Duckworth–Lewis–Stern-modellering met fuzzy logica en contextuele indices voor doelherziening in cricket

Waarom regen en dauw een cricketmatch kunnen veranderen

Supporters klagen vaak dat regelelementen rond regen en late-avonddauw een beperkte-overs cricketwedstrijd oneerlijk kunnen beïnvloeden. Wanneer het spel wordt ingekort, wordt de Duckworth–Lewis–Stern (DLS)-methode gebruikt om het target voor het jagende team opnieuw vast te stellen, maar die kijkt alleen naar resterende overs en geslagen wickets. Dit artikel stelt een vraag die veel toeschouwers en spelers al intuitief voelen: zouden doelberekeningen ook rekening moeten houden met hoe sterk de teams zijn, hoe de pitch zich gedraagt en of het veld glad is door dauw? De auteurs doen hiervoor een voorstel voor een nieuw, flexibeler systeem.

Hoe de huidige regenregel een wedstrijd ziet

De standaard DLS-methode gaat ervan uit dat de scoringskracht van een team afhankelijk is van twee grootheden: hoeveel overs er over zijn en hoeveel wickets er gevallen zijn. Daarmee construeren ze een vloeiende curve die het aandeel van de "batting resources" dat nog beschikbaar is beschrijft. Targets en par-scores in door regen getroffen wedstrijden worden vervolgens eenvoudig berekend door de gebruikte resources van beide kanten te vergelijken. Deze aanpak heeft goed genoeg gewerkt om wereldstandaard te worden, maar heeft een blinde vlek: twee innings met hetzelfde aantal overs en wickets worden als identiek behandeld, ook als het ene team wereldklasse-batters op een vlakke pitch heeft en de andere kant te maken krijgt met swingende ballen onder verlichting.

Context in beeld brengen

Om deze kloof te dichten construeren de auteurs numerieke indices die teamssterkte en wedstrijdomstandigheden op een eenvoudige, interpreteerbare manier vastleggen. Een Batting Quality Index mengt batting averages, strike rates en rankings tot één waarde tussen nul en één, waarbij 0,5 ongeveer "gemiddeld" betekent. Een Bowling Threat Index doet hetzelfde voor de bowlende kant, met economy rate, wickets per bal, averages en rankings, waarbij sterkere aanvallen hogere scores krijgen. Ze houden ook rekening met hoeveel Powerplay-overs er nog zijn, hoe gunstig de pitch is voor batten of bowlen, en of het weer wijst op droge lucht, motregen of zware dauw. Pitch en weer worden samengevat met fuzzy logica: in plaats van een starre "goed" of "slecht" worden ze beschreven in overlappende gradaties zoals "hard", "vochtig" of "versleten", die vervolgens in één pitch- of weerscore worden geblend.

Een flexibele curve die meebuigt met de omstandigheden

Op basis van deze invoer ontwerpen de auteurs twee verwante wiskundige hulpmiddelen. Ten eerste presenteren ze een gegeneraliseerde logistische–exponentiële curve die nauw de bekende DLS-resources-curve nabootst wanneer de omstandigheden gemiddeld zijn, maar licht omhoog of omlaag buigt wanneer batten sterker is, bowlen feller, de pitch vlakker wordt of dauw intreedt. Ten tweede plaatsen ze dit idee binnen een volledig fuzzy-logicasysteem, dat linguïstische regels verwerkt die klinken als echte crickettaal — zoals "als batten sterk is en de pitch vlak is en er dauw is, dan zijn de resources zeer hoog" — en die omzet in precieze numerieke aanpassingen. In uitgewerkte voorbeelden duwt het model de par-scores zacht naar boven in bowler-vriendelijke situaties en naar beneden wanneer de chase door de omstandigheden wordt geholpen, terwijl het altijd terugvalt op de klassieke DLS-vorm als alles neutraal is.

Helpt dauw echt bij het jagen?

Naast de modellering onderzoekt het artikel 100 one-day internationals gespeeld in India om een veelgehouden overtuiging te testen: dat winterdauw het jagen vergemakkelijkt. Door de wedstrijden te verdelen in winter- en niet-wintermaanden vinden de auteurs dat teams die als tweede slaan 56,5 procent van de winterwedstrijden wonnen maar slechts 37,0 procent van de niet-winterwedstrijden. De kansen om te winnen tijdens het jagen zijn ruim twee keer zo groot in de winter, hoewel de steekproef net klein genoeg is dat het resultaat net onder strikte statistische significantie valt. Toch past dit patroon goed bij de fuzzy-invoeren die het model gebruikt: glibberige ballen, snellere outfields en vriendelijkere omstandigheden voor batters in de tweede innings.

Wat dit betekent voor eerlijkere targets

Alles bij elkaar gedraagt het Fuzzy-DLS-model zich als een verbeterde, contextbewuste versie van de standaard regenregel. In een set van 30 illustratieve gevallen verschillen de resource-schattingen gemiddeld maar ongeveer 1,5 procentpunt van de officiële DLS-waarden, en veranderen de par-scores met ruim twee runs — kleine, vloeiende verschuivingen in plaats van ingrijpende herzieningen. Toch zijn die verschuivingen geworteld in informatie waar spelers, kommentatoren en fans al over praten: de sterkte van de opstellingen, de staat van de pitch en de aanwezigheid van dauw of regen. Voor de lezer zonder specialistische achtergrond is de belangrijkste conclusie dat het mogelijk is het vertrouwde DLS-kader te behouden en het tegelijk gevoeliger te maken voor de werkelijke beleving van een wedstrijd, wat kan leiden tot doelherzieningen die niet alleen wiskundig netjes maar ook intuïtief eerlijk aanvoelen.

Bronvermelding: 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

Trefwoorden: cricketanalyse, wedstrijden beïnvloed door regen, herziening van target, fuzzy logica, Duckworth-Lewis-Stern