Veröffentlichungsdatum: 15. Juli 2024

Abstrakt

Diese Studie untersucht die Leistungsentwicklung deutscher Fußballseniorenteams über einen Zeitraum von fünfzehn Jahren (2008-2023). Mit einem datengesteuerten Ansatz wurden die Vereinsqualität (VQ) und deren Schwankungen analysiert, um die erfolgreichsten, am meisten verbesserten sowie die Teams mit den größten Rückgängen zu identifizieren. Unter Verwendung von R und RStudio wurden umfangreiche Datensätze verarbeitet, um mittels deskriptiver Statistik und Varianzanalyse die Leistungsindikatoren der Teams zu bewerten. Die Ergebnisse zeigen, dass konstante Leistung mit effektivem Management und langfristiger strategischer Planung korreliert, während signifikante Leistungsabfälle häufig mit finanziellen und organisatorischen Herausforderungen einhergehen. Diese Erkenntnisse bieten wertvolle Einsichten für Clubmanager und Stakeholder im Bereich des Sports, um ihre Strategien zur Leistungssteigerung zu optimieren.

Keywords: Vereinsqualität, Langzeitstudie, Sportmanagement Sportliche Leistung, Fußballclubs

1. Einleitung

Im modernen Profifußball ist die Fähigkeit eines Clubs, nicht nur kurzfristige Erfolge zu erzielen, sondern auch langfristig konkurrenzfähig zu bleiben, von entscheidender Bedeutung. Die Bewertung der Leistung von Fußballvereinen, insbesondere im Kontext der deutschen Seniorenteams, bietet wertvolle Einblicke in die Effektivität von Clubstrategien und die Entwicklung von Talenten über die Jahre. Diese Studie zielt darauf ab, die sportliche Leistung deutscher Fußballvereine über einen Zeitraum von fünfzehn Jahren (2008 bis 2023) zu analysieren, um ein tiefgreifendes Verständnis ihrer Entwicklungsdynamik zu erlangen.

Die methodische Grundlage dieser Untersuchung basiert auf dem von Lanwehr et al. (2021) entwickelten Ansatz zur Bewertung der Qualität von Nachwuchsleistungszentren, der eine ökonomische und valide Bewertungsmethode vorschlägt. Dieser Ansatz nutzt Output orientierte Indikatoren, um die Leistungsfähigkeit von Fußballvereinen zu messen, wobei ein besonderer Fokus auf die konvergente Validität zwischen traditionellen inputorientierten und innovativen outputorientierten Verfahren gelegt wird. Die Forschung von Lanwehr et al. zeigt, dass die korrelativen Beziehungen zwischen den Indikatoren robust genug sind, um sie für breitere Bewertungen der Clubleistung zu adaptieren.

In dieser Arbeit werden vier spezifische Forschungsfragen adressiert:

1. M1: Wer sind die zehn erfolgreichsten Seniorenteams im deutschen Fußball basierend auf ihrer durchschnittlichen Leistung über den betrachteten Zeitraum?

2. M2: Welche Teams haben seit der Einführung der 3. Liga die größten Verbesserungen gezeigt?

3. M3: Welche Teams haben im selben Zeitraum die größten Rückgänge erlebt?

4. M4: Welche Teams konnten ihre Leistung über die Jahre hinweg am konstantesten halten?

Die Antworten auf diese Fragen liefern nicht nur Aufschlüsse über individuelle Cluberfolge, sondern auch über die Stabilität und Effektivität von Clubmanagements und -strategien im Zeitverlauf. Indem diese Studie die langfristigen Leistungstrends innerhalb der deutschen Fußballligen beleuchtet, trägt sie zur wissenschaftlichen Diskussion über Sportperformance und Clubmanagement bei und bietet praktische Einblicke für Stakeholder in der Sportindustrie.

