足球分析中各项统计指标解释上半部分：Per 90指标等介绍

大家好，今日我们向大家介绍足球分析领域内各类统计数据的上半部分内容，期待各位能够喜欢！

在现今的足球分析文章中，数据统计的应用越来越普遍，通过多种指标来彰显特定球队或球员的强项、弱项或行为模式。其中，许多指标大家已经相当熟悉，但还有一些较为冷门的指标可能需要我们稍作阐释。今天，我们将尝试介绍一些足球分析中最常见的指标及其运用方法，并将内容分为两部分进行阐述。现在，我们先来分享上半部分的内容。

“Per 90” 指标

在阐述足球分析的相关指标时，这一点尤为关键；在球员或球队层面，仅凭一个综合性的指标就可能造成误解；这是因为该指标并未将实现这一数值所需的时间因素纳入考量。

分析的基础在于背景的考量，我们必须确立一种公正的评判标准，用以衡量球员或球队的整体表现，这便是在整场比赛的全局背景下，对各项数据的综合审视（以90分钟为基准）。

自2019至2020赛季开启至今，利物浦队球员马内在英格兰超级联赛的赛场上成功攻入29球，相比之下，切尔西队的亚伯拉罕在切尔西的比赛中仅打入21球。

马内起初给人的印象似乎是在门前更具说服力，然而，需要考虑的一个背景是，在这段时间里，马内的出场时间比亚伯拉罕多了2000多分钟。若以每90分钟的进球数来衡量，我们发现亚伯拉罕的进球效率达到了每90分钟0.58球，这个数据实际上超过了马内的每90分钟0.47球。考虑到他们在前锋位置上的不同职责，亚伯拉罕的表现更具价值。

观察2020/21赛季的顶尖射手排名，以每90分钟为衡量标准，颇具趣味。仅就英超联赛中出场时间超过900分钟的球员而言，进球效率最高的非热刺队租借球员贝尔莫属。尽管他的出场时间可能不及其他球员那般充裕，然而贝尔在每90分钟内都能贡献至少一球，他在场上的表现带来了极高的产出回报。

图1-场均90分钟

预期进球 (xG)

XG这一指标对众人而言已不再生疏，简言之，XG实际上是一种评估射门转化为进球概率的模型。

并非每一次射门都具备同等水平，它可能是一次从40码开外的大胆尝试，也可能是距离球门仅两码之遥的精准打击。鉴于此，XG系统会在球员起脚射门前，对每一次射门的品质进行细致评估，这涉及到众多考量因素，比如射门的角度与球门之间的距离，是头球攻门、非惯用脚射门，还是使用惯用脚；射门是源自传中、渗透传球，还是面对多名防守者的阻挡。

XG值代表一个位于0（无进球机会）与1（必进球）之间的数值范围。以费尔南德斯对南安普顿的射门为例，该次射门的XG值为0.3，这表明在当前情况下，射门进球的概率约为3成，即30%或100分中的30分。

图2-进球的可能性

XG值是根据对先前数千次类似情境下的射门尝试进行统计得出的，同时分析了这些射门中有多少次成功得分。

上述例子仅通过一次射门来简略地诠释XG指标的含义，然而，若我们逐一对每次射门进行分析以探究XG，结果往往不够精确。实际上，我们应当将球员或球队在一场比赛、一段时期或整个赛季内的XG数值进行累积，并依据他们的射门表现，以便更明确地知晓他们理应取得的进球数。

自然，若样本量更大，观察时间更长，那么从这些数据中得出的结论将更为可信。在此情况下，我们能够借助XG来分析，某位球员或球队在禁区内展现的表现，是否与他们的预期水平存在差距，或是超越了预期。

射正预期进球(xGOT)

基于XG系统，我们能够更细致地探究一次射门转化为进球的概率。XG系统向我们展示了球员射门前的预估数值，而xGOT系统则对球员射门后击中目标的情况进行了相应的调整值提供。

显示的数字与XG一致，同样是一个位于0到1之间的数值。然而，它进一步丰富了背景信息，使得我们可以将射向球门角落的射门与射向球门中央的射门进行区分。正如你所预想的，XGOT模型仅计算击中目标的概率，因此球员至少需要让守门员有所反应——当然，如果射门没有击中目标，那么进球的可能性将降为零（除非发生极不可能的反弹）。

让我们审视一下凯恩在上赛季的一个案例。在那次他在禁区内尝试射门之前，他的预期进球值仅为0.03，这代表着一个极为渺小的得分机会；根据数据预测，在100次这样的射门中，仅有3次有望转化为进球。

图3-射正预期进球

凯恩的射门技艺高超，球精准地飞向了球门死角。射门成功后，该机会的XGOT值已升至0.54，这表明在54%的概率下，这次射门的位置足以进球。果不其然，这确实是一脚高质量的射门。

