طراحی مدل پیش بینی موفقیت کشورها در جام جهانی فوتبال 2018 روسیه با استفاده از روش هوشمند شبکه پرسپترون چندلایه (MLP)

نوع مقاله : مقاله پژوهشی

نویسندگان

1 دکتری مدیریت ورزشی، پردیس فارابی، دانشگاه تهران، قم، ایران (نویسنده مسئول) E-mail: F.m.13558@gmail.com

2 دانشیار، دانشگاه تهران، تهران، ایران

3 دکترای هوش مصنوعی، دانشگاه شاهرود، شاهرود، ایران

4 دانشیار، پردیس فارابی، دانشگاه تهران، قم، ایران

چکیده

هدف از پژوهش حاضر، ارائه مدل پیش­بینی موفقیت کشورهای شرکت کننده در جام­جهانی فوتبال 2018 روسیه بود. این پژوهش، در دو مرحله کیفی (تعیین شاخص­ها) و کمی (جمع آوری داده­های مربوط به کشورهای منتخب) انجام شد. مصاحبه­های کیفی نیمه­ساختارمند و عمیق با 24 نفر از نخبگان آگاه از موضوع پژوهش به صورت غیرتصادفی هدفمند صورت گرفت. پس از شناسایی شاخص­ها، اطلاعات شاخص­های انتخاب شده (شاخص­های 26 گانه اقتصادی، سیاسی، اجتماعی و فرهنگی، فناوری و ورزشی (PEST+S) برای 38 کشور که به صورت غیرتصادفی در دسترس انتخاب شدند، در بازه زمانی بازی­های جام جهانی 1978 آرژانتین تا 2014 برزیل جمع­آوری گردید. 
در مرحله بعد، برای آزمون مدل مفهومی، شاخص­های 26 گانه پیش­بینی شده با مقادیر واقعی در سال­های 2010 و 2014 مقایسه گردید. نتایج نشان داد روش MLP از خطای پایینی در پیش­بینی شاخص­های 26 گانه برخوردار است. در مرحله نهایی، شاخص­های 26 گانه در سال 2018 تخمین زده شد و جایگاه کشورهای منتخب در جام جهانی 2018 روسیه پیش­بینی شد. با استناد به نتایج روش MLP، تیم­های ایران، ژاپن و کره­جنوبی با کسب جایگاه 1 از قاره آسیا به بازی­های جام­جهانی راه خواهند یافت. همچنین تیم­های بلژیک و پرتغال طبق جایگاه پیش­بینی شده4  تا مرحله نیمه­نهایی صعود خواهند کرد. 

کلیدواژه‌ها


عنوان مقاله [English]

A Model to Predict the Success of Countries Participating in the 2018 FIFA World Cup Russia Using Intelligent Method of Multilayer Perceptron Networks (MLP)

نویسندگان [English]

  • Fahimeh Mirzaee 1
  • Majid Jalali Farahani 2
  • Amin Ghazi Zahedi 3
  • Ghodratollah Bagheri 4
1 Ph.D. in Sport Management, Farabi Campus, University of Tehran, Qom, Iran
2 Ph.D., Associate Professor, University of Tehran, Tehran, Iran
3 Ph.D. in Artificial Intelligence, Shahrood University, Shahrood, Iran
4 Ph.D., Associate Professor, Farabi Campus, University of Tehran, Qom, Iran
چکیده [English]

The study is to designing a model to predict the success of countries participating in the 2018 FIFA World Cup Russia. This study was conducted on two qualitative (setting indices) and quantitative (collecting data from selected countries) steps. Semi-structured qualitative and depth interviews was conducted with 24 elites that aware of the issue of study with non-randomly and purposeful procedure.
After identifying indexes, information of selected Indexes (26 Indexes of the political, economic, social, cultural, technological and sporting as theoretical model (PEST+ S)) was collected for 38 countries that were selected with non-randomly and Available procedure since 1978 Argentina FIFA World Cup to 2014 Brazil. 
On the next step, the predicted 26 indexes were compared with actual values ​​in 2010 and 2014 to test the conceptual model. The results showed that MLP method was of less error at predicting the 26 indexes. In final step, 26 indexes in 2018 were estimated and position of selected countries was predicted in 2018 FIFA World Cup Russia.
According to MLP results, Islamic Republic of Iran, Japan and South Korea, with position of 1 from the Asian continent will qualify to FIFA World Cup. Also, Belgium and Portugal will ascend to the semifinals, according the predicted position of 4.

کلیدواژه‌ها [English]

  • Key Words: FIFA World Cup
  • Multilayer Perceptron Networks and Prediction

طراحی مدل پیش بینی موفقیت کشورها در جام جهانی فوتبال 2018 روسیه با استفاده از روش هوشمند شبکه پرسپترون چندلایه (MLP)

فهیمه میرزائی[1]

 مجید جلالی فراهانی[2]

 امین قاضی زاهدی[3]

 قدرت اله باقری[4]

تاریخ دریافت مقاله: 26/7/1396

                                                                                 تاریخ پذیرش مقاله:9/10/1396

مقدمه

یکی از وظایف مدیر، تصمیم­گیری است که به طور مستتر در تمام وظایف مدیریت نهفته است. در حقیقت می­توان گفت مدیر به وسیله تصمیم­گیری، تمامی فعالیت­های خود را انجام می­دهد. بنابراین تصمیم­گیری از اجزای جدایی ناپذیر مدیریت به شمار می­آید و در هر وظیفه مدیریت به نحوی جلوه­گر است (الوانی، 1388: 20). در واقع، تصمیم­گیری و مدیریت را می­توان مترادف دانست، زیرا تصمیم­گیری جزء اصلی مدیریت است. تصمیم­گیری همواره کاری دشوار بوده و با محدودیت­هایی سر­و­کار داشته است؛ ولی امروزه به دلیل شتاب فزاینده تغییرات و افزایش پیچیدگی محیط، تصمیم­گیری مستلزم دقت و سرعت بیشتری است. از آن جا که برنامه­ریزی، تصمیم­گیری برای انجام فعالیتی در زمان آینده می­باشد، جایگاه و اهمیت برنامه­ریزی در فرآیند مدیریت نیز روشن می­شود. از سوی دیگر، کلیه تصمیمات در مورد آینده بر مبنای یک نوع پیش­بینی است. لذا هرچه این پیش­بینی­ها به صورت برنامه­ریزی شده­تر انجام شوند، بیشتر می­توان به آن­ها اتکا کرد. 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 (رضائیان، 1388: 35 و سیدجوادین، 1384: 25). پیش­بینی روند تغییرات در کلیه حوزه­ها، یکی از دغدغه­های اصلی مدیران و برنامه­ریزان می­باشد، اما در مسیر پیش­بینی همواره مشکلاتی وجود داشته که انجام پیش­بینی­های دقیق و قابل­اعتماد را تقریباً غیرممکن کرده است. وجود پارامترهای زیاد و در بسیاری موارد پنهان، پیش­بینی را به مسئله­ای سخت تبدیل نموده است که الگوریتم­های پیچیده ریاضی را نیز از ارائه راهکارهای مناسب برای ساخت یک الگوی پیش­بینی کارآمد عاجز کرده است. 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 کرده است (ناظمی اشنی و قدیری، 1385: 52).

