счет увеличения количества признаков, расширения арсенала методов машинного обучения, включая анализ текстов, изображений, видео и пользовательских данных социальных сетей.

Ключевые слова

национальный кинематографинвестициифинансированиемашинное обучениепрогнозированиеклассификациярегрессияпортфельное инвестированиерейтинг кинофильмаколичество просмотров кинофильмаокупаемость кинофильмауспех фильма в прокате

Литература

  1. Аракелян А. М. (2016). Формирование условий повышения инвестиционной привлекательности киноотрасли в России [Arakelyan A. M. (2016). Formation of conditions for increasing the investment attractiveness of the film industry in Russia] //Сервис plus. Т. 10. № 2. С. 74-79. DOI: 10.12737/19459.
  2. Замбалаева Т. Б., Рыжкова М. В., Чиков М. В. (2019). Бизнес-схемы краудфандинговых платформ в обеспечении финансирования инновационного проекта [Zambalaeva T. B., Ryzhkova M. V., Chikov M. V. (2019). Business schemes of crowdfunding platforms in providing financing for an innovative project] // Экономика и управление инновациями. № 2. С. 70-83. DOI: 10.26730/2587-5574-2019-2-70-83.
  3. Князева И.Г., Иванова Д.М. (2020). Прогнозирование кассовых сборов проката фильма [Knyazeva I. G., Ivanova D. M. (2020). Forecasting the box office of the film] // Вестник Омского университета. Серия: Экономика. Т. 18. № 2. C. 24-37. DOI 10.24147/1812-3988.2020.18(2).24-37.
  4. Ноакк Н. В., Неволин И. В., Татарников А. С. (2012). Методика прогнозирования выручки от проката кинофильмов [Noakk N. V., Nevolin I. V., Tatarnikov A. S. (2012). Methodology for forecasting revenue from movie rentals] // Финансовая аналитика: проблемы и решения. № 48. C. 17–24.
  5. Педяш Е. А. (2013). Эконометрическое прогнозирование кассового успеха кинофильмов: магистерская дисертация [Pedyash E. A. (2013). Econometric Forecasting of Film Box Office Success: Master's dissertation] М.: НИУ ВШЭ. Дата публикации 06.03.2013. Скачиваемый файл. URL: https://www.hse.ru/data/2013/06/03/1285529668/Магистерская_диссертация_Педяш_Евгений.docx (дата обращения: 06.07.2023).
  6. Печегина Т. (2023). Импакт идет в кино. Оценка эффективности инвестиций в российский кинематограф [Pechegina T. (2023). Impact goes to the cinema. Evaluation of the effectiveness of investments in Russian] // Позитивные изменения. Т. 3. № 2. С. 16-27. DOI: 10.55140/2782-5817-2023-3-2-16-27.
  7. Смекалин И. (2023). Фильмы, меняющие жизнь. Оценка социального импакта кино и практики доказательности в кинопроизводстве[Smekalin I. (2023). Movies that change lives. Assessment of the social impact of cinema and the practice of evidence in film production] // Позитивные изменения. Т. 3 № 2. С. 28-38. DOI: 10.55140/2782-5817-2023-3-2-28-38.
  8. Сокуренко К. В., Маглинова Т. Г. (2021). Особенности развития рынка киноиндустрии в Китае [Sokurenko K. V., Maglinova T. G. Peculiarities of development of the film industry market in China] // Казанский экономический вестник. №1 (51). С. 37-41.
  9. Татарников А. С. (2012). Методы прогнозирования кассовых сборов [Tatarnikov A. S. (2012). Methods for predicting box office receipts] // Бюллетень кинопрокатчика. №10–11 (75–76). C. 50–56.
  10. Татарников А. С., Неволин И. В., Ноакк Н. В. (2012). Выявление спроса на неосязаемые продукты (на примере кинофильмов) [Tatarnikov A. S., Nevolin I. V., Noakk N. V. (2012). Identification of demand for intangible products (on the example of films)] / Труды 55-й научной конференции МФТИ. Инновации и высокие технологии. — М.: МФТИ. C.65–67.
  11. Ясницкий Л. Н., Белобородова Н. О., Медведева Е. Ю. (2017). Методика нейросетевого прогнозирования кассовых сборов кинофильмов [Yasnitsky L. N., Beloborodova N. O., Medvedeva E. Yu. (2017). Methodology for neural network forecasting of box office receipts of films] // Финансовая аналитика: проблемы и решения. Т. 10. № 4(334). C. 449-463.
  12. Chakraborty P., Zahidur R, Saifur R. (2019). Movie Success Prediction using Historical and Current Data Mining// International Journal of Computer Applications. Vol.178. No. 47. Pp.1-5. DOI:10.5120/ijca2019919415.
  13. Christoforou C., Papadopoulos T. C., Constantinidou F., & Theodorou M. (2017).Your Brain on the Movies: A Computational Approach for Predicting Box-office Performance from Viewer's Brain Responses to Movie Trailers // Frontiers in neuroinformatics. December. Vol. 11. Article 72. DOI: 10.3389/fninf.2017.00072
