Aenorm82 webversie

Magazine voor studenten Actuariaat, Econometrie & Operationele Research

Een publicatie van

Nr. 82 Volume 22 Februari 2014

AENORM DEZE EDITIE Predicting equity markets with social media and online news: using sentiment-driven Markov switching models | Popularity of Brand Posts on Brand Fan Pages: Effects of Social Media Marketing | The impact of internet piracy on sales and revenues of copyright owners

Een semester studeren in Kopenhagen | De balans van het bestuur 2013 | Puzzel

NOTHING BEATS WINNING

Do you thrive on outsmarting your competition?

Flow Traders is looking for Junior Traders with excellent mathematical and analytical skills combined with an interest in global financial markets. In this challenging position you manage and optimize our daily position in a wide range of financial products.

If you want to be part of our winning team, don’t hesitate to apply for the Junior Trader position via our website: www.flowtraders.com For more information please email: careers.amsterdam@nl.flowtraders.com or call Floor de Wit on 020-7996799.

Flow Traders is an international leading trading house.

Amsterdam

•

New York

•

Singapore

Olympische Spelen en de VSAE

Kasper van Vliet Voorzitter 2014

Colofon Hoofdredactie Marc van Houdt Bas Koolstra Redactie Jozef Battjes Joris BĂźcker Kevin Sipin Ruben Walschot Oplage 700 De artikelen in dit blad zijn niet noodzakelijkerwijs de mening van het VSAE bestuur of de redactie.

Niets uit dit blad mag worden gedupliceerd zonder toestamming van de VSAE.

Adverteerders Actuariaatcongres DNB Flow Traders KPMG Towers Watson Design United Creations, 2013 Adres redactie VSAE Roetersstraat 11 Kamer E3.25 1018WB Amsterdam Tel. 020 - 5254134

voorwoord

Alle ogen zijn tijdens het schrijven van dit voorwoord op Sotsji gericht, met trots wordt er gesproken over onze atleten die een enorme hoeveelheid medailles binnenhalen. Minstens zo belangrijk, binnen de VSAE vindt er in februari traditiegetrouw een bestuurswissel plaats. Deze maand is er een nieuw bestuur van start gegaan en de eer van het schrijven van een voorwoord voor deze editie van de Aenorm is daarmee komen te liggen bij ondergetekende. Dit schept een uitstekende mogelijkheid om het bestuur 2013 te bedanken voor de inspanningen die zij het afgelopen jaar heeft geleverd. Met een grenzeloos enthousiasme en een flinke dosis deskundigheid hebben de vijf bestuursleden voor een fantastisch VSAE jaar gezorgd. Enorm bedankt hiervoor en succes met het vervolgen van jullie studie!

Na met een tentamen op vrijdagmiddag de hectische maand januari te hebben afgesloten, brak op maandagochtend, na vierenhalf jaar studeren, voor mij een nieuw hoofdstuk aan. Ik heb het geluk gehad om in dit nieuwe hoofdstuk meteen een weekje wintersport in de Franse Alpen te mogen opnemen. Met een groep van dertig VSAE-leden is er een poging gedaan de skiĂŤrs en snowboarders uit Sotsji te imiteren, uiteraard kwam hier het nodig vallen en opstaan bij kijken. Naast dit vallen en opstaan, zit een wintersport ook vol met momenten waarin je ruimte hebt om bij zaken stil te staan. Zo besefte ik dat het een enorm voorrecht is om een wintersportvakantie te mogen genieten. Daarnaast kwam het besef dat het komende jaar vol uitdagingen zit die ik maar wat graag samen met mijn drie bestuursgenoten aan ga. Tot slot laat een week zonder internetverbinding mij beseffen dat social media een grote rol speelt in het dagelijks leven. Aan de ene kant mis je het intens, aan de andere kant is het heerlijk om even een weekje verlost te zijn van deze media.

De Aenorm die voor u ligt staat voor een groot deel in het teken van social media.Waar tijdens een vakantie alleen het gevoel van gemis bestaat, belichten twee wetenschappelijke artikelen het fenomeen vanuit een econometrisch oogpunt. Daarnaast komt de scriptie van Steven Nooijen aan bod, hij deed onderzoek naar het voorspellen van aandelenmarkten met behulp van social media en online nieuws. Bram de Vries heeft zijn scriptie geschreven over een logistiek probleem bij de Koninklijke Luchtvaart Maatschappij en is daarmee een van de laatste studenten die aan de UvA afstudeert in de Operationele Research richting. Zijn resultaten en bevindingen vindt u in deze editie.Verder kunt u lezen hoe Mila Harmelink studeren in Kopenhagen heeft ervaren en is er een stuk opgenomen over het bestuur 2013. Uiteraard is er ook in deze editie een uitdagende puzzel opgenomen. Ik wens u daarom veel lees- en puzzelplezier!

Kalender Actuariaatcongres BORREL Sjaarsactiviteit Econometric Game

3

| | | |

5 MRT 11 MRT 8 Apr 15 - 17 APr

Inhoudsopgave EEN SEMESTER STUDEREN IN KOPENHAGEN

POPULARITY OF BRAND POSTS ON BRAND FAN PAGES: EFFECTS OF SOCIAL MEDIA MARKETING BY: LISETTE DE VRIES

EXCHANGE VERSLAG | PAGINA 5

KPMG

ENGLISH | ECONOMICS | MSC-LEVEL | PAGE 24

BEDRIJFSINTERVIEW | PAGINA 8

DE BALANS VAN HET BESTUUR 2013

DOORLOOPTIJDVERKORTING BIJ HET LOGISTIEK CENTRUM VAN DE KLM DOOR: BRAM DE VRIES

INTERVIEW | PAGINA 10

PUZZELPAGINA

NEDERLANDS | OPERATIONAL RESEARCH | BSC-LEVEL | PAGINA 30

PREDICTING EQUITY MARKETS WITH SOCIAL MEDIA AND ONLINE NEWS: USING SENTIMENT-DRIVEN MARKOV SWITCHING MODELS BY: STEVEN NOOIJEN

THE IMPACT OF INTERNET PIRACY ON SALES AND REVENUES OF COPYRIGHT OWNERS BY: STAN J. LIEBOWITZ

PUZZEL | PAGINA 14

ENGLISH | ECONOMICS | BSC-LEVEL | PAGE 34

CONTENTS

ENGLISH | ECONOMETRICS | MSC-LEVEL | PAGE 17

Magazine voor studenten Actuariaat, Econometrie & Operationele Research Volume 22 Februari 2014

Nr. 82

Een publicatie van

4

Een semester studeren in Kopenhagen Door: Mila Harmelink

Elke student moet tijdens onze studie een aantal keuzevakken volgen, de mogelijkheden hiervoor zijn natuurlijk eindeloos. Maar wat is er nou een betere manier om je keuzevakken te volgen dan dat gewoon lekker in het buitenland te doen? Hoewel ik de keuze om naar het buitenland te gaan in slechts een halve dag genomen heb, heb ik hier nooit spijt van gehad. Na op zaterdag mijn hele studentenkamer leeg gehaald te hebben en nog snel afscheid genomen te hebben van vrienden en familie was het dan op zondag echt zo ver, ik zou voor een half jaar ons koude kikkerlandje verlaten voor een nog kouder land, Denemarken.

Zondagavond kwam ik vrij laat aan in Kopenhagen en het was er donker en ijzig koud, de temperatuur was inmiddels gezakt tot ongeveer min tien graden. Natuurlijk kon ik mijn kamer niet meteen vinden en stond ik daarom hulpeloos met een kaart in mijn handen midden op een kruispunt.

Meteen kwam er een Deen op mij af om te vragen of ze mij kon helpen. Dit is iets wat mij het gehele halve jaar is opgevallen, Denen zijn erg vriendelijk en zijn altijd bereid je te helpen. Na een half uur zoeken had ik dan toch eindelijk mijn stulpje gevonden waar ik het komende semester zou verblijven. Samen met ĂŠĂŠn andere internationale student en de huisbaas deelden wij een appartement . Mijn kamer was maar liefst twintig vierkante meter en daarmee duidelijk groter dan mijn kamer in Amsterdam. Die eerste avond was het meteen tijd om samen met mijn huisgenoot het nachtleven van Kopenhagen te gaan ontdekken. Achteraf bleek dit niet de meest verstandige keuze te zijn geweest, aangezien ik de dag erna om 8 uur al college bleek te hebben. Jullie lezen het goed, in Denenmarken beginnen de colleges al om 8 uur! Eerlijkheid gebiedt te zeggen dat ik tijdens mijn semester in Kopenhagen maar twee keer daadwerkelijk zo vroeg in de collegezaal te vinden was.

Wegwijs worden in Kopenhagen Ik besloot om mijn eerste colleges over te slaan en eerst een fiets te gaan regelen. De bus was namelijk niet alleen extreem duur, maar ook nog eens erg tijdrovend. Via Facebook had ik binnen een paar uur een goede fiets op de kop getikt. Toen ik een fiets had voelde ik mij al weer helemaal thuis.

Fietsen in Kopenhagen is fantastisch! De fietspaden zijn breed en je hebt af en toe zelfs een aparte baan voor snelle en voor langzame fietsers.

Tijdens mijn zes maanden in het buitenland moesten er uiteraard ook gewoon vakken gevolgd worden. Ik had ervoor gekozen om mijn economiekennis wat bij te spijkeren door Public Finance en Macro-

5

EXCHANGE VERSLAG

De laatste tijd gaan steeds meer studenten als onderdeel van hun studie op exchange naar het buitenland. In december vond u een artikel over het avontuur van Nienke Visser in Budapest, dit keer vindt u een verslag over studeren in Kopenhagen!

economie te volgen en tevens mijn Engels op te krikken door Academic English writing and speaking bij te wonen.

Het gebouw waar ik de economievakken volgde was een oud ziekenhuis. De eerste vrijdag dat ik daar was, had de faculteit een openingsfeest georganiseerd voor alle internationale studenten. Na eerst een voorstelrondje te hebben gedaan was het tijd om te feesten. Al snel bleek dat iedereen dezelfde instelling had, er met z’n allen een onvergetelijke tijd ervan te maken. Op deze avond heb ik ook kennis gemaakt met de beroemde jagerboms: jagermeister met Redbull.

Al snel had een leuke groep internationale studenten elkaar gevonden. Dit resulteerde er in dat de colleges nog wel gevolgd werden, maar dat er daarnaast vooral heel veel tafelvoetbal gespeeld werd. Dit is enorm populair in Kopenhagen. In elke kantine, kroeg en universiteit vind je deze tafels. In het begin was ik er dramatisch slecht in en aan het einde eigenlijk nog steeds, maar ik verloor na een paar maanden toch met net iets minder dikke cijfers.

Het meest legendarisch van studeren in Kopenhagen was dat als de zon dan eindelijk een keer scheen iedereen de banken en tafelvoetbaltafels vanuit de kantine naar buiten tilde en vervolgens de hele middag in de zon ging liggen en samen bier dronk. Ook de Fridaybar is iets wat ze zouden moeten introduceren aan de UvA. Elke vrijdagmiddag werden alle faculteitskantines omgebouwd tot een bar waar gefeest kon worden tot diep in de nacht.

EXCHANGE VERSLAG

Sporten in Scandinavië Naast de vele uren die ik spendeerde met vrienden van de universiteit had ik ook besloten om daarbuiten nog iets te zoeken. Voordat ik ging studeren had ik altijd fanatiek gewaterpolood en ik besloot dit weer op te pakken in Kopenhagen. Hoewel het altijd minimaal een half uur fietsen was naar het zwembad, is dit één van mijn beste keuzes geweest. Twee keer in de week anderhalf uur trainen plus af en toe een wedstrijdje. We hadden een team van ongeveer 30 procent internationale studenten en 70 procent Denen.We werden getraind door een Australisch meisje dat brons had gewonnen op de Olympische Spelen, supervet dus! De Denen namen ons na de training vaak mee naar leuke kroegjes en samen met Alex (één van mijn beste vriendinnetjes daar) heb ik heel wat leuke hilarische momenten beleefd.

Op één van deze uitgaansavonden vroeg ze of ik samen met haar de halve marathon van Helsinki zou willen lopen. Aangezien ik al een aantal drankjes verder was zei ik misschien iets te voorbarig, ja waarom ook niet? Hier moest natuurlijk wel weer voor getraind worden. Naast de twee keer in de week waterpoloën, rende ik samen met een Italiaan, die de hele marathon van Kopenhagen wilde gaan lopen, drie keer in de week braaf mijn rondjes in Christiania, een semi-onafhankelijk gebied in Kopenhagen.

Op 4 mei vloog ik samen met Alex naar Helsinki om de dag erna de halve marathon te lopen. Lichtelijk zenuwachtig begon ik dan eindelijk aan de race waar ik zoveel voor geoefend had. Ik had veel te veel kleren aan getrokken en mijn dierbare, blauwe VSAE vest ligt daarom

6

universiteit had toegang tot een één van de mooiste bibliotheken die ik ooit gezien had. Na mijzelf hier een flinke tijd opgesloten te hebben was ik helemaal voorbereid op mijn tentamens. Gelukkig heb ik alles in één keer gehaald zodat ik aan het einde van de zomer mijn bachelor zou kunnen halen. 30 juni vloog ik weer terug naar Nederland wat helaas niet helemaal vlekkeloos verliep. Bij het inchecken bleek mijn koffer 10 kilo te zwaar te zijn en de stewardess keek zo strak en onvriendelijk dat ik wist dat ze mij geen kilo extra gunde in mijn koffer. Daar stond ik dan op het vliegveld, samen met een vriend en 10 kilo teveel bagage. Gelukkig mocht ik zijn rugzak hebben en na heel wat toiletartikelen, oude schoenen en kleren weggegooid te hebben was mijn koffer 10 kilo lichter. Zittend in het vliegtuig dacht ik terug aan de geweldige tijd die ik beleefd had samen met alle andere internationale studenten en hoe erg ik iedereen zou gaan missen. Afgelopen zomer heb ik nog een toernooi samen met mijn waterpoloteam uit Kopenhagen gespeeld in Nederland. Mijn semester in Kopenhagen is hetgeen wat mij het meest is bijgebleven van mijn tijd als bachelorstudent en ik zou iedereen van harte aanraden ook eens een tijdje in het buitenland te gaan studeren. Het is het meer dan waard!