از آنجا که در دنیای پیشرفته ورزش امروز نیز تصمیم­گیری درست، علمی و به موقع نقش بسیار مهم و تعیین­کننده­ای در شکست یا موفقیت دارد، پیش بینی نتایج رویدادهای ورزشی نیز از اهمیت خاصی برخوردار شده است. پیش­بینی­های ورزشی از طریق اصول علمی، راهکارها و جهت­گیری­های مناسبی را پیش­روی مدیران و برنامه­ریزان ورزشی قرار می­دهد. امروزه برای پیش­بینی­های ورزشی، روش های علمی نوینی برگزیده شده است که با استفاده از این روش ها می توان با شناخت عوامل اثرگذار بر نتایج به دست آمده، نتایج رویدادها و رده­بندی تیم های ورزشی را نیز پیش بینی کرد (زارعیان، 1393: 10). مقالات متعددی نیز بیان کردند که پیش­بینی­های ورزشی که مبتنی بر داده و اطلاعات است با آنچه که به صورت تصادفی مانند پیش­بینی­های شانسی[7] انجام می­پذیرد، کاملاً متفاوت است (دل کرولا و رودریگز[8]، 2010: 551-563). به عنوان نمونه، محمدی (1389) یک الگوی ریاضی برای رتبه­بندی کشورهای شرکت کننده در بازی­های آسیایی 2006 ارائه داد. در این تحقیق از رویکرد جایگزینی رتبه­بندی استفاده شد که در آن با در نظر گرفتن توانایی هر کشور در کسب مدال، تلاش می­شود نقص رویکرد متداول مرتفع گردد. در این الگو تعداد مدال­های طلا، نقره و برنز هر کشور به عنوان ستاده و با در نظر گرفتن شاخص­هایی نظیر تولید سرانه، جمعیت، میزان مرگ و میر کودکان، امید به زندگی و ضریب جینی به عنوان نهاده هر کشور، نمره کارایی هر کشور در مسابقات ورزشی محاسبه می­گردد که این نمره کارایی، ملاک رتبه­بندی کشورهاست. نتایج تحقیق نشان داد که رتبه­بندی حاصل از این روش، تا حدودی با روش رایج رتبه­بندی، متفاوت، اما منصفانه­تر است. بشام[9] (2013) نیز برای پیش بینی مسابقات جام جهانی فوتبال 2010 افریقای جنوبی، عامل اقتصادی به ویژه سرانه GDP را به عنوان مولفه پیش بینی کننده مهم معرفی می­کند. فیض و سلیمانی (1389) در تحقیقی با عنوان «پیش­بینی فوتبال مبتنی بر داده­های آماری جزئی با استفاده از شبکه عصبی-مصنوعی» برای پیش­بینی از شبکه عصبی پرسپترون چند لایه با الگوریتم انتشار خطا رو به عقب استفاده کردند. شبکه عصبی مذکور با آمار نیم فصل اول آموزش دیده و برروی بازی­های نیم فصل دوم آزمایش شد. نتایج نهایی حاکی از برتری محسوس این روش بر روش­های آماری موجود می باشد. عرب زاد و همکاران (2014) در تحقیق خود با عنوان «پیش­بینی نتایج مسابقات فوتبال با استفاده از شبکه­های عصبی مصنوعی(مطالعه موردی: لیگ برتر فوتبال ایران) نشان دادند که شبکه های عصبی، توانایی قابل توجهی برای پیش بینی نتایج مسابقات فوتبال دارند. زارعیان و همکاران (1395) نیز در تحقیقی با عنوان «پیش­بینی موفقیت کشورهای شرکت­ کننده در بازی­های المپیک 2016 ریودوژانیرو با استفاده از روش هوشمند شبکه­های پرسپترون چندلایه (MLP)» دریافتند که در مقایسه مقادیر واقعی با مقادیر پیش­بینی شده در سال 2012، روش MLP از خطای پایینی در پیش­بینی شاخص­های 22 گانه برخوردار بود. همچنین در مورد مقایسه رتبه واقعی و رتبه پیش­بینی شده 42 کشور منتخب در سال 2012، روش MLP از ضریب خطای مطلق میانگین پایینی (462/0) برخوردار بود. هوانگ و چانگ[10] (2010) نیز از شبکه های عصبی برای پیش بینی برندگان مسابقات در جام جهانی 2006 استفاده کردند. آنها با توجه به نتایج مراحل قبلی بازی تیم ها و داده های آماری رسمی از سال 2006 جام جهانی فوتبال اقدام به این کار نمودند. مدل پیش بینی اتخاذ شده آنها براساس پرسپترون چند لایه (MLP) با قانون آموزش پس انتشار بود. دقت پیش بینی آنها 9/76درصد محاسبه شد. یکی دیگر از محققانی که در پی یافتن مدل های آماری برای پیش بینی مسابقات فوتبال بود، لانگ ست[11] (2013) می­باشد. وی تلاش نمود با توجه به سابقه بازی ها از گذشته تاکنون (در یک فصل)، نتیجه بازی های دور بعدی را پیش بینی کند. او با بررسی مدل های کلاسیک، اجزای کلیدی آنها را استخراج و از آنها به عنوان پایه ای برای ارائه یک مدل جدید استفاده کرد. این مدل با شبیه سازی شرط بندی هایی که بر روی بازی ها در لیگ برتر انگلیس انجام شده، مقایسه گردیده است. ویس بوک و همکاران[12] (2014) نیز برای پیش بینی موفقیت در لیگ ملی هاکی کانادا از ترکیبی از آمارهای ساده مانند گل زده در مقابل معیارهای عملکرد مانند درصد دراختیار داشتن بازی و شانس به منظور ساخت یک مدل طبقه بندی استفاده کردند. آنها چندین مدل طبقه بندی شده با اجزای گوناگون را برای رسیدن به یک مدل طبقه بندی جدید به کار گرفتند. نتایج تحقیقات آنها نشان داد که شبکه های عصبی، قوی ترین مدل های طبقه بندی شده را ارائه می دهندرکه این نتایج تحقیقات پیشین را تایید می کند. مهتا[13] (2016) نیز با استفاده از داده­کاوی به پیش­بینی نتایج مسابقات فوتبال براساس داده­ها و نتایج مسابقات قبلی پرداخت. وی از رگرسیون لجستیک و درخت تصمیم­گیری برای پیش­بینی استفاده کرد. نتایج تحقیق نشان داد که دقت پیش­بینی او بین 55 تا 65 درصد بود. از آنجا که انتخاب ویژگی­ها گام مهم و اساسی قبل از انجام پیش­بینی است، وی پیشنهاد داد که با استفاده از روش­های بهتر انتخاب ویژگی­ها یا افزودن عوامل خارجی مانند عملکرد بازیکنان یا شرایط آب و هوایی به ویژگی­ها، احتمالا می­توان به دقت بالاتری در پیش­بینی دست یافت.

