当代西方电影票房预测研究的发展演变
2024年全球电影市场的发展趋势
国际合作和贸易协议
国际合作：加强与其他国家的电影合作，共同制作和发行电影 贸易协议：签订电影贸易协议，降低关税和壁垒，促进电影市场的开放和繁荣 版权保护：加强版权保护，打击盗版行为，维护电影市场的健康发展 投资政策：制定优惠政策，吸引外资进入电影市场，促进电影产业的发展
未来展望和挑战
07
在线观影比例增加：随着网络带宽和流媒体服务的发展，观众更倾向于在 线观看电影，方便快捷。
社交媒体对电影市场的影响
社交媒体成为电影宣传的重要渠道
观众通过社交媒体获取电影信息，影响观影决策
社交媒体上的口碑传播影响电影票房 社交媒体数据帮助电影制作方了解观众喜好，优化电影制作和营销 策略
政策和法规对电影市场的影响
YOUR LOGO
XX,a click to unlimited possibilities
2024年全球电影市场的发展趋势
汇报人：XX
汇报时间：20XX/01/01
目录
01.
添加标题
02.
全球电影市 场概述
03.
技术进步对 电影市场的 影响
04.
内容创新和 多样化
05.
观众行为和 消费习惯的 变化
行业未来的发展方向
数字化和流媒体：电影行业将更 加依赖数字化技术和流媒体平台， 提供更多的在线观看选择。
多元化和包容性：电影行业将更 加注重多元化和包容性，展示不 同文化和背景的故事和角色。
添加标题
添加标题
添加标题
添加标题
虚拟现实和增强现实：电影制作 和观看方式将受到虚拟现实和增 强现实技术的影响，带来全新的 观影体验。
对电影市场的影响： 提高观影体验，增 加电影制作成本， 改变电影制作方式
利用机器学习算法进行电影票房预测的研究
利用机器学习算法进行电影票房预测的研究随着电影行业的不断发展和普及，电影票房成为了人们关注的焦点之一。
对于电影公司而言，票房数据的准确预测可以直接决定影片的商业成功与否。
因此，如何利用现代技术手段对电影票房进行精准预测，一直是研究领域中的热门话题。
本文将从利用机器学习算法进行电影票房预测的角度切入，探讨该领域的现状、问题和前景。
一、现状：电影票房预测的方法和局限目前，电影票房预测的主要方法包括：基于市场数据和电影元素的预测、基于行业经验和专家预测、基于数据挖掘和机器学习的预测等。
其中，基于市场数据和电影元素的预测广泛应用于电影公司的内部决策和市场分析；基于行业经验和专家预测则在某些场合下有一定参考价值，但因为受到主观因素的影响较大，容易偏离实际情况；而基于数据挖掘和机器学习的预测则是目前研究的热点，被认为是最具潜力的预测方法之一。
然而，目前基于数据挖掘和机器学习的电影票房预测仍然存在一些局限性。
首先，数据来源不充分，很难获取到完整且准确的数据集；其次，算法模型复杂度高，需要大量计算资源和时间；第三，由于不同电影的类别、类型、导演、演员等因素差异较大，所以如何针对不同情况选择合适的模型也是一个难点。
二、问题：如何构建更准确的机器学习模型基于以上局限性，我们需要探索更好的机器学习模型，以构建更准确的电影票房预测模型。
具体来说，我们可以从以下几个方面入手：1. 数据增强。
通过数据增强技术，如同义词替换、数据扩充等，提高数据的覆盖率和有效性，获得更全面、准确的数据集。
2. 特征选择。
通过对不同特征的权重进行分析和优化，选择对预测影响最大的特征，提高算法的准确度和精度。
3. 算法模型优化。
在传统的算法模型基础上，引入人工智能、深度学习等先进算法，从而提高模型的精度和通用性。
4. 情境适应。
根据不同的情境和需求，选择不同的预测模型和算法，建立符合实际需求和效果的模型。
