电视收视范文10篇

【内容提要】运用文献资料、比较研究等方法对全球奥运会电视收视状况进行分析，同时对我国近2届奥运会节目收视状况进行了分析研究。在此基础上，对2008北京奥运会电视转播前景进行了展望，并就北京奥运会电视市场开发工作中应注意的问题提出了建设性的看法，以期能够勾勒出奥运会电视传播基本特征，探索奥运会电视报道工作的内在规律性，为做好2008年北京奥运会电视报道工作服务。

【摘要题】奥林匹克运动

【关键词】奥运会/电视市场/收视率/北京

【参考文献】

[1]孙维佳.2008北京奥运电视转播与中国广播电视业的历史机遇[EB/OL].中国人民大学视听传播研究中心，/ReadNews.asp?NewsID=349.2005-02-16.

[2]陈佳.全球电视台上血本播奥运电视转播收入再创纪录[N].中国青年报，200409-09-03.

【摘要】电视剧的收视率和网络播放量一直是衡量电视剧热度的重要评价指标。本文在前人研究的基础上，首先对收视率的时间序列变化进行研究。采用无监督学习的流程，总结出描述收视率变化的四个特征，用k-means聚类分析方法，依据四个特征将电视剧分成了三类，并根据每一类收视率的实际变化特点，分别采用自回归模型和灰色预测模型进行了时序预测，最终分析出了电视剧收视随时间的变化趋势。

【关键词】时间序列预测；k-means聚类；自回归模型；灰色预测模型

1.前言

电视剧（又称为剧集、电视戏剧节目、电视戏剧或电视系列剧）是一种适应电视广播特点、融合舞台和电影艺术的表现方法而形成的艺术样式。电视剧热度值，不仅体现了人们对于娱乐生活的舆论趋势，更是电视剧平台多元化发展的体现。对于电视剧热度值的研究正在快速发展，人民大学新闻学院的周小、韩瑞娜、凌姝在其相关研究中，开展了对网上收视度与线下收视率的关系探讨，并提出了多屏发展下新的电视评估体系的参考因素[1]。此外，胡兵、邓极在《微博对电视剧收视率的影响研究》中，还深入探究了新媒体微博对于传统电视剧收视率的影响[2]。各大视频网站都在近几年推出了关于电视剧指数的综合评价体系，如“爱奇艺指数”、“优酷指数”等。本文在前人研究的基础上，逐步深入地对多屏播放模式下的电视剧热度展开了研究，探寻了电视剧收视率变化模式的客观规律，提出描述收视率变化模式的四个特征，并用k-means方法进行聚类分析，根据三类电视剧的特点，建立了自回归模型和灰色预测模型进行时间序列预测，按类别对比了不同阶次间自回归模型的拟合效果，最终建立了通过历史数据对电视剧最后三集的收视率进行预测的模型。

