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(lái)，國(guó)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(guó)內(nèi)電影行業(yè)依然展現(xiàn)了強(qiáng)健的生命力，市場(chǎng)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(guó)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(guó)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(guó)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(wèn)題。伴隨著全球經(jīng)濟(jì)增速放緩和在線網(wǎng)絡(luò)消費(fèi)模式的崛起，傳統(tǒng)影院面臨的競(jìng)爭(zhēng)態(tài)勢(shì)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(guó)內(nèi)電影人持續(xù)探索。

一、研究背景與理論分析

近年來(lái)，國(guó)內(nèi)新增影院持續(xù)保持著高速增長(zhǎng)，影院下沉趨勢(shì)不斷顯現(xiàn)。但高速增長(zhǎng)的背后，帶來(lái)的卻是單影院平均票房、單銀幕平均票房、單場(chǎng)次平均票房等連年下降(如表1)。截至2019年底，國(guó)內(nèi)單銀幕平均票房跌至85.14萬(wàn)元，單影院平均票房跌至218.82萬(wàn)元，單場(chǎng)次平均票房跌至511.32元，銀幕增長(zhǎng)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(zhǎng)活力愈發(fā)減弱，當(dāng)?shù)赜霸旱纳娼?jīng)營(yíng)面臨著極大挑戰(zhàn)。據(jù)《2020中國(guó)電影產(chǎn)業(yè)研究報(bào)告》統(tǒng)計(jì)，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(shí)三線以下的城市及鄉(xiāng)鎮(zhèn)影院累計(jì)注銷(xiāo)銀幕733塊，占到了全年注銷(xiāo)銀幕的66.94%。下線市場(chǎng)雖然影院建設(shè)尚有空間，但影院經(jīng)營(yíng)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(jì)情況(1) 數(shù)據(jù)來(lái)源于中國(guó)電影家協(xié)會(huì)和中國(guó)文聯(lián)電影藝術(shù)中心編制的歷年《中國(guó)電影產(chǎn)業(yè)研究報(bào)告》。

此外，伴隨著國(guó)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(chǎng)次564.5萬(wàn)次，總票房68.37億元，而2014年四線城市放映場(chǎng)次900.2萬(wàn)次，總票房?jī)H35.39億元。可看出早在2014年一線城市與四線城市在影院經(jīng)營(yíng)效率方面和場(chǎng)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(chǎng)次為1543.5萬(wàn)次，累計(jì)票房達(dá)到122.35億，而四線城市放映場(chǎng)次3331.6萬(wàn)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(fèi)趨勢(shì)正在不斷拉大。伴隨著一二線城市人均觀影量和市場(chǎng)需求的漸進(jìn)飽和，開(kāi)發(fā)下線市場(chǎng)和挖掘票房潛力已經(jīng)是必然趨勢(shì)。然而，下線城市影院建設(shè)速度雖然不斷加快，但實(shí)質(zhì)上票房并未顯著增加，相反帶來(lái)了一系列運(yùn)營(yíng)成本上升和影院經(jīng)營(yíng)壓力不斷增大的問(wèn)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(duì)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(wèn)題，對(duì)于完善電影行業(yè)市場(chǎng)體系、加快電影行業(yè)供給側(cè)改革和穩(wěn)定電影市場(chǎng)發(fā)展具有重要意義。

二、研究設(shè)計(jì)

