我国U13～U18岁男子足球运动员跑动速度区间的研制

吴 放 ，张廷安 ，姜 哲 ，房作铭，孙 哲

近年来，运动负荷监控（training load monitoring）已经广泛地应用于足球训练与比赛中，科学的监控手段可对训练和比赛负荷进行量化，帮助教练员、研究人员以及医务人员深入理解运动负荷与训练效果（如运动表现、疲劳状态、损伤风险等）之间的量效关系（dose-response relationship）（Gabbett et al.，2017），进而有效提高球员、球队的运动表现，制定科学的恢复策略以及降低过度训练和运动损伤发生的风险（袁鹏等，2018；Bourdon et al.，2017）。

在足球训练和比赛监控中，通常将跑动表现（running performance）相关的指标作为反映外部负荷（external workload）的重要参考（Akenhead et al.，2016；Castagna et al.，2017）。为了准确评估球员不同强度的跑动距离和构成，研究根据足球运动的间歇性特点，将球员的跑动速度按由低到高划分为若干个跑速区间（如慢跑、中速跑、快速跑、冲刺跑等），并对不同速度区间的跑动距离进行统计。随着科技的发展和对足球项目研究的不断深入，对跑速区间的划分方式共经历了3个阶段。

1）依据主观判断（observation of movement patterns）划分：使用目测、手工符号标记、三角计算等方法，通过主观观察的方式判断运动员的跑动强度，将其划分为不同类别，如走、慢跑、中速跑、高速跑、冲刺跑等，并对跑动数据进行采集和分析（孙文新 等，2001；Reilly et al.，1976），这种方式在信度和效度方面均存在一定问题（Carling et al.，2008）。

2）依据绝对速度阈值（arbitrary velocity threshold）划分：为了解球员比赛跑动中不同代谢系统能量供应比例和总体能量消耗情况，将跑动速度按一定数字阈值由低到高划分为若干个跑速区间，并对不同跑速区间下球员的跑动距离进行统计（Sarmento et al.，2017）。丹麦著名学者Bangsbo（1991）在研究中将跑速区间用不同的速度阈值予以区分：站立0～6 km/h，走动6～8 km/h，慢跑8～12 km/h，低速跑12～15 km/h，中速跑15～18 km/h，高速跑18～30 km/h，冲刺30 km/h以上。部分研究将跑速区间做了进一步调整（吴放 等，2017；Carling et al.，2016；Hoppe et al.，2015；Kempton et al.，2015）。然而，研究没有对速度阈值设定的依据进行解释，因此这是一种使用绝对速度阈值进行划分的方式（Abt et al.，2009；Bradley et al.，2015；Sweeting et al.，2017）。

3）依据个体速度阈值（individualized velocity thresholds）划分，在使用统一的跑速区间对外部负荷进行监控时，并没有考虑到球员间体能水平的个体差异，这可能会影响量效关系研究的准确性（Abt et al.，2009；Lovell et al.，2012）。有研究提出了个体化跑速区间的概念，认为应依据运动员的体能特征或活动特征为其制定个体化的跑动速度区间阈值（Abt et al.，2009；Bradley et al.，2015；Hunter et al.，2014；Lacome et al.，2014；Lovell et al.，2012；Murray et al.，2018），以提高外部负荷监控的准确性和个性化程度，根据使用情境选用不同的划分方式（Kavanagh et al.，2018）。本研究认为，在对新的群体构建跑速区间时，为提高负荷监控的准确性，应参照个体速度阈值划分的方式，在充分考虑该群体体能特征的基础上，对跑速区间进行构建。

