NBA球队战绩影响因素的统计分析

陈建宝，肖 林，许世杰，林炳灿

1 引言

NBA，即全美职业篮球大联盟，创办于 1946年，已有60多年的历史，现已成为全球范围最职业化、最市场化的大联盟之一。NBA于 1987年首次由中央电视台录播进入中国，并且随着姚明、易建联等的相继加入，使得这个世界上最高水平的篮球职业联赛越来越为中国人所了解和喜爱。近年来，NBA在中国的发展受到人们越来越多的关注，其体育文化价值、商业价值等得到了充分的显现。

NBA比赛的看点不仅在于其速度、力量、对抗、激情和联赛中运动员高超娴熟的技术、良好的意识和过人的身体素质，还在于NBA科学细致的选秀制度、转会制度和限薪制度等制衡体系保障各球队的实力较平均，没有哪一支球队有绝对的把握能战胜另一支球队，比赛的胜负往往充满悬念，正如NBA的口号一样“W here Am azing Happen”。NBA的发展为篮球运动在全球的普及和推广做出了突出的贡献。

球赛越是激烈，结果悬念越大，球迷就越想预测球赛的结果。然而，球迷对球赛结果的预测基本上都是基于主观推断，有时还受个人对球队或运动员偏好的影响，预测的科学性、准确性往往较差。球队中核心运动员的作用如何?人们常说的主场优势是否显著存在?季后赛与常规赛的主要影响因素分别是什么?这些都是体育界专业人士和广大球迷关心的热门话题。本文在参考了前人研究的基础上，试图充分利用各种统计分析方法对其进行较深入的研究，目的在于通过对 NBA的球队战绩影响因素的统计建模分析，发现我国 CBA存在的不足，借鉴 NBA在这些方面的发展优势，从而针对当前 CBA所存在的不足提出意见和建议，推动 CBA更加健康长久地发展。

2 研究现状简评

NBA在全球的极大影响力，使国内、外有不少文献对其进行过较深入和全面的研究。

国外，Chatterjee、Campbell和W isem an（1994)对NBA所有球队一个赛季的数据建立统计模型，对球队胜率进行回归分析，发现比赛得分、罚球、篮板和失误在统计上是显著的，并且，回归系数在各年数据之间都相对稳定；Hausman和 Leonard（1997)使用计量经济学方法对 NBA赛事明星出场率与其电视收视率、门票收入等进行了相关性研究，得出了正相关的结论；Gandar、Zuber和 Lam b（2001)等人对 NBA博彩市场的主客场优势进行了分析；Leeds和 A llmen（2003)在其著作《体育经济学》中对美国职业体育联盟的制衡机制进行了较深入的探讨；M izak、Stair和 Rossi （2004)使用胜率标准差、HH I等指标衡量了各大联盟的竞争性平衡，并指出所使用指标的优缺点；此外，国外学者还对NBA运动员、裁判员是否存在种族歧视、工资差异等各方面进行了研究。

国内的相关研究文献并不多，其研究特色归纳起来可分为 3类：1)从市场营销的角度，对 NBA的市场价值、品牌文化传播和在中国的市场营销情况等方面进行剖析；2)从制度经济学角度，对NBA的人力制衡、收益制衡及权力制衡 3项机制的功能及相关制度的运行原理展开深入研究；3)从 NBA比赛本身的技术角度，如球赛中冲抢技术、不同位置的运动员、运动员的攻防能力、球赛赛程安排等方面进行分析研究，有关参考文献：见刘素蓉等 （2009)、吴福珍和王晓军 （2009)等。

尽管这些研究文献较多，但绝大多数是使用文献资料、比较分析和录像观察等方法进行的研究，部分也使用了一些较简单的描述性统计分析方法，仅有少数使用统计建模方法进行实证分析。由于分析的手段不同、角度不同，尚有许多问题没有涉足，尤其是基于统计建模方法对于 NBA比赛胜负的影响因素进行较全面的分析，有待进一步深入。为此，本研究综合多种统计定量方法，试图较全面地考察 NBA比赛的影响因素，从而为我国体育专业人士，特别是 CBA的健康发展提供有价值的参考建议。

