电子竞技的关注度影响因素及行业发展前景研究

Research on E-Sports’ Attention Influence Factor and Its Industry Development Prospect

摘要: 当今社会，随着计算机科学技术的蓬勃发展，电子竞技作为一个新兴行业已经悄然融入到了我们的日常生活中。由于新冠疫情的影响，人们对于电子竞技行业的关注度也在逐步上升。在玩游戏的人群中，有87%的人关注过电子竞技。本文通过问卷星收集电子数据的方式获取样本，对我国电子竞技关注度的总体趋势做了调查分析，通过描述性分析对调查对象的基本情况、玩电子游戏的基本情况进行了分析。通过假设检验的方法检验了关注电子竞技的总体程度，结果为玩游戏的人群中对电子竞技的关注更高。运用无序多分类logistics回归分析的方法总结了电子竞技关注度的显著影响因素。其中，中大型城市的人们更加关注电子竞技，玩游戏的女性比男性对电子竞技的关注度更高。通过判别分析的方法将玩游戏的人群分成不怎么关注电子竞技和经常关注电子竞技两大类。运用主成分分析的方法计算电子游戏对人们影响的综合得分，再将得分分类进行交叉分析，分析结果为：相比于小城市，大城市玩游戏的人群更容易在游戏中受到消极影响。学历高的人更容易受到电子游戏的消极影响。收集电子竞技产业各年度报告数据，运用时间序列分析的方法预测了电子竞技行业的未来发展前景，用户逐渐趋于饱和。根据以上得到的结论给出相应建议。

Abstract: Nowadays society, with the boom of computer science and technology, e-sports as an emerging industry has been quietly integrated into our daily life. Due to the impact of COVID-19, people’s attention to the e-sports industry has gradually increased. Of those who played the game, 87 percent had paid attention to e-sports. This thesis investigates and analyzes the general trend of e-sports attention in China by collecting electronic data from questionnaire stars, through descriptive analysis, the basic situation of respondents and playing video games was analyzed. The overall level of attention in e-sports was examined by hypothesis testing, and the results showed that the interest in e-sports was higher among the people who played the games. This thesis summarizes the significant influencing factors of e-sports attention by using the method of unordered multicategorical logistics regression analysis. Among them, people in medium and large cities pay more attention to e-sports, and women who play video games generally pay more attention to e-sports than men. Through the method of discriminant analysis, the people who play games are divided into two categories: those who do not pay much attention to e-sports and those who pay a lot of attention to e-sports. Principal component analysis was used to calculate the comprehensive score of the influence of video games on people, and then the scores were categorized for cross-tabulation analysis. The results show that people who play video games in big cities are more likely to be negatively affected by the game than those in small cities. People with higher education are more likely to be negatively affected by video games. Collecting various annual report data of e-sports industry, the time series analysis was used to predict the future development prospects of e-sports industry, with users gradually becoming saturated. According to the above conclusions, corresponding suggestions are given.

1. 引言

1.1. 研究的目的和意义

当今社会，随着科学技术的高度发展，人们渐渐不再满足于物质生活的需要，从“吃饱”到“吃好”再到“玩好”，离不开科学技术的发展。而电子竞技就是其中的一个新兴行业，日益增长的科学技术也为电子竞技提供了良好的平台。现如今，随着一些项目(如“英雄联盟”、“绝地求生”、“反恐精英：全球攻势”等)加入亚运会，成为亚运会的一个比赛项目，电子竞技渐渐走进大家的眼球，这其中隐藏着巨大的经济价值等待挖掘。但人们对于电子游戏的坏处在心里已经根深蒂固。基于此，人们是否能够接受电子竞技，摘下“有色眼镜”成为了一个关键点，也影响着这个行业的发展前景。

马克思说过，我们要全面地、辩证地看待事物，我们在看到一个事物的积极影响时，一定不要忽略它的消极影响。随着电子竞技行业的发展，相信一定有很多人认为：我玩游戏是为了当职业选手，为国争光。这种思想本身就是不对的。电子竞技虽然蓬勃发展，但其本质还是电子游戏，而一旦沉迷其中，就会玩物丧志，影响青少年的学习生活和健康发展。所以，本课题在研究电子竞技发展前景的同时，还会用数据分析或举例的方法呼吁人们不要玩物丧志，要学会劳逸结合，才能享受健康生活。

本课题将通过调查问卷的方式收集数据，国内外目前的研究较多的是电子竞技带来的经济效益、电子竞技人才培养、电竞产业链的发展趋势、电子竞技行业发展前景预测这几方面的内容，关于俱乐部运营模式与收支分配的研究较少，本文将研究一些俱乐部发展过程中的优缺点，除此之外，本文将预测电子竞技行业的未来发展规模及用户数。

