MARKET
VALUE INN FOOTBAL: IS LIKE EVERYONE THINKS?
Byron Gallegos[1], Jhon Orrala[2],
Milton Paredes Aguirre[3]
|
Palabras
clave: Valor de mercado, fútbol, regresión lineal múltiple, Conmebol. |
Resumen El fútbol es el deporte con más
aficionados en el planeta y, por ende, es de esperarse que se manejen
cantidades exorbitantes de dinero. Particularmente a la hora de fichar
jugadores, los clubes de fútbol desembolsan grandes cantidades de dinero y la
pregunta en cuestión es: ¿se justifica que el valor de mercado de un jugador
sea tan alto?. Por consiguiente, el presente estudio
tiene por objetivo identificar cuáles son las variables que afectan al valor
de mercado de un futbolista; para este caso en particular, se tomó en
consideración una muestra de jugadores del top 35 de equipos de Conmebol en
la temporada 2017-2018. Para lograrlo, se aplicó la metodología de regresión
lineal múltiple bajo la aplicación de dos modelos. En el primero se tuvo en
cuenta sólo variables referentes al desempeño. En el segundo modelo se incluyeron
variables de naturaleza externa. Los resultados revelaron las variables que explican
mayormente el valor de mercado de un jugador. A su vez, se aplicaron varias
pruebas de validación al modelo final, las cuales demostraron su efectividad.
Finalmente, se concluye que el grado de influencia que poseen los jugadores también
constituye un factor determinante en el valor de mercado. Códigos JEL: J31, J44 |
|
Keywords: Market value, soccer, Multiple linear regression, Conmebol. |
Abstract
Football is the
sport with more fans on the planet and therefore, it is expected that
exorbitant amounts of money will be handled. Particularly when signing
players, football clubs disburse large amounts of money and the question in
question is: it is justified that the market value of a player is so high?. Therefore, the objective of this study is to
identify the variables that affect the market value of a soccer player; For
this case, a sample of players from the top 35 of Conmebol
teams in the 2017/2018 season was taken into consideration. To achieve this,
the multiple linear regression methodology was applied under the application
of two models. In the first, only variables related to performance were considered.
In the second model, variables of an external nature were included in the
first model. The results revealed the variables that mostly explain the
market value of a player. In turn, various validation tests were applied to the
final model, which demonstrated its effectiveness. Finally, it is concluded
that the degree of influence that the players possess also constitutes a
determining factor in the market value. JEL Codes: J31, J44 |
En años recientes
el mercado de transferencias de jugadores de fútbol masculino a nivel mundial
se ha desarrollado a tal punto que, cada vez se invierten mayores montos para
la inclusión de nuevos talentos y, a su vez, se ha vuelto común el hecho de que
en cada periodo de transferencias se establezcan récords
Con respecto a lo anteriormente planteado,
el problema radica en la escasez de herramientas objetivas para la valoración
de jugadores a nivel de Sudamérica. La implementación de modelos objetivos
basado en el análisis de datos permite a los clubes de fútbol conocer la
valoración de los jugadores de tal manera que eviten caer esencialmente en la
sobreestimación
REVISIÓN
DE LITERATURA
Dada la relevancia del tema, existen
algunos estudios al respecto. Uno de estos analiza la valoración de mercado de
diferentes jugadores de La Liga (España) a lo largo de la temporada 2014/2015,
basándose en datos provenientes de páginas reconocidas como: Transfer Market, WhoScored,
entre otros. En tal estudio se emplean regresiones LASSO con el fin de estimar una
ecuación para el valor de mercado y una para el rendimiento. Luego de esto, compara
las estimaciones con los valores reales de jugadores transferidos en esa
temporada para finalmente verificar si estos se encontraban sobrevalorados o
infravalorados; dicho fenómeno se atribuyó a una variable no estudiada que
representaba la atención mediática
De la misma manera, el CIES (Centre
International d'Etude du Sport) Football
Observatory, presentó un estudio en el año 2018 con
un enfoque científico a fin de evaluar bajo una perspectiva predictiva el valor
de transferencia de los jugadores profesionales. Este estudio afirma que el
poder explicativo del enfoque econométrico sugiere un alto grado de
racionalidad del mercado de transferencias de fútbol y que, además, la mayor
parte de las transferencias sigue una lógica previsible que puede ser modelada
con fines de pronóstico. Los autores establecen que el principal desafío de su
modelo es poder anticipar el nivel de inflación debido a la dinámica del
mercado de pases, porque la inflación no interviene de manera lineal en el
tiempo o según los segmentos del mercado. No obstante, concluyen que esto no es
relevante para la especificación del modelo porque las determinantes del precio
son estables
Una investigación relevante con respecto
a la valoración de jugadores de fútbol fue realizada en el año 2013. El
estudio, consiste en estimar mediante un modelo econométrico el valor de
mercado de los jugadores de fútbol de la Bundesliga basado en variables que se
dividen en dos grupos: variables que hacen referencia al talento y variables
externas o exógenas que también afectan al valor de mercado del jugador. Una
vez estimado el valor de mercado, los autores comparan el valor estimado del
modelo con el valor propuesto por la página “transfermarkt.de”.