همان گونه که مشاهده می­شود هر یک از محققان به نحوی مولفه­های موثر در موفقیت کشورها در بازی­های جام­جهانی را شناسایی و مورد برررسی 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 مورد شناسایی قرار گرفته و در فرآیند پیش­بینی از آن بهره گرفته­ شده است. به طور مثال، بشام (2013) فقط از مولفه­های اقتصادی، شیرعلیزاده (1394) و لوئیز و فادال[14] (2010) فقط از مولفه­های اقتصادی و اجتماعی (23،6)، فیتر[15] (2011) و PWC[16] (2014) فقط از مولفه­های ورزشی و سوتریادو و شیلبوری[17] (2009) از مولفه­های سیاسی و اقتصادی برای پیش­بینی رویدادهای ورزشی استفاده کرده­اند. در برخی تحقیقات نیز مانند محمدی (1389)، گرنت و جانسون[18] (2010)، لانگ ست (2013) و مهتا (2016) از روش­های آماری دیگری از قبیل رگرسیون و یا الگوهای ساده ریاضی استفاده کرده­اند. 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 کوتاه استفاده کرده­اند. بنابراین در این تحقیق سعی شده تا این دو نقص با استفاده از روش­های علمی جدید و متنوع و اطلاعات تطبیقی در یک بازه زمانی 40 ساله مرتفع گردد. با توجه به تحقیقات انجام گرفته، تحقیق حاضر درصدد است تا با شناسایی و بررسی جامع 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 جام جهانی فوتبال 2018 روسیه استفاده نموده است.

روش شناسی پژوهش

پژوهش حاضر با هدف پیش­بینی موفقیت کشورهای شرکت کننده در جام جهانی فوتبال با استفاده از روش­ هوشمند شبکه­های پرسپترون چندلایه[19](MLP) انجام شد. تحقیق حاضر از منظر هدف، تحقیقی کاربردی است. این تحقیق، در دو مرحله (تعیین متغیرها و جمع آوری داده­های مربوط به کشورهای منتخب) انجام شد و شامل روش­شناسی آمیخته کیفی[20] و کمی[21] بود. در مرحله اول پژوهش از طریق مطالعه پیشینه تحقیق و جمع­آوری اطلاعات کتابخانه­ای، فهرست­ مقدماتی شاخص­های پیش­بین شناسایی شد. سپس با استفاده از روش نمونه­گیری نظری، مصاحبه­های کیفی نیمه­ساختارمند و عمیق با 24 نفر از نخبگان آگاه از موضوع پژوهش به صورت غیرتصادفی هدفمند (اعضای هیئت علمی رشته اقتصاد، (3 نفر)؛ اعضای هیئت علمی رشته علوم سیاسی و روابط بین­الملل، (3 نفر)؛ اعضای هیئت علمی رشته علوم اجتماعی، (3 نفر)؛ اعضای هیئت علمی رشته علوم ارتباطات، (3 نفر)؛ اعضای هیئت علمی رشته تربیت بدنی و علوم ورزشی (به ویژه گرایش مدیریت ورزشی)، (5 نفر) و مدیران و صاحب­نظران فدراسیون فوتبال (7 نفر)) انجام شد. انجام مصاحبه­ها تا حداشباع نظری ادامه یافت. مصاحبه­ها نشان داد 26 شاخص می­تواند پیش­بینی­کننده موفقیت کشورها در بازی­های جام جهانی فوتبال 2018 روسیه 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. میرزائی و همکارانش (1395) معتقدند متغیرهای سطح کلان مربوط به محیط پیرامونی یا دور (جامعه) بوده 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 راهبرد­های سازمان­های ورزشی مربوط هستند و به طور مستقیم پیش­بینی­کننده­ موفقیت کشورها در بازی­های جام جهانی فوتبال می­باشند. برنامه­ریزی فدراسیون­ فوتبال، استفاده از مربیان حرفه­ای روز دنیا، حضور تیم ملی در تورنمنت های بین­المللی و جهانی، کمک به نهادینه شدن رشته ورزشی فوتبال در مدارس و دانشگاه­ها به کمک فدراسیون فوتبال 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 فوتبالیست مربوط می­شود، اشاره دارد. شکل 1 ، الگوی نظری عوامل پیش­بینی­کننده موفقیت کشورها (PEST+S) در بازی­های جام­جهانی فوتبال را نشان می­دهد:

 

 

 

 

 

 

 

 

خرد

خرد

خرد

خرد

خرد

متوسط

متوسط

متوسط

متوسط

متوسط

کلان

کلان

کلان

کلان

کلان

فناوری (T)

سیاسی (P)

ورزشی (S)

اقتصادی (E)

اجتماعی و فرهنگی (S)

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

شکل 1: الگوی نظری عوامل پیش­بینی­کننده موفقیت کشورها (PEST+S) در بازی­های جام جهانی فوتبال

پس از شناسایی شاخص­ها، اطلاعات شاخص­های انتخاب شده برای 38 کشور منتخب از قاره­های مختلف -کشورهایی که اطلاعات آنها موجود بود- به صورت غیرتصادفی در دسترس در بازه زمانی 40 ساله از بازی­های جام جهانی فوتبال 1978 آرژانتین تا 2018 روسیه که در انتخاب نمونه آماری، جایگاه کشورها در رتبه­بندی فیفا و سابقه حضور آنها در بازی­های جام­جهانی مدنظر قرار گرفته است، جمع­آوری گردید.