运动负荷监控广泛应用于青少年足球的训练和比赛中，我国男、女足U系列国家队以及多家职业足球俱乐部的U系列梯队都配置了用于准确监控球员跑动表现的GPS（global positioning systems）设备。但青少年在身体形态、机能、素质等各方面的发展程度都不同于成年运动员，直接套用成人的跑速区间对青少年球员的跑动表现进行监控，将会偏误地评估球员不同强度的跑动距离和构成比例，低估外部负荷（Abbott et al.，2018a；Bradley et al.，2015；Buchheit et al.，2015；Lovell et al.，2012；Mendezvillanueva et al.，2013）。本研究在梳理相关文献成果的基础上，通过测试我国U13～U18岁男子球员的最大冲刺速度（maximal sprint speed，MSS）、最大有氧速度（maximal aerobicspeed，MAS）、无氧速度储备（anaerobic speed reserve，ASR）3项指标，拟建立适宜其体能特征的跑速区间，以提高训练和比赛中青少年球员跑动表现监控的准确性。

研究假设：1）U13～U18岁处于生长发育高峰期，不同年龄段之间球员的体能水平差别明显，需要建立多个的跑速区间标准以满足不同年龄段球员；2）部分年龄段球员之间，体能水平可能会较为接近，可为其构建共同适用的跑动速度区间。

1 研究方法

1.1 指标选取

通过场地测试的方法，获取U13～U18岁足球运动员相关体能指标，构建适合其特征的跑速区间。对相关研究成果进行梳理和汇总（Hunter et al.，2014），发现在对跑速区间进行构建时，主要依据的体能指标为MSS、MAS、通气阈速度（ventilatory threshold speed，VTS）、ASR等。本研究重点参考了部分学者（Abbott et al.，2018a，2018b；Fitzpatrick et al.，2018；Mendezvillanueva et al.，2013）以及 FIFA女足世界杯的官方体能报告中跑速区间的划分方案（FIFA，2016）（表1），对测试指标作以下说明。

表1 本研究所采用的跑速区间划分方案Table 1 Division Scheme of Running Velocity Zone in the Study

1）MAS：指当运动员达到最大摄氧量（V.O2max）时的最低速度，也被认为是刚刚达到V.O2max时的速度（Buchheit，2010；Mendezvillanueva et al.，2010）（图 1）。准确获得MAS的方法需要在实验室中进行递增负荷的跑台测试，而在实践中常常使用场地测试来代替实验室测试。在足球训练中常使用Yo-Yo IR1测试中球员力竭时所达到的速度作为该球员的MAS，这一方法得到了Krustrup（2003）、Bradley（2015）等学者的提倡并被 Heaney（2012）、Buchheit（2015）、Hermassi（2016a）等学者应用于实证研究中。

图1 最大有氧速度和无氧速度储备的关系（Buchheit，2010）Figure 1.Relationship between MaximalAerobic Speed andAnaerobic Speed Reserve

2）MSS：指运动员可以达到的最高速度，表明运动员跑动速度的极限。本研究将运动员进行40 m冲刺时30～40 m的平均速度作为运动员的MSS，这种测试方法已经在多项研究中用于评价足球运动员的最大冲刺能力（Haugen et al.，2016）。

3）ASR：指运动员的 MSS 减去 MAS（Bundle et al.，2003），其表明当一名运动员的有氧机能完全被动员时具有的速度储备，可以反映和预测球员高强度的奔跑能力（图1）。

1.2 数据的获取

1.2.1 测试时间与地点

测试时间：2017年5月—10月；测试地点：北京国安顺义足球训练基地、上海市金山足球训练基地、江苏苏宁足球训练基地。

1.2.2 测试方法

1）40 m冲刺测试。使用Smartspeed速度测试仪（ICC=0.76～0.96；CV=1.9%～5.1%）（Lockie et al.，2018），记录受试者最后10 m所使用的时间并计算出MSS。受试者在正式测试前进行10 min的热身活动，每人2次机会，间隔时间为5 min，取最好成绩，时间精度为0.01 s。

2）Yo-Yo IR1测试。在30 min的充分休息时间后，采用Yo-Yo IR1测试（ICC=0.78～0.93；CV=7.1%～7.3%）（Fanchini et al.，2014），评估受试者的MAS。受试者需要在20 m的跑道中根据音乐节奏的提示，间歇性完成多次逐渐提速的折返跑，每次有10 s的间歇时间，直到受试者因体能不支而无法跟上音乐的节奏为止（图2）。受试者在正式测试前进行5 min的热身活动，并跟随音乐进行2 min的测试学习。