2.  Methoden

Datenerhebung

Die Datenbasis dieser Studie beinhaltet umfangreiche Jahresendplatzierungen und Punktestatistiken deutscher Fußballseniorenteams von der Saison 2008/09 bis 2023/24. Diese Informationen wurden aus offiziellen Fußballdatenbanken und Archiven bezogen, die detaillierte Aufzeichnungen über die Spielergebnisse, die erzielten Punkte und die zugehörigen Ligastufen enthalten. Für die Analyse wurden ausschließlich Teams berücksichtigt, die mindestens eine Saison in der 3. Liga oder höher gespielt haben, um eine konsistente Vergleichbarkeit der Leistungsdaten sicherzustellen.

Berechnung der Vereinsqualität (VQ)

Die Bewertung der Leistungsfähigkeit der Fußballclubs basiert auf einem adaptierten Modell der Studie von Lanwehr et al. (2021), das ursprünglich zur Bewertung der Qualität von Nachwuchsleistungszentren entwickelt wurde. Dieses Modell nutzt Output orientierte Indikatoren, um die Effektivität der Clubs im Hinblick auf ihre sportliche Leistung zu messen. Die von Lanwehr et al. vorgestellte Methode kombiniert traditionelle inputorientierte Bewertungsansätze, wie Investitionen in Spieler und Infrastruktur, mit Output orientierten Ergebnissen, wie den erreichten Punkten und den Ligapositionen.

Für die Berechnung der Vereinsqualität (VQ) wurde folgende Formel verwendet:

Hierbei steht Ligalevel für die Spielklasse des Teams, mit 1 für die Bundesliga und aufsteigend für niedrigere Ligen. Punkte repräsentiert, die in einer Saison erreichten Punkte, und dPZDM5 ist der Durchschnitt der Punkte der Deutschen Meister über die letzten fünf Saisons, der als Benchmark für die maximale Leistungsfähigkeit dient. Dieser Ansatz ermöglicht eine normierte Bewertung der Clubleistung, unabhängig von der Liga, und berücksichtigt sowohl die absolute Leistung als auch die Leistung im Verhältnis zur Spitze des deutschen Fußballs.

Statistische Analyse

Nach der Berechnung der VQ-Werte für jeden Club und jede Saison wurden diese Daten verwendet, um die Forschungsfragen zu beantworten. Dabei wurde insbesondere auf die Entwicklung der Teams über den Zeitraum, die Identifikation von Spitzenreitern und die Konsistenz der Leistung geachtet. Die Analyse umfasste deskriptive Statistiken, Trendanalysen und die Anwendung von Varianzanalysen, um die Teams mit der größten Leistungsverbesserung, den größten Rückgängen sowie der höchsten Konsistenz zu identifizieren.

Die Verwendung dieser methodischen Grundlagen ermöglicht eine umfassende und wissenschaftlich fundierte Analyse der Leistung deutscher Fußballclubs, basierend auf einem ökonomisch und empirisch validen Modell, das sich an den neuesten Forschungsstandards orientiert.

Verwendung von R und RStudio

Für die statistische Analyse und Datenvisualisierung in dieser Studie wurde die Programmiersprache R verwendet, die speziell für statistische Berechnungen und grafische Darstellungen entwickelt wurde. R ist aufgrund seiner Flexibilität, Erweiterbarkeit und der umfangreichen Verfügbarkeit von Paketen, die speziell auf die Bedürfnisse der Datenanalyse zugeschnitten sind, eine ideale Wahl für wissenschaftliche Forschungsprojekte.

RStudio, eine integrierte Entwicklungsumgebung (IDE) für R, wurde verwendet, um die Handhabung der Datenanalyse und -visualisierung zu erleichtern. RStudio bietet eine benutzerfreundliche Oberfläche, die das Management von Daten, Skripten und Ausgabeergebnissen vereinfacht und die Produktivität durch Funktionen wie Code-Vervollständigung, Syntax-Hervorhebung und direkten Zugriff auf eine Vielzahl von R-Paketen erhöht.

Für die Datenmanipulation und -aufbereitung kamen spezielle R-Pakete wie `dplyr` und `tidyr` zum Einsatz, die eine effiziente Handhabung und Transformation großer Datensätze ermöglichen. Die Erstellung der Visualisierungen erfolgte mit Hilfe des Pakets `ggplot2`, dass eine mächtige und flexible Grundlage für die Erstellung von komplexen Grafiken bietet. Weitere wichtige Pakete, die in der Studie verwendet wurden, schließen `DT` für interaktive Tabellen und `shiny` für die Erstellung von webbasierten Anwendungen ein, die es erlauben, die Forschungsergebnisse einem breiteren Publikum zugänglich zu machen.