گفتنی 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 26 گانه شامل جمعیت شهری، جمعیت کل، تراکم جمعیت، ساختار سنی، سرانه تولید ناخالص داخلی، تراز بازرگانی، نرخ بیکاری، صادرات کالا و خدمات، واردات کالا، صادرات کالا، مجموع ذخایر (شامل طلا)، تعادل حساب جاری، امید به زندگی، هزینه بهداشت و درمان، صادرات فناوری­های نوین، کاربران اینترنت، هزینه نظامی، مدت زمان تاسیس فدراسیون فوتبال در کشورها و مدت زمان پیوستن فدراسیون فوتبال کشورها به فیفا، میزبانی جام­جهانی، مجموع میزبانی­های جام­جهانی، برنده جام­جهانی، میزبانی بازی­های قاره­ای، برنده بازی­های قاره­ای، هم قاره بودن با کشور میزبان و جایگاه در رتبه­بندی فیفا برای کشورهای منتخب شرکت­کننده به عنوان متغیرهای پیش­بین و جایگاه کشورها درجام­جهانی فوتبال به عنوان متغیر ملاک در نظر گرفته شد. داده­های مورد بررسی در تحقیق حاضر با استفاده از وب­سایت­های معتبر جهانی از قبیل سازمان ملل متحد، بانک جهانی، سازمان بهداشت جهانی که مورد تایید محققان جهانی هستند و قابل استناد می­باشند، جمع­آوری گردید. در مرحله بعد، برای آزمون مدل مفهومی شبکه­های پرسپترون چندلایه (MLP)، به مقایسه شاخص­های 26 گانه ایران با مقادیر واقعی در سال 2010 و 2014 پرداخته شد تا از یک سو، امکان خطای پیش­بینی کاهش یابد و از سوی 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 26 گانه در سال 2018 میلادی پیش بینی و براساس آن، جایگاه کشورهای منتخب در جام­جهانی 2018 روسیه تخمین زده شد.

در فرآیند پیش­بینی توسط شبکه­های عصبی که با استفاده از یک سری زمانی انجام می­شود، معمولاً مجموعه­ای از داده­ها به عنوان ورودی در اختیار شبکه عصبی قرار می­گیرد تا شبکه با تخمین رفتار سیستم مورد پیش­بینی، عمل برون­یابی را برای آینده انجام دهد. اغلب رویکردهای شبکه عصبی برای مسئله 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[22](MLP) با آموزش شبکه پس­انتشار خطا از نوع تابع سیگموئید[23] استفاده شد.

یافته های پژوهش

نخست لازم بود جهت تخمین نتایج بازی­های جام­جهانی فوتبال 2018 روسیه و ارائه مدل، از دقت نرم­افزار اطمینان حاصل نمود. بدین منظور برای تست نتایج شبکه­های عصبی، ابتدا کلیه اطلاعات کشورهای شرکت­کننده در بازی­های جام­جهانی جمع­آوری و از بین آنها کشور ایران انتخاب شد تا شاخص­های 26 گانه در سال­های 2010 و 2014 پیش­بینی شود و نتایج با مقادیر واقعی مورد مقایسه قرار گیرد. در این بخش از بین شاخص های 26 گانه، شاخص سرانه تولید ناخالص داخلی آورده شده است:

 

شکل 2: دقت مقادیر پیش­بینی­شده و میزان خطای الگوریتم MLP شاخص­ سرانه تولید ناخالص داخلی در سال 2010 و 2014

با توجه به نتایج شکل 2 می توان گفت که روش MLP از خطای پایینی در پیش­بینی شاخص های 26 گانه برخوردار است. از این­رو، در پیش­بینی شاخص­های کشورهای منتخب در سال 2018 از روش MLP استفاده گردید. در شکل 3 و 4 مقایسه­ای بین جایگاه تخمین زده شده کشورها در بازی­های جام­جهانی فوتبال 2010 و 2014 و جایگاه واقعی کسب شده توسط کشورها ارائه شده است. تخمین جایگاه­ها با استفاده از شاخص­های تخمین زده شده مربوط به سال 2010 صورت گرفته که به عنوان ورودی نرم­افزار بوده­اند. گفتنی که نحوه تعیین جایگاه کشورها به این صورت بوده است: عدم حضور در جام­جهانی به منزله صفر، راه یافتن به مرحله گروهی یا یک شانزدهم به منزله 1، صعود به مرحله یک هشتم به منزله 2، صعود به مرحله یک چهارم به منزله 3، صعود به مرحله نیمه نهایی به منزله 4 و صعود به فینال به منزله 5 درنظرگرفته شد.

 

شکل 3: جایگاه پیش­بینی­شده و واقعی کشورهای شرکت کننده در بازی های جام جهانی 2010 با استفاده از الگوریتم MLP

با توجه به شکل فوق، الگوریتم MLP در تخمین جایگاه کشورها در 3 مورد با جایگاه­های واقعی اختلاف داشت.

 

شکل 4: جایگاه پیش­بینی­شده و واقعی کشورهای شرکت کننده در بازی­های جام­جهانی 2014 با استفاده از الگوریتم MLP

با توجه به شکل فوق، الگوریتم MLP در تخمین جایگاه کشورها در 3 مورد با جایگاه­های واقعی اختلاف داشت. پس از بررسی مقادیر واقعی و مقادیر پیش بینی شده شاخص های 26 گانه در سال 2010 و 2014، میزان دقت الگوریتم­ MLP در تخمین جایگاه کشورهای شرکت­کننده در بازی­های جام جهانی 2010 و 2014 برحسب درصد نشان داد که این الگوریتم با دقت 87 درصد از رقم قابل قبولی برخوردار بود. در همین زمینه زارعیان (1393) بیان می­دارد در صورتی که دقت الگوریتم اندازه گیری بالای 60 درصد باشد، این میزان قابل قبول خواهد بود.