Finalmente, concluyen que las variables que tomaron en cuenta para la
investigación fueron significativas para explicar y estimar el valor de mercado
y que, el valor de mercado de los jugadores sugerido en el portal web de “transfermarkt.de” y el estimado por el modelo econométrico,
son parecidos
En esta misma línea, otra
investigación importante y actual (año 2019), fue realizada por Julian Hofmann y otros, cuya
finalidad es analizar el valor de mercado de jugadores de fútbol profesionales
y determinar cuáles factores afectan mayormente a la valoración de dicho
jugador en el mercado, ya que ellos se planteaban antes del estudio, conocer la
importancia de la popularidad para un jugador y su valor en el mercado. Dentro
de sus conclusiones, se encuentran que efectivamente la popularidad sí afecta
significativamente a la valoración del jugador y que, de hecho, es más
significativa que variables referentes al talento
Otro trabajo importante referente a
la valoración objetiva de jugadores mediante análisis estadístico es el
realizado por Oliver Müller, Alexander Simons y Markus Weinmann en 2017, quienes en
su trabajo contribuyen al tema identificando la deficiencia que existe en las
valoraciones basadas en la multitud (como, por ejemplo, las valoraciones que
dan comunidades en línea a los jugadores). También sintetizan la investigación
académica que refleja las variables que deben ser tomadas en cuenta a la hora
de valorar jugadores en el mercado de pases de fútbol, usan una muestra grande
de jugadores de las 5 grandes ligas europeas y evalúan la precisión de su
modelo comparándolo con los valores reales de algunas transferencias.
Finalmente, comparan los resultados con las tasas reales de transferencias y
concluyen que el modelo es más exacto en el 90% de los casos, donde las tasas
de transferencias son bajas y que el 10% que hace referencia a tasas altas, es
mejor estimado por el juicio de las comunidades online
De todo lo mencionado, en este
estudio se tomará en consideración principalmente las investigaciones
realizadas por Herm (2014) y Müller (2017), ya que marcan una ruta importante a
seguir en esta línea de investigación debido a la objetividad de sus
metodologías.
MATERIALES Y
MÉTODOS/ METODOLOGÍA
Para la
recolección de datos, se recopiló información de los jugadores de los 35
mejores equipos a nivel de Conmebol según el ranking FIFA (índice que considera
desempeño histórico local e internacional), mediante una extracción directa proveniente
de diferentes paginas especializadas, desde los principales portales de
valoración futbolística (Tranfermarkt y WhoScored) con el objetivo de extraer
las variables de desempeño, hasta información proveniente de redes sociales con
la finalidad de valorar el impacto mediático.
La razón para no haber escogido la muestra de manera
aleatoria es debido a la limitación de acceso a la información, ya que al tener
cada equipo la misma probabilidad de ser escogidos para el estudio, muchos de
los equipos que se escogían eran equipos de poca importancia en el contexto
local e internacional, de los cuales, el acceso a la información de sus
jugadores era bastante limitada. De los 10 países que conforman Conmebol, el
único que no formó de la muestra es Venezuela, debido a que no apareció dentro
del top 35.
