《Sport Sciences for Health》：A 20-year global analysis of elite IRONMAN? performance
编辑推荐：
目的：确定职业IRONMAN?铁人三项运动员中表现最佳的国家和比赛地点，并探讨最佳环境条件。方法：研究人员收集并分析了2002年至2022年间来自37个国家、参与54个IRONMAN?比赛地点的6,848名职业完赛者的记录。提取的信息包括运动员信息（性别、原籍
目的：确定职业IRONMAN?铁人三项运动员中表现最佳的国家和比赛地点，并探讨最佳环境条件。方法：研究人员收集并分析了2002年至2022年间来自37个国家、参与54个IRONMAN?比赛地点的6,848名职业完赛者的记录。提取的信息包括运动员信息（性别、原籍国、比赛地点）、成绩（hh:mm:ss）以及环境条件（即水温和气温）。研究人员开发了一种非线性机器学习预测模型，以比赛完赛时间作为预测变量，以性别、原籍国、赛事地点以及该地点的平均气温和水温作为预测因子。研究人员使用了多种模型可解释性工具来评估每个预测因子对模型预测的贡献。所有分析、建模和可视化均使用Python完成。结果：在排名前五的国家中，男子总体最快比赛成绩来自乌克兰（8.71±0.58小时）、葡萄牙（8.79±0.41小时）、波兰（8.94±0.68小时）、瑞士（8.98±0.48小时）和爱沙尼亚（9.00±0.67小时）的运动员。女子总体最快比赛成绩来自波兰（9.37±0.35小时）、芬兰（9.53±0.64小时）、智利（9.70±0.33小时）、瑞士（9.71±0.55小时）和丹麦（9.78±0.59小时）的运动员。总体最快比赛成绩在IRONMAN?塔林站（9.01±0.67小时）和IRONMAN?瑞士图恩站（9.02±0.38小时）取得。模型确定性别为最重要的预测因子，其次是运动员的原籍国。对于气温，模型预测最佳比赛成绩在19至27°C范围内。对于水温，模型倾向于较温暖的水温以获得更快的比赛成绩预测。结论：职业IRONMAN?表现受地理和环境因素的综合影响。欧洲国家和欧洲比赛地点 consistently 与更优异的成绩相关，而有利的环境条件表现为相对温暖的水温和适中的气温。
**研究背景与问题**
铁人三项是一项由世界铁人三项联合会（World Triathlon）管理的耐力性多项目运动。自首届IRONMAN?夏威夷赛事举办以来，长距离铁人三项及IRONMAN?品牌赛事在赛事数量和完赛运动员人数上均实现了显著增长。学界对此展现出日益浓厚的兴趣，研究涉及营养、能量平衡、热相关问题、身体训练、经验价值及伤病预防等多个关键主题。已有大量研究聚焦于影响运动员成绩的生理因素，包括性别差异、人体测量学特征、年龄对巅峰表现的作用以及各分项成绩的重要性，并试图识别预测总成绩的变量，如运动员的最佳马拉松成绩和奥运会距离铁人三项成绩。
尽管已有丰富认知，IRONMAN?参赛与表现的若干关键方面仍未得到充分探索，包括按年龄组和国籍进行的详细分析，尤其是对职业运动员的研究。以往研究多关注男女铁人三项运动员的整体趋势，而未区分职业与非职业运动员。为非职业选手提供科学依据固然重要，但鉴于精英与非精英运动员在训练和比赛的基础设施、资源以及参与动机和成绩表现上的差异，将研究结果在两类人群间进行直接推广并不恰当。在精英运动员层面，现有信息多集中于个体成绩决定因素，然而，表现亦可从群体特征维度进行研究，即将分析视角提升至国家层面。这一视角为影响运动员群体而非仅个体的表现决定因素提供了宝贵数据。体育地理学已就自然环境及社会、经济、文化环境在解释特定国家或城市精英运动员高分布率方面的作用提供了重要见解。鉴于IRONMAN?已成为全球性现象且其影响因素具有多面性，本研究旨在识别职业铁人三项运动员中表现最佳的国家和比赛地点，并探讨最佳环境条件。基于先前研究，研究人员假设欧洲国家的运动员将表现出优于其他大洲运动员的成绩。
**研究设计与方法**
该研究利用Python脚本从官方IRONMAN?成绩档案中获取数据，涵盖了2002年至2022年间全球54个IRONMAN?全程赛事地点的6,848条职业完赛记录，涉及37个国家。职业运动员的界定依据IRONMAN?组织的官方分类，即持有有效职业执照、有资格在职业组别中争夺奖金和世锦赛积分。最终数据集包含4,091名男性和2,757名女性的成绩，每条记录代表一名运动员在特定赛事中的官方完赛时间。环境数据来自官方赛事页面和公开的赛事当日报告，并对比赛当天的气温和水温取平均值。研究人员构建了基于XGBoost树集成算法的机器学习（ML）回归模型，以预测总完赛时间，预测因子包括性别、原籍国、赛事地点及平均水温和气温。分类变量经数值编码处理后输入模型，模型采用800个估计器，学习率为0.25。为评估模型稳健性，研究人员进行了敏感性分析，排除了完赛时间超过12小时或相对完赛时间超过1.5的职业运动员记录并重新训练模型。模型解释采用SHAP值、特征相对重要性和部分依赖图（PDP）等技术。所有分析均使用Python及多个统计和机器学习库完成。
