刘翔商业价值是否会一落千丈?

  继北京奥运后,刘翔在伦敦仍选择了退赛。
    不同的是,在北京,刘翔一步没跑,而在伦敦,他试图跨越第一个栏时,直接摔倒,跟腱断裂。
   还有一个不同:在北京,刘翔退赛后头也不回地走了,而在伦敦,他单脚跳到了终点。
   围绕他,网上争论得一塌糊涂。有人说他是英雄,有人说他在表演。
    如果理智看待,这是一场彻底的悲剧,如果将刘翔最后的跳跃和亲吻栏架想象成忍着剧痛弘扬奥林匹克精神,不如理解为被巨大压力挟持更靠谱。
   表面看,他胸前那沉甸甸的数字——1356成了压力的魔咒,被网友普遍解读为肩负着13亿中国人五十个民族重托。其实,更耐人寻味的是,是什么力量迫使刘翔在身体状况不好的情况下带伤上阵,然后折戟沉沙?
    抛开充满浪漫主义色彩的道德颂扬,抛开对折翼飞人的简单爱憎,有媒体发现了这样一个事实:据《中国奥运金牌价值报告》的评估,2004年刘翔在赢得雅典奥运会男子110米栏金牌后,商业价值达4.61亿。2008年北京奥运会前,十多家企业与刘翔签有代言合同。包括一家代言1500万元/年的企业,2009年只有一家续约。2010年,除了耐克公司外,27岁的刘翔几乎没有任何商业代言,飞人代言身价也一度降至200万元/年。甚至有国内知名品牌在退赛的次日就以迅雷不及掩耳之势更换了刘翔的广告。
   耐克后来的刘氏广告从最初的昂扬变得悲壮:“谁敢拼上所有尊严,谁敢在巅峰从头来过,哪怕会一无所获……”
   在充盈着残酷竞争的现代商业社会,企业追求利益最大化似乎也无可厚非,但变脸之快手段如此决绝果敢还是让人叹服。
   不料,2010年之后,刘翔先后获得亚运冠军,钻石联赛冠军,追平世界纪录。结果商家们又纷至沓来,刘翔代言身价重回千万元。伦敦奥运会前,刘翔身上一共有运动品牌、电脑、银行等17个赞助商,身价与影响力直逼巅峰姚明。17个广告赞助商、合作伙伴和整个中国一样,都在期待刘翔演出“王者归来”的奥运精彩好戏。
   命运总是爱开玩笑。这次刘翔又退赛了,他的身价会不会再坐一次过山车,重回谷底呢?
   在刘翔的治疗成功,是否重返奥运的消息得到确认之前,这次各商家显得相当谨慎,一边观望,一边鼓励。
   但如此充满温情的场景像目前对英雄刘翔的颂扬一样不可能持久。正如很多爱国口号背后都潜伏着浓郁的利益诉求。
   作为中国田径最杰出的代表,刘翔成为一棵巨大的摇钱树。媒体报道,为了完成管理部门交代的创收任务,他必须不断地接单,甚至不惜牺牲正常的训练。对于刘翔的商业开发,田径运动管理中心的分配政策是在利益分配方面,刘翔的商业赞助有相当一部分将分配给田协和地方体育局,按国家体育总局对于运动员商业代言收入的分配政策,已经将比例调整为运动员65%,教练员15%,地方体育局和田协各10%。
    遗憾的是,中国田径能吸引赞助商的明星太少了,刘翔几乎是一个独苗。要知道,110栏是一项充满风险的运动,平时训练比赛都可能意外受伤,运动生命随时有终结的危险,这也导致商家和管理者必须充分利用刘翔出成绩的短暂时光实现利益最大化。当然,不容否认,这样的开发的确产生了示范效应,改善了运动队的基础设施和运动员教练员的收入福利水平,但在现行政绩考核体制下,当出成绩和出效益的双重压力都集中到独苗刘翔身上,急功近利的恶果便出现了:商业开发来得快去得也快,正常的训练则被频发密集的商业活动挤占了时间,很难保障其科学性系统性,无形中增加了伤病的概率。
   这样的状况不仅仅体现在刘翔身上。中国足球职业化过程中,急功近利的商业开发和有关部门快出业绩的诉求叠加,带来的是整个运动假恶丑盛行,以至于足球又要从新一拨孩子抓起。
    牢牢捆绑住成绩的商业价值,暴露的不仅是社会的浮躁、企业的功利,更有体制的短视。刘翔的商业价值萎缩是必然的,即使他这次以相对有尊严的方式从赛场撤离。毕竟,在一场决定运动员商业价值的利益角逐中,金牌才是最重要的筹码,而不是奥利匹克精神。
    所幸,和四年前不同,现在的观众、媒体、企业甚至主管部门都开始以平和的态度接纳失败的刘翔。毕竟,商业的价值没有价值观大。正如刘翔代言的企业宝马公司的员工所言:总会有人记得你为国人所带来的感动与荣耀,也一定会有人明白你所背负的重压与伤痛。
    2004年,雅典奥运会,男子110栏传奇人物阿兰约翰逊在比赛中摔倒,黯然退赛,美国人平静地接受了这一切。背后是竞技体育强国的内在基石:心理的成熟和自信。
   伦敦奥运会前,刘翔的母亲吉粉花说,他一直是这个国家的儿子,作为父母已经不希望儿子再这么拼了。