Tentamens en de terugkeer naar huis Aan elk semester komt een einde en dus stonden ook voor mij de tentamens voor de deur. Het was tijd om echt te gaan studeren. Een vriendinnetje van de

7

EXCHANGE VERSLAG

nog steeds ergens langs de weg in Helsinki. De cityrun ging door heel Helsinki en mede hierdoor heb ik nog heel wat kunnen zien van de stad. Uiteindelijk ben ik gefinisht in 1.45.47, niet slecht voor een eerste halve marathon.

De dag erna besloten we met de boot naar Tallinn te gaan omdat we het meeste van Helsinki in de twee dagen daarvoor wel gezien hadden. Het lopen leek meer op strompelen, zo erg was de spierpijn die we hadden, maar het was zeker de moeite waard.

Naast het waterpoloteam en het leven op de universiteit, organiseerde European Student Network (ESN) ook een reeks aan evenementen. Met hen heb ik onder andere een trip gemaakt door Denenmarken om zo ook Aarhus, Odense, Aalborg en Skagen te bezoeken. Ook zorgde ESN dat je in het begin snel in contact kon komen met internationale studenten en Kopenhagen optimaal kon leren kennen.

In mijn periode was ook het EK voetbal gaande en zo stond ik dan op 9 juni in mijn oranje outfit tussen duizend Denen. Dagen van te voren had ik natuurlijk lopen opscheppen dat Nederland zeker wel zou winnen van Denenmarken, des te balen was het dus toen Nederland met 1-0 verloor. In mijn oranje outfit ben ik samen met mijn Deense vrienden nog de stad in gegaan.Voor die avond dacht ik altijd dat Denen redelijk ingetogen waren, maar na de winst op Nederland ging het helemaal los in de stad en werd er gefeest tot vroeg in de ochtend. In Kopenhagen gaat het uitgaanleven in tegenstelling tot Amsterdam namelijk wel gewoon door tot 7 uur ’s ochtends.

Bedrijfsinterview KPMG Dit keer zijn Marc en Mila bij KPMG geweest voor een interview met Vera Nieuwland, oud VSAE-lid en vanuit KPMG de organisator voor de ISP naar Londen in 2012. Vera werkt al bijna tweeĂŤnhalf jaar binnen KPMG bij de afdeling FRM (Financial Risk Management).

bedrijfsinterview

Kan je iets vertellen over je studie achtergrond?

Ik heb eerst Actuariaat gestudeerd aan de UvA, en later nog een master Business Economics - Real Estate Finance aan de UvA. Ik vond Actuariaat heel leuk, vooral het kwantitatieve van deze studie vond ik leuk. Mijn mastescriptie heb ik geschreven bij Towers Watson waar ik een goed kijkje in de keuken heb kunnen krijgen bij een actuarieel adviesbureau. Omdat ik me graag nog breder wilde orienteren ben ik na mijn stage een tweede master gaan doen: Business Economics met de afstudeervariant Real Estate Finance. Wat me aantrok hier in is dat je bij Business Economics een verbreding in kennis krijgt doordat je meer leert over de financiele en economische aspecten rondom modellen.Wat erg leuk was, is dat we bij Real Estate Finance onze kennis gelijk in de praktijk konden brengen doordat je aan de slag gaat met echte casussen, bijvoorbeeld voor een vastgoedwaarderingopdracht.

Hoe ben je bij KPMG terecht gekomen?

Het was een beetje toevallig, want ik dacht zelf niet dat bedrijven van de grote vier (Deloitte, EY, KPMG, PwC) zouden aansluiten bij mijn actuariaatstudie. Ik had vastgoed gestudeerd omdat het leuk was, niet omdat ik had bedacht dat ik daarna daarmee verder wilde.

Mijn tweede scriptie wilde ik weer bij een bedrijf schrijven, en via via kwam ik bij KPMG terecht. KPMG was op zoek naar mensen met

mijn achtergrond bij Financial Risk Management. Ik heb toen een erg leuk orienterend gesprek gehad.

Hierin bleek dat het bij KPMG veel diverser is dan ik dacht. Ik vond het een leuke ervaring, een leuk team en ik ben na mijn scriptie bij KPMG gebleven.

Zitten er veel econometristen of actuarissen op jouw afdeling?

Econometristen zitten binnen KPMG heel erg verspreid, binnen onze afdeling hebben we een heel divers team, met bijvoorbeeld ook een aantal gepromoveerde natuurkundigen.

Kwantitatieve mensen zitten ook bij Business Intelligence, IT Advisory, Health Advisory en Transactions & Restructuring.

In november 2012 was jij vanuit KPMG mee op ISP naar Londen, hoe heb jij deze reis ervaren?

Ik vond het heel leuk om me met de organisatie bezig te houden, ik was een van de weinigen die iets met de UvA had en ik vond het leuk om na te denken over de opzet. We konden redelijk vrij beslissen wat we zouden gaan doen, dat maakte het ook heel uitdagend. Als je een evenement gaat organiseren moet je natuurlijk wel zorgen dat het een succes is, dat geeft wel druk.

Het hielp bij de organisatie wel heel erg dat iedereen bij KPMG heel toegankelijk is, iedereen wilde graag helpen en meedenken. Zelfs de mensen in het buitenland waren heel enthousiast, waardoor de ISP echt een succes is geworden!

Ik ga in april waarschijnlijk 3 maanden naar New York. Het leuke van KPMG is dat alles mogelijk is, je wordt heel vrij gelaten maar je moet het zelf regelen.

Wat vind je het leukste aan KPMG? Het werk is heel divers, je doet veel verschillende projecten, met telkens weer andere klanten. De opdrachten zijn best verschillend, dit houdt het ook uitdagend. Je gaat elke keer weer anders met de mensen om als je bij een nieuwe organisatie komt, dit vind ik ook interessant.

Waar ben je het meest trots op wat je bij KPMG hebt gedaan?

Als een opdracht gedaan en afgerond is en de klant echt geholpen en tevreden is. Als je samen tot een mooi succes bent gekomen.

Naar wat voor soort econometristen en actuarissen is KPMG op zoek?

KPMG is op zoek naar mensen die proactief zijn, het leuk vinden om in een dynamische omgeving te werken. Mensen die zelf verantwoordelijkheid nemen en veel enthousiasme hebben. Qua achtergrond is het bij FRM meer kwantitatief, verder is het handig als je een financiĂŤle achtergrond hebt.

Vera Nieuwland

nieuwland.vera@kpmg.nl

Interesse? KPMG heeft een interessante vacature als junior adviseur bij Financial Risk Managment!

8

© 2013 KPMG N.V., alle rechten voorbehouden.

W W W. K P M G .C O M /N L /S TA R T E N

Scriptietip # 2:

EERST GRAVEN, DAN SCHRIJVEN “Niets werkt zo frusterend als het onderbreken van schrijfwerk voor extra onderzoek.”

Kijk voor meer tips op facebook.com/kpmgscriptiecoach.

Of beter nog: schrijf je scriptie bij KPMG.

De balans van het VSAE bestuur 2013 Ongeveer vijftien maanden geleden werden Bas, Daniel, Susanna , Mila en Marc verkozen tot het eenenvijftigste bestuur der VSAE, het begin van een lange en mooie samenwerking. Nu hun bestuursjaar erop zit, blikt het bestuur 2013 nog één keer terug op een veelbewogen jaar bij de VSAE. Ervaringen worden gedeeld, meningen worden gegeven en de verschillende hoogtepunten passeren nogmaals de revue.

DOOR: DE REDACTIE

INTERVIEW

Het begin ‘Het voelde een beetje alsof je op de uitslag van je VWO-examen zat te wachten.’ reageert Daniel op de vraag hoe de avond van de bekendmaking van het bestuur was, ‘ik ben zelden zo zenuwachtig geweest.’ Door de relatief grote hoeveelheid aanmeldingen was het moeilijk te voorspellen wie uiteindelijk het VSAE bestuur 2013 zouden gaan vormen. ‘Ik had vele combinaties bedacht van tevoren, maar met deze samenstelling wisten ze me toch te verrassen’ laat Bas weten. Het was een avond van uitersten.

Blij zijn omdat je het zelf bent geworden, maar tegelijkertijd oprecht balen voor je vrienden die het niet zijn geworden.

Uiteraard zijn er veel redenen om een bestuursjaar te gaan doen, dus waren wij benieuwd naar de beweegredenen van dit vrolijke vijftal. Marc legt uit: ‘het is een ideale kans om dingen te leren die je op de studie niet zo zeer leert, de zogenaamde softskills. Denk hierbij aan leiding geven, een stukje communicatie, organiseren, coachen, motiveren, onderhandelen en ga zo maar door.’ Hij vervolgt: ‘Het is gewoon een mooie kans om even een pauze van de studie te nemen, maar er wel een heel nuttig en leerzaam jaar van te maken.’ Bas vult aan dat voor hem de VSAE eigenlijk de ideale en meest logische keuze was voor hem. ‘Ik was al actief geweest binnen verschillende commissies dus ik kende de vereniging al. De combinatie van inhoudelijke projecten, studiegerelateerde activiteiten en ontspannende evenementen is bij de VSAE wat mij betreft ideaal. Zo krijg je op allerlei gebieden wat mee en dat is heel leerzaam geweest voor mij. Verder is het natuurlijk een vereniging met een bovengemiddelde begroting, dat zorgt ervoor dat je een nog grotere verantwoordelijkheid hebt om alles goed te laten verlopen, ideaal dus!

Hoewel de bekendmaking al begin december was duurde het nog een kleine maand voordat het bestuur echt bij elkaar kon komen om aan de slag te gaan. Bas was namelijk nog in Canada waar hij een halfjaar studeerde.

‘Ik ben waarschijnlijk de enige in de hele VSAE geschiedenis die de sollicitatieprocedure via Skype heeft doorlopen, helaas miste ik daardoor wel de avond van de bekendmaking.’ Toen hij vlak voor de kerstdagen thuis kwam begon het harde werk. Op beleidsweekend, nadenken, bezuinigen, onderzoek doen, nog meer nadenken en dat alles naast het volgen van vakken bleek absoluut een zware opgave te zijn. Gelukkig wisten ze dat ze in ieder geval elkaar hadden. ‘Je bent een jaar tot elkaar veroordeeld

10

Een succesvol jaar Het bestuur 2013 kijkt terug op een leuk en succesvol jaar. ‘Wij hebben natuurlijk in de bijzondere positie gezeten om bestuur te zijn tijdens het lustrumjaar, de vereniging bestond vorig jaar maart namelijk precies 50 jaar. Dit hebben we uitgebreid gevierd met een feestweek vol activiteiten, dit alles werd afgesloten met een spetterend gala waar onder andere Bakermat draaide. Dat is natuurlijk best bijzonder!’ Daniel vult aan: ‘de eerste twee maanden dat we bestuur waren, was het zo ontzettend druk dat we eigenlijk allemaal wel wallen hebben op de galafoto’s. Maar het was het harde werken absoluut waard.’

Uiteraard bestond het jaar uit veel meer dan alleen de lustrumweek. ‘Over de verschillende evenementen zijn we eigenlijk allemaal erg tevreden, zo waren bijvoorbeeld het Actuariaatcongres, de Econometric Game en de Beroependagen zeer geslaagd’, vervolgt Bas. ‘Uiteraard hebben we overal ook wel verbeterpuntjes, maar dat is maar goed ook. Het is belangrijk om altijd kritisch te blijven kijken naar de kwaliteit die je aflevert. Je moet wat mij betreft altijd het doel hebben om de vereniging verder te verbeteren.’

Naast het zorgen voor de continuïteit, met uiteraard een eigen invulling aan de details, van de bestaande projecten hebben de bestuursleden ook een aantal nieuwe dingen ingevoerd of fors veranderd.

Zo is bijvoorbeeld de Aenorm volledig vernieuwd, is de database flink verbeterd en is er een nieuwe vorm van studiebegeleiding voor de leden opgezet. Ook op

deze veranderingen kijken de bestuursleden tevreden terug. ‘We hebben voor ons bestuursjaar mooie plannen gemaakt, maar dan is het natuurlijk altijd maar afwachten of het zo gaat lopen als je hoopt’ vertelt Mila, ‘ik denk dat we nu wel kunnen zeggen dat het op veel punten inderdaad is gegaan zoals we hadden gehoopt en soms zelfs beter!’

Een laatste punt wat ze graag nog even willen benadrukken is de ledenbinding. ‘Leden zijn de basis van de vereniging en dus heel belangrijk. We vinden het van groot belang dat leden die dat willen de kans krijgen om in commissies aan de slag te gaan. We vragen dan een stukje tijd, inzet en professionaliteit van ze, daar krijgen ze uiteraard een stukje coaching en een hele mooie ervaring voor terug. Minstens net zo belangrijk is het sociale contact met de leden, ze moeten de vereniging leuk vinden. Wij hebben heel veel leden goed leren kennen afgelopen jaar, de nieuwe eerstejaars bleken ontzettend enthousiast en de borrels werden elke maand maar drukker en drukker. Ook de vele positieve reacties en bedankjes aan het eind van ons bestuursjaar waren ontzettend mooi om te zien!’

De lessen van een bestuursjaar Behalve een succesvol jaar voor de vereniging spreken ze ook alle vijf van een succesvol jaar voor zichzelf. Het heeft ze eigenlijk alles gebracht wat ze ervan hadden verwacht én meer. ‘Het is eigenlijk ongelofelijk hoeveel je in zo’n jaar leert, het is erg moeilijk om dat in een paar zinnen te omschrijven. We hebben allemaal zoveel geleerd op het gebied van samenwerken, discussiëren, onderhandelen, leiding geven enzovoort. Het is lastig aan te geven wat de grootste les is geweest tijdens dit bestuursjaar, dat is voor ons allemaal verschillend.