3 数据来源和指标选择

3.1 数据来源

本文涉及 2008—2009赛季 NBA的以下指标数据：30支球队各自核心运动员的统计评价指标；30支球队每队82场比赛的各项统计指标。有关数据分别来自虎扑网站（2009年 7月 20日)、搜狐网站 （2009年 7月 24日和 26日)和 NBA官方网站 （2009年 7月 23日)。

3.2 指标选择

3.2.1 30支球队各自的核心运动员和统计评价指标选择

核心运动员的选择标准主要是综合考虑得分、首发率、上场时间等指标。尽管有些运动员综合实力很强，但由于伤病等原因，出场次数并不是很多，对整个球队的战绩影响不大，此时选择该队出场次数较多的次佳运动员进行分析，本文所选择的 30支球队各自的核心运动员见表1。

由于不同球队的核心运动员在场上的角色不同，各类指标之间差异较大，为综合考虑不同角色运动员的不同能力，选取了能衡量运动员各方面能力的 12个指标 （出场数、出场时间、命中率、3分球、罚球、篮板、助攻、抢断、封盖、失误、犯规、得分)，所有指标 （出场数除外)均取场均值，其中，除了失误和犯规是负指标外，其他均是正指标。

表 1 NBA 2008—2009赛季30支球队各自的核心运动员一览表

3.2.2 30支球队 2008—2009常规赛季每队 82场比赛的各项统计指标

30支球队 2008—2009赛季每队 82场常规赛的指标包括 12个正指标和 2个负指标，其中，正指标分别为：每场比赛得分 （ppg)、篮板 （rpg)、抢断 （spg)、盖帽 （bpg)、助攻 （apg)、投篮命中率 （fg)、3分球命中率 （threeft)、罚球命中率 （ft)、球队价值 （values)、工资总额 （pay)、教练执教能力 （coach)和核心运动员能力 （p layer)；负指标分别为：失误 （to)和犯规 （foul)。

3.2.3 进入 2008—2009季后赛的 16支球队替补运动员的各项统计指标

替补运动员主要指在季后赛中的大部分比赛以替补运动员身份出场的运动员，每个球队大概有 3～5名替补运动员。描述替补运动员能力的指标与核心运动员的指标一样。鉴于季后赛的指标波动性较大的特点，此时使用常规赛指标，数据更稳定。每支球队替补运动员各项指标由各球队所有替补运动员各项指标分别累加算得。

3.2.4 进入 2008—2009季后赛的 16支球队季后赛所有比赛各项统计指标

进入 2008—2009季后赛的 16支球队的季后赛指标在常规赛指标的基础上增加了本队常规赛胜率 （bsl)、对手常规赛胜率 （rival)和替补运动员能力 （tb)，共 15个指标。

4 核心运动员能力分析

4.1 主成分分析

核心运动员对各自球队的作用不可忽视，因此，在进行球队胜率因素分析之前，先对各队核心运动员进行分析。然而，衡量运动员的指标有很多，各指标之间有可能存在交互影响，故主要采用主成分分析方法对运动员进行打分，之后，将对运动员的分析结果作为影响球队胜率的变量进行考察，从而得到影响球队胜率的较全面、客观的因素。

