第三节
电视剧项目价值评估方法综述

一、基于平衡记分法的电视剧项目价值评估方法

平衡记分法（Balanced Score Card）是一种综合性的测评方法，它将传统的财务测评指标和使企业或项目取得经营成功的关键要素平衡地进行综合考虑，平衡记分卡包括了财务业绩、顾客服务、内部工作流程、学习和增长的能力四个方面 。 LIAO （2011）等认为选择新的电视节目对电视公司的盈利和发展有着重要作用，平衡记分法将财务和非财务、有形和无形、内部和外部影响因素综合考虑，并通过层次分析法进行评分，可以使电视公司在购买节目时做出最好的决策 ； Kuei －Lun （2015）研究了非营利电视台对电视节目的选择，基于专家感知构建了电视节目多元决策模型，通过对平衡记分卡和电视企业社会责任等测量方法，可以做出最好的节目选择决策，文章中首先利用德尔菲法建立模型指标体系，然后利用网络层次分析法获得指标权重，并对指标进行排序，如图 2. 1，该模型对于非营利电视台具有广泛的适应性，有利于电视台提高收视率和社会责任 。

在电视剧行业，由于受众满意度等指标最早要在电视剧制作出样片后才能确定，且需要对所有相关指标进行量化，应用起来具有一定的难度，所以这种方法虽然对于电视剧投融资具有重要的启示意义，但仍需进一步细化完善，提高模型的科学性和准确性。

二、基于大数据技术的电视剧项目价值评估方法

喻国明、李彪（2009）以 2009 年所有上星电视台播出数量最多的10 部电视剧为研究对象，利用电视剧网络舆情反馈数据，构建了电视剧全效评估指标体系，包括知名度、关注度、收视度、推荐度、满意度、集中度六个一级指标，将数据挖掘和舆情分析的思想应用到电视剧评估中 ； Sitaram等（2010）研究表明，通过社交媒体中数据的意见可以预测企业产品的销量，他通过在Twitter中收集的相关电影的话题评论，建立了模型预测该电影的票房，这说明社交媒体中的评论对于商业产品和电影电视具有一定的预测能力 ； Chang等（2013）研究了利用计算机云技术来促进提高电视服务质量，云技术可以建立节目需求机制，对受众的历史观看数据进行大数据分析，便于细分的观众群体找到最适合他们的流行电视节目 ；刘燕南（2013）探讨了在传统电视评估体系的基础上，加入新媒体平台的受众视听数据，是进行综合性考量和建设多媒体评价体系的第一步，并分析了行为和意见指标的取舍、新媒体指标体系的结构、数据范围等问题 ；张倩、戴建华（2013）选取2012 年播出的 22 部国产电视剧为研究对象，收集新浪微博、百度贴吧和豆瓣网等社会化媒体中的相关数据，使用R语言软件构建了社会化媒体用户活跃度和电视剧视频点播量之间的模型，结果表明，利用该模型可以对电视剧点播量进行预测，帮助电视剧制作公司预测电视剧产品未来的市场规模，并进行合理有效的营销规划 ；陆地、陈思等（2013）构建了视听节目网络满意度评估体系，其中网络信息数据评价指标包括关注量、市场份额、网民满意度、网络市场满意度；专家经验评估系统指标包括电视节目的创新能力、文化品位、社会价值、人际口碑和总体印象，网络信息数据的评估结果和专家经验评估结果各占70％和 30％，这种新的评估方法为博雅榜的排名提供了参考依据，将大数据技术运用到电视节目评估中，已经成为媒体研究、节目评价和市场调查的必然趋势 ；周小普等（2014）以电视剧为研究对象，提出了影响电视剧收视度的影响因素，包括收视率、搜索度、热议度、吸引度、推荐度和唯一性，阐述了在电视剧评价指标体系中纳入新媒体指标的必要性，不但有利于把握受众收视心理，提升电视节目质量，还能够提高电视台与广告主谈判的议价能力 ；晏青（2015）指出目前对于电视节目的评估主要从宣传价值、经济价值、文化价值来考察，互动式反馈既可以对电视节目进行价值评判，也能够进行价值再生产，受众反馈主要围绕着演员、故事情节、明星八卦、导演水平等展开，这已经成为内容生产与运营的有机组成部分，数据是媒体融合下电视节目评估的重要因素 。

已有的研究成果表明，大数据技术已经被应用到电视剧项目制作、播出、播后评价、舆情判断等各个环节，但在电视剧投融资阶段的研究成果较少，并且大数据预测和评估的准确性一直是业界和学者争论的焦点，即使是Google依靠网络搜索数据来对一年后上映的电影进行票房预测，相较于传统的预测方法，也存在着较大偏差。目前，通过大数据分析获取受众对热点话题和知名人士的舆情反映已经发展较为成熟，分析结果动态性较强，与实际联系紧密。后文将使用大数据技术对导演、演员等主创人员的热度和知名度进行研究。