El número de
observaciones tomadas para este estudio fue de 144 jugadores, de los cuales 48
son ofensivos, 48 son mediocentros y 48 son defensores. Estas observaciones
pertenecen a jugadores que hayan jugado al menos un partido en la temporada
2017/2018. Es necesario considerar que el análisis de desempeño de los jugadores
varía dependiendo de su posición, ya que mientras a los atacantes se les exige
que hagan goles y asistan, a los mediocentros se les pide que tengan una mayor
cantidad de pases precisos y a los defensas se los evalúa según el número de
duelos ganados.
El modelo que se
plantea (apéndice 1) probar consta de 20 variables explicativas y como se ha
venido mencionando a lo largo de este capítulo, se trata de un modelo de
regresión lineal múltiple que se puede dividir en dos especificaciones a fin de
probar el impacto por un lado de las variables de desempeño y, por otro lado,
el modelo que contempla la inclusión de variables externas.
A este modelo al
que se le aplicará todas las pruebas con el objetivo de encontrar un modelo que
cumpla con todas las condiciones que se mencionarán en las siguientes
secciones. (apéndices 2, 3 y 4).
RESULTADOS
Luego de estimar
los respectivos modelos, como se detalla en el apéndice 5 donde se reflejan los
resultados obtenidos de ambas estimaciones bajo el modelo de regresión
planteado, se concluyó por un lado, del modelo 1, se puede decir que el R
cuadrado tiene un valor de 0.205; es decir, las variables que hacen referencia
al desempeño del jugador para este caso en particular, explican sólo el 21% de
la varianza del valor de mercado, mientras que cuando se incluyeron las
variables externas al modelo, el R cuadrado sube a casi 70%, por lo cual se
pudo deducir que como lo sugiere la teoría, las variables que son ajenas al
desempeño del jugador terminan explicando mayormente su valor de mercado.
Otro
punto importante, es que, en el primer modelo, las variables de desempeño que
resultaron estadísticamente significativas fueron: goles, precisión,
flexibilidad y equipos pasados y de estas 4 variables, al momento que se
incluyeron las variables externas en el modelo, 2 dejan de ser significativas
(precisión y flexibilidad) y; en el modelo general, el valor de mercado se vio
explicado por dos variables de desempeño y dos externas.
Estos resultados sugirieron que el mejor modelo
debería de contener las cuatro variables significativas del modelo 2, como se
detalla la estimación en el apéndice 6.
La importancia del
presente trabajo radica en el marco económico, ya que el mercado de traspasos
futbolísticos es un mercado en el que se mueven cantidades exorbitantes de
dinero cada año, tanto a nivel de Sudamérica y del mundo; y, por lo tanto, es
importante analizar qué variables son las que explican estos valores de mercado
que en algunos casos son excesivamente altos e injustificados
Luego
de analizar los resultados obtenidos en el presente estudio, se concluye que
los resultados van acordes a lo que sugiere la literatura, aunque con ciertas
diferencias; lo cual se esperaba ya que se trata de un estudio de carácter
exploratorio y, de hecho, el presente trabajo es uno de los primeros que se ha
realizado a nivel de Sudamérica con un enfoque cuantitativo.
Las
principales conclusiones de manera general son: que se logró identificar cuáles
son las variables que afectan mayormente al valor de mercado mediante un
enfoque objetivo, se logró identificar cuál es el modelo que mejor explica el
comportamiento del valor de mercado, se logró comparar los resultados estimados
del modelo con los valores propuestos por la plataforma transfermarkt y finalmente,
se pone a disposición estos hallazgos a futuros investigadores que estén
interesados en desarrollar mucho más el tema ya que este estudio puede servir
como punto de partido debido a su naturaleza de carácter exploratorio donde se
obtuvieron resultados bastante interesantes.
