Het resultaat kortingsactie 2016 en 2017 op bezoekersaantallen bioscopen in Nederland

Het resultaat kortingsactie 2016 en 2017 op

bezoekersaantallen bioscopen in Nederland

S. Jaasma

Juni 2018

Opleiding: Bachelor Econometrie & Operationele Research Management Universiteit: Universiteit van Amsterdam

Studiejaar: 3e jaar

Begeleider: Dhr. J.C.M. van Ophem Studentnummer: 10757899

Statement of Originality

This document is written by Student Stefan Jaasma who declares to take full respon-sibility for the contents of this document.

I declare that the text and the work presented in this document are original and that no sources other than those mentioned in the text and its references have been used in creating it.

The Faculty of Economics and Business is responsible solely for the supervision of completion of the work, not for the contents.

Inhoudsopgave

1 Inleiding 2

2 Theoretische achtergrond 5

2.1 Inleiding . . . 5

2.2 Onderzoek Stichting Filmonderzoek . . . 5

2.3 Andere onderzoeken . . . 6

2.4 Effect per regio . . . 12

3 De data 15 3.1 Bezoek per dag . . . 15

3.2 Bezoek per dag van de week . . . 16

3.3 Bezoek per week . . . 17

3.4 Bezoek per maand . . . 18

4 Onderzoeksopzet 20 4.1 Model . . . 20

4.2 Variabelen . . . 21

5 Resultaten 25 5.1 Basismodel . . . 25

5.2 Model met actieperiode . . . 30

5.3 Model zonder Bridget Jones . . . 31

5.4 Acties samengevoegd . . . 32

5.5 Model op basis van OLS . . . 33

5.6 Resultaten per gebied . . . 33

1

Inleiding

Sinds 1995 wordt vanuit Stichting Filmonderzoek een actie georganiseerd waarbij kor-tingskaarten worden aangeboden voor een bezoek aan bijna alle bioscopen in Nederland. De periode en precieze voorwaarden van de kortingsactie zijn door de jaren heen regel-matig veranderd. Echter de hoofdlijn van de kortingsactie, namelijk twee kaartjes voor ongeveer de prijs van een, is door de jaren heen hetzelfde gebleven.

Vanaf de eerste actie in 1995 is er getracht inzicht te krijgen in de effecten van de kor-tingsactie op de bezoekersaantallen. Hierbij heeft Stichting Filmonderzoek geprobeerd om het aantal gebruikte kaartjes te splitsen in twee verschillende groepen. De eerste groep zijn de mensen die zonder kortingsactie ook naar de bioscoop zouden zijn ge-weest. De tweede groep zijn de mensen die vanwege de kortingsactie naar de bioscoop komen en anders niet zouden zijn geweest. Deze splitsing is belangrijk omdat de eerste groep zorgt voor een verlaging van de omzet terwijl de tweede groep juist zorgt voor een verhoging van de omzet. De wens naar het goed in kaart brengen van het daadwer-kelijk extra bioscoopbezoek heeft in 2006 voor het eerst plaatsgevonden door middel van een uitgebreide evaluatie van de kortingsacties. De evaluatie is gebaseerd op een combinatie van de beschikbare cijfers en afgenomen enquêtes onder de gebruikers van de kortingsactie. Deze evaluatie is nadien jaarlijks tot en met 2010 herhaald. Vanaf 2011 is de gebruikte berekeningsmethode uit de evaluatie van 2010 gebruikt om de jaar-lijkse effecten van de kortingsacties te berekenen maar is geen uitgebreide en aangepaste evaluatie meer verschenen.

Tot 2009 is de partner voor de kortingsactie Albert Heijn geweest. In de jaren 2010 tot 2013 is C1000 de partner voor de kortingsactie geweest. Bij beide partners was de

werking van de kortingsactie hetzelfde: Bij aankoop vane20 aan boodschappen kreeg de klant een voucher die recht gaf op een tweede bioscoopkaartje gratis. In 2014 en 2015 heeft Stichting Filmonderzoek geen vergelijkbare kortingsactie uitgegeven. In 2016 is voor het eerst weer een nieuwe kortingsactie gelanceerd. De nieuwe kortingsactie is georganiseerd met een nieuwe partner: de Kruidvat. Bij de nieuwe actie is ook het principe van de actie enigszins veranderd. Voor e10 kan door iedereen een voucher gekocht worden die recht geeft op twee gratis bioscoopkaartjes.

Voor de evaluatie van de kortingsactie in samenwerking met de Kruidvat heeft Stichting Filmonderzoek dezelfde methodes gebruikt die zijn gebruikt om eerdere kortingsacties te evalueren. Bij de evaluatie van de kortingsactie van 2016 en 2017 is bij Stichting Filmonderzoek het idee ontstaan dat de gevonden resultaten niet meer overeenkomen met de werkelijkheid. Dit zou veroorzaakt kunnen worden door de gewijzigde vorm van de kortingsactie of door andere factoren. In deze scriptie wordt gepoogd de kor-tingsactie te evalueren op basis van de beschikbare cijfers van alle bioscoopbezoeken in Nederland. Hiermee wijkt het af van de voorgaande evaluaties uitgevoerd door Stich-ting Filmonderzoek waar vooral op basis van enquêtes conclusies zijn getrokken.

Dit onderzoek is uitgevoerd op basis van de verkregen data uit MaccsBox. MaccsBox is het systeem waarin alle bioscopen in Nederland bijhouden hoeveel kaartjes er zijn verkocht en wat de omzet is. De gegevens uit MaccsBox betreffen vertrouwelijke infor-matie die is vrijgegeven ten behoeve van dit onderzoek en is zodoende niet te raadplegen door externen. Het onderzoek richt zich op twee jaar zonder kortingsactie (2014 en 2015) en twee jaar met kortingsactie (2016 en 2017). Hierbij is onderscheid gemaakt naar het bezoek per dag per bioscoop. Uitsplitsingen naar verschillende soorten films, zalen in een bioscoop of tijdstippen van de film zijn in dit onderzoek niet gemaakt. Ook zijn

extra omzet als gevolg van nevenverkopen zoals eten en drinken buiten beschouwing gelaten.

Deze scriptie is in verschillende hoofdstukken opgedeeld. Volgend op deze inleiding wordt in hoofdstuk 2 ingegaan op de reeds bestaande literatuur over onderzoeken naar kaartverkoop van bioscopen en theaterzalen. Ook wordt in dit hoofdstuk de gebruikte evaluatiemethode door Stichting Filmonderzoek geanalyseerd. In hoofdstuk 3 wordt de data verder toegelicht. Op basis van de theoretische onderbouwing uit hoofdstuk 2 en de data uit hoofdstuk 3 wordt in hoofdstuk 4 het gebruikte model en gekozen variabelen toegelicht. In hoofdstuk 5 zijn de resultaten te vinden. Ten slotte wordt in hoofdstuk 6 de conclusie met aanbevelingen gepresenteerd.

