1 问题的提出

《中国足球改革发展总体方案》和《国家中长期足球发展规划(2016—2020年)》中指出:把校园足球改革发展纳入教育综合改革规划, 作为国家教育体制改革重点任务, 抓好顶层设计, 强化组织领导, 创新体制机制, 注重内涵发展, 不断提升质量, 推动青少年校园足球工作取得阶段性成果, 为在新时代继续扎实推进青少年校园足球工作奠定坚实基础。2014年底以来, 校园足球在全国范围内的开展取得了良好效果。据中国教育科学研究院调查数据, 截至2018年10月, 教育部已在全国建立校园足球特色中小学2.4万余所, 校园足球试点县(区)130余个, 校园足球“满天星”训练营47个, 经常参加足球活动的学生接近2 000万名, 初步实现了扩大足球人口的目标, 为校园足球的发展构筑了牢固的基础。然而, 校园足球运动可持续发展离不开运动成绩的支撑, 根据比赛成绩与技术能力之间的关系制订不同年龄组别的训练细则、方案显得尤为重要, 是促进校园足球持续、有序发展应着力研究的问题。

通过文献溯源发现:现阶段关于校园足球发展的研究主要集中于校园足球开展的现状与对策研究、学校足球教育与管理研究、中国校园足球与外国足球发展的对比研究、青少年足球后备人才培养与可持续发展研究几大方面。大多数研究还处于顶层设计和初步发展阶段, 研究者们的研究视角也多局限于校园足球文化的建设及其教育功能, 研究内容与以前校园足球竞赛、足球运动员的运动技能分析形成鲜明对比。校园足球运动的研究者关注的焦点从足球运动的竞赛属性和运动价值转向文化属性和教育功能^[1]。竞技属性是足球运动发展的不竭动力, 故笔者认为针对校园足球技能练习和竞赛效果的研究具有较高的应用价值。现有文献对校园足球竞赛并未进行相关的效果分析, 也未探讨如何根据赛事结果进行针对性地反馈, 并提出有效地提高校园足球赛事效果的实施方案。

基于此, 本文以2016、2017年校园足球联赛的比赛成绩为基础, 遵循体育研究“从实践中来, 结合理论, 再反作用于实践”的特点, 对校园足球运动员的技能测试和比赛成绩进行量化分析。采集校园足球联赛的比赛成绩和足球单项技能测试(挡板传控球、运球绕杆射门、带球10 m折返跑和颠球)成绩, 使用Stata15.1进行数据处理。具体步骤如下:①将青少年球员所在球队的比赛成绩进行有序分层, 构造有序分层变量, 然后结合少年足球技术特征对4个核心解释变量进行有序分层; ②对样本数据进行筛选整理并进行统计特征分析; ③利用Ologit模型对上述数据进行建模, 进而采用小学组和初中组数据进行对比分析; ④针对实证中发现的问题, 对如何提高我国青少年足球成绩、促进青少年足球健康发展提出建议。

2 数据与变量 2.1 数据来源

以2016、2017年中国教育科学研究院教育综合改革试验区青少年校园足球联赛的比赛成绩和单项足球技能测试成绩为研究数据。其中, 小学组球员232人, 初中组球员213人, 共445例个人样本。在实证处理中, 针对个别数据缺失的样本进行了删减, 删减后小学组217人, 初中组175人, 共计得到392例符合要求的个人样本。

2.2 变量设计 2.2.1 被解释变量

使用球员所在球队成绩排名作为被解释变量。中学组共统计了前13名球队的成绩排名, 因此将中学组第1~4名成绩划分为成绩优异组, 赋值为2;第5~8名划分为成绩中等组, 赋值为1;第9~13名划分为一般成绩组, 赋值为0。由于小学组只统计了前12名队伍的排名, 相应分别将第1~4名、第5~8名、第9~12名划分为成绩优异组、成绩中等组、一般成绩组, 分别赋值为2、1、0。

2.2.2 核心解释变量

本次足球技能测试共有4项, 分别是挡板传控球、运球绕杆射门、带球10 m折返跑和颠球, 其中挡板传控球和颠球计算规定时间内完成的次数, 运球绕杆射门、带球10 m折返跑计算完成测试项目所用的时间。本文根据青少年足球的技术特点, 将这4项解释变量划分为分类变量(表 1)。