11

INTERVIEW

en dan kan je er maar het beste iets fantastisch van proberen te maken, dat is trouwens prima gelukt!’ vertelt Susanna vrolijk lachend.

We zijn qua persoonlijkheid namelijk allemaal heel erg verschillend. Misschien dat juist dat ons wel zo’n sterk team heeft gemaakt.’

Toch gaat het niet alleen om de persoonlijke groei van jezelf en de andere bestuursleden, zo blijkt uit verschillende voorbeelden. Bas zegt: ‘ik vind het geweldig om te zien hoe een commissielid dat in mei nog bevestiging vroeg voor elk mailtje dat verstuurd moest worden, nu voorzitter is van een commissie alsof het nooit anders is geweest. Je faciliteert de groeimogelijkheden in je vereniging en met een beetje persoonlijke coaching help je mensen verder, in de hoop dat zij ooit jouw rol als coach weer zullen vervullen.’ Hij voegt er volgens nog aan toe: ‘Je moet wel hard kunnen zijn als dat echt nodig is, dat kan wel eens lastig zijn omdat je de meeste mensen toch heel goed kent. Als je dan na het evenement van iemand te horen krijgt dat die harde woorden tijdens dat ene gesprek de sleutel tot een omslag zijn geweest dan weet je dat je de juiste keuze hebt gemaakt.’

Stukjes schrijven scoort in dat opzicht hoog bij dit bestuur, stukjes tekst voor de website, almanakken, jaarverslagen noem het maar op.

Ook zijn ze het er allemaal over eens dat het sociale leven buiten de VSAE een jaar op een lager pitje wordt gezet. Niet naar de verjaardag van een oude vriend kunnen, sportwedstrijden afzeggen of simpelweg een paar avonden achter elkaar niet thuis met je huisgenootjes kunnen eten, ze hebben het allemaal wel eens meegemaakt. ‘Gelukkig hebben de meeste vrienden er wel begrip voor, het duurt immers maar een jaartje en als je het goed weet te plannen dan zie je iedereen nog vaak genoeg’ zegt Daniel.

Tijdens het gesprek blijkt er ook wat frustratie te zijn over het afzeggedrag van leden. ‘Als je keihard aan een evenement hebt gewerkt, dan is het heel frustrerend als mensen opeens zonder afmelding niet op komen dagen, omdat ze liever in hun bed blijven liggen. Zeker als je weet dat mensen op een reservelijst er wel heel

De keerzijden

Bestuur 2013

Ondanks de hele leuke periode kan het niet altijd feest zijn. Net als alle dingen in het leven heeft ook het doen van een bestuursjaar wel eens een aantal dingen die minder leuk zijn. Ondanks de vele leuke taken heeft elk werk ook werkzaamheden die minder geliefd zijn.

Bas Koolstra Voorzitter Daniel Tobón Arango Secretaris & Interne Zaken Susanna Teulings Penningmeester Mila Harmelink Commerciële Zaken

section

INTERVIEW

Marc van Houdt Commerciële Zaken & Vicevoorzitter

Marc van Houdt

Mila Harmelink

Bas Koolstra

12

Susanna Teulings

Daniel Tobón Arango

graag bij geweest zouden zijn.’ Wat je daar aan doet?

‘Lastig’, verzuchten ze allen. ‘Geldboetes werken maar tot op zekere hoogte. Mensen erop aanspreken en hopen op meer begrip en bewustwording van hun kant is dan toch het beste wat je kan doen.’

Bas vindt het ook jammer steeds op te moeten boksen tegen het vooroordeel van de luie, bierdrinkende student. Dat de buurman denkt dat een bestuursjaar bij de VSAE alleen maar uitslapen en bier drinken is dat kan gebeuren, maar dat zelfs UvA medewerkers raar opkijken als ze horen dat het bestuur fulltime is heeft hem wel eens doen schrikken. Zeker als je kijkt wie er vooral gebruikmaken van de overwerkpassen voor de avonduren en weekenden, dat zijn toch hoofdzakelijk de studieverenigingen zo vertelt hij. Hij voegt er nog wel aan toe dat dit vooroordeel er over heel veel studenten is en dat het waarschijnlijk ook niet zo snel zal veranderen.

Inmiddels zijn de colleges van het tweede semester begonnen en dat betekent dat ook de oud-bestuursleden teruggekeerd zijn naar rumoerige collegezalen, met vooral weer veel ingewikkelde formules op het bord.

Daniel richt zich het komende halfjaar op het afmaken van zijn bachelor Econometrie en de rest heeft de master Econometrie (weer) opgepakt. Na een jaar niet of nauwelijks geleerd te hebben, is dat toch wel weer even wennen. Sommige statistische eigenschappen en bepaalde afleidingen van schatters blijken toch net iets minder logisch dan dat ze ooit waren, dat wordt dus hard studeren de komende tijd!

Toch richten ze zich vooral op de positieve dingen van college hebben, zo hebben Mila en Marc maar twee dagen college per week en ook de rest is blij met de veel vrijere indeling van de dag die nu mogelijk is. Ondanks dat de meeste colleges dit blok om 9 uur beginnen hebben ze weinig moeite om op tijd op college te zijn, normaal waren ze immers ook gewoon rond een uur of 9 op de VSAE kamer te vinden. Een stukje discipline hebben ze in ieder geval allen meegenomen uit hun bestuursjaar.

De toekomst Natuurlijk weet je niet wat er gaat gebeuren. Relaties, banen in het buitenland, je kan wel tien dingen verzinnen die heel anders gaan lopen dan je zou hopen of verwachten. Toch spreken ze massaal de intentie uit om elkaar veel te blijven zien. Eens per maand een bestuursetentje moet er tijdens de studietijd prima in te houden zijn en er zijn ook al wilde plannen voor een spetterende reünie tijdens het volgende lustrum.

Uiteraard vergeten ze ook het beruchte Oud-Besturen Netwerk Weekendje niet. Het zou ons niet verbazen als deze vijf ooit later in hetzelfde bejaardentehuis terecht komen. De toekomst zal het uitwijzen.

13

INTERVIEW

Terug in de collegebanken

Puzzelpagina Oplossing van de puzzel in Aenorm 81 Zie hieronder voor de antwoorden.

Oplossing: Kerstboom

PUZZEL AENORM 82

Winnaar Aenorm 81

De puzzel van Aenorm 82 is te vinden op de volgende pagina

Olivier Go Gefeliciteerd!

D

P

E

Ka P

O

T

A Sd

S

A

W

S

L

N

T

O

Eb G

C

A

E

L

N

L S

I

A

G

R

A

E

I

M

N

G

P

L

E N

A

D

C

Te O R

N

T

G

A

U

E

E K

puzzEl

N

Rc

I

V

U

P

Og L

L

E

Oh M

V

E

L

X

A

Bf

Z

R

O

A

I

R

K

R

A

Mi S

T

E

X

N

E

Y

Horizontaal

Verticaal

2. c is een ... van f(x) als f(c)=c 4. Een positief of negatief geheel getal 6. Wiskundige bekend van multiplicators en middelwaardestelling 8. Het kopen van deze optie geeft het recht om een onderliggende waarde binnen een periode te kopen tegen een vastgestelde prijs 10. Term voor een nx1 matrix 12. Populaire methode voor lineair programmeren 13. Een echte econometrist schrijft zijn scriptie in ...

14. Getal met hetzelfde aantal letters als zijn naam 15. De bedenker van deze econometrische test zorgt ervoor dat je ‘opnieuw begint’

1.Verdeling vernoemd naar een Frans wiskundige 3. Twee of meer objecten hebben overal dezelfde afstand tot elkaar 5. Een derivaat waarbij een partij een bepaalde kasstroom of risico wisselt tegen dat van een andere partij 7. Een variabele is ... wanneer er een correlatie bestaat tussen deze variabele en de foutterm 9. Houdt zich beroepshalve bezig met het doorrekenen en evalueren van risico’s 10. Dit probleem los je op tijdens een OR-tentamen of voordat je op vakantie gaat.

11. London Interbank Offered Rate

14

Puzzelpagina description puzzle

INZENDINGEN PUZZEL

Op deze pagina is een uitdagende puzzel te vinden. Oplossingengiakunnen auditi doluptam tot en met ad qui 11 comnimi april 2014 llenienimi, worden ingeleverd. Dit kan in de VSAE kamer (E3.25-E3.27), per mail viaconsequas aenorm@vsae.nl ut ducim of perfuga. postDis naar ut de VSAE estio t.a.v. Aenorm puzzel 82, Roetersstraat 11, 1018 WB Amsterdam, blaborem Nederland. senia estis Er zal di ipicipid een winnaar que volorerum worden gekozen uit de correcte ingezonden oplossingen. qui quas maiorum harit exceruptat offictaqui audit magnis dolupta turehene parum exces sumquid quo tem qui sum volores vit et expel mod molore labo.

meer puzzels

Krijg je geen genoeg van de puzzels in de Aenorm. Kijk dan op www.aenorm.nl/puzzels Send your answer tovoor name@aenorm.nl meer puzzelplezier!

Puzzel Aenorm 82: Katastrophion

Puzzle PuzzeL

puzzle

Elke rij, kolom en cluster, inclusief het gedeeltelijk gefragmenteerde paarse cluster and geheel gegfragmenteerde groene cluster moeten nummer 1 tot en met 9 bevatten.

15

Predicting equity markets with social media and online news: using sentimentdriven Markov switching models In this paper Steven Nooijen attempts to capture emotions that influence investor decisions by extracting them from digital media sources like online newswires and social media platforms.

Popularity of Brand Posts on Brand Fan Pages: Effects of Social Media Marketing On social media, firms create brand fan pages, where they can place brand posts (containing videos, messages, quizzes, etc.).

Customers can become fans of these brand fan pages, and subsequently like and/or comment on brand posts. This liking and commenting on brand posts reflects brand post popularity. Lisette De Vries, Sonja Gensler and Peter Leeflang determine possible drivers for brand post popularity. They analyze 355 brand posts from 11 international brands spread across six product categories.

Doorlooptijdverkorting bij het Logistiek Centrum van de KLM The impact of internet piracy on sales and revenues of copyright owners

Predicting equity markets with social media and online news: using sentiment-driven Markov switching models By: Steven nooijen

Introduction There is substantial literature confirming the significance of irrationality on financial markets. One way of measuring this type of investor mood swings or noise trading is through sentiment analysis.Although traditionally published through consumer confidence indices, we provide 4 reasons to focus on sentiment derived from the internet specifically. One, mood analysis from large-scale online data is rapid and cost effective (Mao et al., 2011). Besides, there is no need to question the truthfulness or validity of respondents’ self-reported emotional states like in traditional surveys (Brener et al., 2003). Second, the World Wide Web contains massive amounts of inter-consumer communication that is accessed by everyone (Tirunillai and Tellis, 2012). The sample is thus likely to be larger and more representative. Third, digital media allow us to track the mood of millions in a more timely fashion, as in theory it could be derived every second.

Fourth, social media’s forecast capabilities have already been demonstrated on a variety of socio-economic phenomena, including presidential elections (Tumasjan et al., 2010) and influenza epidemics (Culotta, 2010). However, previous studies often contain conflicting claims on the direction of the relationship between sentiment and stock returns. What they agree on is sentiment’s predictive relation with regard to volatility. For example, Antweiler and Frank (2004) scan messages in internet stock chat rooms for `buy’, `hold’ and `sell’ recommendations and find that message activity does not predict returns, but rather return volatility. Our model is therefore mostly focused on examining the predictive capabilities of digital

17

MSC-LEVEL | econometrics

Well-known scientific assumptions on efficient markets and rational agents have been the base of economic models for years. However, an increasing domain of science nowadays focuses on market irrationality, behavioral biases, and crowd psychology as explanations for what Keynes called `animal spirits’. His understanding that markets are largely driven by spontaneous human behavior rather than mathematical expectations is affirmed by emotions of fear and trust underlying the credit crisis. This paper attempts to capture such emotions that influence investor decisions by extracting them from digital media sources like online newswires and social media platforms.

MSC-LEVEL | econometrics specialty

media on volatility.

This paper distinguishes itself from the existing literature on several fronts. First, the Thomson Reuters MarketPsych Indices (TRMI) we use as our data, are superior both coverage- and time-wise to data seen in other academic work. Coverage-wise, as the TRMI scan 50,000 professional news and 2 million social media sites for content every day. Plus for each of these two types, they monitor 24 different emotions rather than just bipolar positive or negative sentiment. Timewise, as the history includes 15 years of professional news sentiment, and social media data basically since its existence. The TRMI are constructed in such a way, that we can compare the two types of data, and can discover which one holds more information.

A second notable contribution to the sentiment literature is that we examine its forecast ability on both returns and volatility in a two regime context.

For this purpose, sentiment variables are added to the mean and EGARCH volatility specifications of a general Markov switching model as described in Hamilton (1994). This allows us to observe whether sentiment is more predictive in either calm or stressed markets.

Assuming efficient markets, our main hypotheses are that sentiment does not help predict returns nor volatility in any regime. However, in case of significance, we expect to find relations mostly for volatility forecasting. Furthermore, we test the hypothesis that sentiment plays a larger role during stressed high volatility markets compared to tranquil times with low price swings. We suspect this as emotions tend to play a larger role during crisis periods. The sample includes data on the internet bubble, and the Lehman and Euro crises that can be used to this end.

Thirdly, we investigate the validity of the above hypotheses for ten different equity sectors. Earlier work mostly focused on forecasting an industry-wide index like the DJIA or S&P500, but that does not take into account that one sector might be driven more by sentiment than another. As retail investors typically do not own stocks they do not read about, the TRMI could help us identify those industries that are more sensitive to news or social media exposure. In this article we only discuss the Industrial sector results, as these provide a stable example to display the MS-EGARCHX model capabilities. Sentiment has played a larger role in the Financials industry, but the huge industry specific shocks that have occurred in this particular industry lead to exceptional estimation results. A discussion on this can be found in the full version of my thesis.

