Agent应用指南:巨幕之下 · 中国 IMAX 影院205城的空间布局

巨幕之下:从猫眼数据看中国 IMAX 影院的分布逻辑

某个周末想看一部 IMAX 大片,打开猫眼选城市,习惯性往下滑------北京、上海、广州、深圳的影院密密麻麻。突然好奇:中国到底哪些城市真正"配得上"一块 IMAX 银幕?连锁影投谁家店开得最猛?那些标着「4DX」「杜比全景声」「CINITY」的特效厅,又铺到了什么程度?

带着这几个问题,我把影院数据做了一次地理版图透视。本文不堆术语,只聊数据背后的城市消费逻辑。

一张图先睹为快

我用 Leaflet + 高德瓦片把761个IMAX影院落到了交互地图上:中国 IMAX 影院

数据来源:从猫眼获取了全国 1089 个城市的自有编码(ci 编号,并非 6 位行政区划码),再写脚本按城市批量拉取 IMAX 影厅的信息,最终得到 761 家 IMAX 影院、覆盖 205 城。

方法思路

1、找到对应行城市的自有编码数据存储位置,遍历所有市,保存为 maoyan_city_codes.csv;

数据会以csv表格的形式,保存在运行脚本的目录下,数据标签包括:ci(行政区编码)、name(行政区名称);

2、我们通过改变查询负载的内容,来遍历全国门店,获取所有IMAX的相关标签数据,并根据标签进行保存,另存为csv;

获取数据标签如下,city(城市)、cinema_name(门店名称)、address(门店地址)、tags(标签),其他一些非关键标签,这里省略;

3、坐标地理编码和转换,因为数据的是详细地址信息,所以我们先要进行把地址转换为坐标,完成坐标转换后,再进行可视化;

一、IMAX 的地理集中度:它是高线级城市的"专属奢侈品"

先泼一盆冷水:本文的主角不是"猫眼覆盖了多少城",而是 IMAX 影院本身落在哪。这两者差别巨大------猫眼平台下沉到了县城,但 IMAX 银幕不会。

为什么是这样一个"阶梯状"分布,而不是平滑过渡?关键在 IMAX 的成本结构 :一块 IMAX 银幕(激光投影设备 + 专用影厅声学改造 + 定期片源授权)造价常达数百万元,回收完全依赖"高票价 × 高上座率"。这意味着它只在"票房基本盘厚、客群愿意为沉浸感付溢价"的城市才成立------这本质是一道需求门槛,而非供给限制(猫眼技术上能把 IMAX 列表铺到县城,但需求不允许)。

这就引出一个更本质的区分:IMAX 是"体验品"(experience good),不是"便利品"(convenience good)。便利品(连锁奶茶、社区药店、快递驿站)靠密度和下沉赚钱,规模效应允许它铺到县城;体验品靠单次高客单和稀缺性赚钱,需求天然集中在高消费都市圈。所以"下沉"叙事在 IMAX 这里失效,不是意外,而是这类生意的必然。

761 家 IMAX 影院按城市层级拆开,集中度一目了然:

怎么读这张图 :IMAX 影院几乎全部压在核心城市与地级市,县域为 0 家。换句话说,IMAX 不是下沉品,而是城市消费力分层的一枚指示器------它停在哪一级城市,哪一级城市就具备了"为体验溢价买单"的能力。

这还不是最狠的。把"平台可选城市"和"实际有 IMAX 的城市"放在一起对比,渗透率漏斗直接画出中国城市消费的"能力分界线":

  • 核心城市 (ci≤99):平台可选 39 个,其中 37 个有 IMAX,渗透率 94.9%------几乎"逢核心城市必有 IMAX"。
  • 地级市 (100--999):平台可选 822 个,仅 168 个有 IMAX,渗透率 20.4%------五个里不到一个。
  • 县域 (ci≥1000):平台可选 228 个,有 IMAX 的 0 个 ,渗透率 0.0%

