潘其乐，景 晨

运动员选材就是发现或识别有天赋的人才，指导儿童青少年从事最适合个人特征的运动项目。 为实现“运动员-项目”间的定位（sports orientation），匹配青少年运动员适宜的运动项目， 需要有一套广泛通用的测试指标体系，既突出运动项目间的差异，便于运动员之间和运动项目之间的比较，又体现运动项目之间的转移可能性[1]。 国家体育总局自2004 年以来，以奥运会四年为一个周期，在全国各级各类体校中开展 “国家高水平体育后备人才基地”（以下简称基地）认定工作，为实施体育后备人才培养工程打下良好基础， 大大提升各级各类体校体育后备人才培养质量[2]。 在评定框架中，要求学校每年进行两次“大纲考核”，已有大纲测试标准的项目按标准执行，无测试标准的项目可根据各省（区、市）研制标准执行。上海市于2010 年在国家体育总局制定的大纲标准上，结合本地优势，制定出包含身体形态、身体素质、 生理机能和生长发育等方面的基地选材测试指标体系，十几年来积累了大量数据。但这套指标体系在选材工作实践中能否有助于落实这一定位， 却较少有研究结果证明，也存在年龄和项目上的局限[3]。

判别分析（Discriminant Analysis, DA）作为一种参数化技术， 可用于确定哪些特征变量或预测因子的权重能够更好区分两组或两组以上的案例， 所创建的判别函数为变量权重和分数的线性组合[4]。 也就是说，以选材指标为自变量、运动员所从事的运动项目为因变量， 采用判别分析可以了解不同指标在区分各运动项目中的相对重要性， 或者说可以探索这一选材指标组合是否有助于运动项目定位[1,3,5]。尽管非线性人工神经网络如自组织Kohonen 功能图和多层感知器等方法更为贴合人才表现的非线性发展过程，但线性判别分析的分类适当性仍表现较好，甚至正确分类（即真阳性，被归类为参与该项运动的运动员）的准确性高于非线性方法，整体的正确分类率在70%以上[3,6-7]。

因此，本研究运用判别分析法，为上海地区的青少年运动员构建运动项目定位模型， 探索基地选材指标体系对运动项目定位的有效性， 使大纲测试结果不仅用于运动员考核或基地认定， 还要反哺上海地区青少年运动员的人才识别和选拔，因材施教，提高成才率。

1 研究对象和方法

1.1 研究对象

近五年（2015—2019 年）上海市两所市级体育运动学校的青少年运动员，以两岁为一个年龄组，年龄范围11~18 岁。 在排除①基地测试存在数据缺失，②从事某项目的运动员在某年龄段的人数少于5 人后，663 名男性运动员和662 名女性运动员成为最终的研究对象，其在各年龄段的分布见表1，能基本代表该时段上海地区的二线人才储备。

表1 上海市儿童青少年运动员各年龄段人数分布（单位：人）Table1 Numbers of children and youth athletes in Shanghai by age group (unit: person)

1.2 研究方法

按基地测试要求，上下半年各一次（上半年3—4 月；下半年9—10 月），测试指标见表2，采样地点在校内且基本固定，遵照《上海市青少年运动员选材测试标准化工作指南》，采用相同的时间流程安排和相同的测试仪器，并由经选材培训考核合格、年测量人数在8 000 人次以上的上海市运动员选材育才专业委员会测试人员进行施测， 且按当日测试总人数的3%~5%进行随机抽样复测，以确保数据的可信度。

表2 上海市体育后备人才基地选材测试指标Table2 Shanghai sports reserve talent base selection test index

1.3 数据处理

所有数据均采用SPSS20.0 进行方差分析和判别分析，最小统计学意义设定为P＜0.05。 对方差齐性的指标，考虑到各组样本量的不同，选用Scheffe法进行组间差异分析； 对方差不齐的指标， 选用Brown-Forsythe 法和 Welch 法检验其显著性，Tamhane’s T2 法进行组间比较。 以运动员所从事的运动项目为分组变量、选材指标值为自变量，所得的Fisher 线性判别函数分别对应各运动项目， 探索基地选材指标体系对各年龄段运动项目定位的能力。分别采用标准判别分析（Standard DA）和步进式判别分析（Stepwise DA）了解这些选材指标在项目定位中的相对重要性。 判别分类效果的验证采用留一法交叉验证（the leave-one-out method of cross-validation），是将1 个样本作为其余（n-1）个样本的验证集，重复n 次后进行平均所得的正确分类百分比[8]，而被归类为参与该项运动的其他项目运动员为假阳性。

