馬衍明 袁 佳

(上海應(yīng)用技術(shù)大學(xué)人文學(xué)院，上海 201418)

自2002年院線制改革以來，國內(nèi)電影產(chǎn)業(yè)發(fā)展迅速，每年觀影票房都屢創(chuàng)新高。即使在2020年新冠肺炎疫情全球大流行的背景下，國內(nèi)電影行業(yè)依然展現(xiàn)了強(qiáng)健的生命力，市場恢復(fù)速度遠(yuǎn)在全球前列。截至2021年6月30日，2021年上半年度國內(nèi)電影票房達(dá)到276億元，產(chǎn)能達(dá)到2019年同期的95%，觀眾數(shù)量也達(dá)到同期的85%，給國內(nèi)電影行業(yè)的整體復(fù)蘇注入了強(qiáng)心劑。但不可否認(rèn)的是，雖然國內(nèi)電影產(chǎn)業(yè)持續(xù)蒸蒸日上、票房屢創(chuàng)新高，但在疫情沖擊下逐漸暴露出了許多問題。伴隨著全球經(jīng)濟(jì)增速放緩和在線網(wǎng)絡(luò)消費模式的崛起，傳統(tǒng)影院面臨的競爭態(tài)勢及生存狀況愈發(fā)嚴(yán)峻，短視頻和網(wǎng)劇、網(wǎng)綜的在線沖擊，以及電影窗口期的間隔縮短等都在迫切要求傳統(tǒng)影院做出改變，傳統(tǒng)影院的何去何從逐漸成為學(xué)術(shù)界日益討論的話題。在此背景下，分析傳統(tǒng)影院如何在逆境下提高收益，充分發(fā)揮影視產(chǎn)品的經(jīng)濟(jì)屬性值得國內(nèi)電影人持續(xù)探索。

一、研究背景與理論分析

近年來，國內(nèi)新增影院持續(xù)保持著高速增長，影院下沉趨勢不斷顯現(xiàn)。但高速增長的背后，帶來的卻是單影院平均票房、單銀幕平均票房、單場次平均票房等連年下降(如表1)。截至2019年底，國內(nèi)單銀幕平均票房跌至85.14萬元，單影院平均票房跌至218.82萬元，單場次平均票房跌至511.32元，銀幕增長速度與票房增速及觀影人次增速并不相匹配。尤其在近些年影院不斷下沉的三四線城市，票房增長活力愈發(fā)減弱，當(dāng)?shù)赜霸旱纳娼?jīng)營面臨著極大挑戰(zhàn)。據(jù)《2020中國電影產(chǎn)業(yè)研究報告》統(tǒng)計，2019年三線以下的城市及鄉(xiāng)鎮(zhèn)影院新增銀幕6142塊，占到全年新增銀幕的69.11%，但同時三線以下的城市及鄉(xiāng)鎮(zhèn)影院累計注銷銀幕733塊，占到了全年注銷銀幕的66.94%。下線市場雖然影院建設(shè)尚有空間，但影院經(jīng)營效率遠(yuǎn)不及其他城市，受制于經(jīng)濟(jì)發(fā)展水平和人均觀影習(xí)慣等因素，各地電影產(chǎn)業(yè)發(fā)展水平極不均衡。

表1 2016—2020年電影產(chǎn)業(yè)數(shù)據(jù)統(tǒng)計情況(1) 數(shù)據(jù)來源于中國電影家協(xié)會和中國文聯(lián)電影藝術(shù)中心編制的歷年《中國電影產(chǎn)業(yè)研究報告》。