图2 Yo-Yo IR1测试示意图Figure 2.Schematic Diagram of Yo-Yo IR1

1.3 样本选取

根据中国足协2017全国U系列足球联赛的最终成绩和方便抽样的原则，根据成绩排名选取14支球队、218名U系列球员（不包括守门员）作为本研究的测试对象（表2）。

表2 测试对象在各年龄段的人数分布Table 2 Distribution of Test Subjects in DifferentAge Groups

1.4 数据统计方法

将受试者（n=218）的2项测试结果分别导入SPSS 20.0进行统计分析。

1）对MSS和MAS的测试结果按U13～U18岁5个年龄段进行描述性统计分析。

2）单因素方差分析（analysis of variance，ANOVA），可对不同年龄段之间测试结果差异进行多重比较。首先对2项测试指标进行Levene方差齐性检验，其次根据方差齐性检验的结果，分别采用LDS（L）法（方差齐时）或Dunnett’s T3法（方差不齐时）对各指标在不同年龄段之间进行多重比较。

3）聚类分析，可根据体能水平将球员划分为不同的年龄组。本研究主要采用两步聚类法（two-step cluster），将年龄、MAS、MSS设为变量，聚类准则采用施瓦茨贝叶斯准则（bayesian information criterion，BIC），聚类数量选为自动。

2 研究结果

2.1 最大冲刺速度与最大有氧速度的年龄特征

2.1.1 最大冲刺速

研究结果表明，随年龄的增长，U13～U18岁球员的MSS逐渐增加，并在两两之间存在不同程度的统计学差异（F=65.28，P＜0.01），具体表现为U13显著低于 U14、U15、U16、U17、U18，U14 显著低于U15、U16、U17、U18，U15、U16显著低于U17、U18（图3）。

图3 U13～U18男子足球运动员最大冲刺速度的年龄特征Figure 3.Age Characteristics of Maximal Sprinting Speed for U13～U18 Male Football Players

2.1.2 最大有氧速度

研究结果表明，随年龄的增长，U13～U18球员的Yo-Yo IR1跑动距离逐渐增加，并在两两之间存在不同程度的统计学差异（F=39.95，P＜0.01）。具体表现为，U13显著低于 U14、U15、U16、U17、U18，U14显著低于 U15、U16、U17、U18，U15、U16、U17 显著低于U18（图4）。

图4 U13～U18男子足球运动员最大有氧速度的年龄特征Figure 4.Age Characteristics of MaximalAerobic Speed for U13～U18 Male Football Players

2.2 我国U13～U18岁男子足球运动员跑动速度区间的制定

U13～U18岁球员MSS与MAS随年龄变化的特点证实了本研究提出的2项研究假设：1）不同年龄段球员的体能水平随着年龄的增长呈现较为明显的差异，应构建多个跑速区间来满足不同年龄球员的特征；2）随年龄增长，球员体能水平表现出了阶段性的特点，可筛选出体能特征较为接近年龄段形成1个年龄组，为该年龄组设定共同适用的跑动速度区间。

为找出体能水平接近的年龄组，对所有球员的年龄、MSS、MAS数据进行聚类分类分析，研究结果表明，聚类个数为2个，聚类质量为好（Silhouette Coefficient=0.6＞0.5），其中100%的U13球员、93.5%的U14球员、25%的U15球员、1.9%的U16球员归属为聚类Ⅰ；75%的U15球员、98%的U16球员、100%的U17球员、100%的U18球员归属为聚类Ⅱ（表3）。由此可见，U13～U14球员的体能水平较为接近，U15～U18球员的体能水平较为接近。

表3 两步聚类法分析结果Table 3 Results of Two-step Clustering

因此，可将U13～U18年龄段划分为2个年龄组，分别为U13～U14和U15～U18。对2个年龄组球员的MSS、MAS和ASR进行计算（表4）。

表4 不同年龄组最大冲刺速度、最大有氧速度和无氧速度储备Table 4 Maximal Sprinting Speed，MaximalAerobic Speed and MaximalAnaerobic Speed Reserve in DifferentAge Groups