三、基于神经网络算法的电视剧项目价值评估方法

人工神经网络（Artificial Neural Networks，简写为ANNs或NNs）是指依靠网络系统的复杂程度，通过调整内部大量节点之间的相互连接的关系，达到处理信息的目的。神经网络算法分为输入层、隐含层和输出层，建模时可将数据库中的候选因素（30 ～ 40 个）导入输入层，隐含层通过自我学习找出因素间的相关性，剔除冗余信息，最后在输出层给出选定的因素。神经网络算法正在被尝试用在电影票房预测模型上，Ramesh、 Dursun等在经典的Litman 电影票房预测建模的基础上，构建了基于网络数据的决策支持系统（DSS），利用神经网络技术通过对电影取得票房前的财务表现进行了探索，多元感知神经网络技术被认为是进行精确预测的有效工具，借助于人工神经网络的非线性学习，可以实现任意精度水平，通过以 1998 年到 2002 年间的 834 部电影作为建模样本，模型将预测问题转化为分类问题，从失败到爆发一共分为九个级别，如表 2. 1 和 2. 2。由于模型主要针对电影上映前的情况进行设计，可以为电影制作公司、工作室、发行商的管理者们在选择电影角色、影片类型、明星、特效、上映档期等方面提供预测和决策支持。同时，通过对比分析，指出与其他统计技术相比，神经网络模型可以有效提升影片的预测成功率 。

在国内，华影影视投资管理有限公司已经开始利用神经网络算法研究电影票房量化分析及预测系统（Box Revenue Prediction，简称BRP），在单周票房预测上，使用的是回归模型；在电影上映后前五周的累计票房及票房区间的预测上，使用的是神经网络算法，为电影投资者做出投资决策提供参考 。

目前，尚未有使用神经网络算法对我国电视剧项目进行价值评估的成果，其原因主要在于：一是神经网络算法与影视剧产业的结合尚处于初级阶段，技术还有待于进一步成熟和完善；二是我国电视剧产业数据与电影产业相比，数据量少且不够公开，无法满足神经网络算法对数据库的计算要求。相信随着未来技术和电视剧产业的发展，神经网络算法可以为电视剧项目投融资评估和分析提供更广阔的研究空间。

四、基于模糊综合评价法的电视剧项目价值评估方法

模糊综合评价法以模糊数学为基础，兼具定性分析和定量评价特点的多目标综合分析评估决策方法，其主要内容是通过将专家的知识和经验判断，利用数学模型和计量数据进行处理，对受到多种因素影响的事物和对象做出具体量化和总体评价，从而为管理决策提供依据。近几年，国内的部分专家学者已经采用模糊评价法针对电视剧项目价值评估做出了一些探索性成果，吴玉玲、高铭（2014）在电视剧版权交易评估指标体系的实际打分过程中采用了模糊综合评价法，并指出这种方法可以使评价过程和指标更加多元化、合理化，具有较强的操作性和应用性 ；邵雯艳（2006）研究指出对于电视节目的评价，可以采用德尔菲法，通过对专家进行问卷调查，从电视节目的思想性、艺术性等方面进行相应的评分，并计算出节目的平均分值，合理的电视节目评估体系将促进电视节目商业价值和艺术表现力的良性互动 ；吴丰军（2011）指出建立一套科学、客观、准确、透明的电视剧质量评估体系，既可以丰富电视剧项目在多传播渠道和多接收终端中的价值实现机会，也将切实解决电视台在购剧过程中的质量评估和定价等问题，电视剧质量评估可以分为前期项目备案评估、中期市场交易评估和末期播出效果评估，对于制片机构、演员、编剧的考察可以通过建立定期更新的市场业绩数据库来进行评价，但对于剧本故事、制作质量等不易量化的指标，还需要采用专家打分的方法来进行测量，层次分析法和模糊综合评价法都是可以采用的专家打分统计方法 。

目前，模糊综合评价法作为一种常用的评估方法已经得到了广泛应用，但是将其用来分析电视剧项目价值评估，以及项目投融资等方面的研究成果寥寥无几。这种方法首先是对问题目标系统进行规范化、定量化、层次化处理，构建多层级的指标体系，然后进行因素分析，计算各评估指标的权重，并与各评估指标的相对隶属度值相乘后的累加，最终得出模糊评估的综合指标值，归纳出综合评估比较结果，进而选择出最优的方案。通过利用评估矩阵、判断矩阵等模糊数学方法，将专家调查结果进行定量化处理，具有操作性强、精度高等特征。本书将在后续部分采用该方法来对电视剧项目的价值评估进行研究和讨论，以期为电视剧项目投融资决策做出一些探索性的尝试。 W86SNJQT4JdlqbsgHsEJotfdp3UHgRCzeXP47szGP0HT5MdbhdaovCLq3l1unUIC