ПОСТРОЕНИЕ МОРФОФУНКЦИОНАЛЬНЫХ КРИТЕРИЕВ, СПОСОБСТВУЮЩИХ ДОСТИЖЕНИЮ ВЫСОКОЙ СПОРТИВНОЙ КВАЛИФИКАЦИИ СПОРТСМЕНАМИ, ЗАНИМАЮЩИМИСЯ РАЗЛИЧНЫМИ ВИДАМИ ЕДИНОБОРСТВ
Ключевые слова:
спортивная морфология, функциональные показатели, спортивная антропология, единоборства, многофакторный статистический анализ, CHAID-анализ
Аннотация
Цель: разработка морфофункциональных критериев, определяющих достижение высокой спортивной квалификации занимающимися восточными и классическими единоборствами на основе статистических методов анализа многомерных данных при помощи проверки однородности и CHAID-анализа. Материалы и методы. В обследовании приняло участие 73 спортсмена, занимающихся различными видами единоборств, имеющих разную квалификацию (от безразрядников до мастеров спорта). Программа обследования включала измерение более 20 показателей телосложения: длина и масса тела; длина корпуса и конечностей; ширина плеч и таза; ширина локтя, запястья, колена и лодыжек; обхваты и жировые складки на туловище и конечностях. Анализ данных состоял из двух этапов: выявление морфофункциональных характеристик, относительно которых спортсмены обнаруживают статистически значимые различия и осуществление CHAID-анализа, позволившего группирование спортсменов относительно целевой переменной, определявшей уровень их спортивной классификации. Результаты. Статистически доказано различие между морфофункциональными показателями спортсменов, занимающихся восточными и классическими видами единоборств, что свидетельствует о необходимости раздельного анализа соответствующих показателей в данном виде спорта. К группе таких показателей были отнесены мышечный компонент тела, диаметр эпифизов голени, сила кисти рук, ширина плеч, подкожно-жировая складка на плече спереди и на предплечье. Раздельно по каждой группе единоборств при помощи CHAID-анализа были построены бинарные деревья, выделяющие однородные группы спортсменов, среди которых отмечены четыре, объединяющие спортсменов высокой квалификации, проанализированы значения морфофункциональных показателей, соответствующие каждой из этих групп. Заключение. На основе данных обследований спортсменов сформулированы статистически обоснованные критерии, обеспечивающие рост спортивной квалификации и спортивной успешности как для занимающихся восточными единоборствами (три различных критерия), так и для занимающихся классическими единоборствами (один критерий).
Литература
1. Бунак, В.В. Антропометрия. Практический курс / В.В. Бунак. – М.: Наркомпрос РСФСР, 1941. – 367 с.
2. Восточные единоборства / Ю.А. Бахарев, В.П. Тупицын, С.Б. Панкратов и др. – Н. Новгород: Нижегород. гос. ун-т, 2018. – 124 с.
3. Мальцев, И.Ю. Рациональность и эффективность тренировочных воздействий борцов / Ученые записки ун-та им. П.Ф. Лесгафта. – 2023. – № 1 (215). – C. 297–301. DOI: 10.34835/issn. 2308-1961.2023.01
4. Негашева, М.А. Основы антропометрии / М.А. Негашева. – М.: ЭконИнформ, 2017. – 216 с.
5. Пашкова, У.Ю. Опыт использования статистического анализа соревновательной деятельности в системе подготовки каратистов / У.Ю. Пашкова // Апробация. – 2016. – № 2 (41). – С. 107–110.
6. Сиразетдинов, Р.Э. Морфологические особенности как критерии спортивного отбора в единоборствах / Р.Э. Сиразетдинов, М.А. Негашева, Э.А. Бондарева // Человек. Спорт. Медицина. – 2021. – Т. 21, № 4. – С. 42–48. DOI: 10.14529/hsm210405
7. Ткачук, М.Г. Морфогенетические маркеры быстрой тренируемости в борьбе / М.Г. Ткачук, А.Г. Левицкий, А.А. Соболев // Человек. Спорт. Медицина. – 2019. – Т. 19, № 1. – С. 130–134. DOI: 10.14529/hsm190118
8. Цой, М.Е. Изучение предпочтений потребителей услуг страховой компании на основе критериев согласия при помощи CHAID-анализа / М.Е. Цой, В.Ю. Щеколдин // Сервис в России и за рубежом. – 2017. – Т. 11, № 4 (74). – С. 124–137. DOI: 10.22412/1995-042X-11-4-10
9. Цой, М.Е. Маркетинговые исследования: методы анализа маркетинговой информации / М.Е. Цой, В.Ю. Щеколдин. – Новосибирск: Новосибир. гос. технич. ун-т, 2021. – 96 с.
