第四部分 · 数据与现代足球

xG 期望进球：给「机会质量」定价

上一课讲完防守：防守的全部工作，就是把进攻好不容易造出来的空间重新压扁，让对方只能在「不好的位置、被很多人盯着」的情况下出脚。可这里藏着一个我们绕了十一课都没正面回答的问题——我们一直在说「好机会」「半个机会」「必进球」，可这「好」到底是多好？凭什么说这次射门比那次更值钱？数一数「射门数」吗？那等于把一脚 30 米的乱轰，和一次空门推射算成同一回事。我们需要一把更诚实的尺子，把「机会的质量」变成一个能比较的数字。这把尺子，叫 xG。

一、旧尺子：为什么「射门数」会骗人

翻开任何一场比赛的传统数据表，你会看到一行「射门次数 18 比 9」。直觉上，射门多的一方占优、该赢。可你只要回想前几课就知道哪里不对：第 03 课说过，足球是极低分的运动，场均进球只有 ~2.7 个；一脚射门进不进，方差极大。更要命的是——

「射门数」把所有射门当成一样的。它给一脚禁区里无人盯防的空门推射记「1」，也给一脚 35 米外、四个人封堵下的乱轰记「1」。可这两脚的进球概率，一个接近 0.9，一个不到 0.02——相差四五十倍。把它们加起来求和，得到的「总射门数」几乎不携带任何关于「谁创造了更好机会」的信息。这就像评价一家公司只数它「开了几张发票」，却不看每张发票是 10 块还是 10 万。

那加个限制，只数「射正次数」呢？好一点，但还是同样的病：一脚被门将轻松没收的近距离打正，和一脚擦着横梁入网边缘的世界波，都记成「射正 1 次」。问题的根子不在「数得准不准」，而在「把不同质量的事件当成等价的来数」。我们真正想知道的，是每一脚射门本身有多大可能变成进球——也就是给它的「机会质量」定个价。

二、xG 的定义：用历史上的同类射门给当前这脚定价

xG 的想法朴素得近乎笨：既然我不知道这一脚会不会进，那我就去翻历史上千千万万脚「长得跟它一模一样」的射门，看其中有百分之多少进了。这个频率，就是这一脚的期望进球。

关键词是「同类」。模型怎么定义「同类」？它把每一脚射门拆成一组特征 (features)，然后在历史数据里找特征相近的那一大堆射门，算它们的进球率。常见的特征包括：

• 到球门的距离——越近，进球率越高（这是最强的单一因素）。
• 射门角度——更准确地说，是从射门点看过去，球门两根门柱张开的那个夹角。正对球门时这个角很大、球门「很宽」；贴着底线时角度被压成一条缝、几乎射不进。第 02 课讲越位时那块「门前区域」，现在被这个夹角量化了。
• 身体部位——头球通常比脚射难（力量小、控制差），同样位置的头球 xG 更低。
• 面前的防守人数 / 是否一对一门将——身前每多一个能封堵的身体，进球率就往下掉一截；反过来，过掉门将后的空门会冲到接近 1。
• 助攻方式 / 进攻类型——直塞打穿防线后的射门、反击中的射门，往往比阵地战正面强攻质量更高（呼应第 07 课：转换瞬间空间最失衡）。

把这些特征喂给一个在历史射门数据上训练好的概率模型（通常是逻辑回归之类，本质就是「给定这些特征，进球的概率是多少」），它就吐回一个 0 到 1 的数。注意一个常被误会的点：点球的 0.76 不是几何算出来的，而是直接来自历史统计——顶级联赛里点球的转化率长期稳定在 75%–80% 上下，所以模型直接把「点球」这个特征对应到 ≈ 0.76。xG 不在乎「这一脚最后进没进」，它只回答一个反事实问题：站在出脚那一刻，凭历史经验，这种机会通常能进多少。

三、把一场比赛的射门加起来：xG 累加

单脚射门的 xG 已经有用，但 xG 真正的力量在于可加性。把一支球队整场所有射门的 xG 加起来，得到这场的总 xG，它衡量的是「按这些机会的质量，这支队本该进几个」。

举个示意的例子：A 队全场轰了 18 脚，但大多是远射和被封堵的强攻，单脚 xG 平均只有 0.05，总 xG ≈ 0.9；B 队只射了 6 脚，但有一次空门（0.85）、一个点球（0.76）、一次禁区内一对一（0.4），总 xG ≈ 2.3。哪怕最后比分是 A 队 2-1 赢了，xG 也在告诉你：B 队创造了好得多的机会，A 队这场赢得侥幸，长期这么踢会输回去。这正是下一节要说的——比分会骗人，xG 更接近底层真相。