对表 1中选定的核心运动员的 12项统计指标进行主成分分析，用 SPSS软件计算每个运动员的各类主成分得分（表 2)。

表 2 NBA 2008—2009赛季核心运动员的各项统计指标进行主成分分析的结果一览表

分析表 2发现，在第一个特征向量中，出场数、场均时间、投篮、3分球、罚球、助攻、抢断、失误和得分为正指标，篮板、封盖和犯规为负指标，其中以助攻 （0.384)、抢断（0.377)、3分球 （0.362)最为显著，可见，第一主成分是对后卫、小前锋能力的描述；在第二个特征向量中，出场数、场均时间、投篮、罚球、篮板、封盖、抢断、失误、犯规和得分为正指标，3分球和助攻为负指标，其中以投篮 （0.453)、封盖（0.409)、罚球 （0.365)、篮板 （0.406)最为显著，可见，第二主成分是对中锋和大前锋能力的描述；在第三个特征向量中，出场数、场均时间、投篮、3分球和得分为负指标，其他指标为正指标，其中，以失误和出场数最为显著，可见，第三主成分为各类运动员的反向指标，与运动员位置关系不大。

由于第三主成分分析价值较低，此时主要分析第一和第二主成分。根据原始指标和特征向量计算各个核心运动员的第一、二主成分的得分 （表 3)。

由表 3可以看出，描述后卫的指标 （第一主成分)以克里斯·保罗的得分最多，德维恩·韦德和勒布朗·詹姆斯紧跟其后，而作为中锋的蒂姆·邓肯、德怀特·霍华德、姚明等在这方面则不占优势，排在靠后的位置。描述前锋和中锋的指标 （第二主成分)以德维恩·韦德的得分最多，两个主成分得分均很高，说明德维恩·韦德的数据较全面，紧跟其后的是德怀特·霍华德等中锋和大前锋，而数据天王勒布朗 ·詹姆斯也居于第 3位，名副其实。其中， 2008—2009赛季最抢眼的球星科比·布莱恩特的两项指标均名列第 8，表现较全面，但相对德维恩·韦德和勒布朗·詹姆斯并不是很突出。一方面，是指标的局限性；另一方面，也说明球队取得好的战绩核心运动员并不一定要表现得极其优秀。

作为中国球迷最为关注的姚明，在第一主成分排名中排第 30名，在描述前锋和中锋的指标 （第二主成分)的指标中也排名第 10位。这些数据显示，一方面，姚明还不是联盟最好的中锋，还需要继续在各方面加强训练；另一方面，有些指标在这里可能没能得到体现，如尽管姚明封盖能力不是很好，但凭借其 NBA第一高度，给进攻运动员极大的进攻压力，这点也是其防守能力的一大体现。

表 3 NBA 2008—2009赛季核心运动员的第一和第二主成分的得分情况一览表

续表3

笔者发现，12个技术指标可以用 2个综合指标代替，而综合指标的信息没有损失多少。在此基础上，不仅可以算出各运动员的主成分得分，而且可以利用线性加权方法，以各主成分的方差贡献率为权数，即按公式：

其中，λ1，…，λ12为各主成分的方差，各主成分前的权数为主成分的方差贡献率。计算各核心运动员的综合得分 （即为本文分析的核心运动员能力)并据此排名 （表 4)。

主成分得分是综合考虑各个变量和主成分的方差贡献计算而得，从表 4中可见：第一、二主成分指标最靠前的德维恩·韦德、克里斯·保罗、勒布朗·詹姆斯的综合得分仍然很高，而相对来说比较靠后的科比·布莱恩特此时排第 4名，可见，综合考虑各个因素之后，主成分得分较能体现运动员的全面能力。姚明仍然排在第 22位，较靠后，原因与之前分析的一样。

表 4 NBA 2008—2009赛季各球队核心运动员总的得分和排名情况一览表

4.2 聚类分析

核心运动员的个人能力越强就越能带领球队取得胜利吗?针对这一问题，本文主要考虑的是球队胜率和核心运动员能力之间的关系，本文采用系统聚类法进行分析。

系统聚类法的基本思想是：距离相近的样本先聚成类，距离相远的后聚成类，过程一直进行下去，每个样本总能聚到合适的类中。原理可在一般教科书中找到，不再详述。通过聚类分析，本文想了解各个球队与其核心运动员个人能力之间的影响程度。