2.2.3 控制变量

(1) 人口经济学特征。参考同类研究, 本文控制了学校、年龄和户籍因素的影响。在学校上, 设置学校虚拟变量, 市级以上重点学校为1, 普通学校为0;在年龄上, 设置初中、小学2个组别, 分别赋值为1和0;户籍上分为城市户籍和非城市户籍, 分别取值为1和0。

(2) 其他控制变量。本文设置了球队所在城市职业球队个数作为控制变量, 职业球队计数取中甲、中超球队个数分别赋值1、2, 无职业球队赋值为0。一般而言, 某个城市有中甲、中超球队, 并且个数越多, 经济发展水平越好, 对少年足球的重视程度越高, 球员的技术可能越好。

2.3 描述性统计分析

对各变量描述性统计如表 2所示:本次统计共得到392个有效观测值; 被解释变量中成绩中等和成绩优异的占比之和是59.95%, 成绩一般的占比40.05%。为了便于后文分析, 本文将成绩优异和成绩中等的归类为好成绩, 将成绩一般的归类为差成绩。作为核心解释变量的4项足球技术成绩分布呈现出一定的均衡性, 方差呈现出一定的稳定性, 显示出数据的良好特征。控制变量呈现学校、年龄和户籍特征, 如:重点学校占67.6%, 是普通学校比例的2倍以上; 在户籍上, 城市户籍达到70.92%, 是非城市户籍的2倍以上; 小学组的球员比例达到52.04%, 超过初中组。这3个控制变量的方差和均值呈现出一定的协同性。城市职业球队个数方差偏大, 原因是本文对该数据未做分层处理, 采用了原始数据的对数形式。在总体上, 研究所用数据表现出较好的统计学特征。

3 模型设定与实证分析 3.1 模型设定

由于本文因变量属于有序类别变量, 该类别变量在统计上不属于连续变量, 因此传统的OLS回归不再是无偏有效的估计。此时, 可采用Ologit模型进行分析。Ologit模型是基于累计分布的Logit模型^[2], 假设因变量是赋值为1~J的定序值, 那么因变量≤j与＞j的累计Logit可以表示为其基本的理论模型:

$ {l_j}\left( {{x_j}} \right) = \log \left[ {\frac{{\Pr \left( {{y_i} \le j|{x_i}} \right)}}{{\Pr \left( {{y_i} > j|{x_i}} \right)}}} \right] = {\alpha _j} + \mathit{\boldsymbol{X\beta }} $

(1)

式中:X表示影响青少年球队成绩排名的解释变量, 具体包含核心解释变量和控制变量; β表示与X相对应的系数矩阵; J表示成绩排名的类别集合, j∈J={1, 2, 3};α_j表示Ologit估计的截距项。

值得指出的是, 在Ologit估计中, 系数矩阵β中每个解释变量的系数并不代表解释变量对被解释变量影响的大小, 而是通过计算得到式(1)中y_i≤j和y_i>j 2种情况发生的相对比例, 称之为发生比(odds ratio, x_i的系数β_i转化为发生率的公式:oddsratio_i=e^－β_i)^[3]。发生比描述的是当自变量增加一个单位时, 因变量中属于低组的发生比是临近高组发生比的e^－β_i倍。根据上述设定, 本文实证方程为

$ \begin{array}{l} {l_j}\left( {{x_j}} \right) = \log \left[ {\frac{{\Pr \left( {{y_i} \le j|{x_i}} \right)}}{{\Pr \left( {{y_i} > j|{x_i}} \right)}}} \right] = {\alpha _j} + {\beta _1}{\rm{CK}}{{\rm{Q}}_i} + \\ \begin{array}{*{20}{l}} {\;\;\;\;\;\;\;\;\;\;\;\;{\beta _2}{\rm{RGS}}{{\rm{M}}_i} + {\beta _3}ZF{P_i} + {\beta _4}D{Q_i} + }\\ {\;\;\;\;\;\;\;\;\;\;\;\;\sum\limits_{i = 1}^4 {{\delta _i}} {\rm{contro}}{\mathit{l}_i} + {\varepsilon _i}} \end{array} \end{array} $

(2)

