پیش‌بینی موفقیت کشورهای شرکت‌ کننده در بازی‌های المپیک 2016 ریودوژانیرو با استفاده از روش هوشمند شبکه‌های پرسپترون چندلایه (MLP)

نوع مقاله : مقاله پژوهشی

نویسندگان

1 استادیار، پژوهشگاه تربیت بدنی و علوم ورزشی(نویسنده مسئول)E-mail: zareian.h@gmail.com

2 استادیار، دانشگاه خوارزمی

3 دانشیار، دانشگاه تهران

4 کارشناس ارشد، دانشگاه امیرکبیر

چکیده

حسین زارعیان[1]
علیرضا الهی[2]
 نصرالله سجادی[3]
امین قاضی زاهدی[4]
 
تاریخ دریافت مقاله: 1/11/1393
                                                                                 تاریخ پذیرش مقاله:7/3/1394
 
پژوهش حاضر با هدف پیش­بینی موفقیت کشورهای شرکت کننده در بازی­های المپیک 2016 ریودوژانیرو با استفاده از روش­ هوشمند MLP انجام شد. این پژوهش، در دو مرحله کیفی (تعیین شاخص­ها) و کمی (جمع آوری داده­های مربوط به کشورهای منتخب) صورت گرفت. در مرحله اول ، مصاحبه­های کیفی نیمه­ساختارمند و عمیق با 28 نفر از نخبگان آگاه از موضوع پژوهش به صورت غیرتصادفی هدفمند تا حد اشباع نظری انجام شد. پس از شناسایی شاخص­ها، اطلاعات شاخص­های انتخاب شده - شاخص­های      22 گانه اقتصادی، سیاسی، اجتماعی و فرهنگی، فناوری و ورزشی (PEST+S)-  برای 42 کشور منتخب به صورت غیرتصادفی در دسترس در بازه زمانی 40 ساله از بازی­های المپیک 1976 مونترال تا 2012 لندن جمع­آوری گردید. در مرحله بعد، از آزمون مدل مفهومی شبکه­های پرسپترون چندلایه (MLP) برای مقایسه شاخص­های 22 گانه ایران با مقادیر واقعی در سال 2012 استفاده شد. نتایج نشان داد در مقایسه مقادیر واقعی با مقادیر پیش­بینی شده در سال 2012، روش MLP از خطای پایینی در پیش­بینی شاخص­های      22 گانه برخوردار است. همچنین، در خصوص مقایسه رتبه واقعی و رتبه پیش­بینی شده 42 کشور منتخب در سال 2012، روش MLP از ضریب خطای مطلق میانگین پایینی (4629/0) برخوردار بود. در مرحله نهایی، شاخص­های 22 گانه در سال 2016 تخمین زده شد و رتبه کشورهای منتخب در المپیک 2016 ریودوژانیرو پیش­بینی شد. با استناد به نتایج تحقیق، کشورهای ایالات متحده آمریکا، چین و انگلستان در بازی­های المپیک 2016 در رتبه اول تا سوم قرار خواهند گرفت. همچنین ایران نیز در بین تیم­های شرکت کننده در جایگاه 21 قرار خواهد گرفت. به طور کلی، با استفاده از الگوی شبکه­های عصبی، برای سیاستگذاران ورزش کشورها این امکان فراهم است تا از شاخص­ها و مولفه­های شناسایی شده در    برنامه­ریزی­های آتی خود جهت شرکت موفق­تر در بازی­های المپیک استفاده نمایند.
 

کلیدواژه‌ها


پیش­بینی موفقیت کشورهای شرکت­ کننده در بازی­های المپیک 2016 ریودوژانیرو با استفاده از روش هوشمند شبکه­های پرسپترون چندلایه (MLP)

 

حسین زارعیان[1]

علیرضا الهی[2]

 نصرالله سجادی[3]

امین قاضی زاهدی[4]

 

تاریخ دریافت مقاله: 1/11/1393

       تاریخ پذیرش مقاله:7/3/1394

 

مقدمه

کلیه تصمیمات در مورد آینده بر مبنای یک نوع پیش­بینی است. پس، هرچه این پیش­بینی­ها به صورت برنامه­ریزی شده­تر انجام شوند، بیشتر می­توان به آن­ها اتکا کرد. به عبارت دیگر، پیش­بینی برنامه­ریزی شده از پیش­بینی ادراکی و حسی صحیح­تر است. (فاطمی قمی، 1377) پیش­بینی با توجه به معنی لغوی آن، تجسم یک موقعیت یا وضعیت در آینده است. همچنین، می­توان آن را هشداری درباره آینده، تبیین اوضاع مطلوب آینده، تشریح اوضاع آینده و مانند این ها تعریف کرد. اما از لحاظ علمی واژه پیش­بینی، بیان وقوع حوادث واقعی، قبل از وقوع آن­ها بر پایه تحلیل اطلاعات در دسترس و براساس اصول و قواعد علمی و منطقی که احتمال وقوع آن نیز مشخص باشد، تعریف می­شود. (پوربخش، 1386) پیش­بینی روند تغییرات در کلیه حوزه­ها، یکی از دغدغه­های اصلی مدیران و برنامه­ریزان می­باشد، اما در مسیر پیش­بینی همواره مشکلاتی وجود دارد که انجام پیش­بینی­های دقیق و قابل­اعتماد را تقریباً غیرممکن می کند. وجود پارامترهای زیاد و در بسیاری موارد پنهان، پیش­بینی را به مسأله­ای سخت تبدیل نموده است که     الگوریتم­های پیچیده ریاضی نیز از ارائه راهکارهای مناسب برای ساخت یک الگوی پیش­بینی کارآمد عاجز مانده اند. پیش­بینی برای نخستین بار در برنامه­ریزی مورد استفاده قرار گرفت. مشاهده تکرار در وقوع رویدادها، این پیش­فرض را به وجود آورد که می­توان نتایج و تبعات آن را به کلیه رویدادهایی از آن جنس تعمیم داد. در دو دهه اخیر با پیدایش هوش­مصنوعی و ترکیب آن با علم پرسابقه آمار در کنار الگوریتم­های پیشرفته و ابتکاری همچون: الگوریتم ژنتیک[5]، روش­های متا- هیوریستیک[6]، شبکه­های عصبی- مصنوعی و... تحول گسترده­ای در این عرصه ایجاد شده است. (ناظمی اشنی، 1385)