در مرحله بعد، نخست مقادیر شاخص­های 26 گانه کشورهای منتخب پیش­بینی گردید. سپس در مرحله بعد با توجه به مقادیر شاخص­های پیش بینی شده، جایگاه کشورها در جام­جهانی 2018 روسیه تخمین زده شد. جدول 1، مقادیر تخمینی شاخص­های 26 گانه کشورهای منتخب در سال 2018 را نشان می­دهد. در جدول 1 از 38 کشور منتخب، داده­های تخمینی کشورهای غنا، آلمان، برزیل، ایران و روسیه آورده شده است.

جدول 1: مقادیر تخمینی شاخص­های 26 گانه کشورهای منتخب در سال 2018

کشور

شاخص

واحد

اندازه­گیری

غنا

آلمان

برزیل

ایران

روسیه

جمعیت شهری

%

55.797267

61.997113

90.189867

76.2042

73.924

جمعیت کل

Millions person

27722420.25

11706793.77

218277108.46

84926091.46

143678695.02

ساختار سنی

% (15- 64)

58.580014

71.952443

70.828883

65.65335

71.073382

تراکم جمعیت

people per sq/ km of land area

122.879956

75.094033

26.121632

46.211045

8.776762

نرخ بیکاری

% of total labor force

2.4

13.3

6.8

12.8

5.1

سرانه تولید ناخالص داخلی

per person $

1116.942226

3706.635732

5826.340215

5442.874771

12735.9184

تعادل حساب جاری

% of GDP

9.576778-

8.848945-

4.286834-

5.069

3.140469

صادرات کالا و خدمات

% of GDP

43.752045

40.261615

11.186835

25.034587

30.021539

تراز بازرگانی

% of GDP

71.944024

70.835452

19.210642

35.538735

43.308175

واردات کالا

of GDP %

10037535579.68

19806743003.32

239150200000.00

51000000000.00

344677866274.13

صادرات کالا

of GDP %

13216060000.00

13427995475.29

225101000000.00

55464710515.47

574405799335.08

مجموع ذخایر

طلا و دلار

1064307357.88

6662544776.48

363570247227.00

 

386216377125.00

هزینه نظامی

% of GDP

0.479042

1.896166

1.351679

1.476559

4.552113

کاربران اینترنت

per 100 people

18.9

46.16

57.6

41.35

70.52

صادرات فناوری های نوین

%of manufactured exports

4.882632

6.680848

10.61499

4.116372

11.451673

هزینه بهداشت و درمان

% of GDP

3.557292

7.003858

8.322834

6.176357

7.070408

امید به زندگی

Years

62.31245

73.9

74.401878

79.900438

70.365854

مدت زمان تاسیس فدراسیون فوتبال

Years

61

118

104

98

106

مدت زمان پیوستن به فیفا

Years

60

114

95

70

106

مجموع میزبانی­های جام جهانی

Number

0

2

2

0

1

میزیانی جام جهانی

Score

0

0

0.5

0

2

برنده جام جهانی

Number

0

4

5

0

0

میزبانی بازی های قاره ای

Number

0

0

0

0

0

برنده بازیهای قاره ای

Number

4

3

8

3

1

هم قاره بودن با کشور میزبان

Number

0

1

0

0

1

جایگاه­دررتبه­بندی فیفا2017

Score

54

3

2

29

56

در مرحله بعد، با استفاده از مقادیر پیش­بینی شده شاخص­های 26 گانه و با توجه به روش MLP، رتبه کشورهای منتخب در جام جهانی فوتبال 2018 روسیه 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 (جدول 2):

جدول 2: مشخصات شبکه عصبی (روش MLP) به کار رفته در تحقیق حاضر

سیگموئید

نوع تابع کار شبکه

1

تعداد لایه­های ورودی

پس­انتشار خطا

نوع آموزش شبکه

26

تعداد نرون­های لایه ورودی

1/0

مومنتوم

2

تعداد لایه­های پنهان

3/0

نرخ یادگیری

9-15

تعداد نرون­های لایه پنهان

800

تعداد تکرار

025/0

خطای یادگیری در هر مرحله

 

 

6

تعداد نرون­های لایه خروجی

 

جایگاه در رتبه بندی فیفا

هم قاره بودن با کشور میزبان

میزبانی باریهای قاره ای

برنده باریهای قاره ای

مجموع میزبانی جام جهانی

امید به زندگی

صادرات فماوری های نوین

هزینه بهداشت و درمان

کاربران اینترنت

هزینه های نظامی

مجموع ذخایر

صادرات کالا

واردات کالا

تراز بازرگانی

صادرات کالا و خدمات

تعادل حساب جاری

سرانه تولید ناخالص داخلی

نرخ بیکاری

تراکم جمعیت

ساختار سنی

صعود به مرحله فینال

صعود به مرحله نیمه نهایی

صعود به مرحله یک چهارم

صعود به مرحله یک هشتم

صعود به مرحله گروهی

عدم صعود به جام جهانی

 

برنده جام جهانی

میزبانی جام جهانی

جمعیت کل

جمعیت شهری

مدت زمان  پیوستن فدراسیون به فیفا

مدت زمان  تاسیس فدراسیون

شکل 5: شبکه عصبی مورد استفاده در تحقیق با 2 لایه پنهان

جدول 3، جایگاه پیش­بینی شده کشورهای منتخب در بازی­های جام جهانی فوتبال 2018 روسیه با توجه به شاخص­های پیش­بینی شده و براساس مدل شبکه عصبی (روش MLP) را نشان می­دهد.

جدول 3: جایگاه پیش­بینی شده کشورهای منتخب در بازی­های جام جهانی فوتبال 2018 روسیه براساس مدل شبکه عصبی (روش MLP)