式中, control_i代表人口经济学特征和其他控制变量。

3.2 实证结果分析

利用Stata15.1分析青少年足球运动员训练成绩与所在球队成绩排名之间的关系。由于Ologit处理的是分类变量问题, 需要满足2个前提条件:①自变量之间不存在显著的多重共线性; ②满足平行线假设^[4]。首先使用Donald等^[5]提供的Colding 2技术检验了本文核心解释变量之间的多重共线性, 发现条件数为19.23, 小于30, 说明本文核心解释变量之间不存在显著的多重共线性。然后, 针对原始数据进行了Brant检验, 发现对应的P=0.09, 即本文数据通过了平行线检验。实证结果如表 3所示。模型(1)(3)(5)分别是用全样本、小学组样本、初中组样本进行建模的实证结果, 模型(2)(4)(6)是与模型(1)(3)(5)对应的将各解释变量和控制变量系数换算为发生比的实证结果。实证模型中的Constant cut 1和2都满足1%水平上统计显著, 即模型整体是稳健可信的。

(1) 根据模型(1)和(2), 全样本中4项单项足球技术测试成绩和球队最终排名统计上相关的只有CKQ和RGSM, 二者分别在10%和1%置信水平上显著。CKQ的系数为0.348, 转换为发生比后为0.706, 即在全样本中, CKQ成绩更好的运动员所在的球队获得一般成绩和好成绩(包括中等和优异, 下同)的发生比是70.6%。这说明CKQ成绩更好的运动员所在球队获得好成绩的概率比获得差成绩的概率高29.4%。这意味着CKQ成绩越好, 球队获得好成绩的概率越高, 即球员CKQ成绩与球队成绩呈现出显著的正相关性。同样, RGSM的系数为0.091, 对应的发生比为0.913, 说明RGSM成绩更好的运动员所在的球队获得一般成绩和获得好成绩的发生比是91.3%。这说明RGSM成绩更好的运动员所在球队获得好成绩的概率比获得差成绩的概率高8.7%。这意味着RGSM成绩越好, 球队获得好成绩的概率越高, 即球员RGSM成绩和球队成绩呈现出显著的正相关性。需要指出的是, 虽然CKQ与RGSM 2种技术水平同样和球队成绩呈现正相关, 但是CKQ技术好的队员所在球队获得好成绩的概率更高, 即CKQ技术对球队成绩影响更大。

事实上, RGSM和CKQ都是足球体育运动员的基本功, 这2项基本功的优劣往往决定了运动员在球场上关键时刻的表现。RGSM的水平高低决定了球员射门时的精准度, CKQ决定了球员在比赛时的球队协作能力, 这2项基本功的扎实程度在很大程度上决定了球队的成绩表现。因此, 实证结果展现出的RGSM和CKQ基本功越好, 球队获得好成绩的概率就越高的结果具有可信度和指导意义。

(2) 在模型(1)和(2)中, ZFP和DQ对球队成绩的影响不显著, 说明这2项技术在影响球队最终成绩上的效果不够明显。需要指出的是:DQ的发生比是0.657, 说明DQ成绩更好的队员所在球队获得差成绩和好成绩的发生比是65.7%, 即DQ成绩更好的运动员所在球队获得好成绩的概率比获得差成绩的概率高34.3%。虽然不显著, 但至少在实证上呈现二者的正相关性。ZFP的发生比是1.233, 说明ZFP成绩更好的球员所在球队获得差成绩比获得好成绩的概率高23.3%, 即ZFP成绩与球队成绩呈现出潜在的负相关性。

(3) 在模型(1)和(2)的4个控制变量中, 学校、职业球队个数和年龄分别在1%、5%、10%的置信水平上显著, 但户籍统计上不显著。在控制其他变量后学校变量的系数是0.292, 对应的发生比是0.969, 这意味着如果球员来自重点学校, 球队获得差成绩和好成绩的概率比为96.9%, 即球员为重点学校球队时成绩更好的概率高出3.1%。这一方面说明了重点学校球队的成绩可能好于普通学校球队, 另一方面也说明了重点学校球员可能拥有更好的训练场地及训练条件, 有助于提高球队的成绩。所在城市职业球队个数的系数为0.036, 对应的发生比是0.965, 说明球员所在城市的职业球队较多, 球员所在球队获得差成绩和好成绩的概率比是96.5%, 即球员所在城市职业球队较多, 球员所在球队获得好成绩的概率比获得差成绩的概率高3.5%。这说明城市的足球氛围越浓厚, 越有助于球队获得更好的成绩。年龄系数为0.574, 对应的发生比是0.563, 与小学生相比, 中学生所在球队获得差成绩和好成绩的概率比是56.3%, 即中学生球队获得好成绩的概率要比获得差成绩的概率高43.7%。这意味着中学组和小学组需要分开讨论。