Model In order to determine the influence of sentiment variables on both mean returns and variances, we extend the standard econometric AR-EGARCH model with sentiment variables in both the mean and volatility specifications, naming the new model an ARX-

EGARCHX. Let rt be the log return of an equity sector at time t. Basic financial time series modeling is about specifying the conditional mean and variance of a log return series rt at time t:

(1) (2) (3)

where p, k and q are non-negative integers. The ARMA(p,q) model is easily extended by adding any exogenous (sentiment) drivers xi,t-1; there are no restrictions on the coefficients in Equation 2.The mean equation removes any linear dependence from the asset return series rt.The order (p,q) of the ARMA time series model depends on ACF and PACF plots of returns and squared returns. Tsay (2005) notes however, that for most return series the serial correlations are weak, if any. For daily series, the more basic AR(p) specification suffices.

To investigate the effect of sentiment variables on volatility, we prefer the exponential GARCH (EGARCH) model proposed by Nelson (1991) over the basic GARCH(m,s) model (Bollerslev, 1986) for two reasons. One, by including exogenous volatility regressors vi,t-1 to a GARCH(1,1) specification, the stationarity conditions >0, 0, 0, and ( + )<1 no longer guarantee positivity.This is because no restrictions are placed on the domain nor estimated coefficients of vi,t-1. An easy way of overcoming this weakness is by taking the exponential like in equation 3.

The conditional variance is now always positive, so we no longer need to take squares or the absolute value of our external sentiment regressors.

The second benefit of an EGARCH specification is that it enables the model to react differently to positive and negative past shocks of , capturing the so called leverage effect. A large negative shock is expected to increase volatility more than a positive shock similar in absolute magnitude.

This joint ARX-EGARCHX model is a well accepted tool for capturing three important characteristics of volatility data: its rather continuous evolution over time, the leverage effect and its persistence.

However, we can add additional flexibility by making the parameters of equation 2 and 3 regime-dependent.

This way we can learn whether sentiment plays a more important role in stressed markets compared to calm periods (Gray, 1996). Suppose therefore that there are two unobserved regimes St at time t, St = {1,2}. Each regime has its own conditional mean , variance , and assumed normal distribution. The state means and variances have the form of respectively Equation 2 and 3, but subscripts are added to each coefficient to allow for different regime behavior. The distribution for a return series rt then combines both regimes in

18

with as the mixing parameter or probability of being in State 1 at time t.The regimes are never actually observed, but conditional on the information set we can distinguish three different probabilities that indicate the likelihood of a regime occurring/having occurred. First, the ex ante probability P(St =1| Ft-1) only depends on the information of time t-1 and is used for forecasting.

Using the realized return at time t we can calculate the filtered regime probability P(St=1| Ft). This is used for calculation of the new ex ante probabilities in the next period t+1. The third probability, the smoothed P(St=1| FT), is calculated recursively afterwards and uses the entire data set. It shows which regime was dominant at each point in time.

To calculate the ex ante state probabilities we need to know the transition or switching probabilities of moving from one regime to the other,

(5) For example, 1-Q is the chance of moving from regime 2 to regime 1. As the regime probabilities are not observed at time t, we use the transition matrix to predict the (ex ante) regime probabilities at time t as follows:

To estimate the single regime EGARCHX and dual regime MS-EGARCHX we use Quasi-Maximum Likelihood. For both models we assume to be i.i.d. normally distributed for ease of estimation. For Markov switching models, the density depends on the current regime. In State 1, an observed return rt is supposed to be drawn from the N( , ) distribution, where in the second case this would be the N( , ) distribution.

The density of rt is thus conditional on the state or regime St:

(9) Following Hamilton (1994) we can next calculate the joint density distribution function of rt and St with Bayesâ&#x20AC;&#x2122; theorem, so

(10) (11) Here, is the ex ante state probability of regime i as the actual state is unobserved at time t. The unconditional density of rt is then found by aggregating over the two states:

(12)

(6)

This is a Hamilton first-order Markov model, which assumes that all information up to Ft-1 is encapsulated in the last state St-1 (Hamilton, 1994). The ex ante probabilities are used for calculating the log-likelihood function. A problem of path-dependence caused by the GARCH coefficient in the volatility equation, is solved by computing at each time step t, the conditional variance summed over both states (Gray, 1996):

(7) in which represent the filtered regime probabilities P(St= i|Ft). The conditional regime variances will depend on it through

(8) and will thus no longer be fully path dependent, while preserving the persistence effect of a GARCH parameter. The residuals are also aggregated over two states by =rt-( + ), so that the standardized residuals become . Note that by making all parameters in both the mean and volatility equations state dependent, we significantly increase the number of parameters to be estimated.

As the Markov switching model in equation 4 has the volatility specification of equation 8, we refer to this final model from here on as the MS-EGARCHX model.

(13) so that the log-likelihood function becomes

(14) Data Description Our data come from the company MarketPsych Data and is provided by Thomson Reuters. The Thomson Reuters MarketPsych Indices (TRMI) are minutely updated sentiment indices that comprise time series of human emotions derived from online media sources.All web content crawled from the internet is screened for its financial relevance, and consequently emotions are extracted that are specific to several financial markets.

The data are quite superior to those used in earlier cited work with respect to the number and variety of sources included, as well as its long history starting in 1998.

The TRMI make a distinction between content derived from news and content derived from social media. This allows us to compare the impact of professional news with the retail investment type of content. For the first category, over 50,000 internet news sites are scraped every day, including leading newswires like The New York Times, The Wall Street Journal, and Financial Times. Less influential news

19

MSC-LEVEL | econometrics specialty

(4)

MSC-LEVEL | econometrics specialty

sources are captured through crawler content from Yahoo! and Google news aggregators. For the sake of brevity we will from here on simply refer to this category as `news’.

The TRMI social media content comes from over 2 million social media sites. Primary sources include StockTwits,Yahoo! Finance, Blogger and other common chat rooms, forums and blogs. The collection starts in 1998 with some small internet forums, but only really kicks off with the rise of large social media platforms in the second half of the previous decade. Although MarketPsych claims to capture the top 30 percent of blogs, microblogs, and other social media sources, a big portion concerning retail consumption mentions is excluded from the equity indices we analyze. The underlying thought is that a forum on how to repair a Dell laptop does not add value to the forecasting power of an emotion time series on technology stocks.

This category `social media’ thus perfectly captures the thoughts of retail investors.

Scraping all sources minutely, the entire content set includes over 2 million new articles and posts every day. Within minutes of publication, any new content is processed into the TRMI feed, after which advanced linguistic software scores the content specific to companies, currencies, commodities and countries.

Basically, the algorithm searches for keywords around the topic mentioned and looks for up and down words in a dictionary. `Terrible’ will yield a negative score, but `terribly good’ should yield a (double) positive score. However, the production of the TRMI involve more advanced algorithms which employ not only grammar, but also machine learning to solve for ambiguities, variation in data sources, and changes in a word’s meaning over time. These advanced linguistic techniques allow the TRMI to score along a number of dimensions including specific emotions and so-called buzz metrics. Buzz is the word MarketPsych uses for message volumes, so that the buzz variable litigations, for example, gives an indication on the amount of discussion on people being fired. In total there are 24 variables available for each equity sector index. A more detailed description on the TRMI can be found in the MarketPsych white paper (Peterson, 2013).

Data Transformations The TRMI daily readings come in every day at 20.30, with the first observations on January 1, 1998 for both the news and social media data type.The last reading in our sample is on June 30, 2013 totaling 5,660 observations.

There are 809 weekends in this 15.5 year time frame, leaving us 4,042 weekdays. Because of a volumes trend break, we use the social media sentiment series from August 2006 onward, when Twitter was launched. This results in a total of 1,804 readings.We apply a couple of transformations to the data.

First, we standardize periods of the data to remove

any structural breaks caused by changes in the data generating process. Second, we remove intra-week seasonality by subtracting its daily average from each observation.This is necessary as for example sentiment seems to structurally depress over the week from Monday to Friday. Third, we substitute all blank fields by carrying the last observation forward. Fourth, we remove an increasing trend in news buzz by dividing buzz by its four week moving average. Thus we look at the relative weights,

(15) This allows us to compare relative buzz values from for example 2013 with 1998. In a last step we multiply the buzzweights with the sentiment observations. This transformation differentiates sentiment associated with large buzz from the same absolute sentiment level caused by just a little buzz. An emotion felt by many (high buzz) is more heavily weighted than the same emotion experienced by only a few people (little buzz).

The relevance of weekend data has been investigated in previous academic work. Pettengill (2003) mentions how a large amount of bad news published over the weekend could be the cause of the `Monday effect’ anomaly. To account for the release of important news over the weekend (China data, EU summits), we include a dummy that is 1 or -1 on Mondays whenever the buzzweighted sentiment of the weekend before is significantly different compared to the prior twelve weekends (a 3 month period):

(16)

In equation 16, and are the 12 week rolling mean and standard deviation. A weekend’s sentiment value xwknd is calculated as the Sunday minus the Friday observation.The dummy is added in both the return and volatility equation of our models. For social media, weekend data might be a little less relevant, because people discuss their private life when there is no trading going on (Peterson, 2013). Next to this weekend dummy, we calculate the 1 day, 1 week, and 4 week changes for each variable:

(17) Observing the three different changes tells us which sentiment trends to look at; short or longer term trends.

As dependent variable we use the MSCI US Equity Sector Indices. Each of these indices represents

20

companies specific to one of ten industries as classified by the Global Industry Classification Standard (GICS).

We create excess returns by subtracting the general MSCI US log return from each individual sector j’s log return:

(18)

This way we make sure that our sentiment series do not simply predict general market moves, but sector specific movements. Specifically, we examine whether specific sector emotions cause the differences in under- or outperformance of that particular sector’s outcome compared to the market. The log returns exhibit some of the statistical properties as described

by Danielsson (2011): excess kurtosis, skewness, nonnormality etcetera.

We compare the Industrial news results of the MSEGARCHX model with its emotionless equivalent and the single regime EGARCHX in Table 1. There is a clear distinction between a low and high volatility regime, most notably characterized by the highly significant constants in the volatility specifications.

Furthermore the regimes are very persistent with transition probabilities P and Q approaching unity.

However within regimes, volatility is less persistent for the low volatility case which is expressed by the GARCH parameter being smaller than . The leverage effect is very much present during high volatile environments, but is not even significant when volatility is low. This result could not have been captured by a single regime model.

The results imply that the TRMI can be helpful in both return and volatility forecasting. This is not only indicated by the t-statistics, but it is also confirmed by an increasing log-likelihood and a decreasing Akaike Information Criterion (AIC). The log-likelihood is demonstrated to be significantly higher by means of a likelihood ratio (LR) test. We find that Markov switching is an improvement upon the single regime model (LR statistic of 72.85) and adding sentiment to it improves the model fit even more (LR statistic of 51.19). Interpretation-wise, we find that predictions of Industrial asset prices made in professional news (marketforecast) actually drive prices upward during high volatile periods. Increasing optimism in professional news is a good indicator of volatility calming down again. More volume of news messages leads to higher volatility in both regimes. Sentiment does not add predictive power for all equity sectors, an overview can be found in my actual thesis.

*signif. codes: ‘***’ 0.001 ‘**’ 0.01 ‘*’ 0.05 ‘.’ 0.1 ‘ ’ 1 Table 1: Comparison of three models for Industrial specific news sentiment. The MS-EGARCH model does not include any sentiment covariates. The log-likelihood and AIC improve with each additional step of model sophistication.

Looking at the smoothed state probability in the lower part of Figure 1, we immediately observe that the regimes are quite persistent. Small volatility spikes have basically blurred into two main periods of heightened market stress. More interesting therefore are the ex ante probabilities shown by the black line in the same graph. Periods in which the ex ante probability exceeded 0.5 are shaded gray.We see that the probability of being in the high volatility regime gradually builds up in the years before the Financial crisis, but remains rather volatile itself. Therefore it is hard to say whether the statistic was a good predictor of 2008’s steep market decline. For the Financials sector a very sudden regime switch occurs at the end of 2007, before the long market decline. Again, it might not have predicted the crisis in time, but it was definitely indicating upcoming trouble.

To truly determine the additional predictive power induced by regime switching and external sentiment variables, we compare each model in a series of outof-sample tests. We exclude the last 2,5 years and reestimate the models in-sample. The remaining data, starting on January 2011, contains 650 observations and includes the Euro zone debt problems as a possible high volatility environment. We test each model’s forecast ability on two fronts. Return prediction is tested with the mean squared error (MSE), mean absolute error (MAE) and hit ratio (HR). The latter statistic indicates how often our directional prediction matches the direction of the true market movement.

Sadly the first two statistics are very comparable among each model and the hit ratio is below 50% for all five (see Table 2).

21

MSC-LEVEL | econometrics specialty

Results

is replaced by ; the variance in each regime is no longer time varying. Across the other sectors the dual regime models also perform better, but the results of Financials suffer from the Euro crisis.

MSC-LEVEL | econometrics specialty

*signif. codes: ‘***’ 0.001 ‘**’ 0.01 ‘*’ 0.05 ‘.’ 0.1 ‘ ’ 1 Out-of-sample test results for news sentiment for the last 2.5 years of Industrial excess returns. All models have poor return forecast capabilities, but the Value at Risk predictions perform better for the Markov switching models compared to the single regime models.

The unconditional coverage rate is tested by b0, while the independence hypothesis is tested by b1.

Figure 1: All three panels contain outcomes of the MS-EGARCHX model driven by Industrial specific news sentiment. The shaded areas indicate time periods in which the ex ante probability of being in the high volatility regime was greater than 0.5. The ex ante probability itself is shown in the bottom panel, together with its smoothed counterpart (the thick red line). The model’s conditional volatility is shown in the middle.

This means that adding sentiment and regime switching capabilities does not help in forecasting returns, even though we found significant sentiment regressors in the mean equation of high volatility periods. This result however does not come as a surprise since most of the extra model complexity focuses on forecasting timevarying volatility rather than returns.