1.2. 文献综述

1.2.1. 国内文献综述

随着电子竞技项目加入亚运会，电子竞技的性质发生了转变，它得到了国家的重视，得到了世界的重视。

侯方科、孟亚东[1]为我们讲述了电子竞技行业的发展模式等基本信息，为我们介绍了电子竞技的含义，同时也对电子竞技行业发展的优劣势进行了简述，并给出了一些建议。而厉颖、朱丹艳和董飞[2]则是针对大学生群体展开调查，针对大学生提出了一些建议。鲍文轩、李凤新[3]列举了电子竞技市场蓬勃发展的原因，梁力中、陈逸明[4]则是看到了对城市发展的影响，简述了电子竞技对城市发展的意义。本文将预测电子竞技产业的未来发展前景。张宏羽[5]则是对主要阻碍电子竞技发展的情况进行了陈述，提出了改进建议。本文也将对此进行着重研究，但与以上文献不同的是，本文将以电子竞技俱乐部发展模式为中心研究其发展模式的优劣并总结给出相关建议。

郭梁[6]是从电子竞技人才培养的角度出发，阐述了职业选手的培养途径和职业现状。刘福元、赵敬凯[7]从电竞产业链角度出发，对电竞产业发展模式进行了说明。游继之、布特[8]也对产业链的发展历程和现状进行了说明，同时也阐述了电子竞技产业链面临的风险与挑战并给出了改进建议。孙博文[9]也从电竞产业链角度出发，对电竞产业发展模式进行了说明。

刘思程、王林[10]认为电子竞技的发展与电子游戏本身和比赛有关，电子竞技的本质和表现形式就是电子游戏，基于此给出了一些建议。刘志远[11]将高中生和大学生联系起来，以电竞作为高考新专业为出发点，充分介绍了这个新兴行业的新兴领域。梁鼎洲[12]也将高校列为了重点关注对象，他认为，虽然电子竞技负面报道在减少，但由于家长认识度不足等原因，导致了电子竞技这门专业没有很好地在高校得到发展。本文将从游戏时间和游戏消费两方面总结结论并给出建议。

黄燕珍[13]则看到了政府在产业链发展中起到的积极性作用，她认为政府的支持能够帮助电竞产业链蓬勃发展。本文将以电子游戏产业收入为起点预测电子竞技产业的未来发展情况。

1.2.2. 国外文献综述

Ratko [14]则对于电子竞技行业加入亚运会这一事件进行了说明，电子竞技已经满足被视为体育运动项目的所有条件。Leis等[15]则认为电子竞技成为亚运会体育项目这件事一直饱受争议并阐明了观点。

1.3. 研究内容与思路

本课题采用以制作调查问卷收集数据为主，以网络搜寻资料为辅。使用描述统计的方法展示人们玩电子游戏和关注电子竞技的基本特征，之后用方差分析、判别分析、多元logistics回归等方法对数据进行处理，寻找显著因素。最后用网络上收集到的2008年以来国内电子竞技产业发展情况，运用时间序列分析的方法进行预测，再从不同的角度将国内电子竞技俱乐部和韩国发展较好的电子竞技俱乐部作对比，根据以上结论得到的结论给出相关的建议。

2. 调查方案的设计与实施

2.1. 数据的来源和用途

本次调查采用收集问卷和收集网络数据的方法。其中，通过调查问卷收集到的数据被用于进行描述统计和推断统计的内容，总结电子竞技关注度的影响因素，对人们进行分类；通过网络收集到的资料则被用于预测未来电子竞技产业发展情况。

2.2. 问卷设计

调查目的：研究电子竞技关注程度的影响因素和人们玩电子游戏的喜好。

调查问卷：由于疫情原因，本次调查问卷的形式为线上问卷，共设26道题目。

调查人群：全体人群。

样本量：根据样本量确定公式：

$n=\frac{{\left(Z_{\frac{\alpha }{2}}\right)}^2{\sigma }^2}{E^2}$ (1)

根据公式(1)保证极限误差E小于5%，经过预调查得到了100份样本，以电子竞技关注度作为指标计算出样本标准差s等于0.569，置信度取95%，得到n约等于498。所以本次调查需要收集电子问卷500份以上。

2.3. 数据的预处理和筛查

本次调查一共收集到电子问卷846份，本文研究的是玩电子游戏的人的相关因素，所以在排除掉答题时间过短和过长的问卷，排除掉异常值后，最终收集到玩电子游戏的有效电子问卷700份。

3. 电子竞技关注度的影响因素研究

3.1. 电子竞技有关的描述统计

3.1.1. 被访者关于电子游戏的偏好

本次调查共收集到玩电子游戏的问卷700份，为方便后续的研究，现对人们玩电子游戏的基本情况做描述统计分析，得到的结果如下图1所示。

Figure 1. Reason of people play video games

图1. 人们玩电子游戏的原因

在人们玩电子游戏的原因中(图1)，身边朋友和家人的影响占据了相对较大的比例，说明人们玩电子游戏易受他人影响，在广告方面则占据了30%的部分，说明广告也会影响人们选择电子游戏。