10. Шипунов, С.Д. Тотальные размеры тела и особенности соматотипов детей 10–13 лет, занимающихся различными видами единоборств / С.Д. Шипунов, А.В. Махалин, Е.З. Година // Рос. журнал физ. антропологии. – 2022. – № 1. – С. 67–79. DOI: 10.33876/2782-5000/2022-1-1/72-78
11. A comprehensive framework identifying readmission risk factors using the CHAID algorithm: a prospective cohort study / S. Kaya, G.S. Guven, S. Aydan, O. Toka // International Journal for Quality in Health Care. – 2018. – Vol. 30, Iss. 5. – Р. 366–374. DOI: 10.1093/intqhc/mzy022
12. Armstrong, N. Oxford Textbook of Children's Sport and Exercise Medicine / N. Armstrong, W. van Mechelen. – 4th ed. – 2023. – Oxford Academic. – DOI: 10.1093/med/9780192843968
13. Athletic Identity Associations in Young Sports Medicine Patients / M.A. Christino, R.P. Coene, K.A. Williams et al. // JAAOS: Global Research and Reviews. – 2024. – Vol. 8 (9). – P. 1–8. DOI: 10.5435/JAAOSGlobal-D-24-00195
14. Birjandi, S.M. A survey on data mining techniques used in medicine / S.M. Birjandi, S.H. Khasteh // Journal of Diabetes & Metabolic Disorders. – 2021. – Vol. 20. – Р. 2055–2071. DOI: 10.1007/ s40200-021-00884-2
15. Botha, M. Using entrepreneurial competencies and action to profile entrepreneurs: a CHAID analysis approach / M. Botha // Journal of Research in Marketing and Entrepreneurship. – 2024. – Vol. 26, No. 2. – Р. 337–367. DOI: 10.1108/JRME-07-2022-0091
16. Cluster Analysis of Identifying Team and Individual Sports Athlete Based on Anthropometric, Health and Skill Related Components / N.A. Kamarudin, M.R. Abdullah, V. Eswaramoorthi et al. // Enabling Industry 4.0 through Advances in Mechatronics. – 2022. – Vol. 900. – P. 561–570. DOI: 10.1007/978-981-19-2095-0_48
17. Gupta, B.C. Statistics and Probability with Applications for Engineers and Scientists Us-ing MINITAB, R and JMP / B.C. Gupta, I. Guttman, K.P. Jayalath // On Data Mining. – Wiley. – 2020. – P. 476–517. DOI: 10.1002/9781119516651.ch11
18. Niu, M. Sports Training Strategies Based on Data Mining Technology / M. Niu // Procedia Computer Science. – 2023. – Vol. 228. – Р. 847–856. DOI: 10.1016/j.procs.2023.11.112
19. Orange: Data Mining Toolbox in Python / J. Demsar, T. Curk, A. Erjavec et al. // Journal of Machine Learning Research. – 2013. – P. 2349–2353. DOI: 10.5555/2567709.2567736
20. Paluszek, M. Data Classification with Decision Trees / M. Paluszek, S. Thomas // MATLAB Machine Learning Recipes. – Apress, Berkeley, CA. – 2024. – Р. 279–301. DOI: 10.1007/978-1-4842-9846-6_10
21. TotalBox, Sport Production. – https://totalbox.pro/blog/vidy-edinoborstv-i-boevykh-iskusstv/ (дата обращения: 07.11.2024).
2. Baharev Yu.A., Tupicyn V.P., Pankratov S.B. et al. Vostochnyye edinoborstva [Eastern Martial Arts. Study Guide]. Nizhny Novgorod, Nizhny Novgorod State University Publ., 2018. 124 p.