  14. Gupta C., Chawla G., Rawlley K., Bisht K., Sharma M. (2021). Senti_ALSTM: Sentiment Analysis of Movie Reviews Using Attention-Based-LSTM // Proceedings of 3rd International Conference on Computing Informatics and Networks. Lecture Notes in Networks and Systems. A. Abraham, O. Castillo, D. Virmani (eds). Vol. 167. Springer, Singapore. DOI: 10.1007/978-981-15-9712-1_18
  15. Krauss J., Nann S., Simon D., Fischbach K., Gloor P. (2008). Predicting Movie Success and Academy Awards through Sentiment and Social Network Analysis // 16th European Conference on Information Systems // AISeL. URL: https://aisel.aisnet.org/cgi/viewcontent.cgi?article=1185&context=ecis2008.
  16. Li D., Liu Z.-P. (2022). Predicting Box-Office Markets with Machine Learning Methods. // Entropy. 24. No. 5: 711. DOI: 10.3390/E24050711.
  17. Meenakshi K., Maragatham G., Agarwal N., Ishitha G. (2018). A Data mining Technique for Analyzing and Predicting the success of Movie// Journal of Physics: Conference Series. 1000 012100. DOI: 10.1088/1742-6596/1000/1/012100.
  18. Mestyán M., Yasseri T., Kertész J. (2013).Early Prediction of Movie Box Office Success Based on Wikipedia Activity Big Data // PLoS ONE. No. 8 (8):e71226. DOI: 10.1371/journal.pone.0071226.
  19. Mohan Raj, Prasanna and Aditya, S. (2017). Predictive Model for Movie's Success and Sentiment Analysis// Research Journal of Management Sciences. Vol. 6 (6). Available at SSRN: https://ssrn.com/abstract=3194449.
  20. Murschetz P. C., Bruneel C., Guy J.-L, Haughton D., Lemercier N, McLaughlin M.-D., Mentzer K., Vialle Q., Zhang C., Murschetz P. C., & Bakhtawar, B. (2020). Movie Industry Economics: How Data Analytics Can Help Predict Movies’ Financial Success // Nordic Journal of Media Management. No. 1 (3). Available at https://journals.aau.dk/index.php/NJMM/article/view/5871. DOI: 10.5278/njmm.2597-0445.5871.
  21. Olubukola D., Stephen O., Funmilayo A., Ayokunle O., Oyebola A., Oduroye A., Wumi A., Yaw M. (2021). Movie Success Prediction Using Data Mining // British Journal of Computer, Networking and Information Technology. No. 4. Pp. 22–30. DOI: 10.52589/BJCNIT-CQOCIREC.
  22. Sivakumar P., Rajeswaren V., Abishankar K., Ekanayake J., Mehendran Y. (2021). Movie Success and Rating Prediction Using Data Mining Algorithms // Conference: International Research Conference of Uva Wellassa University (IRCUWU-2020). Available at https://www.researchgate.net/publication/349586116_Movie_Success_and_Rating_Prediction_Using_Data_Mining_Algorithms DOI: 10.13140/RG.2.2.14697.42085.
  23. Souza T., Nishijima M., Pires, R. (2023). Revisiting predictions of movie economic success: random Forest applied to profits // Multimed Tools Appl. Available at https://www.researchgate.net/publication/369591522_Revisiting_predictions_of_movie_economic_success_random_Forest_applied_to_profits. DOI: 10.1007/s11042-023-15169-4
  24. Tripathi J., Tiwari S., Saini A., Kumari S. (2023). Prediction of movie success based on machine learning and twitter sentiment analysis using internet movie database data//Indonesian Journal of Electrical Engineering and Computer Science. March 2023. Vol. 29. No.3. Pp. 1750-1757. DOI: 10.11591/ijeecs.v29.i3.pp1750-1757.
  25. Wi. J., Jang S., Kim Y. (2020). Poster-Based Multiple Movie Genre Classification Using Inter-Channel Features // IEEE Access. Vol. 8. Pp. 66615-66624. DOI: 10.1109/ACCESS.2020.2986055.
  26. Wu S., Zheng Y., Wu F., Zhan C.. (2019). Movie box office prediction based on ensemble learning. IEEE Symposium on Product Compliance Engineering - Asia (ISPCE-CN). Available at https://ieeexplore.ieee.org/abstract/document/8958631. DOI: 10.1109/ISPCE-CN48734.2019.8958631.
  27. You J.K., Yun G.Ch., J.ung H.L.. (2019). Prediction of a Movie’s Success From Plot Summaries Using Deep Learning Models // Proceedings of the Second Workshop on Storytelling. Association for Computational Linguistics. Florence, Italy. Pp.127–135. DOI: 10.18653/v1/W19-3414.
  28. Yu Y., Liu J. (2022). Optimizing Film Companies’ Marketing Strategy Using Blockchain and Recurrent Neural Network Model // Computational Intelligence and Neuroscience. Pp. 1-13. Available at https://www.hindawi.com/journals/cin/2022/4139074/. DOI.: 10.1155/2022/4139074.
  29. Yun K.O. (2017). The Impact of Initial eWOM Growth on the Sales in Movie Distribution// Journal of Distribution Science. No. 15. Pp. 85-93. DOI: 10.15722/jds.15.9.201709.85.

© Дождиков Антон Валентинович, 2023

© ФГБУН Институт экономики Российской академии наук «Вопросы теоретической экономики», 2023

Для цитирования

Дождиков Антон Валентинович. Прогнозирование результатов кинопроката с помощью машинного обучения // Вопросы теоретической экономики. 2023. № 4 (21). С. 93-114. DOI: 10.52342/2587-7666VTE_2023_4_93_114.