[新聞] 新式數據「接殺形成率」 破解守備能力迷思已回收
新式數據「接殺形成率」 破解守備能力迷思
https://udn.com/news/story/6999/2370861
2017-03-29 07:00
千禧年過後,進階棒球統計-賽伯計量學(Sabermetrics)-的觸角逐漸深入美國職棒,
並且扎根。直到今天,大聯盟30支球隊都已經有專職的進階數據部門,導入科學化思維的
經營模式,已成為當今大聯盟的主流。這波從打擊項目開始的數據革命,經過10幾年的快
速發展,打擊、投球等兩個主要項目,都已擁有一套堪稱完整、準確的數據系統,然而,
在「防守」這個環節上,似乎瓶頸不斷、難有突破。
由於防守這個項目,不像有固定模式、球員位移較小的打擊、投球,那樣好記錄、好追蹤
,所以直到兩、三年前,棒球界都找不出最好的評估方法。
雖然有賽伯計量學家利用逐球的擊球強度、防守結果資料,整理並算出每個防守球員製造
出局數的次數,創造DRS(Defensive Runs Saved)、UZR(Ultimate Zone Rating)等進
階守備數據,試圖避掉傳統「失誤」(Error)數據沒有考量到球員反應能力跟守備範圍
的缺失,但這些數據終究還是以「防守結果」作為基礎,無法考量到很多結果發生之前的
變因,還有選手在防守過程中的判斷力、移動力等,因此數據的信度頗令人質疑,經常出
現某一名選手逐年防守數據變動極大的情形。
為了解決這些問題,並更進一步探究最好的防守評估方法,大聯盟官方過去幾年投入極大
的資源在更新雷達科技、追蹤系統上,終於在兩年前的2015年,正式於全聯盟30座球場啟
用,能夠精準追蹤紀錄棒球走向,以及球員移動的Statcast系統。
Statcast可說是打開多年防守謎團的一把關鍵鑰匙,因為這是棒球史上第一次,能夠藉由
科技的力量,完整且精確地將人跟球的移動軌跡、速度記錄起來。過去我們無法量化的「
過程中變因」,如今總算都能以數字呈現,讓我們不必再仰賴「結果」、很武斷地以成敗
論英雄。
Statcast的雷達系統精準紀錄了許多很有參考價值的數據,像是去年球季最快的球...
Statcast的雷達系統精準紀錄了許多很有參考價值的數據,像是去年球季最快的球速等等
。 擷圖自大聯盟官網
大聯盟的數據分析師派崔洛(Mike Petriello)、歎戈(Tom Tango)、威爾曼(Daren W
illman)等人,自Statcast系統啟用後,就不斷分析、整理、歸納所有收集到的數據跟資
料。
如今兩年過去,他們總算在獲取足夠樣本數的情況下,開發出一套讓一般普通球迷都能輕
鬆理解的防守評估方法,並且在今年三月中於亞利桑那鳳凰城舉行的美國棒球研究學會研
討會(SABR Analytics Conference)上,進行發表。
這個新開發的防守數據叫做「接殺形成率」(Catch Probability),可以明確指出一個
被打出去的球,防守難度有多高,藉以評估一個防守球員的真正守備實力(目前只適用於
外野飛球,日後會增加到內野滾地球等其他項目)。
至於背後的運算機制為何?簡單來說,就是整合Statcast追蹤的每一顆被擊中球的資料,
以及球員的反應時間、跑動軌跡和距離,算出每一個場內球的「被接殺機率」。為了讓球
迷更直觀的理解「被接殺機率」所代表的意義,歎戈等數據分析師依據不同的被接殺難度
,將每一顆場內球進行「分級」,接殺形成率在零到25%的,被歸類在「五星級」(代表
最難被接殺,守備難度極高);26%到50%的,被歸類為「四星級」;51%到75%的,被歸類
為「三星級」;76%到90%的,被歸類為「二星級」;至於90%到95%的,則被劃分為「一星
級」(代表非常容易被夾殺,沒有什麼守備難度)(96%到100%的因為難度太低,所以不
值得被予以「星級」)。
有了這一套評估系統,球迷就能立刻知道,某一顆被打出去的球,在一般情況下有多大的
機率會被處理掉、形成出局數,也就是所謂的「難度」有多高。
接著再看場上真正在面對這球的防守球員,是否有順利地抓到出局數、過程中是否很吃力
,還是十分輕鬆,並且綜合所有因子,以客觀的方式評斷該防守球員的守備表現。
舉例來說,如果一名防守球員,他在外野以飛撲的方式接到一顆飛球,在沒有「接殺形成
率」的數據輔助、單靠視覺畫面的情況下,我們通常會認為這是一個很棒的美技。但有了
「接殺形成率」後,假如我們發現事實上那顆飛球根據過去的統計,有高達85%的「接殺
形成率」,代表那顆飛球的實際難度只有兩星,那麼該名防守球員的美技,可能就不是那
麼的「美」,反而有很大的誤導球迷認知的效果。他之所以會接得驚險,完全是因為判斷
、起步不好,或是跑動過程中繞了遠路,造成效率不佳的防守路徑。
去年四月五日,當時人還在聖地牙哥教士的右外野手坎普(Matt Kemp)就做出了一個「
看似美技、實則普通」的外野接殺。面對透納(Justin Turner)擊出的外野飛球,坎普
在右外野的警戒區前徹底延展身體,做出飛撲接殺,獲得球迷和隊友立即的肯定回饋。