2.电视剧收视率预测模型的建立和求解

2.1数据收集和预处理。本文中用到的电视剧相关信息主要来源于百度百科资料库，其中收视率数据来源于CSM52城市网和全国网收视率（www.csm.com.cn），播放量数据来源于腾讯、优酷、爱奇艺等主流视频网站。当一部电视剧在同一时间段于多个电视台播出时，我们将各个台收视率加在一起，作为数据用收视率。在收集到近几年电视剧的比较权威的大量数据后，我们小组对数据进行了预处理工作。电视剧的热播有很多原因，为了研究热度高的电视剧内在的规律，我们将研究对象定为近几年的“大热剧”。研究对象符合以下两条标准：（1）最近三年播出：由于近几年网络化发展迅速，收视率和播放量的发展模式与数年前有所不同。若加入很早之前的热门电视剧（如《还珠格格》、《西游记》）为研究对象，势必会造成收视率与网络播放量的异常波动，所以我们将研究对象定为近三年电视剧。（2）平均首播收视率在2%以上：通过收视率以及网络搜索量数据比较，我们发现，近三年的电视剧中，平均收视率在2%以上的电视剧，在播出时均造成了不小的轰动，并成为了当时的热点，符合我们对于研究对象热度高的要求。所以，我们用以上条件为标准，并结合了社会舆论、观众口碑和电视剧影响力等因素进行调整。从近三年所有电视剧范围内，最终选择了《琅琊榜》、《人民的名义》、《芈月传》、《三生三世十里桃花》、《花千骨》、《欢乐颂1》、《欢乐颂2》、《微微一笑很倾城》、《武媚娘传奇》、《虎妈猫爸》、《何以笙箫默》、《亲爱的翻译官》、《女医明妃传》这13部类型、风格、播出时间并不相同的“大热剧”为研究对象。2.2基于收视率特征的电视剧聚类分析。对于收视率来说，因为前几集的收视率势必与后几集的收视率有很大的关联性，所以通过历史数据可以一定程度上揭示现象的变化规律，所以我们采用时间序列预测模型。本文选用自回归模型进行预测。由于不同类型的电视剧具有不同的收视规律，显然不适合用同一模型求解。因此，我们将收视率的变化模式作为电视剧聚类标准，将研究对象进行聚类分析。为了定量地刻画电视剧的变化模式，我们对13部电视剧的收视率与集数进行了一次、二次拟合，将拟合得到的参数作为聚类特征，进行了如表1的统计分析。表1描述收视率变化模式的四个特征用上述方法，可以分别计算出13部电视剧的每个特征值，由于篇幅所限不再一一赘述。进而利用python实现k-means聚类分析的方法，将所有电视剧分为三个类别，每个类别具有如下表2的特征：2.3收视率自回归模型的建立与优化。2.3.1利用AR(2)模型预测第一种模式电视剧收视率首先，对于第一种模式，我们选取了《人民的名义》作为研究对象，分别尝试了四种自回归模型。采用同样的训练集和测试集，来评估不同回归模型的性能。此处代表第集的收视率：经过研究发现，第三种模型，即运用前一集和前第三集的数据的二阶自回归模型拟合最好。因为收视率会受到人为因素影响，相邻剧集间收视率会小范围波动，而采用隔一集的收视率数据可以一定程度上减少波动带来的影响。而三阶自回归模型会因为参数较多，出现一定的过拟合现象。因此，我们选择的自回归模型为：我们利用《人民的名义》、《三生三世十里桃花》、《欢乐颂1》、《虎妈猫爸》、《何以笙箫默》作为训练集，以《女医明妃传》作为与测试集检验模型的性能，利用excel的拟合工具进行求解，最终得到模型的表达式为：之后分析该模型的拟合性能，模型的拟合优度R2=0.92988，SignificanceF=3.67*10-45。两个影响因素的P-value也通过了0.05的显著性水平检测。可见，该模型在训练集上能够较好地反映出数据的波动性。之后对该模型的预测性能进行检测，将《女医明妃传》后23个收视率数据代入模型中，求解出《女医明妃传》后20个收视率数据的预测值。经过计算，该模型在测试集结果中，真实值与预测值的相关系数为0.923112，均方差为0.981483。能够看出，模型具有较好的预测能力。2.3.2利用GM(1,1)模型预测第二种模式电视剧收视率接着，我们分析了第二种模式中剧集的收视率变化。在第二种收视率变化模式中，由于存在收视率的拐点，所以最后的10集的收视率可能有所下降（如芈月传），也可能上下波动（如花千骨）。所以在该模式中，我们选取电视剧的后半段收视率作为训练集，并选取非线性的时序预测模型——灰色预测GM(1,1)来进行建模。GM(1,1)模型是一种灰色动态预测模型，在灰色系统理论中应用最为广泛的，该模型是由一个单变量的一阶微分方程组成，可以用于复杂系统某一主导因素特征值的拟合和预测，以探究主导因素变化规律和未来发展变化态势。该模型训练需要的数据少，能够反映非线性的变化趋势，同时对样本分布没有严格的平稳性要求，所以非常符合该模式的收视率预测。我们利用python编程实现了灰色预测模型，训练集采用《芈月传》、《琅琊榜》、《花千骨》、《微微一笑很倾城》、《欢乐颂2》五部电视剧的后一半集数的收视率，测试集选取这五部电视剧的最后三集收视率。我们建立了GM(1,1)模型和二阶自回归模型进行对比，希望体现出灰色预测模型对于该类电视剧的适用性。经过模型的训练和求解，在测试集上的测试性能如表3所示。从表3可以看出，真实值和预测值的均方差方面，GM(1,1)模型均方误差为，而AR(2)模型的均方误差为，灰色预测模型表现更加优秀。同时以《芈月传》和《微微一笑很倾城》为例（在表格中标注为黄色），灰色预测模型成功预测出了最后两天的下降趋势，而自回归模型则并未能预测出来2.3.3对第三种模式电视剧收视率的讨论在数据统计过程中，我们也发现了诸如《亲爱的翻译官》、《古剑奇谭》等电视剧，其收视率变化模式存在较大幅度的波动。究其原因，这些电视剧的收视率收到很多其他外界因素的干扰。以《古剑奇谭》为例，该剧作为湖南卫视试水的首部周播剧，开创了周播剧先河，并且收获了大量粉丝，成为了当时的现象级热播剧，然而我们发现，其电视剧收视率在接近结尾的15集左右，出现大幅度下降。经过分析发现，收视率缩水的时期正好在8月末9月初，处在开学期。由于《古剑奇谭》属于古装仙侠剧，主演们均为当红小鲜肉，所以面对的收视群体多为年轻观众，包括一大部分学生。所以导致在开学季出现收视下滑。从中我们也可看出收视群体的不同，对于电视剧收视率的影响。由此看出，这类电视剧的后三集收视率很难用之前的收视率来预测。一种解决方案是排除异常点的干扰，通过数据预处理进行降噪，进而用AR(2)或者GM(1,1)模型求解；另一个解决方案是在模型中加入更多的影响因素，建立多元回归模型进行求解。