(4) 模型(3)和(4)是用小学组数据实证得出的结果。与全样本不一致的情况有:① CKQ和RGSM 2个核心解释变量分别在5%和1%置信水平上显著, 且其发生比分别为0.862和0.452, 说明小学组里球员的CKQ和RGSM技术较好, 球员所在球队获得好成绩的概率比获得差成绩的概率分别高出13.8%和54.8%。即在小学组里, 与CKQ技术相比, RGSM技术对球队获得好成绩概率的提高更有帮助。② ZFP由不显著变得显著, 系数为-0.054, 对应的发生比为1.055, 说明ZFP技术较好的球员所在球队获得差成绩和好成绩的概率比是1.055, 即比获得差成绩的概率高5.5%。这说明ZFP可能并不是一项较好的测度小学球员足球技术的测试项目。折返跑需要高速冲刺, 多来回测试, 是一项验证球员能力关键指标, 世界各国都在采用。然而, 由于小学生处于身体发育期, 采用该项测试的成绩普遍偏低, 即使是相对较好的成绩也不能完全反映球场上的成绩。另外, 本文的研究对象中的中小学生, 技能水平差异性不大, 后续还将在实证的基础上考察哪些测试项目符合中国中小学青少年校园足球运动员的特色。③学校因素不显著, 而户籍因素显著。学校不显著说明了在小学组里学校并不是有效的影响球队排名的因素, 即小学组里重点小学和普通小学并未显示出统计学上显著的成绩差异。户籍因素对应的发生比是1.004, 说明城市户籍球员所在球队获得差成绩与好成绩的概率比是1.004, 即城市户籍球员所在球队获得差成绩的概率高出4%。这说明非城市户籍的球员可能付出的努力更多, 对球队获得好成绩的帮助更大。

(5) 模型(5)和模型(6)是利用初中组数据建模的结果。与全样本相比, 初中组显示出2项显著差异:① DQ因素变得显著, 其系数为0.045, 对应的发生比是0.956。说明在初中组里DQ技术较好的球员所在球队获得好成绩的概率比获得差成绩的概率高出4.4%。②与全样本相比学校因素变得显著, 但是其发生比是0.954, 说明在初中组里, 与普通学校球员相比, 重点学校球员所在球队获得好成绩的概率比获得差成绩的概率高出4.6%。

需要进一步说明的是, DQ技术在全样本和小学组均不显著, 但是在初中组显著, 并且在初中组表现出DQ技术越高, 球队获得好成绩的概率越大的正相关性。可能的原因是:①由于小学组中DQ技术不显著导致了全样本的非显著性, 分开观测后, 初中组表现出显著性; ② DQ可能与组别要求高度相关, 小学组的要求更低, 其整体技术水平弱于初中组, 该技术在比赛中对比赛成绩的影响弱于初中组, 以至于在统计上表现出了非显著性; ③即使在初中组, DQ技术好的球员所在球队获得好成绩的概率比获得差成绩的概率仅高4.4%, 但是初中组CKQ的概率发生比为0.804, RGSM的概率发生比为0.896, 这意味着CKQ和RGSM技术较好的球员所在球队获得好成绩比获得差成绩的概率分别高19.6%和10.4%。在同一模型中, 该数据远大于DQ的差额概率, 说明在初中组, 对球队好成绩影响从大到小依次是CKQ、RGSM和DQ。

3.3 稳健性检验

① 本文将被解释变量重新分组为成绩好(=1)和成绩差(=0)2组, 成绩好的都各取前6名, 中学组成绩差的取第7~13名, 小学组成绩差的取第7~12名。重新进行Ologit回归, 得出的结论基本一致。②根据Treman的观点, 如果被解释变量为有序类别变量, 可将其视为间距变量并采用OLS回归估计。如OLS和Ologit结果类似, 则采用OLS可能更为简单也更容易解释。故本文采用了OLS估计进行了稳健性检验的结果与Ologit结果几乎一致。上述结果见表 4。

