پژوهشگاه تربیت بدنی و علوم ورزشی

 آمار

تعداد نشریات9
تعداد شماره‌ها321
تعداد مقالات3,960
تعداد مشاهده مقاله7,996,114
تعداد دریافت فایل اصل مقاله2,952,633
طیبی, محسن, سلطان حسینی, محمد, سلیمی, مهدی, لنجان نژادیان, شهرام. (1401). مقایسۀ روش های رگرسیون خطی و شبکۀ عصبی مصنوعی در تخمین قیمت بازیکنان حرفه ای فوتبال ایران. , 14(شماره 71), 117-154. doi: 10.22089/smrj.2020.8238.2824
محسن طیبی; محمد سلطان حسینی; مهدی سلیمی; شهرام لنجان نژادیان. "مقایسۀ روش های رگرسیون خطی و شبکۀ عصبی مصنوعی در تخمین قیمت بازیکنان حرفه ای فوتبال ایران". , 14, شماره 71, 1401, 117-154. doi: 10.22089/smrj.2020.8238.2824
طیبی, محسن, سلطان حسینی, محمد, سلیمی, مهدی, لنجان نژادیان, شهرام. (1401). 'مقایسۀ روش های رگرسیون خطی و شبکۀ عصبی مصنوعی در تخمین قیمت بازیکنان حرفه ای فوتبال ایران', , 14(شماره 71), pp. 117-154. doi: 10.22089/smrj.2020.8238.2824
طیبی, محسن, سلطان حسینی, محمد, سلیمی, مهدی, لنجان نژادیان, شهرام. مقایسۀ روش های رگرسیون خطی و شبکۀ عصبی مصنوعی در تخمین قیمت بازیکنان حرفه ای فوتبال ایران. , 1401; 14(شماره 71): 117-154. doi: 10.22089/smrj.2020.8238.2824

مقایسۀ روش های رگرسیون خطی و شبکۀ عصبی مصنوعی در تخمین قیمت بازیکنان حرفه ای فوتبال ایران