Die Verwendung von R und RStudio unterstützte nicht nur eine präzise und effiziente Datenanalyse, sondern förderte auch die Reproduzierbarkeit der Forschungsergebnisse. Durch das Einbetten von R-Code in den Forschungsworkflow konnte jede Analysestufe dokumentiert und verifiziert werden, was eine kritische Überprüfung und Validierung der Studienergebnisse durch die wissenschaftliche Gemeinschaft erleichtert.

3.  Ergebnisse

Die Analyse der Vereinsqualität (VQ) über den Zeitraum von 2008/09 bis 2023/24 lieferte aufschlussreiche Ergebnisse zur Leistungsentwicklung der deutschen Fußballseniorenteams. Hier sind die detaillierten Ergebnisse zu den einzelnen Forschungsfragen:

M1: Die zehn erfolgreichsten Seniorenteams

Die zehn erfolgreichsten Teams wurden anhand ihres durchschnittlichen VQ-Wertes (x_quer) über den gesamten Untersuchungszeitraum ermittelt. Die durchschnittlichen VQ-Werte reflektieren die durchgehende sportliche Leistung der Teams und stellen ihre Fähigkeit dar, sowohl hohe Punktzahlen zu erzielen als auch effektiv in höheren Ligen zu konkurrieren. Die Tabelle zeigt Teams, die konsequent hohe Leistungen erbracht haben:

M2: Größte Gewinner seit der Gründung der 3. Liga

Diese Kategorie identifiziert Teams, die die größten Verbesserungen ihrer VQ-Werte seit der Gründung der 3. Liga im Jahr 2008 gezeigt haben. Die Verbesserung wird als "Delta" dargestellt und repräsentiert die Differenz zwischen den VQ-Werten von 2008/09 und 2023/24:

M3: Größte Verlierer seit der Gründung der 3. Liga

Diese Kategorie zeigt Teams, die den größten Rückgang ihrer VQ-Werte über den Untersuchungszeitraum erfahren haben. Der Rückgang wird ebenfalls als "Delta" angezeigt und zeigt den Verlust an Vereinsqualität:

M4: Teams mit konstant hoher Leistung

Die Teams mit der geringsten Varianz in ihren VQ-Werten über die Saisons hinweg wurden identifiziert, um jene zu zeigen, die ihre Leistungen am konstantesten halten konnten. Die Varianz ist ein Maß für die Schwankung der Leistung, wobei niedrigere Werte eine höhere Konsistenz anzeigen:

Diese Ergebnisse stellen die Basisdaten für die abschließende Diskussion und Bewertung dar, in der die Implikationen dieser Muster und Trends weiter untersucht werden.

4.  Diskussion

Die Analyse der langfristigen Leistungsentwicklung deutscher Fußballseniorenteams bietet aufschlussreiche Einblicke in die Dynamik und die Ergebnisse der Fußballwelt auf Vereinsebene. Diese Diskussion fokussiert sich auf die interpretativen Aspekte der erzielten Ergebnisse ohne direkten Bezug auf spezifische Forschungsergebnisse.

M1: Die zehn erfolgreichsten Seniorenteams

Die konstante Dominanz von Teams wie FC Bayern München und Borussia Dortmund ist ein deutlicher Hinweis auf ihre überlegene Leistungsfähigkeit im deutschen Fußball. Ihre Positionen an der Spitze der Liste reflektieren eine anhaltende Effizienz in der sportlichen Leistung sowie vermutlich auch eine robuste Infrastruktur und finanzielle Stabilität. Diese Teams verfügen offensichtlich über die notwendigen Ressourcen und das Management, um beständig auf hohem Niveau zu konkurrieren.