三、前景：利用机器学习进行电影票房预测的发展前景我们可以发现，随着人工智能和机器学习技术的快速发展，利用机器学习进行电影票房预测将会越来越普遍。
电影行业票房数据分析报告
电影行业票房数据分析报告近年来，电影行业经历了快速发展，票房数据成为了衡量一部电影成功与否的重要指标。
本文将对电影行业的票房数据进行分析，探讨其背后的趋势和原因。
1. 总体趋势分析电影行业的票房数据呈现出明显的增长趋势。
根据最新统计数据显示，全球电影票房收入每年都在稳步增长，尤其是在亚洲市场的迅速崛起下，整个行业呈现出持续繁荣的态势。
这一趋势主要得益于技术的不断进步和市场需求的增加。
2. 区域差异分析不同地区的电影市场存在着明显的差异。
亚洲市场在过去几年里取得了突飞猛进的发展，中国成为了全球第二大电影市场，仅次于美国。
中国电影市场的崛起主要得益于人口众多和中产阶级的崛起，这使得中国成为了全球电影市场的重要一环。
3. 影片类型分析在电影票房数据中，不同类型的影片也呈现出不同的趋势。
动作片、科幻片和超级英雄片通常在票房上表现出色，这与大众对于刺激和特效的需求密切相关。
而文艺片和独立电影则在票房上表现较为一般，这主要是因为这类影片的观众群体相对较小，且宣传力度较低。
4. 好莱坞与非好莱坞电影对比好莱坞电影一直以来都是全球电影市场的主导力量，其制作水平和宣传能力都是其他地区难以比拟的。
然而，近年来，一些非好莱坞电影也开始崭露头角，取得了不俗的票房成绩。
这主要得益于这些电影在故事性和创新性方面的突破，以及对本土文化的深入挖掘。
5. 影院观影和在线观影的对比随着互联网的普及和技术的进步，越来越多的观众选择在家中通过在线平台观看电影。
这对传统的影院观影模式带来了一定的冲击。
然而，影院仍然具有其独特的优势，例如更好的视听效果和社交体验。
因此，在线观影和影院观影仍然存在着共存的可能性。
6. 影响票房的因素电影票房的高低不仅仅取决于电影本身的质量，还受到多种因素的影响。
市场宣传、口碑传播、演员阵容、上映时间等都会对票房产生重要影响。
同时，社交媒体的兴起也使得观众的选择更加多元化，他们更加倾向于通过朋友的推荐和社交平台的评价来决定观影。
电影票房预测算法研究
电影票房预测算法研究一、背景介绍随着电影产业的不断发展，电影票房数据越来越成为重要的衡量电影成功与否的指标。
因此，电影票房预测算法成为电影行业的研究热点之一，对于电影制作方和发行方制定电影投资策略和推广方案具有重要的参考价值。
二、电影票房预测算法的分类目前，电影票房预测算法主要分为两类：基于数据挖掘和机器学习的预测算法和基于社会网络和大数据分析的预测算法。
1. 基于数据挖掘和机器学习的预测算法基于数据挖掘和机器学习的电影票房预测算法是根据历史票房数据、电影类型、导演、演员、评分等因素，通过数据挖掘和机器学习的算法建立模型进行预测。
常见的算法有支持向量机（SVM）、随机森林和神经网络等。
2. 基于社会网络和大数据分析的预测算法基于社会网络和大数据分析的电影票房预测算法利用社交网络平台传播的信息和用户行为数据，通过大数据分析挖掘潜在的观影意愿和口碑，通过社会网络传播力和口碑效应预测票房。
常见的算法有文本分析、社交网络分析和数据挖掘等。
三、电影票房预测算法的应用电影票房预测算法可以用于电影制作方和发行方的决策和投资建议，具体应用包括：1. 电影市场调研和分析电影票房预测算法可以帮助电影制作方预测不同类型电影在不同市场的表现和受众需求，提供科学依据，降低投资风险。
2. 推广策略制定电影票房预测算法可以帮助电影发行方确定电影推广策略，并预测电影推广效果，选择适合的推广模式和渠道，提高宣传效果和口碑。
3. 及时调整热点电影排片电影票房预测算法可以帮助影院及时调整电影排片，根据社交网络反馈和预测票房变化而进行相应调整，提高票房收入。
