1دانشجوی دکتری مدیریت ورزشی، دانشکده تربیت بدنی و علوم ورزشی، دانشگاه اصفهان، اصفهان، ایران
2دانشیار مدیریت ورزشی، دانشکده تربیت بدنی و علوم ورزشی، دانشگاه اصفهان، اصفهان، ایران
3اصفهان، دانشگاه اصفهان، دانشکده تربیت بدنی و علوم ورزشی
4استادیار بیومکانیک ورزشی، دانشکده تربیت بدنی و علوم ورزشی، دانشگاه اصفهان، اصفهان، ایران
تاریخ دریافت: 26 آذر 1398،
تاریخ بازنگری: 18 بهمن 1398،
تاریخ پذیرش: 08 اسفند 1398
چکیده
هدف از انجام این تحقیق علاوه بر تخمین قیمت بازیکنان لیگ حرفه‌ای فوتبال ایران، مقایسه‌ی روش‌های رگرسیون و شبکه‌های عصبی در پیش‌بینی آن بود. روش انجام تحقیق با استفاده از طرح‌های آمیخته اکتشافی بود که تلفیقی از روش‌های کیفی و کمی می-باشد. جامعه‌ی آماری تحقیق در بخش کیفی شامل مدیران، مربیان باشگاه‌ها و کارشناسان خبره و آشنا با حوزه خرید و فروش بازیکنان بودند که 14 نفر تا رسیدن به نقطه اشباع، به‌روش گلوله برفی انتخاب شدند. در بخش کمی نیز جامعه آماری شامل کلیه‌ی فوتبالیست‌های لیگ حرفه‌ای فوتبال خلیج فارس در سال‌های 1397-1398 بود که 226 نفر از آنها با استفاده از فرمول کوکران به عنوان نمونه با روش تصادفی طبقه‌ای انتخاب شدند. ابزار تحقیق در روش کیفی شامل مصاحبه عمیق بود که پایایی آن از طریق روش بازآزمون 81/0محاسبه شد. داده‌های مورد نیاز برای تجزیه و تحلیل روش‌های کمی نیز از سایت‌های معتبر و سازمان لیگ فوتبال ایران جمع‌آوری شدند. از ضریب همبستگی پیرسون، رگرسیون خطی و شبکه‌های عصبی شعاعی نیز با بهره‌گیری از نرم-افزارهای «اس.پی.اس.اس» نسخة 21 و «آر» نسخه‌ی 3.6.2، جهت پیش‌بینی و طراحی مدل استفاده شد. یافته‌های پژوهش در بخش کیفی حاکی از این بود که عملکرد بازیکن، ویژگی‌های شخصی، توانایی‌های آنها، ویژگی‌های باشگاه و عوامل ایجاد کننده حباب، در تعیین قیمت بازیکنان فوتبال تاثیر دارند. همچنین نتایج تحقیق نشان داد که با وجود مزایای روش‌های رگرسیون در پیش-بینی مسایل، اما به علت چند وجهی و پیچیده بودن قیمت‌گذاری بازیکنان فوتبال، مدل‌های شبکه‌ی مصنوعی متغیرهای بیشتری را پوشش داده و کاراتر و دقیق‌تر خواهند بود.
Comparison of Linear Regression and Artificial Neural Network Methods for Estimating the Price of Iranian Professional Football Players
نویسندگان [English]
mohsen tayebi1؛ Mohamad Soltan Hoseini2؛ Mahdi Salimi3؛ Shahram Lenjannezhadian4
1Isfahan University
2Associate Professor in Sport Management, Faculty of Sport Sciences, University of Isfahan, Isfahan, Iran.
3Assistant Professor in Sport Management, Faculty of Sport Sciences, University of Isfahan, Isfahan, Iran
4Assistant Professor in Sport Biomechanics, Faculty of Sport Sciences, University of Isfahan, Isfahan, Iran.
چکیده [English]
The purpose of this study was to estimate the prices of Iranian professional soccer league players, as well as to compare the regression methods and neural networks in predict that. The research method was mixed exploratory designs, which is a combination of qualitative and quantitative methods. The statistical population of the research in the qualitative sector consisted of managers, coaches of clubs and experts familiar with the field of player buying and selling that fourteen people were selected by snowball method until reaching the saturation point. The statistical population in the quantitative section also included all footballers present in the Persian Gulf Football Professionals League in the years 2017-2018, which 226 of them were selected by Cochran formula and selected by stratified random sampling. The research instrument in qualitative method included in-depth interview with statistical sample whose reliability was calculated 81% through test-retest method. The data needed for quantitative analysis were also collected from reputable sites and the Iranian Football League. Pearson correlation coefficient, linear regression and radial neural networks were used to predict and design the model using SPSS software version 21 and R version 3.6.2. Qualitative research findings showed that player performance, personal characteristics, abilities, club characteristics and bubble-generating factors are effective in determining the price of football players. The results indicated that, despite the benefits of regression methods in predicting problems, because of the multifaceted and complex pricing of soccer players, artificial neural network models would cover more variables and be more efficient and accurate.
کلیدواژه‌ها [English]
Pricing football players, Persian Gulf League, neural networks
ابتدای صفحه