크리켓 배팅 파트너십 네트워크 분석

초록

본 논문은 국제 크리켓 경기에서 배팅 파트너십 네트워크(BPN)를 구축하고, 클러스터링 계수, 평균 차수, 평균 최단 경로 등 네트워크 지표를 통해 작은 세계와 비동질성을 확인한다. 중심성 점수와 타율 사이의 불일치를 밝히고, 커뮤니티 구조와 플레이어 역할을 분석한다. 특히, 전설적인 선수인 DG 브래드먼이 네트워크 상에서 연결 허브 역할을 하지 않음을 지적하며, 다양한 중심성 지표를 활용해 선수 제거 효과와 성과 지수를 정량화한다.

상세 분석

이 연구는 크리켓 팀 내 배팅 파트너십을 정량적으로 모델링하기 위해 각 경기에서 두 명의 타자가 동시에 득점에 기여한 경우를 엣지로 연결한 무방향 가중 네트워크를 만든다. 팀별 BPN을 구축한 뒤, 클러스터링 계수(C), 평균 차수(k̄), 평균 최단 경로 길이(L)를 계산하고, 동일한 노드 수와 엣지 수를 갖는 Erdős‑Rényi 무작위 그래프와 비교한다. 결과는 모든 팀이 높은 C와 낮은 L을 보이며, 전형적인 작은 세계(small‑world) 특성을 나타낸다. 또한, 네트워크의 차수 상관계수(r)가 음수인 점에서 비동질성(disassortative)임을 확인한다. 이는 고차수 노드가 저차수 노드와 주로 연결된다는 의미이며, 실제 경기에서는 핵심 타자와 주변 타자 간의 파트너십이 빈번함을 반영한다.

중심성 분석에서는 degree centrality, betweenness centrality, closeness centrality, eigenvector centrality 등 네 가지 지표를 사용한다. 흥미롭게도, 가장 높은 degree를 가진 선수와 가장 높은 betweenness를 가진 선수가 반드시 높은 타율(average batting average)을 보이는 것은 아니다. 예를 들어, 호주 팀의 마이클 클라크는 degree가 높지만 타율은 중간 수준이며, 반대로 인도 팀의 비라타 코일은 degree는 낮지만 betweenness가 높아 경기 흐름을 연결하는 역할을 수행한다.

커뮤니티 탐지는 Louvain 방법을 적용해 모듈러티를 최적화했으며, 각 커뮤니티는 팀 내 특정 순서(예: 오픈, 중간, 마감) 혹은 경기 상황에 따라 형성된 하위 그룹으로 해석된다. 각 노드의 역할은 Guimera‑Nunes의 Z‑score와 P‑score를 이용해 ‘모듈러 내 허브’, ‘연결 허브’, ‘퍼리퍼럴’ 등 네 가지 카테고리로 분류했다. 이때, 전설적인 타자 Sir DG Bradman은 Z‑score가 낮고 P‑score도 낮아 ‘퍼리퍼럴’에 가까운 위치에 놓였으며, 네트워크 상에서 다른 핵심 허브와 직접 연결되지 않는다. 이는 Bradman이 개인적인 뛰어난 성적을 기록했지만, 팀 내 파트너십 구조에서는 중심적인 역할을 하지 않았음을 시사한다.

선수 제거 실험에서는 각 노드를 네트워크에서 삭제했을 때 네트워크 효율성(average efficiency)과 연결성(giant component size)의 변화를 측정했다. betweenness가 높은 ‘연결 허브’가 제거될 경우 네트워크의 평균 최단 경로가 급격히 증가하고, 전체 효율성이 크게 감소한다. 반면, degree가 높지만 betweenness가 낮은 ‘모듈러 허브’는 제거 시 네트워크 구조에 미치는 영향이 상대적으로 작다. 이러한 결과는 팀 전술에서 핵심 파트너십을 유지하는 것이 경기 성과에 미치는 영향을 정량적으로 평가하는 데 활용될 수 있다.

마지막으로, 다양한 중심성 점수를 가중 평균해 ‘Performance Index’를 정의하고, 이를 기존 타율과 비교했다. Performance Index는 타율만으로는 포착하기 어려운 팀 내 협력 기여도를 반영하며, 특히 낮은 타율이지만 높은 연결성을 가진 선수들을 발굴하는 데 유용함을 보였다. 전체적으로 이 논문은 스포츠 데이터에 복잡계 네트워크 이론을 적용함으로써 전통적인 통계 지표가 놓칠 수 있는 팀 역학과 개인 기여도를 새롭게 조명한다.