用空間控制評估足球 Back Four 防線

5月5日
讀畢需時 5 分鐘

已更新：5月6日

足球數據分析經常偏重進攻：xG、xT、progressive pass、shot creation。防守端就難好多，因為成功防守往往不是一個 tackle 或 interception，而是一整條防線在幾秒內保持距離、壓縮空間、控制禁區前沿，令對手無法進入高威脅區域。

Dash、Ide、Umemoto、Amino 與 Fujii 喺 arXiv:2511.06191v1 研究 back-four defensive line 在失去球權後的防守轉換。作者用 LaLiga 2023/24 的 SkillCorner tracking data 與 StatsBomb event data，分析 FC Barcelona 與 Real Madrid CF 在 negative transition 後的防守組織，並建立一組可解釋的 spatio-temporal indicators 來預測防守成功與否。

本文重點

這篇 paper 的焦點不是單一防守動作，而是「四人防線作為一個 unit」的協調。作者提出五個手工設計指標：Space Score、Stretch Index、Pressure Index、Absolute Defensive Line Height、以及 Relative Line Height to Ball。

在 2,413 條防守轉換序列中，two-way ANOVA 顯示 team、outcome 及其 interaction 對多個指標有顯著影響，其中 relative line height 與防守成功關聯最強。XGBoost 在 Barcelona 與 Real Madrid 的 team-specific 模型上分別取得 ROC AUC = 0.724 與 0.698，而 Space Score 和 Relative Line Height 是最重要的 predictive features。

一、為何 Back Four 難以量化

四人防線的價值不一定出現在事件表內。一次成功的防守轉換，可能是中堅和閘位同步退守，保持與皮球的垂直距離，壓住禁區前沿空間，迫使對手橫傳或回傳。這些行為未必會產生 tackle 或 clearance，但對阻止入禁區和射門很重要。

傳統防守 metrics 多數記錄個別事件，例如 tackles、interceptions、blocks。這些指標容易理解，但捕捉不到 collective behavior：防線有沒有過深？有沒有被拉闊？球與防線距離是否失衡？高價值 zone 是否被控制？

作者因此把問題轉成一個 spatio-temporal evaluation：在失去球權後，back four 的位置、緊湊度、壓迫和空間控制能否預測這次 transition 最後成功還是失敗。

二、資料與防守序列定義

研究使用兩類同步資料：SkillCorner 提供的 25Hz tracking data，包括 22 名球員與皮球位置及速度；StatsBomb 提供 event data，包括 passes、duels、tackles、pressures 等。作者使用 ETSY 演算法做 event-tracking synchronization，把事件對齊到最合理的 tracking frame。

資料涵蓋 LaLiga 2023/24 中 Barcelona 與 Real Madrid 的 73 場比賽。防守序列聚焦於 negative transitions：球隊失去控球後，對手立即進攻時的防線反應。作者只保留 defensive third 內、追蹤資料完整、且非 restart 造成中斷的序列。

每條序列標記為 success 或 failure。若對手後續進入禁區、射門或入球，視為 failure；其他情況視為 success。最終資料包含 2,413 條高質素 transition sequences，其中 1,434 條失敗、979 條成功。

三、五個可解釋防守指標

Stretch Index 衡量防線緊湊度與威脅暴露。它結合四名最深防守球員形成的 convex hull area，以及三名最前攻擊球員到最近防守者的平均距離。值越低通常代表防線更緊密、更協調。

Pressure Index 計算有多少攻擊球員位於任一防守者 3 米範圍內。值由 0 到 3，越高代表 back four 對附近攻擊者施加更強近身壓力。

Space Score 用加權 zone 估計防守方對高風險空間的控制。作者定義四類 zone：Central Final Third、Penalty Box Proximity、Wing Pockets、Ball-Carrier Radius，並按 tactical importance 加權。分數越高，代表防守方在高價值區域相對攻擊方有更好 presence。

Absolute Defensive Line Height 是四名最深 outfield defenders 距離己方球門線的平均位置，反映防線整體推前或退深。Relative Line Height to Ball 則是皮球位置與防線平均位置的距離，反映防線是否跟住球移動、垂直協調是否穩定。

四、統計結果：Relative Line Height 最穩

作者先對五個指標做 Team × Outcome 的 two-way ANOVA。結果顯示所有五個指標都有 team effect，代表 Barcelona 與 Real Madrid 的防守結構有系統差異；outcome effect 亦普遍顯著，代表成功與失敗轉換在空間指標上有差別。