(一)數(shù)據(jù)來(lái)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(shí)，需要考慮到各個(gè)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(shí)際狀況?；诖耍疚母鶕?jù)《中國(guó)城市統(tǒng)計(jì)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(lái)源于阿里巴巴公司旗下的燈塔專(zhuān)業(yè)版APP，票房、影院等相關(guān)數(shù)據(jù)主要來(lái)源于中國(guó)電影家協(xié)會(huì)和中國(guó)文聯(lián)電影藝術(shù)中心編制的歷年《中國(guó)電影產(chǎn)業(yè)研究報(bào)告》。本文以燈塔專(zhuān)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(duì)象。其中，不選取2020年數(shù)據(jù)主要是因?yàn)橐咔橛绊憣?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(duì)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)丝凇⒊鞘衅骄丝?、人均消費(fèi)能力、銀幕數(shù)量、觀影人次、上映的影片數(shù)量、影院放映場(chǎng)次、上座率、平均票價(jià)、平均一部影片產(chǎn)生的票房和場(chǎng)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(guó)城市統(tǒng)計(jì)年鑒》統(tǒng)計(jì)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(lái)源于《中國(guó)城市統(tǒng)計(jì)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(chǎng)次、上座率、平均票價(jià)、平均一部影片產(chǎn)生的票房、場(chǎng)均觀影人次等均以燈塔專(zhuān)業(yè)版APP和《中國(guó)電影產(chǎn)業(yè)研究報(bào)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(gè)地域之間不同的觀影特征和消費(fèi)趨勢(shì)，對(duì)于當(dāng)?shù)仉娪爱a(chǎn)業(yè)的發(fā)展和影院的日常經(jīng)營(yíng)提供了較為精確的衡量指標(biāo)。

對(duì)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(jì)(如表2)，國(guó)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?chǎng)次最大值為5414，最小值為564.5，均值為2093。從中可以看出隨著國(guó)內(nèi)經(jīng)濟(jì)建設(shè)的蓬勃發(fā)展，各個(gè)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(jí)數(shù)增長(zhǎng)。并且不同城市之間的差別也在不斷增大，一線城市無(wú)論是GDP、城市人口，還是平均票價(jià)，都遠(yuǎn)遠(yuǎn)超過(guò)任何時(shí)期的四線城市，不同城市之間的消費(fèi)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(jì)

(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(lái)人工智能領(lǐng)域興起的研究熱點(diǎn)，是從信息處理角度對(duì)人腦神經(jīng)元網(wǎng)絡(luò)進(jìn)行模擬，通過(guò)構(gòu)建運(yùn)算模型，以大量節(jié)點(diǎn)(或稱(chēng)神經(jīng)元)相互連接，每個(gè)連接都關(guān)聯(lián)一個(gè)對(duì)應(yīng)的權(quán)重，其模型學(xué)習(xí)過(guò)程就是連接權(quán)重的更新訓(xùn)練過(guò)程(如圖1)。目前學(xué)術(shù)界對(duì)于神經(jīng)網(wǎng)絡(luò)的運(yùn)用大多針對(duì)于訓(xùn)練神經(jīng)網(wǎng)絡(luò)模型的準(zhǔn)確性，通過(guò)多種預(yù)測(cè)模型進(jìn)行實(shí)驗(yàn)組與對(duì)照組進(jìn)行比對(duì)，判斷相同條件下不同模型的預(yù)測(cè)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(duì)于電影產(chǎn)業(yè)而言，出于市場(chǎng)極大的風(fēng)險(xiǎn)性和不確定性，市面上的即時(shí)訊息通常很難被準(zhǔn)確預(yù)測(cè)，同時(shí)就算投入再多的營(yíng)銷(xiāo)費(fèi)用，也不一定會(huì)成為熱門(mén)影片，票房產(chǎn)出似乎天生就伴隨著“天時(shí)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(duì)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(diǎn)在于神經(jīng)網(wǎng)絡(luò)模型會(huì)根據(jù)大量數(shù)據(jù)的迭代訓(xùn)練找出不同類(lèi)別潛在的映射關(guān)系，也就是無(wú)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(cè)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(gè)隱藏層，學(xué)習(xí)速率相對(duì)較高，但是預(yù)測(cè)能力相對(duì)較低，而多層感知器系統(tǒng)是通過(guò)將多個(gè)因子變量集中投射到相對(duì)單一的輸出數(shù)據(jù)中，再運(yùn)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(cè)能力。本文研究主題主要是分析國(guó)內(nèi)各線城市電影產(chǎn)業(yè)發(fā)展要素對(duì)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(cè)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(lèi)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(gè)節(jié)點(diǎn)輸出為：

其中

w

表示第j個(gè)隱藏節(jié)點(diǎn)和第i個(gè)輸入節(jié)點(diǎn)的權(quán)重，b為偏差項(xiàng)。輸出層第k個(gè)節(jié)點(diǎn)關(guān)于x的網(wǎng)絡(luò)輸出為：