   希望神一样的刘翔在历经磨难后回归正常的世界。

 

【6层】一字型框架办公楼(含建筑结构图、计算书) 1、资源项目源码均已通过严格测试验证,保证能够正常运行; 2、项目问题、技术讨论,可以给博主私信或留言,博主看到后第一时间与您进行沟通; 3、本项目比较适合计算机领域相关的毕业设计课题、课程作业等使用,尤其对于人工智能、计算机科学与技术等相关专业,更为适合; 4、下载使用后,可先查看README.md或论文文件(如有),本项目仅用作交流学习参考,请切勿用于商业用途。 5、资源来自互联网采集,如有侵权,私聊博主删除。 6、可私信博主看论文后选择购买源代码。 1、资源项目源码均已通过严格测试验证,保证能够正常运行; 2、项目问题、技术讨论,可以给博主私信或留言,博主看到后第一时间与您进行沟通; 3、本项目比较适合计算机领域相关的毕业设计课题、课程作业等使用,尤其对于人工智能、计算机科学与技术等相关专业,更为适合; 4、下载使用后,可先查看README.md或论文文件(如有),本项目仅用作交流学习参考,请切勿用于商业用途。 5、资源来自互联网采集,如有侵权,私聊博主删除。 6、可私信博主看论文后选择购买源代码。 1、资源项目源码均已通过严格测试验证,保证能够正常运行; 2、项目问题、技术讨论,可以给博主私信或留言,博主看到后第一时间与您进行沟通; 3、本项目比较适合计算机领域相关的毕业设计课题、课程作业等使用,尤其对于人工智能、计算机科学与技术等相关专业,更为适合; 4、下载使用后,可先查看README.md或论文文件(如有),本项目仅用作交流学习参考,请切勿用于商业用途。 5、资源来自互联网采集,如有侵权,私聊博主删除。 6、可私信博主看论文后选择购买源代码。
深度学习是机器学习的一个子领域,它基于人工神经网络的研究,特别是利用多层次的神经网络来进行学习和模式识别。深度学习模型能够学习数据的高层次特征,这些特征对于图像和语音识别、自然语言处理、医学图像分析等应用至关重要。以下是深度学习的一些关键概念和组成部分: 1. **神经网络(Neural Networks)**:深度学习的基础是人工神经网络,它是由多个层组成的网络结构,包括输入层、隐藏层和输出层。每个层由多个神经元组成,神经元之间通过权重连接。 2. **前馈神经网络(Feedforward Neural Networks)**:这是最常见的神经网络类型,信息从输入层流向隐藏层,最终到达输出层。 3. **卷积神经网络(Convolutional Neural Networks, CNNs)**:这种网络特别适合处理具有网格结构的数据,如图像。它们使用卷积层来提取图像的特征。 4. **循环神经网络(Recurrent Neural Networks, RNNs)**:这种网络能够处理序列数据,如时间序列或自然语言,因为它们具有记忆功能,能够捕捉数据中的时间依赖性。 5. **长短期记忆网络(Long Short-Term Memory, LSTM)**:LSTM 是一种特殊的 RNN,它能够学习长期依赖关系,非常适合复杂的序列预测任务。 6. **生成对抗网络(Generative Adversarial Networks, GANs)**:由两个网络组成,一个生成器和一个判别器,它们相互竞争,生成器生成数据,判别器评估数据的真实性。 7. **深度学习框架**:如 TensorFlow、Keras、PyTorch 等,这些框架提供了构建、训练和部署深度学习模型的工具和库。 8. **激活函数(Activation Functions)**:如 ReLU、Sigmoid、Tanh 等,它们在神经网络中用于添加非线性,使得网络能够学习复杂的函数。 9. **损失函数(Loss Functions)**:用于评估模型的预测与真实值之间的差异,常见的损失函数包括均方误差(MSE)、交叉熵(Cross-Entropy)等。 10. **优化算法(Optimization Algorithms)**:如梯度下降(Gradient Descent)、随机梯度下降(SGD)、Adam 等,用于更新网络权重,以最小化损失函数。 11. **正则化(Regularization)**:技术如 Dropout、L1/L2 正则化等,用于防止模型过拟合。 12. **迁移学习(Transfer Learning)**:利用在一个任务上训练好的模型来提高另一个相关任务的性能。 深度学习在许多领域都取得了显著的成就,但它也面临着一些挑战,如对大量数据的依赖、模型的解释性差、计算资源消耗大等。研究人员正在不断探索新的方法来解决这些问题。
评论
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值