图 1是聚类树状图，图形结构清晰。图形上面是类间距离，下面数字是球队代号，整个聚类过程用虚线连接。根据聚类研究的目的和差异的显著性，将其聚成以下 4类：

类别 1：湖人队 （13)、魔术队 （22)、骑士队 （5)和凯尔特人队 （2)。此类球队核心运动员表现好，而且球队战绩也很好，均排在各自所在赛区的前列，运动员价值在这类球队得到体现。

类别 2：热火队 （15)和黄蜂队 （19)。此类球队核心运动员表现好，德维恩·韦德、克里斯·保罗在两个主成分中均排在最前列，但是球队战绩不好，其中热火排在东部第 5，胜率为 52.4％，黄蜂排在西部第 7，运动员价值在这类球队没能完全体现。

类别 3：活塞队 （8)、尼克斯队 （20)、快船队 （12)、灰熊队 （14)、奇才队 （30)、山猫队 （3)、雄鹿队 （16)和森林狼队 （17)。此类球队核心运动员表现不好，在主成分得分中均排在较靠后的位置，球队战绩也不是特别好，均排在联盟的靠后位置。

类别 4：掘金队 （7)、火箭队 （10)和开拓者队 （25)等其余球队。此类球队核心运动员表现一般，在主成分得分中均排在较中间的位置，球队战绩较好，但仍有一定的前进空间。此类球队核心运动员表现和球队战绩与类别 1的球队相比较差，但与其他类别的球队相比则较优。

图 1 NBA 2008—2009赛季球队战绩和核心运动员能力之间关系的聚类结果树形图

4.3 相关分析

聚类分析的结果显示，不同球队中球队战绩和核心运动员能力之间的相关程度不一致，但究竟关系如何，还应计算二者的相关系数。球队战绩使用常规赛胜场数，核心运动员指标使用主成分分析得到的核心运动员综合得分指标，分别计算 Pearson相关系数和 Spearman秩相关系数（表 5)。

表 5 NBA 2008—2009赛季球队常规赛战绩与球队核心运动员的相关系数结果一览表

从表 5可知，在 6％的显著水平下均拒绝原假设，两种相关系数算得的运动员得分和球队战绩之间都是显著正相关，只是相关程度都不是很高。这是因为部分球队相关性较高，而部分球队较低，从而使得总体相关程度不是特别高。

5 主客场差异分析

5.1 主客场胜场数差异检验

球队在主客场的战绩有所不同，然而这种差异是否显著呢?本文的检验步骤为：首先对数据进行正态性检验，若服从正态分布，则使用配对样本的t检验；若不服从正态分布，则使用非参数的W ilcoxon秩和检验。

由于 30支球队的主客场胜场数的分布未知，故先对其主客场胜场数分别进行正态性检验。结果如正态概率图 2和图 3，可以看出：主客场胜场数的概率图均近似线性，AD统计量都比较小，分别为 0.466和 0.375，P值较大分别为 0.235和 0.395，在 0.05的显著水平下，无法拒绝原假设，故认为 30支球队的主客场胜场数服从正态分布，接着对其主客场差异使用配对样本的t检验。计算得出的t值为 8.34，P值为 0.000，说明主客场胜场数存在着显著的差异，确实存在明显的主场优势。

图 2 主场胜场数正态概率图

图 3 客场胜场数正态概率图

5.2 主客场差异原因分析

使用配对样本t检验得出主客场差异存在，但究竟差异具体表现在哪些因素上?故对 30支球队主客场的各项指标采用非参数检验中的M ann-W hitney检验进行分析。

M ann-W hitney检验原理是将所有两组变量的所有观察值混合后进行排列，比较小的变量的观察值倾向于排在前面，比较大的变量的观察值倾向于排在后面，从而计算所有观察值的秩，并算出 U统计量，当两组变量的 U统计量较大时，就存在差异，否则不存在。分析的因素主要包括每场比赛得分、助攻、篮板、抢断、盖帽、失误、犯规，其中，前 5个指标为正指标，失误和犯规为逆指标。设原假设为 H0：考察指标主客场不存在差异；备选假设为 H1：正指标变量主场大于客场 （负指标变量主场小于客场)，利用M ann-W hitney检验，在显著水平为 1％的单侧检验下，检验结果见表 6。