مطالعات مدیریت ورزشی
مقاله 4، دوره 14، شماره 71، فروردین و اردیبهشت 1401، صفحه 117-154    اصل مقاله (1.2 M)
نوع مقاله: مقاله پژوهشی
شناسه دیجیتال (DOI): 10.22089/smrj.2020.8238.2824
نویسندگان
محسن طیبی1؛ محمد سلطان حسینی* 2؛ مهدی سلیمی3؛ شهرام لنجان نژادیان4
1دانشجوی دکتری مدیریت ورزشی، دانشکده علوم ورزشی، دانشگاه اصفهان، اصفهان، ایران
2دانشیار مدیریت ورزشی، دانشکده علوم ورزشی، دانشگاه اصفهان، اصفهان، ایران
3استادیار مدیریت ورزشی، دانشکده علوم ورزشی، دانشگاه اصفهان، اصفهان، ایران
4استادیار بیومکانیک ورزشی، دانشکده علوم ورزشی، دانشگاه اصفهان، اصفهان، ایران
چکیده
هدف از انجام‌شدن این پژوهش، علاوه‌بر تخمین قیمت بازیکنان لیگ حرفه ­ای فوتبال ایران، مقایسه روش­ های رگرسیون و شبکه ­های عصبی در پیش ­بینی آن بود. روش انجام‌شدن پژوهش با استفاده از طرح­ های آمیخته اکتشافی بود که تلفیقی از روش­ های کیفی و کمی است. جامعه­ آماری پژوهش در بخش کیفی، مدیران، مربیان باشگاه­ ها و کارشناسان خبره و آشنا با حوزه خرید و فروش بازیکنان بودند که 14 نفر تا رسیدن به نقطه اشباع به ­روش گلوله‌برفی انتخاب شدند. در بخش کمی نیز جامعه آماری، همۀ فوتبالیست­ های لیگ حرفه ­ای فوتبال خلیج فارس در سال­های 2019-2018 بودند که 226 نفر از آن‌ها با استفاده از فرمول کوکران به‌عنوان نمونه با روش تصادفی طبقه ­ای انتخاب شدند. ابزار پژوهش در روش کیفی، مصاحبه عمیق بود که پایایی آن از طریق روش بازآزمون 81/0 محاسبه شد. داده­ های مورد نیاز برای تجزیه و تحلیل روش ­های کمی نیز از سایت­ های معتبر و سازمان لیگ فوتبال ایران جمع ­آوری شدند. از ضریب همبستگی پیرسون، رگرسیون خطی و شبکه­ های عصبی شعاعی نیز با بهره­ گیری از نرم­ افزارهای اس‌پی‌اس‌اس نسخة 21 و آر نسخه­ 3.6.2 برای پیش­ بینی و طراحی مدل استفاده شد. یافته­ های پژوهش در بخش کیفی حاکی از این بود که عملکرد بازیکن، ویژگی­ های شخصی، توانایی­ های آن‌ها، ویژگی­ های باشگاه و عوامل ایجادکننده حباب، در تعیین قیمت بازیکنان فوتبال تأثیر دارند. همچنین نتایج پژوهش نشان داد که با وجود مزایای روش ­های رگرسیون در پیش­ بینی مسائل، به‌علت چندوجهی و پیچیده‌بودن قیمت ­گذاری بازیکنان فوتبال، مدل­ های شبکه­ مصنوعی متغیرهای بیشتری را پوشش می‌دهد و کاراتر و دقیق­تر خواهند بود.
کلیدواژه‌ها
قیمت گذاری فوتبالیست ها؛ لیگ خلیج فارس؛ شبکه های عصبی
مراجع
  1. Amir, E., & Livne, G. (2005). Accounting, valuation and duration of football player contracts. Journal of Business Finance & Accounting, 32(3&4), 549-586.
  2. Amirtash, A. R., & Mozafari, A. A. (2014). Conditions and necessity of entering premier league’s professional football clubs into the stock market. Journal of Sport Management, 6(4), 399-419. (in Persian).
  3. Brandes, L., & Franck, E. (2012). Social preferences or personal career concerns? Field evidence on positive and negative reciprocity in the workplace. Journal of Economic Psychology, 33(5), 925–939.
  4. Brandes, L., Franck, E., & Nüesch, S. (2008). Local heroes and superstars: An empiri- cal analysis of star attraction in German soccer. Journal of Sports Economics, 9(3), 266–286.
  5. Bryson, A., Frick, B., & Simmons, R. (2012). The returns to scarce talent: footedness and player remuneration in European soccer. Journal of Sports Economics, 14(6), 606–628.
  6. Dey, P. K., Banerjee, A., Ghosh, D., N., & Mondal, A. Ch. (2014). AHP-neural network-based player price estimation in IPL. International Journal of Hybrid Information Technology, 7(3), 15-24.
  7. Evans, J. S. B. T. (2006). The heuristic-analytic theory of reasoning: extension and evaluation. Psychonomic Bulletin & Review, 13(3), 378–395.
  8. Franck, E., & Nüesch, S. (2011). The effect of wage dispersion on team outcome and the way team outcome is produced. Applied Economics, 43(23), 3037–3049.
  9. Frick, B. (2007). The football players’ labor market: empirical evidence from the major European leagues. Scottish Journal of Political Economy, 54(3), 422–446.
  10. Frick, B. (2011). Performance, salaries, and contract length: Empirical evidence from German soccer. International Journal of Sport Finance, 6(2), 87–118.
  11. Fry, T. R. L., Galanos, G., & Posso, A. (2014). Let’s get Messi? Top-scorer productivity in the European Champions League. Scottish Journal of Political Economy, 61(3), 261–279.
  12. Garcia-del-Barrio, P., & Pujol, F. (2007). Hidden monopsony rents in winner-take-all markets–Sport and economic contribution of Spanish soccer players. Managerial and Decision Economics, 28(1), 57–70.
  13. He, M., Cachucho, R., & Knobbe, A. (2015). Football player’s performance and mar- ket value. Proceedings of the 2nd workshop of sports analytics, European Con- ference on Machine Learning and Principles and Practice of Knowledge Discov- ery in Databases (ECML PKDD). Available at: https://dtai.cs. kuleuven.be/events/MLSA15/papers/mlsa15_ submission _ 8.pdf (Accessed 4 March 2017).
  14. Herm, S., Callsen-Bracker, H. M., & Kreis, H. (2014). When the crowd evaluates soc- cer players’ market values: Accuracy and evaluation attributes of an online com- munity. Sport Management Review, 17(4), 484–492.