3. Mal'cev I.Yu. [Rationality and Effectiveness of Training Effects of Wrestlers]. Ucheny'e zapiski universiteta imeni P.F. Lesgafta [Scientific Notes of the P.F. Lesgaft University], 2023, no. 1 (215), pp. 297–301. (in Russ.) DOI: 10.34835/issn.2308-1961.2023.01
4. Negasheva M.A. Osnovy antropometrii [Fundamentals of Anthropometry. A Tutorial]. Moscow, Ekon Inform Publ., 2017. 216 p.
5. Pashkova U.Yu. [Experience of Using Statistical Analysis of Competitive Activity in the System of Training Karatekas]. Aprobaciya [Approbation], 2016, no. 2 (41), pp. 107–110. (in Russ.)
6. Sirazetdinov R.E., Negasheva M.A., Bondareva E.A. Morphological Features as Criteria for Sports Selection in Martial Arts. Human. Sport. Medicine, 2021, vol. 21, no. 4, pp. 42–48. (in Russ.) DOI: 10.14529/hsm210405
7. Tkachuk M.G., Leviczkiy A.G., Sobolev A.A. [Morphogenetic Markers of Rapid Trainability in Wrestling. Human. Sport. Medicine, 2019, vol. 19, no. 1, pp. 130–134. (in Russ.) DOI: 10.14529/ hsm190118
8. Tsoy M., Shchekoldin V. [Study of Preferences of Consumers of Insurance Company Services Based on Consent Criteria Using CHAID-analysis]. Servis v Rossii i za rubezhom [Service in Russia and Abroad], 2017, vol. 11, no. 4 (74), pp. 124–137. (in Russ.) DOI: 10.22412/1995-042X-11-4-10
9. Tsoy M., Shchekoldin V. Marketingovyye issledovaniya: metody analiza marketingovoy informatsii [Marketing Research. Methods of Marketing Information Analysis]. Novosibirsk, Novosibirsk State Technical University Publ., 2021. 96 p.
10. Shipunov S.D., Maxalin A.V., Godina E.Z. [Total Body Sizes and Somatotype Characteristics of 10–13 Year Old Children Involved in Various Types of Martial Arts]. Rossiyskiy zhurnal fizicheskoy antropologii [Russian Journal of Physical Anthropology], 2022, no. 1, pp. 67–79. (in Russ.) DOI: 10.33876/2782-5000/2022-1-1/72-78
11. Kaya S., Guven G.S., Aydan S., Toka O. A Comprehensive Framework Identifying Re-admission Risk Factors Using the CHAID Algorithm: a Prospective Cohort Study. International Journal for Quality in Health Care, 2018, vol. 30, iss. 5, pp. 366–374. DOI: 10.1093/intqhc/mzy022
12. Armstrong N., van Mechelen W. Oxford Textbook of Children's Sport and Exercise Medicine, 4th ed. Oxford Academic, 2023. DOI: 10.1093/med/9780192843968
13. Christino M.A., Coene R.P., Williams K.A. et al. Athletic Identity Associations in Young Sports Medicine Patients. JAAOS: Global Research and Reviews, 2024, vol. 8 (9), pp. 1–8. DOI: 10.5435/JAAOSGlobal-D-24-00195
14. Birjandi S.M., Khasteh S.H. A Survey on Data Mining Techniques Used in Medicine. Journal of Diabetes & Metabolic Disorders, 2021, vol. 20, pp. 2055–2071. DOI: 10.1007/s40200-021-00884-2
15. Botha M. Using Entrepreneurial Competencies and Action to Profile Entrepreneurs: a CHAID Analysis Approach. Journal of Research in Marketing and Entrepreneurship, 2024, vol. 26, no. 2, pp. 337–367. DOI: 10.1108/JRME-07-2022-0091
16. Kamarudin N.A., Abdullah M.R., Eswaramoorthi V. et al. Cluster Analysis of Identifying Team and Individual Sports Athlete Based on Anthropometric, Health and Skill Related Compo-nents. Enabling Industry 4.0 through Advances in Mechatronics, 2022, vol. 900, pp. 561–570. DOI: 10.1007/978-981-19-2095-0_48
17. Gupta B.C., Guttman I., Jayalath K.P. Statistics and Probability with Applications for Engineers and Scientists Using MINITAB, R and JMP. On Data Mining. Wiley, 2020, pp. 476–517. DOI: 10.1002/9781119516651.ch11
18. Niu M. Sports Training Strategies Based on Data Mining Technology. Procedia Computer Science, 2023, vol. 228, pp. 847–856. DOI: 10.1016/j.procs.2023.11.112
19. Demsar J., Curk T., Erjavec A. et al. Orange: Data Mining Toolbox in Python. Journal of Machine Learning Research, 2013, pp. 2349–2353. DOI: 10.5555/2567709.2567736
20. Paluszek M., Thomas S. Data Classification with Decision Trees. MATLAB Machine Learning Recipes. Apress, Berkeley, CA. 2024, pp. 279–301. DOI: 10.1007/978-1-4842-9846-6_10
21. TotalBox, Sport Production. Available at: https://totalbox.pro/blog/vidy-edinoborstv-i-boevykh-iskusstv/ (accessed 07.11.2024).