Therefore, the second set of backtests comprise Value at Risk (VaR) statistics. In computing the 1% and 5% forecast Value at Risk, we suppose that the standardized residuals of our models are Student-t distributed to allow for fat tails.Two hypotheses should not be violated. The unconditional coverage hypothesis firstly tests whether the probability of an ex-post loss exceeding the VaR forecast matches the theoretical coverage rate of 1% or 5%. If this is rejected, the model is either systematically under- or overestimating risk.

Second, the independence hypothesis tests whether VaR exceedances are independently distributed rather than clustered. Both can be tested simultaneously with the Engle-Manganelli test (Engle and Manganelli, 2004). Judging from the bottom rows of Table 2 the single regime models highly reject the independence hypothesis at the 1% VaR level. This hypothesis is not rejected at the 5% significance level for the three Markov switching models, indicating that they provide better risk forecasts. The MS-constant variances model has the same log-likelihood as in Equation 14 but

The social media data has less predictive power for both returns and volatility. Overall the data is more wiggly, possibly indicating that relationships have not stabilized yet. Without doubt, the ways in which digital media are written, distributed and read have changed significantly over time. Also, the social media sample is a little short to properly estimate the sophisticated Markov switching models. On top of that, the sample starting late 2006 is largely dominated by financial crises. We see this in the estimates for the Financials sector, which assumes the high volatility regime for the entire period between the housing bubble and early 2013. Simply said there are too few observations to properly estimate the low volatility regime’s parameters as there was no such a regime for Financial equity. This results in high standard errors, making it hard to infer the parameters’ true values. Although two states can provide additional insights over a single-regime model, proper MS-EGARCHX model estimation requires a lot of observations. Future research could therefore focus on applying a different technique to maximize the forecast potential of social media sentiment.

Conclusion This paper examined the predictive capabilities of online investor sentiment on both returns and volatility of various equity markets. For this purpose, exogenous variables are added to the mean and EGARCH volatility specifications of a Markov Switching model. We find that the Thomson Reuters MarketPsych Indices (TRMI) derived from equity specific digital news are overall better indicators of future market returns and volatility than similar sentiment from social media. In the two regime context, there is only weak evidence supporting the hypothesis of emotions playing a more important role during stressed markets compared to calm periods.

However, we do find differences in sentiment sensitivity between different industries. The TRMI were the most

22

Brener, N. D., Billy, J. O. G., and Grady, W. R. (2003).

Assessment of factors affecting the validity of selfreported health-risk behavior among adolescents: evidence from the scientic literature. Journal of Adolescent Health, 33:436-457.

Culotta, A. (2010). Towards detecting influenza epidemics by analyzing twitter messages. 1st Workshop on Social Media Analytics (SOMA).

Danielsson, J. (2011). Financial risk forecasting: the theory and practice of forecasting market risk, with implementation in R and Matlab. (Wiley, ISBN 9780470669433).

About the author

Engle, R. F. and Manganelli, S. (2004). CAViaR: conditional autoregressive Value-at-Risk by regression quantiles.

Journal of Business and Economic Statistics, 22:367-381.

Steven Nooijen Steven is graduated in Financial Econometrics. His thesis was part of a project at ING Investment Management, they now use signals from this data in their investment decisions. He will continue in the (big) data sector at Accenture after his trip through Middle-America.

He has also been project leader at the Intreeweek, did a minor real estate at the National University of Singapore and worked part-time at Zanders.

Gray, S. F. (1996). Modeling the conditional distribution of interest rates as a regime-switching process. Journal of Financial Economics, 42:27-62.

Mao, H., Counts, S., and Bollen, J. (2011). Predicting financial markets: comparing survey, news, Twitter and search engine data. arXiv:1112.105[v].

Nelson, D. B. (1991). Conditional heteroskedasticity in asset returns: a new approach. Econometrica, 59:347370.

predictive for Financials, whereas the Energy and Information Technology sectors were hardly affected by sentiment. Industry-wide we find that volatility is better predictable than returns. This is confirmed by out-ofsample Value at Risk (VaR) statistics that improve when adding the TRMI as regressors.

References Antweiler, W. and Frank, M. Z. (2004). Is all that talk just noise? The information content of Internet stock message boards. The Journal of Finance, 59(3):1259-1294.

Bollen, J., Mao, H., and Zeng, X. (2011). Twitter mood predicts the stock market. Journal of Computational Science, 2:1-8.

Bollerslev, T. (1986). Generalized autoregressive conditional heteroskedasticity. Journal of Econometrics, 31:307-327.

Peterson, R. L. (2013). Thomson Reuters MarketPsych Indices (TRMI) white paper. Draft of Februari 22, 2013.

Pettengill, G. N. (2003). A survey of the Monday effect literature. Quarterly Journal of Business and Economics, 42:3-28.

Tirunillai, S. and Tellis, G. J. (2012). Does chatter really matter? Dynamics of user-generated content and stock performance. Marketing Science, 31(2):198-215.

Tsay, R. S. (2005). Analysis of financial time series. (Wiley, ISBN 9780471690740).

Tumasjan, A., Sprenger, T. O., Sandner, P. G., and Welpe, I. M. (2010). Predicting elections with Twitter: what 140 characters reveal about political sentiment. AAAI Conference on Weblogs and Social Media (ICWSM), 4:178185.

23

MSC-LEVEL | | specialty econometrics MSC-LEVEL

Hamilton, J. D. (1994). Time series analysis. (Princeton University Press, ISBN 9780691042893).

Popularity of Brand Posts on Brand Fan Pages: Effects of Social Media Marketing On social media, firms create brand fan pages, where they can place brand posts (containing videos, messages, quizzes, etc.). Customers can become fans of these brand fan pages, and subsequently like and/or comment on brand posts. This liking and commenting on brand posts reflects brand post popularity. We determine possible drivers for brand post popularity. We analyze 355 brand posts from 11 international brands spread across six product categories.

By: lisette de vries, sonja gensler and Peter S.H. Leeflang

MSC-LEVEL | ECONOMICS

Introduction

This is a summarized version of the full article: de Vries, Lisette; Gensler, Sonja; Leeflang, Peter S.H., 2012. Popularity of Brand Posts on Brand Fan Pages: An Investigation of the Effects of Social Media Marketing. Journal of Interactive Marketing, 2012, Vol.26(2), pp.83-91

In 2011, more than 50% of social media users follow brands on social media (Van Belleghem, Eenhuizen, and Veris 2011) and companies are increasingly investing in social media, indicated by worldwide marketing spending on social networking sites of about $4.3 billion (Williamson 2011). Managers invest in social media to foster relationships and interact with customers.

One way to realize this aim is to create brand communities in the form of brand fan pages on social networking sites where customers can interact with a company by liking or commenting on brand posts. Consumers who become fans of these brand fan pages tend to be loyal and committed to the company, and are more open to receiving information about the brand (Bagozzi & Dholakia, 2006). Moreover, brand fans tend to visit the store more, generate more positive word-of-mouth, and are more emotionally attached to the brand than non-brand fans (Dholakia & Durham, 2010).

While preliminary research has been conducted on the success of marketing activities on social media, little is known about factors that influence brand post popularity, that is, the number of likes and comments on brand posts at brand fan pages (Shankar & Batra, 2009). Managementoriented studies about brand post popularity are mainly descriptive; they provide no theoretical foundation and do not formally test which activities actually improve brand post popularity. For example, these studies suggest that companies should experiment with different brand post characteristics, such as videos, images, text, or questions (e.g., Keath et al., 2011). Current insights are thus limited, and hence the aim of this research is to empirically investigate which factors drive brand post popularity.

Conceptual Framework and Hypotheses To find the determinants affecting brand post popularity (i.e., likes and comments on brand posts), we use research on the effectiveness of banner

24

ad (Drèze & Hussherr, 2003; Rutz & Trusov, 2011).

Furthermore, prior exposure to banners has a positive effect on the clicking probability because an additional exposure to a banner increases the probability the banner will be noticed (Chatterjee, Hoffman, & Novak, 2003). Brand posts are located in the middle of the fan page (unlike banners not on the periphery) with the most recent ones on top of the fan page and older brand posts farther down on the fan page. If companies often create new brand posts, less recent ones shift down quickly and become less noticeable thus receiving less attention than brand posts that are located on top of the fan page. We therefore propose: H5: Position of a brand post on top of the fan page is positively related to brand post popularity.

Brand fans can comment positively, neutral, or negatively on brand posts. Research shows that consumers’ online discussions about positive product or brand experiences can generate empathy and positive feelings among readers (Bickart & Schindler, 2001) positively affecting value perceptions of a product (Gruen, Osmonbekov, & Czaplewski, 2006). Positive comments on a brand post might have complementary value to the company’s brand post (Bronner & de Hoog, 2010) and increase the attractiveness of the brand post.

Also, the positive comments of brand fans can enhance the value of the brand post and create empathy among brand fans. Thus: H6a: The share of positive comments on a brand post is positively related to brand post popularity.

However, brand fans can also comment negatively on a brand post. Much negative information appears to produce a negative effect on attitude toward the ad and the brand (Eisend, 2006; Smith & Vogt, 1995). Negative comments to a brand post are likely to decrease the attractiveness of the brand post. Consequently, brand fans will have a lower attitude toward this brand post and hence like it less. Also, brand fans might follow the mass and do not want to press the like button if their peer brand fans comment negatively, i.e., dislike the brand post. We propose: H6b: The share of negative comments on a brand post is negatively related to the number of likes on that brand post.

Moreover, research shows that when opinions on a website are very negative, consumers will adapt their opinion downwards (Schlosser, 2005). For brand posts this effect may also occur; when brand fans comment on a brand post they might negatively adapt their comment if they read negative comments, because they want to conform to others’ opinions. But, brand fans who disagree with these negative comments might rebut these by providing positive comments (e.g., Moe & Trusov, 2011). People tend to differentiate their opinions and hence post multiple perspectives (e.g., Schlosser, 2005). So, negative comments might not only lead to more negative comments (conformation), but also to more positive comments (differentiation).

Therefore, we propose:

25

MSC-LEVEL | ECONOMICS

advertising because firms want people to click on both banners and brand posts. Factors that compel people to click on a banner may also be applicable to how people interact with brand posts. Banners and brand posts need special characteristics or features that make them salient from the background and capture customers’ attention (Fennis & Stroebe, 2010).

One way of enhancing the salience of brand posts is to include vivid brand post characteristics. Vividness reflects the extent to which a brand post stimulates the different senses (Steuer, 1992) that can be achieved by the inclusion of dynamic animations or pictures (e.g., Goldfarb & Tucker, 2011). Research shows that highly vivid banners are more effective with respect to intention to click (Cho, 1999) and click-through rates (Lohtia, Donthu, & Hershberger, 2003) with higher degrees of vividness being most effective at enhancing attitudes toward a website (Fortin & Dholakia, 2005).

We propose that more vivid brand posts lead to a more positive attitude toward the brand post, which should then compel brand fans to like or comment on a brand post. Thus: H1: The higher the level of vividness of a brand post, the more popular the brand post.

Another way of enhancing the salience of a brand post is interactivity. Interactivity is characterized by two-way communication between companies and customers, as well as between customers themselves (e.g., Hoffman & Novak, 1996). Brand post characteristics differ in the degree of interactivity; a brand post with only text is not at all interactive, while a link to a website is more interactive since brand fans can click on that link (Fortin & Dholakia, 2005). Since the objective of brand posts is to motivate brand fans to react (i.e., liking and/ or commenting), we expect that higher degrees of interactivity will generate more likes and comments.

We propose the following hypothesis: H2: The higher the level of interactivity of a brand post, the more popular the brand post.

Information- and entertainment-seeking are important reasons for people to use social networking sites (e.g., Cheung, Chiu, & Lee, 2011; Lin & Lu, 2011). Furthermore, the pursuit of information and entertainment explain why people engage in brandrelated activities on social media (Muntinga, Moorman, & Smit, 2011). Hence, if a brand post contains information about the brand or product or is entertaining, then the brand fans’ motivations to participate or engage in activities are met, which leads to more positive attitudes toward these brand posts, thus leading to higher popularity. We propose: H3: Informative brand posts are more popular than noninformative brand posts.

H4: Entertaining brand posts are more popular than nonentertaining brand posts.

Advertising and search advertising research show that the position of an ad on a website, for example on top, has a positive effect on attention paid to the

H6c: The share of negative comments on a brand post is positively related to the number of comments on that brand post.

The hypotheses are summarized in the conceptual framework in Figure 1. We also control for some variables.

MSC-LEVEL | ECONOMICS

Data & Method We empirically investigated nine months of data for eleven international brands that were actively posting content at their brand fan pages on a social networking site.The brands are from six different product categories: cosmetics, alcoholic beverages, mobile phones, leisure wear, accessories, and food. We manually gathered the number of likes and comments on a brand post, as well as the valence of the comments and other brand post characteristics of 355 brand posts.

The average number of brand fans was 337,500 per brand (SD = 168,103); the number of brand posts taken into account in this research was, on average, 32.27 per brand (SD = 7.10); the average number of likes per brand post was 189.26 (SD = 193.10), and the average number of comments per brand post was 42.26 (SD = 57.96). Companies use different tools to stimulate brand fans to like or comment; about 50% of the brand posts contain vivid characteristics, about 75% of the brand posts contain interactive characteristics.

The relative shares of neutral, positive, and negative comments are 0.3, 0.48, and 0.11 respectively. The two dependent variables for brand post popularity are y1 = number of likes and y2= number of comments, which are count data with a Poisson distribution (Cameron & Trivedi, 2005). The model to explain the number of likes and the number of comments can be expressed as:

Where yij is y1j or y2j; the number of likes per brand post j or the number of comments per brand post j, respectively, vividfj indicates whether vivid characteristic f at brand post j is present, iagj indicates whether interactive characteristic g at brand post j is present, infoj indicates whether brand post j is informative, entertainj indicates whether brand post j is entertaining, positionj indicates the position of the brand post, posj indicates the share of positive comments on brand post j, negj indicates the share of negative comments on brand post j, weekdj is a dummy variable if the brand post j is placed during weekdays, textj indicates the number of words at the brand post j, pcb indicates product category b, ij is 1j or 2j; normally distributed error terms for dependent variable y1j and y2j respectively.

