축구 공격 상황 시 중앙 수비수의 플레이스타일 분석 = Analyzing Play Style Types of Central Defenders in Team Attacking Situations

국문 초록 (Abstract)

본 연구는 유럽 5대 리그(PL, La Liga, Bundesliga, Serie A, Ligue 1) 중앙 수비수 를 대상으로 공격 상황에서 경기 기록 지표를 활용해 플레이스타일을 유형화하고, 도출된 유형을 예측 및 해석 가능한 형태로 설명하는 것을 목적으로 하였다. 분석 표본은 20/21–24/25 시즌 동안 리그 경기 15경기 이상 선발 출전한 중앙 수비수로 제한하였으며, 총 1,169개 관측치를 사용하였다. 출전 시간 차이를 보정하기 위해 누적형 지표는 90분당 값으로 환산하였고, 군집 및 예측 모형에는 공격 관련 20개 지표를 독립변수로 사용하였다. 또한 공격 상황은 팀이 볼을 소유한 상태에서 발생한 공격·빌드업 행동으로 정의하였다.
방법론적으로는 Z-score 표준화 후 변수 간 상관에 따른 왜곡을 완화하기 위해 주성분분석을 적용했으며, 누적 설명 분산을 기준으로 성분 수를 결정하였다. 이후 K-means 군집분석을 위해 실루엣 점수를 기반으로 최적의 군집 개수를 3개로 결정하였다. 군집 간 차이는 Kruskal-Wallis 및 Dunn 사후분석과 효과크기(ε²) 산출을 통해 검증하였다.
분석 결과, 중앙 수비수의 공격 기여는 소극적 공격 참여형, 적극적 공격 참여형, 후방 플레이메이커형으로 구분되었다. 소극적 공격 참여형은 전반적인 공격 관련 지표가 낮고 수비 지역 터치 비중이 높아 후방에서 안전한 순환에 머무르는 경향을 보였으며, 적극적 공격 참여형은 전진 패스·전진 볼 운반, 중원·공격 지역 터치, 슛 창출 행동과 키패스 등에서 높은 값을 보여 상대 진영까지 적극적으로 관여하는 유형으로 해석되었다. 후방 플레이메이커형은 패스 총 전진 거리와 중·장거리 패스, 스위칭 패스, 수비 지역 터치가 높아 후방에서 전개를 조율하는 기점형 역할이 두드러졌다.
또한 군집 해석을 정교화하기 위해 군집 레이블을 종속변수로 하는 트리 기반 분류 모델을 구축하고, 그중 ExtraTrees 모델을 SHAP 분석의 기준 모델로 활용하여 군집별 핵심 영향 지표와 기여 방향을 탐색하였다. 종합하면, 본 연구는 중앙 수비수의 공격 기여를 데이터 기반으로 구조화하고, 군집분석–예측모형–설명가능 기법(XAI)을 연계한 해석 방법을 제시함으로써, 현대 축구에서 중앙 수비수의 역할 다양성을 보다 구체적으로 설명하는 근거를 제공한다.

다국어 초록 (Multilingual Abstract)

This study aims to categorize the playstyles of central defenders in Europe’s top five leagues (Premier League, La Liga, Bundesliga, Serie A, and Ligue 1) using match performance indicators observed in attacking phases, and to present the resulting types in a form that is both predictable and interpretable. The sample was restricted to central defenders who made at least 15 league starts per season from 2020/21 to 2024/25, yielding 1,169 observations. To account for differences in playing time, cumulative indicators were converted to per-90 values, and 20 attack-related variables were used as independent features for clustering and predictive modeling. Attacking situations were defined as attacking and build-up actions occurring while the team was in possession.
Methodologically, all variables were Z-score standardized. Principal component analysis was then applied to reduce distortions caused by inter-variable correlations, and the number of components was determined based on cumulative explained variance. For K-means clustering, the optimal number of clusters was set to three based on the silhouette score. Differences between clusters were assessed using the Kruskal–Wallis test, followed by Dunn’s post-hoc comparisons, and effect sizes (ε²).
The analysis identified three types of attacking contribution among central defenders: (1) Passive Attacking Involvement, (2) Active Attacking Involvement, and (3) Deep-Lying Playmaker. The Passive Attacking Involvement type was characterized by generally low values across attacking indicators and a relatively high share of defensive-third touches, indicating a tendency to remain in deep areas and participate mainly in safe circulation. The Active Attacking Involvement type showed high levels of progressive passing and carrying, touches in midfield and attacking zones, shot-creating actions, and key passes, suggesting substantial involvement up to the opponent’s half. The Deep-Lying Playmaker type exhibited high progressive pass distance, mid- and long-range passing, switches, and defensive-third touches, highlighting a hub-like role in orchestrating progression from deeper areas.
To refine the interpretation of the clusters, tree-based classification models were trained with cluster labels as the dependent variable. Among these models, ExtraTrees was selected as the reference model for SHAP analysis to explore cluster-specific key indicators and the directions of their contributions. Overall, this study structures central defenders’ attacking contributions in a data-driven manner and proposes an interpretive approach that links clustering, predictive modeling, and explainable AI (XAI), thereby providing empirical support for a more nuanced understanding of the diverse roles of central defenders in modern football.

목차 (Table of Contents)

• 그림목차 iii
• 표목차 v
• 국문초록 vi
• 제1장 서론 1
• 1. 연구의 필요성 1
• 2. 연구 목적 3
• 3. 연구 문제 4
• 4. 용어의 정의 5
• 제2장 이론적 배경 7
• 1. 선행연구 검토 7
• 2. 머신러닝 기반 스포츠 경기력 분석 동향 9
• 3. 분류 모델 10
• 4. 설명가능한 인공지능(XAI)과 SHAP 11
• 5. 군집분석과 통계적 검정 및 효과 크기 12
• 6. 수집 데이터 신뢰도 16
• 제3장 연구 방법 17
• 1. 연구 및 자료 수집 대상 17
• 2. 데이터 전처리 20
• 3. 군집분석 22
• 4. 군집 예측 분류 모델 개발 23
• 5. 설명가능한 인공지능(XAI): SHAP 분석 25
• 제4장 연구 결과 27
• 1. 군집 분석 결과 27
• 2. 군집 간 차이와 플레이스타일 해석 31
• 3. 군집 예측 분류 모델 성능 비교 및 기준 모델 선정 39
• 4. SHAP 기반 군집 특성 해석 및 시사점 40
• 제5장 논의 68
• 1. 공격 상황 데이터 기반 중앙 수비수 군집화 68
• 2. SHAP 분석을 위한 머신러닝 기반 분류 모델 구축 69
• 3. SHAP 기반 군집별 플레이스타일 특징 해석 및 시사점 70
• 제6장 결론 73
• 1. 결과 요약 73
• 2. 연구의 한계 및 제언 74
• 참고문헌 76
• Abstract 82