2

Theoretische achtergrond

2.1

Inleiding

In dit hoofdstuk wordt de theoretische onderbouwing van het gebruikte model weergegeven. Om tot deze onderbouwing te komen zijn verschillende onderzoeken in overweging genomen. Het eerste onderzoek hierbij is het onderzoek dat door Stichting Filmonder-zoek (2017) zelf is uitgevoerd. Dit onderzoek betreft een onderzoek op basis van afgenomen enquêtes onder gebruikers van de kortingsactie. Andere onderzoeken waar in deze scriptie aan gerefereerd wordt hebben meer een econometrische invalshoek. Dit be-treffen onderzoeken naar de bezoekersaantallen van bioscopen in verschillende periodes en landen. Bij deze onderzoeken zijn verschillende modellen gebruikt welke hieronder worden toegelicht.

2.2

Onderzoek Stichting Filmonderzoek

Sinds de start van de kortingsactie wordt al getracht inzicht te krijgen in de effecten van de kortingsactie. Hierbij is vooral van belang hoeveel mensen ook naar de bioscoop gegaan zouden zijn zonder kortingsactie. Deze personen worden ook wel kannibalen ge-noemd. Vanaf 2006 heeft de eerste grootschalige evaluatie van de kortingsactie plaats-gevonden. Deze evaluatie heeft zich in de jaren hierop volgend herhaald. Na een aantal jaren zonder kortingsactie is de kortingsactie in 2016 en 2017 opnieuw ingevoerd, echter met kleine wijzigingen in de opzet van de actie. De manier van evalueren is hierbij hetzelfde gebleven (Stichting Filmonderzoek, 2017).

Bij deze manier van evalueren is het aantal ingeleverde kaartjes geteld. Deze aan-tallen waren 89.105 in 2016 en 153.921 in 2017. Vervolgens is op basis van een enquête onder de gebruikers van de kortingsactie bepaald welk percentage ook naar de bioscoop

zou zijn geweest zonder kortingsactie. Deze percentages lagen afgerond op 43% in 2016 en 35% in 2017. Dit heeft geleid tot een daadwerkelijk extra bezoek van 50.715 in 2016 en 99.521 in 2017. Met een verzilverwaarde van e4,95 per kaartje heeft dit geleid tot een extra omzet van e251.039 in 2016 en e492.629 in 2017. Echter is er ook gederfde winst door mensen die normaal de volle prijs zouden betalen maar nu voor het gereduceerde tarief naar de bioscoop zijn geweest. De hierbij aangehouden ’normale’ entreeprijs bedraagt e7,70 waarmee de gederfde omzet op e105.325 in 2016 en e149.600 in 2017 uitkwam. Hiermee was het recette-surplus e110.010 in 2016 en e342.894 in 2017. (Stichting Filmonderzoek, 2017)

De gebruikte onderzoeksmethode is eenvoudig van opzet en daarmee goed te gebruiken om relatief eenvoudig de verwachte extra omzet te berekenen. Echter valt te betwijfe-len in hoeverre de gebruikte cijfers uit de enquête een goede representatie geven van de werkelijkheid. Om deze reden wordt in dit onderzoek gebruik gemaakt van andere methoden om de extra bezoekersaantallen als gevolg van de kortingsactie te schatten.

2.3

Andere onderzoeken

Er is al veel onderzoek gedaan naar variabelen die invloed hebben op het bioscoopbe-zoek. Bij deze onderzoeken is veelal naar een specifiek land gekeken over een langere periode. De gebruikte modellen bij de verschillende onderzoeken verschillen aanzienlijk. De reden hiervan is dat er regelmatig niet genoeg data beschikbaar is om een bepaalde methode te gebruiken.

In dit hoofdstuk wordt specifiek aandacht geschonken aan vijf verschillende onder-zoeken die allemaal betrekking hebben op de vraag naar bioscoopkaartjes. Blanco en Pino (1997, pp. 57-75) hebben onderzoek gedaan naar de Spaanse bioscoopmarkt

tussen 1968 en 1992. Hierbij hebben ze gebruik gemaakt van jaarlijkse data. Dewenter en Westerman (2005, pp. 213-231) hebben zich gericht op de Duitse markt tussen 1950 en 1990 waarbij ook is gekeken naar jaarlijkse data. Net als Blanco en Pino en Dewenter en Westerman wordt ook in het onderzoek van Macmillan en Smith (2001, pp. 91-108) gekeken naar jaarlijske data. Hun onderzoek heeft betrekking op de bezoekersaantallen in Groot-Britannië tussen 1950 en 1997. Sisto en Zanola (2010, pp. 515-517) hebben in tegenstelling tot de andere vier behandelde onderzoeken gekeken naar meerdere lan-den en hebben zich hierbij gericht op de Europese bioscoopmarkt. Hierbij hebben ze in totaal 13 landen meegenomen tussen 1989 en 2004. Het laatste onderzoek dat in dit hoofdstuk uitgebreid besproken zal worden betreft het onderzoek van de Roos en McKenzie (2014, pp. 93-109). In tegenstelling tot de andere onderzoeken werken ze niet met jaardata maar met data die gespecificeerd is per dag, bioscoop en film. Hier-mee is de gebruikte data een stuk omvangrijker dan de overige onderzoeken en komt daarmee het meest overeen met de beschikbare data voor deze scriptie. De data betreft het bioscoopbezoek in Sydney in 2010. Naast deze vijf onderzoeken die uitgebreider geanalyseerd worden, komen in dit hoofdstuk ook enkele andere onderzoeken aan bod die het belang of de moeilijkheid van bepaalde variabelen ondersteunen.

Model

Bij de vijf verschillende onderzoeken worden verschillende modellen gebruikt. De keuze voor de modellen vloeit logisch voort uit de beschikbare data. Bij de onderzoeken van Blanco en Pino (1997, pp. 57-75), Dewenter en Westerman (2005, pp. 213-231) en Macmillan en Smith (2001, pp. 91-108) heeft het onderzoek betrekking op tientallen jaren waarbij de data beschikbaar is per jaar. Hierbij is onderzoek gedaan naar lang-jarige trends op basis van verschillende variabelen. De keuze voor verschillende vormen van tijdreeksmodellen is hierbij dan ook logisch. Bij het onderzoek van Sisto en Zanola

(2010, pp. 515-517) wordt ook een analyse gedaan op basis van jaargegevens. Hierbij is de periode een stuk korter dan bij hiervoor benoemde onderzoeken. In tegenstelling tot deze onderzoeken wordt in het onderzoek van Sisto en Zanola gebruik gemaakt van de data van 13 verschillende landen. De keuze voor een dynamisch panel-data model is zodoende een logische keuze. De Roos en McKenzie (2014, pp. 93-109) hebben de beschikking over veel gedetailleerdere data waarbij onderscheid gemaakt kan worden tussen dagen, films en bioscopen. Met deze beschikbare data hebben ze gekozen om ook een panel-data model te gebruiken.

