تولّد الأحداث الرياضية الكبرى تغطية إعلامية واسعة وأثرًا اقتصاديًا كبيرًا في المدن المضيفة، غير أن تنظيم مثل هذه الأحداث مهمة معقدة تتطلب تخطيطًا مكثفًا، ويتوقف نجاحها على رضا الحاضرين وتجربتهم، ولذلك يعد التنبؤ الدقيق بعدد المشجعين القادمين من كل دولة أمرًا ضروريًا للمنظمين لتحسين التخطيط وضمان تجربة إيجابية للزوار، وتنتمي هذه الدراسة إلى مجال التعلم الآلي التطبيقي، إذ تقدم تطبيقًا جديدًا له في التنبؤ بأعداد الحضور في البطولات الكبرى، مستخدمة بيانات حضور بطولة كأس العالم لكرة القدم في روسيا عام 2018 لبناء نموذج يتنبأ بحضور بطولة كأس العالم في قطر عام 2022، وباحثة في العوامل التي تدفع مشجعي كل دولة إلى السفر لحضور مباريات منتخباتهم
أولًا: أهداف الدراسة ومنهجيتها
هدفت الدراسة إلى إدخال تطبيق جديد للتعلم الآلي يتنبأ بدقة بأعداد الحاضرين في الأحداث الرياضية الكبرى، وإلى تحديد العوامل الأكثر تأثيرًا في قرار المشجعين بالحضور، وبُني النموذج باستخدام بيانات الحضور الخاصة ببطولة روسيا 2018 للتنبؤ بحضور بطولة قطر 2022، واعتمدت التجربة على منصة التعلم الآلي المؤتمت المعروفة باسم أوتو سكلرن، التي اختبرت عددًا كبيرًا من النماذج والإعدادات وصولًا إلى 2523 نموذجًا في التجربة الواحدة، ثم قورنت النماذج وفق معامل التحديد الذي يقيس نسبة التباين المفسرة في أعداد الحضور، وفُحصت بعد ذلك أهمية المتغيرات المدخلة لمعرفة أي العوامل يقود قرار السفر والحضور لدى الجماهير، من تأهل المنتخبات إلى المسافات الجغرافية وأعداد الجاليات المقيمة في الدولة المضيفة والعوامل الاجتماعية والجيوسياسية
ثانيًا: أبرز النتائج
أظهرت النتائج أن خوارزمية النزول التدرجي العشوائي كانت الأعلى أداء بين النماذج المختبرة، إذ حققت قيمة لمعامل التحديد بلغت 0.633 في تجربة أوتو سكلرن التي شملت 2523 نموذجًا، وبعد تحليل معمق للنتائج تبين أن تأهل المنتخب إلى البطولة هو العامل الأعلى أثرًا في أعداد الحضور، فحضور الجماهير يرتبط أولًا بوجود منتخباتهم في المنافسة، كما أن لعوامل أخرى تأثيرًا معتبرًا في أعداد الزوار، منها مسافة السفر بين دولة المشجع والدولة المضيفة، وعدد المغتربين من أبناء الدولة في البلد المضيف، والعوامل الاجتماعية والجيوسياسية المحيطة بالحدث، وبذلك يقدم النموذج صورة كمية للعوامل المحركة لتدفقات الجماهير عبر الدول في البطولات الكبرى، ويثبت في الوقت نفسه أن النماذج المؤتمتة قادرة على إنتاج تنبؤات جيدة من بيانات بطولة سابقة واحدة
ثالثًا: دلالات الدراسة وتطبيقاتها
تفيد نتائج الدراسة منظمي الأحداث الرياضية الكبرى في التخطيط المبكر للطاقة الاستيعابية والخدمات اللوجستية وخطط الاستقبال بحسب جنسيات الجماهير المتوقعة، إذ يتيح التنبؤ بأعداد القادمين من كل دولة توزيعًا أدق للموارد وتجربة أفضل للحاضرين، كما تفيد الجهات السياحية والتسويقية في استهداف الأسواق الأكثر احتمالًا للإقبال، غير أن الدراسة تنبه إلى أنه مع التعلم الآلي يستحسن دائمًا توفر مزيد من المدخلات البيانية، فاستخدام بيانات بطولات سابقة متعددة قد يرفع دقة النتائج، وتفتح الدراسة الباب أمام تطبيقات مماثلة في أحداث رياضية وثقافية كبرى أخرى، مع تطوير النماذج بعوامل إضافية كأسعار التذاكر وتكاليف السفر وسعة الملاعب
ويلفت النظر في تجربة الدراسة حجم البحث المؤتمت عن النموذج الأمثل، إذ اختبرت المنصة آلاف التركيبات قبل أن تستقر على خوارزمية النزول التدرجي العشوائي، وهو أسلوب يحرر الباحث من التحيز لنموذج مفضل سلفًا ويجعل المفاضلة بين النماذج موضوعية الأداء، كما أن صدارة عامل تأهل المنتخب تحمل دلالة منطقية عميقة، فالجماهير تسافر خلف منتخباتها قبل أن تسافر خلف البطولة ذاتها، ومن ثم يصبح توزيع المنتخبات المتأهلة على المدن والمجموعات مدخلًا مباشرًا للتنبؤ بتدفقات المشجعين، بينما تضيف عوامل المسافة والجاليات والسياق الجيوسياسي طبقة ثانية من التفسير تتصل بكلفة الرحلة وسهولتها ووجود شبكات اجتماعية مستقبلة في البلد المضيف، وباجتماع هذه الطبقات يتحول التنبؤ من حدس تسويقي إلى قرار تخطيطي قابل للقياس والمراجعة، وتستفيد من هذا الدرس بطولات مقبلة في قارات مختلفة
وخلاصة القول إن التعلم الآلي المؤتمت قادر على التنبؤ بأعداد جماهير البطولات الكبرى بدقة جيدة اعتمادًا على بيانات بطولة سابقة، إذ تفوقت خوارزمية النزول التدرجي العشوائي بمعامل تحديد بلغ 0.633، وكان تأهل المنتخبات العامل الأقوى أثرًا تليه المسافة وأعداد المغتربين والعوامل الاجتماعية والجيوسياسية، بما يدعم توظيف هذه النماذج في تخطيط الأحداث الرياضية الكبرى
