پیوندهای مفید
اخبار و اعلانات
آمار
| تعداد نشریات | 161 |
| تعداد شماره‌ها | 6,532 |
| تعداد مقالات | 70,501 |
| تعداد مشاهده مقاله | 124,099,050 |
| تعداد دریافت فایل اصل مقاله | 97,206,640 |
قیمت‌گذاری بازیکنان فوتبال با تکنیک داده‌کاوی مورد مطالعه: بازیکنان باشگاه استقلال | ||
| نشریه مدیریت ورزشی | ||
| دوره 12، شماره 3، آذر 1399، صفحه 735-757 اصل مقاله (475.27 K) | ||
| نوع مقاله: مقاله پژوهشی | ||
| شناسه دیجیتال (DOI): 10.22059/jsm.2019.262922.2128 | ||
| نویسندگان | ||
| ژاله معماری* 1؛ هدی خوش بیان2؛ علیرضا صفایی3 | ||
| 1دانشیار دانشگاه الزهرا، تهران، ایران | ||
| 2کارشناسی ارشد مدیریت ورزشی دانشگاه الزهرا(س)، تهران ، ایران | ||
| 3دکتری مهندسی صنایع دانشگاه صنعتی امیرکبیر، تهران ، ایران | ||
| چکیده | ||
| بازیکنان از جمله مهم‌ترین و باارزش‌ترین دارایی‌ها و سرمایه‌های باشگاه‌های ورزشی محسوب می‌شوند که مبلغ قرارداد ایشان منابع زیادی از باشگاه‌ها را از آن خود کرده است. در مطالعۀ حاضر، با هدف بررسی نقش عوامل مرتبط با ارزش‌گذاری بازیکن، به پیش‌بینی مبلغ قرارداد آنان پرداخته شد. روش تحقیق حاضر کاربردی- پیمایشی و از نوع کمی و نمونه‌های تحقیق به‌صورت کل‌شمار، شامل 41 بازیکن تیم فوتبال باشگاه استقلال بود. داده‌های تحقیق بر مبنای روش اسنادکاوی داده‌های عملکرد بازیکنان، در دو فصل بود. در به‌کارگیری روش داده‌کاوی، از الگوریتم‌های شبکة عصبی، درخت تصمیم و الگوریتم خوشه‌بندی کای میانگین برای دسته‌بندی، تحلیل داده‌ها و پیش‌بینی قیمت، استفاده شد. همچنین از طریق پیش‌بینی مجدد قیمت با داده‌های خام اولیه و با استفاده از الگوریتم‌های ساخته‌شده در مدل‌های مختلف و بهره‌گیری از نمودار و تحلیل عددی، مقدار پیش‌بینی با مقدار واقعی در نرم‌افزار کلمنتاین، مدل به‌دست‌آمده تست شد. براساس یافته‌ها، در الگوریتم شبکة عصبی متغیر شیرجه بالاترین ضریب تأثیر و متغیر کل زمان بازی‌شده در طول یک فصل کمترین ضریب تأثیر را در قیمت‌گذاری بازیکن داشت. در الگوریتم درخت تصمیم بیشترین عامل تأثیرگذار بر قیمت بازیکن، سن و کمترین عامل، پست بازیکن بود. همچنین اولین عامل تأثیرگذار بر قیمت قدرت بدنی بود. تفاوت مقادیر پیش‌بینی‌شده در روش‌های الگوریتمی با داده‌های واقعی احتمالاً ناشی از عدم استفاده از رویکرد علمی در ارزش‌گذاری قراردادهای بازیکنان است. در پیش‌بینی قیمت بازیکنان، با فرض بودجة ثابت باشگاه، الگوریتم درخت تصمیم و با فرض بودجۀ متغیر، شبکۀ عصبی پیشنهاد می‌شود. | ||
| کلیدواژه‌ها | ||
| الگوریتم درخت تصمیم؛ پیش‌بینی قیمت؛ داده‌کاوی؛ دستمزد بازیکنان؛ شبکة عصبی | ||
| عنوان مقاله [English] | ||
| The Valuation of Football Players with Data Mining Technique (Case Study: Esteghlal Club) | ||
| نویسندگان [English] | ||
| zhaleh Memari1؛ Khoshbayan Hoda2؛ Alireza Safaie3 | ||
| 1Associate Professor, Alzahra University, Tehran, IRAN | ||
| 2MSc. Of Sport Management, Alzahra University, Tehran, IRAN | ||
| 3Ph.D. of Industrial Engineering, Amirkabir University of Technology, Tehran, Iran | ||
| چکیده [English] | ||
| Players are the most important and valuable assets of sports clubs; their contracts cover most of the clubs' budgets. The present study aimed to investigate the role of those factors related to players’ valuation and predict the amount of their contract. The research method was applied-survey and quantitative; the research sample were selected by census sampling method including 41 players of the Esteghlal Club football team. The data from the research were based on the text mining method of the players' performance data for two seasons. When applying data mining method, neural network algorithms, decision tree and average chi-square clustering algorithm were used for data categorization, data analysis and price prediction. Also, the obtained model was tested by predicting the price again with the data using algorithms made in different models