We transformed zeros in the dependent (i.e., the number of comments) and independent count variables (i.e., ‘position’ and ‘text’) into 0.00001. We conducted OLS regressions by taking the natural logarithm of the dependent variables, as well as of the independent count variables.

Results The results are shown in Table 1. The number of likes and comments have clearly different determinants.

We do not discuss the results in detail, but provide managerial implications in the next section.

(1)

26

Table 1: Estimation Results for Brand Post Popularity1

Managerial Implications

References Bagozzi, R. P., & Dholakia, U. M. (2006). Antecedents and Purchase Consequences of Customer Participation in Small Group Brand Communities. International Journal of Research in Marketing, 23(1), 45-61

Bickart, B., & Schindler, R. M. (2001). Internet Forums as Influential Sources of Consumer Information. Journal of Interactive Marketing, 15(3), 31-40 Bronner, F., & de Hoog, R. (2010). Consumer-Generated versus Marketer-Generated Websites in Consumer Decision Making. International Journal of Market Research, 52(2), 231-248 Cameron, A. C. & Trivedi, P.K. (2005). Microeconometrics: Methods and Applications. New York, USA: Cambridge University Press Chatterjee, P., Hoffman, D. L., & Novak, T. P. (2003).

Modeling the Clickstream: Implications for Web-Based Advertising Efforts. Marketing Science, 22(4), 520-541 Cheung, C. M. K., Chiu, P., & Lee, M. K. O. (2011). Online Social Networks: Why Do Students Use Facebook?

Computers in Human Behavior, 27(4), 1337-1343 Cho, C. (1999). How Advertising Works on the WWW: Modified Elaboration Likelihood Model. Journal of Current Issues & Research in Advertising, 21(1), 33 Dholakia, U. M., & Durham, E. (2010). One CafĂŠ Chainâ&#x20AC;&#x2122;s Facebook Experiment. Harvard Business Review, 88(3), 26 Drèze, X., & Hussherr, F.X. (2003). Internet Advertising: Is Anybody Watching? Journal of Interactive Marketing, 17(4), 8-23 Eisend, M. (2006). Two-Sided Advertising: A MetaAnalysis. International Journal of Research in Marketing,

1: We report unstandardized coefficients. Parameter estimates with same superscripts are not significantly different from each other. Bold figures: p-value < 0.05, Italic figures: p-value < 0.10.

27

MSC-LEVEL | ECONOMICS

Managers of brands that operate brand fan pages can be guided by our research with regards to deciding which characteristics or content to place at brand posts. When managers aim to enhance the number of likes, they can place a highly vivid or a medium interactive brand post characteristics such as a video or a contest. The longer a brand post remains at the top of the brand fan page increases the number of likes.

Our results indicate that brand fans are influenced by each other: the share of positive comments to a brand post enhances the attractiveness of the brand post that may in turn lead to an increasing number of likes.

Managers who specifically want to enhance the number of comments should post a highly interactive brand post characteristic, such as a question. This result is intuitive because answering a question is only possible by placing a comment. It is beneficial for the number of comments to keep the brand post longer at the top of the brand fan page. Finally, compared to neutral comments, both shares of positive and negative comments are positively related to the number of comments. Probably positive and negative comments enhance a general interest in the brand post, which leads to more commenting.

For managers this is an important finding because it indicates that negative comments are not necessarily bad. Brand fans may feel to be part of the community because they engage in a vivid discussion with both positive and negative arguments.

23(2), 187-198 Fennis, B.M. & Stroebe, W. (2010). The Psychology of Advertising. Hove and New York: Psychology Press Fortin, D. R., & Dholakia, R. R. (2005). Interactivity and Vividness Effects on Social Presence and Involvement with a Web-Based Advertisement. Journal of Business Research, 58(3), 387-396 Goldfarb, A., & Tucker, C. (2011). Online Display Advertising: Targeting and Obtrusiveness. Marketing Science, 30(3), 389-404

About the author

Gruen, T. W., Osmonbekov, T., & Czaplewski, A. J. (2006). eWOM: The Impact of Customer-to-Customer Online Know-How Exchange on Customer Value and Loyalty.

Journal of Business Research, 59(4), 449-456

Lisette de Vries Lisette de Vries is a PhD student at the Department of Marketing (University of Groningen) since September 2010 and expects to finish in September 2014. The topic of Lisetteâ&#x20AC;&#x2122;s dissertation is social media marketing. In August 2010 she finished the Research Master in Economics and Business, profile Marketing. She also holds an MScBA in Marketing Research (cum laude)..

Hoffman, D. L., & Novak, T. P. (1996). Marketing in Hypermedia Computer-Mediated Environments: Conceptual Foundations. Journal of Marketing, 60(3), 50

MSC-LEVEL | ECONOMICS

Keath, J., Kistner, J., Mirman, E., & Levy, J. (2011).

Facebook Page Marketing. HubSpot. Retrieved 24-022011 from http://www.hubspot.com/Portals/53/docs/ ebooks/facebook%20page%20ebook2011.pdf Lin, K., & Lu, H. (2011). Why People use Social Networking Sites: An Empirical Study Integrating Network Externalities and Motivation Theory.

Computers in Human Behavior, 27(3), 1152-1161 Lohtia, R., Donthu, N., & Hershberger, E. K. (2003). The Impact of Content and Design Elements on Banner Advertising Click-Through Rates. Journal of Advertising Research, 43(4), 410-418 Moe, W. W., & Trusov, M. (2011). The Value of Social Dynamics in Online Product Ratings Forums. Journal of Marketing Research, 48(3), 444-456 Muntinga, D. G., Moorman, M., & Smit, E. G. (2011).

Introducing COBRAs: Exploring Motivations for Brand-Related Social Media Use. International Journal of Advertising: The Quarterly Review of Marketing Communications, 30(1), 13-46 Rutz, O. J., & Trusov, M. (2011). Zooming In on Paid Search Ads--A Consumer-Level Model Calibrated on Aggregated Data. Marketing Science, 30(5), 789-800 Schlosser , A. E. (2005). Posting versus Lurking: Communicating in a Multiple Audience Context. Journal of Consumer Research, 32(2), 260-265

Shankar,V., & Batra, R. (2009). The Growing Influence of Online Marketing Communications. Journal of Interactive Marketing, 23(4), 285-287 Smith, R. E., & Vogt, C. A. (1995). The Effects of Integrating Advertising and Negative Word-of-Mouth Communications on Message Processing and Response.

Journal of Consumer Psychology, 4(2), 133 Steuer, J. (1992). Defining Virtual Reality: Dimensions Determining Telepresence. Journal of Communication, 42(4), 73-93 Van Belleghem, S., Eenhuizen, M., & Veris, E. (2011). Social Media Around the World 2011. InSites Consulting.

Retrieved 18-11-2011 from http://www.slideshare.net/ stevenvanbelleghem/social-media-around-the-world2011?lead=394fd930572c9b62fb082021af5a6d092204 6ec4.

Williamson, D.A. (2011). Worldwide Social Network Ad Spending: A Rising Tide. eMarketer.com. Retrieved 26-02-2011 from http://www.emarketer.com/Report. aspx?code=emarketer_2000692.

28

Doorlooptijdverkorting bij het Logistiek Centrum van de KLM Naast het vervoeren van vracht en passagiers is één van de kerntaken van de Koninklijke Luchtvaart Maatschappij (KLM) de reparatie van vliegtuigen en vliegtuigonderdelen. Binnen de KLM is de afdeling Engineering & Maintenance (E&M) verantwoordelijk voor deze taak.

door: Bram de vries

E&M bevat subafdelingen die zich bezighouden met de verschillende stappen in het genoemde reparatieproces. Zo is er de unit Logistiek, die verantwoordelijk is voor de logistieke verwerking van onderdelen die gerepareerd dienen te worden, of dit juist al zijn. De unit Logistiek opereert vanuit het Logistiek Centrum (LC). De KLM repareert naast haar eigen onderdelen ook onderdelen voor andere luchtvaartmaatschappijen en schakelt daarnaast externe partijen in voor reparaties van onderdelen waar de KLM zelf niet de capaciteit voor beschikbaar heeft.

Al met al zijn er veel verschillende routes te bedenken die bewandeld kunnen worden door een onderdeel dat gerepareerd moet worden. In dit rapport zal een deel van deze routes centraal staan. Het gaat hierbij ten eerste om onderdelen die door externe partijen gerepareerd zijn en terugkomen bij de KLM. Daarnaast gaat het om onderdelen die de KLM door externe partijen laat repareren. Binnen deze onderdelen is een onderscheid te maken tussen onderdelen die na reparatie de voorraad van de KLM ingaan en onderdelen die teruggaan naar de klant (een andere luchtvaartmaatschappij). In het vervolg zullen de onderdelen bij deze stromen respectievelijk Inbound, Outbound en CLA onderdelen genoemd worden, waarbij CLA een afkorting is voor Closed Loop Amsterdam.

Binnen het LC zijn er zelfstandige afdelingen die zich elk met één van deze stromen bezig houden.

Motivatie De motivatie van het bij dit rapport horende onderzoek lag in een te analyseren verbetering op het logistieke proces dat hoort bij de reparatie van de Inbound, Outbound en CLA onderdelen. Deze onderdelen worden namelijk in het Logistiek Centrum nader geïnspecteerd voordat ze naar hun volgende bestemming getransporteerd kunnen worden. Hierbij worden de onderdelen administratief in de verschillende gebruikte softwarepakketten verwerkt. Daarnaast worden de onderdelen fysiek geïnspecteerd om na te gaan of men wel met het juiste onderdeel te maken heeft.

Binnen de huidige werkwijze van de unit Logistiek worden beide acties pas uitgevoerd wanneer het onderdeel fysiek aangekomen is bij het LC. Er wordt echter gekeken of het rendabel is om de administratieve verwerking van de onderdelen uit te voeren terwijl deze onderweg zijn naar het LC. Dit zou ertoe moeten leiden dat de onderdelen bij aankomst alleen nog

30

MSC-LEVEL | specialty

MSC-LEVEL || operational bSC-LEVEL specialty research

Inleiding

Het doel van het bij dit rapport horende onderzoek is geweest om het effect van de invoer van Pre Alerts op de doorlooptijd van het logistieke proces binnen het LC kwantitatief te analyseren. Hierbij is aangenomen dat aan de eerste twee van de bovenstaande voorwaarden voldaan is. Er is daarnaast onderzocht of de huidige capaciteit binnen het LC voldoende is om de Pre Alerts op tijd te verwerken.

Voorbereiding Om het voorgestelde gebruik van Pre Alerts te kunnen analyseren, is er gekozen om gebruik te maken van simulatie. Dit omdat bepaalde aspecten van de processen binnen het LC te complex zijn om te behandelen met exacte wachtrijmodellen. Het belangrijkste punt dat niet in een wachtrijmodel meegenomen kan worden is het feit dat de verwerking van een onderdeel in de nieuwe situatie (met Pre Alerts) in twee delen wordt opgesplitst in vergelijking met de verwerking in de oude situatie (zonder Pre Alerts). In de nieuwe situatie wordt de Pre Alert van een onderdeel verwerkt en op een later moment wordt het onderdeel fysiek geïnspecteerd. Het feit dat deze twee acties niet per definitie direct na elkaar uitgevoerd hoeven te worden is te complex om te kunnen analyseren met behulp van wachtrijmodellen.

Er is dus gebruik gemaakt van simulatie om het gebruik van Pre Alerts bij het LC te kunnen analyseren.

De software die is gebruikt is Enterprise Dynamics, oftewel ED. Voordat er aan een model begonnen kon worden, moesten de benodigde gegevens verzameld

worden. Het gaat hierbij om: • Een kansverdeling voor de aankomstintensiteit van het proces. Dit is hoeveel onderdelen er per tijdseenheid het proces binnenkomen.

• Een kansverdeling voor de verwerkingstijd per onderdeel per afdeling.

• Het aantal medewerkers dat gemiddeld per afdeling aanwezig is.

De KLM beschikt over gegevens met betrekking tot hoeveel onderdelen er wekelijks bij de verschillende afdelingen van het LC aankomen. Meerdere onderdelen komen tegelijk aan, omdat ze groepsgewijs getransporteerd worden. Er zijn Chi-kwadraat testen uitgevoerd om te bepalen of de aankomstintensiteiten van deze groepen de gebruikelijke Poisson verdeling volgen en dit is het geval gebleken. Daarnaast is er een kansverdeling gevonden voor de grootte van deze groepen. Ook beschikt de KLM over roosters voor de verschillende afdelingen. Hieruit is bepaald hoeveel medewerkers er gemiddeld op een afdeling aanwezig zijn. De KLM houdt niet bij hoe lang medewerkers met de verwerking van de onderdelen bezig zijn. Voor dit onderzoek moest dat dus gemeten worden. Op basis van deze metingen zijn met behulp van een ingebouwde toepassing van ED bepaald welke kansverdelingen deze verwerkingstijden per afdeling volgen. Met deze gegevens paraat kon er begonnen worden met het bouwen van simulatiemodellen om de invoer van Pre Alerts te analyseren.

Simulatiemodellen en resultaten Om te kunnen analyseren of de voorgestelde verbeteringen op de processen binnen het LC effect hebben, moet geverifieerd kunnen worden of de gebruikte simulatiemodellen deze processen goed weergeven. Er zijn dan ook voor de verschillende afdelingen modellen gemaakt die de oude situatie binnen het LC weergeven. Dit om te onderzoeken of deze modellen op basis van de gevonden gegevens resultaten opleveren die overeenkomen met de werkelijkheid. Hierbij is uiteraard gekeken naar de doorlooptijden van de onderdelen binnen het LC, oftewel de tijd dat een onderdeel bij de desbetreffende afdeling wacht gecombineerd met de tijd dat een onderdeel behandeld wordt. De KLM houdt gegevens bij met betrekking tot deze doorlooptijden en in de simulatiemodellen kunnen deze tijden ook gemeten worden. Een vergelijking tussen gemiddelden van deze tijden moest uitwijzen of de simulatiemodellen de gewenste resultaten opleveren.