2 研究结果

描述性统计显示，与同龄人相比，篮球和排球运动员在长度形态指标（身高、指距、上肢长、下肢长B和小腿长A）和心肺功能（肺活量）上体现优势；举重运动员表现出占优的身体体型 （体重和皮褶厚度和）、各部位围度（胸围、腰围、大腿围、小腿围和踝围）和躯干力量（背力），但长度指标（身高、指距、小腿长和跟腱长） 较低； 游泳运动员表现出宽肩 （肩宽）、窄胯（骨盆宽），以及较好的心肺功能（胸围和肺活量）； 田径运动员表现出较低的胸围和皮褶厚度、较好的下肢优势（下肢长B 和小腿长A）和眼手反应速度；乒乓球、羽毛球和女足运动员的体型相对较小，这可能也导致了其不占优的肺活量和躯干力量。

为探索基地选材指标体系对不同运动项目的定位能力， 针对4 个年龄段和两个性别分别进行了标准判别分析， 各年龄段从事不同运动项目的男女性青少年运动员得到正确分类的结果见表3、表4。

表3 男性青少年各年龄段、各项目运动员经基地选材指标体系正确分类的百分比（%）Table3 Percentage of male youth athletes of all ages and events correctly classified by the base selection index system(%)

表4 女性青少年各年龄段、各项目运动员经基地选材指标体系正确分类的百分比（%）Table4 Percentage of female youth athletes of all ages and events correctly classified by the base selection index system(%)

在11~12 岁年龄段从事6 种不同项目的男性青少年运动员中， 结果显示77.0%的初始分组案例得到了正确分类， 对交叉验证分组案例中的48.0%进行了正确分类 （Wilks’ Lambda＝0.075，P＜0.001）。由于分组变量在6 个运动项目间是不同的， 故生成5 个规范判别函数， 其共同的累计作用占项目正确分类案例中的100%。 第一个判别分析中所获得的Fisher 线性判别函数反映了肺活量、跟腱长、肩宽、指距和上肢长5 个指标在区分这6 种运动项目中的相对重要性， 解释了整个模型35.4%的方差变化。Fisher 判别函数2 则反映小腿长A、 下肢长B 和身高的相对重要性。 两者累计解释67.0%的模型方差变化。

在该年龄段从事8 种不同项目的女性青少年运动员，61.7%的初始分组案例和31.6%的交叉验证分组案例得到了正确分类（Wilks’ Lambda＝0.089，P＜0.001）。 判别分析中所获得的7 个Fisher 线性判别函数，函数1 解释了整个模型方差变化的38.8%，反映出身高、指距、坐高、小腿长A 和上肢长等身体长度指标在区分这8 种运动项目中的相对重要性。函数2 则反映背力的相对重要性。 两者对各运动项目区分的累计方差变化解释达68.2%。

在13~14 岁年龄段从事11 种不同项目的男性青少年运动员中， 初始分组案例中的51.2%得到了正确分类， 而交叉验证的分组案例中仅36.5%被正确分类（Wilks’ Lambda＝0.095，P＜0.001）。 第一个Fisher 线性判别函数反映了下肢长B、 小腿长A、身高和上肢长这5 个长度形态指标在区分这11 项运动中的相对重要性， 解释了整个模型41.3%的方差变化。 Fisher 判别函数2 则反映腰围、皮褶厚度和、大腿围、体重、胸围、踝围和小腿围这些身体充实度指标和围度形态指标的相对重要性。 两者累计解释62.3%的方差变化。

在该年龄段的女性青少年运动员中，初始分组案例中的54.0%得到了正确分类，对交叉验证分组案例中的32.5%进行了正确分类（Wilks’ Lambda＝0.124，P＜0.001）。 第一个Fisher 线性判别函数反映了下肢长B、小腿长A、指距、上肢长和身高5 个长度形态指标在区分这12 项运动中的相对重要性，解释了整个模型37.8%的方差变化。 第二个Fisher 判别函数则反映背力和肩宽指标的相对重要性。 两者累计解释55.7%的模型方差变化。

在15~16 岁年龄段的男性青少年运动员中，60.6%的初始分组案例和40.4%的交叉验证分组案例得到了正确分类（Wilks’Lambda＝0.141，P＜0.001）。第一个Fisher 线性判别函数反映了下肢长B、 小腿长A 和身高3 个长度形态指标在区分这8 项运动中的相对重要性， 解释了整个模型55.3%的方差变化。 Fisher 判别函数2 则体现背力、小腿围和大腿围等反映身体力量指标的相对重要性。 两者累计解释72.1%的模型方差变化。