Figure 2. Frequency distribution of respondents’ time spent playing video games

图2. 被访者玩电子游戏时间的频率分布

对于游戏时间(图2)，大部分人们集中在每天3小时内的阶段，每天3小时以上的人数相对较少，相信很多游戏都有这样一句标语：适度游戏益脑，过度游戏伤身，合理安排时间，享受健康生活。就是为了呼吁人们不要沉迷游戏，要适度游戏才能有益身心健康，不要沉迷其中，否则就会影响到我们的日常生活。

3.1.2. 被访者在电子游戏中的消费情况

Table 1. Respondents’ willingness to consume

表1. 被访者的消费意愿

调查内容		频率	百分比(%)	有效百分比(%)	累计百分比(%)
是否愿意在电子游戏中消费	不愿意	14	2.0	2.0	2.0
	愿意	686	98.0	98.0	100.0

从表1中可以看出，被访者中愿意在电子游戏中消费的比例占据了98%之多，可以看出绝大多数人都是有在电子游戏中消费的意愿的，只有极少部分人不愿意在电子游戏中消费。

Figure 3. Respondents’ spending preferences in the game

图3. 被访者在电子游戏中的花销偏好

把愿意在电子游戏中消费的686个样本筛选出来进行统计，统计结果如图3所示。在消费金额方面，大部分人集中在每周500元以下这个档次，只有13.6%的被访者愿意在电子游戏中每周花费500元以上。

3.1.3. 被访者对于电子竞技的关注情况

Table 2. Respondents’ concern about the e-sports industry

表2. 被访者关注电子竞技行业的情况

调查内容		频率	百分比(%)	有效百分比(%)	累计百分比(%)
是否关注电子 竞技行业	不关注	90	12.9	12.9	12.9
	关注	610	87.1	87.1	100.0

表2为人们关注电子竞技行业的情况，本次调查共收集到700份有效问卷，其中关注电子竞技行业的有610人，不关注电子竞技行业的有90人。在玩电子游戏的人群中，超过80%的人关注电子竞技，说明了这个行业正在逐渐走进大家的视野。

3.1.4. 交叉分析

为研究玩游戏的人中不同性别的人对游戏类型的偏好，现对性别和喜欢的游戏类型做交叉分析，得到的结果如表3所示。

Table 3. Cross-analysis table of game type preference and gender

表3. 游戏类型偏好与性别的交叉分析表

		最喜欢的游戏类型
		其他游戏	FPS	MOBA	RPG	SLG
性别	男	46	81	95	107	53
	女	41	62	109	64	42

表3为性别和游戏类型的交叉分析频数表，但在700份样本中，男性的总数为382，女性总数为318，所以现将频数表转化为频率表，转化结果如表4所示。

Table 4. Cross-analysis frequency table of game type preference and gender

表4. 游戏类型偏好与性别的交叉分析频率表

		最喜欢的游戏类型
		其他游戏	FPS	MOBA	RPG	SLG
性别	男	0.12	0.21	0.24	0.28	0.14
	女	0.13	0.20	0.34	0.19	0.13

交叉表卡方检验结果如表5所示。

Table 5. Cross-table chi-square test

表5. 交叉表卡方检验

	值	自由度	显著性
卡方	10.092^a	4	0.039
似然比	10.128	4	0.038

注：a表示0个单元格(0.0%)的期望计数小于5。最小期望计数为39.52。

从表5中可以看出，显著性为0.039，小于0.05，所以可以说明在95%的置信区间下，性别与游戏类型偏好存在着显著差异。回到表4中，我们发现：其他游戏、FPS (第一人称射击游戏)、SLG (策略游戏)对于性别的差异不是很明显，而相对较明显的则是MOBA (多人战术竞技游戏)和RPG (角色扮演游戏)，其中女性更加喜欢MOBA游戏，而男性更加喜欢RPG游戏。

3.2. 电子竞技关注度的影响因素研究

3.2.1. 关注度的假设检验

为了检验玩游戏的总体关注电子竞技程度的均值是否大于平均值3，现对人们关注电子竞技的程度作单样本假设检验，由于样本量大，总体均值、方差均未知，所以总体方差σ用样本方差s代替进行z检验。经计算得到样本均值为3.70，标准差为1.295。置信度取95%。

首先：设$H_0:{\mu }_0\le 3$ ，$H_1:{\mu }_0>3$ 。

其次，根据公式：

$Z=\frac{\overline{X}-{\mu }_0}{s/\sqrt{n}}$ (2)