四、电影票房预测算法存在的问题及展望尽管电影票房预测算法在电影产业中的应用前景广阔，但是也存在许多问题和挑战：1. 算法建模过程中存在理论难点和挑战，需要发展新的算法和模型，进一步提高预测精度。
2. 所涉及的因素复杂并存在不确定性，例如电影制作方和发行方的影响力、社会网络平台的传播力和舆论环境等，需要完善原始数据的收集和处理。
电影行业的票房预测与评估
电影行业的票房预测与评估电影行业一直以来都是人们热衷关注的话题，而票房成为评判一部电影是否成功的重要指标。
因此，准确的票房预测与评估对于电影从业者以及观众来说都具有重要意义。
本文将探讨电影行业的票房预测与评估方法、影响票房的因素以及未来的发展趋势。
一、票房预测方法票房预测是通过对电影相关数据的分析和推算，从而预测电影在上映后的票房表现。
以下是一些常见的票房预测方法。
1. 大数据分析法：通过利用海量的历史票房数据和电影相关数据，运用数据挖掘和机器学习等技术，对电影的潜在市场需求进行分析和预测。
这种方法具有高效、准确的特点，能够帮助电影从业者更好地掌握观众喜好和市场趋势。
2. 社交媒体分析法：近年来，社交媒体的兴起为电影票房预测提供了新的角度。
通过对社交媒体上人们的评论、转发和讨论进行分析，可以了解观众对电影的反馈和兴趣程度，从而预测票房表现。
这种方法对于大众口碑电影的预测效果较好。
3. 调查问卷法：这是一种传统的票房预测方法，通过向观众发放调查问卷，了解他们对电影的期望和购票意向，从而预测电影的受欢迎程度和票房潜力。
虽然这种方法存在一定的主观性，但仍在一定程度上被应用于电影行业。
二、影响票房的因素电影票房的高低受到多方面因素的影响。
以下是一些常见的影响票房的因素。
1. 电影品质：电影的质量、故事情节、演员表现等直接关系到观众的满意度和购票意愿。
一部好的电影往往能够吸引更多观众并获得高票房。
2. 电影类型：观众对不同类型电影的喜好程度不同。
一些受众较广泛的类型，如动作片、喜剧片等通常能够获得较高的票房。
而一些小众类型电影可能面临票房困难。
3. 营销策略：电影的宣传和营销对于票房的成功至关重要。
通过巧妙的宣传手段和广告营销，可以提高观众对电影的关注度和购票欲望。
4. 竞争环境：电影市场竞争激烈，同一时期可能有多部电影上映。
因此，电影的票房还会受到其他同期上映电影的竞争影响。
三、未来发展趋势随着科技的不断发展和观众需求的变化，电影行业的票房预测和评估方法也在不断演进。
历年北美票房
历年北美票房北美票房一直是全球电影市场的重要指标之一，每年都有大量的电影作品在北美上映，吸引了众多观众的关注和赞誉。
本文将回顾近年来北美票房的历史记录，分析票房热门影片的特点和成功因素，以及对未来北美电影市场的展望。
一、历年北美票房概述北美票房是指在美国和加拿大的院线放映期间所获得的票房收入。
自20世纪初以来，北美票房一直保持在全球电影市场的领先地位。
根据统计数据显示，近年来北美票房总体呈现出逐年增长的趋势。
2015年，北美票房达到了历史新高，总计收入达到了约400亿美元。
其中，不乏一些热门电影的身影，比如《星球大战：原力觉醒》、《复仇者联盟2：奥创纪元》等。
这些电影通过其独特的故事情节、精彩的视觉效果和出色的演员阵容，吸引了大量观众的关注，成为当年的票房冠军。
2016年，北美票房虽然有所下滑，但仍保持在300亿美元以上的水平。
而《美国队长3：内战》、《魔兽》等好莱坞大片依然是票房的亮点。
这些影片不仅在北美市场取得了巨大成功，同时也在国际市场上获得了不俗的成绩。
2017年，北美票房再度创下新高，总计收入约为380亿美元。
这一年，好莱坞推出了一系列备受期待的大片，如《星球大战：最后的绝地武士》、《神奇女侠》等。