**研究结果**
- **表现的地理分布**：对6,848条职业比赛记录的地理热力图分析显示，欧洲、北美、南美、南非和澳大利亚的国家在总成绩和分项成绩上均优于其他国家，其中欧洲国家在整体表现上呈现显著优势。
- **最快国家**：在总成绩方面，男子最快的前五名国家为乌克兰（8.71±0.58小时）、葡萄牙（8.79±0.41小时）、波兰（8.94±0.68小时）、瑞士（8.98±0.48小时）和爱沙尼亚（9.00±0.67小时）；女子最快的前五名国家为波兰（9.37±0.35小时）、芬兰（9.53±0.64小时）、智利（9.70±0.33小时）、瑞士（9.71±0.55小时）和丹麦（9.78±0.59小时）。在游泳分项中，最快的男子运动员来自乌克兰、波兰和墨西哥，最快的女子运动员来自波兰、克罗地亚和比利时。在自行车分项中，最快的男子运动员来自波兰、爱沙尼亚和乌克兰，最快的女子运动员来自波兰、芬兰和瑞典。在跑步分项中，最快的男子运动员来自葡萄牙、乌克兰和克罗地亚，最快的女子运动员来自爱尔兰、俄罗斯和波兰。
- **最快比赛赛道**：按完赛人数排序并对平均成绩进行颜色编码的54个赛事地点列表显示，总体最快比赛成绩的前五名赛事为IRONMAN?塔林（9.01±0.67小时）、IRONMAN?瑞士图恩（9.02±0.38小时）、IRONMAN?得梅因（9.06±0.80小时）、IRONMAN?巴塞罗那（9.07±0.74小时）和IRONMAN?维希（9.09±0.58小时）。敏感性分析显示，排除极值成绩后，模型表现高度一致，原始模型的MAE为2.919小时、R
2为0.440，敏感性分析的MAE为2.918小时、R
2为0.441，表明模型预测并非由极端职业成绩驱动。
- **平均SHAP值与聚合SHAP值**：基于对模型输出的影响，性别是最重要的预测因子，其次是运动员原籍国、气温、赛事地点和水温。聚合SHAP值显示性别对总成绩的影响最大。气温数据点较为分散，但红色点构成的右侧尾部表明最暖气温可显著增加完赛时间。水温呈现相似但相反的模式，最温暖的水域似乎会减少完赛时间。
- **部分依赖图（PDP）**：PDP图显示，男性平均比女性快约0.75小时（45分钟）。对于气温，模型预测最佳比赛成绩在19°C至27°C范围内。对于水温，模型倾向于预测水温高于22°C时成绩更快。三维交互PDP图表明，最快总成绩在水温26–28°C和气温20–27°C的条件下实现。
**讨论与结论**
研究发现职业IRONMAN?表现受地理、环境和性别等因素的综合影响。来自欧洲国家（如葡萄牙、波兰、爱沙尼亚等国）的运动员成绩最快，最速赛道也多位于欧洲，这与年龄组运动员的现有研究结果一致。出身国家的影响可部分由精英运动员的数量、历史传承、地理特征和经济发展的区域差异来解释，这些因素影响了训练基础设施的获取、参赛机会和运动员发展支持。然而，这些结果不应被解读为欧洲赛道本质上更快，成绩差异更可能反映了环境适宜性、赛道后勤以及职业选手阵容组成的综合效应。研究还发现最佳游泳水温为22–28°C，最佳自行车和跑步气温为19–27°C，这与部分先前研究不同，但应被视为描述性关联而非因果结论。机器学习方法在揭示这些变量的非线性关系中展现出强大效能，但模型不暗示因果关系。研究优势在于覆盖了20年间的大规模数据并应用了可解释的机器学习技术，局限性包括缺乏个体运动员特征数据（如训练负荷、排名等）和环境数据仅限温度。总体而言，这项发表于《Sport Sciences for Health》的研究揭示了职业IRONMAN?赛事成绩受地理和环境因素综合影响：欧洲国家和比赛地点 consistently 与更优异的成绩相关，而有利的环境条件为相对温暖的水温（26–28°C）和适中的气温（20–27°C）。这些发现为运动员、教练和赛事组织者在赛事选择、备赛策略和未来表现研究方面提供了参考依据，未来研究可结合运动员个体生理、战术数据与更详细的环境指标以阐明这些模式背后的机制。