此外，伴隨著國內(nèi)電影產(chǎn)業(yè)的蓬勃發(fā)展，不同城市間的觀影體量差別正在不斷拉大，以2014年和2019年不同城市間的電影產(chǎn)業(yè)相關(guān)數(shù)據(jù)為例。2014年一線城市放映場次564.5萬次，總票房68.37億元，而2014年四線城市放映場次900.2萬次，總票房僅35.39億元?？煽闯鲈缭?014年一線城市與四線城市在影院經(jīng)營效率方面和場均觀影人次就已經(jīng)存在較大差異。到了2019年，一線城市放映場次為1543.5萬次，累計票房達(dá)到122.35億，而四線城市放映場次3331.6萬次，票房卻僅有112.81億元，相比較之下，一線城市與四線城市之間的觀影體量和人均消費趨勢正在不斷拉大。伴隨著一二線城市人均觀影量和市場需求的漸進(jìn)飽和，開發(fā)下線市場和挖掘票房潛力已經(jīng)是必然趨勢。然而，下線城市影院建設(shè)速度雖然不斷加快，但實質(zhì)上票房并未顯著增加，相反帶來了一系列運營成本上升和影院經(jīng)營壓力不斷增大的問題。因此，研究不同城市下電影產(chǎn)業(yè)的相關(guān)經(jīng)濟(jì)特征對當(dāng)?shù)赜霸弘娪捌狈慨a(chǎn)出的影響是當(dāng)下非常迫切的問題，對于完善電影行業(yè)市場體系、加快電影行業(yè)供給側(cè)改革和穩(wěn)定電影市場發(fā)展具有重要意義。

二、研究設(shè)計

(一)數(shù)據(jù)來源

研究城市電影產(chǎn)業(yè)經(jīng)濟(jì)特征與電影票房的關(guān)系時，需要考慮到各個城市之間的經(jīng)濟(jì)發(fā)展水平和資源配置方面的差異，以及不同城市電影產(chǎn)業(yè)發(fā)展的實際狀況?；诖?，本文根據(jù)《中國城市統(tǒng)計年鑒(1980—2020)》中的城市相關(guān)指標(biāo)進(jìn)行篩選處理，以2020年《城市魅力商業(yè)排行榜》為依據(jù)，整理出各線城市產(chǎn)業(yè)經(jīng)濟(jì)發(fā)展指標(biāo)。城市電影產(chǎn)業(yè)的相關(guān)數(shù)據(jù)來源于阿里巴巴公司旗下的燈塔專業(yè)版APP，票房、影院等相關(guān)數(shù)據(jù)主要來源于中國電影家協(xié)會和中國文聯(lián)電影藝術(shù)中心編制的歷年《中國電影產(chǎn)業(yè)研究報告》。本文以燈塔專業(yè)版APP中各線城市為橫截面單元，選取2014—2019年共6年數(shù)據(jù)作為模型研究的主要對象。其中，不選取2020年數(shù)據(jù)主要是因為疫情影響導(dǎo)致2020年電影產(chǎn)業(yè)大幅度縮減，各線城市電影產(chǎn)業(yè)經(jīng)濟(jì)指標(biāo)都大幅度下降，因此本文以2020年之前年份的數(shù)據(jù)為基準(zhǔn)。此外，本文數(shù)據(jù)全部進(jìn)行了SPSS Modeler軟件中的數(shù)據(jù)審核處理，以此避免極端值和離群值的影響。