2. Восточные единоборства / Ю.А. Бахарев, В.П. Тупицын, С.Б. Панкратов и др. – Н. Новгород: Нижегород. гос. ун-т, 2018. – 124 с.
3. Мальцев, И.Ю. Рациональность и эффективность тренировочных воздействий борцов / Ученые записки ун-та им. П.Ф. Лесгафта. – 2023. – № 1 (215). – C. 297–301. DOI: 10.34835/issn. 2308-1961.2023.01
4. Негашева, М.А. Основы антропометрии / М.А. Негашева. – М.: ЭконИнформ, 2017. – 216 с.
5. Пашкова, У.Ю. Опыт использования статистического анализа соревновательной деятельности в системе подготовки каратистов / У.Ю. Пашкова // Апробация. – 2016. – № 2 (41). – С. 107–110.
6. Сиразетдинов, Р.Э. Морфологические особенности как критерии спортивного отбора в единоборствах / Р.Э. Сиразетдинов, М.А. Негашева, Э.А. Бондарева // Человек. Спорт. Медицина. – 2021. – Т. 21, № 4. – С. 42–48. DOI: 10.14529/hsm210405
7. Ткачук, М.Г. Морфогенетические маркеры быстрой тренируемости в борьбе / М.Г. Ткачук, А.Г. Левицкий, А.А. Соболев // Человек. Спорт. Медицина. – 2019. – Т. 19, № 1. – С. 130–134. DOI: 10.14529/hsm190118
8. Цой, М.Е. Изучение предпочтений потребителей услуг страховой компании на основе критериев согласия при помощи CHAID-анализа / М.Е. Цой, В.Ю. Щеколдин // Сервис в России и за рубежом. – 2017. – Т. 11, № 4 (74). – С. 124–137. DOI: 10.22412/1995-042X-11-4-10
9. Цой, М.Е. Маркетинговые исследования: методы анализа маркетинговой информации / М.Е. Цой, В.Ю. Щеколдин. – Новосибирск: Новосибир. гос. технич. ун-т, 2021. – 96 с.
10. Шипунов, С.Д. Тотальные размеры тела и особенности соматотипов детей 10–13 лет, занимающихся различными видами единоборств / С.Д. Шипунов, А.В. Махалин, Е.З. Година // Рос. журнал физ. антропологии. – 2022. – № 1. – С. 67–79. DOI: 10.33876/2782-5000/2022-1-1/72-78
11. A comprehensive framework identifying readmission risk factors using the CHAID algorithm: a prospective cohort study / S. Kaya, G.S. Guven, S. Aydan, O. Toka // International Journal for Quality in Health Care. – 2018. – Vol. 30, Iss. 5. – Р. 366–374. DOI: 10.1093/intqhc/mzy022
12. Armstrong, N. Oxford Textbook of Children's Sport and Exercise Medicine / N. Armstrong, W. van Mechelen. – 4th ed. – 2023. – Oxford Academic. – DOI: 10.1093/med/9780192843968
13. Athletic Identity Associations in Young Sports Medicine Patients / M.A. Christino, R.P. Coene, K.A. Williams et al. // JAAOS: Global Research and Reviews. – 2024. – Vol. 8 (9). – P. 1–8. DOI: 10.5435/JAAOSGlobal-D-24-00195
14. Birjandi, S.M. A survey on data mining techniques used in medicine / S.M. Birjandi, S.H. Khasteh // Journal of Diabetes & Metabolic Disorders. – 2021. – Vol. 20. – Р. 2055–2071. DOI: 10.1007/ s40200-021-00884-2
15. Botha, M. Using entrepreneurial competencies and action to profile entrepreneurs: a CHAID analysis approach / M. Botha // Journal of Research in Marketing and Entrepreneurship. – 2024. – Vol. 26, No. 2. – Р. 337–367. DOI: 10.1108/JRME-07-2022-0091