这条 95%→20%→0% 的陡降曲线,比任何行政划分都更锋利地切出了"谁有资格谈体验消费升级"。作为对照,猫眼平台自身的城市覆盖确实广(1089 城编码,含大量县域):

平台下沉到县城,IMAX 留在高线级,这张反差图正是"流量生意"与"体验生意"的本质区别。数据中出现的县域 IMAX,其实是崇明、南沙、余姚这类强市辖区的影院,归属其所属的地级市------中国没有任何一家真正独立的县城 IMAX 。这恰恰说明 IMAX 跟随的是经济地理(都市圈) ,而非行政地理(区划边界):它认的是"都市圈核心商圈",不认"县"这个行政级别。

一、(续)城市商业魅力等级:一条更锋利的渗透悬崖

猫眼的城市编码分层偏"行政 + 技术",要看得更准,还得把 IMAX 放到**第一财经·新一线城市研究所《2025 城市商业魅力排行榜》**里再筛一遍。这个榜单把全国 337 个地级及以上城市划成六档:一线 4 城、新一线 15 城、二线 30 城、三线 70 城、四线 90 城、五线 128 城。

读图要点

  • 一线(4 城)+ 新一线(15 城)共 19 城,却贡献了 351 家 IMAX,占全部影院的 46.1%。这 19 城只占本次样本城市的 9.3%,却接近半壁银幕------IMAX 对高线级城市的依赖远超过"按城市数量平均分配"。
  • 城市渗透率(有 IMAX 的城市数 / 该等级总城市数)从一线、新一线的 100%,到二线 96.7%、三线 90.0% 仍维持高位,但四线骤降至 68.9%,五线只剩 25.0%。这道 70%→24% 的悬崖,比 ci 编码的"核心 / 地级 / 县域"分层更能说明问题:IMAX 只在"三线城市及以上"大规模成立,四线、五线只是零星点缀。
  • 从影院数量看,三线及以上(119 城)合计占 68.2%,而四线 + 五线(218 城)仅占 15.1%。平均每个二线城有 5+ 块银幕,五线城平均不到 0.3 块------这不是"还没下沉到位",而是这类生意天然的下限。

这种分布恰好解释了 ci 编码里看不到的"灰色地带":一些地级市虽然行政上能挂 ci 编码,但在商业魅力上已划入四线、五线,IMAX 同样难以进入。换句话说,IMAX 认的是"城市商业等级",而不只是"地级行政身份"。一块银幕,再次成为城市消费力的投票器。

换个角度,IMAX 的落点几乎就是一张"城市商业成熟度分类器":1089 个编码城市里,真正落下 IMAX 的 205 个,清一色是核心城市 + 具备消费力的地级市;余下 800 多个没有 IMAX 的城市,绝大多数是县域与弱地级市。一块银幕,筛出了中国"具备体验消费升级能力"的城市集合。

二、核心城市密度:一线领跑,但"分散"比"集中"更值得说

把城市按 IMAX 影院数量排个序:

结论先行上海43 家领跑,广州 33 家、北京 30 家紧随其后,成都 29 家。前几名清一色是一线 + 强新一线,和它们的人口、票房体量高度同构------IMAX 银幕造价高昂,只有基本盘足够厚、客群愿意为"大画面 + 沉浸感"付溢价的城市,影投才敢重金布局。

但光看 TOP 榜容易高估"头部虹吸"。把全部 205 个有 IMAX 的城市拉齐算,结论更有意思:

  • Top5 城市 合计只占全部 IMAX 的 18.7%Top10 也才 28.3%------头部远没有垄断。
  • 城市间分布的基尼系数高达 0.584(0 为完全平等、1 为极端集中),说明 IMAX 在"有没有"上已经高度不平等:少数都市圈吃肉,绝大多数地级市只分到 1--2 块银幕。
  • 但对前 20 城做位序---规模(Zipf)检验 ,指数仅 0.428 。作为参照,经典城市体系的 Zipf 指数接近 1.0(人口、GDP 高度向少数超大城聚集);IMAX 的 0.43 远低于此------它比人口分布平坦得多