解得$z=13.35>z_{0.025}$ ，所以拒绝$H_0$ ，即我们认为有充足的理由说明总体均值大于3，得出结论：在玩游戏的人群中，对于电子竞技的关注程度高于平均值，玩游戏的人们更加关注电子竞技。

3.2.2. 电子竞技关注度的影响因素

为了探究各自变量与因变量(电子竞技关注度)的关系，现将电子竞技关注度作为因变量，自变量为：性别、年龄、学历、月收入、所在城市、玩游戏的频率、在游戏中的消费、开始关注电子竞技的时间，进行多元逻辑回归检验。在这之前要先对数据的缺失值进行删除，删除后得到了610个个案。回归前需要做如下变量替换(表6)。

Table 6. Variable substitution table

表6. 变量替换表

变量名称	替换关系
年龄	22岁及以下 = 1；23岁及以上 = 2
性别	男 = 1；女 = 2
学历	本科以下 = 1；本科及以上 = 2
月收入(或月生活费)	5000元以下 = 1；5000元以上 = 2
电子游戏消费	每周200元以下 = 1，每周200元以上 = 2
开始关注电子竞技时间	2010年以前 = 1，2010年以后 = 2
城市	中大型城市 = 1，小城市及农村 = 2
玩游戏的频率	每周20小时以下 = 1，每周20小时以上 = 2

经过检验，虽然该模型不存在多重共线性问题，但平行线检验结果的显著性为0.002小于0.05，故使用多分类有序logistics回归模型效果并不理想，所以将使用无序多分类logistics回归模型进行回归，该模型检验结果如下表7所示。

Table 7. Model fitting information

表7. 模型拟合信息

	模型拟合条件	似然比检验
模型	−2对数似然	卡方	自由度	显著性
仅截距	1119.650
最终	1060.695	58.955	32	0.003

表7中的显著性为0.003，小于0.05，说明该模型的回归效果显著。

Table 8. Likelihood-ratio test

表8. 似然比检验

自变量	−2对数似然	卡方	自由度	显著性
年龄	1065.998	5.303	4	0.258
性别	1071.877	11.182	4	0.025
学历	1065.477	4.782	4	0.310
月收入	1062.496	1.801	4	0.772
所在地区	1073.483	12.788	4	0.012
玩游戏的频率	1065.354	4.659	4	0.324
花销	1067.623	6.929	4	0.140
关注电子竞技的时间	1067.979	7.284	4	0.122

表8中年龄、所在地区的显著性小于0.05，由此可知这两个自变量与因变量之间存在相关关系。回归结果如下表9所示(只提取了显著结果，参照组为最后一组)。

Table 9. Significance regression results

表9. 显著性回归结果

因变量	自变量	显著性	EXP(B)
1	所在地区 = 1	0.015	2.153
2	所在地区 = 1	0.005	2.441
3	性别 = 1	0.030	0.516
4	所在地区 = 1	0.035	1.537

表9为本回归模型的显著性结果，由此我们可以得出结论：所在地区为中大型城市的人和所在地区为小型城市或农村的人对比之下，关注较多和较少的人都是更多的，说明城市人群关注电子竞技的人更多。关注较少这方面，所在地区为大型城市的人数是所在地区小型城市或农村的人数的2倍以上；关注较多这方面，所在地区为大型城市的人数是所在地区小型城市或农村的人数的1.537倍。而不同性别类型中，男性一般关注电子竞技的人数比女性少，为女性人数的0.516倍。

3.2.3. 回归结果总结

根据3.2.2中的回归结果，我们可以得到以下结论：在关注电子竞技的人群中，一般关注电子竞技的女性比男性多，而所在地区会影响人们对于电子竞技的关注，相比于小城市和农村，中大型城市的人们会更加关注电子竞技。

3.3. 判别分析分类

为了对人们按照自身属性进行分类，现将人们对电子竞技的关注度作为因变量。先对25题其他小问(人们对于电子游戏相关的观点赞同度)作为自变量进行分析，在进行判别分析前要先对自变量做共线性检验，检验结果如下表10所示。

Table 10. Collinearity test

表10. 共线性检验

自变量	容差	VIF
我很享受游戏带来的成就感	0.217	4.613
玩游戏能够很好地放松身心，使我更集中精力	0.310	3.223
玩游戏花费时间和金钱是值得的	0.273	3.669
因为喜欢游戏所以关注了电子竞技	0.295	3.388
因为生活，我渐渐不再关注电子竞技	0.325	3.081
我会将好玩的游戏推荐给朋友	0.222	4.511
我在游戏中认识了很多朋友，增长了见识和阅历	0.212	4.716
我的学习（生活）压力很大，需要经常玩游戏放松	0.314	3.189