(二)變量選擇

本文對于城市電影產(chǎn)業(yè)經(jīng)濟(jì)特征的變量選取主要包括各線城市的GDP、當(dāng)?shù)乜側(cè)丝?、城市平均人口、人均消費能力、銀幕數(shù)量、觀影人次、上映的影片數(shù)量、影院放映場次、上座率、平均票價、平均一部影片產(chǎn)生的票房和場均觀影人次等。參照2020年《城市魅力商業(yè)排行榜》，本文將一二三四線城市按照不同年度的生產(chǎn)總值進(jìn)行加權(quán)平均處理，以此作為反映各線城市經(jīng)濟(jì)特征的度量指標(biāo)。當(dāng)?shù)乜側(cè)丝谝詺v年《中國城市統(tǒng)計年鑒》統(tǒng)計的年末戶籍人口為基準(zhǔn)，將各線城市人口加權(quán)求和，而城市平均人口則在此基礎(chǔ)上將總?cè)丝诔愿骶€城市的數(shù)量。GDP則定義為各線城市生產(chǎn)總值的平均值，數(shù)據(jù)來源于《中國城市統(tǒng)計年鑒》。此外，銀幕數(shù)量、觀影人次、上映的影片數(shù)量、影院放映場次、上座率、平均票價、平均一部影片產(chǎn)生的票房、場均觀影人次等均以燈塔專業(yè)版APP和《中國電影產(chǎn)業(yè)研究報告》中提供的數(shù)據(jù)為準(zhǔn)，這些變量能夠較為精確地反映各個地域之間不同的觀影特征和消費趨勢，對于當(dāng)?shù)仉娪爱a(chǎn)業(yè)的發(fā)展和影院的日常經(jīng)營提供了較為精確的衡量指標(biāo)。

對2014—2019年城市經(jīng)濟(jì)指標(biāo)與電影票房的總體數(shù)據(jù)進(jìn)行描述性統(tǒng)計(如表2)，國內(nèi)電影票房的均值為124.8，最大值為297.6，最小值為35.4；城市GDP均值為11442.9，最大值為92887.8，最小值僅為475.8；當(dāng)?shù)赜霸悍庞硤龃巫畲笾禐?414，最小值為564.5，均值為2093。從中可以看出隨著國內(nèi)經(jīng)濟(jì)建設(shè)的蓬勃發(fā)展，各個變量在不同階段發(fā)生了顯著變化，2019年數(shù)據(jù)相比2014年數(shù)據(jù)發(fā)生了等比級數(shù)增長。并且不同城市之間的差別也在不斷增大，一線城市無論是GDP、城市人口，還是平均票價，都遠(yuǎn)遠(yuǎn)超過任何時期的四線城市，不同城市之間的消費體量和觀影差距正在不斷拉大。

表2 主要變量的描述性統(tǒng)計

(續(xù)表)

(三)研究模型

神經(jīng)網(wǎng)絡(luò)是20世紀(jì)80年代以來人工智能領(lǐng)域興起的研究熱點，是從信息處理角度對人腦神經(jīng)元網(wǎng)絡(luò)進(jìn)行模擬，通過構(gòu)建運算模型，以大量節(jié)點(或稱神經(jīng)元)相互連接，每個連接都關(guān)聯(lián)一個對應(yīng)的權(quán)重，其模型學(xué)習(xí)過程就是連接權(quán)重的更新訓(xùn)練過程(如圖1)。目前學(xué)術(shù)界對于神經(jīng)網(wǎng)絡(luò)的運用大多針對于訓(xùn)練神經(jīng)網(wǎng)絡(luò)模型的準(zhǔn)確性，通過多種預(yù)測模型進(jìn)行實驗組與對照組進(jìn)行比對，判斷相同條件下不同模型的預(yù)測效果和解釋程度。相比較其他行業(yè)，電影產(chǎn)業(yè)似乎顯得更為特殊化和復(fù)雜化。對于電影產(chǎn)業(yè)而言，出于市場極大的風(fēng)險性和不確定性，市面上的即時訊息通常很難被準(zhǔn)確預(yù)測，同時就算投入再多的營銷費用，也不一定會成為熱門影片，票房產(chǎn)出似乎天生就伴隨著“天時地利人和”的特征。