参照上文对跑速区间的划分方法，采用MSS、MAS和ASR3项体能测试指标对我国U13～U14、U15～U18岁青少年男子足球运动员的跑动速度区间进行构建（表5）。

表5 不同年龄组球员跑动速度区间标准的构建Table 5 Construction of Running Velocity Zone for Players of DifferentAge Groups

3 分析与讨论

在比赛和训练中使用GPS等监控设备对青少年球员的活动特征进行监控已经越来越普遍，但目前尚未有适配于我国青少年球员的跑速区间。基于此，拟通过场地测试的方法获取建立跑速区间的关键指标，为我国青少年球员建立适宜其体能特征的跑速区间，以提高青少年球员活动特征监控的准确性。

3.1 跑速区间构建的理论依据

目前，跑速区间的划分分为2种技术手段（Sweeting et al.，2017）。第1种是数据挖掘技术（data mining techniques），通过采集运动员比赛中的跑动速度数据，根据速度的分布情况，采用复杂的数学算法将跑动速度划分成若干区间（Dwyer et al.，2012；Park et al.，2018；Siegle et al.，2010）（图5）；第2种是体能测试（physical capacity tests），通过测试球员的某些体能指标作为构建跑速区间阈值的主要参数（Abbott et al.，2018a；Abt et al.，2009；Bradley et al.，2015；Clarke et al.，2015；Dwyer et al.，2012；Mendezvillanueva et al.，2013）。通过比较，第1种技术手段主要从数据算法的角度对跑速区间进行构建，但缺乏训练学和生理学相关的理论依据，缺少对跑速区间使用情境的考虑，使用该区间得到的数据其可解释性和训练指导性较低，故采用体能指标作为划分跑速区间的依据更加合理（Kavanagh et al.，2018；Vescovi，2018）。

图5 基于数据挖掘技术对跑速区间的划分（Dwyer，et al.，2012）Figure 5.Division of Running Velocity Zone Using Data Mining Technology

使用体能指标对跑速区间进行构建时，不同研究所选用的指标和跑速区间的划分方式有所差异（表6）。

表6 不同研究对跑速区间划分时采用的指标和方案Table 6 Indexes and ProtocolsAdopted by Different Studies to Construct Running Velocity Zone

Bellistri等（2016）、Goto 等（2015）、Nakamura等（2016）采用球员的MSS作为跑速区间划分的主要指标（方案①），虽然这种方式在实践中有较高的易行性，并具备一定的逻辑基础，但存在较大弊端，首先缺乏生理学层面的理论基础（Malone et al.，2017；Sweeting et al.，2016）；其次容易对运动负荷造成错误判断，在高速跑和冲刺跑距离方面低估速度能力强的球员并高估速度能力弱的球员（Gabbett，2015；Hunter et al.，2014；Reardon et al.，2015）；最后，该方案所监控的外部负荷与内部负荷表现出较低的相关性，不能对内部负荷进行准确地解释（Scott et al.，2018）。

Abt等（2009）、Clarke等（2015）、Lovell等（2012）基于实验室跑台测试，获取球员的VTS作为跑速区间划分的主要指标（方案②）。VTS反映了人体从有氧代谢开始逐步转换到无氧代谢临界点（王瑞元等，2012），这种方法具有较好的生理学理论基础，但Bradley等（2015）、Hunter等（2014）认为，VTS值较低，并不合适作为高速跑的阈值；其次，通过实验室的方法获取VTS具有较高的经济、人力和时间成本，在理论研究和实践应用中均不易于进行。