根据表10我们可以看到自变量的VIF全部小于5，所以我们有充分的理由说明自变量间存在的共线性较低。经过判别分析得到的Fisher判别函数如下表11所示。

Table 11. Fisher-classification function coefficient 1

表11. Fisher分类函数系数1

	我对电子竞技的关注是比较多的
	1	2	3	4	5
我很享受游戏带来的成就感	1.829	1.736	4.534	4.779	5.040
玩游戏能够很好地放松身心，使我更集中精力	1.820	3.009	4.624	5.202	4.852
玩游戏花费时间和金钱是值得的	3.135	3.566	7.831	7.757	8.053
因为喜欢游戏所以关注了电子竞技	3.257	3.073	7.675	9.067	8.993
因为生活，我渐渐不再关注电子竞技	2.727	3.089	5.607	5.690	5.610
我会将好玩的游戏推荐给朋友	0.353	1.344	2.322	3.595	2.969
我在游戏中认识了很多朋友，增长了见识和阅历	3.071	1.956	7.556	7.549	8.140
我的学习(生活)压力很大，需要经常玩游戏放松	3.145	2.083	6.761	6.344	6.101
常量	−18.316	−19.524	−98.466	−111.209	−110.219

根据Fisher分类函数系数表，我们可以将新增的样本按照自变量属性进行分类，方便预后处理数据，关于本次的分类结果如表12所示。

Table 12. Classification result 1

表12. 分类结果1

	因变量	预测组成员信息
		1	2	3	4	5	总计
计数	1	40	22	0	0	0	62
	2	19	48	0	0	0	67
	3	4	0	33	11	11	59
	4	0	0	28	140	61	229
	5	0	0	40	69	84	193

通过表12可以看出，该判别分析结果并不是非常显著，只对56.6%的个体正确地进行了分类，该模型存在一定的误差。但如果对因变量进行类型合并，就可以增加该模型的显著性水平。现将因变量中的“1”和“2”分成一类，为“不怎么关注电子竞技”，值标签为“1”；将因变量中的“3”、“4”和“5”分为一类，为“经常关注电子竞技”，值标签为2，得到的Fisher判别函数和对本次分类结果的检验如下表13所示。

Table 13. Fisher-classification function coefficient 2

表13. Fisher分类函数系数2

	1 (不怎么关注电子竞技)	2 (经常关注电子竞技)
我很享受游戏带来的成就感	1.680	4.566
玩游戏能够很好地放松身心，使我更集中精力	2.228	4.482
玩游戏花费时间和金钱是值得的	3.349	7.866
因为喜欢游戏所以关注了电子竞技	2.708	7.615
因为生活，我渐渐不再关注电子竞技	2.891	5.594
我会将好玩的游戏推荐给朋友	0.448	2.109
我在游戏中认识了很多朋友，增长了见识和阅历	2.496	7.728
我的学习(生活)压力很大，需要经常玩游戏放松	2.829	6.890
常量	−17.030	−102.401

根据表13的Fisher分类函数系数表得到判别分析的依据和判别函数，将被访者的各自变量乘以这两个函数的系数再加上常量，得到结果大的，说明该被访者属于此类型。

Table 14. Classification result 2

表14. 分类结果2

	因变量	预测组成员信息
		1	2	总计
计数	1	129	0	129
	2	4	447	481

此外根据表14，可以看出该模型显著性良好，正确地对99.3%的个体进行了分类。

3.4. 电子游戏带给人们的影响

为了检验年龄、性别等自身属性是否与电子游戏带来的影响有关。现从问卷中25题的几个选项中挑选出其中的积极影响做主成分分析，筛选后得到六个变量：电子竞技的关注度、玩游戏带来的成就感、玩游戏的放松程度、在游戏中消费的满足度、是否会推荐给周围的人、游戏带来的社交收获。

在进行主成分分析之前要先对数据进行标准化处理，处理后进行主成分分析，检验结果如下表15所示。根据表15中的检验结果，我们可以看出：KMO取样适切性量数为0.937，大于0.6，巴特利特显著性为0.000，小于0.05，说明变量间存在相关性，可以使用因子分析。

Table 15. KMO and Bartlett’s test

表15. KMO和巴特利特检验

KMO取样适切性量数		0.937
巴特利特球形度检验	近似卡方	3600.008
	自由度	15
	显著性	0.000

得到的总方差解释如下表16所示。

从表16中可以看出，只有一个成分的特征值大于1，其方差百分比占到了81.432%，与85%比较接近，因此将使用一个主成分计算综合得分。计算各主成分的得分公式为：

Table 16. Total variance interpretation

表16. 总方差解释

初始特征值				提取载荷平方和
成分	总计	方差百分比	累计	总计	方差百分比	累计
1	4.886	81.432	81.432	4.886	81.432	81.432
2	0.300	5.006	86.439
3	0.245	4.082	90.521
4	0.225	3.753	94.274
5	0.177	2.950	97.224
6	0.167	2.776	100.000

