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
عنوان مقاله [English]
Games in Rio de Janeiro Using Intelligent Method of Multilayer Perception Networks (MLP)
نویسندگان [English]
- Hossain Zareian 1
- Alireza Elahi 2
- Sajadi Seyyed Nasrollah 3
- Amin Ghazi Zahedi 4
1 Ph.D., Assistant Professor, Sport Science Research Institute
2 Ph.D., Assistant Professor, University of Kharazmi
3 Ph.D., Associated Professor, University of Tehran
4 Master degree, Amirkabir University of Technology (Tehran Polytechnic
چکیده [English]
The aim of the study was prediction of countries’ success that participating in the 2016 Olympic Games in Rio de Janeiro with intelligent method of MLP. This study was conducted on two qualitative (setting indices) and quantitative (collecting data from selected countries) steps. In the first phase, non-randomly and purposeful procedure, semi-structured qualitative and depth interviews was conducted with 28 elites that were aware of the issue of study up to theoretical saturation. After identification of indexes, Information of selected indicators (22 Indexes political, economic, social, cultural, technological and sporting as Theoretical Model (PEST+S)) was collected for 42 selected countries, in 40-years period, since 1976 Montreal Olympics to 2012 London. On the next step, from test of the conceptual model of multilayer perceptron networks (MLP) were used in comparison the actual values of Iran’s 22 indexes with predicted values in 2012. The results showed, in comparison the actual values with predicted values in 2012, the MLP has small errors in predicting of indices. Also, comparison of actual rank and predicted rank of 42 selected countries in 2012, MLP method had less Mean absolute error rate (0.4629). In final step, indices were estimated and rank of selected countries was predicted in Rio de Janeiro (2016). According to research results, Countries United States of America, China and the Great Britain will be in the first to third places, in 2016 Olympic Games. Also, Islamic Republic of Iran will be in 21st place among participating teams. Generally, using of Neural Networks Model, Iranian sport Policymaker’s can use identified indices to planning for successful participation in the Olympic Games.
کلیدواژهها [English]
- Key words: Prediction
- Olympic Games and Multilayer Perceptron Networks
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.
)