4 结论与建议

采用Ologit模型对影响我国青少年足球成绩的因素进行实证建模分析, 结果显示:4项关键技术中挡板传控球和运动绕杆射门是影响球员所在球队成绩的关键因素, 其中挡板传控球技术对球队成绩影响更大; 带球10 m折返跑和颠球技术对球队成绩的影响并不存在统计学上的显著性; 初中组球员颠球技术与球队成绩呈现显著正相关关系, 但小学组和全样本中并未表现出该特征。基于上述研究结论, 为提高我国青少年足球成绩, 促进我国青少年足球的健康发展, 本文提出如下政策建议。

(1) 设计并优化适合不同年龄段青少年的足球训练计划, 进一步加强青少年足球基本功训练。通过对中国教育科学研究院试验区校园足球联赛成绩与足球基本运动技能的相关分析, 可以看出:校园足球培养体系的构建必须依赖年龄划分区别对待, 不同年龄阶段的孩子适用于不同类别的足球运动训练方法。通过对小学组的数据分析可以看出:小学阶段球感的培养, 控球能力的培养最重要, 对于在比赛中获胜至关重要, 他们的单人技能已经达到一定水平, 且无较大的区分度。所以, 应该在具体的教学训练中更多地以双人合作控球或小组配合的方式提升孩子对足球运动的兴趣。建议在未来的小学高年级足球训练中加大团队游戏类的传控球技能训练, 提升学生对于足球的感觉、感知、感受能力。

从中学阶段测试数据的反馈看, 这一阶段学生不同身体条件的差异开始显现出来, 这一先天的优势必须客观承认, 球队中出现能力突出的球员对于球队的整体成绩有明显的提高作用^[6], 这也是球队中“超级球星”的作用。在实际的比赛中, 具有速度、力量、技术之一或多项优势的明星球员对于球队的成绩表现至关重要。建议在未来的中学足球体育教学中, 有针对性地根据学生身体条件确定球员场上的位置, 再根据不同位置进行差别化比较, 之后再反馈到球队成绩层面, 进行更有针对性的训练。另外, 在我国中小学教育体制下, 小学阶段多数家长愿意培养孩子形成体育爱好以锻炼身体, 愿意让孩子花时间进行足球练习, 能够选材的样本数量远多于课业升学压力增大之后的初中阶段。因为初中阶段球员选材的数量有限, 故整体球感的反映灵敏度并未在相应年龄阶段明显增加, 这一年龄阶段也正是中国与世界足球先进国家足球水平拉开差距的关键阶段, 必须引起高度重视。

(2) 通过政策设计提升城市足球氛围, 科学发挥其正外部性。根据实证结论, 城市职业球队越多, 观测对象所在球队获得好成绩的概率越高, 这说明城市足球氛围具有良好的正外部性, 提高城市足球氛围有助于提高球队的比赛成绩。为此, 政府应该从如下3个方面入手:①进一步加大足球设施和足球场地的供给力度, 争取让足球场地进社区, 让足球运动进小区, 同时可酌情考虑通过民间融资和招商引资推进足球普及化; ②政府应积极配合各种足球民间组织的相关活动, 进一步推进城市足球运动的文化氛围; ③政府应进一步深化足球体育制度改革, 打破传统僵化思维的束缚, 将现代化管理理念引进足球宏观管理中, 实现足球管理的绩效提升^[7]。

(3) 科学全面地定位校园足球, 优化评价导向作用。新时期校园足球的发展是一项复杂的系统工程, 被时代赋予了更多的教育功能。校园足球联赛常态化的开展并不是要用竞技思维走“锦标主义”的老路, 但也不能完全忽视足球运动竞技性的客观存在。利用常态化的校园比赛整体提升学生参与运动比赛的积极性, 创造更好的校园运动环境, 让更多的学生有机会参与运动竞赛, 进而通过实战的成绩分析不同技能考核的标准, 以技能评价引导学生的个人技能发展, 发挥科学导向作用。具体而言, 小学阶段足球基本功的培养对深化整体校园足球的教学、训练、比赛有基础性的作用, 而初中阶段更加突出实战的作用, 提升球员临场发挥能力和个人比赛素质。竞赛的作用正是让学习的运动技能不断内化为自身的运动技能, 而不是停留在动作技能阶段。

综合以上, 本文利用Ologit模型分析了青少年球员技术成绩与球队成绩之间的关系, 发现不同年龄和组别的球员表现出不完全一致的特征, 这对指导我国青少年足球训练具有一定意义。在本文基础上, 后续研究应重点探讨如何构建动态化的赛事结果分析反馈机制并优化其实施方案。