$\begin{array}{l}{F}_i=w_{i1}{X}_1+w_{i2}{X}_2+\cdots +w_{in}{X}_n\\ w_{ij}=\frac{{\theta }_j}{\sqrt{{\lambda }_i}}\end{array}$ (3)

在公式(3)中，$w_{ij}$ 表示各主成分中各变量的权重，${\theta }_j$ 为成分矩阵中每个变量对应的系数，$\sqrt{{\lambda }_i}$ 为第i个主成分对应的特征值的开根值。本模型中只有一个主成分，所以只有一个特征值4.886开根号得2.210，成分矩阵如下表17所示。根据该成分矩阵，可以计算出本模型中各主成分的得分公式，计算结果如下所示：

$F_1=0.406X_1+0.414X_2+0.396X_3+0.404X_4+0.411X_5+0.417X_6$ (4)

Table 17. Component matrix

表17. 成分矩阵

	成分
电子竞技关注度	0.899
玩游戏带来的成就感	0.915
玩游戏的放松程度	0.875
在游戏中消费的满足度	0.894
是否会推荐给周围给的人	0.908
游戏带来的社交收获	0.922

计算综合得分公式为：

$F={\alpha }_1{F}_1+{\alpha }_2{F}_2+\cdots +{\alpha }_n{F}_n$ (5)

本模型中只有一个主成分，因此本模型中的计算综合得分公式为：

$F=0.81432F_1$ (6)

经过上述的操作后，能够得到这6个变量的综合得分，为了研究人们自身属性与该综合得分的关系，现将综合得分做变量替换，由于本模型中挑选的成分为电子游戏是否给人们带来了积极影响，现对变量做如下转换：将综合得分大于0的替换为“电子游戏给我带来的积极影响大于消极影响”，值标签为1，综合得分小于0的替换为“电子游戏给我带来的消极影响大于积极影响”，值标签为2。将转换过后的变量与年龄、性别等变量做交叉分析。这里提取两个显著的因素进行展示：

1) 与所在地区的交叉分析

将人们所在地区与综合得分进行交叉分析，其中皮尔逊卡方检验得到的显著性为0.004，小于0.05，所以我们认为该交叉表显著。得到的交叉表如下表18所示。

Table 18. Cross-analysis table 1

表18. 交叉分析表1

			综合得分
			1	2
所在地区		1	248	101
		2	212	49

根据表18可以看出，所在地区为1 (大型或中型城市)和2 (小型城市或农村)的人中，综合得分为1的人数显著高于得分为2的人数，可以说明整体情况：大部分人都可以从电子游戏中得到积极影响。而在综合得分为2的人群中，我们发现所在地区为1的人的占比要比所在地区为2的人高，由此我们可以得出结论：大中型城市的人们受电子游戏消极影响要高于小型城市或农村。

2) 与学历的交叉分析

将学历与综合得分做交叉分析，皮尔逊卡方检验的显著性为0.016，小于0.05，因此该交叉表显著，得到的交叉分析表如下表19所示。

Table 19. Cross-analysis table 2

表19. 交叉分析表2

		综合得分
		1	2
学历	1	290	78
	2	170	72

根据表19，能够看出在学历为1 (本科以下)和2 (本科及以上)的对比中，学历为1且综合得分为1的比例大于学历为2且综合为1的比例，因此我们可以得出结论：相比于学历低的人，学历高的人更易受到电子游戏的负面影响。

4. 电子竞技行业发展研究

4.1. 电子竞技俱乐部的收入来源和分配

4.1.1. 国内电子竞技俱乐部的概述

中国电竞俱乐部的概念源于SC (星际争霸)，其中最具代表性的为中国的WNV战队，在当时乃至中国电竞史上都是集商业价值和电竞成绩极高的俱乐部。中国电竞俱乐部形成于CS (反恐精英)，繁荣和发展于LOL (英雄联盟)，比较知名的俱乐部有LGD俱乐部、EDG俱乐部等。2018年，王思聪投资IG战队并取得当年英雄联盟全球总冠军后，无数大品牌纷纷投入电子竞技市场，比较知名的有SN (苏宁)俱乐部、JDG (京东)俱乐部等。

4.1.2. 国内电子竞技俱乐部的主要收入来源

像传统体育俱乐部如皇马、巴萨等，电子竞技作为一个新兴的体育项目，它的收入来源和传统体育几乎一样，但由于政策关系，其中的比例会有所变化，表20中展示了2017、2018年国内俱乐部收入分配表。