El
valor agregado del presente trabajo se puede simplificar en dos aristas: la
primera es que es el primer estudio que se realiza a nivel sudamericano con un
enfoque cuantitativo y la segunda es que es el primer estudio que propone una
variable como número de seguidores en redes sociales para analizar su
significancia estadística en un modelo que busque predecir el valor de mercado.
Las
principales fortalezas de este estudio son que: el modelo final tal como se
muestra en los resultados es robusto, cumple con los supuestos de Mínimos
Cuadrados Ordinarios y el nivel predictivo del mismo es bastante aceptable,
teniendo en cuenta que, como todo modelo, este no es más que una simplificación
de la realidad.
Las
principales limitaciones de este son que: al ser tan complicado recolectar
datos, no fue posible realizar un muestreo aleatorio y esto limita seriamente
la interpretación de este, ya que como se mencionó en la sección anterior, los
resultados de este estudio no son extrapolables y corresponden sólo a la
muestra que se analizó que son equipos del top 35 del ranking de Conmebol y
esto limita en gran medida el alcance del estudio. Es decir, estos resultados
hacen se pueden llegar a cumplir en equipos con características similares.
Otra
limitación importante por considerar es que se trata de un modelo predictivo no
causal, por lo que se debe tener especial cuidado con la interpretación de los
resultados.
Finalmente,
para futuras investigaciones, se recomienda buscar (si es que existe) una base
de datos centralizada donde se puedan obtener diversos datos de los jugadores,
expandir el alcance de este tipo de estudios hacia los arqueros (quienes se
analizan bajo una perspectiva distinta) y analizar el contexto nacional a fin
de conocer cómo se comporta el mercado ecuatoriano con respecto al del resto
del continente.
Agradecemos
particularmente a nuestro tutor de tesis, el Ing. Milton Paredes por todo el
apoyo brindado a lo largo de la materia integradora, al Econ. Ronald Campoverde
por sus comentarios que fueron fundamentales en el desarrollo de nuestro
proyecto y al Econ. Gonzalo Sánchez por sus comentarios brindados al inicio del
proyecto, los cuales nos sirvieron como guía para saber qué camino tomar con
respecto al tema que hemos desarrollado.
Clark, J.,
2010. Back on Track? The Outlook for the Global Sports Market to 2013, London: s.n.
He, M., Cachucho, R. & Knobbe, A.,
2015. Football Player’s Performance and Market Value. Conference: Proceedings
of the 2nd workshop of sports analytics, European Conference on Machine
Learning and Principles and Practice of Knowledge Discovery in Databases.
Herm, S., Callsen-Bracker, H.-M. & Kreis, H., 2014. When the
crowd evaluates soccer players’ market values: Accuracy and evaluation
attributes of an online community. Sport Management Review, noviembre,
17(4), pp. 484-492.
Hofmann,
J., Schnittka, O., Johnen,
M. & Kottemann, P., 2019. Talent or popularity:
What drives market value and brand image for human brands? Journal of Business
Research, mayo.
Lago, C.
& Martín, R., 2007. Determinants of possession of the ball in soccer.
Journal of Sports Sciences, 25(9).
Majewski,
S., 2016. Identification of Factors Determining Market Value of the Most
Valuable Football Players. Journal of Management and Business Administration,
24(3).
Müller, O.,
Simons, A. & MarkusWeinmann, 2017. Beyond crowd
judgments: Data-driven estimation of market value in association football.
European Journal of Operational Research, 1 diciembre,
236(2), pp. 611 - 624.
Poli,
R., Ravenel, L. & Besson, R., 2018. Scientific
assessment of football players’ transfer value, s.l.:
s.n.
Swanepoel,
M., 2016. The Correlation Between Player Valuation and The Bargaining Position Of Clubs In The English Premier League (Epl).
International Journal of Economics And Finance Studies, 8(1).
