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.
)