در دنیای پیچیده و پیشرفته ورزش، تصمیم­گیری درست، علمی و به موقع نقش بسیار مهم و تعیین ­کننده­ای در شکست یا موفقیت دارد. در این میان، تعداد معیارها، پیچیدگی داده­ها و پویایی محیط از جمله عواملی است که مسأله تصمیم­گیری در ورزش را با چالشی جدی در دهه اخیر مواجه کرده است. امروزه برای  پیش­بینی نتایج رویدادهای ورزشی، روش­های علمی نوینی برگزیده شده است که با استفاده از این روش­ها می­توان با شناخت عوامل اثرگذار بر نتایج به دست آمده، نتایج رویدادها و رده­بندی تیم­های ورزشی را نیز پیش­بینی نمود. (لوالگیا و لوکاس[7]،2005) مقالات متعددی نیز بیان کردند که پیش­بینی­های ورزشی که مبتنی بر داده و اطلاعات است با آنچه که به صورت تصادفی مانند پیش­بینی­های شانسی[8] انجام می­پذیرد، کاملاً متفاوت است. (دل کرولا و رودریگز[9]، 2010) به طور مثال، محمدی (1389) الگوی ریاضی برای رتبه­بندی کشورهای شرکت کننده در بازی­های آسیایی 2006 ارائه داد. در این تحقیق تعداد مدال­های طلا، نقره و برنز هر کشور به عنوان ستاده و شاخص­هایی نظیر تولید سرانه، جمعیت، میزان مرگ و میر کودکان، امید به زندگی و ضریب جینی به عنوان نهاده، نمره کارایی هر کشور در مسابقات ورزشی محاسبه گردید که این نمره کارایی، ملاک رتبه­بندی کشورها در نظر گرفته شد. نتایج تحقیق نشان داد که رتبه­بندی حاصل از این روش، تا حدودی با روش رایج رتبه­بندی، متفاوت، اما منصفانه­تر است. در همین راستا، طحاری مهرجردی و همکارانش (1391) تحقیقی با عنوان "بسط یک الگوی ناپارامتریک برای ارزیابی عملکرد کشورهای شرکت کننده در بازی­های المپیک" انجام دادند. نتایج حاصل از اجرای این الگو نشان می­دهد که از 73 کشور شرکت کننده در بازی­های المپیک آتن که حداقل یک مدال کسب کرده اند، 9 کشور حداکثر کارایی را از این الگو کسب کرده­اند. همچنین، از میان کشورهای کارا در بازی­های المپیک آتن، سهم بیشتر مربوط به کشورهای اروپایی بود. "بررسی موفقیت کشورهای شرکت‌کننده در بازی­های آسیایی براساس الگوی شبکه‌های عصبی" عنوان تحقیقی بود که توسط همتی‌نژاد و همکارانش (2011) انجام شد. نتایج نشان داد ضریب همبستگی بین رتبه‌های پیش‌بینی شده و واقعی براساس الگوی شبکه‌های عصبی 1/86 درصد بود. الگوی شبکه عصبی از 28 کشور مذکور، رتبه پیش‌بینی شده 20 کشور (43/71 درصد) را حداکثر با 3 اختلاف، 3 کشور (71/10 درصد) را حداکثر بین 4 تا 7 اختلاف و 5 کشور (86/17 درصد) را با بیش از 7 اختلاف به نسبت رتبه واقعی آنها پیش‌بینی نمود. یکی دیگر از تحقیقات صورت گرفته پیرامون پیش بینی باز­های المپیک مربوط به فارست و همکارانش[10] (2010) می­شود. این محققان تلاش کردند تا تعداد مدال تیم­های ملی شرکت­کننده در المپیک تابستانی پکن 2008 را پیش­بینی کنند. در این کار از یک الگوی آماری که بر اساس آنالیز نزولی تعداد مدال در دوره قبلی و تولید ناخالص داخلی استوار بود، استفاده شد. در این تحقیق پیش­بینی­های نهایی در مورد تغییرات اساسی در تقسیم مدال­ها نسبت به بازی­های سال 2004، بخصوص افزایش مدال­های چین و انگلستان و کاهش مدال­های روسیه، صحیح بودند. این محققان      پیش­بینی کردند که انگلستان نمایشی حتی بهتر از بازی­های المپیک 2008 نشان خواهد داد. الگوی ارائه شده پیش­بینی می­کند که میزبان آینده بازی­های المپیک، 13 مدال بیشتر از آنچه در پکن کسب کرده بود را به دست خواهد آورد. این الگو، المپیک بسیار موفقی را برای کشور انگلستان در دوره بعدی بازی­های المپیک پیش­بینی می­کند، هرچند این پیش­بینی­ها به بازبینی مجدد نیاز دارند. نکته قابل توجه در تحقیق فارست و همکارانش (2010) و دیگر تحقیقات انجام شده در سال­های اخیر پیش­بینی بازی­های المپیک بعد از برگزاری بازی­ها و چند سال بعد بود. همچنین، برای پیش­بینی فقط از دو یا سه شاخص موثر استفاده  می­شد. تحقیق حاضر بر آن است که رتبه کشورها را در المپیک 2016 تخمین بزند و از    شاخص­های مختلفی برای پیش بینی موفقیت کشورها در المپیک استفاده کند. از این­رو، سعی دارد تا خلاءهای ذکر شده را پوشش دهد. وگنوس و والچوکریاکو[11] (2011) در تحقیقی با عنوان "مدال­های المپیک و عوامل اقتصادی" به پیش­بینی­نوین اثر دقیق میزبانی، اندازه تیم ورزشی، جمعیت و GDP با استفاده از مدل بازنگری شده پرداختند. این پیش­بینی با استفاده از روش رگرسیون چندمتغیره انجام شد. نتایج نشان داد که اندازه تیم اعزامی به المپیک بهترین تک متغیر پیش­بینی کننده کسب مدال بود. همچنین، هر یک از متغیرهای جایگزین مانند جمعیت کشور، نرخ رشد جمعیت، نرخ بیکاری، هزینه بهداشت و درمان، میزبانی المپیک و GDP پیشگوی مناسبی برای کسب مدال المپیک بود. این محققان فقط از سه شاخص برای پیش بینی کسب مدال در المپیک استفاده کردند. کوپر و استرکن[12] (2012) تحقیقی با عنوان "شرکت کنندگان و عملکرد آنان در المپیک 2012" انجام دادند. شاخص­های ورودی مدل شامل درآمد سرانه، جمعیت، فاصله جغرافیایی کشورها تا کشور میزبان، موفقیت از نظر کسب مدال در مسابقات قهرمانی جهان و میزبانی   بازی­ها بود. نتایج پیش­بینی نشان داد که چین با 44 مدال طلا در رده نخست قرار خواهد گرفت و ایالات متحده با 33 مدال طلا دوم خواهد شد. همچنین، انگلستان به عنوان کشور میزبان با 23 مدال طلا در رده چهارم قرار خواهد گرفت. برادلی و کالج[13] (2013) با استفاده از ضریب جینی، جمعیت کشور و تولید ناخالص داخلی به پیش بینی بازی­های المپیک 2012 لندن پرداختند. نتایج پیش بینی با نتایج واقعی تعداد کل مدال­ها بدین صورت به دست آمد: ایالات متحده 104 مدال (پیش بینی 99 مدال)، چین 88 مدال (پیش بینی 82 مدال)، روسیه 82 مدال (پیش بینی 73 مدال)، انگلستان 65 مدال (پیش بینی 63 مدال) و فرانسه 34 مدال (پیش بینی34 مدال). این محققان نیز فقط عوامل اقتصادی و اجتماعی که در گذشته به آن پرداخته شده بود، دوباره مورد بررسی قرار دادند.