四、xG 解决了什么：足球版「价值 vs 价格」

现在把 xG 放回这整门课的脊梁上。第 03 课我们就讲过：足球进球太稀少、单场样本太小，所以比分里混着大量运气——一脚折射、一次门框、一个误判，就能让「踢得更好的一方」输掉。比分是结果，而结果在低分高方差的运动里噪声极大。

xG 干的事，是绕过这个噪声大的结果，直接去量产生结果的那个过程的质量。一支队这场 0 进球但 xG 高达 2.5，说明它持续地创造了好机会，只是这一场运气差、没进——而机会质量是更稳定、更可重复的东西，下一场大概率会兑现。反过来，靠几脚超低 xG 的远射「天外飞仙」赢球的队，是在透支运气，迟早回落。

五、期望值革命：三大球类各自独立地推翻了「数数字 + 老法师直觉」

这门课最该让你记住的，不是 xG 这个词，而是它背后那个思想动作：不要数事件的「个数」，要给每个事件按它对得分的「期望贡献」定价，再求和。这个动作威力大到——三项几乎不相干的运动，在不同年代、由不同的人，各自独立地把它发明了一遍，并且每一次都掀翻了原来「数原始数字 + 资深教练拍脑袋」的旧秩序。

三者用的是同一个数学：期望值（概率 × 价值，再求和）。如果你想看清这个工具本身——什么是概率、什么是期望、为什么求和能把噪声抹平——可以回到《数学的逻辑》第 13 课（概率）。三大球类的「数据革命」，说到底就是把这一行高中数学，认真地、彻底地用在了运动上。

六、诚实：xG 是工具，不是真理

把 xG 捧上天会犯和「迷信射门数」一样的错——只是错得更精致。xG 是个模型，模型就有边界和噪声，必须说清楚：

• 它不知道「射门质量」本身。标准 xG 模型看的是「出脚那一刻的处境」（位置、角度、防守），但大多不知道这一脚踢得多好——同样的空位，C 罗抽出贴地斩和我踢出旁边看台，进球概率天差地别，可基础 xG 给的是同一个数。（有些进阶模型加入了射门后的球速、落点，叫 xG-on-target / post-shot xG，但那是另一套。）
• 单场样本太小。xG 是长期更可靠，单场照样能骗人：一场 0.3 xG 却进 3 球的事真实发生，那不代表 xG「错了」，只代表这场运气爆棚——这恰恰是它要提醒你的高方差（第 03 课）。别拿一场 xG 下结论。
• 模型之间不一致。不同厂商特征不同、训练数据不同，同一脚射门的 xG 会差零点零几（见上方数据小注）。没有「唯一正确的 xG」。
• 它只覆盖「射门」。一次精彩的逼抢、一个化解险情的回追、一脚没形成射门的关键直塞，标准 xG 都不计分。它量的是「机会质量」，不是「比赛的全部价值」。

所以正确的态度是：xG 是一把比射门数好得多、但依然会抖动的尺子。它把「机会质量」从老法师的玄学里拽出来、变成能比较能累加的数字，这是巨大的进步；但它不是上帝视角的真理。会用它的人，用它看趋势和大样本，而不是拿它给单场比赛盖棺定论。

七、动手：拖动射门点，看 xG 怎么变

下面这块半场，让你亲手拨动 xG 的两个核心变量——射门的位置（决定距离和角度）和身前的防守人数。拖动那个白色的射门点，注意从它射向球门时，两根门柱张开的那个夹角怎么变：正对球门、离得近，夹角大、xG 高；往边上挪、往后退，夹角被压扁、xG 暴跌。再拉动防守人数滑块，看每多一个人封堵，xG 怎么往下掉。

玩几下你会得到一个比任何公式都牢的直觉：xG 几乎全由「那个张角」和「距离」决定，而进攻战术（第 04–09 课造空间、传切、过人、定位球）的全部目的，归根结底就是把出脚的那一刻挪到「张角大、距离近、身前没人」的位置去。所谓「创造好机会」，量化之后就是「制造一次高 xG 的出脚」。防守（第 10 课）则反着来：把对手逼到张角小、距离远、身前一堆人的低 xG 处境。整门课的拉锯，第一次有了统一的计分尺。

常见误解

• 误解：xG 高的一方就该赢、xG 输了就是踢得差。 （澄清：xG 是长期更可靠的信号，单场照样高方差——一场 0.3 xG 进 3 球是运气，不是 xG「错了」。看趋势，别看单场。）
• 误解：xG 知道这一脚踢得有多好。 （澄清：基础 xG 只看出脚那一刻的处境，不知道你随后是抽死角还是踢飞看台；同样空位，球星和我是同一个 xG。射门质量是另一套 post-shot xG。）
• 误解：点球的 0.76 是几何 / 公式算出来的。 （澄清：它直接来自历史转化率——顶级联赛点球长期进 75%–80%，模型把「点球」这个特征对应到 ≈ 0.76，不是从角度距离推的。）
• 误解：xG 衡量一支球队踢得好不好。 （澄清：它只量射门机会的质量；逼抢、回追、没形成射门的关键传球都不计。它是「机会质量」尺，不是「比赛全部价值」尺。）
• 误解：存在唯一正确的 xG 值。 （澄清：不同模型特征、训练数据不同，同一脚会差零点零几。xG 是估计，不是测量。）