Duckworth–Lewis–Stern-modellering med fuzzylogik och kontextuella index för målsättning vid targetrevidering i cricket

Varför regn och dagg kan förändra en cricketmatch

Åskådare klagar ofta över att regnregler och kvällsdagg kan snedvrida en limited-overs-match. När spelet avbryts används Duckworth–Lewis–Stern (DLS)-metoden för att sätta om målet för jagande laget, men den utgår bara från kvarvarande overs och förlorade wickets. Denna artikel ställer en fråga som många åskådare och spelare redan känner i magen: borde målkalkyler också ta hänsyn till hur starka lagen är, hur banan beter sig och om utfielden är hal av dagg? Författarna föreslår ett nytt, mer flexibelt sätt att göra just det.

Hur dagens regnregel ser på en match

Standardmetoden DLS antar att ett lags poängförmåga beror på två tal: hur många overs som återstår och hur många wickets som har fallit. Utifrån dessa bygger den en jämn kurva som beskriver andelen ”batting resources” som fortfarande finns kvar. Mål och parpoäng i regnpåverkade matcher beräknas sedan enkelt genom att jämföra resurserna som använts av vardera sida. Detta tillvägagångssätt har fungerat tillräckligt bra för att bli världstandard, men det har en blind fläck: det behandlar två innings med samma overs och wickets som identiska, även om ena sidan har världsklass-batters på en platt bana medan den andra möter en svängande boll under lampor.

Ta in kontexten i bilden

För att sluta denna lucka konstruerar författarna numeriska index som fångar lagstyrka och matchförhållanden på ett enkelt och tolkningsbart sätt. Ett Batting Quality Index blandar battinggenomsnitt, strike rates och rankningar till ett enda värde mellan noll och ett, där 0,5 ungefär betyder ”medel”. Ett Bowling Threat Index gör motsvarande för bowling-sidan, med ekonomi, wickets per boll, medelvärden och rankningar — starkare anfall får högre poäng. De tar också hänsyn till hur många Powerplay-overs som återstår, hur gynnsam banan är för batting eller bowling, och om vädret antyder torr luft, duggregn eller kraftig dagg. Banan och vädret summeras med fuzzylogik: i stället för ett stelt ”bra” eller ”dåligt” beskrivs de i överlappande nyanser som ”hård”, ”fuktig” eller ”sliten”, vilka sedan blandas till en enskild bana- eller väderscore.

En flexibel kurva som böjer sig med förhållandena

Med dessa insatsdata designar författarna två besläktade matematiska verktyg. Först presenterar de en generaliserad logistik–exponentiell kurva som nära efterliknar den bekanta DLS-resurskurvan när förhållandena är genomsnittliga, men som svagt böjer sig uppåt eller nedåt när batting är starkare, bowling är hårdare, banan planar ut eller dagg uppträder. För det andra inbäddar de idén i ett fullt fuzzylogiksystem, som tar språkliga regler som låter som verkligt cricketprat — till exempel ”om batting är starkt och banan platt och dagg förekommer, då är resurserna mycket höga” — och översätter dem till precisa numeriska justeringar. I genomarbetade exempel skjuter modellen varsamt parpoängen uppåt i bowlervänliga situationer och nedåt när jakten underlättas av förhållanden, samtidigt som den alltid återgår till den klassiska DLS-formen när allt är neutralt.

Hjälper dagg verkligen jakten?

Bortom modelleringen granskar artikeln 100 one-day internationals spelade i Indien för att testa en vida spridd uppfattning: att vinterdagg gör det lättare att jaga. Genom att dela in matcherna i vinter- och icke-vintermånader finner författarna att lag som batade andra vann 56,5 procent av vintermatcherna men bara 37,0 procent av icke-vintermatcherna. Oddsen att vinna när man jagar är lite mer än fördubblade på vintern, även om urvalet är så pass litet att resultatet precis faller utanför strikt statistisk signifikans. Mönstret stämmer dock väl med de fuzzy-insatser modellen är utformad för att använda: hala bollar, snabbare utfields och mildare förhållanden för batters i andra innings.

Vad detta betyder för rättvisare mål

Sammanfattningsvis beter sig Fuzzy-DLS-modellen som en förbättrad, kontextmedveten version av den standardiserade regnregeln. I en uppsättning av 30 illustrativa fall skiljer sig dess resursuppskattningar från de officiella DLS-värdena med i genomsnitt endast omkring 1,5 procentenheter, och parpoängen ändras med strax över två runs — små, jämna skift snarare än drastiska omvälvningar. Ändå bygger dessa skift på information som spelare, kommentatorer och fans redan talar om: laguppställningarnas styrka, banans tillstånd och förekomsten av dagg eller regn. För en lekmannaläsare är huvudpoängen att det är möjligt att behålla det bekanta DLS-ramverket samtidigt som det görs känsligare för matchens verkliga känsla, vilket potentiellt leder till targetrevideringar som inte bara är matematiskt prydliga utan också intuitivt rättvisa.

Citering: 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

Nyckelord: cricketanalys, regnpåverkade matcher, targetrevidering, fuzzylogik, Duckworth-Lewis-Stern