포메이션이 축구 경기 결과에 미치는 영향과 ‘버스 주차’ 전략의 실효성

이 논문은 “포메이션이 축구 경기 결과에 미치는 영향: ‘버스 주차’ 전략은 유효한가”라는 질문을 중심으로, 최신 인과 추론 기법인 Double Machine Learning(DML)을 적용해 전술 포메이션의 실제 효과를 정량화한다. 연구자는 2018‑2025 시즌, 유럽 7개 주요 리그와 추가 6개 리그·2부 리그를 포함한 22,000여 경기 데이터를 수집했으며, 각 경기의 팀 포메이션, 경기 통계(골, 점유율, 코너킥, 레드·옐로 카드 등), 그리고 경기 전·후 상황(홈·어웨이, 시즌, 리그, 팀 순위, 누적 포인트, 챔피언스리그 참가 여부, 연속 승리, 날씨 등)을 정제·통합했다. 연구진은 28개의 실제 포메이션을 전술적 유사성에 따라 6개의 대표 카테고리(5‑4‑1, 4‑4‑2, 3‑5‑2, 4‑2‑3‑1, 4‑3‑3, 3‑4‑3)로 압축했다. 이는 데이터 희소성을 해소하고 통계적 파워를 확보하기 위한 조치이며, 각 카테고리는 방어‑공격 스펙트럼을 반영한다. 포메이션 비율은 리그별로 차이가 있었지만, 전체적으로 4‑2‑3‑1과 4‑3‑3이 가장 많이 사용되었다. 핵심 방법론은 DML의 두 단계 잔차화 과정이다. 1단계에서는 XGBoost 회귀기를 이용해 목표 변수(Y, 예: 골 차)를 혼란변수(X)로 예측하고, 그 잔차 rY를 얻는다. 2단계에서는 동일한 X를 사용해 포메이션 조합(D)을 예측하고, 잔차 rD를 산출한다. 여기서 D는 ‘주 팀 포메이션 i와 상대 팀 포메이션 j의 조합’이라는 다중범주형 변수이며, k²‑1개의 더미 변수로 표현된다. 마지막 단계에서는 선형 회귀 rY = β·rD + ε를 수행해 각 조합별 β̂를 추정한다. 이 β̂는 혼란변수의 영향을 모두 제거한 순수 인과 효과를 의미한다. 분석 결과, 공격형 포메이션(특히 4‑3‑3, 4‑2‑3‑1)은 평균 점유율(≈51% vs 48%)과 코너킥 수(≈5.1 vs 4.7)에서 유의미한 상승을 보였지만, 골 차에 대한 β̂는 0에 가깝게 나타났다. 즉, 더 많은 점유와 공격 기회가 실제 득점으로 연결되지 않았다는 뜻이다. 반면, 가장 방어적인 5‑4‑1과 4‑4‑2는 골 차, 레드카드, 옐로카드 등 주요 지표에서 특별한 이점을 보이지 않았다. 특히 ‘버스 주차’라 불리는 초방어 포메이션이 승률을 높이거나 위험을 감소시키는 효과는 통계적으로 유의하지 않았다. 논문은 또한 레드카드 발생이 포메이션과 무관함을 확인했으며, 이는 경기 중 행동적 요인(예: 파울링 스타일, 심판 판정)이나 선수 개인 특성이 더 큰 영향을 미친다는 점을 시사한다. 연구의 제한점으로는 포메이션이 경기 중 변동될 수 있다는 동적 특성을 고정된 변수로만 다루었으며, 전술적 세부 요소(압박 강도, 라인 높이, 전방 압박 여부 등)를 반영하지 못했다는 점을 들었다. 또한, 팀별 전술 실행 능력, 감독의 전술 이해도, 선수 개별 능력 등 비가시적 요인은 완전히 통제되지 않았다. 데이터는 상위 리그에 국한돼 있어 하위 리그나 다른 대륙의 전술 특성을 일반화하기엔 한계가 있다. 그럼에도 불구하고, 고차원 혼란변수를 효과적으로 제어하고, 다중범주형 처치를 정교히 추정한 DML 접근법은 스포츠 분석 분야에 새로운 방법론적 표준을 제시한다. 향후 연구에서는 포메이션 변동을 시계열적으로 모델링하거나, 경기 중 전술 변화와 선수 움직임 데이터를 결합해 보다 정교한 인과 구조를 탐구할 수 있다.