Does Piracy Create Online Word of Mouth? An Empirical Analysis in the Movie Industry
Notice bibliographique
Résumé
Anecdotal evidence suggests that counterfeiting/piracy can help create online word of mouth (WOM) and through this boost demand, but how powerful is such WOM? To answer this question, we conduct a descriptive study with some attempts to establish near causality. We estimate the impact of piracy on WOM and ultimately revenue by applying a panel data method to all movies widely released in the United States from 2015 to 2017. In identifying the effects of piracy we make inventive use of Russian piracy data to construct instrument variables for piracy in the United States. This is possible because the key piracy site, The Pirate Bay, has been blocked in Russia since 2015. We find movies with prerelease piracy are associated with lower revenues despite the WOM effect. Critically, however, we show a positive correlation between postrelease piracy and WOM volume, and we extend the field by finding that the presence of postrelease piracy is associated with an approximately 3.0% increase in box office revenue. We also note the impact of a raid by the Swedish Police that temporarily took down The Pirate Bay website in December 2014. The period when the site was down experienced a decline in WOM volume and revenues, consistent with the effect of lower postrelease piracy predicted by our models. Our findings suggest approaches to target scarce antipiracy resources, such as focusing on tackling damaging prerelease piracy. This paper was accepted by Juanjuan Zhang, marketing.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,004 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,004 |
| Études des sciences et des technologies | 0,000 | 0,001 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».