其中

V

表示第k個(gè)輸出節(jié)點(diǎn)和第j個(gè)隱藏節(jié)點(diǎn)的權(quán)重，

b

為偏差項(xiàng)。為了判斷神經(jīng)網(wǎng)絡(luò)學(xué)習(xí)過(guò)程是否終止，一般判定預(yù)測(cè)誤差達(dá)到較小差，或者正確分類(lèi)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(duì)影響電影票房的變量進(jìn)行預(yù)測(cè)分析，所設(shè)置的中止規(guī)則是無(wú)法進(jìn)一步降低誤差，其隱藏層個(gè)數(shù)為系統(tǒng)自動(dòng)模擬計(jì)算，根據(jù)不同城市下實(shí)際狀況匹配最優(yōu)的隱藏層個(gè)數(shù)。同時(shí)為了檢驗(yàn)神經(jīng)網(wǎng)絡(luò)模型迭代更新的真實(shí)程度，本文通過(guò)神經(jīng)網(wǎng)絡(luò)模型得出的結(jié)果進(jìn)行線性回歸，檢驗(yàn)不同變量對(duì)票房的實(shí)際作用大小，并結(jié)合主成分分析(PCA)簡(jiǎn)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(shí)證分析

(一)神經(jīng)網(wǎng)絡(luò)模型結(jié)果分析

如表3所示，對(duì)國(guó)內(nèi)所有城市進(jìn)行統(tǒng)一匯總預(yù)測(cè)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(duì)票房的增長(zhǎng)起到重要影響作用，要想促進(jìn)國(guó)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(dòng)消費(fèi)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(fèi)水平都有顯著差異，因此需要對(duì)不同層級(jí)下的城市做進(jìn)一步檢驗(yàn)分析。對(duì)一二三四線城市分別做神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)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(fèi)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(cè)結(jié)果(括號(hào)內(nèi)為模型預(yù)測(cè)的變量重要性)

將一二三四線城市統(tǒng)計(jì)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(gè)銀幕產(chǎn)生的票房、上映影片數(shù)量和當(dāng)?shù)乜側(cè)丝谡急茸罡撸c總體城市神經(jīng)網(wǎng)絡(luò)統(tǒng)計(jì)結(jié)果高度一致，驗(yàn)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(jià)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(yùn)營(yíng)效率方面，而四線城市的院線基礎(chǔ)建設(shè)還未完全開(kāi)發(fā)，當(dāng)?shù)鼐用癯鲇趦r(jià)格、時(shí)長(zhǎng)、地理位置等因素，對(duì)電影觀影活動(dòng)存在較多不確定性，觀影活動(dòng)并未成為剛需，此時(shí)要想提高當(dāng)?shù)赜^影體量，影院下沉、降低票價(jià)等手段值得嘗試。

此外，為檢驗(yàn)?zāi)Ｐ皖A(yù)測(cè)變量的準(zhǔn)確性，本文采用SPSS Modeler中的分析節(jié)點(diǎn)，比較輸出結(jié)果與輸入結(jié)果的差別。如表4，五個(gè)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(cè)結(jié)果較為準(zhǔn)確，與真實(shí)數(shù)據(jù)相比并未產(chǎn)生太大變化，可接受模型預(yù)測(cè)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(yàn)

為了驗(yàn)證以上神經(jīng)網(wǎng)絡(luò)模型預(yù)測(cè)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(duì)電影票房的實(shí)際作用影響?；诒疚钠约皺z驗(yàn)方法的合理性，本文主要以神經(jīng)網(wǎng)絡(luò)對(duì)總體城市所預(yù)測(cè)的重要變量進(jìn)行檢驗(yàn)。假定計(jì)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(gè)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(dòng)項(xiàng)。為驗(yàn)證神經(jīng)網(wǎng)絡(luò)模型實(shí)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(jì)。如表5所示，模型1-4是分別對(duì)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(yàn)證了神經(jīng)網(wǎng)絡(luò)對(duì)城市電影產(chǎn)業(yè)經(jīng)濟(jì)特征的預(yù)測(cè)結(jié)果，并且系數(shù)全部都為正，說(shuō)明以上因素對(duì)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(huì)單獨(dú)影響個(gè)別變量的顯著關(guān)系，但大體上回歸系數(shù)沒(méi)有明顯改變，其結(jié)果認(rèn)定為在1%和5%水平上通過(guò)顯著性檢驗(yàn)。同時(shí)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(yàn)問(wèn)題，本文通過(guò)分位數(shù)回歸檢驗(yàn)，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(gè)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(hào)均未改變，說(shuō)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(yàn)，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(huì)存在異質(zhì)性，同時(shí)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(yàn)