【摘要】本文对影响电视剧热度的因素进行了系统的研究。首先通过建立并优化AR(2)、ARMA(2,3)单一模型，预测电视剧后三集的收视率；之后建立ARMA-BP神经网络组合模型，以ARMA(2,3)模型捕捉线性特征，用线性残差训练BP神经网络以捕捉非线性特征。通过在测试集上的计算，证明组合模型的性能优于单一模型。

【关键词】电视剧收视率；一元线性自回归模型；时间序列；BP神经网络

1.前言

电视剧的热度是对其影响力和关注度的综合衡量指标。为了在目前“多屏模式”下找到电视剧热度的影响因素，并且提出更综合、客观的衡量指标，国内外专家学者进行了很多针对性的研究。主要可以分为两类：（1）单一预测模型，如：梁招娣等基于RBF神经网络对电视收视率进行预测[1]，等基于BP神经网络建立收视率预测模型[2]，张春燕等利用ARMA模型对在线电视剧流行度进行预测[3]，毋世晓等人利用移动平均法预测网站电视剧视频点击量[4]等等。（2）组合预测模型，如：张茜等基于TEI@I方法，提出了对综艺节目收视率预测的研究框架，引入了新的解释变量百度指数和新浪微指数，并采用模型集成技术显著提高了预测精度[5]。黄玲莉等基于ARIMA与BP神经网络，建立了收视率组合预测模型[6]。对比前人的研究成果，我们发现组合模型的效果比单一模型更加出色。因此，本文在前人已有研究的基础上，综合运用了多种机器学习模型，对影响电视剧热度的因素进行了系统的研究。