31

MSC-LEVEL || operational specialty bSC-LEVEL research

MSC-LEVEL | specialty

maar fysiek bekeken hoeven te worden. In theorie leidt dit uiteraard tot een kortere verblijftijd van de onderdelen in het LC. Dit zou de KLM in staat stellen om een lagere voorraad aan te houden en het logistieke proces rondom de reparatie van vliegtuigonderdelen significant overzichtelijker te maken. Centraal in dit plan staat dus de vervroegde aanvoer van de gegevens die nodig zijn voor de genoemde administratieve verwerking van de onderdelen. De KLM wil opsturende partijen verzoeken om deze gegevens aan te leveren op het moment dat de onderdelen naar het LC op weg gaan. Dit zou moeten gebeuren op basis van Pre Alerts (e-mails naar de KLM met daarin de benodigde gegevens). De besproken verbetering op het logistieke proces binnen het LC kan dus alleen gerealiseerd worden onder de volgende voorwaarden: • De opsturende partijen gaan akkoord met het verzoek om Pre Alerts aan te gaan leveren.

• De Pre Alerts die worden opgestuurd bevatten correcte gegevens over de bijbehorende onderdelen.

• Er is bij de betrokken afdelingen genoeg capaciteit aanwezig om (een groot deel van) de Pre Alerts te behandelen voordat de bijbehorende onderdelen aankomen.

De gebruikte modellen bestaan uit elementen die de verschillende aspecten van de processen binnen het LC dienen voor te stellen. In de modellen komen groepen onderdelen volgens de gevonden Poisson verdeling aan en worden deze groepen volgens de juiste kansverdeling opgesplitst in losse onderdelen.

Deze onderdelen komen vervolgens in een wachtrij terecht, waaruit ze op het eerst mogelijke moment door een beschikbare medewerker verwerkt worden.

Deze medewerkers zijn ook elementen van het model en verwerken onderdelen op basis van een rooster dat overeenkomt met pauzetijden binnen het LC en rekening houdt met het feit dat het LC â&#x20AC;&#x2122;s nachts gesloten is. Het is gebleken dat deze modellen op basis van de verkregen gegevens een onderschatting van de werkelijke doorlooptijden binnen het LC opleveren.

Omdat er relatief weinig tijd beschikbaar was om de verwerkingstijden per onderdeel te meten, is er besloten om deze in de modellen iets op te hogen. Na deze ophogingen zijn er voor de oude situatie modellen gevonden die realistische doorlooptijden produceren.

Een vergelijking tussen de werkelijke en gesimuleerde doorlooptijden is te vinden in de onderstaande tabel.

Tabel 1: Doorlooptijden per afdeling

Nadat duidelijk was dat de gebruikte modellen de gewenste resultaten opleveren, is er begonnen met het aanpassen van deze modellen om het gebruik van Pre Alerts te accommoderen. Dit is gedaan door de modellen een kopie te laten maken van elk onderdeel.

Deze kopie stelt de Pre Alert voor die elk aankomend onderdeel voorafgaat.Vervolgens is er ingesteld dat een onderdeel pas geĂŻnspecteerd kan worden wanneer de bijbehorende Pre Alert door een medewerker van het LC verwerkt is. Om dit te realiseren zijn er uiteraard ook verwerkingstijden vastgesteld voor de Pre Alerts en de inspecties. Dit is net als eerder gedaan met behulp van metingen in het LC. Daarnaast zorgen de

modellen ervoor dat onderdelen pas een paar dagen na de Pre Alerts het LC betreden. Dit om na te bootsen dat onderdelen in de realiteit ook nog een tijd onderweg zijn terwijl de Pre Alert al bij de KLM aangekomen is.

Dit is het aspect van de voorgestelde verbeteringen dat ervoor moet zorgen dat er tijdwinst in de doorlooptijden behaald wordt. Met deze aanpassingen is het mogelijk gebleken om de verwachte tijdwinst van deze verbeteringen te meten. Bovenstaand is een screenshot te vinden van het gebruikte model voor deze situatie.

Een opmerking die gemaakt moet worden met betrekking tot de invoering van Pre Alerts gaat over het feit dat de werkdruk voor de medewerkers van het LC er niet per definitie door verandert. De administratie en inspectie van alle aankomende onderdelen moet nog steeds uitgevoerd worden. De winst wordt behaald door het feit dat de administratie gedaan kan worden voordat de onderdelen er zijn. De vraag die hier naar voren komt is of er wel genoeg medewerkers in het LC aanwezig zijn om de aankomende Pre Alerts op tijd op te vangen. De gebruikte simulatiemodellen kunnen deze vraag beantwoorden, omdat deze onderscheid maken tussen onderdelen die behandeld worden wanneer de Pre Alert wel, of juist niet uitgevoerd is. Bovendien worden de Pre Alerts tegelijk met de inspectie gedaan in de modellen, mocht dit nog niet eerder zijn gebeurd.

Er is vervolgens een percentage vastgesteld dat aangeeft hoeveel van de Pre Alerts niet van tevoren behandeld kon worden tijdens de simulaties. Uit de simulaties zijn de volgende percentages naar voren gekomen:

Tabel 2: Percentages Pre Alerts te laat per afdeling

Uit deze percentages blijkt dat heel veel Pre Alerts op tijd verwerkt kunnen worden. Hieruit volgt de verwachting dat de doorlooptijd van de onderdelen in het LC significant verkort kan worden door het gebruik van deze Pre Alerts. Dit is uit de simulaties ook gebleken. De onderstaande tabel laat de tijdwinst zien

32

MSC-LEVEL | specialty

MSC-LEVEL || operational bSC-LEVEL specialty research

Figuur 1: Het gebruikte simulatiemodel

van het M/M/2 model zorgen hoogstwaarschijnlijk voor de lage doorlooptijd die dit model oplevert. Dit geeft aan dat dit model niet eens voor de oude situatie in het LC gebruikt kan worden en dat simulatie dus zeker noodzakelijk was.

Tabel 3: Tijdwinst op basis van de invoer van Pre Alerts, per afdeling

Conclusies

MSC-LEVEL | specialty

Exacte resultaten Hoewel simulatie zoals aangetoond voor de oude situatie resultaten oplevert die overeenkomen met de werkelijkheid, is een bevestiging van deze resultaten met behulp van exacte wachtrijmodellen toch een prettig idee. De relatief simpele opzet zonder Pre Alerts leent zich deels voor een M/M/s model. Om dit model te kunnen gebruiken moet echter het feit genegeerd worden dat onderdelen groepsgewijs aankomen. De aankomstintensiteit van de groepen is voor deze exacte benadering dan ook omgezet naar een aankomstintensiteit voor losse onderdelen. Ook is het zo dat de verwerkingstijden van de onderdelen niet Negatief Exponentieel verdeeld zijn gebleken.

Om het M/M/s model te kunnen gebruiken is dan ook de aanname gemaakt dat de verwerkingstijden wel deze verdeling volgen. De gevonden aankomsten verwerkingsgegevens binnen het LC zijn aangepast zodat ze gebruikt kunnen worden in een M/M/s model.

Allereerst is er gekeken naar de Inbound stroom, waar er gemiddeld s = 2 medewerkers aanwezig zijn om onderdelen te behandelen. Voor een M/M/2 model wordt de doorlooptijd gegeven door:

Allereerst is er uit dit onderzoek naar voren gekomen dat de invoer van Pre Alerts wel degelijk een significant lagere doorlooptijd kan opleveren voor de onderdelen die in het LC verwerkt worden. Niet alle Pre Alerts kunnen met de huidige bezetting op tijd opgevangen worden, maar de vraag is of dit met de gebleken tijdwinst problematisch is. De correctheid van de resultaten kan worden afgeleid uit het feit dat de simulaties voor de oude situatie doorlooptijden hebben opgeleverd die vergelijkbaar zijn met de werkelijkheid. De invoer van Pre Alerts is dan ook aan te raden, maar er zal dan wel aan de voorwaarden voldaan moeten worden die aan het begin van dit rapport zijn gesteld.

Naast dit alles is er gebleken dat simulatie een effectieve en soms noodzakelijke methode is om logistieke processen te analyseren. De complexiteit die deze processen met zich meebrengen kan soms niet gevat worden in exacte modellen. In dit geval biedt simulatie een uitweg.

(1) Met

= / en:

(2) Als de gevonden gegevens in deze formules ingevuld worden, dan komt men op een doorlooptijd van drie uur voor de Inbound onderdelen. In de werkelijkheid is deze doorlooptijd twee dagen. Het M/M/2 model heeft enkele veranderingen moeten ondergaan in vergelijking met de werkelijkheid, maar de gevonden reductie is wel heel drastisch. Vermoed wordt dat deze veroorzaakt wordt door de groepsgewijze aankomst van de onderdelen. Om dit te bevestigen zijn er enkele simulaties uitgevoerd. Er zijn voor deze simulaties twee modellen opgesteld, waarbij er in het eerste model onderdelen groepsgewijs aankomen en in het tweede model dit niet het geval is. Aankomst- en verwerkingsgegevens die voor beide modellen dezelfde bezettingsgraad van de medewerkers opleveren, geven in deze modellen verschillende doorlooptijden. Het eerste model levert een doorlooptijd op die zes keer zo groot is als die van het tweede model. Dit feit en de versimpelingen die nodig waren voor het gebruik

33

Bram de Vries Bram de Vries studeert op korte termijn af aan de Universiteit van Amsterdam in de richting Operations Research. Dit stuk is een samenvatting van zijn masterscriptie, die geschreven is naar aanleiding van een stage bij KLM Component Services.

Dit is de afdeling van de KLM die verantwoordelijk is voor de reparatie van vliegtuigonderdelen.

bSC-LEVEL | specialty operational research MSC-LEVEL

voor de verschillende afdelingen op basis van de invoer van Pre Alerts:

The impact of internet piracy on sales and revenues of copyright owners By: Stan J. Liebowitz

BSC-LEVEL | economics

This is an abdridged version of the full paper : “Internet piracy: the estimated impact on sales” in Handbook on the Digital Creative Economy Edited by Ruth Towse and Christian Handke, Edward Elgar, 2013

Introduction

Sales after the introduction of file-sharing

Fifteen years ago the term “file-sharing” was unknown.

Then Napster arrived in the second half of 1999 and grew to be an international sensation during 2000.

The sound recording industry experienced a dramatic swoon in sales beginning in 2000, continuing unabated (with one informative exception) through 2010. The industry has blamed this sales decline on the rapid growth of file-sharing.

Shortly after Napster’s arrival, economists began to examine the likely impacts of file-sharing on the sound recording market. Further, as faster download speeds and the invention of BitTorrent allowed file-sharing to expand into movies, the impact on file- sharing on the movie industry also became a question that economists tried to answer.

Although it is clear that pirated versions of products often substitute for the purchase of an original, and this effect is unambiguously harmful to the industry, there are other, more subtle effects possibly at work as well. Piracy could allow a consumer to discover new songs that then induce the consumer to go purchase an album that might otherwise have not been purchased, for example. This ‘sampling’ effect, first proposed in Liebowitz (1985), makes the theory of piracy somewhat ambiguous.

There are two separate questions that one can ask about the impact of piracy on the sales of products.

First, does piracy actually harm the industries whose products are used without the permission of the copyright owner? Second, if it does harm the owners, how much does it harm them?

The changes that have taken place in the music business are so dramatic that it is almost impossible to deny that the sales of prerecorded music appear to have been devastated by some powerful factor or factors. Figure 1 reports the number of albums sold per person in the U.S. since 1973. For most of the first thirty years, sales progressed upward in a somewhat irregular fashion but then, just as Napster initiates the world into the habits of file-sharing, sales begin a fairly continuous and precipitous decline. Revenues (adjusted for inflation) follow a similar and even more precipitous path downward. A similar story is found for countries other than the U.S., with every leading country experiencing a major decline in sales (see Table 1).

Although the growth of Internet piracy (file-sharing) is one obvious explanation for this decline in music sales, there were many claims, particularly in the early years of file- sharing, that some other factor or factors might have been responsible for this decline in record sales. These other possible factors, (e.g., the price of substitutes, recessions, format changes) were explored in Liebowitz (2004, 2006) who found no evidence to support any alternative explanation for the decline in sound recording sales.

It is also worth noting that the birth of file-sharing would not be expected to lead to a one time drop in sales, but instead a decline that might take many years to reach its conclusion. That is because the impact of piracy would not be a function merely of the number of pirates, but also of the extent to which pirated files are substitutes for purchased files. For example,

34

when MP3 files first appeared, they were not very good substitutes for CDs. Originally, MP3 files could only be played on computers and on MP3 players, which were quite uncommon before the iPod became available and could not be played in cars or stereo systems.

A similar set of factors are at work for pirated versions of movies. Movies consist of much bigger digital files than do songs or even albums. This made the downloading of movies much more difficult and time consuming than was the case for downloading music. Thus, for an individual without broadband it was impractical to even try downloading a movie.

The general industry evidence appears consistent with a hypothesis that piracy has hurt the movie industry, although the movie industry is somewhat more complex due to the various revenue streams generated by movies. Movies that are downloaded without permission are intended to be viewed at home or on a portable device such as a laptop. In other words, movies pirated online are very similar to a DVD. For most people, a pirated movie is not a very good substitute for viewing the movie in a theater because a theater almost always provides a more intense immersion in the movie.

There may be some people seeing a movie at a theatre who do not value the movie theatre experience much differently from viewing the movie at home on television but only go to the theater because they wish to see a movie as soon as possible after it comes out.

For these people, watching a DVD or pirated download might be a good substitute for viewing the movie in a theatre. Nevertheless, if, as seems likely, most viewers in movie theaters are there because they prefer the theatre experience then pirated downloads will not be a good substitute for seeing movies in theaters.

The data in Figure 2 are consistent with this view.