由表 6可知，研究的所有因素均严格体现主客场差异，主场的各项正指标显著大于客场，负指标显著小于客场，可见，球队主客场战绩差异显著地表现在球队的各个方面。

6 常规赛球队战绩的影响因素分析

鉴于主客场各项指标的差异，以比赛净胜分 （result)为因变量，以其他 14个球队赛季指标 （见第 3部分)为自变量，自变量还加入主客场因素 （field)作为虚拟变量 （主场值为 2，客场值为 1)，虚拟变量与前面非参检验中主客场存在差异的指标[每场比赛得分 （ppg)、助攻 （apg)、篮板 （rpg)、抢断 （spg)、盖帽 （bpg)、失误 （to)、犯规（fou l)]进行乘积的变量也作为自变量进入模型，通过逐步回归法，删除不显著的变量，得出最终的拟合方程：

其相应参数检验结果见表 7。

表 6 NBA 2008—2009赛季主客场差异原因分析的M ann-W h itney检验结果一览表

表 7 比赛净胜分与其显著影响变量的回归结果一览表

回归方程的R2=0.7517，调整的R2=0.7506，F= 183.4976，P=0.0000。本研究通过相关统计诊断进行考察，并未发现模型存在残差异方差和多重共线性。因此，可以认为模型的拟合效果是较好的。

在不考虑主客场因素和交叉效应时，笔者曾经对模型做过类似的建模研究，发现仅有每场比赛得分、犯规、球队价值、核心运动员能力和教练员执教能力 5大影响因素显著。但在考虑主客场因素之后，模型大大改观。模型结果显示，教练员执教能力和核心运动员能力不论主客场均对比赛结果有显著影响，而得分、篮板、抢断、盖帽、助攻、失误和犯规则与主客场存在交叉效应，这些交叉变量对胜率影响均显著，主场影响比较大，客场影响相对较小；所有指标系数的符号均与理论值一致，其中主客场系数为负说明在主场，球迷的加油、球队期望值更高等因素同样会给主队造成一定的压力。笔者认为，主场既存在主场优势，也存在主场压力，但是主场优势大于主场压力，即相对于客场球队在主场更容易取得胜利。大部分变量的系数都不超过 1，而教练员执教能力的系数达到 16.035，可见，教练员执教能力对一个球队影响很大。

7 季后赛球队战绩的影响因素分析

在 NBA常规赛之后紧接着就是决定总冠军归属的更加激烈的季后赛。在季后赛中，本文采用与考虑了主客场差异的常规赛回归模型 （2)中同样的变量，发现助攻、篮板、教练执教能力、工资总额、核心运动员能力、球队价值这些因素均不显著，因此，可以认为影响季后赛比赛胜负的因素与常规赛有所不同。季后赛采取的是两支球队相互交战直至其中一支球队获得 4场比赛胜利才能晋级下一轮的形式，本队常规赛战绩和对手常规赛战绩会在一定程度上影响到比赛的胜负和球队晋级下一轮的可能性。再者，季后赛连续多天的比赛对球队主力运动员体能的消耗也不可忽视，此时就需要替补运动员的支持。因此，球队板凳运动员的能力也会影响球队的战绩。

7.1 相关分析

从近几年 NBA的发展可以看出其越来越重视防守， 2008—2009赛季进入东西部总决赛的湖人队和魔术队就是防守中的典范。但究竟球队的防守能力与球队战绩之间的关系如何?为此，本文从 2008—2009赛季季后赛每场比赛的相关技术指标中选出代表防守的 3项技术指标（篮板数、抢断次数、盖帽次数)和每场比赛的失分来衡量球队的防守能力，计算其与每场比赛结果 （用净胜分衡量)之间的相关系数，相关分析结果如表 8。