2.收视率单一时序预测模型的构建和优化

2.1数据收集和预处理。本研究选取了2015年到2017年期间首播的共23部完结的电视剧作为研究对象，这些电视剧包含了不同种类的收视率变化模式，均属于该种类中较为典型的电视剧，可以比较全面的反应不同的收视率变化情况，确保了模型的广泛性与合理性。研究中所有的收视率数据均为索福瑞CSM52城收视率统计值，电视剧的基本信息（如首播日期、播出卫视、每天播放集数）等信息来源于百度百科，所有的原始数据都存储在补充材料的excel表格中。2.2建立AR(2)模型进行预测。首先，本文使用二阶自回归的时序预测模型，利用电视剧前集的收视率数据来预测最后三集的收视率。其中该模型的基本假设为：（1）电视剧收视率变化平稳，不会因为外界因素的临时干扰而发生突变；（2）不同时间的电视剧收视率统计方法一致，能够反映电视剧的受关注程度。本文基于以上的模型假设，建立了二阶自回归模型，即AR(2)模型。若假设代表第集电视剧的收视率，那么该模型的表达式为：利用excel自带的数据分析工具进行拟合，此处以2017年收视率榜首电视剧《人民的名义》为例进行模型的训练和求解。其中训练集和测试集分别为：（1）训练集：《人民的名义》前29天、共47集的收视率作为训练集。（2）测试集：《人民的名义》最后3天、共5集的收视率作为测试集。经过excel的拟合分析，得到《人民的名义》二阶自回归拟合的表达式为：拟合得到的拟合优度，说明该模型在训练集上具有比较好的拟合效果。之后在测试集上对该模型的预测性能进行测试，将后3天的收视率真实值和通过模型计算出的预测值进行对比，并且计算均方根误差参数来衡量预测性能。最终通过计算得到的预测结果，预测值序列和真实值序列之间的均方误差为。可以体现该模型具有不错的预测性能。用同样的方法，对其余的22部电视剧建立AR(2)模型，分别作出收视率的预测分析。结果发现，对于部分电视剧来说，该模型的预测性能比较好，如《平凡的世界》RMSE=0.056，《北上广不相信眼泪》RMSE=0.051，《外科风云》RMSE=0.077。而对于另外一些电视剧，该模型的预测性能比较差，例如《孤芳不自赏》RMSE=0.534，《于成龙》RMSE=0.583，《亲爱的翻译官》RMSE=0.683。由此可见，最简单的AR(2)时序预测模型仅能实现一定程度的预测功能，其局限性主要体现在以下两个方面：（1）只能描述数据分布规律中的线性特征，而难以刻画数据分布的非线性关系。这就使该模型对于基本符合线性增长趋势的电视剧收视率与测量好，而对于波动性较大的电视剧收视率难以精准预测；（2）部分模型存在过拟合的问题，将数据中的噪声当做了信号进行处理，有些参数的p-value不能通过0.05显著性水平检测。2.3对数据和模型进行优化处理。2.3.1对收视率数据异常点的处理。通过对部分电视剧测试结果的深入研究，发现部分预测收视率与真实收视率差距较大的电视剧，都存在两种不一样的播放模式。例如《武媚娘传奇》有单集播放的、也有三集连播的；《人民的名义》有单机播放的、也有两集连播的。为确定“收视率异常下降”与“当日单集播放”之间的关系，我们对23部电视剧中有不同播放模式的17部电视剧进行了统计分析，得到了如表格1所示的结论。此处，“收视率异常下降”定义为“该天的收视率明显小于本电视剧收视率的线性增长趋势”。由表格1可以非常明显地看出，在所有的考察对象的单集播放日中，“收视率异常下降”事件出现的概率远远高于所有播放日的平均概率。所以我们认为，“单集播放”是与“收视率异常下降”存在紧密的联系。所以，我们首先对于研究对象电视剧的所有单集播放日中“收视率异常下降”的数据进行了修正，采用均值插值的方法，替换掉原有的收视率异常点。修正后的收视率等于单集播放日前后的收视率平均值。2.3.2将AR(2)模型优化为ARMA(2,3)模型。在完成对单集播放日异常点的修正后，部分电视剧依然存在比较大的波动性。因此，进一步优化模型，引入移动平均的优化计算，对波动剧烈的曲线进行平滑滤波，从而降低波动性带来的影响，更容易地把握住数据分布的线性趋势。因此进一步将AR模型优化为ARMA模型。在ARMA(p,q)的模型识别和定阶过程中，我们以《人民的名义》电视剧为样例，对p、q两个参数采取逐步试探法以获得最佳值。经过多次尝试，确定收视率预测的最佳模型为ARMA(2,3)。在对单集播放日的异常点修正后，利用matlab实现ARMA的预测功能，再次对表2-4中曾经对AR(2)模型表现不佳的电视剧进行预测，得到新的预测结果为《孤芳不自赏》RMSE=0.235，《于成龙》RMSE=0.462，《亲爱的翻译官》RMSE=0.383.可以看出，经过对数据集的修正和对模型的优化之后，原先AR(2)预测表现不佳的电视剧预测性能都有了一定的提升。改变最大的电视剧《亲爱的翻译官》，其均方误差降低了44%，其他电视剧的均方误差也有10%-30%不等的下降。2.4总结与讨论。本章节采用单一的时序预测模型，对23部研究对象电视剧进行了逐一的预测。在AR(2)模型的基础上，一方面深入分析了异常点的规律和特征，对异常点进行了修正；另一方面在模型中加入了移动平均的过程，将模型优化为ARMA(2,3)。最终可以看到，ARMA(2,3)模型在修正后的数据集上，表现出的预测性能比AR(2)在原数据集上的性能要优秀很多。虽然目前的预测模型得到了一定的优化，例如《人民的名义》预测RMSE从0.3285降低到了0.2376，但该模型依旧存在一定的问题。其最核心的问题在于该模型依旧只能描述数据的线性变化趋势，对于变量之间非线性的变化关系十分无力。为了进一步提高预测的精确程度，我们从前人的工作中得到启发，尝试采用组合模型来进行预测，一方面利用ARMA模型的线性描述能力，另一方面利用BP神经网络的非线性预测能力，二者相结合地展开后续的预测工作。