1) 赞助商

赞助商和传统体育一样，都是俱乐部盈利的主要来源，而在电子竞技中，选手的队服、游戏ID等都会对赞助商进行露出宣传。

2) 电商

电商这方面与传统体育有一些共同点，传统体育和电子竞技俱乐部都有自己专门的电商渠道，如淘宝、京东等销售自己的周边。不同的是，传统体育出售的是队服、运动器材等周边，电子竞技则出售的是选手队服、电竞椅、外设等电子产品。

3) 商务

电子竞技的商务活动收入则占比较低，主要表现形式有代言、拍广告等，由于电子竞技没有央视的转播权，所以这方面的收入占比较低。

4) 奖金

比赛赢得的奖金大部分归选手所有，俱乐部在这方面获得的奖金几乎没有。

5) 转播权

一些电子竞技赛事比如LPL、major等，所有参赛的俱乐部都会收到一笔来自转播平台的转播费，然而和一些传统体育赛事比如欧冠、NBA比起来，这一部分的收入就显得非常低了。相信在未来，随着关注电子竞技赛事的人越来越多，电子竞技转播权这一部分的收入逐渐会占据较大的部分。

6) 直播

随着直播行业的发展，各大直播会和电子竞技俱乐部签订合同，让职业选手去直播平台直播以带来经济效益，由于直播平台的保密政策，这部分的收入分配目前还无法了解。

Table 20. Club income distribution table for 2017 and 2018

表20. 2017、2018年俱乐部收入分配表

	2017	2018
签约费	28.90%	28.97%
赞助	22.83%	20.87%
直播	14.97%	15.73%
转播	14.36%	15.94%
商业活动	7.73%	8.40%
门票	5.43%	3.90%
风险投资	3.19%	3.76%
其他	2.89%	2.43%

4.1.3. 电子竞技俱乐部的主要收入分配

我国电子竞技行业发展仍然缓慢，很多俱乐部目前仍处于支出略低于收入，甚至支出大于收入的情况，表21中展示了2017、2018年国内俱乐部收支出分配表。

1) 基地租金

电子竞技的基地租金、水电、日常生活保障等占据了收入的一部分，但这部分的占比不大，当一个俱乐部在生活保障的部分支出过多时，说明该俱乐部正在往亏损的方面发展。

2) 选手工资

选手工资则是俱乐部收入中占据比例最大的一项，为了引入一些实力强劲的明星选手，各大职业战队不惜花重金聘请职业选手加入自己的战队，一些选手的年薪动辄千万，有些甚至年薪过亿，这项支出占据着俱乐部的绝大多数支出。然而，并不是所有选手都能拿到如此惊人的工资。据统计，青训队员的月薪在2000~8000之间。

3) 运营费用

运营费用则指的是管理层的工资，一个完整的职业战队不光有主教练，背后的团队力量非常强大，包括领队、录像分析师、战术教练、心理医生、营养师、按摩师、翻译等。电子竞技比赛的较量也是团队的较量。

4) 商业活动

每当有大型比赛举办时，国内外知名俱乐部齐聚一堂，而俱乐部到外地的食宿安排构成了这方面的支出。据报道2021年“EDG”战队获得2021年英雄联盟全球总决赛资格后，EDG的老板包机供EDG的队员前往冰岛比赛，这其中就包含了一大笔支出。

Table 21. Club expense distribution table for 2017 and 2018

表21. 2017、2018年俱乐部支出分配表

	2017	2018
签约费	57.13%	56.73%
商业活动	16.60%	17.90%

续表

工资	12.13%	11.23%
硬件设备	10.63%	10.27%
杂费	1.97%	2.07%
日常开销	1.54%	1.80%

4.2. 电子竞技行业的未来发展前景预测

电子竞技行业的发展情况主要表现为电子游戏产业规模和电子游戏用户规模。由于缺少电子竞技产业数据。所以使用电子游戏产业数据研究电子竞技发展，图4和图5中展示了2008年~2020年间电子游戏行业市场规模和用户规模(数据来源：游戏工委、腾讯电竞、新浪新闻等)。

Figure 4. Market size of China’s game industry from 2008 to 2020

图4. 2008~2020年中国游戏行业市场规模

Figure 5. User size of China’s game from 2008 to 2020

图5. 2008~2020年中国游戏用户规模

1) 销售收入预测

为了预测未来中国游戏行业市场的规模与用户的规模，现将该图中的数据做时间序列分析，显著性检验结果如下表22所示。

Table 22. Test of goodness of fit 1

表22. 拟合优度检验1

模型	R方	显著性
模型1	0.977	0.482

根据表22中R方 = 0.977，已经很接近1，显著性为0.482，大于0.05，所以我们判断该模型显著。

Figure 6. Estimated forecast fit table

图6. 估计预测拟合表

从图6中可以看出，实测值和预测拟合值基本重合，因此有理由认为该模型显著，预测结果如下表23所示。

Table 23. Time series prediction 1

表23. 时间序列预测1

模型		15	16
模型1	预测	3178.94	3392.75
	区间上限	3492.77	3836.57
	区间下限	2865.11	2948.93

表23为未来预测，其中模型15为2022年，16为2023年。根据表23我们可以知道该模型中对2022年电子游戏产业销售收入的预测为3178.94亿元，预测区间为(2865.11, 3492.77)亿元，2023年的产业销售收入的预测为3392.75元，预测区间为(2948.93, 3836.57)亿元。