همانگونه که مشاهده می­شود هر یک از محققان به نحوی مولفه­های موثر در موفقیت کشورها در بازی­های المپیک را شناسایی و مورد بررسی قرار داده­اند. همچنین از روش­های آماری مختلفی برای پیش­بینی مسابقات و یا رویدادهای ورزشی استفاده شده است. نکته قابل توجه اینکه در تحقیقاتی که به آنها اشاره گردید، فقط یک یا دو مولفه موثر بر موفقیت در رویدادهای ورزشی را مورد شناسایی قرار داده و در فرآیند پیش­بینی از آن بهره گرفته­اند. به طور مثال، محمدی (1389)، دی­بوسچر و همکاران[14] (2006) و جیانگ و همکاران[15] (2010) فقط از مولفه­های اقتصادی، لوکاس و لوالگیا (2005)، آیر و رامش[16] (2009) و گرنت و جانسون[17] (2010) فقط از مولفه­های ورزشی و سوتریادو و شیلبوری[18] (2009) از مولفه­های سیاسی و اقتصادی برای پیش­بینی رویدادهای ورزشی استفاده کرده­اند. در برخی تحقیقات نیز مانند محمدی (1390)، و گودارد[19] (2010) از روش­های آماری دیگری از قبیل رگرسیون و یا الگوهای ساده ریاضی استفاده شده است. بیشتر تحقیقاتی که در زمینه پیش­بینی انجام شده اند، یا فاقد روش مناسب جهت پیش­بینی پدیده مورد نظر هستند و یا از تکنیک­های ساده و داده­های محدود به یک دوره زمانی خاص استفاده کرده­اند. بنابراین در این تحقیق سعی شد تا این 2 نقص بزرگ با استفاده از 1) روش­های علمی جدید و 2) اطلاعات تطبیقی در یک بازه زمانی 40 ساله مرتفع گردد. با توجه به تحقیقات انجام گرفته، تحقیق حاضر درصدد است تا ضمن شناسایی و بررسی همه مولفه­های موثر بر موفقیت کشورها در رویدادهای ورزشی و استفاده از آن­ها در فرآیند پیش بینی، خلاء موجود در تحقیقات گذشته را برطرف نماید. همچنین از   شبکه­های عصبی- مصنوعی که در حال حاضر از مهمترین روش­های هوشمند داده­کاوی می­باشند، برای پردازش داده­ها و پیش­بینی موفقیت کشورها در المپیک استفاده نماید.

روش­شناسی پژوهش

پژوهش حاضر با هدف پیش­بینی موفقیت کشورهای شرکت کننده در بازی­های المپیک با استفاده از روش­ هوشمند شبکه­های پرسپترون چندلایه[20](MLP) انجام شد. این پژوهش، در دو مرحله کیفی (تعیین شاخص­ها) و کمی (جمع آوری داده­های مربوط به کشورهای منتخب) انجام شد. در مرحله اول، از طریق مطالعه پیشینه تحقیق و جمع­آوری اطلاعات کتابخانه­ای، فهرستی­ مقدماتی از شاخص­های پیش­بین شناسایی شد. در مرحله بعد، مصاحبه­های کیفی نیمه­ساختارمند و عمیق به صورت غیرتصادفی هدفمند با 28 نفر از نخبگان آگاه از موضوع پژوهش شامل اعضای هیات علمی رشته اقتصاد، (6 نفر)؛ اعضای هیات علمی رشته علوم سیاسی و روابط بین­الملل (6 نفر)؛ اعضای هیات علمی رشته علوم اجتماعی، (5 نفر)؛ اعضای هیات علمی رشته علوم ارتباطات، (4 نفر)؛ اعضای هیات علمی رشته تربیت بدنی و علوم ورزشی (به ویژه گرایش مدیریت ورزشی)، (4 نفر)؛ مدیران ارشد کمیته ملی المپیک جمهوری اسلامی ایران (3 نفر) تا حد اشباع نظری ادامه یافت. مصاحبه­ها نشان داد 22 شاخص می­تواند پیش­بینی­کننده موفقیت کشورها در  بازی­های المپیک باشد. تحلیل یافته­ها با استفاده از روش کدگذاری باز، محوری و انتخابی انجام شد و 5 مولفه شامل مولفه­های سیاسی (P)، اقتصادی (E)، اجتماعی و فرهنگی (S)، فناوری (T) و ورزشی (S) به صورت الگوی نظری (PEST+S) در سه سطح کلان، متوسط و خرد طبقه­بندی شدند. زارعیان و همکارانش (1393) معتقدند متغیرهای سطح کلان مربوط به محیط پیرامونی یا دور (جامعه) و خارج از کنترل سازمان­ها و مدیران ورزشی و به شرایط کلان حکومتی مربوط هستند. متغیرهای سطح کلان، به طور غیرمستقیم پیش­بینی کننده­ موفقیت کشورها می­باشند. متغیرهای سطح متوسط یا میانی به سیاست­ها و استراتژی­های سازمان­های ورزشی مربوط و به طور مستقیم پیش­بینی­کننده­ موفقیت کشورها در بازی­های المپیک می­باشند. برنامه­ریزی فدراسیون­های ورزشی و کمیته ملی المپیک، استفاده از مربیان حرفه­ای روز دنیا، اعزام ورزشکاران به مسابقات بین­المللی و جهانی، کمک به نهادینه شدن رشته­های ورزشی در مدارس و دانشگاه­ها به کمک کمیته ملی المپیک و فدراسیون­های ورزشی و فرآیند استعدادیابی و غیره از جمله متغیرهای سطح متوسط می­باشند. متغیرهای سطح خرد یا فردی (ورزشکار) نیز به شرایط و ویژگی­های جسمانی ورزشکار (شامل خصوصیات آنتروپومتری، توانایی­های جسمانی و غیره)، ویژگی­های روحی (میزان انگیزه، هیجانات، ضریب هوشی و غیره) و به طور کلی هرآنچه به طور مستقیم به ورزشکار مربوط می­شود، اشاره دارد.