还有研究运用MAS作为划分跑速区间的主要指标（Abbott et al.，2018a，2018b；Bradley et al.，2015；Fitzpatrick et al.，2018）（方案③）。MAS反映了人体有氧机能完全被动员时所需要达到的速度，这种方法同样具备较好的生理学理论基础；再者，MAS是足球运动员专项耐力训练中制定训练强度的重要参数（国际足联，2016），用该指标作为划分跑速区间的主要参考可以更好地链接数据与训练实践。研究表明，使用球员100%～130%的MAS进行6周高强度间歇跑训练，相较于传统的耐力训练可以更有效地提高球员Yo-Yo IR1和RSA的测试成绩（Hermassi et al.，2016b）；其次，也有研究证实，使用MAS构建的跑速区间相比其他指标参数，所监测的快速跑、高速跑距离与心率、RPE等内部负荷表现出更高的相关性（Scott et al.，2018），说明该区间能够更准确地对内部负荷进行解释；此外，MAS可以通过场地测试法方式获得，在实践中有较高的可行性。

在方案③的基础上，Abbott等（2018b）、Mendezvillanueva等（2013）引入了ASR这一指标（方案④）来界定冲刺跑速度的阈值，ASR能够预测运动员高强度跑表现（Bundle et al.，2003），同样也是进行高强度间歇训练设定运动强度的重要参数（Buchheit et al.，2013）。研究表明，使用MAS＋30%ASR作为冲刺跑的速度阈值所监控的冲刺跑距离和TRIMP、RPE等内部负荷指标具有较好的相关性（Fitzpatrick et al.，2018），因此将ASR这一指标纳入冲刺跑速度阈值的设定有助于提高跑速区间的理论依据和实践应用。

综上所述，在对跑速区间构建时，本研究所采纳的体能指标参数和跑速区间的划分方式（方案④），其理论依据最为充分，监控准确性最高，对训练的实践指导性也最好。

3.2 年龄组划分的适用性

本研究通过测试获取我国U13～U18岁男子球员的MAS、ASR、MSS，并将此作为构建跑速区间的重要参数。研究结果表明，球员的MSS和MAS均随年龄的增长逐渐增长，并在不同年龄段之间呈现一定的显著性差异，总体表现出增长的连续性和阶段性特点。Berthoin等（1996）对685名6～17岁学生的MSS和MAS进行研究，结果表明，2项指标均随年龄增长而增长，12岁以后增长速度加快，表现出增长的连续性。Mendezvillanueva等（2010）对14名青春期前期、21名青春期中期和26名青春期后期训练有素的足球运动员进行测试，结果表明，处于青春期不同阶段的球员，2项指标均表现出显著性差异，表明这2项素质增长的阶段性特点。出现这种现象的原因，一方面可能是由于青少年球员处于不同青春发育期，体内激素水平不同，各方面素质机能的增长速度不同，另一方面是由于随着年龄的增长，训练中将增加更多的速度、力量和耐力训练。

根据球员测试指标随年龄变化所表现出的连续性和阶段性特点，按照体能特征相近的原则，本研究对测试数据进行聚类分析，结果跑速区间被划分为2个年龄组，分别为U13～U14与U15～U18。这样的年龄分组一方面与青少年生长发育的阶段性特点相吻合（王瑞元等，2012），即12～14岁属于青春发育期前期，15～17岁属于青春发育期中期；另一方面，也与青少年足球训练发展期的划分较为接近（国际足联，2016），早期训练发展期为12～15岁、训练发展期为15～18岁。

综上所述，依据球员体能指标所构建的跑速区间，吻合各年龄段的体能水平特征，年龄组的划分也与青少年生长发育的阶段性特点和青少年足球训练发展期的阶段划分相吻合，表明该跑速区间的年龄组划分具有较好的适用性，能够满足对各年龄段球员训练、比赛中运动负荷的监控需求。

3.3 跑速区间的实证检验

目前，有关足球跑动表现的研究多集中于成人运动员，在对跑速区间进行界定时，大多均沿用数据采集服务商在比赛体能报告中所提供的跑度区间（Barry，2018），对于成人男子运动员来讲，最具有代表性的两家数据采集服务商分别为Amisco和Prozone。对2种系统所采用的跑速区间与本研究所构建的速度区间进行对比，在每个区间的划分中，本研究所构建的跑速区间均低于2种系统成年男子运动员所使用的跑速区间，而U13～U18岁球员显然在各个方面与成年运动员都存在一定的差距，所以这也符合本研究的目的，即为低年龄段球员研制适合其体能特征的跑速区间（表7）。