and applying graphs and numerical analysis and the predicted value with the actual value in the Clementine software. According to the results, dive had the highest impact factor and total time played during a season had the lowest impact factor for players’ valuation in the neural network algorithm. Age was the factor with the highest effect on players’ price, and players’ position was had the lowest effect in the decision tree algorithm. Physical activity was also the first factor affecting the price. The difference between predicted values in algorithmic methods and the actual data is probably due to the lack of a scientific approach to determine the value of players' contracts. Decision tree algorithm is recommended when predicting players' prices with the club fixed budget and the neural network is the most appropriate method when the budget is varied. | ||
| کلیدواژه‌ها [English] | ||
| Data mining, decision tree algorithm, neural network, players’ wages, price prediction | ||
| مراجع | ||
|
1. Silveira M, Cardoso M, Quevedo-Silva F. Factors influencing attendance at stadiums and arenas. Mark Intell Plan. 2018 Sep 24; 2. Football Benchmark - European Leagues Fan Attendance Report 2018 [Internet]. [cited 2019 Jul 25]. Available from: https://www.footballbenchmark.com/library/european_ leagues_fan_attendance_report_2018 3. Naghshbandi S, Yousefi B, Etemad Z, Moradi M. The comparison of competitive balance in Football Premier Leagues of England, Germany, Spain, France, Italy and Iran: A case study from 2009-2010 Season. J Hum Sport Exerc. 2011;6(4):673–81. 4. Khodamoradi S, Naderian M, Bagheri M, Ghorbani M. Evaluation and selection of football players in the Premier League based on financial and sports indicators. Q J Account Financ Manag. 2011 Oct 23;8(2):50–65. 5. Soltani A, Bagheri M, Ghorbani M. Investigating and applying the VAHC model to calculate the value added of soccer players. J Account Financ Manag. 2010 Jun 22;4(1):191–210. 6. Liu J, Zhai X, Chen L. Optimal Pricing Strategy under Trade-in Program in the Presence of Strategic Consumers. Omega. 2018 Mar 27; 7. Stotlar DK. Developing Successful Sport Marketing Plans. 3 edition. Morgantown, WV: Fitness Info Tech; 2009. 128 p. 8. Tunaru R, Clark E, Viney H. An option pricing framework for valuation of football players. Rev Financ Econ. 2005 Dec 31;14:281–95. 9. Lenten L, Geerling W, Konya L. A Hedonic Model of Player Wage Determination from the Indian Premier League Auction: Further Evidence. Sport Manag Rev. 2012 Feb 1;15. 10. Rastogi S, Deodhar S. Player Pricing and Valuation of Cricketing Attributes: Exploring the IPL Twenty-Twenty Vision. Vikalpa. 2009 Feb 1;34. 11. Kanyinda A, Bouteiller C, Karyotis C. Human capital: assessing the financial value of football players on the basis of real options theory. Invest Manag Financ Innov [Internet]. 2017 Mar 26 [cited 2019 Jul 23];9(4). Available from: https://businessperspectives.org/ component/zoo/human-capital-assessing-the-financial-value-of-football-players-on-the-basis-of-real-options-theory 12. ROŞCA V. The Financial Contribution of International Footballer Trading to the Romanian Football League and to the National Economy. Theor Appl Econ. 2012 Apr 1;4(569). 13. Martins D de S. Hedonic Pricing in Professional Football: Is players’ transfer value explained by sporting performance? In 2015. 14. Izadyar M, Memari Z, Mousavi M-H. Pricing Equation for Iranian Premier League Football Players. J Econ Res. 2016 Mar 20;51(1):25–40. | ||
|
آمار تعداد مشاهده مقاله: 915 تعداد دریافت فایل اصل مقاله: 586 |
||