在该年龄段从事10 种不同项目的女性青少年运动员，61.1%的初始分组案例和37.3%的交叉验证分组案例得到了正确分类 （Wilks’ Lambda＝0.086，P＜0.001）。 Fisher 线性判别函数1 解释了整个模型43.6%的方差变化， 主要反映了下肢长B 和跟腱长指标在区分这10 项运动中的相对重要性。 Fisher 判别函数2 则体现背力指标的相对重要性； 两者累计解释70.5%的模型方差变化。

在17~18 岁年龄段从事5 种不同项目男性青少年运动员，77.4%初始分组案例和63.2%交叉验证分组案例得到了正确分类（Wilks’ Lambda＝0.140，P＜0.001）。 第一个Fisher 线性判别函数反映了下肢长B 和身高、胸围和大腿围这两方面身体形态指标在区分5 项运动中的相对重要性， 对整个模型74.8%的方差变化进行了解释。 Fisher 判别函数2 则反映背力和小腿围等身体力量指标的相对重要性。累计模型方差解释92.1%。

在该年龄段从事5 种不同项目女性青少年运动员， 对90.1%的初始分组案例和71.8%的交叉验证分组案例进行了正确分类 （Wilks’ Lambda＝0.033，P＜0.001）。 第一个Fisher 线性判别函数反映了皮褶厚度指标的项目定位相对重要性， 对45.9%的模型方差变化进行了解释。 Fisher 判别函数2 则体现小腿长A、 下肢长B 和身高等指标的相对重要性。 两者累计解释79.1%的模型方差变化。

为了进一步探索哪些特征指标能明显区分不同的运动项目，以及出于实际的指标精简考虑，采用步进式判别分析，可将11~12 岁男性青少年运动员的项目定位显著性指标精简至肩宽和小腿长A 这2 项指标，能对46.0%初始分组案例和42.0%交叉验证分组案例进行正确分类 （Wilks’Lambda＝0.464，P＜0.001），第一个Fisher 线性判别函数主要突出小腿长A 指标，解释了整个模型69.2%的方差变化（表5）。13~14 年龄段的项目定位显著性指标可精简至下肢长B、 大腿围、 肺活量和背力这4 项指标， 能对37.3%初始分组案例和30.6%交叉验证分组案例进行正确分类（Wilks’Lambda＝0.267，P＜0.001），Fisher 线性判别函数1 解释了整个模型方差变化的54.1%，主要反映下肢长B 的相对重要性，而函数2体现大腿围和肺活量的相对重要性， 累计解释模型方差79.6%（表6）。15~16 岁男性青少年运动员的项目定位显著性指标为下肢长B、小腿围、大腿围和背力这4 项指标，前一指标体现在线性判别函数1中，其余与函数2 更为相关，累计方差变化解释达93.3%， 能对46.8%初始分组案例和40.9%交叉验证分组案例进行正确分类 （Wilks’Lambda＝0.354，P＜0.001）（表7）。 17~18 岁男性青少年运动员的项目定位显著性指标可精简至身高、胸围和背力这3 项指标，对65.4%初始分组案例和64.7%交叉验证分组案例进行了正确分类（Wilks’Lambda ＝0.297，P＜0.001），2 个线性判别函数累计解释了99.7%的模型方差变化（表8）。

表5 基于基地选材指标的11~12 岁男运动员项目Fisher 步进式线性判别函数系数Table5 Fisher stepping linear discriminant function coefficient of 11-12 years old male athletes based on base selection index

表6 基于基地选材指标的13~14 岁男运动员项目Fisher 步进式线性判别函数系数Table6 Fisher stepping linear discriminant function coefficient of 13-14 years old male athletes based on base selection index

表7 基于基地选材指标的15~16 岁男运动员项目Fisher 步进式线性判别函数系数Table7 Fisher stepping linear discriminant function coefficient of 15-16 years old male athletes based on base selection index

表8 基于基地选材指标的17~18 岁男运动员项目Fisher 步进式线性判别函数系数Table8 Fisher stepping linear discriminant function coefficient of 17-18 years old male athletes based on base selection index