M2: Größte Gewinner seit der Gründung der 3. Liga

Die bemerkenswerte Verbesserung bei Clubs wie RB Leipzig deutet darauf hin, dass strategische Investitionen und Managemententscheidungen eine erhebliche Rolle in ihrer Entwicklung gespielt haben könnten. Diese Teams haben möglicherweise effektive Strukturen und Prozesse implementiert, die ihnen erlauben, sich schnell zu verbessern und in den höheren Ligen zu etablieren.

M3: Größte Verlierer seit der Gründung der 3. Liga

Der beobachtete Rückgang bei bestimmten Clubs könnte auf verschiedene Herausforderungen hinweisen, darunter eventuell finanzielle Einschränkungen oder Managementprobleme. Diese Teams könnten Schwierigkeiten haben, mit den finanziellen und strategischen Anforderungen der höheren Ligen Schritt zu halten, was letztlich ihre Leistungsfähigkeit beeinträchtigt.

M4: Teams mit konstant hoher Leistung

Die niedrige Varianz in den VQ-Werten von Teams wie dem FC Bayern München zeigt, dass diese Clubs eine konstante Leistung über einen längeren Zeitraum aufrechterhalten. Dies könnte auf eine Kombination von hervorragendem Management, effektiver Nachwuchsförderung und strategischer Planung hinweisen. Solche Teams verfügen vermutlich über gut etablierte Systeme, die es ihnen ermöglichen, trotz der Unvorhersehbarkeiten des Sports, konstant zu performen.

5. Schlussfolgerungen

Die Ergebnisse dieser Studie beleuchten tiefgreifend die Leistungsmuster deutscher Fußballseniorenteams über einen Zeitraum von fünfzehn Jahren und bieten wertvolle Einsichten in die Faktoren, die zur sportlichen Leistung auf Vereinsebene beitragen. Aus den Analysen lassen sich mehrere Schlussfolgerungen ziehen:

1. Nachhaltige Leistung erfordert stabile Strukturen: Die Teams mit den höchsten durchschnittlichen VQ-Werten, wie FC Bayern München und Borussia Dortmund, zeigen, dass kontinuierlicher Erfolg stark von stabilen, gut organisierten Vereinsstrukturen abhängt. Diese Strukturen ermöglichen eine effektive Talentförderung, strategische Planung und finanzielle Stabilität, die essenziell für langfristige Wettbewerbsfähigkeit sind.

2. Investitionen in die Clubentwicklung zahlen sich aus: Teams, die über den Beobachtungszeitraum signifikante Verbesserungen zeigten, wie RB Leipzig, haben deutlich in ihre Strukturen und Managementpraktiken investiert. Dies unterstreicht die Bedeutung von Investitionen in alle Bereiche des Clubmanagements, von der Spielerakquise bis zum Trainerstab und den operativen Einrichtungen.

3. Managementherausforderungen erkennen und angehen: Die Teams mit den größten Leistungsabfällen offenbaren, wie empfindlich der Erfolg auf Probleme wie finanzielle Schwierigkeiten oder Managementfehler reagieren kann. Es ist entscheidend, dass Clubs proaktive Strategien entwickeln, um solche Herausforderungen zu bewältigen und ihre Leistungsfähigkeit aufrechtzuerhalten.

4. Konstanz als Schlüssel zum Erfolg: Die Analyse der Teams mit der geringsten Leistungsvarianz über die Jahre zeigt, dass Konstanz ein kritischer Faktor für den sportlichen Erfolg ist. Diese Konstanz wird durch langfristige Planung und kontinuierliche Entwicklung der Clubressourcen erreicht.

Die Studie verdeutlicht, dass der Erfolg im Profifußball von einer Kombination aus mehreren interdependenten Faktoren abhängt. Für zukünftige Betrachtungen wäre es interessant, zusätzliche Variablen wie Veränderungen in der Clubführung, Investitionen in Jugendarbeit und die Auswirkungen von größeren infrastrukturellen Veränderungen genauer zu untersuchen. Dies könnte helfen, ein noch umfassenderes Verständnis der Dynamiken zu entwickeln, die den Erfolg im Profifußball bestimmen.

