在足球的数据统计领域，还有很大的挖掘空间。我们经常说数据不能体现一切，了解一支球队或一名球员最重要的还是多看球。

　　对于足球来说，数据是一种辅助，帮助人们对赛况有一个轮廓性的了解，常用的数据基本上就是比分、控球率、射门、传球次数、传球成功率、犯规数、角球……评价个人时则会参考进球、助攻、传球、突破、抢断、解围、扑救、红黄牌、跑动距离、活动热图等数据。

　　这些数据其实比较片面，不能完全体现球队或球员的价值。所以数据也在进行着不断地进化和延伸，力求能从更多角度为看球的人提供参考。比如近些年已经开始被当作一项重要数据的“预期进球”，它可以更有效地体现球队及球员创造和把握机会的能力。

　　然而现阶段的数据类别，还是更倾向于进攻球员，中后场球员的作用并不能以一个特别直观的标准展现出来。为了在各个位置上追求平等，有机构发明了一个新的数据模型。

　　前段时间，有欧洲媒体报道称，根据这个新模型得出的结果，梅西的动作效率得分为1.21，与其他球员相比可以说是鹤立鸡群。而C罗只有0.61。

　　这是KU Leuven大学的某团队提出的新概念，用以把球员每个动作对比赛产生的影响具象化，这个概念被称为VAEP（Valuing Actions by Estimating Probabilities）。

　　据该团队统计，每场足球比赛至少会有1600个动作，每个动作都会对比赛产生影响，然而在传统的数据统计中，只有1%的动作会被体现出来。

　　比如曼城的这粒进球，拉波尔特的直传球其实对进球起了非常重要的影响，但从赛后的数据统计上来看，助攻的是萨内，进球的是热苏斯，拉波尔特的个人数据上，这不过是一脚成功传球/成功直塞球，根本看不出对进球的作用。

　　再比如，某位球员从中场左侧一脚长传将球转移至对方防守的弱侧，如果你看了球，会了解到这名球员对比赛的梳理，但从数据上看，这就是一脚成功的长传。

　　足球比赛中，球员的动作无非有两个目的：帮助本方进球，防止本方丢球。每一名球员的动作都会对这两个目的产生正向或反向的影响。

　　该团队根据一定的模型，给进球/丢球的机会估值，让比赛的即时状态具象化，这样一来，就能体现每一名球员每一个动作对比赛的影响。

　　也就是说，在该动作前的比赛状态为Si-1，进球机会的值为Pscores（Si-1），丢球机会值为Pconcedes（Si-1），经过了动作ai，比赛状态变为Si，进球机会的值变为Pscores（Si），丢球机会值为Pconcedes（Si）。那么一个动作对比赛结果产生的影响VAEP（ai）的公式为：

　　具体分析曼城上面那粒进球，拉波尔特那脚直塞球的VAEP值为+0.04，萨内的横传+0.36，热苏斯的射门+0.58，这样一来就能相对公平地体现出球员动作的价值。

　　当帕特里西奥扑出曼城的射门，那他的VAEP值也会增加，相对的，射失机会的球员VAEP值会减少。

　　每一场比赛，每一名球员都会得出一个总的VAEP值（经过出场时间换算），可以直观看出一名球员在本场比赛中的表现。

　　再看一个例子，2017-18赛季巴萨3-0皇家马德里，巴萨的第三粒进球：布斯克茨将球交给边路的梅西，该动作对进球机会的增值为0；梅西回传，让球远离了禁区，增值为-0.01；布斯克茨又将球向前传给禁区边上的梅西，增值为0.01；梅西一对一过掉马塞洛，增值0.05；梅西禁区内传中，增值0.09；A-比达尔射门得分，增值0.83。如果比达尔最终没能将球打进，那此次射门动作他的增值为-0.17。

　　这项数据有一定的参考价值，以2017-18赛季英超为例，如果单按照每90分钟进球助攻数据进行统计，那像博格巴、孙兴慜、马赫雷斯、德布劳内、阿扎尔这样的顶尖球员根本排不进前10，而根据VAEP，这些球员的价值就被体现了出来。

　　提出这项研究的团队认为，VAEP给了球员一个更加公正的标准，对于各大俱乐部来说，在发掘年轻球员及寻找类型球员方便也有着积极作用。

　　下表是17-18赛季荷兰、比利时及法国联赛97后球员的VAEP数值，结果显示内雷斯、芒特、马尔科姆、姆巴佩和德容是该年龄段的佼佼者。从日后他们的发展来看，也基本符合预期。

　　下表体现的则是2017-18赛季五大联赛所有出场时间达到900分钟的球员，其动作的效率，横轴代表平均每一个动作的价值，纵轴代表平均每90分钟做动作数。按照这一计算方法，梅西对比赛的影响无人出其右。

　　当然，这项数据依然也存在很大的局限性，比如多数无球队员的行动还是无法体现出来，但还是给足球数据分析提供了一个新的参考。说到底，如果想领略一名球员或一支球队的能力，还是需要通过比赛画面，用自己的眼睛来判断，看球永远强过看数据。

　　（简浅）