 

شکل 1: الگوی نظری مولفه­های پیش­بینی­کننده موفقیت کشورها (PEST+S) در بازی­های المپیک (زارعیان و همکاران، 1393)

متوسط

 

متوسط

 

اقتصادی (E)

 

فناوری (T)

 

ورزشی (S)

 

سیاسی (P)

 

خرد

 

خرد

 

خرد

 

خرد

 

خرد

 

متوسط

 

متوسط

 

متوسط

 

کلان

 

کلان

 

کلان

 

کلان

 

کلان

 

اجتماعی و فرهنگی (S)

 

 

 

 

پس از شناسایی شاخص­ها، اطلاعات شاخص­های انتخاب شده برای 42 کشور منتخب از قاره­های مختلف (کشورهایی که اطلاعات آنها موجود بود) به صورت غیرتصادفی در دسترس در بازه زمانی 40 ساله از بازی­های المپیک 1976 مونترال تا 2012 لندن (کشورهایی که حداقل 40 سال از نهادینه شدن کمیته ملی المپیک در کشورشان می­گذشت) جمع­آوری گردید.

لازم به یادآوری است که از بین شاخص­های شناسایی شده، متغیرهایی که به صورت کمی و داده­های عینی به تفکیک سال های مختلف موجود بود، به عنوان "داده­های ورودی" وارد نرم­افزار شد. شاخص 22 گانه شامل جمعیت شهری، هزینه آموزش و پرورش، ساختار سنی، تولید واقعی ناخالص داخلی، سرانه تولید ناخالص داخلی، تراز بازرگانی، نرخ بیکاری، جمعیت کل، نرخ تورم، تعادل حساب جاری، امید به زندگی، هزینه بهداشت و درمان، صادرات فناوری­های نوین، ارائه مقالات در حوزه فناوری­های نوین، کاربران اینترنت، هزینه نظامی، مساحت کشورها، حضور زنان در کرسی­های مجلس، میزیانی المپیک، مجموع میزبانی­های المپیک، تعداد ورزشکاران حاضر در بازی­های المپیک و مدت زمان نهادینه شدن کمیته ملی المپیک در کشورها به عنوان "متغیرهای پیش­بین" و رتبه کشورها براساس مدال طلا به عنوان "متغیر ملاک" در نظر گرفته شد. داده های مورد بررسی در تحقیق حاضر با استفاده از وب­سایت­های معتبر جهانی - از قبیل سازمان ملل متحد، بانک جهانی و سازمان بهداشت جهانی- که مورد تایید محققان جهانی بوده و قابل استناد   می­باشد، جمع آوری گردید. در مرحله بعد، برای آزمون مدل مفهومی شبکه­های پرسپترون چندلایه (MLP)، شاخص­های 22 گانه ایران با مقادیر واقعی در سال 2012 مقایسه شد تا از سویی، امکان خطای پیش­بینی کاهش یافته و از سویی دیگر در صورت عدم شناسایی دقیق شاخص­های پیش­بین بتوان به بازنگری مجدد آن­ها پرداخت. در نهایت، با توجه به نتایج به دست آمده از شبکه عصبی- مصنوعی (روش MLP)، شاخص­های 22 گانه در سال 2016 میلادی تخمین زده شد و براساس آن، رتبه کشورهای منتخب در المپیک 2016 ریودوژانیرو برآورد گردید.  

تحلیل یافته­ها در این تحقیق با استفاده از ابزارهای داده­کاوی شبکه­های عصبی- مصنوعی (ANN) انجام شد. از مهم­ترین ویژگی­های شبکه­های عصبی- مصنوعی وابسته نبودن آن­ها به فرضیه­های اولیه دربارۀ  داده­های ورودی است؛ به این معنا که داده­های ورودی می­توانند هرگونه توزیع آماری دلخواهی داشته باشند. همچنین، با داشتن قابلیت­های بسیار دیگری مانند سرعت پردازش بالا (به سبب پردازش­های موازی)، داشتن توان بالقوه در حل مسائلی که شبیه سازی آن­ها از طریق منطقی یا سایر روش­ها مشکل یا غیر ممکن است، کارآمد بودن شبکه برای یادگیری و انطباق با محیط در صورت تغییر در موقعیت محیطی علاقه­مندی به استفاده از این روش را بیشتر می­کند. شبکه های عصبی- مصنوعی را نوعی "ماشین یادگیری" می نامند که در فرآیند پیش­بینی با استفاده از یک سری زمانی، معمولاً مجموعه­ای از داده­ها به عنوان ورودی در اختیار آن قرار می­گیرد تا با تخمین رفتار سیستم مورد پیش­بینی، عمل برون­یابی را برای آینده انجام دهد. از این رو، در تحقیق حاضر نیز جهت تخمین رفتار سیستم مورد پیش بینی توسط     شبکه های عصبی، داده­ها در بازه زمانی 40 ساله از بازی­های المپیک 1976 مونترال تا 2012 لندن      جمع­آوری گردید. اغلب رویکردهای شبکه عصبی برای مسأله پیش­بینی، از یک شبکه چندلایه پیش­خور از طریق الگوریتم پس­انتشار خطا یا الگوریتم­های بهبود یافته و اصلاح شده آن استفاده می­کند. در این تحقیق از شبکه­های پرسپترون چندلایه (MLP) با آموزش شبکه پس­انتشار خطا از نوع تابع سیگموئید[21] استفاده شد.

یافته های پژوهش

نخست بایستی جهت تخمین نتایج بازی­های المپیک 2016 ریودوژانیرو، از دقت نرم افزار اطمینان حاصل می شد. بدین منظور برای تست نتایج شبکه­های عصبی، ابتدا کلیه اطلاعات کشورهای منتخب شرکت­کننده در بازی­های المپیک جمع­آوری و از بین آنها کشور ایران انتخاب شد تا مقادیر شاخص­های 22 گانه در سال 2012 پیش­بینی شود و نتایج با مقادیر واقعی مورد مقایسه قرار گیرد.