其中 Relative Line Height 最突出：Outcome effect 的 F = 430.06、p < 0.001、partial eta-squared = 0.153，是所有指標中最強。Bonferroni-corrected post-hoc comparison 後，relative line height 仍在兩隊中都顯著，確認它與防守成功有穩定關係。

直覺上，這表示防線不是越高或越低就一定好，而是要相對皮球保持合適位置。若防線與球距離失衡，對手就更容易找到進入禁區或射門的空間。

五、Predictive Modeling：XGBoost 表現最好

為了檢查這些 handcrafted indicators 是否有 out-of-sample predictive value，作者分別為 Barcelona 與 Real Madrid 建立 team-specific models。模型包括 Random Forest、XGBoost、SVM (RBF)，使用 80/20 stratified split 與 5-fold cross-validation。

結果中，XGBoost 在兩隊都最好：

Barcelona：ROC AUC = 0.724，Accuracy = 0.672，Precision = 0.683，F1 = 0.663
Real Madrid：ROC AUC = 0.698，Accuracy = 0.648，Precision = 0.659，F1 = 0.646

這不是非常高的預測分數，但對只有五個可解釋指標的模型來講，已足以說明 back-four spatial indicators 捕捉到防守成功的 meaningful variance。作者亦指出，precision 對防守評估特別重要，因為把失敗防守誤判為成功會導致錯誤戰術結論。

六、Feature Importance：Space Score 與相對防線高度

XGBoost 的 built-in importance 與 SHAP 兩種方法都指向同一組重要 feature：Space Score 排第一，Relative Line Height 排第二，Stretch Index 排第三。

這個排序有戰術意義。Space Score 代表是否控制高風險區域；Relative Line Height 代表防線是否與皮球保持合適垂直關係；Stretch Index 則捕捉防線 compactness。三者合起來，比單純看防線平均高度或 pressure count 更能描述防守轉換品質。

換句話講，成功防守不是只靠「逼得近」，也不是只靠「退得深」；更重要是防線與球、對手、危險區域之間的幾何關係。

七、Barcelona 與 Real Madrid 的差異

論文指出 Barcelona 的 defensive outcomes 更容易被這些指標預測，代表其 back-four behavior 更結構化、更穩定。成功防守時，Barcelona 較能維持較高的空間控制和協調防線。

Real Madrid 則呈現較 adaptive 但不太穩定的防守結構。模型對 Real Madrid 的 AUC 稍低，可能反映其 transition defense 更依賴 context、球員即興反應或更複雜的場上因素，而五個 summary indicators 未能完全捕捉。

這點很重要：同一個 metric 不應無差別套用到所有球隊。Barcelona 的「好防守形狀」未必等於 Real Madrid 的「好防守形狀」，因為兩隊防守哲學和轉換節奏不同。

八、限制與後續方向

第一，研究只分析兩支 LaLiga elite teams，而且只聚焦 back-four 系統。若換成 back three、hybrid formation、低位防守隊或高位壓迫隊，指標權重可能不同。

第二，作者使用 mean aggregation，提升可解釋性並減少 multicollinearity，但會犧牲 temporal granularity。防線在 transition 前 1 秒和後 2 秒的變化，可能比整段平均值更有資訊。

第三，模型只用 handcrafted defensive indicators，未納入對手速度、球速、傳球路線、比分、疲勞、球員身份等 context。若加入 temporal graph neural networks 或 probabilistic models，可能能捕捉更細緻的 attacker-defender interaction。

九、小結

arXiv:2511.06191v1 的價值在於把防守組織量化成幾個可解釋、可訓練回饋的空間指標。Relative Line Height、Space Score、Stretch Index 不只是統計 feature，也可以轉化成教練語言：防線是否跟住球？高風險區域是否被控制？四人防線是否被拉散？

對足球分析團隊而言，這篇 paper 提供了一個實用方向：防守 analytics 不應只看事件結果，而要把 tracking data 變成能描述 collective organization 的指標，再用統計與模型驗證它們是否真的影響防守成功。

Reference

S. Dash, K. Ide, R. Umemoto, K. Amino, K. Fujii. Prediction-based evaluation of back-four defense with spatial control in soccer. arXiv:2511.06191v1 [cs.CY], 2025. https://arxiv.org/abs/2511.06191
W. Spearman. Beyond Expected Goals. MIT Sloan Sports Analytics Conference, 2018.
J. Van der Linden, B. Meijer, B. De Haan. ETSY: A rule-based synchronization algorithm for aligning event and tracking data in football. Journal of Sports Analytics, 2023.