Модель Дакворт–Льюис–Штерн с нечеткой логикой и контекстными индексами для пересмотра целевых показателей в крикете

Почему дождь и роса могут менять ход матча в крикете

Болельщики часто ворчат, что правила при дожде и поздняя вечерняя роса могут несправедливо склонить чашу весов в матчах с ограниченным числом оверов. Когда игру сокращают, для пересчёта цели команды, идущей в погоню, используют метод Дакворт–Льюис–Штерн (DLS), который смотрит лишь на оставшиеся оверы и потерянные вилки (wickets). В этой статье ставится вопрос, который многие зрители и игроки уже чувствуют интуитивно: не следует ли при вычислении целей также учитывать силу команд, поведение питча и то, скользит ли поле из-за росы? Авторы предлагают новый, более гибкий подход именно для этого.

Как текущий регламент при дожде «видит» матч

Стандартный метод DLS исходит из того, что способность команды набирать очки определяется двумя величинами: сколько осталось оверов и сколько вилок потеряно. На их основе строится гладкая кривая, описывающая долю «баттинговых ресурсов», которые ещё доступны. Цели и паровые (par) значения в матчах, затронутых дождём, затем вычисляют просто, сравнивая ресурсы, использованные каждой стороной. Этот подход работал достаточно хорошо, чтобы стать мировым стандартом, но у него есть слепая зона: он считает две подачи идентичными, если у них одинаковые оставшиеся оверы и вилки, даже если в одной стороне бьют мирового класса на ровном питче, а другая противостоит свингующей подаче при свете прожекторов.

Внесение контекста в расчёт

Чтобы закрыть этот пробел, авторы строят числовые индексы, которые просто и интерпретируемо отражают силу команды и условия матча. Индекс качества бэттинга (Batting Quality Index) объединяет средние показатели отбивания, скорострельность (strike rate) и рейтинги в одно значение от нуля до единицы, где 0.5 означает примерно «средний». Индекс угрозы боуллинга (Bowling Threat Index) делает то же для боуллинга, используя экономичность, количество вилок на шар, средние показатели и рейтинги, при этом более сильные атаки получают более высокие баллы. Также учитывают, сколько оверов плееров-ивента (Powerplay) осталось, насколько питч благоприятен для баттинга или боуллинга и есть ли признаки сухой погоды, мороси или сильной росы. Питч и погода суммируются с помощью нечеткой логики: вместо жесткой категории «хорошо» или «плохо» они описываются перекрывающимися оттенками вроде «жёсткий», «влажный» или «изношенный», которые затем смешиваются в единый балл для питча или погоды.

Гибкая кривая, подстраивающаяся под условия

Опираясь на эти входные данные, авторы разрабатывают два связанных математических инструмента. Во‑первых, они предлагают обобщённую логистико‑экспоненциальную кривую, которая в среднем близко имитирует знакомую ресурсную кривую DLS, но слегка изгибается вверх или вниз, когда баттинг сильнее, боуллинг жёстче, питч выравнивается или появляется роса. Во‑вторых, они встраивают эту идею в полную систему нечеткой логики, которая принимает лингвистические правила, звучащие как реальные разговоры о крикете — например, «если баттинг силён и питч ровный и есть роса, то ресурсы очень высоки» — и переводит их в точные численные корректировки. В детальных примерах модель немного повышает паровые показатели в условиях, благоприятных боуллерам, и снижает их, когда погода и условия помогают команде в погоне, при этом всегда возвращаясь к классической форме DLS, когда всё нейтрально.

Действительно ли роса помогает погоне?

Помимо моделирования, статья рассматривает 100 однодневных международных матчей, сыгранных в Индии, чтобы проверить широко распространённое убеждение: что зимняя роса облегчает погоню. Разделив матчи на зимние и не‑зимние месяцы, авторы обнаружили, что команды, бившие вторыми, выиграли 56,5 процента зимних игр, но лишь 37,0 процента не‑зимних. Шансы на победу при погоне зимой чуть более чем вдвое выше, хотя выборка достаточно мала, чтобы результат не достиг строгой статистической значимости. Тем не менее эта картина хорошо согласуется с нечеткими входами, которые использует модель: скользкие мячи, более быстрые газоны и мягкие условия для бэттеров во втором иннинге.

Что это значит для более справедливых целей

В целом модель Fuzzy‑DLS ведёт себя как усовершенствованная, учитывающая контекст версия стандартного правила при дожде. В наборе из 30 иллюстративных случаев её оценки ресурсов отличаются от официальных значений DLS в среднем всего на ~1,5 процентных пункта, а паровые значения меняются чуть более чем на два рана — небольшие, плавные смещения, а не резкие перестановки. Тем не менее эти сдвиги основаны на информации, о которой уже говорят игроки, комментаторы и болельщики: сила составов, состояние питча и наличие росы или дождя. Для непрофессионального читателя ключевая мысль такова: можно сохранить знакомую структуру DLS, но сделать её более чувствительной к реальному ощущению матча, что потенциально приведёт к пересмотрам целей, которые будут выглядеть не только математически аккуратно, но и интуитивно справедливо.

Цитирование: 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

Ключевые слова: аналитика крикета, матчи, затронутые дождем, пересмотр цели, нечеткая логика, Duckworth-Lewis-Stern