APÉNDICES
Apéndice 1: El Modelo Planteado
Tal que:
Variables |
Descripción |
Desempeño/externa |
|
|
Años de vida Medido en centímetros Medido en kilos Pases acertados/Media
en su posición Goles/Media en su
posición Asistencias/Medias en
su posición Habilidad para jugar
con ambos pies Número de minutos
jugados en la temporada Número de
tarjetas/Media en su posición Número de títulos
ganados Número de partidos
perdidos por lesión Si el jugador ha jugado
o no en europa Si el jugador ha sido
seleccionado o no Zona del campo en la
que se desempeña Número de equipos en
los que ha jugado País de origen Valoración económica
del club Enlaces en google
relacionados al jugador Número de seguidores en
redes sociales Años que faltan para
que finalice el contrato Valor de mercado del
jugador |
Desempeño Desempeño Desempeño Desempeño Desempeño Desempeño Desempeño Desempeño Desempeño Desempeño Desempeño Desempeño Desempeño Desempeño Desempeño Externa Externa Externa Externa Externa Dependiente |
Apéndice 2: Prueba de Linealidad
Apéndice 3: Prueba de Normalidad
Apéndice 4: Validación Cruzada
Apéndice 5: Modelos de Regresión
|
VARIABLES |
Modelo
1 |
Modelo
2 |
|
MCO, Robusto S.E. (Desempeño) |
MCO, Robusto S.E. (General) |
|
|
Edad |
12,487 |
-19,418 |
|
Altura |
-830,510 |
1821788 |
|
Peso |
-1,043 |
-27,253 |
|
Precisión |
658,3430*** |
1404616 |
|
Goles |
427,630*** |
171,103* |
|
Asistencias |
249,091 |
59,037 |
|
Flexibilidad |
-128,6941* |
-379,323 |
|
Tiempo en Cancha |
-425.0 |
44.76 |
|
Faltas |
57,099 |
-176,707 |
|
Trofeos |
146,919 |
85,403 |
|
Lesiones |
9,236 |
-804.7 |
|
Jugado en Europa |
337,625 |
130,374 |
|
Seleccionado Nacional |
-533,715 |
341,964 |
|
Posición |
182,273 |
65,803 |
|
Equipos Pasados |
-159,319* |
-100,533* |
|
Nacionalidad |
|
-57,845 |
|
Nivel Económico |
|
0.0220*** |
|
Atención Mediática |
|
0.402 |
|
Número de Seguidores |
|
2.634*** |
|
Duración del Contrato |
|
150,619 |
|
Constante |
-251,6979 |
-1408,524 |
|
|
|
|
|
Observaciones |
144 |
144 |
|
R-cuadrado |
0.205 |
0.689 |
***
p<0.01, ** p<0.05, * p<0.1
Elaboración: Por los autores
Apéndice 6: Modelos de Regresión
|
VARIABLES |
Modelo 3 |
|
Goles |
153,191* |
|
|
(81,464) |
|
Equipos Pasados |
-120,557*** |
|
|
(40,410) |
|
Nivel Económico |
0.0234*** |
|
|
(0.00373) |
|
Número de Seguidores |
3.074*** |
|
|
(0.439) |
|
Constante |
1,334,780*** |
|
|
(229,121) |
|
Observaciones |
144 |
|
R-cuadrado |
0.658 |
***
p<0.01, ** p<0.05, * p<0.1
Elaboración: Por los autores
[1] Escuela Superior Politécnica del Litoral,
ESPOL, Facultad de Ciencias Sociales y Humanísticas, Campus Gustavo Galindo Km.
30.5 Vía Perimetral, P.O. Box 09-01-5863, Guayaquil, Ecuador.
E-mail: bxgalleg@espol.com.ec
[2] Escuela Superior Politécnica del Litoral,
ESPOL, Facultad de Ciencias Sociales y Humanísticas, Campus Gustavo Galindo Km.
30.5 Vía Perimetral, P.O. Box 09-01-5863, Guayaquil, Ecuador.
E-mail: jodaorra@espol.com.ec
[3] Escuela
Superior Politécnica del Litoral, ESPOL, Facultad de Ciencias Sociales y
Humanísticas, Campus Gustavo Galindo Km. 30.5 Vía Perimetral, P.O. Box
09-01-5863, Guayaquil, Ecuador.
E-mail: isparede@espol.edu.ec