本文主要采用SPSS Modeler軟件構(gòu)建神經(jīng)網(wǎng)絡(luò)模型，分析不同城市下電影產(chǎn)業(yè)經(jīng)濟(jì)特征對票房不同作用的大小。神經(jīng)網(wǎng)絡(luò)不同于其他數(shù)據(jù)分析方法的特點在于神經(jīng)網(wǎng)絡(luò)模型會根據(jù)大量數(shù)據(jù)的迭代訓(xùn)練找出不同類別潛在的映射關(guān)系，也就是無論數(shù)據(jù)多么龐大，自變量有多少都能分析出數(shù)據(jù)背后潛藏的關(guān)系，因此用神經(jīng)網(wǎng)絡(luò)模型去預(yù)測分析電影產(chǎn)業(yè)的票房有一定的適用性。目前神經(jīng)網(wǎng)絡(luò)最主要的用法包括多層感知器(MLP)和徑向基函數(shù)(RBF)，其中徑向基函數(shù)只含有一個隱藏層，學(xué)習(xí)速率相對較高，但是預(yù)測能力相對較低，而多層感知器系統(tǒng)是通過將多個因子變量集中投射到相對單一的輸出數(shù)據(jù)中，再運用誤差反轉(zhuǎn) BP 學(xué)習(xí)算法，具備較好的學(xué)習(xí)能力和預(yù)測能力。本文研究主題主要是分析國內(nèi)各線城市電影產(chǎn)業(yè)發(fā)展要素對于票房的影響大小，比較注重模型的學(xué)習(xí)能力和預(yù)測能力，為此模型選用多層感知器(MLP)。如圖1所示，MLP是含有輸入層、隱藏層和輸出層的三層感知器，其隱藏層和輸出層的激活函數(shù)通常為Sigmoid函數(shù)，為分類型一般采用[0,1]階躍函數(shù)，如下：

圖1 多層感知器神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)圖

設(shè)樣本輸入向量為

x

=(

X

,

X

…

X

)，隱藏層第j個節(jié)點輸出為：

其中

w

表示第j個隱藏節(jié)點和第i個輸入節(jié)點的權(quán)重，b為偏差項。輸出層第k個節(jié)點關(guān)于x的網(wǎng)絡(luò)輸出為：

其中

V

表示第k個輸出節(jié)點和第j個隱藏節(jié)點的權(quán)重，

b

為偏差項。為了判斷神經(jīng)網(wǎng)絡(luò)學(xué)習(xí)過程是否終止，一般判定預(yù)測誤差達(dá)到較小差，或者正確分類的樣本已經(jīng)達(dá)到一定比例即中止學(xué)習(xí)。本文主要是對影響電影票房的變量進(jìn)行預(yù)測分析，所設(shè)置的中止規(guī)則是無法進(jìn)一步降低誤差，其隱藏層個數(shù)為系統(tǒng)自動模擬計算，根據(jù)不同城市下實際狀況匹配最優(yōu)的隱藏層個數(shù)。同時為了檢驗神經(jīng)網(wǎng)絡(luò)模型迭代更新的真實程度，本文通過神經(jīng)網(wǎng)絡(luò)模型得出的結(jié)果進(jìn)行線性回歸，檢驗不同變量對票房的實際作用大小，并結(jié)合主成分分析(PCA)簡化所有作用因素，最后觀察三者之間得出的結(jié)果是否一致。

三、實證分析

(一)神經(jīng)網(wǎng)絡(luò)模型結(jié)果分析

如表3所示，對國內(nèi)所有城市進(jìn)行統(tǒng)一匯總預(yù)測可得平均一部影片產(chǎn)生的票房、觀影人次、城市平均人口、上映影片數(shù)量和GDP對票房的增長起到重要影響作用，要想促進(jìn)國內(nèi)電影票房體量的上升可從提高影片的質(zhì)量、促進(jìn)觀影活動消費和擴(kuò)大影院覆蓋率出發(fā)。但是不同區(qū)域下的影院建設(shè)、當(dāng)?shù)厝丝跀?shù)量和平均消費水平都有顯著差異，因此需要對不同層級下的城市做進(jìn)一步檢驗分析。對一二三四線城市分別做神經(jīng)網(wǎng)絡(luò)預(yù)測分析，結(jié)果發(fā)現(xiàn)各線城市影響票房的經(jīng)濟(jì)特征存在差異，基于城市的人口地貌、人均消費能力、城市影院建設(shè)程度等因素，影響當(dāng)?shù)仉娪捌狈慨a(chǎn)出的因素多種多樣。