表 8 NBA 2008—2009赛季季后赛各队净胜分与4种防守指标的相关关系结果一览表

从表 8可以看出，4个指标都与比赛结果净胜分显著相关，但相关程度都不是很高。其中，每场失分与球赛结果相关程度最大，其 Pearson相关系数将近 -0.6。接着使用多元分析方法将 4个防守指标综合成一个体现防守能力的指标，并计算其与净胜分之间的相关系数为0.5289，在 5％显著水平下通过统计检验。球队防守能力与球队比赛结果之间的相关程度超过了 50％，说明球队的防守能力在季后赛中得到充分的体现，球队的防守能力在很大程度上影响球队的战绩。

7.2 主成分分析

季后赛中替补运动员对各自球队的作用不可忽视，因此，在进行球队胜率因素分析之前，先对各队替补运动员进行分析。替补运动员指在季后赛的大部分比赛中以替补运动员身份出场的运动员。对替补运动员分析的 12项指标与核心运动员类同 （见数据描述 3.2.1)，每支队伍将各自所有替补运动员的各项指标分别加总，得到每支球队替补运动员总贡献指标。

由于本文在前面部分做过核心运动员能力的主成分分析，因此方法不再赘述，直接得出替补运动员主成分得分（表 9)。

表 9 NBA 2008—2009赛季季后赛各队替补运动员主成分得分结果一览表

7.3 回归分析

通过上述的分析，以比赛净胜分 （resu lt)为因变量，以球队价值 （values)、工资总额 （pay)、教练员执教能力（coach)、球队中核心运动员能力 （p layer)、本队常规赛胜率 （bsl)、对手常规赛胜率 （rival)和替补运动员能力 （tb)为自变量并加入主客场因素 （field)作为虚拟变量 （主场值为 2，客场值为 1)，虚拟变量与球队常规技术统计[每场比赛得分 （ppg)、助攻 （apg)、篮板 （rpg)、抢断 （spg)、盖帽（bpg)、失误 （to)、犯规 （foul)]进行乘积的变量也作为自变量进入模型，通过逐步回归法，删除不显著的变量，最终得到回归模型结果为：

数显著性检验结果见表 10。

表 10 NBA 2008—2009赛季季后赛各队比赛净胜分与其影响变量的回归结果一览表

回归方程的R2=0.7530，调整的R2=0.7423。采用上节同样的统计诊断进行考察，并未发现模型存在残差异方差和多重共线性，残差与自变量也不存在相关关系。因此，可以认为模型的拟合效果是较好的。

根据上述回归结果可以看出，替补运动员能力和对手的常规赛战绩不论在主客场均对比赛结果有显著影响，而每场比赛得分、篮板、抢断、失误和犯规则与主客场存在交叉效应，这些交叉变量对胜率影响均显著，主场影响较大，客场影响相对较小。替补运动员能力指标的系数为正，说明季后赛中，替补运动员能力越好的球队获得比赛胜利从而晋级下一轮的可能性越高；对手常规赛战绩指标的系数为负，说明遇到的球队常规赛战绩越差，越有希望晋级；得分、篮板、抢断指标为正，说明这些指标越高，获胜可能性也越高；失误指标为负说明失误次数越少，越可能获胜。这些均与实际情况相符合。

8 总结及对 CBA的启示

8.1 总结

本文使用主成分分析、聚类分析、回归分析、非参数检验等方法对影响NBA胜率的因素进行了研究。鉴于影响NBA胜率的因素比较分散，常规赛部分主要从核心运动员能力、主客场差异和球队胜率影响因素 3个方面进行建模分析；季后赛部分则从防守指标、替补运动员能力和影响季后赛的因素等方面进行建模分析。

