球传得漂亮，或许我们也应该夸夸接球的人

当谈到传接球技术这个话题的时候，杰西-戴维斯表示，倘若没有这个接球这门技术的话，足球这项运动肯定会非常糟糕。

他说：“我们曾经特意买票去看威斯康辛大学的篮球比赛，真是糟透了。球队的确是有个非常优秀的组织后卫，但问题在于，他的队友根本不知道如何接好他的传球，皮球总是会弹走。”

如今，戴维斯在比利时的鲁汶大学负责监督一个针对高阶足球分析的机器学习小组，不过他始终没有忘记当年看大学篮球时的感受：“如果接球人的表现极其糟糕，没能处理好，那么你会只因为这一点而下调传球球员的评级吗？”

球迷们总是喜欢那些球场上传球的球员。我们经常会称赞他们的视野和技术，那一条条转瞬即逝的传球路线，以及他们四两拨千斤似的长传球力度——柔和的飞行轨迹与全力冲刺的队友既相得益彰，又显出强烈的反差感。

但我们却在接球这门技术上关注得不够多。倘若没有队友们的无球跑位拉扯来撕扯防线、制造绝佳的传球空间，没有接球球员巧妙地化解皮球飞来的力量，并用正确的方式来处理球，那么哪怕是最优秀的传球手也只能一次次去做无用功。

在接球技术这个话题上，我们或许可以去责备数据统计实在是太过死板了，从某种程度来讲，这助长了一种恶习。

因为在绝大多数的足球数据统计中，其只会统计有球层面的“事件”，比如说传球、射门、铲断等等。但它不过告诉我们，无球的队友们到底在球场上做了什么。

这么做的结果便是，我们在各类数据统计中看到的都是衡量传球球员的指标，但几乎没有任何相关统计将焦点对准接球球员，并将这一因素考虑在一系列相关的传球统计中。

那么在高阶统计方面有没有什么解决的思路呢？在相关的分析中，最为大家所知的一项统计是期望进球，其通常会被通俗地表示为一种衡量射门的指标。

实际上在相对狭义的角度讲，这么说也是对的：它评估了球员射门时进球的概率，如果球员没有射门，那么其期望进球数据就会是0。

但从建模的角度来讲，期望进球这一统计以及其背后的模型并没有涉及、考虑到皮球离开射门球员的身体后会发生什么。

其实它在很大程度上是在衡量球员在关键时刻、危险区域里的接球能力——很多时候，接球与射门是在同一次触球中完成的。

戴维斯在鲁汶大学的研究团队就希望开发一个类似的统计指标及模型，旨在衡量接球球员如何帮助提升球队进球的机会，不过他们希望统计的不仅仅是完成射门前的接球动作，而是比赛中的每一次传递。

为了实现、完成这一模型，他们对于足球比赛的思考可能与我们大家平时的角度不太一样。

在我们最常见的足球数据统计中，其只会统计球员执行某个技术动作的次数以及其中成功完成的次数。

每项统计数据都有他们的用途，但它们并不会真的告诉你每一次事件背后的价值究竟有多大。大家都知道某些传球相对更难、更危险一些，而对于那些整场比赛触球达三位数或是传球成功率接近百分之百的球员，他们的传球很可能绝大多数都是距离很短的安全球。

比起统计技术动作次数，从进球概率的角度来考虑足球比赛就显得更有趣了。

在比赛中，任何时刻、任何情境下两队都有可能获得一些迅速得分的机会。在一次进攻中，球队在反击中刺穿了对方的防线，前锋在距离球门大约10码位置的打门可能会有50%的可能性转化为进球。期望进球模型大概告诉我们的也就是这样。

更新颖的高阶统计数据，比如说期望威胁(Expected Threat, xT)将注意力更进一步地放在了对于控球情况的分析，其旨在评估在球场上任何区域取得进球的可能性。

在射手完成射门的数秒前，一记送给边锋的直塞球可能会增加2%到12%的进球可能性。

球员在靠近球门的区域进行了转移球，从而增加了进球的几率——比如说某个高质量的传球可以提高10%的进球概率，换个角度讲，这意味着增加0.1的期望进球，而我们一般都会将其统计给传球的那个人。

但是对于一记传递而言，又是哪位球员负责接球呢？

起初，鲁汶大学的团队构建了类似于期望威胁的一个非常复杂的指标VAEP，用于评估控球球员在球场做出每个动作的全部价值，其中也包含动作结束后的结果。

在这个模型中，前面举例提到的直塞球所产生的这0.1的期望进球会统计给中场做出传球的球员，以及跑位时机准确、并在面对防守球员时控制好球权的边锋。

不过对于后者，只有在他完成下一次传递或者进行盘带才会将相应的数据统计给他。

这种方式遵循了我们通常讨论传球时的思路，但实际上它并没有真正反映球场上的真实情况：每次传球需要两名或两名以上的球员才能完成。

从理论上来讲，评估接球技术和传球技巧听上去不错。其有助于更紧密地将数据分析与这项运动结合在一起，促进数据分析的有效性。

但困难在于方式、方法的选择，这几乎是哲学性的，对于一次传球，我们需要弄清楚如何分配其价值，究竟哪名球员做出了多少贡献，尤其是在数据有限的情况下。

双重计数是一种比较简单的解决方式：在这次传球中，传球的中场球员可以得到0.1的传球贡献值，而接球的边锋可以得到0.1的接球贡献值。

这种方式很像美式橄榄球中，数据统计将四分卫传球码数与接球球员的接球码数记录为同样的数字。

期望助攻和期望进球的统计也遵循类似的统计方式，其会同时考虑做出最后一传的球员和接球、射门的球员。我们还可以在传球期望威胁和接球期望威胁的统计中看到这样的统计方式。