表3 神經(jīng)網(wǎng)絡(luò)模型預(yù)測結(jié)果(括號內(nèi)為模型預(yù)測的變量重要性)

將一二三四線城市統(tǒng)計結(jié)果全部加權(quán)求和發(fā)現(xiàn)，觀影人次、單部影片產(chǎn)生的票房、銀幕數(shù)量、城市平均人口、單個銀幕產(chǎn)生的票房、上映影片數(shù)量和當(dāng)?shù)乜側(cè)丝谡急茸罡?，與總體城市神經(jīng)網(wǎng)絡(luò)統(tǒng)計結(jié)果高度一致，驗證了上文所有城市電影票房影響因素的結(jié)論。其中，一二三線城市的主要影響因素和四線城市有所區(qū)別。一二三線城市比較突出單部影片的票房、觀影人次和上映影片數(shù)量，但四線城市卻額外體現(xiàn)在城市平均人口、銀幕數(shù)量和平均票價等方面，反映出四線城市相比一二三線城市在影院建設(shè)、觀影成本和人均觀影方面還有待提高。另外，影響一二三線城市電影票房的因素大多在于電影本身和影院運營效率方面，而四線城市的院線基礎(chǔ)建設(shè)還未完全開發(fā)，當(dāng)?shù)鼐用癯鲇趦r格、時長、地理位置等因素，對電影觀影活動存在較多不確定性，觀影活動并未成為剛需，此時要想提高當(dāng)?shù)赜^影體量，影院下沉、降低票價等手段值得嘗試。

此外，為檢驗?zāi)Ｐ皖A(yù)測變量的準(zhǔn)確性，本文采用SPSS Modeler中的分析節(jié)點，比較輸出結(jié)果與輸入結(jié)果的差別。如表4，五個神經(jīng)網(wǎng)絡(luò)模型殘差結(jié)果都較為可觀，其平均誤差和標(biāo)準(zhǔn)差均在可接受的范圍內(nèi)，表明模型預(yù)測結(jié)果較為準(zhǔn)確，與真實數(shù)據(jù)相比并未產(chǎn)生太大變化，可接受模型預(yù)測結(jié)果。

表4 神經(jīng)網(wǎng)絡(luò)模型殘差分析

(二)普通最小二乘法(OLS)回歸檢驗

為了驗證以上神經(jīng)網(wǎng)絡(luò)模型預(yù)測變量的解釋程度和準(zhǔn)確度，本文利用普通最小二乘法建立多元回歸模型，判定城市電影產(chǎn)業(yè)經(jīng)濟(jì)特征對電影票房的實際作用影響。基于本文篇幅以及檢驗方法的合理性，本文主要以神經(jīng)網(wǎng)絡(luò)對總體城市所預(yù)測的重要變量進(jìn)行檢驗。假定計量模型為：

Box office=β+β×

X

+ε

其中，X(i=1、2、3、4)表示神經(jīng)網(wǎng)絡(luò)模型得出的影響總體城市票房最顯著的四個變量，分別為AB平均一部影片產(chǎn)生的票房、AD觀影人次、AU城市平均人口、QU上映影片數(shù)量，ε表示隨機(jī)擾動項。為驗證神經(jīng)網(wǎng)絡(luò)模型實際結(jié)果，本文將其余變量設(shè)置為調(diào)節(jié)變量，采用異方差穩(wěn)健的標(biāo)準(zhǔn)誤估計。如表5所示，模型1-4是分別對前四種顯著變量進(jìn)行回歸分析，結(jié)果顯示均與票房高度相關(guān)，驗證了神經(jīng)網(wǎng)絡(luò)對城市電影產(chǎn)業(yè)經(jīng)濟(jì)特征的預(yù)測結(jié)果，并且系數(shù)全部都為正，說明以上因素對票房都有顯著的正向影響作用。模型5和6顯示，加入其余調(diào)節(jié)變量后，會單獨影響個別變量的顯著關(guān)系，但大體上回歸系數(shù)沒有明顯改變，其結(jié)果認(rèn)定為在1%和5%水平上通過顯著性檢驗。同時模型回歸后的擬合優(yōu)度達(dá)到0.7以上，可認(rèn)定為模型能夠較好地解釋因變量，具備較好的可信度。