媒体不仅承担着提升公众道德文化水准、维护祖国语言纯洁、传承民族优秀文化等责任，更重要的是承担着维护国家和社会稳定的责任。表现在把握好舆论导向，这一点决定了电视节目必须把社会效益放在第一位［1］。2011年10月广电总局下发《关于进一步加强电视上星综合频道节目管理的意见》，提出从2012年1月1日起，34个电视上星综合频道要提高新闻类节目播出量，同时对部分类型节目播出实施调控，以防止过度娱乐化和低俗倾向，满足广大观众多样化、多层次、高品位的收视需求，并要求各广播电视播出机构要坚持把社会效益放在首位，建立科学客观公正的节目综合评价体系。意见明确提出“三不”，即不得搞节目收视率排名，不得单纯以收视率搞末位淘汰制，不得单纯以收视率排名衡量播出机构和电视节目的优劣。中国电视媒体采取的是体制国有化、运作市场化的模式。电视台不能单靠政府拨款生存，必须依靠广告收入来存活，在这种背景下，追求收视率成为了一种必然。

一、传统收视率

传统的收视率可分为广义收视率和狭义收视率。广义收视率是指在一定时段内收看某一节目的人数（或家户数）占总调查人数（或总家户数）的百分比，狭义收视率则是指在一定时段内收看某一节目的人数（或家户数）占受众总人数（或总家户数）的百分比。由于广义收视率调查所涉及的人群范围广，难度大，因此，一般进行狭义收视率（以下简称为收视率）的调查。我国目前收视率调查的方式主要有以下三种，即电话询问法、填表法和调查仪自动记录法。但电视收视率调查过程中存在诸多问题，主要体现在：第一，调查地域有限，目前媒介数据调查的网络主要在全国大城市；第二，个性化数据服务不足，许多用户反映的情况是，媒介数据调研公司所能提供的还属于基础性数据，缺乏能按用户自身要求制成的半成品数据；第三，数据价格规范化和标准不统一，大部分媒体调研都是依赖小量样本投射出大环境，但取样的专业依据、样本群构成及调查方式均会影响准确度；第四，数据提供不及时，欠准确。更重要的是，收视率只能评价受众是否收视，不能评价受众是否满意。满意度调查的方法目前主要有网络调查、随机访问和问卷调查等方法。这些调查方法除问题设置的科学性外，影响调查结果真实性的因素很多，如网络调查是最快捷的一种调查方式，但淹没在茫茫网络中的网络调查结果容易受到操纵，真实性很低；随机访问的高效性差，碍于情面的调查结果较真实、满意度要高；问卷调查对被调查者的要求较高，受众的素质和抽样的合理性等影响着最终结果的可信度。以简单的高收视率代替满意度，可能出现导向错误［2］。

二、绿色收视率

对于电视界片面追求收视率现象，中央电视台率先进行了反思。2005年10月，中央电视台赵化勇提出，当前电视界在激烈竞争下有片面追求收视率的倾向，导致某些节目盲目跟风、品位低下，不利于先进文化的形成和倡导。2006年2月赵化勇对“绿色收视率”概念作了完整的解释：“绿色收视率”是中央电视台贯彻落实科学发展观的具体体现，也是新时期搞好电视宣传，实施“频道品牌化”战略的前提和保障，努力提高收视率和收视份额，确保国家主流媒体对受众的影响力和对舆论的引导力，有效体现节目的思想性和导向性，同时，又要杜绝媚俗和迎合，坚守品位、抵制低俗，实现收视率的科学、健康、协调、可持续增长，增强中央电视台的权威性、公信力和品牌价值。基于此，中央电视台将节目综合评价体系进行了新的探讨，分为客观指标、主观指标、成本指标三部分量化指标。国内不少电视媒体对央视绿色收视率评价体系进行了积极响应，并提出了新的评价体系，如湖南广电集团实行高分奖励、低分淘汰的奖惩制度，其评估公式为：收视率50％＋投入产出比30％＋专家意见20％。从评价体系上看，“绿色收视率”强调的是收视率健康、协调、可持续的增长，强调收视率的增长要建立在节目质量提高的基础上，而不仅仅是简单数量上的增长。但“绿色收视率”评价体系中各项指标的权重分配没有科学依据，“专家学者意见＋电视台领导好恶”的决策模式并不能确保收视率体系呈现“绿色效应”。

三、有效收视率

去年年末曾有过关于收视营销学的想法，然后写了一篇文章，但写完后除了发给你个朋友看看意见以外，就一直遗忘在自己的文件夹中，昨天经一个朋友提醒，又想起来，今天贴出来，请大家指正。