这两个数字要放在一起读才有意思:基尼高(少数城市吃肉)+ Zipf 低(长尾城市极多)= IMAX 是一种"都市圈普惠型体验基础设施"。它不像人口、GDP 那样被京沪碾压式虹吸,而是广泛进驻了 200+ 个都市圈,却在每个城市内部极度克制(通常全市仅个位数块)。这正是"体验品"的另一面:它既要够普遍以培养观影习惯,又要够稀缺以维持溢价------所以呈现"城市广覆盖、单城低密度"的双重特征。

怎么读这张洛伦兹曲线:横轴是城市累计占比、纵轴是 IMAX 影院累计占比,弧线越偏离对角线、面积越大(即基尼 0.584),说明 IMAX 越向少数城市堆积;而右上角"长尾极长"的形态,对应 Zipf 偏低------大量城市各只有 1--2 块银幕,谁也没形成绝对垄断。

三、连锁品牌格局:地理去中心化,运营却高度中心化

IMAX 不是谁都能开的,它和影投的资本实力、选址能力深度绑定。按品牌聚合这次抓到的影院:

几个观察

  • 万达372 家断层领先。万达的"商业地产 + 影院"模式,天然给 IMAX 提供了客流充足的选址,规模化优势明显。
  • CGV、金逸、幸福蓝海等构成第二梯队。CGV 更偏高端定位(常落位核心商圈旗舰购物中心),金逸在华南密度突出,幸福蓝海深耕江苏。
  • 榜单里"其他"仍有 108 家,说明 IMAX 市场还有大量区域型、单体影城参与。

但"其他"多不等于分散。用产业组织的两把尺子量一下:

  • HHI 指数(赫芬达尔---赫希曼指数)≈ 2783.1。按美国司法部标准,HHI 超过 2500 即属"高度集中"市场------IMAX 运营权已经明显集中在少数连锁手中。
  • CR4 ≈ 79.2%CR8 ≈ 93.2%:前 4 大连锁(万达领衔)就拿下近八成份额,前 8 家更是覆盖九成以上。

把这一节和上一节拼起来,才是整篇文章最值得说的发现------IMAX 同时存在"地理去中心化"与"运营中心化"的双重结构:它在空间上铺进了 200+ 个城市(看起来很分散),运营权却被万达等少数连锁以 HHI≈2783.1、CR4≈79.2% 的格局牢牢把持。下沉的是"屏幕数量",集中的是"生意话语权"。

为什么是这种结构?根子在资产属性。一块 IMAX 银幕是重资产,必须与"高客流商业地产"绑定才能回本;而购物中心的选址权、招商权,恰恰掌握在万达这类"地产 + 影院"一体化玩家手里。于是网络效应自我强化:谁有商场网络,谁就能把最贵的银幕开到最多城市;中小影城只能在夹缝里拿零星点位。万达的领先不是偶然,而是"商业地产护城河"的必然结果。

四、特效厅技术栈:IMAX 是"锚",其余是"点缀"

每家影院的标签是一份"技术清单"。把样本里出现过的特效厅类型统计一遍(注:本样本按 IMAX 筛选,故 IMAX厅 覆盖率为 100%,真正有区分度的是其余特效厅):

读图要点

  • 儿童厅(157 家)数量仅次于 IMAX,反映家庭亲子观影是影投稳客流的基本盘;它不算"炫技"特效厅,但是高频刚需。
  • 4DX (动感座椅,123 家)、杜比全景声 (116 家)、RealD (104 家)、60帧(52 家)构成差异化卖点。它们单价更高、体验更"炫",是影投在 IMAX 之外用来拉升客单价、对抗流媒体冲击的武器。
  • 一个细节:带"杜比全景声"的影城明显多于带"4DX"的------前者改造成本和受众门槛更低,普及更快;后者受限于动感设备和片源,仍是小众尖货。