表5 回歸結(jié)果分析

(續(xù)表)

關(guān)于模型穩(wěn)定性檢驗問題，本文通過分位數(shù)回歸檢驗，觀察不同分位數(shù)情況下模型回歸系數(shù)的穩(wěn)定性，設(shè)定置信區(qū)間為95%，分位數(shù)分別設(shè)定25%、50%和75%。如表6所示，四個變量的分位數(shù)回歸系數(shù)比較貼合原回歸系數(shù)大小，其正負(fù)號均未改變，說明模型回歸結(jié)果較為可信，能夠較為直觀地反映出變量之間的相關(guān)性。但觀察AB(平均一部影片產(chǎn)生的票房)在分位數(shù)50%和75%情況下未能拒絕顯著性檢驗，分析背后原因可能是不同年份不同城市下所上映的影片數(shù)量大小不一，用平均一部影片產(chǎn)生的票房衡量一二三四線城市所有數(shù)據(jù)可能會存在異質(zhì)性，同時分位數(shù)與普通最小二乘法目標(biāo)算法也存在不一致，導(dǎo)致兩者結(jié)果存在些許差異。

表6 主要變量分位數(shù)回歸系數(shù)

(三)主成分分析(PCA)檢驗

通過上述神經(jīng)網(wǎng)絡(luò)模型和普通最小二乘法統(tǒng)計分析的結(jié)果顯示，AB平均一部影片產(chǎn)生的票房、AD觀影人次、AU城市平均人口和QU上映影片數(shù)量能夠較好反映國內(nèi)電影票房實際影響因素。但受制于神經(jīng)網(wǎng)絡(luò)、普通最小二乘法 (OLS)和分位數(shù)回歸的不同目標(biāo)算法，其個別變量并沒有完全符合神經(jīng)網(wǎng)絡(luò)模型回歸結(jié)果。因此本文在此基礎(chǔ)上引入主成分分析方法，不牽涉函數(shù)具體算法，只是單在所有影響因素中進(jìn)行降維處理，減少多余變量和不重要變量因素的影響，識別最原始變量之間的關(guān)聯(lián)模式。

如圖2和表7所示，前四個變量累計占到總方差的97.3%，后面特征值的貢獻(xiàn)率越來越小，從第四個變量開始，其后的貢獻(xiàn)率不超2%。因此選取前四個變量具有一定的合理性，表明存在四個變量能夠較好地解釋所有變量信息。同時也驗證了神經(jīng)網(wǎng)絡(luò)模型預(yù)測的精確程度，間接對普通最小二乘法回歸模型的不足之處進(jìn)行一定的補(bǔ)充。

圖2 碎石圖

表7 主成分分析結(jié)果

(續(xù)表)