这些影片不仅在票房上取得了成功，同时也引发了观众们对电影的热烈讨论和好评。
二、票房热门影片的特点和成功因素票房热门影片往往有一些共同的特点和成功因素。
首先，故事情节的吸引力是观众去电影院观看的首要因素。
一个扣人心弦、引人入胜的故事能够让观众产生共鸣，激发观众的好奇心和观影欲望。
其次，视觉效果的精彩程度也是吸引观众的重要因素之一。
现代电影制作技术的不断进步，为电影创作带来了更多的可能性。
通过精致的特效和惊艳的画面呈现，能够给观众带来震撼和视觉享受。
另外，演员的表演也是影响票房的关键因素之一。
有着优秀演技和知名度的演员往往能够吸引更多观众的注意。
观众们往往会根据演员的代表作品和个人形象来选择观看电影。
《2024年电影票房的影响因素分析——基于Logit模型的研究》范文
《电影票房的影响因素分析——基于Logit模型的研究》篇一一、引言电影票房作为衡量一部电影成功与否的重要指标，一直是电影产业关注的焦点。
随着电影市场的日益繁荣，如何准确预测电影票房，了解其影响因素，成为了业界和学术界研究的热点问题。
本文旨在通过Logit模型，对电影票房的影响因素进行深入分析，以期为电影产业提供有益的参考。
二、文献综述过去的研究表明，电影票房受多种因素影响，包括电影质量、宣传策略、上映时间、演员阵容、电影类型等。
这些因素之间的相互作用，共同决定了电影的票房表现。
近年来，随着数据分析和统计方法的进步，越来越多的学者开始运用Logit模型等统计工具，对电影票房的影响因素进行定量分析。
三、研究方法与数据来源本研究采用Logit模型，通过收集大量的电影票房数据及相关影响因素数据，对电影票房的影响因素进行定量分析。
数据来源包括电影票房统计网站、电影数据库、新闻报道等。
在选取影响因素时，本文主要考虑了电影质量、宣传策略、上映时间、演员阵容、电影类型等因素。
四、模型构建与实证分析（一）模型构建本研究采用Logit模型，将电影票房作为二元因变量（成功/失败），将电影质量、宣传策略、上映时间、演员阵容、电影类型等因素作为自变量，构建多元Logit回归模型。
（二）实证分析1. 变量选择与定义在实证分析中，本文选取了以下自变量：电影质量（包括剧情、制作水平等）、宣传策略（包括宣传投入、宣传渠道等）、上映时间（包括节假日、档期等）、演员阵容（包括演员知名度、演技等）、电影类型（如动作、喜剧、爱情等）。
2. 数据处理与模型检验在数据处理方面，本文对所有数据进行清洗和整理，确保数据的准确性和可靠性。
在模型检验方面，本文采用逐步回归法，对各个自变量进行筛选和调整，以确定最终进入模型的自变量。
3. 模型结果与分析经过Logit模型的分析，本文得出以下结论：电影质量对票房有显著影响。
剧情紧凑、制作水平高的电影更容易吸引观众，从而获得高票房。
美国电影行业市场分析及未来趋势研究
美国电影行业市场分析及未来趋势研究
一、市场分析
1、行业概况
美国电影行业的生产活动主要发生在国外，市场表现出两个特点，一
是美国电影上映量居世界前三;二是投资回报率超低，低至0.5-1.5％。
据了解，在2024年，美国电影市场的总收入达到11.4亿美元，占全球市
场的10.2%，但出现了近十年来的最低点。
2、受众特征
根据美国电影行业2024-2024年的市场分析，有观影的受众年龄主要
分布在18-34岁，占总受众的47％；35-54岁占35％，55岁以上占18％。
受众素质方面，有观影的受众主要以高学历人群为主，本科以上学历占50％，博士以上学历占18％；就业方面，有观影的受众主要以就业人群
为主，就业人群占67％，学生占21％，其他占12％。
3、电影院网络
美国电影行业正在经历，主要表现在两个方面：一是电影院的网络越
