انتخاب بهترین مدل رتبه بندی کشورها در بازی های آسیایی بر اساس مدل های شبکه عصبی، درختی و الگوریتم K و نزدیک ترین همسایه

در این پژوهش تلاش شده است تا موفقیت کشورها در بازی های آسیایی از طریق متغیرهای کلان اقتصادی، سیاسی، فرهنگی و اجتماعی پیش بینی شود.
روش شناسی: بدین منظور، اطلاعات کلیه متغیرهای جمعیت شهری، هزینه آموزش و پرورش، ساختار سنی، تولید واقعی ناخالص داخلی، سرانه تولید ناخالص داخلی، بیکاری، جمعیت، میزان تورم، تعادل حساب جاری، امید به زندگی و تراز بازرگانی کلیه کشورهای شرکت کننده در بازی های آسیایی از سال 1970 تا 2006 برای طراحی مدل استفاده گردید و مدل برای سال 2010 آزمایش شد. پیش بینی رتبه کشورها بر اساس مجموع مدال های کسب شده کشورها انجام شد. در این تحقیق از نرم افزار WEKA که یک نرم افزار ماشین یادگیری است استفاده شد.
ضریب همبستگی بین رتبه های پیش بینی شده و واقعی بر اساس مدل درختی 18/77 درصد، بر اساس مدل شبکه های عصبی 42/90 درصد و بر اساس الگوریتم k نزدیک ترین همسایه 35/91 درصد مشاهده شد. بر اساس یافته های تحقیق الگوریتم k نزدیک ترین همسایه، بهترین مدل در میان سه مدل بود و این مدل از 28 کشوری که موفق به کسب مدال در بازی های آسیایی شدند، رتبه پیش بینی شده 23 کشور (14/82 درصد) را حداکثر با 3 اختلاف، 3 کشور (72/10 درصد) را حداکثر بین 4 تا 6 اختلاف و 2 کشور (14/7 درصد) را با بیش از 6 اختلاف به نسبت رتبه واقعی آن ها پیش بینی نمود. تحقیقات گذشته بیشتر بر تعداد محدودی متغیر متمرکز شده بود. این سوال پیش می آید که چرا تاثیر عوامل سطح کلان بر موفقیت ورزشی کاهش یافته است؟ یافته های این تحقیق نشان داد که متغیرهای سطح کلان همچنان اثرگذاری بالای خود را بر موفقیت ورزشی حفظ کرده اند و این کاهش در شدت اثرگذاری، ناشی از جابه جایی متغیرهاست.
در این تحقیق سعی شد تا متغیرهای فرهنگی و اجتماعی که در تحقیقات گذشته به علت دشواری کمی ساختن آن ها در طرح تحقیق گنجانده نمی شدند در کنار متغیرهای اقتصادی و سیاسی قرار گیرند. البته نکته حائز اهمیت این است که بسیاری از متغیرها می توانند دارای وزن های اقتصادی، سیاسی، فرهنگی و اجتماعی به طور همزمان باشند، ولی آن ها وزن های متفاوتی در هر یک از این حیطه ها دارند.