但事實上,根據Statcast的追蹤,該飛球的落點距離坎普原來的站位只有大約20公尺,一
般來說野手只需要4.3秒就能跑到,這兩個因子加總起來,該飛球的「接殺形成率」為75%
,代表只是一顆難度介於二星到三星之間的球,由此可見,即便結果是好的,但坎普的防
守過程並沒有處理得很好,讓自己陷於必須以風險較高的方式獲得出局數,長期下來,肯
定弊大於利。
相反的,如果一名外野手,用看起來稀鬆平常的跑動和接捕方式,處理掉一顆根據Statca
st系統難度有四星的飛球,那我們就可以說這名球員的判斷力和移動效率佳。一直以來,
我們經常忽略這一類球員、這一類情況的表現價值,因為在畫面上,並沒有任何特別突出
之處。
如果長期下來,這種球員能夠處理非常多類似的高難度來球,那就代表他整體的防守能力
相當優質。
在真實的大聯盟賽場上,這種球員的最佳典範大概就是辛辛那提紅人的外野手漢米爾頓(
Billy Hamilton)以及坦帕灣光芒的外野手基爾邁爾(Kevin Kiermaier)。
他們兩人都可以把難度很高的飛球,接得輕鬆寫意,所以除了我們看得到的許多精彩守備
鏡頭,他們還有很多憑藉極佳判斷力、極高跑動效率所製造的接殺,因為畫面衝擊性不大
,而被大多數人忽視。
Statcast系統和接殺形成率的影響,除了讓我們得以用更聰明地方式評估防守,還佐證了
很多過去進階防守數據的結果,以及大家一般公認防守能力優異的球員,實力真的不假。
根據去年的數據,完成最多五星級接殺的球員是現在轉隊到華盛頓國民的伊頓(Adam Eat
on)與亞特蘭大勇士的英席亞提(Ender Inciarte),分別都製造多達10個五星級接殺,
而他們也都是進階數據派和傳統球探認為防守能力極優的選手。
勇士中外野手英席亞提在防守時移動速度飛快,去年球季他就有大聯盟最多的十個五星
勇士中外野手英席亞提在防守時移動速度飛快,去年球季他就有大聯盟最多的十
棒球數據和科學化的革命,在導入Statcast的系統後,可說是邁入了全新的紀元,而「接
殺形成率」還有其他相關衍生數據的發明及創造,則將繼續替我們打破過去我們對防守、
甚至其他項目的誤解與迷思。
也許再過不久,我們就能徹底揮別「基特(Derek Jeter)的防守能力到底是好是壞」、
「瓊斯(Adam Jones)的防守範圍到底有沒有那麼大」等無解爭論,以更客觀、更聰明、
更有趣地方式來探討棒球,並從以往不存在的面相,獲取更多元的棒球知識。
……
反觀,還在殺豬公
--
※ 發信站: 批踢踢實業坊(ptt.cc), 來自: 223.139.132.223
※ 文章網址: https://www.ptt.cc/bbs/Baseball/M.1490751612.A.673.html
推
03/29 09:43, , 1F
03/29 09:43, 1F
推
03/29 09:44, , 2F
03/29 09:44, 2F
推
03/29 09:45, , 3F
03/29 09:45, 3F
推
03/29 09:45, , 4F
03/29 09:45, 4F
推
03/29 09:45, , 5F
03/29 09:45, 5F
推
03/29 09:47, , 6F
03/29 09:47, 6F
→
03/29 09:47, , 7F
03/29 09:47, 7F
推
03/29 09:48, , 8F
03/29 09:48, 8F
推
03/29 09:49, , 9F
03/29 09:49, 9F
→
03/29 09:50, , 10F
03/29 09:50, 10F
推
03/29 09:50, , 11F
03/29 09:50, 11F
→
03/29 09:52, , 12F
03/29 09:52, 12F
推
03/29 09:53, , 13F
03/29 09:53, 13F
推
03/29 09:53, , 14F
03/29 09:53, 14F
→
03/29 09:54, , 15F
03/29 09:54, 15F
推
03/29 09:54, , 16F
03/29 09:54, 16F
推
03/29 09:55, , 17F
03/29 09:55, 17F
推
03/29 09:55, , 18F
03/29 09:55, 18F
推
03/29 09:56, , 19F
03/29 09:56, 19F
推
03/29 09:56, , 20F
03/29 09:56, 20F
推
03/29 09:56, , 21F
03/29 09:56, 21F
→
03/29 09:57, , 22F
03/29 09:57, 22F
推
03/29 09:58, , 23F
03/29 09:58, 23F
推
03/29 09:58, , 24F
03/29 09:58, 24F
推
03/29 09:59, , 25F
03/29 09:59, 25F
推
03/29 09:59, , 26F