来越发达，目前，全美国的电影院超过4.2万家，包括大型影院和小型影院；二是观影方式的多样化。
以IMAX为代表的大型影院越来越受欢迎，
3D电影成为了购票的必看；视频点播网络也在不断发展，使得观众更加
方便。
二、未来趋势
1、传媒融合
由于传媒融合，越来越多的网络和实体形式成为观众经常使用的影响媒介。
- 1、下载文档前请自行甄别文档内容的完整性，平台不提供额外的编辑、内容补充、找答案等附加服务。
- 2、"仅部分预览"的文档,不可在线预览部分如存在完整性等问题,可反馈申请退款(可完整预览的文档不适用该条件!)。
- 3、如文档侵犯您的权益，请联系客服反馈,我们会尽快为您处理(人工客服工作时间：9:00-18:30)。
当代西方电影票房预测研究的发展演变王建陵【专题名称】影视艺术【专题号】J8【复印期号】2009年04期【原文出处】《电影艺术》(京)2009年1期第45～49页【英文标题】Development and Evolution of the Study on Forecast of Film Box Office in Contemporary Occident【作者简介】王建陵，浙江大学传播所博士生，云南师范大学讲师。
【内容提要】西方电影票房预测研究从影片创意质量、发行能力、营销能力等方面建立票房预测模型，研究方法以实证化、模型化为主。
通过译介西方电影票房预测的研究成果，本文指出建立适合我国现实情况的电影票房预测模型的重要性。
电影是高风险的文化产业，电影票房是衡量一部影片成功的重要指标，创造了电影产业的直接利润，也直接推动了DVD、电影点播、衍生产品等电影相关市场的开发。
影响电影票房的因素无疑是错综复杂的，影片质量、发行及市场营销手段以及独立的第三方评价都会影响到电影票房成绩。
研究具体有哪些因素影响电影票房以及这些因素之间的相互关系，对于降低电影产业的市场风险以及完善电影业的经营管理都具有重大意义。
当代西方电影票房研究始于20世纪80年代，之后吸引了众多学者的目光，直至今天，仍然是的研究热点之一。
上述学西方电影票房研究综合了电影学、传播学、媒介经济学、管理学科的研究方法，通过对影响电影票房及其经济成功的相关数据进行实证分析，建立电影票房的预测模型，实现对电影票房的成功预测，这是西方电影票房研究的基本特点。
电影票房研究的基本模型电影票房研究始于20世纪80年代末，美国电影经济学家巴瑞·李特曼(Barry Litman)奠定了电影票房研究的基本模型和方法。
他将电影票房研究的方法分为传播学方法和经济学方法。
传播学方法注重个人的观影决定过程以及影片的选择，经济学方法注重影响票房的制度性因素。
两种研究方法有很多变量是相同的，最大区别在于数据的来源和研究假设的检验，传播学习惯使用调查法来调查个人的观影习惯，而经济学方法侧重于使用一些权威产业数据。
他把影响电影经济成功的自变量划分为三大部分：创意、发行/上映时间以及电影营销。
李特曼收集了1981年-1986年在美国播出的697部电影作为研究样本，因为当时电影票房数据不易得到，李特曼用影片的租金收入作为考量电影票房的因变量，创意部分的变量有影片类型、美国电影协会(MPAA)的电影分级、熟悉的故事、出品国、明星、导演、生产成本、影评等，其中影片类型的确定主要参考美国杂志《电视指南》(TV Guide)。
发行/上映部分的自变量有发行商、发行日期、发行模式、市场力量等，而电影营销部分的自变量有发行公司的营销能力和是否获奖等。
各部分的变量及其操作定义如表1所示。