从核心运动员能力方面考察表明：后卫方面克里斯·保罗、德维恩·韦德和勒布朗·詹姆斯得分最高，中锋方面德维恩·韦德、德怀特·霍华德和勒布朗·詹姆斯的得分较高；而在综合能力得分方面，德维恩·韦德、克里斯·保罗和勒布朗·詹姆斯分列前 3名，这与运动员实际能力相符。从球队胜率影响因素方面考察，发现核心运动员能力高低与球队战绩好坏并不完全一致。进一步分析认为，二者尽管存在一定的正相关关系，但相关程度不高，可见，一个核心运动员虽然很重要，但并非仅仅考虑这个因素就能决定一个球队战绩的好坏。从主客场差异方面考察，发现NBA主客场差异确实存在，并从各个方面 （得分、助攻、篮板、抢断、失误、盖帽、犯规等)对比赛结果一起产生影响。在不考虑主客场因素时，建模研究发现只有每场比赛得分、犯规、球队价值、核心运动员能力和教练员执教能力5大影响因素显著；在考虑主客场和其他技术指标的交叉影响之后，大部分技术指标和主客场的交互影响变量均显著，这表明主客场差异显著，并且凸显了各项技术指标的差异。

季后赛部分，尽管每个防守指标与净胜分的相关系数不高，但体现防守能力的综合指标与净胜分的相关系数较高，说明防守强度对季后赛胜率有一定影响。考虑到运动员体力上的因素，季后赛中替补运动员对球队的作用不可忽视。本文对各支球队的替补运动员进行综合打分，并将其纳入季后赛胜率因素的回归模型，得出替补运动员能力和对手的常规赛战绩不论主客场均对球队胜率有显著影响，而每场比赛得分、篮板、抢断、失误、犯规与主客场因素存在交互效应，主场影响较大，客场影响相对较小。

对比常规赛和季后赛的模型，各项常规指标、主客场以及防守这 3个因素对其比赛的胜率影响类似；而季后赛赛制与常规赛的差异，主要体现在替补运动员能力、特定的战略战术以及差异更显著的主客场等方面。同时，由于常规赛是季后赛的前奏，球队在常规赛的排名将是决定季后赛对阵形式以及主客场分布的最主要因素。球队常规赛的胜率必然会对球队季后赛产生影响。

纵观全文，分析影响NBA球队胜率因素时应该将主客场因素纳入分析，各类技术指标的分析才会比较显著，同时应该考虑运动员价值、教练执教能力等宏观指标，才能从整体上把握影响NBA球队发展的因素，得出的结论才能比较有价值。季后赛中还应该考虑到替补运动员能力因素以及季后赛赛制特点制定出有针对性的战术、战略。

8.2 对 CBA的启示

NBA是目前世界上顶级的篮球赛事，在运营管理、球队建设等方面已非常完善。中国职业化的 CBA赛事起步较晚，在很多方面存在不足。CBA与 NBA均是篮球运动，虽然有一些差异，但共同点不少。因此，NBA在各方面的许多经验值得 CBA借鉴和学习。

1.主场文化。NBA球队主场优势特别明显，主要得益于其健全的主场文化。主场观众有组织的加油助威对主队各方面指标影响显著，直接影响到球队战绩。而 CBA由于发展得较晚，主场文化尚未形成，各球队打球时主客场差异较不显著，这样将直接影响比赛的观赏性，尤其难以调动当地球迷观看比赛的热情。建立健全的主场文化，充分发挥主场优势，不仅有助于主场文化的形成，更有利于整个CBA的发展。

2.教练员执教能力。NBA球队胜率跟教练员执教能力关系显著，而这点可能没有得到 CBA球队足够的重视。在选择教练员的时候，CBA不仅应注重教练员的执教经验，同时要兼顾教练员对球队的了解程度，可以鼓励从球队退役的优秀运动员留教、派送优秀教练员到国外学习或者聘请一些国外知名的教练到球队任教，让运动员接触新的培训方式和新的战略战术。