现今的电视收视竞争越来越激烈，竞争的压力既来自产业内，也来自媒体大环境。在竞争中电视人为了拼夺收视率，节目创新、广告、宣传炒作、社区推广、包装、战略联盟等等，营销手段正灵活应用在收视率创收这个领域中，在我看来，这已经开始了一个新的二级学科领域，收视营销学。收视营销学是市场营销学在电视收视市场中的应用，可以定义为：用市场营销理论指导电视制作人，在节目创作、策划、编排、制作到传播过程中，综合利用各种营销手段，以满足电视受众收视的需要，最终实现节目收视上的创收。收视营销创造的收益是收视率。

收视率统计就是一种对收视行为的测量。对收视行为进行测量是因为有市场需求。电视节目传达信息给观众，观众有选择的接收，在这一传一接中，有个有价值的东西产生了，这个东西有人说是眼球，有人说是注意力。无论是什么，是广告商觉得有价值的东西，电视台可以售之创利。而且这个东西可以量化，收视率就是其量化指标之一。在电视价值链中“电视节目——观众——收视率（有价值东西的量化指标）——电视广告”，电视节目的创利运营要进行两步行为，第一步从受众市场获得收视率，第二步转销收视率给广告商。先是节目制作人的工作，再是广告经营者的工作。第二步直接用货币结算，营销行为很明显，而第一步可否也看作是一种营销行为？

收视率从概念上讲是指在一定时段内收看某一节目的人数（或家户数）占观众总人数（或总家户数）的百分比。在收视统计中，一个节目的收视率可有几种推算方法，方法不同殊途同归，其中的一种计算方法是：该节目获得的累计收视时间占该时间段市场收视时间总量的百分比。以图1为例，假设某市场全部电视人口总数是10个受众；节目A的播出时间18:01－18:05（时长5分钟）；蓝色笑脸表示该受众在此分钟正在收看节目A，在此分钟是节目A的观众。

节目A获得的累计收视时间：1*3＋1*4+1*6+1*5+1*2＝20分钟

该时间段市场收视时间总量：5（节目时长）*10（电视人口总数）＝50分钟

摘要：电视剧收视率提升，可以带动电视台的广告收入增长，因此一直以来许多工作人员都对电视剧收视率十分重视。但是影响这部分数据的因素极为繁多，诸如播放平台的知名度、电视剧狩猎的题材范畴、主演的号召能力等等。在此类背景下，笔者将透过大数据环境进行影响电视剧收视率的各类因素细致性研究认证，希望为日后不同平台电视剧收视业绩提升，提供适当的启发作用。

关键词：电视剧；收视率；大数据；影响因素

透过观看电视剧，不仅仅可以实时性丰富民众的精神生活，并且可以带动不同国家区域之间的互动交流。而鉴定一部电视剧是否成功，就离不开收视率这类关键性衡量指标。实际上，我国每年录制的电视剧数量十分之多，但是最终可以上星且创下不菲收视率的却是是十分有限的。在民众日常审美标准愈来愈严格背景下，如若要创造较高的收视率明显变得十分困难。所以说，选择透过大数据环境观察梳理影响电视剧收视率的一系列因素，确保日后可以有针对性地予以应对，的确显得十分关键。

一、大数据环境之下影响我国电视剧收视率的相关因素

(一)因变量因素。这部分因变量主要强调不同电视剧由开播持续到结束这部分时间每日的收视成绩。(二)自变量因素。通常表现为电视剧本身涉及到的题材范畴，依照时间顺序标准划分，电视剧题材包含古代、现代、当代三种类型，而具体细分又可延展出情感、武侠、玄幻、抗战等多重形式，当中不同题材都会吸引到各异的受众群体，深刻证明了电视剧涉猎题材的确会对其收视率产生极为深刻的影响作用。而这里主要沿用到百度指数，原因就是其时刻保留较强的预测性，可以凭借前一天的数据对第二天电视剧收视率造成极为深刻的影响作用。而百度指数，顾名思义，便是凭借百度内部高数量网民的行为数据作为核心的数据互动交流平台，其可以令广大用户在第一时间内掌握部分关键词在百度搜索中出现的具体次数。而在针对一些电视剧收视率进行检验判定时，我们主要会运用到集合截面、时期、变量这三类信息的三维数据结构，其亦被称作为面板数据，由其演算转变而来的计量模型通常被定义为PanelData模型。假设因变量为yit与Xit=(X1it,X2it…Xkit)，其中后者属于k*1维解释变量向量，两者可以满足线性关系：yit=ait+Xit*βit+Uit(i=1,2,…,N,t-1,2,…,T)。这类公式描述的就是k个经济指标在N个截面成员和T个时间点上的变动关系。当中N强调界面成员的实际数量，T则描述每个截面成员的观测时期总体数量，而参数ait属于模型的常数项，βit表示对应解释变量向量Xit的k*1维系数向量，k则集中性阐述解释变量的具体数量。与此同时，uit是随机误差项且时刻维持相互独立关系，更为关键的是满足零均值等方差为θ2it的假设。