16. Cluster Analysis of Identifying Team and Individual Sports Athlete Based on Anthropometric, Health and Skill Related Components / N.A. Kamarudin, M.R. Abdullah, V. Eswaramoorthi et al. // Enabling Industry 4.0 through Advances in Mechatronics. – 2022. – Vol. 900. – P. 561–570. DOI: 10.1007/978-981-19-2095-0_48
17. Gupta, B.C. Statistics and Probability with Applications for Engineers and Scientists Us-ing MINITAB, R and JMP / B.C. Gupta, I. Guttman, K.P. Jayalath // On Data Mining. – Wiley. – 2020. – P. 476–517. DOI: 10.1002/9781119516651.ch11
18. Niu, M. Sports Training Strategies Based on Data Mining Technology / M. Niu // Procedia Computer Science. – 2023. – Vol. 228. – Р. 847–856. DOI: 10.1016/j.procs.2023.11.112
19. Orange: Data Mining Toolbox in Python / J. Demsar, T. Curk, A. Erjavec et al. // Journal of Machine Learning Research. – 2013. – P. 2349–2353. DOI: 10.5555/2567709.2567736
20. Paluszek, M. Data Classification with Decision Trees / M. Paluszek, S. Thomas // MATLAB Machine Learning Recipes. – Apress, Berkeley, CA. – 2024. – Р. 279–301. DOI: 10.1007/978-1-4842-9846-6_10
21. TotalBox, Sport Production. – https://totalbox.pro/blog/vidy-edinoborstv-i-boevykh-iskusstv/ (дата обращения: 07.11.2024).
References
1. Bunak V.V. Antropometriya. Prakticheskiy kurs [Antropometriya. Practical Course, Manual for Universities]. Moscow, Narkompros RSFSR Publ., 1941. 367 p.2. Baharev Yu.A., Tupicyn V.P., Pankratov S.B. et al. Vostochnyye edinoborstva [Eastern Martial Arts. Study Guide]. Nizhny Novgorod, Nizhny Novgorod State University Publ., 2018. 124 p.
3. Mal'cev I.Yu. [Rationality and Effectiveness of Training Effects of Wrestlers]. Ucheny'e zapiski universiteta imeni P.F. Lesgafta [Scientific Notes of the P.F. Lesgaft University], 2023, no. 1 (215), pp. 297–301. (in Russ.) DOI: 10.34835/issn.2308-1961.2023.01
4. Negasheva M.A. Osnovy antropometrii [Fundamentals of Anthropometry. A Tutorial]. Moscow, Ekon Inform Publ., 2017. 216 p.
5. Pashkova U.Yu. [Experience of Using Statistical Analysis of Competitive Activity in the System of Training Karatekas]. Aprobaciya [Approbation], 2016, no. 2 (41), pp. 107–110. (in Russ.)
6. Sirazetdinov R.E., Negasheva M.A., Bondareva E.A. Morphological Features as Criteria for Sports Selection in Martial Arts. Human. Sport. Medicine, 2021, vol. 21, no. 4, pp. 42–48. (in Russ.) DOI: 10.14529/hsm210405
7. Tkachuk M.G., Leviczkiy A.G., Sobolev A.A. [Morphogenetic Markers of Rapid Trainability in Wrestling. Human. Sport. Medicine, 2019, vol. 19, no. 1, pp. 130–134. (in Russ.) DOI: 10.14529/ hsm190118
8. Tsoy M., Shchekoldin V. [Study of Preferences of Consumers of Insurance Company Services Based on Consent Criteria Using CHAID-analysis]. Servis v Rossii i za rubezhom [Service in Russia and Abroad], 2017, vol. 11, no. 4 (74), pp. 124–137. (in Russ.) DOI: 10.22412/1995-042X-11-4-10
9. Tsoy M., Shchekoldin V. Marketingovyye issledovaniya: metody analiza marketingovoy informatsii [Marketing Research. Methods of Marketing Information Analysis]. Novosibirsk, Novosibirsk State Technical University Publ., 2021. 96 p.