 

 

جدول 1: مقادیر واقعی و پیش بینی شده شاخص­های 22 گانه کشور ایران در سال 2012

شاخص

واحد اندازه­گیری

مقادیر واقعی

MLP

مقادیر خطا

جمعیت شهری

%

23/69

93/69

71/0

هزینه آموزش و پرورش

% of GNI

11/4

20/4

10/0

ساختار سنی

% (15- 64)

08/71

94/72

87/1

تولید واقعی ناخالص داخلی

%

90/1-

24/0

14/2

سرانه تولید ناخالص داخلی

 per person $

02/7228

10/6108

91/1119

نرخ بیکاری

% of total labor force

10/13

63/11

46/1

جمعیت کل

Millions person

76424443

72773178

3651264

نرخ تورم

annual %

34/27

73/25

60/1

تعادل­حساب جاری

% of GDP

59/6

12/7

53/0

امید به زندگی

Years

76/73

47/71

29/2

تراز بازرگانی

% of GDP

23/30

01/37

78/6

هزینه بهداشت و درمان

% of GDP

71/6

54/5

16/1

صادرات فناوری­های نوین

%of manufactured exports

21/3

07/3

13/0

ارائه مقالات در حوزه فناوری­های نوین

Ranking

17

31

14

کاربران اینترنت

per 100 people

50/27

41/23

08/4

هزینه نظامی

% of GDP

11/2

16/2

05/0

حضور زنان در کرسی­های مجلس

%

1/3

21/3

11/0

مساحت کشور

Sq. km

1648195

1648195

0

میزیانی المپیک

Score

0

0

0

تعداد ورزشکاران

Number

53

49

4

مجموع میزبانی­های المپیک

Number

0

0

0

مدت زمان نهادینه شدن کمیته­ ملی­ المپیک

Years

65

65

0

با توجه به نتایج جدول 1 مشخص می­شود روش MLP از خطای پایینی در پیش­بینی شاخص های 22 گانه برخوردار است. از این­رو،  در پیش­بینی شاخص­های کشورهای منتخب در سال 2016 از روش MLP استفاده گردید.

در بخش بعد، رتبه واقعی و پیش­بینی شده کشورها در المپیک 2012 لندن با استفاده از روش MLP گزارش شده است. گفتنی است که کشورهای اتریش، شیلی، اکوادر، نیجریه و فیلیپین در بازی­های المپیک 2012 موفق به کسب مدال نشده اند و با توجه به آخرین رتبه بازی­ها که 79 بود، رتبه کشورهای مذکور به صورت توافقی 86 در نظر گرفته شد.

جدول 2: رتبه واقعی و پیش­بینی شده کشورهای منتخب در بازی­های المپیک 2012 لندن براساس روش MLP

رتبه پیش بینی شده

رتبه واقعی

کشور

رتبه پیش بینی شده

رتبه واقعی

کشور

48

38

کلمبیا

1

1

ایالات متحده

39

39

مکزیک

2

2

چین

32

42

آرژانتین

5

3

انگلستان

44

45

تونس

8

5

کره جنوبی

55

55

هندوستان

3

6

آلمان

59

57

تایلند

12

7

فرانسه

56

58

مصر

16

9

مجارستان

59

60

بلژیک

9

10

استرالیا

56

60

فنلاند

15

11

ژاپن

58

63

بلغارستان

10

13

هلند

65

63

مالزی

19

17

ایران

70

69

پرتقال

24

18

جاماییکا

72

75

یونان

27

21

اسپانیا

70

75

سنگاپور

21

22

برزیل

74

79

مراکش

33

29

دانمارک

64

79

عربستان

25

30

لهستان

79

86

اتریش

41

32

ترکیه

86

86

شیلی

37

33

سوئیس

86

86

اکوادر

39

35

نروژ

86

86

نیجریه

29

36

کانادا

86

86

فیلیپین

38

37

سوئد

در جدول 2، رتبه واقعی و پیش­بینی شده 42 کشور منتخب براساس روش MLP گزارش شده است. روش MLP، رتبه پیش­بینی شده 23 کشور (76/54 درصد) را حداکثر با 3 اختلاف، 12 کشور (57/28 درصد) را حداکثر بین 4 تا 7 اختلاف و 7 کشور (66/16 درصد) را با بیش از 7 اختلاف به نسبت رتبه واقعی آنها پیش­بینی نمود. همچنین، ضریب خطای مطلق میانگین در روش MLP به مقدار (4629/0) گزارش گردید که در حد مطلوبی قرار داشت.

جدول 3، مقادیر تخمینی شاخص­های 22 گانه در سال 2016 با استفاده از روش MLP را نشان می­دهد. در جدول 3 از 42 کشور منتخب، داده­های تخمینی کشورهای ایران، ایالات متحده، انگلستان، ژاپن، برزیل و مصر آورده شده است.

جدول 3: مقادیر تخمینی شاخص­های 22 گانه کشورهای منتخب در سال 2016 با استفاده از روش MLP

کشور

شاخص

واحد اندازه­گیری

ایران

ایالات متحده

انگلستان

ژاپن

برزیل

جاماییکا

جمعیت شهری

%

71/70

18/83

96/79

88/93

28/85

20/52

هزینه آموزش و پرورش

% of GNI

61/3

69/4

40/5

83/2

83/4

46/4

ساختار سنی

% (15- 64)

04/64

49/66

62/64

06/65

53/65

54/64

تولید واقعی ناخالص داخلی

%

49/1-

16/2

05/0

76/0

73/2

78/0-

سرانه تولید ناخالص داخلی

per person $

04/3850

13/54349

33/35229

15/39912

04/8215

82/3887

نرخ بیکاری

% of total labor force

61/13

89/7

28/11

54/2

02/9

22/12

جمعیت کل

Millions person

77113171

319799870

64943181

125608508

203386713

2717567

نرخ تورم

annual %

35/16

71/3

54/2

59/1

53/8

24/27

تعادل حساب جاری

% of GDP

33/5

45/2-

42/1-

84/2

33/2-

49/7-

امید به زندگی

Years

18/73

05/79

87/81

60/80

12/74

93/72

تراز بازرگانی

% of GDP

70/25

27/19

46/35

48/25

64/14

27/74

هزینه بهداشت و درمان

% of GDP

46/5

35/16

10/8

20/9

40/9

08/5

صادرات فناوری های نوین

%of manufactured exports

76/3

92/21

25/18

57/18

13/8

35/0

ارائه مقالات در حوزه فناوری­های نوین

Ranking

15

1

7

4

28

-

کاربران اینترنت

per 100 people

96/43

29/80

53/91

94/88

26/57

11/40

هزینه نظامی

% of GDP

90/2

53/3

89/2

97/0

02/1

05/1

حضور زنان در کرسی­های مجلس

%

94/3

96/15

48/18

29/5

33/6

86/11

مساحت کشور

Sq. km

1648195

9147420

241930

364500

8459420

10830

میزیانی المپیک

Score

0

0

5/0

1

2

0

تعداد ورزشکاران

Number

48

598

472

338

314

41

مجموع میزبانی­های المپیک

Number

0

4

3

1

1

0

مدت زمان نهادینه شدن کمیته­ ملی­ المپیک

Years

69

122

111

104

81

80

 

در مرحله بعد، با استفاده از مقادیر پیش­بینی شده شاخص­های 22 گانه و با توجه به روش MLP، رتبه کشورهای منتخب در بازی­های المپیک 2016 براساس مدال طلا پیش­بینی گردید. در این تحقیق، از     شبکه­های پرسپترون چندلایه (MLP) با آموزش شبکه پس­انتشار خطا از نوع تابع سیگموئید استفاده شد. مشخصات شبکه عصبی (روش MLP) به کار رفته در تحقیق شامل این موارد می باشد: مومنتوم (09/0)، نرخ یادگیری (2/0) و تعداد تکرار (400). در شکل 1، شبکه عصبی مورد استفاده در تحقیق با 3 لایه پنهانترسیم شده است.