二、基于大数据处理技巧判定不同因素

摘要：近年来，微博上关于电视节目的话题量迅速增多，观众群体通过微博平台对电视节目参与讨论也引起了电视业界和经济学等各大领域研究者的强烈关注。本文对微博传播特点和影响电视剧收视率的各大因素做了简单的概括总结，在前人研究成果的基础上，结合微博对电视剧播出前和播出后的影响力进行对比分析，进而为如何结合微博提高电视剧收视率提供一些可供参考的策略。

关键词：微博；电视剧；收视率

网络技术的快速发展和通讯设备的不断智能化改变了人们观看电视剧的方式。现在，很多年轻人习惯边看电视剧边在社交平台上表达自己对该剧的看法、评价。在微博上，人们可以讨论剧情、描述观感体验，许多人会通过这些内容判断这部剧是否值得自己花时间观看，这就是口碑传播效应。微博平台对电视剧收视率的影响力目前愈来愈受到电视运营商、广告主等的强烈重视。

1影响电视剧收视率的因素

电视剧本身的质量很大程度上决定了人们是否会选择观看。随着影视产业的迅猛发展，新的电视节目层出不穷，可供人们选择的观看内容也越来越丰富，在这种竞争激烈的情况下，如果电视剧本身制作不够精良、内容缺乏吸引力，是无法留住观众的。一些优势频道具有品牌号召力，拥有忠实观众群体，在一定程度上也能提高收视率。现在，很多频道推出季播节目，将电视剧按季节分时段播出，以便增加市场份额，提高竞争力。目前，也有很多电视台和视频播放平台开始制作自己的电视剧进行独播，创造了较高的收视率。电视剧的安排播放时间对电视剧的收视率影响很大，如果播放时间恰当，即使是并不很出彩的电视剧也会有很不错的收视率。此外，电视剧重播次数多也会增加收视率。

2微博的传播优势

电视节目收视市场评估与目前常用的电视节目质量评估相似，需要从观众的行为和态度两个方面进行衡量。在对电视节目收视市场表现进行评估的时候，要本着“观众本位视角”，充分考虑观众行为和态度之间的关系，以及播出平台等外部因素对节目收视率的影响，既保障评估结果的客观性和全面性，也实现评估结果的可比性和适用性。

观众本位视角

在研究电视节目收视市场的时候，受众本位的观念至为重要。如果电视节目是产品，那么观众就是这个产品赖以生存和发展的消费者市场。由于收视率调查收集了大量有关观众电视消费的事实数据，所以收视率就成为探讨电视节目市场评估方法中的基础指标性数据。

节目收视率的变化受诸多因素影响和制约。有的因素可以识别和测定，有些因素则难以做到。各因素之间错综复杂，竞相作用，互不独立。但是根据迄今为止的认识和理解，仍能将这些因素加以归纳并可简单地区分为两大类：第一类是内生的影响和制约因素，这类因素是节目与生俱来的，一般情况下不受播出条件的影响，比如节目题材、音画效果、剪接形式、节奏进度、主持人风格、板块设计风格，以及其他被称为节目模式要素之类的内容。第二类是外生的影响和制约因素，或者称之为环境设定因素，主要有节目类型（节目类型不同于节目模式，不被归为内生要素）、节目播出频道、节目播出时段等。这类因素对节目收视率的实际表现也有至关重要的影响。

一档节目的实际收视率是内生和外生两方面变量综合作用的结果。内生变量主要决定了节目的质的特征，外生变量则很大程度上影响和制约了节目投播后的实际市场表现。由此，对电视节目进行收视市场评估也应划分为两个方面，其一是以节目的实际收视表现为评估内容，综合考察内生和外生因素的总体影响，给出电视节目实际收视市场表现的总体评价；其二是以节目内生要素的收视市场表现为评估内容，在节目实际收视市场表现中剔除外生变量的影响，给出针对电视节目质量的收视市场评价。显然从电视节目产品生产的角度看，第二方面的评价甚为重要；开展第一方面评价的重要性则更能体现于电视节目产品的市场营销活动，包括广告情况。

到达率&观众忠实度

去年年末曾有过关于收视营销学的想法，然后写了一篇文章，但写完后除了发给你个朋友看看意见以外，就一直遗忘在自己的文件夹中，昨天经一个朋友提醒，又想起来，今天贴出来，请大家指正。

