Modélisation Duckworth–Lewis–Stern avec logique floue et indices contextuels pour la révision des cibles au cricket

Pourquoi la pluie et la rosée peuvent changer un match de cricket

Les spectateurs se plaignent souvent que les règles liées à la pluie et la rosée nocturne peuvent désavantager injustement un match limité en overs. Lorsque le jeu est écourté, la méthode Duckworth–Lewis–Stern (DLS) est utilisée pour réinitialiser la cible de l’équipe qui court après, mais elle ne considère que les overs restants et les wickets perdus. Cet article pose une question que beaucoup de supporters et de joueurs ressentent intuitivement : les calculs de cible ne devraient-ils pas aussi tenir compte de la force des équipes, du comportement de la piste et de l’éventuelle humidité de la pelouse due à la rosée ? Les auteurs proposent une nouvelle méthode, plus flexible, pour exactement cela.

Comment la règle actuelle voit un match

La méthode DLS standard suppose que la capacité de marquer d’une équipe dépend de deux chiffres : le nombre d’overs restants et le nombre de wickets tombés. À partir de ces éléments, elle construit une courbe lisse décrivant la fraction des « ressources de batting » encore disponibles. Les cibles et les scores paritaires dans les matchs affectés par la pluie sont ensuite calculés simplement en comparant les ressources utilisées par chaque camp. Cette approche a suffisamment bien fonctionné pour devenir la norme mondiale, mais elle présente un angle mort : elle traite deux manches avec le même nombre d’overs et de wickets comme identiques, même si une équipe aligne des batteurs de classe mondiale sur une piste plane et l’autre doit affronter une balle qui bouge sous les projecteurs.

Apporter le contexte dans l’équation

Pour combler cette lacune, les auteurs construisent des indices numériques qui captent la force des équipes et les conditions de jeu de façon simple et interprétable. Un indice de qualité de batting combine moyennes au batting, vitesses de scoring (strike rates) et classements en une valeur unique entre zéro et un, où 0,5 signifie à peu près « moyen ». Un indice de menace au bowling fait de même pour les lanceurs, en utilisant le taux d’economy, les wickets par balle, les moyennes et les classements, les attaques les plus fortes obtenant des scores plus élevés. Ils prennent aussi en compte le nombre d’overs de Powerplay restants, l’avantage que la piste donne aux batteurs ou aux lanceurs, et si le temps indique de l’air sec, de la bruine ou une forte rosée. La piste et la météo sont résumées à l’aide de logique floue : au lieu d’un jugement rigide « bon » ou « mauvais », elles sont décrites par des dégradés qui se chevauchent comme « dure », « humide » ou « abîmée », puis converties en un score unique pour la piste ou la météo.

Une courbe flexible qui s’adapte aux conditions

En se basant sur ces entrées, les auteurs conçoivent deux outils mathématiques liés. D’abord, ils présentent une courbe logistique–exponentielle généralisée qui imite de près la courbe de ressources DLS familière lorsque les conditions sont moyennes, mais qui s’infléchit légèrement vers le haut ou le bas lorsque le batting est plus fort, le bowling plus agressif, la piste plus favorable ou que la rosée apparaît. Ensuite, ils intègrent cette idée dans un système complet de logique floue, qui prend des règles linguistiques empruntées au jargon du cricket — par exemple « si le batting est fort et la piste plate et la rosée présente, alors les ressources sont très élevées » — et les traduit en ajustements numériques précis. Dans des exemples chiffrés, le modèle hausse doucement les scores paritaires en conditions favorables aux lanceurs et les baisse quand la poursuite est aidée par l’environnement, tout en revenant systématiquement à la forme classique de la DLS lorsque tout est neutre.

La rosée aide-t-elle vraiment la poursuite ?

Au-delà de la modélisation, l’article examine 100 matches internationaux d’un jour joués en Inde pour tester une croyance répandue : que la rosée hivernale facilite la poursuite. En divisant les rencontres entre mois d’hiver et hors hiver, les auteurs constatent que les équipes qui battent en second ont remporté 56,5 % des matchs hivernaux mais seulement 37,0 % des matchs hors hiver. Les chances de gagner en poursuivant sont un peu plus que doublées en hiver, bien que l’échantillon soit juste assez petit pour que le résultat ne soit pas strictement significatif sur le plan statistique. Néanmoins, ce schéma s’accorde bien avec les entrées floues que le modèle utilise : boules plus glissantes, outfields plus rapides et conditions plus clémentes pour les batteurs en deuxième manche.

Ce que cela signifie pour des cibles plus équitables

Dans l’ensemble, le modèle Fuzzy-DLS se comporte comme une version enrichie et consciente du contexte de la règle de pluie standard. Sur un ensemble de 30 cas illustratifs, ses estimations de ressources diffèrent des valeurs officielles DLS d’environ 1,5 point de pourcentage en moyenne, et les scores paritaires varient d’un peu plus de deux courses — des ajustements modestes et progressifs plutôt que des révisions radicales. Pourtant ces ajustements reposent sur des informations dont joueurs, commentateurs et supporters parlent déjà : la force des compositions, l’état de la piste et la présence de rosée ou de pluie. Pour un lecteur non spécialiste, la conclusion principale est qu’il est possible de conserver le cadre familier de la DLS tout en le rendant plus sensible à la « sensation » réelle d’un match, menant potentiellement à des révisions de cibles qui paraissent à la fois mathématiquement cohérentes et intuitivement justes.

Citation: 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

Mots-clés: analyse du cricket, matches affectés par la pluie, révision des cibles, logique floue, Duckworth-Lewis-Stern