Bij de keuze van het model lijkt het detailniveau van de beschikbare data een be-langrijke rol te spelen. Bij de onderzoeken naar jaarlijkse data wordt gebruik gemaakt van tijdreeksmodellen. Wanneer hierbij de mogelijkheid is tot diversificatie naar ver-schillende landen of bioscopen, dagen en films wordt gekozen voor een panel-data model.

Prijs

Bij de meeste onderzoeken wordt de prijs op enige wijze als verklarende variabele opgenomen in het model. Zo hebben Blanco en Pino (1997, pp. 57-75) gekeken naar de prijs van een kaartje plus de bijkomende kosten zoals vervoerskosten en parkeerkosten. Ze concluderen dat er een hoge prijselasticiteit is bij bioscoopkaartjes. Hiermee kan een bioscoopkaartje als luxe-goed worden aangemerkt. Ook Sisto en Zanola (2010, pp. 515-517) hebben het effect van prijs op de verkoop van kaartjes meegenomen. Ze con-cluderen dat de prijs op korte termijn maar beperkt elastisch is. Op de lange termijn heeft de prijs daarentegen wel een behoorlijke invloed op de bezoekersaantallen. De reden hiervoor zou het zogenoemde verslavende effect zoals beschreven door Becker en Murphy (1988, pp. 675-700) kunnen zijn. Hierin wordt geconcludeerd dat voor bijna elk product een vorm van verslaving geldt. Hierdoor kan een prijs-schok weinig invloed

hebben op de korte termijn maar op de lange termijn wel doorwerken. Ook bij de onderzoeken van Dewenter en Westerman (2005, pp. 213-231), De Roos en McKenzie (2014, pp. 93-109) en Macmillan en Smith (2001, pp. 91-108) wordt prijs als variabele meegenomen.

Filmkarakteristieken

Bij het onderzoeken van bezoekersaantallen van bioscopen is een variabele die in bijna alle onderzoeken genoemd wordt. Deze variabele betreft de kwaliteit van de afgespeelde films. Hoewel dit in de meeste onderzoeken als een van de belangrijkste variabelen wordt gezien blijkt het kwantificeren van de kwaliteit van de films een zeer lastige opgave.

Blanco en Pino (1997, pp. 57-75) erkennen het belang van de kwaliteit van films voor het aantal bezoekers. Echter beargumenteren ze dat de kwaliteit van films van jaar op jaar ongeveer gelijk is. Hierdoor hebben ze bij het onderzoek naar de jaar-lijkse bezoekersaantallen geen rekening gehouden met kwaliteitsvariabelen. Dewenter en Westermann (2005, pp. 213-231) geven in hun onderzoek ook het belang van de kwaliteit van de films weer. Wegens het ontbreken van gedetailleerde data kiezen ze ervoor om een proxy te gebruiken om de kwaliteit van films zo goed als mogelijk te benaderen. Deze proxy bestaat uit het aantal geproduceerde films in een jaar. De redenatie hierachter is dat een groter filmaanbod leidt tot meer diversiteit en dus meer kwaliteit. Hierbij beargumenteren Dewenter en Westerman dat deze benadering geen nauwkeurige is maar met de beschikbare data wel de best mogelijke.

In veel andere onderzoeken wordt wel getracht de kwaliteit van films beter te kwan-tificeren. Zo laten Nelson, Donihue, Waldman en Wheaton (2007, pp. 1-6) zien dat het genomineerd worden voor of winnen van een belangrijke Oscar (zoals beste film

en beste acteur/actrice) van significante invloed is op het bezoekersaantal. De Roos en McKenzie (2014, pp. 93-109) nemen in hun onderzoek veel verschillende variabelen op om de kwaliteit van een film te kwantificeren. Deze variabelen bestaan uit genre, budget, advertentiebudget, Oscar-nominaties en de beoordelingen van de acteurs en actrices. Hierbij komen ze onder andere tot de logische conclusie dat een hoger (adver-tentie)budget, een betere beoordeling en (een) Oscar-nominatie(s) leiden tot een hogere verwachte afzet en omzet.

De Vany en Walls (1999, pp. 285-318) hebben ook onderzoek gedaan naar bioscoopbe-zoek. Hierbij is de insteek enigszins anders dan bij de eerder behandelde onderzoeken. De Vany en Walls proberen in hun onderzoek per film te kunnen voorspellen hoeveel bezoekers de film gaat trekken op basis van een aantal verklarende variabelen. Net als de Roos en McKenzie vinden ze voor een aantal verklarende variabelen zoals budget en beoordeling het verwachte positieve verband. Echter concluderen ze ook dat deze verklarende variabelen maar in beperkte mate iets zeggen over hoe succesvol een film is. Volgens De Vany en Walls komt dit doordat de bezoekersaantallen van een film een Levy-verdeling volgen waarbij de variantie oneindig is.

Zoals uit vrijwel elk onderzoek blijkt, waaronder de onderzoeken hierboven beschreven, is de kwaliteit een zeer belangrijke variabele in het modelleren van de bezoekersaan-tallen. Helaas blijkt de data voor het daadwerkelijk kwantificeren van de kwaliteit van een film maar in beperkte mate beschikbaar. Daarnaast laten De Vany en Walls (1999, pp. 285-318) zien dat zelfs wanneer deze data wel beschikbaar is het maar in beperkte mate een voorspeller blijkt voor het succes van een film.

Bioscoopkarakteristieken

In enkele onderzoeken worden ook de bioscoopkarakteristieken meegenomen. Dit betreft wederom de onderzoeken waarbij data op gedetailleerd niveau beschikbaar is. Van de vijf geanalyseerde onderzoeken voldoet alleen het onderzoek van de Roos en McKenzie (2014, pp. 93-109) hieraan. Ze gebruiken een grote hoeveelheid aan variabelen om een bioscoop te kwantificeren. Deze variabelen zijn onder andere: populatie binnen 5 kilometer, populatie binnen 10 kilometer, het aantal schermen, het inkomen van de populatie binnen 5 en 10 kilometer en of de bioscoop zich in een winkelcentrum bevindt.

Dagkarakteristieken

Een andere belangrijke variabele die het bezoekersaantal bepaald zijn de karakter-istieken van de tijd. Zo wordt in veel onderzoeken, waar gekeken wordt naar dagelijkse bezoeken, het effect van de dag van de week onderstreept.