 

شکل 1: شبکه عصبی مورد استفاده در تحقیق با 3 لایه پنهان

 

هزینه آموزش و پرورش

 

مجموع میزبانی های المپیک

 

هزینه بهداشت و درمان

 

نرخ تورم

 

تعادل حساب جاری

 

رتبه برحسب مدال طلا

 

نرخ بیکاری

 

صادرات فناوری های نوین

 

هزینه نظامی

 

حضور زنان در کرسی­های مجلس

 

ارائه مقالات در حوزه  فناوری های نوین

 

مدت زمان نهادینه شدن کمیته ملی المپیک

 

مساحت کشور

 

میزبانی المپیک

 

تعداد ورزشکاران

 

کاربران اینترنت

 

تراز بازرگانی

 

جمعیت کل

 

ساختار سنی

 

جمعیت شهری

 

امید به زندگی

 

سرانه تولید ناخالص داخلی

 

تولید واقعی ناخالص داخلی

 

جدول 4، رتبه پیش­بینی شده کشورهای منتخب در بازی­های المپیک 2016 ریودوژانیرو براساس مدل شبکه عصبی (روش MLP) براساس مدال طلا را نشان می دهد. گفتنی است که براساس پیش­بینی به عمل آمده کشورهای مراکش، عربستان، اتریش، شیلی، اکوادر، نیجریه و فیلیپین در بازی­های المپیک 2016 موفق به کسب مدال نخواهند شد که در مدل شبکه های عصبی رتبه کشورهای مذکور به صورت توافقی 86 در نظر گرفته شد.

 

جدول 4: رتبه پیش­بینی شده کشورهای منتخب در بازی­های المپیک 2016 ریودوژانیرو براساس مدل شبکه عصبی (روش MLP)

رتبه پیش بینی شده

کشور

رتبه پیش بینی شده

کشور

33

کلمبیا

1

ایالات متحده

43

مکزیک

2

چین

50

آرژانتین

3

انگلستان

51

تونس

4

کره جنوبی

58

هندوستان

7

آلمان

64

تایلند

7

فرانسه

45

مصر

13

مجارستان

52

بلژیک

8

استرالیا

58

فنلاند

13

ژاپن

73

بلغارستان

12

هلند

47

مالزی

21

ایران

44

پرتقال

16

جاماییکا

63

یونان

20

اسپانیا

74

سنگاپور

18

برزیل

86

مراکش

25

دانمارک

86

عربستان

22

لهستان

86

اتریش

40

ترکیه

86

شیلی

39

سوئیس

86

اکوادر

30

نروژ

86

نیجریه

29

کانادا

86

فیلیپین

43

سوئد

 

با استناد به نتایج جدول 4، کشورهای ایالات متحده آمریکا، چین و انگلستان در بازی­های المپیک 2016 در رتبه اول تا سوم قرار خواهند گرفت. همچنین، کشور ایران نیز در بین تیم­های شرکت کننده در جایگاه 21 خواهد بود. نکته قابل توجه اینکه ایران در بازی­های المپیک 2012 لندن در جایگاه 17 قرار گرفت، اما شبکه­های عصبی (روش MLP) از یک سو، با توجه به پیش­بینی شاخص­های 22 گانه در سال 2016 و کاهش برخی شاخص­ها نسبت به سال 2012- مانند ساختار سنی، سرانه تولید ناخالص داخلی، نرخ بیکاری، تعادل حساب جاری، تراز بازرگانی و تعداد ورزشکاران اعزامی- و از سویی دیگر، رشد برخی شاخص­های پیش­بین در کشورهای دیگر، رتبه ایران را در المپیک 2016 ریودوژانیرو 21 تخمین زده است.

بحث و نتیجه گیری

اهمیت و جایگاه پیش­بینی از منظر علم و دانش مدیریت برکسی پوشیده نیست و در جریان فرآیند مدیریت علمی، تصمیم­گیری صحیح می­تواند سرمنشأ موفقیت­های بسیاری در آینده گردد که این تصمیمات برپایه پیش­بینی­هایی است که از آینده متصور می­شود. ورزش نیز مانند هر پدیده اقتصادی، سیاسی، اجتماعی و فرهنگی و فناوری از این مهم مستثنی نیست و برای توسعه ورزش نیز باید تصمیمات صحیح اتخاذ گردد. در ورزش پس از این که حرفه­ای­گری جایگاه خود را در میان کلیه کشورها باز کرد، شاهد آن هستیم که هزینه­های سرسام­آوری برای نیل به یک رتبه یا مقام خاص هزینه می­شود. ورزشکاران و متخصصان علوم ورزشی برای کسب کرسی­های بین­المللی دست به تلاش­های بزرگی می­زنند و به همین دلیل جایگاه نظام پیش­بینی در میان رشته­های ورزشی برای برنامه­ریزی امور آینده بیش از پیش مورد توجه قرار گرفته است. پیش­بینی­های ورزشی از طریق اصول علمی، راهکارها و جهت­گیری­های مناسبی را پیش­روی مدیران و برنامه­ریزان ورزشی قرار می­دهد. در دنیای پیچیده و پیشرفته ورزش، تصمیم­گیری درست، علمی و به موقع نقش بسیار مهم و تعیین ­کننده­ای در شکست یا موفقیت دارد. در این میان، تعداد معیارها، پیچیدگی داده­ها و پویایی محیط از جمله عواملی است که مسأله تصمیم­گیری در ورزش را با چالشی جدی در دهه اخیر مواجه کرده است. امروزه، برای پیش­بینی نتایج رویدادهای ورزشی، روش­های علمی نوینی برگزیده شده است که با استفاده از این روش­ها می­توان با شناخت عوامل اثرگذار بر نتایج به دست آمده، نتایج رویدادها و رده­بندی تیم­های ورزشی را نیز پیش­بینی نمود. در بخش کیفی تحقیق حاضر از مجموع مولفه­های سیاسی، اقتصادی، اجتماعی و فرهنگی، فناوری و ورزشی شناسایی شده، الگوی نظری (PEST+S) ارائه گردید که در سه سطح کلان، متوسط و خرد تقسیم­بندی شدند. منظور از سطح کلان یا پیرامونی در این الگو، سیاست­های در سطح کلان جامعه بوده که توسط سیاستگذاران و مسئولان ارشد کشور تعیین می­شود. سطح میانی یا متوسط مربوط به سیاستگذاران و مسئولان سازمان­های ورزشی (از جمله فدراسیون­ها و کمیته­­ملی المپیک و...) بوده و متغیرهای سطح خرد یا فردی (ورزشکار) نیز به شرایط و ویژگی­های جسمانی ورزشکار (شامل خصوصیات آنتروپومتری، توانایی­های جسمانی و...)، ویژگی­های روحی (میزان انگیزه، هیجانات، ضریب هوشی و...) و به طور کلی هرآنچه به طور مستقیم به ورزشکار مربوط می­شود، اشاره دارد. گفتنی است که این سه سطح همواره با هم در تعامل اند و تفکیک آن­ها از منظر افزایش دقت پژوهش صورت پذیرفته است.