进一步看"技术堆叠"深度------每家 IMAX 影城到底挂了几个其他特效厅:

去掉 IMAX 本身,单家影城平均只搭载 0.83 个额外特效厅;没有附加任何其它特效厅的"纯 IMAX"影城占了最大头,挂 1 个的其次,能堆到 3 个以上的已是少数。

这背后是一条理性的"期权式"决策逻辑:每多挂一个 premium 格式,都是一笔"边际改造成本 vs 边际票房增量"的对赌。绝大多数影城停在"一块 IMAX 打底 + 至多一个差异化厅",不是没能力,而是算过账后认为不划算。IMAX 始终是那个"锚",其余格式是锦上添花的"点缀"------当观影能被手机替代时,这种"轻堆叠"恰恰是影投在改造成本与体验壁垒之间找到的平衡点。

五、上海深度拆解:IMAX 向大型商圈聚集

单看上海这 43 家 IMAX,按行政区拆开:

规律 :浦东、闵行、宝山、徐汇等中心城区和近郊强区领跑。IMAX 影城高度依赖"大型购物中心 + 高消费客流",所以它的选址几乎等于一张"上海商圈热力图"------陆家嘴、徐家汇、前滩、七宝、虹桥天地这些商圈,名字反复出现。换句话说,IMAX 不是均匀分布的公共设施,而是跟着商业地产和消费力走的------这正是全国"经济地理 > 行政地理"规律,在一座城市内部的微观复刻。

六、写在最后:数据之外的三点思考

  1. 双重结构:去中心化 + 中心化并存:IMAX 在地理上铺进 200+ 城(看似分散),运营权却被万达等少数连锁以 HHI≈2783.1、CR4≈79.2% 高度把持。下沉的是"屏幕数量",集中的是"生意话语权"------理解这点,就理解了为什么县域没有 IMAX、为什么万达一家独大。
  2. 体验品不下沉的规律:IMAX 的县域缺席不是猫眼爬不到,而是需求结构决定的------便利品讲密度,体验品讲稀缺。这能预判其它高端体验业态(现场演出、高端健身、会员制商超)同样难以下沉。
  3. 技术栈是理性的"轻堆叠":当观影能被手机替代时,IMAX、4DX、CINITY 这些"只能在影院获得"的体验是实体影院存在的理由;而"一个锚 + 少量点缀"的策略,是影投在改造成本与体验壁垒之间算过账后的平衡点。

文章仅用于分享个人学习成果与个人存档之用,分享知识,如有侵权,请联系作者进行删除。所有信息均基于作者的个人理解和经验,不代表任何官方立场或权威解读。

相关推荐
zhangfeng11332 小时前
AI编程范式:从Vibe Coding(氛围编程)向SDD规范驱动开发演进全解析
人工智能·驱动开发·ai编程
湘美书院--湘美谈教育2 小时前
湘美书院人工智能访谈录:AI助力科学研究自动化
大数据·运维·人工智能·机器学习·自动化·电脑·生活
TechEdu2026062 小时前
[人工智能]Scikit-learn:Python中的实用机器学习库
人工智能·机器学习·ai·scikit-learn
hhzz2 小时前
《深度学习框架PyTorch入门与实践》系列:01-PyTorch入门与环境搭建之从安装到第一个神经网络
人工智能·pytorch·神经网络
一个天蝎座 白勺 程序猿2 小时前
MongoDB迁移新范式|从烟囱式孤岛到KES-AI融合架构
人工智能·mongodb·架构·kingbasees
倍利福猎头公司官方账号2 小时前
人形机器人分析——电机(机器人猎头公司专项分析)
大数据·人工智能·机器人·求职招聘·业界资讯
稳石氢能2 小时前
政策落地与市场冷遇并存,氢能产业如何跨越“最后一公里”?
大数据·人工智能
9i编程2 小时前
手敲重构学透 Multi-Agent 代码(下):从 AgentScope 1.0.8 升级到 2.0,API 变了什么、踩了哪些坑
人工智能·openai·ai编程