Bij hun onderzoek nemen de Roos en McKenzie (2014, pp. 91-109) ook verschillende variabelen op om de dag te kwantificeren. Zo kijken ze naar de dag van de week en of de dag in een vakantie valt. Ook kijken ze naar de neerslag en de temperatuur ten opzichte van het standaard gemiddelde voor de betreffende maand. Radas en Shugan (1998, pp. 296-315) hebben onderzoek gedaan naar de beste periode om een nieuwe film te lanceren. Hiervoor hebben ze naar de Amerikaanse bioscoopmarkt gekeken en 12 ver-schillende periodes gedefinieerd. In de tabel hieronder staan deze periodes weergegeven met de bijbehorende omzetcijfers ten opzichte van het gemiddelde:

Periode Percentage Eerste 3 weken januari 110% Volgende 19 weken (uitgezonderd Persident’s Day) 73%

President’s Day 98% Memorial Day 130% eerste 2 weken juni 100% volgende 6 weken (uitgezonderd Independence Day) 148% Independence Day 175%

Augustus 124%

volgende 10 weken 79% laatste 3 weken november 119%

eerste 3 weken december 71%

Kerstweek 102%

Hoewel deze dagen betrekking hebben op de Amerikaanse markt geven ze wel een goed inzicht in het verschil in bezoekersaantallen. Met name in de vakantieperiode ("volgende 6 weken (uitgezonderd Independence Day") zijn, zoals verwacht, de bezoekersaantallen aanzienlijk hoger dan normaal. Daarnaast zijn ook de bezoekersaantallen op nationale feestdagen aanzienlijk hoger dan normaal.

2.4

Effect per regio

Ieder jaar geeft de Nederlandse Vereniging voor Bioscopen en Filmtheaters een jaar-rapport uit. In dit jaar-rapport staan de belangrijkste kerncijfers over de bioscoopbezoeken vermeld. Hierin staat onder andere het gemiddelde bezoekersaantal per provincie. De resultaten hiervan zijn te vinden in onderstaande figuur.

Uit bovenstaande figuur blijkt dat het aantal bezoeken dat iemand brengt heel erg ver-schilt. Zo gaat een inwoner van Noord-Holland gemiddeld 3,0 keer per jaar naar een bioscoop. Een inwoner van Friesland of Drenthe gaat gemiddeld slechts 1,1 per jaar naar de bioscoop. Er lijkt hier een redelijk verschil te zitten tussen de inwoners van de Randstad en inwoners daarbuiten.

In dit hoofdstuk is gekeken naar verschillende methodes om het effect van een kor-tingsactie te modelleren. Als eerste is hierbij gekeken naar hoe het onderzoek door Stichting Filmonderzoek tot nog toe is verricht. Dit onderzoek is gedaan op basis van enquêtes onder deelnemers.

Vervolgens zijn onderzoeken op basis van econometrische modellen geanalyseerd. Hier-bij zijn voornamelijk de onderzoeken van Blanco en Pino (1997, pp. 57-75), Dewenter en Westermann (2005, pp. 213-231), Sisto en Zanola (2010, pp. 515-517), de Roos en McKenzie (2014, pp. 93-109) en Macmillan en Smith (2001, pp. 91-108) geanaly-seerd. Bij de onderzoeken waarbij slechts jaarlijkse data beschikbaar is wordt gebruikt gemaakt van tijdreeksmodellen terwijl bij onderzoeken waar data op meer gedetailleerd niveau beschikbaar is gebruik wordt gemaakt van panel-data modellen. Wat betreft de opgenomen verklarende variabele wordt bij elk onderzoek opgenomen wat beschikbaar is. Vanzelfsprekend is er meer data beschikbaar voor de onderzoeken die zich op een relatief recente periode richten. Bij de onderzoeken die zich richten op langjarige trends in het bioscoopbezoek is deze gedetailleerde data in veel mindere mate aanwezig.

3

De data

De data uit dit onderzoek is afkomstig uit het programma MaccsBox. Hierin wordt bijgehouden hoeveel bezoekers er naar de film gaan en hoeveel omzet dit oplevert. Deze data wordt bijgehouden op zeer gedetailleerd niveau. Zo valt er onderscheid te maken op uitgezonden film, bioscoop en dag.

3.1

Bezoek per dag

De onderzochte data betreft al het filmbezoek tussen 1 januari 2014 tot en met 31 december 2017. Hierin fluctueert de omzet en afzet behoorlijk per dag. Dit is goed te zien in onderstaande figuur die de omzet en afzet per dag weergeeft:

In de tabel is de actieperiode van 2016 aangegeven door de gele verticale lijnen en de actieperiode van 2017 met de groene verticale lijnen. Het patroon van de omzet en afzet fluctueert zeer per periode van het jaar. Zo valt te zien dat rond de kerstvakantie de omzet een stuk hoger is dan in andere periodes van het jaar. Als laatste is te zien dat gedurende relatief korte perioden hoge omzetten en lage omzetten zich snel achter elkaar afwisselen. Dit wordt verklaard door het verschil in bezoek per dag van de week.

3.2

Bezoek per dag van de week

Zoals in de vorige figuur te zien fluctueert de omzet en afzet behoorlijk veel in korte periodes. Zo zal het bezoek in het weekend vermoedelijk een stuk hoger zijn dan het bezoek doordeweeks. Dit vermoeden wordt bevestigd door onderstaande grafiek waarin de omzet en afzet per dag van de week staat weergeven:

Figuur 3: Bezoek per dag van de week

In de bovenstaande grafiek valt duidelijk het patroon te herkennen dat het meeste be-zoek plaatsvind in het weekend. Daarnaast is van de werkdagen vrijdag duidelijk de drukste dag. Van de overige werkdagen is woensdag de drukste, gevolgd door don-derdag, dinsdag en als laatste maandag.

3.3

Bezoek per week

Wanneer de totalen per week worden opgeteld valt het effect per dag van de week weg. Hiermee wordt een beter inzicht verkregen in het bezoekerspatroon gedurende het jaar. In onderstaande figuur staan de omzet en afzet per week afgebeeld:

Figuur 4: Bezoek per week

3.4

Bezoek per maand

Zoals uit bovenstaande grafieken al blijkt zijn er maanden waarin het bezoek aan de bioscopen duidelijk hoger is dan andere maanden. In de grafiek hieronder wordt totale omzet en afzet over de vier jaar weergeven per maand:

Figuur 5: Bezoek per maand

In bovenstaande figuur komt ook weer duidelijk naar voren dat de maanden december en januari het meeste bezoekers trekt. Daarnaast is een duidelijke piek te zien in de zomervakantiemaanden juli en augustus. De twee andere pieken zitten rond de meivakantie en de herfstvakantie. Uit deze figuur wordt zodoende direct zichtbaar dat de vakantieperiodes een behoorlijk grote invloed hebben op de bezoekersaantallen in de bioscoop. Als laatste is zichtbaar dat september (samen met juni) de slechtste maand is qua bezoekersaantallen. Om deze reden vind de actie ook rond september plaats.

4

Onderzoeksopzet

4.1

Model

Het doel van deze scriptie is een beeld te krijgen van het effect van de kortingsactie uitgegeven door Stichting Filmonderzoek in 2016 en 2017. De kortingsactie liep in 2016 van dinsdag 6 september 2016 tot donderdag 13 oktober 2016. De actie was alleen geldig op maandag, dinsdag, woensdag en donderdag en alleen bij bioscopen die zijn aangesloten bij de nationale bioscoopbon. Dit houdt concreet in dat elke Nederlandse bioscoop meedoet behalve Pathé-bioscopen. In 2017 vond de actie plaats van maandag 4 september tot donderdag 12 oktober.