将表1中所述自变量与因变量的影片租金收入进行层次回归，得到的回归方程式：Y＝-28.482×106+7.232×106顶级导演+14.846×106明星+11.818×106科幻+13.858×106续集+24.932×106奥斯卡提名－4.966×106剧情+6.972×106影评+3.814×106大发行公司。
“回归分析”是通过观察数据确定存在于因变量和自变量之间的定量表达式，即回归模型的具体函数形式与模型参数的估计值，是研究变量之间非确定性相互依赖关系的经典方法之一。
层次回归是指在确定理论框架的情况下，对理论的各个层面进行回归分析，在本文中李特曼就创意、发行/上映及电影营销三个层次进行了回归分析。
以上回归方程式中，Y代表一部影片的租金收入；顶级导演是指该片由曾获过奥斯卡提名的导演执导；明星是指该片由排名前20位的明星出演；科幻是指该片类型是科幻，对票房影响为正；续集是指该片是某部电影的续集；奥斯卡提名是指该片曾获得奥斯卡提名，该片类型如果是剧情片，对票房影响为负；影评是指专业人士对该片的评价；大发行公司是指该片由大发行商发行。
通过将一部影片的具体变量值代入上述回归方程式，即可得到该片用于考量票房的租金收入。
和预期的自变量相比，一部电影由顶级导演执导、有明星出演对影片租金收入有显著影响，因而进入回归方程式；在影片类型方面，恐怖片、喜剧片都因与影片租金关系不显著而未进入回归方程式，科幻片会对影片租金收入产生显著的积极影响，而剧情片则产生负面影响；档期方面，圣诞档期失去其显著性，取而代之的是暑期档，其中的原因是各大发行商都看好圣诞档期，在这期间发行大量影片，市场竞争激烈，以至于圣诞档期不能再保证影片获得经济成功。
其次，美国电影市场正由假日型向普通型转变，电影票价由昂贵到相对便宜，对于收入并不丰厚的学生族，看电影成为暑假的日常娱乐活动，暑期档成为创造电影经济成功的黄金档期。
此外，由上述回归方程式还可以看出影评、续集(故事的熟悉程度)都会对影片的租金收入产生积极影响。
李特曼的票房研究模型为后来电影票房预测以及电影经济成功的预测性研究提供了基本思路和方法。
后来的研究模型加入了其他变量，名称虽然各不相同，但可以从这里找到源头；在研究方法上，随后的研究基本上都是实证分析，首先建立研究样本，通过相关分析和回归分析，建立电影票房的预测模型。
电影票房走向动态研究20世纪90年代电影票房研究在李特曼模型的基础上，对影响电影票房的因素进行了更加深入的研究，尤其是引入了放映周数这一因变量，让电影票房模型预测由静态走向动态。
1994年斯格特·苏凯(Scott Sochay)的论文《电影成绩预测》(Predicting the Performance of Motion Pictures)②以1987年-1989年在北美地区发行的影片作为样本，对电影票房的预测进行了研究。
该研究的因变量有国内电影租金收入和放映周数(Length of Run, LOR)。
在李特曼模型基础上，苏凯对自变量做了进一步细化，分为创意、发行以及电影营销三大块共22个自变量，影片类型、美国电影协会的分级、明星、影评、获奖、暑期档、圣诞档、复活节档等自变量的操作类似于李特曼模型，苏凯增加的最重要的自变量是市场集中度。
市场集中度(Concentration Ratio)反映了不同放映时段的市场竞争，其计算公式为：市场集中度＝排名前四或前十的电影一周收入/当周所有的电影收入，比值越大，表明该片所面临的市场竞争越强。
市场集中度又细分为八个自变量。
作者运用八个回归方程式来探讨市场集中度对电影经济成功的影响。
如果一部票房排名前四的影片，第一周的租金收入＝-19.3810+0.0896×银幕数+4.1116×分级+13.2713×奥斯卡提名+17.4092×奥斯卡获奖+7.8138×暑假档期+6.2212×圣诞档期+4.7545×喜剧+6.7141×明星；以此类推，得出第二、第三、第四周的租金收入。