  15. Izadyar, M., Memari, Zh. & Mousavi, M. H. (2016). Pricing equation for Iranian Premier League football players. Journal of Economic Research, 51(1), 25-40. (in Persian).
  16. Kaplan, T. (2010). When it comes to stats, soccer seldom counts. The New York Times. Available at: https:// mobile.nytimes.com/ 2010/ 07/ 09/ sports/ soccer/ 09soccerstats.html. (Accessed 4 March 2017).
  17. Keefer, Q. A. W. (2017). The sunk-cost fallacy in the national football league. Journal of Sports Economics, 18(3), 282–297.
  18. Kiefer, S. (2014). The impact of the Euro 2012 on popularity and market value of football players. International Journal of Sport Finance, 9(2), 95–110.
  19. Lantz, B. (2013). Machine Learning with R: Learn how to use R to apply powerful machine learning methods and gain an insight into real-world applications. Birmingham, Mambai: PACKT Publishing.
  20. Lapedes, A., & Farber, R. (1987). Non-linear signal processing using neural networks. Technical Report no. LAUR- 2662 Los Alamos National Laboratory, Los Alamos, NM.
  21. Lee, Manig; Pitts, Brenda; Quartman, Jerome (2019). Research methods in sport management (H. Asadi, & A.A. Asefi, Ahmad Ali) (2nd). Tehran: University of Tehran Press. (in Persian).
  22. Lehmann, E. E., & Schulze, G. G. (2008). What does it take to be a star? The role of performance and the media for German soccer players. Applied Economics Quarterly, 54(1), 59–70.
  23. Medcalfe, S. (2008). English league transfer prices: Is there a racial dimension? A re-examination with new data. Applied Economics Letters, 15(11), 865–867.
  24. Müller, O., Simons, A., & Weinmann, M. (2017). Beyond crowd judgments: Data-driven estimation of market value in association football. European Journal of Operational Research, 263, 611-624.
  25. Murphy, K. P (2012). Machine learning: A probabilistic perspective. City of Bits: MIT Press.
  26. Polti, R. (2005). The football players’ trade as a global commodity chain. Transactional networks from Africa to Europe, The Workshop on Social Networks of Traders and Managers in Africa, Bayeruth.
  27. Razavi, S., & tolson, B. A. (2011). A new formulation for feed forward neural networks. Neural Netw IEEE Trans, 22(10), 1588-1598.
  28. Roşca, V. (2010). Sustainable development of a city by using a Football Club. Theoretical and Empirical Researches in Urban Management, 7(16), 61-68.
  29. Rosca, V. (2012). The financial contribution of international footballer trading to the Romanian Football League and to the national economy. Theoretical and Applied Economics, 4(569), 145-166.
  30. Ruijg, J., & van Ophem, H. (2014). Determinants of football transfers. Discussion Paper 2014/01, Department of Economics & Econometrics, Amsterdam School of Economics. Available at: http: //ase.uva.nl/binaries/content/assets/subsites/Amsterdam- school- of- economics/ research/uva- econometrics/dp- 2014/1401.pdf (Accessed 14 March 2017).
  31. Salimi, M., & Tayebi, M. (2018). Management information systems in sport organizations. Isfahan, Iran: SID Publishing. (in Persian).
  32. M., & Tayebi, M. (2022). Developing a model for the success of information systems in sports organizations. International Journal of Business Information Systems, 39(1), 76-95.
  33. Satchian, V., Alizadeh, A., Dehghan, A., & Elahi, A. R. (2011). Prioritize and identification effective factors on the fans case study: Tehran Derby. Research in Sports Science, 8(10), 131-46. (in Persian).
  34. Schmeh, K. (2005). Titel, tore, transaktionen: Ein Blick hinter die Kulissen des fußball- business. Redline Wirtschaft: Heidelberg.
  35. Soltan Hoseini, M., Razavi, S. M. J., & Salimi, M. (2017). Identifying and prioritizing barriers to the privatization of soccer industry in Iran Using multi-criteria analysis and Copeland's approach. Sport Management Study, 9(41), 16-36. (in Persian).
  36. Soltan Hosseini, M., Zebardast, M. A., Nasr Esfahani, D., Amoo Zadeh, Z., & Haji Zadeh. S. (2017). Principles of sports marketing. Esfahan: Sana Gostar Publishing. (in Persian).
  37. Tunaru, R. S., & Viney, H. P. (2010). Valuations of soccer players from statistical performance data. Journal of Quantitative Analysis in Sports, 6(2), 1-21.
  38. Tunaru, R., Clark, E., & Viney, H. (2005). An option pricing framework for valuation of football players. Review of Financial Economics, 14, 281-295.
  39. Yaldo, L., & Shamir, L. (2017). Computational estimation of football player wages. International Journal of Computer Science in Sport, 16(1), 18-38.
  40. Zareian, H., Elahi, A., Sajadi, S. N., & Ghazi Zahedi, A. (2015). Games in Rio de Janeiro using intelligent method of multilayer perception networks (MLP). Strategic Studies on Youth and Sport. 14(30), 37-54. (in Persian).
آمار
تعداد مشاهده مقاله: 1,139
تعداد دریافت فایل اصل مقاله: 304


سامانه مدیریت نشریات علمی. طراحی و پیاده سازی از سیناوب