In deze scriptie wordt gebruik gemaakt van schattingsmethodes voor panel-data. Hier-bij is onderscheid gemaakt tussen verklarende variabelen die alleen variëren per dag, variabelen die alleen variëren per bioscoop en variabelen die variëren per dag en per bioscoop. Dit levert onderstaand model op:

yit = β0Xit+ γ0Zi+ αi+ λt+ εit (1)

Dit model kan veelal niet zuiver geschat worden door correlatie tussen αi en Xit wat

endogeniteit veroorzaakt. Dit probleem kan verholpen worden door een Fixed Effects schattingsmethode te gebruiken. Hiervoor kijken we eerst naar onderstaande vergelij-king:

¯

yi = β0X¯i+ γ0Zi+ αi+ ¯λ + ¯εi (2)

Door vergelijking (2) af te trekken van vergelijking (1) houden we onderstaande verge-lijking over:

yit− ¯yi = β0(Xit− ¯Xi) + (λt− ¯λ) + (εit− ¯εi) (3)

Deze vergelijking is gelijk aan het Fixed Effects model en kan op basis van OLS worden geschat. Echter heeft deze vergelijking als nadeel dat de variabelen die alleen afhankelijk zijn van i niet geïdentificeerd kunnen worden. Dit kan worden tegengegaan door 0X¯i

aan het model toe te voegen. Deze vergelijking is aangetoond door Mundlak (1978, pp. 69-85) en levert vergelijking (4) op:

yit = β0Xit+ γ0Zi+ θ0X¯i+ αi+ λt+ εit (4)

Hierbij is i veelal gedefinieerd als indicator voor de verschillende individuen, landen, bioscopen etc. En hierbij is t veelal gedefinieerd als de tijdsindicator. Hierbij is t veelal ’klein’ terwijl i ’groot’ is. Aangezien dit in de gebruikte dataset uit deze scriptie precies andersom is zijn ook de indicatoren omgedraaid. Hierbij is i dus de tijdsindicator terwijl t de indicator per bioscoop is.

4.2

Variabelen

In het model uit deze scriptie is een grote hoeveelheid aan variabelen opgenomen. Deze worden hieronder beschreven. Indien hoofdstuk 2 hier aanleiding voor geeft is eronder een kleine toelichting gegeven.

Variabele X:

• actie2016: gelijk aan 1 tussen 6 september 2016 en 13 oktober 2016, op maandag tot en met donderdag voor deelnemende bioscopen.

• actie2017: gelijk aan 1 tussen 4 september 2017 en 12 oktober 2017, op maandag tot en met donderdag voor deelnemende bioscopen.

• vakantie Noord: gelijk aan 1 op werkdagen voor bioscopen liggend in de regio Noord tijdens schoolvakanties.

• vakantie Midden: gelijk aan 1 op werkdagen voor bioscopen liggend in de regio Midden tijdens schoolvakanties.

• vakantie Zuid: gelijk aan 1 op werkdagen voor bioscopen liggend in de regio Zuid tijdens schoolvakanties.

• Aantal films: het aantal films uitgezonden door de betreffende bioscoop op de betreffende dag.

De vakantie-variabele is hierbij tijdens de vakanties alleen gelijk aan 1 voor werkda-gen en niet voor weekenden. Hier is voor gekozen naar enkele tests waaruit bleek dat vakanties tijdens werkdagen een zeer grote positieve invloed hebben op het aantal verkochte kaartjes. Tijdens weekenden is dit effect daarentegen zeer miniem.

In tegenstelling tot de meeste onderzoeken is de variabele prijs niet opgenomen in het model. Hier liggen een aantal argumenten aan ten grondslag. In veel onderzoeken wordt prijs toegevoegd om een langjarige trend te verklaren. In de dataset uit deze scriptie is dit overbodig aangezien het een tijdspanne van vier jaar betreft waarin de prijs zo goed als gelijk is gebleven. Daarnaast is er wel enige vorm van fluctuatie van de prijs. Deze fluctuatie vind echter plaats tussen verschillende dagen van de week of verschillende bioscopen. Dit onderscheid wordt al opgevangen door de dummy-variabelen voor de dagen van de week en voor elke individuele bioscoop. Ten slotte is het uiteindelijke doel van deze scriptie het bepalen van het effect van de kortingsactie. Door zowel een variabele voor prijs als een variabele voor kortingsactie op te nemen ontstaat er over-lap tussen beide variabelen waardoor het pure effect van de kortingsactie moeilijker te bepalen valt.

Variabele Z:

• Actieperiode2016: gelijk aan 1 tussen 6 september 2016 en 13 oktober 2016 voor elke dag van de week en alle bioscopen

• Actieperiode2017: gelijk aan 1 tussen 4 september 2017 en 12 oktober 2017 voor elke dag van de week en alle bioscopen.

• Dag van de week: dummy-variabelen voor de dagen maandag tot en met za-terdag.

• Temperatuur: gemiddelde temperatuur die dag, gemeten in de Bilt in tiende van graden (dus waarde 150 bij een temperatuur van 15◦).

• Neerslag: totale neerslag die dag, gemeten in millimeters in de Bilt.

• Feestdagen: gelijk aan 1 voor Goede Vrijdag, Tweede Paasdag, Hemelvaartsdag en Tweede Pinksterdag.

De variabele actieperiode is in slechts enkele regressies meegenomen. De argumentatie hiervan volgt in hoofdstuk 5. De variabelen neerslag en temperatuur zijn afkomstig van het KNMI (2017). De feestdagvariabelen zijn alleen opgenomen voor officiële feestda-gen. Hierbij is alleen gekeken naar feestdagen die op een werkdag vielen om dezelfde reden als hiervoor bij de vakanties genoemd.

Biosoopvariabelen:

• filmtheater-dummy: dummy-variabelen voor commerciële bioscopen, onafhanke-lijke bioscopen, filmtheaters of kleine filmtheaters.

• Inwonersaantal: log-transformatie van het inwonersaantal van de gemeente waarin de bioscoop staat.

• bioscoop-dummy: dummy voor elke unieke bioscoop in de dataset.

Hierbij is de indeling van de bioscopen naar commerciële bioscoop, onafhankelijke bioscoop, filmtheater en klein filmtheater overgenomen van de Nederlandse Vereniging voor Bioscopen en Filmtheaters (2017). Ook de zaalgrootte is hiervan overgenomen. De data voor het inwonersaantal per gemeente is afkomstig van het Centraal Bureau voor de Statistiek (2017).

5

Resultaten

In dit hoofdstuk worden de resultaten uit de verschillende analyses besproken. Hierin wordt in eerste instantie uitgegaan van het standaard model van Mundlak. Dit model heeft het nadeel dat tijdspecifieke variabelen weliswaar wel geïdentificeerd kunnen wor-den maar geen invloed hebben op de schatters die variëren per bioscoop en per tijdstip. Vervolgens worden enkele andere modellen toegepast die elk ook zo hun nadelen hebben.