现今的电视收视竞争越来越激烈，竞争的压力既来自产业内，也来自媒体大环境。在竞争中电视人为了拼夺收视率，节目创新、广告、宣传炒作、社区推广、包装、战略联盟等等，营销手段正灵活应用在收视率创收这个领域中，在我看来，这已经开始了一个新的二级学科领域，收视营销学。收视营销学是市场营销学在电视收视市场中的应用，可以定义为：用市场营销理论指导电视制作人，在节目创作、策划、编排、制作到传播过程中，综合利用各种营销手段，以满足电视受众收视的需要，最终实现节目收视上的创收。收视营销创造的收益是收视率。

收视率统计就是一种对收视行为的测量。对收视行为进行测量是因为有市场需求。电视节目传达信息给观众，观众有选择的接收，在这一传一接中，有个有价值的东西产生了，这个东西有人说是眼球，有人说是注意力。无论是什么，是广告商觉得有价值的东西，电视台可以售之创利。而且这个东西可以量化，收视率就是其量化指标之一。在电视价值链中“电视节目——观众——收视率（有价值东西的量化指标）——电视广告”，电视节目的创利运营要进行两步行为，第一步从受众市场获得收视率，第二步转销收视率给广告商。先是节目制作人的工作，再是广告经营者的工作。第二步直接用货币结算，营销行为很明显，而第一步可否也看作是一种营销行为？

收视率从概念上讲是指在一定时段内收看某一节目的人数（或家户数）占观众总人数（或总家户数）的百分比。在收视统计中，一个节目的收视率可有几种推算方法，方法不同殊途同归，其中的一种计算方法是：该节目获得的累计收视时间占该时间段市场收视时间总量的百分比。以图1为例，假设某市场全部电视人口总数是10个受众；节目A的播出时间18:01－18:05（时长5分钟）；蓝色笑脸表示该受众在此分钟正在收看节目A，在此分钟是节目A的观众。

节目A获得的累计收视时间：1*3＋1*4+1*6+1*5+1*2＝20分钟

该时间段市场收视时间总量：5（节目时长）*10（电视人口总数）＝50分钟

去年年末曾有过关于收视营销学的想法，然后写了一篇文章，但写完后除了发给你个朋友看看意见以外，就一直遗忘在自己的文件夹中，昨天经一个朋友提醒，又想起来，今天贴出来，请大家指正。

现今的电视收视竞争越来越激烈，竞争的压力既来自产业内，也来自媒体大环境。在竞争中电视人为了拼夺收视率，节目创新、广告、宣传炒作、社区推广、包装、战略联盟等等，营销手段正灵活应用在收视率创收这个领域中，在我看来，这已经开始了一个新的二级学科领域，收视营销学。收视营销学是市场营销学在电视收视市场中的应用，可以定义为：用市场营销理论指导电视制作人，在节目创作、策划、编排、制作到传播过程中，综合利用各种营销手段，以满足电视受众收视的需要，最终实现节目收视上的创收。收视营销创造的收益是收视率。

收视率统计就是一种对收视行为的测量。对收视行为进行测量是因为有市场需求。电视节目传达信息给观众，观众有选择的接收，在这一传一接中，有个有价值的东西产生了，这个东西有人说是眼球，有人说是注意力。无论是什么，是广告商觉得有价值的东西，电视台可以售之创利。而且这个东西可以量化，收视率就是其量化指标之一。在电视价值链中“电视节目——观众——收视率（有价值东西的量化指标）——电视广告”，电视节目的创利运营要进行两步行为，第一步从受众市场获得收视率，第二步转销收视率给广告商。先是节目制作人的工作，再是广告经营者的工作。第二步直接用货币结算，营销行为很明显，而第一步可否也看作是一种营销行为？

收视率从概念上讲是指在一定时段内收看某一节目的人数（或家户数）占观众总人数（或总家户数）的百分比。在收视统计中，一个节目的收视率可有几种推算方法，方法不同殊途同归，其中的一种计算方法是：该节目获得的累计收视时间占该时间段市场收视时间总量的百分比。以图1为例，假设某市场全部电视人口总数是10个受众；节目A的播出时间18:01－18:05（时长5分钟）；蓝色笑脸表示该受众在此分钟正在收看节目A，在此分钟是节目A的观众。

节目A获得的累计收视时间：1*3＋1*4+1*6+1*5+1*2＝20分钟

该时间段市场收视时间总量：5（节目时长）*10（电视人口总数）＝50分钟