鲁汶大学的研究团队还做了一些不同以往的尝试。他们构建了一个“不可分割”版本的VAEP，将一记传球中传球球员和接球球员所贡献的价值分开统计。

在这个模型中，传球球员无论用何种方式将球从A点传到B点，都会因改变了球队进球或丢球的概率而贡献价值。

而很关键的一点在于，最终得到的这个数字背后并不包含这记传球的结果如何。无论是皮球被防守球员拦截，还是被队友成功接到，对应的贡献值是一样的。

如果传球成功完成，那么接球球员就会因在B点成功接到撕破对方防线的传球而得到剩余的贡献值。这要取决于传球的类型，传球成功的可能性，而它波动的范围也更大：最低可能为0，最高甚至要高于传球球员的贡献值。

用这种方式来划分传球价值，既能对传球球员对将球传至距离球门更近的区域而做出正面评价，同时也可以评估接球球员在另一端所做出的努力。

极具天赋的传球手往往能够送出准确的传球，但它不会令他们在数据统计中因此得到更高的评价，但也不会因为队友能力过差，无法接好来球而得到负面评价。

而在计算公式中增加的接球价值评估则改变了VAEP评价球员的方式。负责构建VAEP模型的在读博士生彼得-罗伯茨解释道：“你常常会看到两种不同类型的射手：一类特别擅长得分；另一类则非常精于接球，控制球权，随后将球交给队友来完成破门。”而这个“不可分割”的新版本所增加的贡献值对象正是那些能够接到威胁传球、串联进攻的第二类射手。

考虑传球与进球的可能性，而非传球次数和成功率，这样的思路对于足球数据统计而言是一次质的飞跃，而考虑接球者对于进球可能性的贡献、影响也非常重要。

不过若是你所能得到的比赛数据仅仅涉及事件类型、球场区域，而非球员在无球状态下的表现，那么这种情况下最佳的评估模型应该就是像“不可分割”版本的VAEP的模型了。

实际上，若是要在评估接球能力方面取得更大的进展，那么你不仅仅需要更好的模型，也需要质量更好的数据支撑。

戴维斯说：“有了更完全的遥感追踪数据(他指的是每秒多次捕捉每个球员状态和球的位置的数据，尤其是无球数据)，你可以得到一些(关于接球能力方面的)内容。球员的位置如何？他是否跑到了自己可以接到传球的线路上？”

你甚至可以知道当皮球没有传向其他可能的接应点时，这些球员都在做什么。

《足球数学》一书的作者大卫-森普特教授一直以来致力于足球数据分析工作。他的公司就为球迷们开发了一款相关的统计应用，并为那些希望利用高阶无球数据指标来评估转会目标的俱乐部提供一系列相关服务。

森普特解释道：“利用追踪数据，至少有4四种评估接球能力的方式。首先是评估在特定位置得到皮球的贡献值，这同时考量了传球和接球球员的能力。”其实这同期望威胁和VAEP的思路是一样的——相关的技术动作究竟令进球概率改变了多少？不过了解球员们在无球状态下的情况可以令评估更加准确。

“第二是你扯动出的空间有多大——这是考量接球球员的因素，”森普特说。

森普特的公司有几种不同的方式来评估无球进攻球员对于空间的控制。如果一名球员做出了一次令对方不得不做出应对的威胁跑动，那么你可能就会因他撕开了传球空间而分配给他一定的贡献值。

你可能也会为那些没有作为接球点但为了传球而进行无球跑动，创造空间的球员分配一定的贡献值。森普特说：“这类无球的贡献值是高度相关的，因为这些球员通常都会做很多很多次类似的跑动。”

换句话说，无论球员最终能否成为接应点，他们不断用无球跑动来扰乱对方的防守组织总能帮助球队的进攻。

莱茵克尔在年轻时曾说过：“如果我在比赛中做出15到20次这样的跑动，那么皮球总会至少有一次会传向我。

而我届时会出现在距离球门相当近的位置。看到这种情景，大家肯定会说，‘你看，他在正确的时间出现在了正确的位置上。’但实际上真正的答案是，无时无刻都出现在应该出现的位置。”

不过对于接球球员来说，创造空间的跑动并非是他们唯一所能获得的贡献值。

森普特说：“我们还会评估在防守压力下的接球贡献值，情况几乎是截然相反的。”不同的无球跑动数据指标或许都会显示同一名球员的优秀之处，但在防守压力下的的数据指标则更能筛选出一名接球球员在对方两条线之间的表现。这两种类型的跑位都会增加球队的进球纪律，只不过不同的方式对应着不同的技术特点及能力。

第四种接球贡献值可能源于仅仅站在原地但令对方后防线不得不前来进行盯防。森普特的公司并没有为这种情况专门制定统计指标，这可能也要比主动跑位或成功接球要更难衡量，但这也不失为无球相关的数据分析的一个有潜力的领域。

森普特说：“俱乐部都对这些东西很有兴趣，期望威胁的概念越来越为人们所知，相应地也就不再那么有趣了，我们在这方面面临很多的问题。”

第一批吃螃蟹的俱乐部可以利用这样的高阶数据分析来甄别球员，比起那些使用基本数据和传统方式来思考球员贡献价值的俱乐部相比，他们也就拥有了竞争优势。

森普特说：“这是一个不断发展的领域，不过我不能说这个领域是能够完全经得起考验，完全可靠的。毕竟没有多少球员是基于这些模型中的统计数据而完成转会的。”

原文作者：John Muller

翻译：Equalizer

文章来源：Athletic