5.1

Basismodel

In onderstaande tabel wordt de regressie-output weergeven uit het basis-model. Hierbij zijn de resultaten voor zowel afzet als omzet weergegeven. Alleen de relevante variabelen zijn weergegeven in de tabel.

Variabele Afzet Omzet Variabele Afzet Omzet Actie2016 0.239*** 0.208*** Goede Vrijdag 0.448*** 0.451***

(0.0239) (0.0245) (0.0190) (0.192) Actie2017 0.111*** 0.092*** Tweede Paasdag 1.026*** 1.059***

(0.0158) (0.0156) (0.0190) (0.0195) Vakantie Noord 0.356*** 0.357*** Hemelvaartsdag 0.316*** 0.347*** (0.0080) (0.0081) (0.0273) (0.0279) Vakantie Midden 0.374*** 0.370*** Tweede Pinksterdag 0.681*** 0.704*** (0.0084) (0.0085) (0.0197) (0.0199) Vakantie Zuid 0.309*** 0.308*** niet-Pathé -1.332*** -1.513***

(0.0086) (0.0051) (0.0680) (0.0720) Aantal films 0.989*** 0.969*** Onafhankelijk 0.696*** 0.699*** (0.0051) (0.0051) (0.1271) (0.1332) Maandag -0.618*** -0.634*** Filmtheater -0.896*** -0.931***

(0.0062) (0.0063) (0.1426) (0.1497) Dinsdag -0.401*** -0.436*** Klein Filmtheater -0.482*** -0.727***

(0.0061) (0.0062) (0.1808) (0.1897) Woensdag -0.333*** -0.353*** Zaalgrootte 0.165 0.235** (0.0049) (0.0050) (0.1126) (0.1191) Donderdag -0.407*** -0.403*** Inwonersaantal -0.001 -0.064 (0.0061) (0.0062) (0.0264) (0.0281) Vrijdag -0.094*** -0.054*** C 4.620*** 7.177*** (0.0050) (0.0051) (0.7264) (0.7610) Zaterdag 0.275*** 0.326*** (0.0039) (0.0040) Temperatuur -0.004*** -0.004*** (0.0000) (0.0000) Neerslag 0.001*** 0.001*** (0.0000) (0.0000) Afzet Omzet Observaties 280,867 280,867 R2 0.8323 0.8423 F-test 5129.35 5326.24 Prob > F 0.000 0.000 Robuuste standaardfouten, *** p<0.01, ** p<0.05, *p<0.1

Zoals uit de regressie blijkt heeft de actie in 2016 volgens het model een extra omzet opgeleverd van (e0.239_{− 1 =) 27.0%. Tijdens de actie is er door de deelnemende}

biosco-pen een totale afzet behaald van bijna 1.2 miljoen verkochte kaartjes. Dit zou betekenen dat de kortingsactie tot ongeveer 250.000 extra verkochte kaartjes heeft geleid. Dit is op zijn minst opmerkelijk aangezien er in 2016 100.321 kaartjes verkocht zijn waarvan er 89.395 zijn ingenomen. Deze 89.395 vouchers geven recht op 178.790 gratis bioscoop-kaartjes. Wat betreft de omzet heeft de kortingsactie volgens het model geleid tot

(e0.208_{− 1 =) 23.1% extra omzet. Tijdens de actieperiode is er door de deelnemende}

bioscopen een totale omzet gerealiseerd van e8.9 miljoen. Dit zou neerkomen op een extra omzet als gevolg van de actie wat neerkomt op een extra omzet van ongeveer e1.65 miljoen.

In 2017 heeft de actie volgens het model geleid tot een extra afzet van (e0.111− 1 =) 11.7%. Tijdens de actieperiode is door de deelnemende bioscopen een afzet behaald van ongeveer 1.25 miljoen verkochte kaartjes. Dit zou betekenen dat de actie heeft geleid tot een extra afzet van ongeveer 130.000 verkochte kaartjes. Volgens de cijfers van Stichting Filmonderzoek zijn er in 2017 153.889 vouchers ingenomen die recht geven op 307.778 bioscoopkaartjes. Dit zou betekenen dat van de ingenomen vouchers ongeveer 42% ten goede is gekomen aan extra omzet terwijl de overige 58% van de gebruikers van de actie ook naar de film zouden zijn geweest zonder kortingsactie. Qua omzet heeft de actie geleid tot (e0.092− 1 =) 9.6% extra omzet wat neerkomt op een bedrag van bijna e800.000

Figuur 6: Residuen actie 2016

In de figuur valt direct op dat vanaf 14 september het model de verwachte afzet behoor-lijk onderschat. Dat het model precies vanaf deze dag de verwachte afzet onderschat is niet toevallig. Deze dag valt namelijk precies samen met de premièredag van de blockbuster ’Bridget Jones’s Baby’.

Figuur 7: Residuen actie 2017

Zoals in de figuur te zien valt zijn er tijdens de actie van 2017 geen structurele fouten te vinden. Wel valt op dat de residuen van vrijdag 15 oktober 2017 structureel hoger liggen dan de overige dagen. Deze dag valt niet samen met de première van een block-buster en heeft geen duidelijke andere verklaring.

In de volgende subsecties worden een aantal modellen behandeld die pogen het ef-fect van de première van Bridget Jones’s Baby weg te filteren. Ter volledigheid wordt het effect op de kortingsactie van 2017 ook in de resultaten weergeven. Hier wordt echter niet uitgebreid bij stilgestaan.

5.2

Model met actieperiode

Het onderstaande model volgt het basismodel met een toevoeging, namelijk het opne-men van twee extra dummy’s. Deze dummy’s zijn gelijk aan 1 voor alle dagen tijdens de actieperiode (dus ook vrijdag, zaterdag en zondag) en voor elke bioscoop (dus ook Pathé-bioscopen).

Variabele Afzet basis Afzet actieperiode Omzet basis Omzet actieperiode Actie2016 0.239*** 0.239*** 0.209*** 0.209*** (0.0239) (0.0240) (0.0245) (0.0245) Actie2017 0.111*** 0.111*** 0.092*** 0.092*** (0.0158) (0.0158) (0.0156) (0.0156) Actieperiode2016 0.144*** 0.141*** (0.0103) (0.0106) Actieperiode2017 -0.072*** -0.084*** (0.0091) (0.0092) Avgactie2016 0.025 -0.136*** 0.011 -0.146*** (0.0236) (0.0262) (0.0242) (0.0269) Avgactie2017 -0.051*** 0.031* -0.111*** -0.016 (0.0147) (0.0179) (0.0143) (0.0176) Observaties 280,867 280,867 280,867 280,867 R2 _{0.8323 0.8325 0.8423 0.8424} F-test 5129.35 5093.54 5326.24 5289.53 Prob > F 0.00 0.00 0.00 0.00 Robuuste standaardfouten, *** p<0.01, ** p<0.05, *p<0.1

