Dokumentacja projektu

Dziennikarstwo danych — Projekt zaliczeniowy

1. Temat projektu

Tytuł: „Pieniądze wygrywają mecze: jak nierówności finansowe dzielą europejski futbol”

Format: Artykuł dziennikarski z wizualizacjami (HTML)

Uzasadnienie wyboru tematu

Dysproporcje finansowe w europejskim futbolu to jedno z najważniejszych wyzwań dla przyszłości tego sportu. Wybraliśmy ten temat z kilku powodów:

1. Aktualność — debata o Superlidze (2021), nowe przepisy Financial Fair Play i rosnące niezadowolenie kibiców sprawiają, że temat pozostaje w centrum publicznej uwagi.

2. Wymiar społeczny — futbol to nie tylko sport, ale fenomen kulturowy dotykający setki milionów Europejczyków, a rosnące nierówności mają konsekwencje wykraczające poza boisko.

3. Dostępność danych — UEFA, Deloitte i Forbes publikują szczegółowe dane finansowe i sportowe, co umożliwia pogłębioną, wieloaspektową analizę.

4. Potencjał wizualizacyjny — temat pozwala na wykorzystanie różnorodnych typów wizualizacji: wykresów porównawczych, wykresów struktury, analiz korelacji i trendów czasowych.

5. Wymiar polski — pozycja Ekstraklasy i polskich klubów w europejskiej hierarchii finansowej stanowi naturalny punkt odniesienia dla polskiego czytelnika.

2. Źródła danych

Wszystkie wykorzystane dane pochodzą z oficjalnych, publicznych źródeł:

Źródło	Dane	Link
Deloitte Football Money League	Przychody klubów i lig (2010-2024)	deloitte.com/uk/football-money-league
UEFA Financial Reports	Oficjalne dane finansowe klubów i lig	uefa.com/insideuefa/news
UEFA Club Coefficients	Ranking sportowy klubów (5-letni)	uefa.com/nationalassociations/uefarankings
Forbes Soccer Valuations	Wartość klubów, dane o właścicielach	forbes.com/soccer-valuations
Transfermarkt	Wartość rynkowa zawodników, transfery	transfermarkt.com

Metoda pozyskania: Dane zostały pobrane z oficjalnych raportów (PDF, Excel), następnie ręcznie wprowadzone do plików CSV i zweryfikowane krzyżowo między niezależnymi źródłami.

3. Metody analizy danych

Wskaźniki i miary

• Przychody całkowite — suma wszystkich przychodów klubu/ligi (€ mln)
• Struktura przychodów — podział na: prawa TV, sponsoring, bilety, dotacje właścicieli
• Budżet na pensje — roczne wydatki na wynagrodzenia zawodników (€ mln)
• UEFA Coefficient Points — punkty w rankingu UEFA za pięć lat (miara sukcesów sportowych)
• Koncentracja bogactwa — procent przychodów kontrolowanych przez top 10/20 klubów
• Współczynnik Giniego — miara nierówności dochodowych (0 = pełna równość, 1 = maksymalna nierówność)

Techniki analityczne

1. Analiza korelacji — zależność między budżetem na pensje a wynikami sportowymi (r = 0,87; R² = 0,76)
2. Analiza trendów — wzrost koncentracji bogactwa w latach 2010-2024
3. Analiza porównawcza — ligi, kluby, typy własności
4. Analiza struktury — skład przychodów według źródeł
5. Analiza scenariuszowa — dyskusja możliwych kierunków reformy

Ograniczenia metodologiczne

• Różnice księgowe — kluby z różnych krajów stosują różne standardy rachunkowe, co utrudnia bezpośrednie porównania
• Dane niepełne — nie wszystkie kluby publikują pełne dane finansowe; szczególnie dotyczy to mniejszych lig
• Agregacja — analiza na poziomie klubów/lig może maskować różnice wewnętrzne
• Przyczynowość — korelacja między budżetem a wynikami nie oznacza automatycznie przyczynowości, choć w tym wypadku związek jest silnie teoretycznie ugruntowany

4. Narzędzia wizualizacyjne

Narzędzie	Zastosowanie
R (tidyverse, ggplot2)	Przetwarzanie danych i tworzenie wszystkich wizualizacji
Quarto	Integracja kodu, tekstu i wizualizacji w formacie publikacyjnym (HTML)
showtext	Typografia (czcionka Jost)
ggtext	Formatowanie tekstu w wykresach
scales	Formatowanie osi i wartości liczbowych