در این تحقیق جهت تخمین شاخص­های 22 گانه و رتبه کشورها در بازی­های المپیک 2016 ریودوژانیرو از شبکه­های پرسپترون چندلایه (MLP) با آموزش شبکه پس­انتشار خطا از نوع تابع سیگموئید استفاده شد. کاندن و همکاران (1999) از شبکه­های عصبی در پیش­بینی موفقیت کشورها در بازی­های المپیک 1996 استفاده کردند. در این پژوهش اطلاعات 195 کشور برروی 17 متغیر   پیش­بین جمع­آوری شد که نشان داد الگوی شبکه­های عصبی به نسبت الگوی رگرسیون ، ابزار مناسب­تری برای پیش­بینی موفقیت کشورها در بازی­های المپیک است. در همین­راستا، آیر و شاردا (2009) در پژوهشی اذعان داشتند     شبکه­های عصبی می­تواند پشتیبان تصمیم­گیری ارزشمندی در فرآیند انتخاب بازیکنان و حضور در المپیک باشد. با استناد به نتایج شبکه­های عصبی (روش MLP) کشورهای ایالات متحده آمریکا، چین و انگلستان در بازی­های المپیک 2016 در رتبه اول تا سوم قرار خواهند گرفت. همچنین، جمهوری اسلامی ایران نیز در بین تیم­های شرکت کننده در جایگاه 21 قرار خواهد گرفت. نکته قابل توجه این­که ایران، در المپیک 2012 در جایگاه 17 قرار گرفته، اما روش MLP با بررسی شاخص­های 22 گانه 42 کشور منتخب و مقایسه آن­ها با یکدیگر، از نزول رتبه ایران در المپیک 2016 ریودوژانیرو خبر می­دهد. هرچند روش MLP برخی از شاخص­ها از جمله نرخ تورم و درصد کاربران اینترنت در سال 2016 را بهتر از سال 2012 پیش­بینی کرده است، اما ضرایب تاثیر این شاخص­ها در پیش­بینی رتبه کشورها در المپیک 2016 پایین می­باشد.  با نگاهی به شاخص­های 22 گانه پیش­بینی شده توسط روش MLP، شاهد روند رو به کاهش برخی  شاخص­ها هستیم که باعث گردیده روش MLP این جایگاه را برای ایران تخمین بزند. به طور مثال، شاخص سرانه تولید ناخالص داخلی که در تخمین رتبه کشورها دارای ضریب بالایی می­باشد، در سال 2012 برابر 02/7228 دلار بوده و در سال 2016 برابر 04/3850 دلار پیش­بینی گردیده است. شاخص نرخ بیکاری ایران در سال 2012 برابر 10/13 درصد بوده و در سال 2016 برابر 61/13 درصد پیش­بینی شده است. تعداد ورزشکاران اعزامی ایران در المپیک 2012 برابر 53 نفر بوده و در المپیک 2016 برابر 48 نفر پیش­بینی شده است. از سویی دیگر، به طور مثال روش MLP جایگاه کشور کانادا را در المپیک 2016 جایگاه 29 تخمین زده است. این کشور در المپیک 2012 جایگاه 36 را کسب کرده بود. با نگاهی به شاخص­های 22 گانه پیش­بینی شده توسط روش MLP، شاهد روند صعودی برخی شاخص­ها هستیم که باعث گردیده روش MLP این جایگاه را برای کانادا تخمین بزند. شاخص سرانه تولید ناخالص داخلی در سال 2012 برابر 16/51206 دلار بوده و در سال 2016 برابر 14/55599 دلار پیش­بینی گردیده است. شاخص هزینه آموزش و پرورش کانادا در سال 2012 برابر 12/5 درصد از درآمد ناخالص ملی بوده و در سال 2016 برابر 44/5 درصد از درآمد ناخالص ملی پیش­بینی شده است. تعداد ورزشکاران اعزامی کانادا در المپیک 2012 تعداد 277 نفر بوده و در المپیک 2016 تعداد 299 نفر پیش­بینی شده است. به طور کلی، با مقایسه شاخص­های 22 گانه کشورهای منتخب در سال 2016، شاهد روند صعودی و نزولی در هریک از شاخص­ها می­باشیم. از سویی، با توجه به ضرایب شاخص­ها در پیش­بینی رتبه کشورها در المپیک 2016، بهبود وضعیت این شاخص­ها می­تواند جایگاه کشورها را در المپیک تحت تاثیر قرار دهد. حتی با شناسایی شاخص­های سطح کلان، این امکان فراهم می­شود که با قیاس کمی متغیرهای کشورها با همدیگر برتری یک کشور بر کشور دیگر آشکار شود. دلیل این قیاس در تحقیقات دی­بوسچر و همکارانش (2006) آشکار شد. آن­ها معتقدند که بیش از 50 درصد شاخص­های تعیین­کننده موفقیت در سطح بین­المللی (مانند بازی­های جهانی و المپیک)، متغیرهای سطح کلان و خارج از کنترل سازمان­ها و مدیران ورزش هستند. پس در جایی که بیش از 50 درصد شاخص­های تعیین­کننده موفقیت در سطح بین­المللی وجود دارد، باید برروی آن شاخص­ها متمرکز شد. یافته­های این تحقیق نشان داد که متغیرهای سطح کلان همچنان اثرگذاری بالای خود را بر روی موفقیت ورزشی حفظ کرده­اند. به طور مثال، متغیر GDP که همواره در تحقیقات گذشته به عنوان یکی از مهم­ترین متغیرهای اثرگذار در موفقیت ورزشی قلمداد  می­شد، در این تحقیق هم سهم بالایی در پیش­بینی موفقیت ورزشی به خود اختصاص داد. به طور کلی کسب مدال در المپیک برای کشورها دارای اهمیت بسیاری است تا جایی که کشورها از آن به عنوان "ابزاری در معادلات بین­المللی" استفاده می­کنند و همین موجب یک رقابت مسالمت آمیز در این رویداد جهانی می­شود. اندیشمندان علوم مختلف وقت و تلاش زیادی را صرف یافتن پاسخی به این پرسش کرده­اند که چه عواملی موفقیت یک کشور در المپیک را سبب می­شود. به طور کلی می­توان بیان داشت راه رسیدن به این موفقیت، توسعه است. اصولاً توسعه امری کلی و دارای جنبه­های مختلف اجتماعی و فرهنگی، سیاسی، اقتصادی، علمی- فناوری، پزشکی و غیره  می­باشد. توسعه در برخی موارد ممکن است موقتی و کوتاه مدت باشد که نتیجه آن موفقیت نسبی و مقطعی در سطح بین­المللی از جمله ورزش است. از طرف دیگر، برنامه­ریزی بلندمدت می­تواند به توسعه پایدار و فراگیر منجر شود.  