10. Shipunov S.D., Maxalin A.V., Godina E.Z. [Total Body Sizes and Somatotype Characteristics of 10–13 Year Old Children Involved in Various Types of Martial Arts]. Rossiyskiy zhurnal fizicheskoy antropologii [Russian Journal of Physical Anthropology], 2022, no. 1, pp. 67–79. (in Russ.) DOI: 10.33876/2782-5000/2022-1-1/72-78
11. Kaya S., Guven G.S., Aydan S., Toka O. A Comprehensive Framework Identifying Re-admission Risk Factors Using the CHAID Algorithm: a Prospective Cohort Study. International Journal for Quality in Health Care, 2018, vol. 30, iss. 5, pp. 366–374. DOI: 10.1093/intqhc/mzy022
12. Armstrong N., van Mechelen W. Oxford Textbook of Children's Sport and Exercise Medicine, 4th ed. Oxford Academic, 2023. DOI: 10.1093/med/9780192843968
13. Christino M.A., Coene R.P., Williams K.A. et al. Athletic Identity Associations in Young Sports Medicine Patients. JAAOS: Global Research and Reviews, 2024, vol. 8 (9), pp. 1–8. DOI: 10.5435/JAAOSGlobal-D-24-00195
14. Birjandi S.M., Khasteh S.H. A Survey on Data Mining Techniques Used in Medicine. Journal of Diabetes & Metabolic Disorders, 2021, vol. 20, pp. 2055–2071. DOI: 10.1007/s40200-021-00884-2
15. Botha M. Using Entrepreneurial Competencies and Action to Profile Entrepreneurs: a CHAID Analysis Approach. Journal of Research in Marketing and Entrepreneurship, 2024, vol. 26, no. 2, pp. 337–367. DOI: 10.1108/JRME-07-2022-0091
16. Kamarudin N.A., Abdullah M.R., Eswaramoorthi V. et al. Cluster Analysis of Identifying Team and Individual Sports Athlete Based on Anthropometric, Health and Skill Related Compo-nents. Enabling Industry 4.0 through Advances in Mechatronics, 2022, vol. 900, pp. 561–570. DOI: 10.1007/978-981-19-2095-0_48
17. Gupta B.C., Guttman I., Jayalath K.P. Statistics and Probability with Applications for Engineers and Scientists Using MINITAB, R and JMP. On Data Mining. Wiley, 2020, pp. 476–517. DOI: 10.1002/9781119516651.ch11
18. Niu M. Sports Training Strategies Based on Data Mining Technology. Procedia Computer Science, 2023, vol. 228, pp. 847–856. DOI: 10.1016/j.procs.2023.11.112
19. Demsar J., Curk T., Erjavec A. et al. Orange: Data Mining Toolbox in Python. Journal of Machine Learning Research, 2013, pp. 2349–2353. DOI: 10.5555/2567709.2567736
20. Paluszek M., Thomas S. Data Classification with Decision Trees. MATLAB Machine Learning Recipes. Apress, Berkeley, CA. 2024, pp. 279–301. DOI: 10.1007/978-1-4842-9846-6_10
21. TotalBox, Sport Production. Available at: https://totalbox.pro/blog/vidy-edinoborstv-i-boevykh-iskusstv/ (accessed 07.11.2024).
Опубликован
2026-01-23
Как цитировать
Щеколдин, В., Цой, М., & Махалин, А. (2026). ПОСТРОЕНИЕ МОРФОФУНКЦИОНАЛЬНЫХ КРИТЕРИЕВ, СПОСОБСТВУЮЩИХ ДОСТИЖЕНИЮ ВЫСОКОЙ СПОРТИВНОЙ КВАЛИФИКАЦИИ СПОРТСМЕНАМИ, ЗАНИМАЮЩИМИСЯ РАЗЛИЧНЫМИ ВИДАМИ ЕДИНОБОРСТВ. Человек. Спорт. Медицина, 25(S2), 53-63. https://doi.org/10.14529/hsm25s207
Выпуск
Раздел
Спортивная тренировка