11~12 岁女性青少年运动员的项目定位显著性指标可被精简至小腿长A 和肺活量这2 项指标，分别体现在2 个线性判别函数中， 能对32.3%初始分组案例和30.1%交叉验证分组案例进行正确分类（Wilks’Lambda＝0.450，P＜0.001）（表9）。 13~14 年龄段的项目定位指标可精简至体重、指距、下肢长B和背力这4 项指标， 函数1 解释了整个模型61.4%的方差变化， 突出下肢长B 和指距的相对重要性，与函数2 累计解释78.2%的模型方差变化， 能对32.8%的初始分组案例和26.8%的交叉验证分组案例进行正确分类 （Wilks’Lambda＝0.343，P＜0.001）（表10）。 对15~16 岁年龄段的女性青少年运动员，项目定位显著性指标为下肢长B、 背力和皮褶厚度和这3 项， 对40.9%初始分组案例和36.3%交叉验证 分 组 案 例 进 行 了 正 确 分 类 （Wilks’Lambda ＝0.327，P＜0.001）（表11）。 17~18 岁女性青少年运动员的项目定位显著性指标有身高、体重、小腿围、皮褶厚度和与背力这5 项指标， 能对69.0%初始分组案例和60.6%交叉验证分组案例进行正确分类（Wilks’Lambda＝0.244，P＜0.001），累计模型方差解释88.4%（表12）。 相应的Fisher 线性判别函数可见表5~ 表12。

表9 基于基地选材指标的11~12 岁女运动员项目Fisher 步进式线性判别函数系数表Table9 Fisher stepping linear discriminant function coefficient of 11-12 years old female athletes based on base selection index

表10 基于基地选材指标的13~14 岁女运动员项目Fisher 步进式线性判别函数系数表Table10 Fisher stepping linear discriminant function coefficient of 13-14 years old female athletes based on base selection index

表11 基于基地选材指标的15~16 岁女运动员项目Fisher 步进式线性判别函数系数表Table11 Fisher stepping linear discriminant function coefficient of 15-16 years old female athletes based on base selection index

表12 基于基地选材指标的17~18 岁女运动员项目Fisher 步进式线性判别函数系数表Table12 Fisher stepping linear discriminant function coefficient of 17-18 years old female athletes based on base selection index

3 讨论

本研究通过判别分析法，探索基地选材测试指标体系对青少年运动员项目定位的有效性，发现其对初始分组案例能有50%~90%的判别能力， 而对交叉验证分组案例的分类能力下降了15%~30%。从结果来看，相似年龄段（15~16 岁）男性青少年运动员的初始案例项目定位正确率（60.6%）远低于Pion等[1]对9 个运动项目（羽毛球、篮球、体操、手球、柔道、足球、乒乓球、铁人三项和排球）青少年运动员96.4%的正确分类率，以及Zhao 等[3]对14~16 岁年龄段6个运动项目（篮球、击剑、柔道、游泳、乒乓球和排球） 青少年运动员98.9%的项目定位正确率。 女性青少年运动员的初始案例分类正确率（13~14 岁，54.0%）也同样低于Leone 等[9]研究中同龄女性青少年运动员在4 个项目（网球、游泳、花滑和排球）中的正确分类率（88.0%）。 交叉验证分组案例中的项目定位正确率（40.4%）同样远低于Zhao 等[3]所得的71.3%。

以上差异可能与纳入分析的项目有关。 一方面是项目的数量。Pion 等[10]对跆拳道、柔道和空手道这3 个项目男性青少年运动员的分类正确率高达100%，而本研究中对13~14 岁年龄段分别从事11 个运动项目的男性青少年运动员和12 个运动项目的女性青少年运动员， 所得的正确项目定位率仅为51.2%和54%。 此外，在数据统计时将分组变量仅分为“从事该项目”和“非从事该项目”两类[1,3]，也能提高项目的正确定位率， 如将本研究中13~14 岁年龄段的男性柔道青少年运动员归为1， 而其余项目运动员归为2， 则该项目原始案例和交叉验证案例的正确分类率能从之前的46.2%和23.1%提升到72.2%， 所得的步进式判别函数保留了胸围和骨盆宽指标，也更能体现项目的形态特征要求[11]。数量越多，各项目的组质心更为集中，则正确分类率相对较低。 另一方面是项目本身，如作为基础大项的田径，小项众多，虽同为体能主导，但如跳跃和投掷类偏重快速力量，短跨类注重速度，而中长跑和全能则依靠耐力[12]，从而田径运动员被错认为除游泳以外其他项目运动员的可能性很高。 也因此如Zhao 等[3]将该项目运动员从其研究对象中剔除， 得到较高的项目定位准确率， 但与其他项目交集较多的田径运动员标志点是否也预示了其跨项选材的可能性， 可以在后续进行深入的跟踪研究。 且凭借基地选材指标体系，该项目运动员仍能在小年龄段（11~14 岁）与游泳和排球项目，在大年龄段（15~18 岁）与举重和乒乓球项目运动员较好地区别开。

