基于社会网络分析揭示职业篮球阵容协同效应：球员角色重构与战术优化研究

《Acta Psychologica》：Enhancing team dynamics: Unveiling synergy effects through social network analysis in professional basketball

本研究针对传统篮球位置划分难以适应现代战术需求的问题，通过高斯混合模型（GMM）聚类对CBA球员攻防行为数据重构19类角色，并结合社会网络分析（SNA）解析高效阵容中球员角色的协同机制。结果表明：仅10类角色与高效阵容显著相关，其中核心持球手（C6）能提升多数队友表现，而无球射手（C1）依赖与持球手和全能内线（C2）的互动，而球权主导型得分手（C3）则对其他角色产生负面影响。该研究为球队阵容配置提供了数据驱动的决策支持。

　　

在篮球这项高度依赖团队协作的运动中，如何组合五名上场球员的阵容，一直是教练团队面临的核心挑战。传统的球员位置划分，如后卫、前锋、中锋，随着篮球技战术的演进，已难以精准描述现代球员多样化的技术特点和在战术体系中的实际功能。例如，同样被归类为“前锋”的球员，可能一人擅长外线投射和快速移动，另一人则专注于内线强攻和篮板保护，将他们简单等同看待可能导致战术安排上的误判。更重要的是，篮球的胜利并非单个球星能力的简单叠加，而是取决于球员之间能否产生“1+1>2”的协同效应。某些球员组合在一起能爆发出惊人的战斗力，而另一些看似强大的组合却可能互相制约。因此，从动态交互的视角，科学地重新定义球员角色，并深入探究不同角色球员在高效阵容中的相互作用模式，对于提升球队竞争力具有至关重要的理论和实践意义。

为了回答上述问题，由上海体育学院运动表现学院的魏不凡、李增玉、周昌静、Miguel-ángel Gómez和张明新组成的研究团队，在《Acta Psychologica》上发表了他们的研究成果。他们利用Synergy Sports Technology和中国篮球协会（CBA）官方平台提供的详细数据，对2018-2019至2022-2023五个赛季的CBA联赛进行了深入分析。研究样本涵盖了20支俱乐部的1813名球员和经过严格筛选后的22,661条阵容数据。

研究人员主要运用了两项关键技术方法。首先是基于高斯混合模型（GMM）的聚类分析。研究团队没有采用传统的K-means等需要预设聚类数量的方法，而是利用GMM这种概率模型，根据球员在11种进攻和7种防守play type（战术类型）上的使用率（Usage%）和有效命中率（EFG%）等36个维度的数据，让数据本身“说话”，自动确定最优的球员角色分类。其次，在得到新的球员角色分类后，研究团队采用了社会网络分析（SNA）方法。他们将每个球员角色视为网络中的一个“节点”，将角色在高效阵容中共同上场的时间视为“边”，通过计算PageRank等指标，量化不同角色在阵容网络中的重要性及其相互之间的协同或抑制关系。

3.1. 新球员角色定义

通过GMM聚类分析，研究成功地将CBA球员划分为19个 distinct（独特的）角色。这些角色基于球员在攻防两端的实际行为模式，而非传统位置。例如，C1（无球射手）的特点是定点投篮（Spot up）和绕掩护投篮（Off screen）的使用率和效率极高；C2（全能内线）则在内线单打（Post-up）、挡拆顺下（P&R Roll Man）和空切（Cut）方面表现突出；而C3（球权主导型得分手）在持球挡拆（P&R Ball Handler）和单打（Isolation）上拥有极高的球权和效率。这19个角色清晰地展现了现代篮球球员功能的细化分工，克服了传统五分位法的局限性。

3.2. 高效阵容的新球员角色社会网络分析

社会网络分析的结果揭示，并非所有19个角色都与高效阵容（包括进攻高效、防守高效和净效率值高效）密切相关。只有10个角色（如C2全能内线、C6核心持球手、C8 3D侧翼、C16空间型前锋、C17传统内线等）在高效阵容的社会网络中表现出较高的PageRank值，意味着这些角色是构建成功阵容的核心要素。值得注意的是，C2（全能内线）在进攻、防守和净效率值三种高效阵容的网络中均拥有最高的PageRank值（分别为0.113, 0.102, 0.110），凸显了其作为阵容战术基石的不可或-缺性。分析还发现，不同战术侧重点的阵容（如偏重进攻或偏重防守），其核心角色网络结构也存在差异，说明了阵容构建的语境依赖性。

3.3. 新球员角色之间的关系与协同效应

研究进一步通过构建角色关系矩阵和影响网络，深入分析了10个核心角色两两配对时的协同效应。协同效应（Synergy Effect）通过比较同时包含两个角色的阵容净效率值与仅包含其中一个角色的阵容净效率值的差异来量化。结果发现了显著的协同模式：当C1（无球射手）与C6（核心持球手）或C2（全能内线）搭配时，阵容净效率值提升最为明显（例如与C6搭配提升6.33）。这表明无球射手的威力高度依赖于能为其创造机会的持球核心和高质量掩护内线。另一方面，研究也发现了明显的“相克”现象：C3（球权主导型得分手）几乎对所有其他角色都产生负面影响，当其与C6（核心持球手）或C11（全能得分手）同时在场时，阵容净效率值大幅下降（最高下降7.93）。这表明过度的球权集中和单打独斗会损害球队的整体进攻流畅性。此外，像C6（核心持球手）这样的角色，除了与C3搭配外，对大多数其他角色都表现出积极的提升作用，体现了其作为球场“发动机”和“催化剂”的价值。

归纳研究结论与讨论部分，本研究通过数据驱动的方法，成功地对CBA球员进行了超越传统位置的精细化角色划分，揭示了球员个体功能特征的“指纹”。更重要的是，通过社会网络分析，本研究从系统论的视角量化了不同球员角色在团队语境下的相互作用，明确了哪些角色组合能产生积极的协同效应，哪些组合可能导致内耗。这不仅为教练员在临场指挥、阵容轮换和战术设计方面提供了科学依据，例如应避免将多个需要大量持球的得分手同时放在场上，而应注重功能互补（如持球手与射手的搭配），也为球队管理层在球员引进、交易和建队规划上提供了全新的评估维度和决策支持。该研究框架亦可推广至其他篮球联赛乃至团队运动项目，为理解团队动力学和优化资源配置提供了有力的分析工具。研究也指出未来可结合球员追踪数据和视频分析等手段，进一步验证和深化对球员角色行为模式的理解。