Duckworth–Lewis–Stern-Modellierung mit Fuzzy-Logic und kontextuellen Indizes zur Zielanpassung im Cricket

Warum Regen und Tau ein Cricket-Spiel verändern können

Fans beklagen sich oft, dass Regenregelungen und späte Abendtautropfen ein Limited-Overs-Cricket-Spiel ungerecht verschieben können. Wenn das Spiel verkürzt wird, wird die Duckworth–Lewis–Stern-(DLS)-Methode verwendet, um das Ziel für das nachjagende Team neu festzulegen, wobei nur die verbleibenden Overs und die gefallenen Wickets betrachtet werden. Dieses Papier stellt eine Frage, die viele Zuschauer und Spieler intuitiv schon fühlen: Sollten Zielberechnungen nicht auch die Stärke der Teams, das Verhalten des Pitches und ob das Outfield vom Tau glitschig ist, berücksichtigen? Die Autoren schlagen eine neue, flexiblere Methode vor, die genau das ermöglicht.

Wie die aktuelle Regenregel ein Spiel sieht

Die standardmäßige DLS-Methode geht davon aus, dass die Schlagkraft eines Teams von zwei Zahlen abhängt: wie viele Overs verbleiben und wie viele Wickets gefallen sind. Daraus wird eine glatte Kurve aufgebaut, die den Anteil der noch verfügbaren „Batting-Ressourcen“ beschreibt. Ziele und Par-Scores in regengeschädigten Spielen werden dann einfach durch den Vergleich der von beiden Seiten genutzten Ressourcen berechnet. Dieser Ansatz hat sich als ausreichend brauchbar erwiesen, um zum Weltstandard zu werden, hat jedoch eine Blinde Stelle: Er behandelt zwei Innings mit denselben Overs und Wickets als identisch, selbst wenn eine Seite Weltklasse-Schlagmänner auf einem flachen Pitch hat und die andere gegen eine schwingende Kugel unter Flutlicht antritt.

Kontext ins Bild bringen

Um diese Lücke zu schließen, konstruieren die Autoren numerische Indizes, die Teamstärke und Spielbedingungen auf einfache, interpretierbare Weise erfassen. Ein Batting-Quality-Index verbindet Schlagdurchschnitte, Strike-Raten und Ranglisten zu einem einzelnen Wert zwischen null und eins, wobei 0,5 ungefähr „durchschnittlich“ bedeutet. Ein Bowling-Threat-Index macht dasselbe für die Bowling-Seite und verwendet Economy-Rate, Wickets pro Ball, Durchschnitte und Ranglisten; stärkere Angriffe erhalten höhere Werte. Außerdem wird berücksichtigt, wie viele Powerplay-Overs noch verbleiben, wie vorteilhaft der Pitch für Batting oder Bowling ist und ob das Wetter auf trockene Luft, Nieselregen oder starken Tau hindeutet. Pitch und Wetter werden mithilfe von Fuzzy-Logic zusammengefasst: statt eines starren „gut“ oder „schlecht“ werden sie in überlappenden Abstufungen wie „hart“, „feucht“ oder „abgenutzt“ beschrieben, die dann zu einer einzigen Pitch- oder Wetterbewertung vermischt werden.

Eine flexible Kurve, die sich den Bedingungen anpasst

Auf Basis dieser Eingaben entwerfen die Autoren zwei verwandte mathematische Werkzeuge. Zuerst stellen sie eine verallgemeinerte Logistik-Exponential-Kurve vor, die die vertraute DLS-Ressourcenkurve unter durchschnittlichen Bedingungen genau nachbildet, aber leicht nach oben oder unten abweicht, wenn das Batterinnen stärker sind, das Bowling härter, der Pitch flacher wird oder Tau auftritt. Zweitens betten sie diese Idee in ein vollständiges Fuzzy-Logic-System ein, das sprachliche Regeln nutzt, die wie echtes Cricket-Deutsch klingen – etwa „wenn das Batting stark ist und der Pitch flach und Tau vorhanden ist, dann sind die Ressourcen sehr hoch“ – und diese in präzise numerische Anpassungen übersetzt. In durchgerechneten Beispielen verschiebt das Modell Par-Scores leicht nach oben unter bowler-freundlichen Bedingungen und nach unten, wenn der Chase durch die Bedingungen begünstigt wird, während es bei neutralen Verhältnissen stets zur klassischen DLS-Form zurückkehrt.

Hilft Tau wirklich beim Nachjagen?

Über die Modellierung hinaus untersuchen die Autoren 100 One-Day-Internationals in Indien, um einen weit verbreiteten Glauben zu prüfen: dass Wintertau das Nachjagen erleichtert. Bei einer Unterteilung der Spiele in Winter- und Nicht-Winter-Monate finden die Autoren, dass Teams, die zweite Innings spielten, 56,5 Prozent der Winterspiele gewannen, aber nur 37,0 Prozent der Nicht-Winter-Spiele. Die Gewinnchancen beim Nachjagen sind im Winter also etwas mehr als doppelt so hoch, obwohl die Stichprobe gerade klein genug ist, dass das Ergebnis knapp unter der strengen statistischen Signifikanz liegt. Dennoch passt dieses Muster gut zu den Fuzzy-Eingaben, die das Modell nutzen soll: rutschige Bälle, schnellere Outfields und günstigere Bedingungen für Schlagmänner im zweiten Innings.

Was das für fairere Ziele bedeutet

Insgesamt verhält sich das Fuzzy-DLS-Modell wie eine erweiterte, kontextbewusste Version der standardmäßigen Regenregel. In einer Reihe von 30 illustrativen Fällen unterscheiden sich seine Ressourcenschätzungen im Mittel nur um etwa 1,5 Prozentpunkte von den offiziellen DLS-Werten, und die Par-Scores ändern sich um etwas mehr als zwei Runs – kleine, sanfte Verschiebungen statt drastischer Umwälzungen. Diese Verschiebungen stützen sich jedoch auf Informationen, über die Spieler, Kommentatoren und Fans ohnehin sprechen: die Stärke der Aufstellungen, den Zustand des Pitches und das Vorhandensein von Tau oder Regen. Für einen Laien lautet die wichtigste Erkenntnis, dass es möglich ist, den vertrauten DLS-Rahmen beizubehalten und ihn zugleich empfindlicher für das tatsächliche Spielgefühl zu machen, was zu Zielanpassungen führen kann, die nicht nur mathematisch sauber, sondern auch intuitiv fair erscheinen.

Zitation: Samanta, S., Allahviranloo, T., Mrsic, L. et al. Duckworth–Lewis–Stern modeling with fuzzy logic and contextual indices for target revision in cricket. Sci Rep 16, 10630 (2026). https://doi.org/10.1038/s41598-026-44750-8

Schlüsselwörter: Cricket-Analytik, regengeschädigte Spiele, Zielanpassung, Fuzzy-Logic, Duckworth-Lewis-Stern