如果影片票房进入前十，第一周的租金收入＝29.5122+0.0542×银幕数+3.6532×分级+13.8508×奥斯卡提名+16.3173×奥斯卡获奖+14.4073×暑期档+9.2704×圣诞档+5.1440×喜剧+6.3256×明星-62.3310×CR101，其中CR101是指该片上映一周的票房与排名前十位影片的总票房比率。
以此类推，可以得出一部票房收入排行前十名的影片在第二周、第三周、第四周的租金收入。
回归结果如表2。
测定系数是检验回归方程效果的系数，比例越大，说明回归方程的效果越好，如CR101方程的测定系数为0.379，说明影片租金收入中的37.9％是由CR101引起的。
其中原因是电影首映四周后，通过口碑、影评等传播方式，会吸引更多观众，因而该影片的租金继续增加。
总体上CR10变量在解释变异时要比CR4好，CR10第一周到第四周的测定系数(0.379，0.380，0.374，0.373)分别都比CR4第一周到第四周的测定系数(0.325，0.343，0.341，0.344)要高，说明CR10模型的拟合度更好，在解释影片租金收入时解释力也更高。
苏凯还发现圣诞档期的重要性在下降，暑期档在上升，这一点和李特曼的研究是一致的，也再次证明了美国电影市场由假日型向普通消费型的转变；在类型变量中，喜剧类型与租金成正相关，曾有研究一直表明科幻片与租金的正相关，但在苏凯的研究中，科幻片与租金之间的正相关失去了显著性。
这一结果表明美国电影观众的品位处于不断变化之中，所以，电影从业人员需要随时了解观众的品位，并从中发现未来流行的新电影类型。
苏凯将放映周数引入对获得经济成功的电影的观察，成为除影片租金之外的另一个测量影片经济成功的可靠指标。
放映时间动态地反映了一部电影的产品周期，同时又通过市场集中程度这一变量，将市场竞争度纳入对电影经济成功的预测性研究中。
电影票房的预测性研究模型开始向动态深化。
电影票房研究的热门化电影票房研究在20世纪90年代后期热门化，吸引了众多领域如传播、经济、文化、管理等领域的研究者，推动着电影票房研究的深入，虽然结论各不相同，有些甚至矛盾，这一方面说明电影市场的多变性和复杂性，另一方面，也不断深化了我们对电影产业的认识。
这些票房预测模型基本上都从电影自身因素、市场营销以及独立的第三方评价三方面入手。
电影自身因素包括明星影响力、导演影响力、文化熟悉度、影片类型和电影分级。
对明星影响力的量化很多研究都采用了《国际电影年鉴》的明星排名或者直接使用商业机构“好莱坞报道”(The Hollywood Reporter)的明星影响力指数(Star Power Index)，该指数对全世界主要国家中具有票房号召力的1000多位明星进行排名和打分，其中得分在87.5～100的明星影响力最强，为一线明星；得分在62.5～87.49的明星次之，为二线明星；得分在37.5～62.49的明星具有一定影响力，为三线明星；得分在37.49以下的影响力较小或无影响力。
后者通过调查，把当今世界上的1000位明星进行了0～100分的考核，而查看“好莱坞报道”的明星影响力指数为收费服务，每查看一位明星的影响力指数，需要付费9.9美元。
直接使用“好莱坞报道”明星影响力指数进行研究的还有埃尔伯思(Elberse)、伊里亚斯伯格(Eliashberg)、艾斯利(Ainslie)、德瑞泽(Dreze)和祝夫莱登(Zufryden)等。
明星对电影票房的影响在美国佛罗里达大学的研究者陈白鹤(ByengHee Chang)和金云永(Eyun-Jung Ki)的研究中继续深化，基本思想认为明星影响力实际上是品牌影响力，一部电影中的明星与其他品牌要素一起，构成了电影品牌。