جایگاه پیش بینی شده

کشور

جایگاه پیش بینی شده

کشور

3

ایتالیا

0

الجزایر

1

ژاپن

3

آرژانتین

1

کره جنوبی

1

استرالیا

2

مکزیک

0

اتریش

2

هلند

4

بلژیک

0

نیوزلند

3

برزیل

4

پرتغال

3

شیلی

0

قطر

0

چین

2

روسیه

1

ساحل عاج

0

عربستان

0

کامرون

0

سنگال

1

کلمبیا

2

اسپانیا

1

کاستاریکا

1

سوئد

1

کرواسی

1

سوئیس

0

مصر

0

تونس

3

فرانسه

0

ترکیه

1

غنا

1

انگلستان

3

آلمان

1

ایالات متحده

1

یونان

2

اروگوئه

1

ایران

براساس جدول فوق، تیم­های ایران، ژاپن و کره­جنوبی با کسب جایگاه 1 از قاره آسیا به بازی­های جام­جهانی راه خواهند یافت. همچنین، تیم­های بلژیک و پرتغال طبق جایگاه پیش­بینی شده 4 تا مرحله نیمه­نهایی صعود خواهند کرد. همان گونه که پیش­تر بیان شد، 38 کشور براساس معیارهای یاد شده انتخاب شگردیدند. بنابراین طبق پردازش­های شبکه عصبی و نیز با توجه به سوابق عملکردی تیم­ها این نتایج پیش­بینی شده است. بدیهی است که امکان بررسی تمام کشورها وجود نداشته و ممکن است کشوری که در نمونه آماری ما قرار نداشته، توانایی رسیدن به فینال را داشته باشد. به همین ترتیب از بین این کشورها دو تیم قابلیت رسیدن به نیمه­نهایی را داشته­اند و دو تیم دیگر احتمالا جزو نمونه آماری ما نبوده­اند یا جزو نمونه آماری بوده­اند (که پس از برگزاری مسابقات مشخص می شود) اما باتوجه به شرایط و موقعیت عملکردی که در گذشته داشته­اند، از نظر علم ریاضی امکان صعود آنها به مرحله بالاتر وجود نداشته است یا عوامل دیگری که شاید بتوان آن را «شانس» نامید به صعود تیم کمک کرده­اند. پس واضح است که فینالیست­های واقعی یا تیم­هایی که واقعا به مرحله نیمه­نهایی می­رسند، پس از برگزاری رقابت­ها مشخص خواهند شد. نتایج این تحقیق بیانگر آن است که این تیم­ها با سوابق یاد شده معین، قابلیت رسیدن به کدام مرحله را دارند.

بحث و نتیجه گیری

آن­گونه که آشکار است موفقیت یک ورزشکار، تیم یا کاروان ورزشی به صورت قابل­توجهی به ظرفیت عملکردی سیستم ملی و اثربخشی آن در استفاده از کلیه منابع مناسب و مربوط وابسته است. زیرساخت­های یک کشور شامل متغیرهای کلان اقتصادی، سیاسی، اجتماعی و فرهنگی و فناوری می­شوند که جهت پیشرفت همه جانبه، باید توسعه یابند. در محیطی با زیرساخت­های توسعه یافته هر محصول و کالایی می­تواند با کیفیت بهتری ارائه گردد. ورزش نیز امروزه به عنوان یک صنعت از این قاعده مستثنی نیست و چنانچه این زیرساخت­ها فراهم باشند، می­تواند به خوبی توسعه یابد. به همین دلیل، تحقیق حاضر بر تاثیر متغیرهای کلان در ورزش متمرکز شد. تعداد کسب مدال یا جایگاه در سطوح بین­المللی را می­توان از شاخص­های تحول و توسعه ورزش معرفی کرد. به عنوان مثال، در چین تعداد مدال­های کسب شده معیاری برای تعیین خط­مشی ورزش کشور است و از سال 1952 میلادی، سیستم مدیریتی متمرکز و ساختار پیچیده­ای با هزاران مدیر ورزشی در سازمان­های ملی، استانی و محلی به کار گرفته شد. بنابراین با شناسایی متغیرهای 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 بوسچر و همکاران[24] (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 بر روی آن شاخص­ها متمرکز شد. متغیرهای زیادی در موفقیت ورزشی حائز اهمیت هستند که شاید اثبات آنها کار ساده­ای نباشد. پدیده­ای اجتماعی مثل ورزش بدون درک روشن از فرهنگ میسر نیست. این ویژگی­ها در دل فرهنگ جای گرفته اند و تا حد زیادی قابل اندازه­گیری نیستند. در نتیجه مقایسه کشورها فرآیندی پیچیده است. در این تحقیق سعی شد تا متغیرهای فرهنگی و اجتماعی که در تحقیقات گذشته به علت سخت بودن کمی ساختن آنها در طرح تحقیق گنجانده نمی­شدند، در کنار متغیرهای اقتصادی و سیاسی قرار گیرند. البته نکته حائز اهمیت این است که برخی از متغیرها می­توانند دارای وزن­های اقتصادی، سیاسی، فرهنگی و اجتماعی به طور همزمان باشند ولی وزن­های متفاوتی در هر یک از این حیطه­ها دارند. در تحقیق حاضر از مجموع مولفه­های سیاسی، اقتصادی، اجتماعی و فرهنگی، فناوری و ورزشی شناسایی شده، الگوی نظری (PEST+S) ارائه گردید که متغیرها 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 سیاست­گزاران و مسئولان ارشد کشور تعیین می­شود. سطح میانی یا متوسط مربوط به سیاست­گزاران و مسئولان سازمان­های ورزشی از جمله فدراسیون­ها و کمیته­­ملی المپیک و غیره بوده و سطح نزدیک یا خرد نیز در برگیرنده عواملی است که به طور مستقیم با خود ورزشکار سروکار دارد- شامل مدیریت رویداد و مسابقه توسط ورزشکار، شرایط جسمی و روحی از قبیل انگیزه ورزشکار و غیره. نکته قابل توجه این­که متغیرهای سطح کلان خارج از کنترل سازمان­ها و مدیران ورزشی و به شرایط کلان حکومتی مربوط هستند و به طور غیرمستقیم پیش­بینی کننده­ موفقیت کشورها می­باشند. از سوی­ دیگر متغیرهای سطح متوسط به سیاست­ها و راهبرد­های سازمان­های ورزشی مربوط و به طور مستقیم پیش­بینی­کننده­ موفقیت کشورها در بازی­های جام­جهانی می­باشند. برنامه ریزی راهبردی فدراسیون، استفاده از مربیان حرفه­ای روز دنیا، ساختار باشگاه­ها و تیم­ها، سیستم مسابقات لیگ (طبق استانداردهای جهانی)، سیستم مسابقات لیگ (طبق استانداردهای جهانی) 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. گفتنی است که این سه سطح همواره با هم در تعامل هستند و تفکیک آن­ها از منظر افزایش دقت بر روی پژوهش صورت پذیرفت.