四、結(jié)論與建議

本文基于國內(nèi)2014—2019年的各線城市電影產(chǎn)業(yè)數(shù)據(jù)，通過SPSS Modeler軟件進(jìn)行神經(jīng)網(wǎng)絡(luò)預(yù)測分析，在此基礎(chǔ)上對預(yù)測結(jié)果進(jìn)行普通最小二乘法(OLS)和主成分分析(PCA)的檢驗判定，結(jié)果顯示可較好地接受神經(jīng)網(wǎng)絡(luò)模型的預(yù)測結(jié)果。具體有以下結(jié)論：(1)單部影片產(chǎn)生的票房、觀影人次、城市平均人口和上映影片數(shù)量對國內(nèi)電影票房有重大影響，尤其對于經(jīng)濟(jì)較為發(fā)達(dá)的一二三線城市，其影院覆蓋率、居民觀影習(xí)慣、物質(zhì)消費能力等都達(dá)到了較高水平，此時影響電影票房的因素主要從外部因素出發(fā)。(2)四線城市和一二三線城市在經(jīng)濟(jì)發(fā)展水平、當(dāng)?shù)叵M能力和院線基礎(chǔ)建設(shè)方面存在差異，影響電影票房的因素大多集中在票價、銀幕數(shù)量和城市平均人口方面，市場觀影潛力仍未完全激發(fā)出來。尤其在近些年網(wǎng)絡(luò)消費模式的崛起下，傳統(tǒng)影院逐漸受到短視頻、網(wǎng)絡(luò)電影和網(wǎng)劇、網(wǎng)綜等一系列線上視聽產(chǎn)品的沖擊，對于近些年不斷加速下沉的新老影院日常經(jīng)營都造成了重重壓力。

基于本文的研究，為了推動國內(nèi)電影產(chǎn)業(yè)的可持續(xù)發(fā)展，提出建議如下：(1)在市場布局方面，需要合理考慮不同區(qū)域間的實際差異，注重當(dāng)?shù)厥袌鰧嶋H消費能力和市場增長空間，以各地區(qū)電影產(chǎn)業(yè)實際發(fā)展?fàn)顩r采取梯度化建設(shè)。對于經(jīng)濟(jì)較為發(fā)達(dá)、觀影體量較大的一二三線城市可以考慮在原有觀影活動的基礎(chǔ)上提升影院附加價值，宏觀上以院線整合帶動相關(guān)產(chǎn)業(yè)鏈消費升級，開發(fā)電影產(chǎn)業(yè)鏈的多功能價值鏈條，以影院服務(wù)的上升、觀影體驗感的升級和相關(guān)產(chǎn)業(yè)鏈的整合消費作為當(dāng)?shù)赜霸旱暮诵母偁巸?yōu)勢，促進(jìn)當(dāng)?shù)馗嗳俗哌M(jìn)影院，推動整體消費體量的上升。而對于四線以下的城市，一方面需要鼓勵影院下沉，提高影院基礎(chǔ)建設(shè)，另一方面必須培育下線城市的觀影習(xí)慣，以市場營銷為主，降低票價為輔，積極策劃豐富的觀影活動，把下線市場的人口優(yōu)勢轉(zhuǎn)化為電影票房增長的動力來源。(2)在需求提升方面，需要不斷提升精品化和類型化的優(yōu)秀影片創(chuàng)作能力，影片的上映數(shù)量和單部電影產(chǎn)生的票房對國內(nèi)電影票房的增長起到重要影響作用。同時，對于影院基礎(chǔ)建設(shè)能力不足的四線城市，可在政策允許的范圍內(nèi)適當(dāng)引入外資，利用外資新建電影院，加大院線放映終端的投入。(3)在政府引導(dǎo)方面，對一二三線城市需要統(tǒng)籌協(xié)調(diào)，以全產(chǎn)業(yè)鏈為核心布局，帶動當(dāng)?shù)禺a(chǎn)業(yè)鏈的協(xié)同發(fā)展，彌補(bǔ)當(dāng)?shù)赜^影體量上升帶來的消費活力未滿足的現(xiàn)狀。而對于四線城市除了鼓勵新增影院下沉和培養(yǎng)下線市場觀影愛好之外，更多方面需要從數(shù)量建設(shè)轉(zhuǎn)向提質(zhì)增效建設(shè)，合理布局下線城市影院，尤其在近些年“影視寒冬”情況下，影院建設(shè)更要提質(zhì)減量，切忌盲目運營開發(fā)。