3.核心运动员能力。CBA核心运动员尽管没有 NBA核心运动员能力那么强，但是一个球队的核心运动员的作用并不在能力多强，重点在于引进或培养高水平运动员来带动整个球队打好比赛，鼓舞球队士气。鉴于 NBA中核心运动员对球队取得胜利影响显著，CBA各球队应该尽量保证拥有一位具有一定影响力的核心运动员，在球队里面能起到领衔作用，更好地组织球队打球；同时，依靠核心运动员的知名度也能得到观众更多的关注，增加整个 CBA联赛的观赏性。

4.球队防守。在 NBA中，战绩较好的球队都是防守能力强的队 （如湖人队和魔术队)，而且 NBA观赏性很高的原因之一也在于其高强度的防守。然而，在目前的 CBA比赛中，各队都过于注重进攻、追求比分，而忽视了球队防守，使得比赛看起来得分很高，但观赏性不高。可见，为了提高球队的整体实力以及比赛观赏性，各队应该增强防守力度，让观众真正感受到比赛的紧张、激烈。

5.年轻运动员。NBA球队都比较重视年轻运动员的培养和选拔，从 NBA选秀制度和其年轻运动员上场时间都可以体现出来，这是NBA联盟长期保持高水平的源泉。建议 CBA各队要注重对年轻运动员的培养和选拔，尽管CBA的选秀制度短期内没法达到 NBA的水平，但较完善的制度总能选到一些较优秀的年轻运动员，这将有利于球队以及整个CBA的健康发展。

相信 CBA若能参考 NBA在各方面的成功经验，并针对自身存在的问题给予改进，将极大地促进各球队的发展，推动整个 CBA联赛的长久健康发展。CBA的健康发展，必能为提升篮球在我国的进一步普及和中国国家篮球队的良好战绩做出应有的贡献。

[1]李媛.NBA品牌传播探析[J].东南传播，2008，（8)：119-120.

[2]刘素蓉，廖双双，黎智勇，等.NBA赛程模型的建立与评价[J].大众科技，2009，（3)：55-57.

[3]米勤，李可可，张辉，等.NBA替补运动员攻防能力对比赛结果影响的研究[J].首都体育学院学报，2008，20（4)：106-107.

[4]孙军.中美篮球后卫运动员技术能力的对比分析[J].教学研究，2008，（26)：280-281.

[5]王建国.NBA制衡机制的研究[D].北京体育大学博士学位论文，2005.

[6]吴福珍，王晓军.应用M atlab软件对 NBA赛程进行利弊分析[J].电脑开发与应用，2009，（3)：14-17.

[7]薛岚.NBA主场文化探析[J].体育科学，2005，25（4)：20-24.

[8]张芳娟.NBA常规赛赛程的评价与规划模型[J].民办教育研究，2009，（6)：84-87.

[9]张志谦.浅谈 2006—2007赛季 NBA总决赛各项技术统计对比赛胜负的影响[J].内蒙古体育科技，2008，（2)：93-94.

[10]D M IZAK，A STA IR，A ROSSI.A ssessing alternative competitive balancem easures for sports leagues：A theoretical exam ination of standard deviations，ginicoefficients，the index of dissim ilarity[J]. J Physical Edu，2005，12（5)：367-373.

[11]JA HAUSMAN，G K LEONARD.Superstars in the nationalbasketball association：econom ic value and policy[J].J Labor Economics，1997，15（4)：586-624.

[12]JM GANDAR，RA ZUBER，R PLAMB.The home field advantage revisited：A search for the bias in other spo rtsbettingm arkets[J].J Econom icsBusiness，2001（Ju l.-Aug.)，35（4)：345-453.

[13]M LEEDS，PAHMEN.体育经济学（译)[M].北京：清华大学出版社，2003.

[14]SCHATTERJEE，M R CAM PBELL，FW ISEMAN.Take that jam! an analysisofw inning percentage for NBA team s[J].M anagerial Decision Econom ics，Special Issue：The Econom ics Sports Enterp rises，1994，15（5)：521-535.