پیوندهای مفید
آمار
| تعداد نشریات | 32 |
| تعداد شماره‌ها | 604 |
| تعداد مقالات | 5,888 |
| تعداد مشاهده مقاله | 8,905,153 |
| تعداد دریافت فایل اصل مقاله | 6,527,403 |
پیش‌بینی ارزش بازار بازیکنان لیگ برتر فوتبال ایران با استفاده از یادگیری ماشین | ||
| پژوهشنامه مدیریت ورزشی و رفتار حرکتی | ||
| مقالات آماده انتشار، پذیرفته شده، انتشار آنلاین از تاریخ 18 آبان 1405 | ||
| نوع مقاله: مقاله پژوهشی | ||
| شناسه دیجیتال (DOI): 10.22080/jsmb.2026.29330.3962 | ||
| نویسندگان | ||
| محسن اسماعیلی ثانی1؛ سعید تابش* 2؛ مصطفی بستام3 | ||
| 1دانشجوی دکتری مدیریت ورزشی، گروه مدیریت ورزشی، دانشکده علوم ورزشی، دانشگاه مازندران، بابلسر، ایران | ||
| 2دانشیار، گروه مدیریت ورزشی، دانشکده علوم ورزشی، دانشگاه مازندران، بابلسر، ایران | ||
| 3استادیار، گروه مهندسی کامپیوتر، دانشکده مهندسی و فناوری، دانشگاه مازندران، بابلسر، ایران | ||
| تاریخ دریافت: 07 خرداد 1404، تاریخ بازنگری: 28 مرداد 1404، تاریخ پذیرش: 09 مهر 1404 | ||
| چکیده | ||
| چکیده مقدمه و هدف: فوتبال، صنعتی پویا و چندوجهی با تأثیرات گسترده اقتصادی، اجتماعی و فرهنگی، نیازمند ابزارهای تحلیلی پیشرفته برای ارزش‌گذاری دقیق بازیکنان به‌عنوان دارایی‌های محوری است. این پژوهش با هدف رفع کاستی‌های روش‌های سنتی و مقابله با چالش‌های بازار نقل‌وانتقالات ایران، نظیر دلالی، ناپایداری اقتصادی و فقدان معیارهای استاندارد، مدلی نوآورانه مبتنی بر یادگیری ماشین ارائه می‌دهد. این مدل با هوشمندسازی تصمیم‌گیری‌های راهبردی، کاهش هزینه‌های غیرواقعی و تقویت رقابت‌پذیری، شفافیت و کارایی فرآیندهای نقل‌وانتقالات در لیگ برتر ایران را ارتقا می‌بخشد. روش‌شناسی: مجموعه‌داده‌ای شامل 20,601 مشاهده از 346 بازیکن در 19 تیم طی سه فصل (1400/1401 تا 1402/1403) از ترنسفرمارکت و اف‌بی‌رف گردآوری شد. با بهره‌گیری از پایتون، داده‌ها آماده‌سازی و پنج متغیر کلیدی (سن، دقایق بازی‌شده، تعداد گل‌ها، تعداد بازی‌ها و امتیازات انضباطی) انتخاب شدند. مدل‌های جنگل تصادفی، ایکس‌جی‌بوست و رگرسور استکینگ با اعتبارسنجی متقاطع 5 دسته‌ای ارزیابی شدند. معیارهای عملکرد شامل ضریب تعیین (R²)، میانگین مربعات خطا (MSE) و نسبت واریانس توضیح‌شده (EVR) بودند. یافته‌ها: مدل ایکس‌جی‌بوست با Test R²=0.964 در ارزیابی ویژگی‌های منتخب، Test R²=0.944 در اعتبارسنجی متقاطع و میانگین Test R²=0.95، عملکردی برجسته ارائه داد و به‌عنوان مدل بهینه شناسایی شد. رگرسور استکینگ و جنگل تصادفی با Test R²=0.94 در رتبه‌های بعدی قرار گرفتند، در حالی که مدل‌های خطی (الاستیک‌نت و رگرسیون خطی) با Test R²<0.34 در داده‌های پیچیده ناکارآمد بودند. نتیجه‌گیری: این مدل، ابزاری تحول‌آفرین برای بهینه‌سازی نقل‌وانتقالات، کاهش ریسک و ارتقای شفافیت در فوتبال ایران فراهم کرده است. تمرکز بر متغیرهای اصلی، حذف نویز و تعمیم‌پذیری بالا، آن را به الگویی قابل‌اقتباس برای لیگ‌های در حال توسعه تبدیل کرده است. این رویکرد با شناسایی استعدادهای جوان و مدیریت رفتارهای انضباطی، هزینه‌های پنهان را کاهش داده و رقابت‌پذیری را تقویت می‌کند. پیشنهاد می‌شود تحقیقات آینده متغیرهای پیشرفته عملکردی، عوامل اقتصادی-اجتماعی، روان‌شناختی و رسانه‌ای را کاوش کنند تا مدیریت مدرن فوتبال جهانی ارتقا یابد. | ||
| کلیدواژه‌ها | ||
| کلیدواژه‌ها: ارزش‌گذاری بازیکنان؛ ایکس‌جی‌بوست؛ جنگل تصادفی؛ رگرسور استکینگ؛ لیگ برتر ایران؛ نقل‌وانتقالات؛ یادگیری ماشین | ||