Insgesamt bietet diese Analyse Clubs, Forschern und anderen Stakeholdern im Bereich des Sports wichtige Einblicke, die zur Optimierung von Strategien und zur Steigerung der Leistungsfähigkeit im professionellen Fußball genutzt werden können.

Literaturverzeichnis:

Lanwehr, R., Honsel, M., & Wilms, R. (2021). Die Evaluation von Qualität–Ein Methodenvergleich anhand von Nachwuchsleistungszentren im deutschen Profifußball. Gruppe. Interaktion. Organisation. Zeitschrift für Angewandte Organisationspsychologie, 52(1), S. 25-35.

Anlagen

Anlage 1: R Code

#######
# # Laden der benötigten Bibliotheken
# library(dplyr)
# library(tidyr)
# library(DT)
# library(ggplot2)
####

# 1. dataframe importieren

# 2. dataframe kopieren
df <- X13a_LanwehrsQ_DE_Senioren_08_23

# 3. Zählen der Häufigkeit jeder Merkmalsausprägung in der Spalte 'Club'
club_counts <- table(df$Club)
# Ausgabe der Zählungen
print(club_counts)

# 4.Filtern der Clubs mit weniger als 10 Messpunkten
clubs_fewer_than_10 <- names(club_counts[club_counts < 15])
# Ausgabe der gefilterten Club-Namen
print(clubs_fewer_than_10)


# 5. importieren der Variablen für die Deutsche Mweisterschaftfaktorenb
# Eingabe der Variablen der durchschnittlich erzielten Punkte der Deutschen Meister in der zu berechnenden Saison
dPZDM5_08_09 <- 73
dPZDM5_09_10 <- 71.6
dPZDM5_10_11 <- 71.6
dPZDM5_11_12 <- 73.8
dPZDM5_12_13 <- 77.20
dPZDM5_13_14 <- 81.4
dPZDM5_14_15 <- 83.2
dPZDM5_15_16 <- 85.8
dPZDM5_16_17 <- 86
dPZDM5_17_18 <- 84.6
dPZDM5_18_19 <- 82.2
dPZDM5_19_20 <- 82.8
dPZDM5_20_21 <- 80.8
dPZDM5_21_22 <- 79.8
dPZDM5_22_23 <- 77.2
dPZDM5_23_24 <- 79.6

# 6. die VQ Werte berechnen
# Annahme, dass die dPZDM5 Werte als benannte Liste vorliegen
dPZDM5_values <- list(
  "08_09" = dPZDM5_08_09,
  "09_10" = dPZDM5_09_10,
  "10_11" = dPZDM5_10_11,
  "11_12" = dPZDM5_11_12,
  "12_13" = dPZDM5_12_13,
  "13_14" = dPZDM5_13_14,
  "14_15" = dPZDM5_14_15,
  "15_16" = dPZDM5_15_16,
  "16_17" = dPZDM5_16_17,
  "17_18" = dPZDM5_17_18,
  "18_19" = dPZDM5_18_19,
  "19_20" = dPZDM5_19_20,
  "20_21" = dPZDM5_20_21,
  "21_22" = dPZDM5_21_22,
  "22_23" = dPZDM5_22_23,
  "23_24" = dPZDM5_23_24
)

# Berechnung der VQ-Spalte im DataFrame
df$VQ <- (5 - df$Ligalevel) + (df$Punkte / sapply(df$Saison, function(s) dPZDM5_values[[s]]))
# Ausgabe des DataFrame, um das Ergebnis zu prüfen
print(head(df))


# 7. neue Spalte aus den Werten Club und Team erstellen
# Erstellen der neuen Spalte 'ClubTeam'
df$ClubTeam <- paste(df$Club, df$Team, sep = " ")

# Ausgabe des DataFrame, um das Ergebnis zu prüfen
print(head(df))


# 8. Erstellen der Pivot-Tabelle
result_table <- df %>%
  # Umformen der Daten
  pivot_wider(names_from = Saison, values_from = VQ, 
              names_prefix = "VQ_", 
              values_fill = list(VQ = NA)) %>%
  # Optional: Gruppieren und Mittelwert berechnen, falls mehrere VQ-Werte pro ClubTeam und Saison
  group_by(ClubTeam) %>%
  summarise(across(starts_with("VQ_"), mean, na.rm = TRUE))