Figure 2 reports on inflation adjusted revenues for exhibition of movies in theatres (the lower line) and

also the sales and rentals of prerecorded movies in the U.S. (the upper line). Box office revenues show a fairly smooth 47% increase from 1992 until 2002 although revenues have largely remained constant since 2002.

Perhaps this leveling off of box office revenues after 2002, coming as it did after a ten year increase starting in the early 1990s, was due to piracy, but on this chart the change doesnâ&#x20AC;&#x2122;t look particularly dramatic and the box office data in Figure 2 can at best, be merely suggestive of causation. The box office data may merely reflect changes in the quality of movies, or changes in substitute activities.

Examining differences between box office revenues and DVD/VHS sales/rentals, however, largely controls for factors such as movie quality or the impact of movie substitutes because these factors affect both the theatrical and prerecorded revenue channels.

Figure 3 has removed box office revenues from the sales and rentals of videos. Looked at in this way, video revenues from the sales, paid downloads, rentals, and paid streams of DVDs, relative to box office receipts, have fallen quite significantly after 2005, with a decline of approximately 43%. This is a very large decline in a short period of time, and it is a decline relative to box office revenues, and box office revenues, has been estimated to have been negatively impacted by piracy as well. This stronger decline in prerecorded movie sales and rentals is consistent with a view that piracy would have a larger impact on this revenue stream than on revenues from theatrical exhibition. Still, these are merely preliminary assessments. Economists have conducted more sophisticated studies directly testing whether file-sharing led to a decline in sound recording sales or movie revenues, and I will discuss the results of those academic studies in the next sections.

Figure 2: Box office and video sales and rentals

Figure 3:Video revenues minus box office

35

BSC-LEVEL | economics

BSC-LEVEL | economics

Figure 1: US album sales (including digital singles)

Analyses of the sound recording market In September of 2011 I completed a research paper that examined all the peer reviewed papers I could find on the subject of piracy’s impact on the sound recording industry. Prior to my article, results from different studies were not easily compared since they were measured in different ways. My purpose was to examine the studies that found harm, since they all agreed in the direction of the impact of piracy, and to put their results into a common metric to see how consistent they were in terms of how large a negative impact was due to piracy. The common metric that I used was the share of the total industry decline that was estimated to be due to filesharing.

can be represented as: (2) I then applied this metric to all the studies that had found some degree of harm from piracy on the recording industry. There were twelve such studies, ten of them published and two of them working papers. They can be found in Table 2.

Table 2: Share of decline due to file-sharing

BSC-LEVEL | economics

Table 1: Decline in sales after 1999

As is easily seen in Table 1, the size of the decline is dramatically different in different years, is different for the U.S. versus the rest of the world, and is even different depending on whether we are measuring units (albums) or revenues. Thus the findings of the various studies of the impact of piracy on music will need to be taken in the context of the time and location of their measurements. The standard econometric formulation for measuring the impact of file-sharing can be represented as: (1)

where RS stands for record (album) sales, FS for the amount of file-sharing and Z is an array of other covariates intended to control for factors related to record sales. Most studies use the results from the above regression to estimate the decline in sales due to file-sharing as a percentage of the sales of records so they might conclude with a statement such as ‘file-sharing led to a ten percent decline in record sales.’ Because the impact of piracy is expected to change over time, two studies with different results do not necessarily disagree with each other if they are based on different time periods or different geographic regions.

The metric I propose merely transposes the prior measurement by measuring the decline in sales due to file-sharing as a percentage of the overall decline that had occurred from the start of the file-sharing era. It

The first column of the table lists the author(s) of each publication and the date of publication. The second column lists the share of the decline in record sales that can be attributed to piracy. As seen in the second column, after the authors’ names, most of the studies in Table 2 have results indicating that the entire enormous decline that has occurred in the record industry (see Table 1) is due to piracy. Results greater than 100% mean that sales would have increased, except for piracy.

Seven of these studies have results indicating that the entire decline (or more) in sales is due to file-sharing. Another study has two results, with one of those results consistent with the full decline being due to file-sharing and the other result about a third of the decline. Two other studies indicate that file-sharing is responsible for either about half or two thirds of the decline and one study finds the smallest result, between 20% and 40% of the decline. It is clear that the average of these studies is not the 20% “typical estimate” that has been claimed by a different survey article (Oberholzer-Gee and Strumpf, 2009) since only one of the twelve studies has a result as low as 20%.

There are no published articles in academic journals that find a positive impact of file-sharing on sound recording sales, although there is a study (Andersen and Frenz, 2007), conducted for a Canadian Ministry, which concludes that file-sharing has a positive impact on sound recording sales. There are two published studies that do not find that file-sharing harms sales. These are Oberholzer-Gee and Strumpf (2007) and a revised version of the Canadian Ministry study using the identical data, Andersen and Frenz (2010). Obviously, when studies find no impact of

36

Economic studies of movie piracy There are good theoretical reasons to believe that the impact of piracy on the movie industry is likely to be more completely affected only by the negative substitution impact than was the case for music. The reason behind this belief is that individuals watch movies only a small number of times, unlike music, where individuals may listen to a particular song dozens or hundreds of times. Because individual movies tend to be seen only a small number of times, often only one time, watching a pirated version of a movie will often be the only viewing of the movie required by an individual, thus eliminating the possibility, for movies that are only going to be seen once, of the pirated movie leading to a later purchase (the sampling effect).

There are not quite as many research papers analyzing the impact of piracy on movies, and the task is somewhat more difficult because there are two main revenue streams: theatrical exhibition and sales/rentals of prerecorded movies.

I have found seven articles, with four being published, that examine the impact of piracy on either box office receipts, prerecorded video sales/rentals, or both. These studies are listed in Table 3.

Every one of these studies finds a negative impact of piracy on the movie industry. The second column reports on whether the study attempted to measure the impact of piracy on box office receipts, or prerecorded sales, or both. Three of the studies focused on box office only, whereas four of the studies focused on both box office and prerecorded movies. Further columns indicate the time period of the data used in the analysis, the countries from which the data are taken, the results, and whether the paper has been published

Table 3: Academic studies on movie piracy

Theory implies that the impact of piracy is likely to be greater for prerecorded movies than for box office, but that doesnâ&#x20AC;&#x2122;t mean that the impact of piracy on box office revenues would be expected to be zero. In fact, all except two of these studies find that piracy decreases box office revenues. This result may in part be due to the fact that viewers interested in the latest movie are forced to see it in the theater unless they download it illegally since movie studios wait for several months after the theatrical release before the movie is made available in prerecorded form. The two studies that fail to find a negative impact on box office do find a negative impact on the sale of prerecorded movies.

Note as well that although the studies are finding a negative impact of piracy on box office revenues, box office revenues have not been falling, as seen in Figure 2. This means, assuming that the econometric results are correct, that box office revenues, instead of remaining relatively constant since 2002, would have increased if not for the impact of piracy. It is not necessary for revenues to decline when piracy is having a destructive impact on industry revenues.

Conclusion We have looked at music and movies, and the results are fairly unambiguous and really not all that surprising: Internet piracy harms producers of these products. The degree of harm has been quite large in music. On average, the findings for music are that the entire decline in sales since 1999 is due to piracy, and these values tend to be in the vicinity of 50%-70% when dollars are measured in inflation adjusted units.

The negative impacts of piracy on movies is not as easily put into a simple number, but all the academic studies of which I am aware find that piracy hurts sales. Given that prerecorded movie revenues have fallen by almost 45% relative to box office receipts, it is quite possible that the harm to movies is almost in the same league as the harm to music, although that is still something of a conjecture at this time. What does seem fair to say is that the harm to these industries from Internet piracy is very large.

37

BSC-LEVEL | economics

file-sharing on sound recording sales there is no need to discuss metrics, since all of the metrics will be zero.

I do not consider either of these papers to be particularly convincing. Although there have sometimes been claims that other published studies also find no impact of piracy on sales, Liebowitz (2011) has investigated those claims and found them to be a misreading of the literature.

Even if these two studies are added into the mix, it is still the case that the results from a majority of studies imply that file-sharing is responsible for the entire decline in sales. This result is also consistent with the evidence from proposed alternative hypotheses to explain the decline in sound recording sales. Liebowitz (2004) and Liebowitz (2006) carefully examined these alternative explanations and found that they were largely lacking in empirical support and the intervening years have only strengthened that conclusion. With no support for other possible explanations for the decline in record sales, logical consistency would lead to a conclusion that file-sharing was responsible for the entire decline, which is what the majority of economic studies have found, once the proper metrics are used.

References

Andersen, Birgitte and Marion Frenz (Released in 2007 although undated) “The Impact of Music Downloads and P2P File-Sharing on the Purchase of Music: A Study for Industry Canada.”

Andersen, Birgitte and Marion Frenz (2010) “Don’t blame the P2P file-sharers: The Impact of Free Music Downloads on the Purchase of Music CDs in Canada” Journal of Evolutionary Economics Vol 20, No 5, Pp 715-740.

Blackburn, D. (2004) “Online piracy and recorded music sales.” Working Paper, Department of Economics, Harvard University.

Bounie, David, Marc Bourreau and Patrick Waelbroeck (2006) “Piracy and The Demand For Films: Analysis Of Piracy Behavior in French Universities” Review of Economic Research on Copyright Issues, 2006, vol. 3(2), pp. 15-27.

About the author Stan J. Liebowitz Stan Liebowitz, who received his PhD from UCLA, is the Ashbel Smith Professor of Managerial Economics at the Jindal School of the University of Texas at Dallas. He is best known for his work examining the effects of new technologies on markets. Some of this work is related to copyright issues, such as piracy, and how new technologies, such as file-sharing systems, alter the functioning of markets.

De Vany, Arthur S. and W. David Walls (2007) “Estimating the Effects of Movie Piracy on Box-office Revenue” Review of Industrial Organization Volume 30, Number 4, 291-301.

Hennig-Thurau, Thorsten,Victor Henning, & Henrik Sattler (2007) “Consumer File Sharing of Motion Pictures,” Journal of Marketing, 1 Vol. 71, 1–18.

Hong, S. H. (2007) “The recent growth of the internet and changes in household-level demand for entertainment,” Information Economics and Policy, 2007.

BSC-LEVEL || economics MSC-LEVEL specialty

Hong, S. H. (forthcoming) “Measuring the Effect of Napster on Recorded Music Sales: Difference-in-differences Estimates under Compositional Changes” Journal of Applied Econometrics.

Liebowitz, Stan J., (1985) “Copying and Indirect Appropriability: Photocopying of Journals,” Journal of Political Economy, 93-5 October 1985, Pp. 945-957.

Liebowitz, Stan J., (2004) “Will MP3 downloads Annihilate the Record Industry? The Evidence so Far” Advances in the Study of Entrepreneurship, Innovation, and Economic Growth,V. 15, pp. 229-260.

Rob, R. and Waldfogel, J. (2006) “Piracy on the high C’s: Music downloading, sales displacement and social welfare in a survey of college students” Journal of Law and Economics 49(1): 29–62.

Liebowitz, Stan. J., (2006) “File-Sharing: Creative Destruction or Plain Destruction?” Journal of Law and Economics 49(1): 1–28.

Rob, R. and Waldfogel, J. (2007) “Piracy on the Silver Screen” The Journal of Industrial Economics Volume LV September 2007 No. 3: 379-395.

Liebowitz, Stan. J., (2008) “Testing File-Sharing’s Impact by Examining Record Sales in Cities.” Management Science, (4) Vol. 54 April, pp.

852-859.

Waldfogel, Joel (2010) “Music file sharing and sales displacement in the iTunes era” Information Economics and Policy (2010) Volume: 22, Issue: 4, Pages: 306-314.

Ma, Liye, Alan Montgomery, Param Vir Singh, and Michael D. Smith (2011) “The Effect of Pre-Release Movie Piracy on Box-Office Revenue” Working Paper.

Zentner, A. (2005) “File sharing and international sales of copyrighted music: An empirical analysis with a panel of countries” Topics in Economic Analysis & Policy 5(1): Article 21.

Michel, N. (2006) “The Impact of Digital File Sharing on the Music Industry: An Empirical Analysis” Topics in Economic Analysis & Policy, 6(1) Article 18

Zentner, A. (2006) “Measuring the effect of music downloads on music purchases” Journal of Law and Economics 49(1): 63–90.

Oberholzer-Gee, Felix and Koleman Strumpf (2007) “The Effect of File Sharing on Record Sales: An Empirical Analysis” Journal of Political Economy, 115:1 1-42.

Zentner, A., (2009) “Ten Years of File Sharing and its Effect on International Sales of Copyrighted Music: An Empirical Analysis Using a Panel of Countries” Available at SSRN: http://ssrn.com/ abstract=1724444.

Oberholzer-Gee, Felix and Koleman Strumpf (2009). “File‐Sharing and Copyright.” NBER’s Innovation Policy and the Economy series, volume 10, ed. Joshua Lerner and Scott Stern, University of Chicago Press.

Zentner, A., (2010) “Measuring the Impact of File Sharing on the Movie Industry: An Empirical Analysis Using a Panel of Countries,” Working Paper.

Peitz, M. and Waelbroeck, P. (2004) “The effect of internet piracy on music sales: Crosssection evidence.” Review of Economic Research on Copyright Issues 1(2): 71–79.

38

BSC-LEVEL | specialty economics MSC-LEVEL

Danaher, Brett and Joel Waldfogel (2011) “Reel Piracy: The Effect of Online Film Piracy on International Box Office Sales”

Transparantie in financiĂŤle producten en instellingen: een illusie?

Actuariaatcongres 2014 De 14e editie van het Actuariaatcongres staat in het teken van transparantie in financiĂŤle producten en instellingen. Het doel van het congres dit jaar is om deze transparantie van verschillende kanten te belichten en beoordelen. Centraal daarin zal staan of transparantie uiteindelijk het gewenste resultaat heeft gebracht, en wat dan precies het gewenste resultaat was.

Ga voor meer informatie naar www.actuariaatcongres.nl

5 maart 2014 EYE Amsterdam