03/29 09:59, 26F
→
03/29 09:59, , 27F
03/29 09:59, 27F
推
03/29 10:01, , 28F
03/29 10:01, 28F
推
03/29 10:02, , 29F
03/29 10:02, 29F
推
03/29 10:03, , 30F
03/29 10:03, 30F
推
03/29 10:03, , 31F
03/29 10:03, 31F
→
03/29 10:03, , 32F
03/29 10:03, 32F
推
03/29 10:04, , 33F
03/29 10:04, 33F
推
03/29 10:04, , 34F
03/29 10:04, 34F
→
03/29 10:05, , 35F
03/29 10:05, 35F
推
03/29 10:05, , 36F
03/29 10:05, 36F
推
03/29 10:05, , 37F
03/29 10:05, 37F
推
03/29 10:07, , 38F
03/29 10:07, 38F
推
03/29 10:07, , 39F
03/29 10:07, 39F
還有 93 則推文
→
03/29 13:25, , 133F
03/29 13:25, 133F
→
03/29 13:25, , 134F
03/29 13:25, 134F
→
03/29 13:25, , 135F
03/29 13:25, 135F
→
03/29 13:25, , 136F
03/29 13:25, 136F
→
03/29 13:26, , 137F
03/29 13:26, 137F
→
03/29 13:26, , 138F
03/29 13:26, 138F
→
03/29 13:26, , 139F
03/29 13:26, 139F
→
03/29 13:27, , 140F
03/29 13:27, 140F
→
03/29 13:29, , 141F
03/29 13:29, 141F
推
03/29 13:29, , 142F
03/29 13:29, 142F
→
03/29 13:29, , 143F
03/29 13:29, 143F
→
03/29 13:30, , 144F
03/29 13:30, 144F
→
03/29 13:30, , 145F
03/29 13:30, 145F
→
03/29 13:31, , 146F
03/29 13:31, 146F
→
03/29 13:31, , 147F
03/29 13:31, 147F
→
03/29 13:32, , 148F
03/29 13:32, 148F
推
03/29 13:33, , 149F
03/29 13:33, 149F
→
03/29 13:33, , 150F
03/29 13:33, 150F
→
03/29 13:33, , 151F
03/29 13:33, 151F
→
03/29 13:34, , 152F
03/29 13:34, 152F
→
03/29 13:35, , 153F
03/29 13:35, 153F
推
03/29 13:35, , 154F
03/29 13:35, 154F
→
03/29 13:35, , 155F
03/29 13:35, 155F
→
03/29 13:36, , 156F
03/29 13:36, 156F
→
03/29 13:36, , 157F
03/29 13:36, 157F
→
03/29 13:37, , 158F
03/29 13:37, 158F
→
03/29 13:37, , 159F
03/29 13:37, 159F
→
03/29 13:37, , 160F
03/29 13:37, 160F
→
03/29 13:38, , 161F
03/29 13:38, 161F
→
03/29 13:39, , 162F
03/29 13:39, 162F
→
03/29 13:40, , 163F
03/29 13:40, 163F
→
03/29 13:41, , 164F
03/29 13:41, 164F
→
03/29 13:41, , 165F
03/29 13:41, 165F
→
03/29 13:45, , 166F
03/29 13:45, 166F
→
03/29 13:46, , 167F
03/29 13:46, 167F
→
03/29 13:47, , 168F
03/29 13:47, 168F
→
03/29 13:48, , 169F
03/29 13:48, 169F
推
03/29 15:26, , 170F
03/29 15:26, 170F
→
03/29 15:27, , 171F
03/29 15:27, 171F
推
03/29 18:49, , 172F
03/29 18:49, 172F