# Ausgabe der Ergebnistabelle
print(result_table)


# 9. Erstellen der HTML-Tabelle ohne Indexspalte und mit formatierten numerischen Werten
html_table <- datatable(result_table, options = list(pageLength = 15, scrollX = TRUE), 
                        rownames = FALSE,  # Keine Indexspalte anzeigen
                        callback = JS("table.columns().every(function() {
                                      var column = this;
                                      // Nur numerische Spalten bearbeiten; Annahme: numerische Spalten beginnen ab Index 1
                                      if (!isNaN(parseFloat(table.cell(0, column.index()).data()))) {
                                        column.nodes().to$().each(function(d, j) {
                                          var node = $(this);
                                          var original = node.text();
                                          if (!isNaN(original)) {
                                            node.text(parseFloat(original).toFixed(3));
                                          }
                                        });
                                      }
                                    });"))

# Speichern der HTML-Tabelle als Datei
saveWidget(html_table, 'result_table.html', selfcontained = TRUE)

# 10. Erstellen der Liniendiagramme pro ClubTeam
# Umwandeln der Daten in ein Long Format
long_data <- pivot_longer(result_table, cols = starts_with("VQ_"), 
                          names_to = "Season", values_to = "VQ")

# Überprüfen der Datenstruktur
print(head(long_data))

# Erstellen und Speichern von Liniendiagrammen für jedes ClubTeam
unique_clubs <- unique(long_data$ClubTeam)
plot_list <- list()

for (club in unique_clubs) {
  # Filtern der Daten für das spezifische ClubTeam
  data_subset <- filter(long_data, ClubTeam == club)
  
  # Erstellen des Plots
  p <- ggplot(data_subset, aes(x = Season, y = VQ, group = 1)) +
    geom_line() +  # Linienzeichnung
    geom_point() +  # Punkte auf den Linien
    scale_y_continuous(limits = c(-2, 5.5)) +  # Festlegen der Y-Achsen-Grenzen
    labs(title = paste("VQ Werte für", club), x = "Saison", y = "VQ Wert") +
    theme_minimal() +
    theme(axis.text.x = element_text(angle = 90, hjust = 1))  # Drehen der X-Achsen-Texte für bessere Lesbarkeit
  
  # Hinzufügen des Plots zur Liste
  plot_list[[club]] <- p
  
  # Generieren des Dateinamens und Speichern des Plots
  safe_name <- gsub("[^[:alnum:] ]", "", club)  # Entfernen nicht-alphanumerischer Zeichen
  safe_name <- gsub(" ", "_", safe_name)       # Ersetzen von Leerzeichen durch Unterstriche
  filename <- paste0("plot_", safe_name, ".png")
  ggsave(filename, plot = p, width = 10, height = 6)
}

# Optional: Anzeigen eines Beispiels
print(plot_list[[unique_clubs[1]]])


# 11. Berechnungen der Lageparameter
# Umformen der Daten in ein Long Format
long_data <- result_table %>%
  pivot_longer(
    cols = starts_with("VQ_"), 
    names_to = "Season", 
    values_to = "VQ"
  )

# Berechnen der Lageparameter für jede Merkmalsausprägung von ClubTeam
stats_data <- long_data %>%
  group_by(ClubTeam) %>%
  summarise(
    Mean = mean(VQ, na.rm = TRUE),
    Median = median(VQ, na.rm = TRUE),
    Variance = var(VQ, na.rm = TRUE),
    SD = sd(VQ, na.rm = TRUE),
    Min = min(VQ, na.rm = TRUE),
    Max = max(VQ, na.rm = TRUE),
    Range = Max - Min,  # Berechnung der Spannweite als Differenz zwischen Max und Min
    .groups = "drop"
  )

# Überprüfen der resultierenden statistischen Daten
print(head(stats_data))

# Hinzufügen der berechneten statistischen Maße zur ursprünglichen result_table
final_result_table <- left_join(result_table, stats_data, by = "ClubTeam")