2) 用户规模预测

根据图6进行建模得到的结果、检验结果如下表24所示。

Table 24. Test of goodness of fit 2

表24. 拟合优度检验2

模型	R方	显著性
模型1	0.971	0.424

表24中的R方为0.971接近1，显著性为0.424，大于0.05，所以我们有充分理由说明该模型显著。预测结果如下表25所示。

Table 25. Time series prediction 2

表25. 时间序列预测2

模型		15	16
模型1	预测	6.77	6.84
	区间上限	7.52	8.34
	区间下限	6.02	5.33

表25为预测结果，其中模型15为2022年，16为2023年。从该预测表中我们可以看出该模型对于2022年电子竞技用户数的预测为6.77亿人，预测区间为(6.02, 7.52)亿人，2023年的预测人数为6.84亿人，预测区间为(5.33, 8.34)亿人，增长幅度很小。近几年来用户数的增长偏慢，逐渐趋于饱和。

5. 主要结论

5.1. 关于游戏人群

1) 电子游戏相关结论

由前面统计可知，在玩游戏的人群中喜欢用大型游戏机玩游戏的人占据了较大比例，大多数人玩游戏的时间在每天3小时以下，但还是有少部分人每天游戏时间高于3小时。另外调查显示，在游戏消费方面，大多数人的消费在每周500元以下，少部分人的消费在每周500元以上。

此外，调查显示，大部分人玩游戏是受到朋友或广告宣传的影响。而现在玩游戏的人群中大多数人有关注电子竞技，并且有些人很早就开始关注了。性别方面，女性更喜欢MOBA (多人战术竞技)类游戏，而男性更喜欢RPG (角色扮演)类游戏。

2) 电子竞技相关结论

由前面统计部分可知，玩游戏的人群中对于电子竞技的关注程度要高一些，所在地区为城市的人们关注度比所在地区为农村的人们高，所在地区为大型城市的和学历较高的人们易受到游戏的消极影响，女性关注电子竞技的程度比男性高一些。

5.2. 关于电子竞技俱乐部

由研究报告可知，我国电子竞技行业主要缺乏专业人士，电子竞技俱乐部也是如此。此外，我国的电子竞技俱乐部大多数是由个人投资创立的，很少有大集团、大公司赞助。电子竞技内部管理也较为松散，职业选手低龄化严重，状态、心态易受影响。电子竞技相关人才也十分缺乏，缺少专业管理人士。

6. 主要建议

1) 游戏时间

虽然大多数人玩游戏的时间在每天3小时以下，但还有一部分人沉迷游戏，游戏时间在每天3小时以上，说明目前人们对于游戏的防沉迷认知还不够高。随着电子竞技行业的兴起，也将电子游戏推向了风口浪尖。由此，游戏开发部门应该在游戏中加强防沉迷的传播，而不应仅仅靠几条标语，虽然近期我国已经针对未成年防沉迷做出了相应措施，但力度还远远不够，而且防沉迷不仅仅是针对未成年的，更要针对成年人，合理安排时间，享受健康生活。

2) 游戏消费

在消费方面，虽然人们的职业不同，收入不同，但还是有些人无法克制在游戏中消费的欲望，导致入不敷出的情况出现。相关部门也应该对此加以限制，避免诱导消费情况的出现，帮助人们减少在电子游戏中的消费，也能有效避免人们沉迷其中。

3) 游戏影响

然而调查显示，大型城市的人们和学历高的人们易受到游戏的消极影响，影响生活。这方面可以看出，生活质量越高，人们的好胜心就越强，因此人们需要尽量避免游戏影响自己的生活，不要把游戏的结果看得过于重要了，尽可能多地享受现实生活带来的乐趣。

4) 电子竞技俱乐部

对于电子竞技俱乐部而言，现如今我国已经有几所院校开设了电子竞技相关专业，相信不久的将来，管理人员的问题也将得到解决。首先要解决的是职业选手不成熟，青训选手大部分都是16~18岁之间的未成年人，他们的心智尚未健全，明辨是非和基本的社交概念不成熟。因此，队内需要加强对这些未成年人的疏导和帮助，提升他们的抗压能力和社交能力。除此之外，还要早日健全俱乐部的各项措施，严格管理队员，共同为中国电子竞技行业的建设做贡献。