Uit de resultaten blijkt inderdaad dat de afzet en omzet gedurende de actieperiode in 2016 aanzienlijk hoger was dan verwacht. In 2017 was dit juist een beetje lager dan verwacht. Ook zien we dat het toevoegen van deze variabelen de schatters Actie2016 en Actie2017 helemaal niet beïnvloeden. Dit komt helemaal overeen met de bevindingen van Mundlak die aantoont dat de schatters gelijk zijn aan de Fixed Effects schatter en

zodoende niet wijzigen door, in dit geval, tijdsvariabelen toe te voegen. Het toevoegen van de variabele actieperiode helpt dus niet om een betere schatter voor het effect van de actie te vinden. Wel helpt het om een beter inzicht te krijgen in het daadwerkelijke effect van de actie. Met een correlatie tussen actie en actieperiode van meer dan 70% is het aannemelijk om te zeggen dat een groot deel van het effect van de variabele actieperiode wordt overgenomen door de variabele actie

5.3

Model zonder Bridget Jones

Een van de meest eenvoudige manieren om het effect van de première van Bridget Jones weg te halen is door al deze waarnemingen uit de data te verwijderen. Dit levert de volgende resultaten op voor de actievariabelen:

Variabele Afzet basis Afzet zonder BJ Omzet basis Omzet zonder BJ Actie2016 0.239*** 0.193*** 0.209*** 0.182*** (0.0239) (0.0184) (0.0245) (0.0186) Actie2017 0.111*** 0.115*** 0.092*** 0.095*** (0.0158) (0.0158) (0.0156) (0.0156) Observaties 280,867 280,669 280,867 280,669 R2 _{0.8323 0.8338 0.8423 0.8437} F-test 5129.35 5164.56 5326.24 5358.78 Prob > F 0.00 0.00 0.00 0.00 Robuuste standaardfouten, *** p<0.01, ** p<0.05, * p<0.1

Wanneer alle filmbezoeken van Bridget Jones uit de dataset worden gehaald daalt het aantal bezoekers tijdens de actieperiode van 2016 van bijna 1.2 miljoen verkochte kaart-jes naar ongeveer 730.000 miljoen verkochte kaartkaart-jes. Dit betekent dat de daadwerkelijk extra verkochte kaartjes als gevolg van de kortingsactie gelijk zou zijn aan ongeveer 118.000. Dit zou betekenen dat van de verkochte vouchers ongeveer 66% ten goede

is gekomen aan extra afzet. De overige 34% van de verkochte vouchers zou dan ten goede zijn gekomen aan personen die anders ook naar de bioscoop zouden zijn geweest. De extra omzet als gevolg van de kortingsactie zou hiermee neerkomen op ongeveer e800.000.

5.4

Acties samengevoegd

Een andere optie is het samenvoegen van de actieperiodes van 2016 en 2017. Hiermee vallen de positieve actieperiode2016 en de negatieve actieperiode2017 enigszins tegen elkaar weg:

Variabele Afzet basis Afzet samen Omzet basis Omzet samen Actie 0.174*** 0.149*** (0.0144) (0.0147) Actie2016 0.239*** 0.209*** (0.0239) (0.0245) Actie2017 0.111*** 0.092*** (0.0158) (0.0156) Observaties 280,867 280,867 280,867 280,867 R2 _{0.8323 0.8322 0.8423 0.8421} F-test 5129.35 5154.31 5326.24 5351.54 Prob > F 0.00 0.00 0.00 0.00 Robuuste standaardfouten, *** p<0.01, ** p<0.05, * p<0.1

De totale afzet van de deelnemende bioscopen tijdens de actieperiodes was ongeveer 2.45 miljoen verkochte kaartjes met een totale omzet van ongeveer e18 miljoen. Dit zou betekenen dat de kortingsacties hebben geleid tot een extra afzet van ongeveer 363.000 en extra omzet van ongeveer e2.3 miljoen. Hiermee zou van de verkochte vouchers ongeveer 75% ten goede zijn gekomen aan extra verkopen.

5.5

Model op basis van OLS

Het laatste model dat wordt bekeken is een model op basis van Ordinairy Least Squares. Hiermee wordt de kans op endogeniteit compleet genegeerd. Dit terwijl dit juist de reden is geweest om het model van Mundlak te gebruiken. Het model met de variabele actieperiode is hierbij als vergelijking opgenomen. De regressie op basis van OLS geeft onderstaande resultaten:

Variabele Afzet Mundlak Afzet OLS Omzet Mundlak Omzet OLS Actie2016 0.239*** 0.140*** 0.209*** 0.104*** (0.0240) (0.0175) (0.0245) (0.0180) Actie2017 0.111*** 0.122*** 0.092*** 0.070*** (0.0158) (0.0148) (0.0156) (0.0150) Actieperiode2016 0.144*** 0.104*** 0.141*** 0.098*** (0.0103) (0.0114) (0.0106) (0.0118) Actieperiode2017 -0.072*** -0.104*** -0.084*** -0.120*** (0.0091) (0.0102) (0.0092) (0.0104) Observaties 280,867 280,867 280,867 280,867 R2 _{0.8325 0.7638 0.8424 0.7763} F-test 5093.54 31726.99 5289.53 33425.76 Prob > F 0.00 0.00 0.00 0.00 Robuuste standaardfouten, *** p<0.01, ** p<0.05, *p<0.1

5.6

Resultaten per gebied

Het effect van een kortingsactie kan bij verschillende personen zeer variëren. Zo ook binnen verschillende gebieden. Om te zien of het effect van de kortingsactie verschil-lend is in verschilverschil-lende gebieden is een splitsing gemaakt per provincie. Hierbij is elke provincie als losse variabele opgenomen. Daarnaast is de actieperiode uitgesplitst per provincie.

Variabele Afzet Omzet Variabele Afzet Omzet ActieDR 0.214*** 0.156*** (0.0499) (0.0539) ActieFL 0.144*** 0.119*** Flevoland 0.138 -0.228** (0.0492) (0.0500) (0.0967) (0.0990) ActieFR 0.148*** 0.077*** Friesland 0.052 -0.271*** (0.0322) (0.0323) (0.0866) (0.0886) ActieGE 0.132*** 0.088*** Gelderland -1.23*** -1.874*** (0.0222) (0.0222) (0.1222) (0.1258) ActieGR 0.317*** 0.258*** Groningen -0.440** -1.091*** (0.0593) (0.0587) (0.1985) (0.2053) ActieL 0.179*** 0.152*** Limburg -0.982*** -1.523*** (0.0251) (0.0249) (0.1914) (0.1981) ActieNB 0.169*** 0.120*** Noord-Brabant 0.362*** -0.229 (0.0221) (0.0217) (0.1402) (0.1427) ActieNH 0.230*** 0.241 Noord-Holland -1.762*** -2.578*** (0.0191) (0.0195) (0.2906) (0.3012) ActieO 0.237*** 0.192*** Overijssel 0.673*** 0.152* (0.0295) (0.0308) (0.0820) (0.0843) ActieU 0.086 0.069*** Utrecht 0.542*** 0.073 (0.0289) (0.0292) (0.1686) (0.1738) ActieZH 0.125*** 0.118 Zuid-Holland 0.610*** 0.046 (0.0217) (0.0225) (0.1363) (0.1396) ActieZL 0.203 0.198*** Zeeland 0.372*** 0.141** (0.0538) (0.0542) (0.0562) (0.0598) Afzet Omzet Observaties 280,867 280,867 R2 0.8327 0.8427 F-test 4808.88 4995.3 Prob > F 0.000 0.000 Robuuste standaardfouten, *** p<0.01, ** p<0.05, *p<0.1