# Überprüfen der finalen Tabelle
print(head(final_result_table))


# Erstellen der HTML-Tabelle mit formatierten numerischen Werten
html_table_stat <- datatable(final_result_table, options = list(pageLength = 25, scrollX = TRUE), 
                             rownames = FALSE) %>%  # Keine Indexspalte anzeigen
  formatRound(columns = which(sapply(final_result_table, is.numeric)), digits = 3)  # Rundet numerische Spalten auf drei Dezimalstellen

# Speichern der HTML-Tabelle als Datei
saveWidget(html_table_stat, 'final_result_table.html', selfcontained = TRUE)

# 12. Berechnungen der Forschungsfragen
# M1: Die zehn erfolgreichsten Seniorenteams im deutschen Fußball
# Berechnen des Durchschnitts über alle Saisons für jedes Team und Auswahl der Top 10
top_teams <- final_result_table %>%
  mutate(AverageVQ = rowMeans(select(., starts_with("VQ_")), na.rm = TRUE)) %>%
  arrange(desc(AverageVQ)) %>%
  slice(1:10) %>%
  mutate(Rank = row_number(), Verein = ClubTeam, x_quer = AverageVQ) %>%
  select(Rank, Verein, x_quer)

# Erstellen und Speichern der HTML-Tabelle
datatable(top_teams, options = list(pageLength = 10)) %>%
  formatRound(columns = 'x_quer', digits = 3) %>%
  saveWidget("top_teams.html", selfcontained = TRUE)

# M2: Größte Gewinner seit der Gründung der 3. Liga in der Saison 2008/09
# Berechnen der Verbesserung der VQ-Werte und Auswahl der Top 10 Gewinner
biggest_winners <- final_result_table %>%
  mutate(Delta = get("VQ_23_24") - get("VQ_08_09")) %>%
  arrange(desc(Delta)) %>%
  slice(1:10) %>%
  mutate(Rank = row_number(), Verein = ClubTeam) %>%
  select(Rank, Verein, Delta)

# Erstellen und Speichern der HTML-Tabelle
datatable(biggest_winners, options = list(pageLength = 10)) %>%
  formatRound(columns = 'Delta', digits = 3) %>%
  saveWidget("biggest_winners.html", selfcontained = TRUE)

# M3: Größte Verlierer seit der Gründung der 3. Liga
# Berechnen der Verschlechterung der VQ-Werte und Auswahl der Top 10 Verlierer
biggest_losers <- final_result_table %>%
  mutate(Delta = get("VQ_08_09") - get("VQ_23_24")) %>%
  arrange(desc(Delta)) %>%
  slice(1:10) %>%
  mutate(Rank = row_number(), Verein = ClubTeam) %>%
  select(Rank, Verein, Delta)

# Erstellen und Speichern der HTML-Tabelle
datatable(biggest_losers, options = list(pageLength = 10)) %>%
  formatRound(columns = 'Delta', digits = 3) %>%
  saveWidget("biggest_losers.html", selfcontained = TRUE)

# M4: Teams, die ihr Leistungsvermögen konstant aufrechterhalten
# Berechnen der Varianz der VQ-Werte und Auswahl der Teams mit der geringsten Varianz
most_consistent_teams <- final_result_table %>%
  mutate(Variance = apply(select(., starts_with("VQ_")), 1, var, na.rm = TRUE)) %>%
  arrange(Variance) %>%
  slice(1:10) %>%
  mutate(Rank = row_number(), Verein = ClubTeam) %>%
  select(Rank, Verein, Variance)

# Erstellen und Speichern der HTML-Tabelle
datatable(most_consistent_teams, options = list(pageLength = 10)) %>%
  formatRound(columns = 'Variance', digits = 3) %>%
  saveWidget("most_consistent_teams.html", selfcontained = TRUE)

Anlage 2: Vollständige Datentabelle mit den berechneten VQ-Werten und Lagemaßen

Anlage 3: Liniendiagramme aller Proficlubs die seit der Saison 2008/09 bis 2023/24 mindestens eine Saison in der 3. Liga spielten