不同于大部分研究所选择的单一年龄段青少年运动员为研究对象， 本研究的年龄跨度从11 岁到18 岁，几乎涵盖整个青春发育期，那么年龄的变化也可能会影响基地选材指标体系的项目定位能力。在青春发育前中期，会出现个体形态的生长突增，如以身高为代表的突增高峰[13]和某些身体素质的可训练性敏感期[14]，突增和敏感期的起始时间与变化幅度等的个体差异， 会使得个体间的体格表现水平存在较大不同，这也预示着未来发展的多种可能性，表现为该阶段选材指标体系的项目定位准确性较低。而在青春发育后期， 在体系中占比较重的身体形态逐渐趋于稳定， 则特定项目所带来的形态特征可以较明确地区分出从事该项目的青少年运动员[9]，表现为体系的项目定位准确性逐渐增强。

基地选材指标体系对不同年龄段、 不同运动项目的项目定位能力并不一致。整体来看，体系的项目定位准确性表现最佳的是排球、 举重和小年龄段的游泳项目。排球运动员的身体长宽优势和心肺能力，可将他们较好地区别于同年龄段的其他青少年运动员， 对应指标更可用于该项目的运动表现评价和比赛位置识别，如身高对发球能力的显著影响[15]、不可变指标（身高和骨盆宽）和可变指标（上臂紧张围）与运动表现的灵活性和机动性密切相关[16]等。 举重运动员的脱颖而出受益于其占优的体型、 身体围度以及躯干力量， 更大的全身肌肉体积能支持其举起更大的重量， 而较高的腰部动态肌肉力量则是其优质完成抓取和挺举动作的先决条件。 游泳有别于其他陆上运动，表现在显著的胸围和肩宽、优异的上肢长度和较窄的骨盆宽，逐渐发展成为身材高、手臂长、骨盆宽较窄、 躯干形态呈倒三角的优秀游泳运动员形态特征[17]，这种流线形体有利于在游泳过程中减少水阻力，加大做功距离，提高游速[18]。

但也相应地， 基地选材指标体系对柔道、 乒乓球、田径和男子棒球项目的定位作用不佳，柔道运动员虽表现出相对较好的上身围度和宽度，却不明显，男子棒球和乒乓球运动员在同龄者中各方面皆不占优。 这可能是体系中基础运动能力指标占比较小所造成的。 如大部分教练员都认可相比于人体测量学指标，协调、灵敏和专项技能特征更适用于乒乓球运动员的评价[19]。 而在Spaniol[20]构建的棒球运动测试体系中， 除基本的身体成分外， 也更注重包括灵活性、敏捷性、肌肉力量、下肢爆发力、旋转能力、投掷和击球速度等在内的运动专项指标。 在未来的选材指标体系优化中，可通过纳入更多维度的评价指标，使得对运动员天赋的评估更为全面， 针对运动项目的定位更加准确。

从步进式判别结果来看，下肢长B 和背力指标在13~18 岁年龄段有较强的项目判别能力，四肢和躯干围度也能较好地对该年龄段的男运动员进行项目定位， 而小腿长A 的项目区分优势体现在11~12岁年龄组， 精简后的基地选材测试指标体系对初始分组案例保有30%~70%的分类正确率，在交叉验证分组案例中仅下降了5%。 Zhao 等[3]将是否从事该运动项目作为分组变量，同样发现了背力指标在判别篮球、击剑、柔道、乒乓球和排球运动员上的显著性，非线性多层感知器算法所得的该指标区分度在90%以上。 这可能预示着，在人力物力不及或基层进行大批量儿童青少年选材时，选用这几项简单的选材指标，也能为运动员提供有价值的项目定位信息。

4 结论

本研究结果显示，包含身体形态、身体素质和生理机能等特征在内的基地选材测试指标体系对上海市青少年运动员的运动项目定位具有中到高度的有效性，且会受到年龄和项目的影响。 下肢长B 和背力指标在青春中后期表现出较强的运动项目区分能力，而小腿长指标在青春前期表现出区分优势，皆可作为运动项目定位的特征指标。