Wanneer we deze resultaten afbeelden op de kaart van Nederland krijgen we onder-staande resultaten voor de extra afzet en extra omzet als gevolg van de acties:

Hoewel de gevonden resultaten niet een heel duidelijk patroon geven is er wel enigszins een trend te vinden in de gevonden data. Zo lijkt de actie het meest effectief te zijn in het Noord-Oosten van Nederland, gevolgd door het Zuiden van Nederland. Daar-entegen lijkt de kortingsactie in de Randstad het minst effect te hebben. Uitzondering hierop is Noord-Holland die, afhankelijk van de definitie, geheel of gedeeltelijk binnen de Randstad valt.

6

Conclusie

In deze scriptie is gekeken naar het effect van de kortingsactie uitgegeven door Stichting Filmonderzoek. De kortingsactie heeft plaatsgevonden in september/oktober van 2016 en 2017. Ter vergelijking is hiervoor de data van 2014 tot en met 2017 gebruikt.

Ten behoeve van de Theoretische onderbouwing zijn een aantal onderzoeken geana-lyseerd. Als eerste zijn de onderzoeken uitgevoerd door Stichting Filmonderzoek zelf gebruikt. Deze onderzoeken richten zich echter meer op enquêtes waarmee ze niet heel relevant zijn deze scriptie. De overige onderzoeken zijn wel onderzoeken geweest op ba-sis van econometrische modellen. Vier van de vijf onderzoeken richten zich op jaarlijkse data. Hierbij is een onderzoek naar de Spaanse, Duitse en Engelse bioscoopmarkt. Het vierde onderzoek bevatte data van 13 Europese landen. Het vijfde onderzoek leek qua dataset het meest op de data uit deze scriptie. Dit onderzoek bevatte zeer gedetailleerde data per dag, bioscoop en film voor een relatief korte periode van 1 jaar.

Op basis van deze onderzoeken zijn verschillende modellen getest om het effect van de kortingsactie zo goed als mogelijk in kaart te brengen. Hierbij is het probleem geconstateerd van het uitkomen van een blockbuster tijdens de actieperiode. Dit was met Bridget Jones’s Baby het geval in 2016. Door het ontbreken van juiste variabelen om de kwaliteit van een film te meten bleek dit de uitkomsten van het onderzoek ernstig te verstoren. In 2017 is geen blockbuster uitgekomen tijdens de actieperiode. Dit heeft als gevolg dat de schatters voor de actieperiode van 2017 met een grotere mate van zekerheid kunnen worden vastgesteld.

11.7% en 13.0%. De gevonden schattingen voor de extra omzet variëren tussen de 7.3% en de 9.6%. In 2016 variëren de gevonden waardes voor extra afzet tussen de 15.0% en de 27.0% en voor de extra omzet tussen de 11.0% en de 23.2%. Hierbij dient opge-merkt te worden dat op basis van de data van Stichting Filmonderzoek en de gevonden waardes voor de actieperiode in 2016 het aannemelijk is dat de percentages voor 2016 zelfs nog lager liggen.

Wanneer de actieperiode naar provincie wordt uitgesplitst valt hierin enigszins een trend te ontdekken. De actie lijkt het meest effectief in de Noordelijke en Noord-Oostelijke provincies. Friesland is hier enigszins een uitzondering op. Vervolgens lijkt de actie het meest effectief in de Zuidelijke provincies. Hierna blijven de provincies in het midden van het land (rond de Randstad) over. In deze regio lijkt het effect van de actie het minst effectief.

Concluderend kan gesteld worden dat het organiseren van de actie een positieve in-vloed heeft op zowel het aantal verkochte kaartjes als de verwachte omzet. Het precieze effect hiervan dient op basis van deze scriptie enige terughoudendheid bekeken te worden door het ontbreken van juiste variabelen om de kwaliteit van een film te kwantificeren. Een vervolgstudie op dit onderwerp zou zich dan ook veel meer op dit onderwerp kun-nen focussen waarbij in veel grotere mate aandacht wordt besteed aan dit onderdeel. Vermoedelijk zal dit leiden tot betere schattingen.

I

Referenties

Becker, G.S., & Murphy, K.M. (1988). A Theory of Rational Addiction. Journal of Political Economy, 96, 675-700

Blanco, V., & Pino, J. (1997). Cinema Demand in Spain: A Cointegration Analysis. Journal of Cultural Economics, 21, 57-75

Centraal Bureau voor de Statistiek (2018). Regionale kerncijfers Nederland [Data file]

afkomstig van https://opendata.cbs.nl/statline//CBS/nl/dataset/70072ned/table?ts=1528636514551

De Vany, A., & Walls, D.W. (1999). Uncertainty in the Movie Industry: Does Star Power Reduce the Terror of the Box Office?. Journal of Cultural Economics, 23, 285-318

Dewenter, R., & Westermann, M. (2005). Cinema Demand In Germany. Journal of Cultural Economics, 29, 213-231

KNMI 2017. Dagwaarden neerslagstations[Data file] afkomstig van https://www.knmi.nl/nederland-nu/klimatologie/monv/reeksen

Macmillan, P., & Smith, I. (2001). Explaining Post-War Cinema Attendance in Great Britain. Journal of Cultural Economics, 25, 91-108

Mundlak, Y. (1978). On the Pooling of Time Series and Cross Section Data. Econo-metrica, 46, 69-85

Nelson, R.A., Donihue, M.R., Waldman, D.M., & Wheaton, C. (2007). What’s an Oscar worth?. Economic Inquiry, 39, 1-6

NVBF (2017). Jaarverslag 2016. Nederlandse Vereniging van Bioscopen en Filmthe-aters, van https://www.denvbf.nl/files/2017-jaarverslag-nvbf.pdf

NVBF (2017). Leden NVBF op boekingsgroep met het aantal zalen / stoelen. Neder-landse Vereniging van Bioscopen en Filmtheaters, van https://www.denvbf.nl/files/20170703-leden-nvbf-op-boekingsgroep-stoelen-zalen.pdf

Radas, S., & Shugan, S.M. (1998). Seasonal Marketing and Timing New Product In-troductions. Journal of Marketing Research, 35, 296-315

Roos, de, N., & McKenzie, J. (2014). Cheap Tuesdays and the demand for cinema. International Journal of Industrial Organization, 33, 93-109

Sisto, A., & Zanola, R. (2010). Cinema attendance in Europe. Applied Economics Letters, 17, 515-517

Stichting Filmonderzoek (2017). Evaluatieonderzoek Kruidvat Bioscoopactie 2017. niet gepubliceerd