表7 本研究研制的跑速区间与男子成人跑速区间对比Table 7 Comparison of Running Velocity Zone in this Study with MaleAdults Running Velocity Zone km·h-1

为验证本研究所构建的2组跑速区间能否适用于实践需求，分别随机选取中国足协U系列联赛中U13和U16的一场比赛并对所有球员的跑动表现使用GPS设备进行监控，将打满全场球员的数据纳入分析，其中，U13比赛（n=16）、U16比赛（n=16）分别使用成人跑速区间（表7，Amisco）及本研究所构建的跑速区间对不同速度区间跑动距离占比进行统计、分析和对比（图6）。

图6 U13（A）、U16（B）相同球员不同跑速区间跑动距离占比分析Figure 6.Analysis on Proportion of Running Distance between U13（A）and U16（B）of Same Players with Different Running Velocity Threshold

对于U13或U16的球员使用成人跑速区间和本研究构建的跑速区间所统计出的各个区间跑动距离占比均表现出显著性差异（图6）。相比于本研究构建的跑速区间，使用成人跑速区间监控到球员走慢跑和低速跑占比较高，中速跑、快速跑占比较低，高速跑、冲刺跑占比极低，其中球员冲刺跑占比分别为0.9%和1.1%。对不同跑动强度的比例进行比较，低强度跑（走慢跑＋低速跑）：中强度跑（中速跑＋快速跑）：高强度跑（高速跑＋冲刺跑），使用本研究研制的跑速区间，U13约为4：2：1，U16约为6：3：1，而使用成人区间U13与U16均为18：6：1。成人足球运动员比赛中不同强度的跑动距离比例大约为6：3：1（Mark，2013），显然使用新研制的跑速区间对U13、U16进行监控得出的跑动比例更接近于现有研究结果，表明本研究所构建的跑速区间具备一定合理性。另外，高强度跑被认为是反映球员专项体能的重要指标之一，球队高强度跑距离与联赛排名、比赛胜负均为正相关（姜哲等，2018），球员在一场比赛中的高强度跑距离大约占总跑动距离的9%～13%（Strudwick，2016），本研究中使用成人跑速区间所监控的距离占比明显低于这一数值（U13：3.9%；U16：4.0%），但这却不能表明球员的高强度跑动能力低，只是由于使用了不恰当的跑速区间，而使用本研究构建的跑速区间所统计出的高强度跑占比则相对更加合理，其中U13为14.3%，U16为10.0%。U13球员高强跑占比高于U16，一方面可能是由于低年龄球员具备更低程度的疲劳和更快速的恢复能力（Ratel et al.，2006），另外也可能是低年龄球员比赛时长更短的缘故。因此，使用成人的跑速区间对青少年球员的跑动表现进行监控时，容易高估低强度跑动的占比，并低估中、高强度跑动的占比，进而低估球员实际所承受的外部负荷。本研究所构建的2组跑速区间在实证检验中，均表现出良好的合理性和适用性。

4 结论

本文所研制的跑速区间，符合我国U13～U18岁男子足球运动员的体能特征，该跑速区间分为U13～U14，U15～U18 2个年龄组，具有可靠的理论依据和较佳的适用性，可以更客观、精确地提高男子青少年足球运动队日常训练、比赛中外部负荷的监控水平。

综上所述，本研究在对跑速区间构建的相关理论进行深入分析的基础上，为我国U13～U18男子足球运动员构建了一套适宜其体能特征的跑速区间。但研究也存在一定局限与不足。首先，考虑到实践中的便捷性和可行性，体能指标参数的获取主要使用场地测试的方法，相比于实验室测试，数据的严谨性方面略显不足；此外，本研究仅选用了14支球队的球员作为研究对象，导致每个年龄段的受试者人数相对偏少，在样本代表性方面存在一定偏差。在后续的研究中，还需扩大样本量，兼顾更多不同球队的不同年龄段球员，以提高跑速区间的普适性。