| عنوان مقاله [English] | ||
| Predicting the Market Value of Iranian Premier League Football Players Using Machine Learning | ||
| نویسندگان [English] | ||
| Mohsen Esmaeili Sani1؛ saeid Tabesh2؛ Mostafa Bastam3 | ||
| 1Ph.D. Student of Sport Management, Department of Sports Management, Faculty of Sports Sciences, University of Mazandaran, Babolsar, Iran | ||
| 2Associate Professor, Department of Sports Management, Faculty of Sports Sciences, University of Mazandaran, Babolsar, Iran | ||
| 3Assistant Professor, Department of Computer Engineering, Faculty of Engineering and Technology, University of Mazandaran, Babolsar, Iran | ||
| چکیده [English] | ||
| Abstract Introduction and Objective: Football, a dynamic and multifaceted industry with extensive economic, social, and cultural impacts, requires advanced analytical tools for accurate player valuation as central assets. This study aims to address the shortcomings of traditional methods and tackle challenges in Iran’s transfer market, such as brokerage, economic instability, and lack of standardized criteria, by proposing an innovative machine learning-based model. This model enhances transparency, efficiency, and competitiveness in the transfer processes of Iran’s Premier League by intelligent strategic decision-making and reducing inflated costs. Methodology: A dataset comprising 20,601 observations from 346 players across 19 teams over three seasons (2021/22 to 2023/24) was collected from Transfermarkt and FBref. Using Python, the data was preprocessed, and five key variables (age, minutes played, goals scored, matches played, and disciplinary points) were selected. Random Forest, XGBoost, and Stacking Regressor models were evaluated using 5-fold cross-validation. Performance metrics included R², Mean Squared Error (MSE), and Explained Variance Ratio (EVR). Findings: The XGBoost model demonstrated superior performance with a Test R² of 0.964 for selected features, 0.944 in cross-validation, and an average Test R² of 0.95, making it the optimal model. The Stacking Regressor and Random Forest followed with a Test R² of 0.94, while linear models (Elastic Net and Linear Regression) were ineffective with Test R² < 0.34 for complex data. Conclusion: This model provides a transformative tool for optimizing transfers, reducing risks, and enhancing transparency in Iranian football. By focusing on key variables, eliminating noise, and ensuring high generalizability, it serves as an adaptable framework for developing leagues. This approach minimizes hidden costs and boosts competitiveness by identifying young talents and managing disciplinary behaviors. Future research is recommended to explore advanced performance metrics, socio-economic, psychological, and media-related factors to further advance modern global football management. | ||
| کلیدواژه‌ها [English] | ||
| Keywords: Player valuation, XGBoost, Random Forest, Stacking Regressor, Iran Pro League, Transfers, Machine Learning | ||
|
آمار تعداد مشاهده مقاله: 0 |
||