در این تحقیق جهت تخمین شاخص­های 26 گانه و جایگاه کشورها در بازی­های جام جهانی فوتبال 2018 روسیه از شبکه­های پرسپترون چندلایه (MLP) با آموزش شبکه پس­انتشار خطا از نوع تابع سیگموئید استفاده شد. روش MLP جایگاه کشورها در جام­جهانی 2010 و 2014 را به جز در سه مورد، درست پیش­بینی کردند که این مسئله توانایی بالای شبکه عصبی (روش MLP) در پیش­بینی را نشان می­دهد. خود سازماندهی، دسته بندی، تحمل خطا، قابلیت تعمیم دهی و پایداری از مزیت­های شبکه عصبی محسوب می­شوند. نکته حائز اهمیت دیگر در شبکه­های عصبی، مقاوم بودن آن به نویز است؛ به این معنی که اگر داده­ها به خوبی آموزش دیده باشند، مدل مستخرج از آنها به نویز مقاوم خواهد بود و نتایج حاصل از آن قابلیت اطمینان بالایی خواهد داشت. میزان دقت روش MLP در تخمین جایگاه کشورها برای جام­جهانی 2018 روسیه و یکسان بودن تقریبی این میزان دقت (5/87 درصد) برای دوره­های 2010 و 2014 نشانه­ای از خوب آموزش دیدن داده­های تحقیق ماست که درنهایت منجر به ارائه مدلی با قابلیت اطمینان بالا شده است. جهت مقایسه مدل ارائه شده در تحقیق حاضر با روش­ها و مدل­های ارائه شده در تحقیق­های پیشین باید به تفاوت در مجموعه داده­ها، تفاوت در تکنیک­ها و روش­های استفاده شده و میزان دقتی که هر یک از مدل­ها برای پیش­بینی دارد توجه نمود. به طور مثال، عرب زاد و همکاران (2014)، فیض و سلیمانی (1389) و هوانگ و چانگ (2010) نیز برای پیش­بینی نتایج مسابقات فوتبال در سطوح مختلف از شبکه­های عصبی استفاده کرده­اند، اما آنها در تحقیق خود از شاخص­های بسیار محدودی مانند مزیت میزبانی، تعداد گل، تعداد شوت، نتایج بازی­های قبلی، تعداد پاس­های صحیح و مواردی از این قبیل برای پیش­بینی بهره برده اند؛ به طوری که بخش اعظم ابعاد و عواملی که در نتیجه کسب شده توسط تیم فوتبال موثر هستند مورد بررسی قرار نگرفته­اند و در واقع آن ابعاد مورد غفلت واقع شده­اند. همچنین در تحقیقاتی مانند تحقیق مهتا (2016)، گرنت و جانستون (2010) و فردوسی پور (1378) از روش­های غیرحرفه ای که معمولا دقت خیلی بالایی در پیش ­بینی ندارند و جزو روش­های بسیار معمولی محسوب می­شوند، استفاده شده است؛ از جمله: روش­های رگرسیونی، قانون احتمالات و شبکه­های بیزین که دقتی در حد متوسط دارند. حتی در بعضی تحقیقات از روش­هایی که مناسب پیش­بینی فوتبال نیست، استفاده شده است مانند روش رتبه­بندی ELO  که هرچند برای مقایسه سطح مهارتی بازیکنان و تیم­های ورزشی و رتبه­بندی آنها مورد استفاده قرار می­گیرد، اما در اصل این روش برای مسابقات شطرنج ابداع شده است و کارایی و دقت بالایی برای مسابقات فوتبال ندارد- از آنجا که فوتبال و شطرنج از نظر ماهیت به شدت با یکدیگر متفاوت اند،  بدیهی است که عواملی که در موفقیت در این دو رشته نقش دارند و روش سنجش آنها نیز متفاوت باشند. هینو و سیلانپا[25] (2013) و لیتنر، زایلیس و هورنیک[26] (2010) از روش رتبه­بندی ELO  برای پیش­بینی استفاده کرده­اند. تمام موارد مطرح شده درصورتی­که در فرایند انجام تحقیق لحاظ نگردند، موجب می­شوند که نتایج تحقیق قابلیت تعمیم نداشته باشند. محققان این تحقیق با علم به تمامی موارد یاد شده و برای افزایش قابلیت تعمیم نتایج تحقیق حاضر، تمام عوامل دخیل در نتایجی که یک تیم فوتبال کسب می­کند را در نظر گرفته­اند و با آزمون مجموعه­ای نسبتا گسترده از روش­های پیش­بینی (ده الگوریتم از خانواده­های مختلف) بهترین آنها را برگزیده­اند. بنابراین به جرأت می­توان ادعا کرد این تحقیق، چه از لحاظ عوامل و شاخص­هایی که برای پیش­بینی از آنها استفاده کرده و چه از لحاظ روش­ها والگوریتم­هایی که به کار گرفته، تحقیقی کاملا جامع است و تمام نواقص و خلأهای تحقیقات گذشته را مرتفع ساخته است. در نهایت با استناد به نتایج شبکه­های عصبی (روش MLP) تیم­های جمهوری اسلامی ایران، ژاپن و کره­جنوبی با کسب جایگاه 1 از قاره آسیا به بازی­های جام­جهانی راه خواهند یافت. همچنین تیم­های بلژیک و پرتغال طبق جایگاه پیش­بینی شده 4 تا مرحله نیمه­نهایی صعود خواهند کرد.

با مقایسه شاخص­های 26 گانه کشورهای منتخب در سال 2018، شاهد روند صعودی یا نزولی در هریک از شاخص­ها می­باشیم که براساس تحقیقات دی­بوسچر و همکارانش (2006) که معتقد به اثرگذاری فوق العاده متغیرهای سطح کلان در موفقیت­های بین­المللی ورزش بود، بهبود وضعیت این شاخص­ها می­تواند جایگاه کشورها را در جام­جهانی تحت تاثیر قرار دهد. 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. اندیشمندان علوم مختلف وقت و تلاش زیادی را صرف یافتن پاسخی به این پرسش کرده­اند که چه عواملی سبب موفقیت یک کشور در رویدادهای ورزشی بین­المللی از جمله جام­جهانی می­شوند. 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 موفقیت کشورها در جام­جهانی، برای مدیران و برنامه­ریزان این امکان را فراهم آورده تا برای توسعه ورزش و کسب کرسی­های بین­المللی با توجه به امکانات و منابع بالقوه کشور و مقایسه با کشورهای دیگر، سیاست­های مناسبی اتخاذ گردد. همچنین با توجه به رتبه پیش­بینی شده در جام­جهانی 2018 روسیه، به ورزشکاران این فرصت را می­دهد تا از طریق مقایسه خود با ورزشکاران کشورهای دیگر جایگاه خود را شناسایی کنند و برنامه­­های تمرینی لازم را بر اساس الگوهای استاندارد طراحی نمایند. همچنین نتایج این تحقیق شرایطی را فراهم می­کند تا انتظارات و توقعات تماشاگران، اصحاب­رسانه و مطبوعات، منتقدان، کارشناسان یا تجزیه و تحلیل­گران ورزشی و غیره واقع­بینانه و عقلانی باشد و با توجه به پتانسیل موجود و همچنین آگاهی از توان کشورهای رقیب از انتظارات احساسی دست بردارند و از فشار و استرس بیش از حد و مخرب بر کاروان ورزشی اعزامی بکاهند.