通過(guò)上述神經(jīng)網(wǎng)絡(luò)模型和普通最小二乘法統(tǒng)計(jì)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(guó)內(nèi)電影票房實(shí)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(gè)別變量并沒(méi)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(shí)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(gè)變量累計(jì)占到總方差的97.3%，后面特征值的貢獻(xiàn)率越來(lái)越小，從第四個(gè)變量開(kāi)始，其后的貢獻(xiàn)率不超2%。因此選取前四個(gè)變量具有一定的合理性，表明存在四個(gè)變量能夠較好地解釋所有變量信息。同時(shí)也驗(yàn)證了神經(jīng)網(wǎng)絡(luò)模型預(yù)測(cè)的精確程度，間接對(duì)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(guó)內(nèi)2014—2019年的各線城市電影產(chǎn)業(yè)數(shù)據(jù)，通過(guò)SPSS Modeler軟件進(jìn)行神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)分析，在此基礎(chǔ)上對(duì)預(yù)測(cè)結(jié)果進(jìn)行普通最小二乘法(OLS)和主成分分析(PCA)的檢驗(yàn)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(cè)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(duì)國(guó)內(nèi)電影票房有重大影響，尤其對(duì)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(fèi)能力等都達(dá)到了較高水平，此時(shí)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(fèi)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(jià)、銀幕數(shù)量和城市平均人口方面，市場(chǎng)觀影潛力仍未完全激發(fā)出來(lái)。尤其在近些年網(wǎng)絡(luò)消費(fèi)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(tīng)產(chǎn)品的沖擊，對(duì)于近些年不斷加速下沉的新老影院日常經(jīng)營(yíng)都造成了重重壓力。

基于本文的研究，為了推動(dòng)國(guó)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(chǎng)布局方面，需要合理考慮不同區(qū)域間的實(shí)際差異，注重當(dāng)?shù)厥袌?chǎng)實(shí)際消費(fèi)能力和市場(chǎng)增長(zhǎng)空間，以各地區(qū)電影產(chǎn)業(yè)實(shí)際發(fā)展?fàn)顩r采取梯度化建設(shè)。對(duì)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(dòng)的基礎(chǔ)上提升影院附加價(jià)值，宏觀上以院線整合帶動(dòng)相關(guān)產(chǎn)業(yè)鏈消費(fèi)升級(jí)，開(kāi)發(fā)電影產(chǎn)業(yè)鏈的多功能價(jià)值鏈條，以影院服務(wù)的上升、觀影體驗(yàn)感的升級(jí)和相關(guān)產(chǎn)業(yè)鏈的整合消費(fèi)作為當(dāng)?shù)赜霸旱暮诵母?jìng)爭(zhēng)優(yōu)勢(shì)，促進(jìn)當(dāng)?shù)馗嗳俗哌M(jìn)影院，推動(dòng)整體消費(fèi)體量的上升。而對(duì)于四線以下的城市，一方面需要鼓勵(lì)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(chǎng)營(yíng)銷(xiāo)為主，降低票價(jià)為輔，積極策劃豐富的觀影活動(dòng)，把下線市場(chǎng)的人口優(yōu)勢(shì)轉(zhuǎn)化為電影票房增長(zhǎng)的動(dòng)力來(lái)源。(2)在需求提升方面，需要不斷提升精品化和類(lèi)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(duì)國(guó)內(nèi)電影票房的增長(zhǎng)起到重要影響作用。同時(shí)，對(duì)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(duì)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(dòng)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(lái)的消費(fèi)活力未滿足的現(xiàn)狀。而對(duì)于四線城市除了鼓勵(lì)新增影院下沉和培養(yǎng)下線市場(chǎng)觀影愛(ài)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(yùn)營(yíng)開(kāi)發(fā)。