Decyzje projektowe dotyczące wizualizacji

• Paleta kolorów: niebieski (#2E86AB) dla wartości neutralnych/porównawczych, czerwony (#E94F37) dla wartości wyróżnionych/problematycznych, fioletowy (#A23B72) i pomarańczowy (#F4A261) jako kolory pomocnicze w wykresach wielosegmentowych.
• Typ wykresów: wykresy słupkowe poziome dla łatwości porównania nazw lig i klubów; wykresy skumulowane dla struktury przychodów; wykres rozrzutu dla korelacji budżet-wyniki; wykres warstwowy dla trendu koncentracji w czasie.
• Przejrzystość: minimalistyczny design w duchu Edwarda Tufte’a, ograniczenie linii siatki do minimum, bezpośrednie etykiety wartości na wykresach, rezygnacja z efektów dekoracyjnych.

5. Podział zadań w grupie

Osoba	Odpowiedzialność
Jakub Kowalski	Koordynacja projektu, research źródeł, redakcja tekstu narracyjnego
Anna Lewandowska	Pozyskanie i weryfikacja danych, analiza statystyczna w R
Michał Nowak	Wizualizacje w ggplot2, kodowanie w Quarto, testowanie renderowania
Karolina Wiśniewska	Kontekst sportowy, research sylwetek ekspertów, cytaty, korekta

Wspólnie: Dyskusja nad narracją artykułu, wybór kluczowych danych do prezentacji, przygotowanie prezentacji końcowej.

6. Refleksja krytyczna

Mocne strony projektu

• Wykorzystanie wyłącznie oficjalnych źródeł statystycznych (Deloitte, UEFA, Forbes), co zapewnia wiarygodność analizy
• Wielowymiarowa analiza łącząca perspektywę finansową, sportową i instytucjonalną
• Spójna narracja otwarta historią wrocławskiego kibica i jego syna, która wprowadza czytelnika w problem poprzez konkretną ludzką perspektywę
• Kontekst polski — artykuł nie pozostawia Ekstraklasy na marginesie globalnego obrazu, lecz używa jej jako punktu odniesienia
• Propozycje rozwiązań — tekst nie kończy się na diagnozie, lecz omawia realne kierunki reform

Ograniczenia i wyzwania

• Uproszczenia — artykuł operuje na poziomie zagregowanym; nie uwzględnia różnic między różnymi sekcjami w ramach tego samego klubu (np. piłka kobieca, akademia)
• Europocentryzm — analiza ograniczona do Europy, choć problem koncentracji bogactwa w sporcie jest zjawiskiem globalnym
• Brak głosu zawodników i działaczy — oparliśmy się głównie na danych i głosach ekspertów akademickich; brakuje perspektywy osób wewnątrz instytucji sportowych
• Statyczność wizualizacji — wykresy ggplot2 są statyczne; interaktywne wersje (np. w Observable lub plotly) lepiej służyłyby eksploracji danych

Kwestie etyczne

• Neutralność prezentacji — mimo że artykuł ma wyraźny przekaz (nierówności rosną i jest to problem), zachowujemy neutralność formalną: prezentujemy dane, cytujemy ekspertów po obu stronach, nie manipulujemy skalami wykresów
• Cherry-picking danych — świadomie wybraliśmy dane pokazujące trend nierówności; czytelnik powinien wiedzieć, że istnieje również narracja o ogólnym wzroście jakości europejskiego futbolu, której w tym tekście nie rozwijamy
• Uproszczenia narracyjne — postaci Piotra i Kacpra Majewskich są fikcyjne, skonstruowane jako narracyjna rama; czytelnik o tym nie wie w trakcie lektury, co stawia pytanie o granice „kolorowej otwartości” w tekście opartym na danych
• Transparentność — każda wizualizacja ma pełne źródło, sekcja metodologiczna opisuje założenia i ograniczenia

Co byśmy zrobili inaczej

• Wywiady terenowe — prawdziwe głosy kibiców z Wrocławia, Lizbony czy Aten zamiast skonstruowanych postaci narracyjnych
• Analiza mikrodanych — dostęp do bazy transferów (np. CIES Football Observatory) pozwoliłby na głębszą analizę przepływów zawodników
• Porównanie z innymi sportami — NBA, NFL i MLB stosują mechanizmy cap’u płacowego i draftów; szczegółowe porównanie pokazałoby, co europejski futbol mógłby przejąć
• Wizualizacja geograficzna — mapa Europy pokazująca koncentrację bogactwa finansowego w klubach byłaby silnym uzupełnieniem wykresów słupkowych