گفتنی است تمامی مراحل این تحقیق، پیش از مشخص شدن وضعیت حضور تیم­های کشورها در جام­جهانی 2018 روسیه بوده است و تمام نتایج آنچنان که از عنوان تحقیق برمی­آید حاصل پیش­بینی است. بنابراین بدیهی است که دارای خطا باشد. هرچند این خطاها به هیچ عنوان از ارزش کار نکاسته و برعکس، نشاندهنده اصالت تحقیق و رعایت اخلاق در تحقیق و عدم دستکاری داده ها و داده سازی توسط محققان است.

  • منابع

    • الوانی، سید مهدی. (1388). مدیریت عمومی. ویراست سوم، تهران: نشر نی
    • رضائیان، علی. (1388). مبانی سازمان و مدیریت. چاپ سیزدهم، تهران: انتشارات سمت
    • زارعیان، حسین؛ الهی، علیرضا؛ سجادی، نصرالهو قاضی زاهدی، امین. (1395). «پیش بینی موفقیت کشورهای شرکت کننده در بازی های المپیک 2016 ریودوژانیرو با استفاده از روش هوشمند شبکه های پرسپترون چندلایه(MLP)». فصلنامه مطالعات راهبردی ورزش و جوانان. 14(30)،صص 37-54.
    • زارعیان، حسین. (1393). «پیش بینی موفقیت کشورهای شرکت کننده در بازی های المپیک با استفاده از روش های هوشمند». رساله دکتری، دانشگاه خوارزمی.
    • سید جوادین، سید رضا. (1384). مبانی سازمان و مدیریت. چاپ دوم، تهران: انتشارات نگاه دانش
    • شیرعلیزاده، زهرا. (1394). «بررسی عوامل اجتماعی- اقتصادی موثر بر عملکرد تیم های شرکت کننده در جام جهانی فوتبال 2014 برزیل». پایان‌نامه کارشناسی ارشد، دانشکده تربیت بدنی علوم ورزشی ، دانشگاه تبریز.
    • فردوسی پور، عادل. (1378). «مدلسازی آماری پیش بینی نتایج فوتبال». پایان نامه کارشناسی ارشد، دانشگاه صنعتی شریف.
    • فیض مرزوقی، ادریس و سلیمانی، وحید. (1389). «پیش بینی فوتبال مبتنی بر داده های آماری جزئی با استفاده از شبکه عصبی مصنوعی». اولین کنفرانس دانشجویی فناوری اطلاعات ایران.صص 15-22.
    • محمدی، علی. (1389). «ارائه مدل ریاضی برای رتبه بندی کشورهای شرکت کننده در بازی های آسیایی2006 قطر». فصلنامه المپیک، سال هجدهم، شماره 3 (پیاپی 51)، صص 7-19.
    • میرزائی، فهیمه؛ جلالی فراهانی، مجید؛ باقری، قدرت الله و شهبازی، میثم. (1395). «شناسایی عوامل پیش بینی کننده موفقیت کشورها در جام جهانی فوتبال». نشریه مدیریت ورزشی. چاپ در شماره های بعدی.
    • ناظمی اشنی، امیر و قدیری، روح الله. (1385). آینده نگاری از مفهوم تا اجرا. مرکز صنایع نوین، تهران: فراندیش. ص 52.
    • Arabzad, M, Tayebi Araghi1, M.E, Sadi-Nezhad, S, Ghofrani, N. (2014). “Football Match Results Prediction Using Artificial Neural Networks; The Case of Iran Pro League”. International Journal of Applied Research on Industrial Engineering, 1(3):159–179.
    • Basham, P. (2013). “The economic path to world cup success”. The Democracy Institute and a Cato Institute adjunct scholar: 1-3.
    • 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.
    • Fetter, S. (2011). “Socioeconomic determinants of win maximization at the FIFA world cup”. The Faculty of the Department of Economics and Business, the Colorado College. 8-13.
    • Grant, A., Johnston, D. (2010). “Finding profitable forecast combinations using probability scoring rules”. International Journal of Forecasting, 26:498–510.
    • Heino,O, Sillanpää, (2013). “Forecasting football matches results - A study on modeling principles and efficiency of fixed-odds betting markets in football”. Master's thesis, Aalto University School of Business. 104-112. http://www.pwc.com/sports-mega-events/The PwC World Cup Index: what can the dismal science tell us about the beautiful game?”.(2014).
    • Huang, K.Y., Chang, W.L. (2010). “A neural network method for prediction of 2006 world cup football game”. In: Neural Networks (IJCNN), IEEE: 1–8.
    • Langseth, H. (2013). “Beating the bookie: A look at statistical models for prediction of football matches”. Department of Computer and Information Science, Norwegian University of Science and Technology, Trondheim, Norway. 17-19.
    • Leitner, CH, Zeileis, A, Hornik. K. (2010). “Forecasting sports tournaments by ratings of (prob) abilities: A comparison for the EURO 2008”. International Journal of Forecasting, 26:471– 481.
    • Luiz,J, Fadal, R. (2010). “An Economic Analysis of Sports Performance in Africa”. University of Witwatersrand, Wits Business School. 24-30.
    • Mehta, A. (2016). “Predicting Results using Logistic Regression & Decision Tree”. A Project Report Submitted in Partial Fulfillment of the Requirements for the Degree of Master of Science in Computer Science, Department of Computer Science, B. Thomas Golisano College of Computing and Information Sciences Rochester Institute of Technology, Rochester, New York; 1-22.
    • Sotiriadou, K., and Shilbury, D. (2009). “Australian elite athlete development: An organizational perspective”. Sport management Review, 13:1- 12.
    • Weissbock, J, Viktor, H, Inkpen, D. (2014). “Use of Performance Metrics to Forecast Success in the National Hockey League”. University of Ottawa, Ottawa, Canada. 87-93.