图4-高质量射门

XGOT主要向我们展现了一位球员在射门技术上的具体表现。当某位球员的XGOT数值持续超出其xG时，这表明他的射门成功率实际上超越了所获得射门机会的预期质量。

值得注意的是，所提供的数据仅涵盖了射中目标的射门次数，而未将那些被对方防守球员成功拦截的射门包含在内。因此，或许有部分球员会感到自己的运气不佳，因为他们已经完成了精准的射门动作，然而却被对方后卫成功封堵。

接着，我们借助Opta的“射门附加价值”这一指标，能够计算出一名球员在xG与xGOT两项数据间的具体差距。具体来看，热刺队的孙兴民在上赛季通过射门为球队贡献了显著的价值提升，他的射门使得球队进球机会增加了3.8个百分点。

图5-修正后数值

另一方面，莱斯特城的球员瓦尔迪在把握机会和实际射门得分方面存在较大差距，他的表现与预期相差3.4球，这主要归因于他在射门精准度上的不足。

图6-瓦尔迪修正数值

同样，XGOT可被视为评估守门员表现的有效手段。这种方法能更精确地呈现守门员的表现，因为它是基于守门员所遭遇的射门质量来预估他们可能失球的次数。

接着，我们能够借助这些数据来评估“未能得手的射门”的次数，这一数据是通过对比守门员实际所失球数与理论上应失球数得出的。进球被阻止的次数越多，反映出守门员在防守端的出色表现。

在上个赛季，热刺队的洛里斯展现出了卓越的封堵射门能力，他成功抵挡住了超过自己预期值5.1次的射门尝试。

图7-洛里斯的封堵

非点球进球（Non- goals）

这个数据点几乎无需过多说明，然而关键在于为何人们倾向于通过从总进球数中扣除点球进球来衡量进球数。点球进球并不能充分体现球员为自己制造机会的能力。尽管如此，球员或许既擅长进球又擅长点球，但在大多数情况下，执行点球的人即便没有直接导致犯规，也会被安排去主罚点球。

手球比赛规则的调整和VAR技术的应用，导致了上季点球判罚次数创下历史记录，共计125次点球，平均每三场赛事便有一例点球判罚。

执行点球任务的球员能够显著提升自己的进球记录，通过参与那些非持续性的得分。以上个赛季英超联赛中的顶尖射手为例，曼联的费尔南德斯和莱斯特城的瓦尔迪，他们的进球数都实现了成倍增长；若非这些极具价值的得分机会，他们恐怕难以跻身前10名之列。

图8-非点球排名

鉴于这一考虑，在赛事中，通过观察非点球进球或是非点球XG来衡量得分概率，显得更为可信。这样的方法，能够为球队或球员提供更广阔的公平竞技空间，以探索其得分机会。

预期助攻(xA)

助攻这一数据并不能充分体现球员的创新能力，有时球员只需将球轻传给队友，便能让对方轻松破门得分；而有的球员则需要长途奔袭，将机会送到队友脚下，帮助其完成进球。这两种贡献在性质上存在显著差异。再者，助攻的实现往往依赖于接球队友能否把握住得分机会，而这并非总是一帆风顺的。

因此，对于预期进球框架的进一步拓展，我们引入了预期助攻（XA）这一概念。其运作原理与XG相似，但在对传球球员在射门前贡献的积分计算上存在细微差别。

简言之，XA所评估的是受到助攻的射门所能带来的预期进球数，其数值介于0（无助攻机会）与1（必定有助攻）之间。

XA能够为具备创造力的球员赋予信誉，同时传递出一个更为明确的观念——基于球员的进攻输出质量，一名球员应当贡献多少次助攻。此外，我们还可以将所有数据汇总，进而分析一名球员是否在创造极具价值的机会，或是出于避免失球的目的而传球。

回望上一赛季，曼城阵中的德布劳内被公认为最具创造力的球员，这一评价并不让人感到意外。尽管这位比利时国脚因伤错过了不少赛事，但即便如此，他在场均贡献90分的数据上，再度彰显了他在球队中的关键作用。值得一提的是，他平均每三场比赛便能送出一次以上的助攻（场均90分钟，助攻效率为0.37XA）。

图9-预期助攻

自然，正如点球能够提升球员的进球记录一般，担任任意球主罚的球员同样能够提升其创造力，这是因为他们在面对无防守对手时，有更多机会将球送至险境，吸引更多队友进行进攻。鉴于此，上季每位球员在场上的表现都呈现出细微的差异，这实为值得关注之处。费尔南德斯在排名上几乎与德布劳内并驾齐驱，位居前列，与此同时，奥多伊以及马克西曼等球员也展现出了他们的才华，他们擅长在比赛中精准传球，为处于险境的队友提供支援。