در مجموع، تحقیق حاضر از طریق شناسایی مولفه­ها و شاخص­های پیش­بین 22 گانه موفقیت کشورها در المپیک، برای مدیران و برنامه­ریزان این امکان را فراهم می آورد تا برای توسعه ورزش و کسب کرسی­های بین­المللی با توجه به امکانات و منابع بالقوه کشور و در مقایسه با کشورهای دیگر، سیاست­های مناسب اتخاذ نمایند. همچنین با توجه به رتبه پیش­بینی شده در المپیک 2016 ریودوژانیرو، به ورزشکاران این فرصت را می­دهد تا از طریق مقایسه خود با ورزشکاران کشورهای دیگر جایگاه خود را شناسایی کنند و برنامه­­های تمرینی لازم جهت کسب رکوردهای بهتر را براساس الگوهای استاندارد طراحی نمایند. به علاوه، نتایج این تحقیق موجب می گردد تا انتظارات و توقعات تماشاگران، اصحاب­رسانه و مطبوعات، منتقدان، کارشناسان یا تجزیه و تحلیل­گران ورزشی و...  صورتی واقع­بینانه و عقلانی یابد و با توجه به پتانسیل موجود و توان کشورهای رقیب، از انتظارات احساسی دست بردارند و از میزان فشار و استرس بیش از حد و مخرب بر روی کاروان ورزشی اعزامی به المپیک بکاهند.

  • منابع

    • پوربخش، سیدحامد (1386) "ارائه مدل پیشبینی قیمت نفتخام با رویکرد شبکههای عصبی- فازی". پایان نامه کارشناسی ارشد، دانشگاه گیلان.
    • زارعیان، حسین؛ الهی، علیرضا؛ سجادی، نصرالله و پدرام، میرمحسن (1393) "مولفه­های پیش بینی کننده موفقیت کشورهای شرکت کننده در بازی­های المپیک". مطالعات مدیریت ورزشی.
    • طحاری مهرجردی، محمدحسین؛ زنجیرچی، سید محمود؛ بابایی میبدی، حمید و زارعی محمود آبادی، محمد (1391) "بسط یک مدل ناپارامتریک برای ارزیابی عملکرد کشورهای شرکت­کننده در بازی­های المپیک". نشریه مدیریت ورزشی. 14: 196-177.
    • فاطمی قمی، محمد تقی (1380) "برنامه ریزی و کنترل تولید و موجودی ها". چاپ چهارم، تهران: انتشارات دانش امروز
    • محمدی، علی (1389) "ارائه مدل ریاضی برای رتبه بندی کشورهای شرکت کننده در بازی های آسیایی 2006". فصلنامه المپیک.  3(51): 19- 7.
    • ناظمی اشنی، امیر، قدیری، روح الله (1385) "آینده نگاری از مفهوم تا اجرا". مرکز صنایع نوین. تهران: فراندیش
      • Bradley, J., College, B. (2013)" Creating and Testing a Production Function for Olympic Medals". Issues in Political Economy.22:7-25.
      • De Bosscher V., Deknop P., Vanbottenburg M. Shibli S. (2006)" A Conceptual Framework for Analysing Sports Policy Factors Leading to International Sporting Success". European Sport Management Quarterly. 6(2): 185-215.
      • Del Corrala J., Rodriguez J. P. (2010) "Are differences in ranks good predictors for Grand Slam tennis matches? ". International Journal of Forecasting.26: 551–563.
      • Forrest, D, Sanz, I, Tena, J. D. (2010) " Forecasting national team medal totals at the Summer Olympic Games". International Journal of Forecasting. 26: 576–588.
      • Goddard, J. (2010) " Regression models for forecasting goals and match results in association football". International Journal of Forecasting. 21:331– 340.
      • Grant, A., Johnston, D. (2010)."Finding profitable forecast combinations using probability scoring rules". International Journal of Forecasting. 26:498–510.
      • Hematinezhad, M., Gholizadeh, M. H., Ramezaniyan, M., Shafiee, S., Zahedi, A. G. (2011) "Predicting the Success of Nations in Asian Games Using Neural Network". Sport SPA. 8(1): 33-42.
      • Iyer, S. R., Ramesh S. (2009) "Prediction of athletes’ performance using neural networks: An application in cricket team selection".Expert Systems with Applications. 36:5510–5522.
      • Jiang, Y, Ma, T. Huang, Zh. (2010) "The Economic Factors Analysis in Olympic Game". International Journal of Sports Science and Engineering. 4(3):181- 187.
      • Kuper, G. H., Sterken, E. (2012)."Participation and Performance at the London 2012 Olympics". Research Institute SOM Faculty of Economics & Business University of Groningen.
      • Lovaglia, M. J., Lucas, J. W. (2005) "Can Academic Progress Help Collegiate Football Teams Win?". The Sport Journal. 8(3):63-79.
      • Sotiriadou, K., Shilbury, D. (2009)."Australian elite athlete development: An organizational perspective". Sport management Review. 13:1- 12.
      • Vagenas, G, Vlacho kyriakou, E. (2011) "Olympic medals and demo-economic factors: Novel predictors, the ex-host effect, the exact role of team size, and the population-GDP model revisited". Sport Management Review. doi:10.1016/j.smr.07.001, 118:1-7.