教練真的有差嗎？拆解 NBA 總教練的戰術貢獻

格雷格‧波波維奇曾是 NBA 任期最長的總教練之一，年薪高達 1600 萬美元。NBA 中位數教練薪資也落在 400 到 600 萬美元之間，和中位數球員薪資（400 萬出頭）相差不遠。

花這麼多錢請一個教練，到底值不值？

這個問題看似簡單，但要回答得嚴謹，其實非常困難。勝率最高的教練，往往也坐擁最好的球員。教練帶好隊贏球、帶爛隊輸球，那到底是教練的功勞，還是球員的功勞？

2025 年，四位來自愛荷華州立大學和楊百翰大學的統計學者，在《運動定量分析期刊》（JQAS）上發表了一篇論文，試圖用機器學習的方法，把球員貢獻和教練的戰術貢獻分開來估算。

教練能影響什麼？

論文首先把「教練對單場比賽的影響」拆解成三個面向：

長期效應：包括球員成長、傷病管理、更衣室氣氛、球隊文化等，無法在單場比賽之內改變的事。
上場時間：誰打、誰不打、每個人打幾分鐘，這是教練每場都能決定的事。
戰術（Scheme）：進攻體系、防守策略、場上的 X 和 O——俗稱「X's and O's」，這是教練最核心的專業。

論文的研究重點放在第三項：在控制球員實力（上場時間 × 球員能力）之後，教練的戰術貢獻究竟值多少勝？

測量「場上產出」：tVORP 和 ΔtVORP

要控制球員因素，就需要一個能量化「雙方場上實力差距」的指標。論文為此發明了兩個新指標。

VORP：球員個人貢獻的基礎

VORP（超越替補球員的貢獻值）是 NBA 分析界常用的個人評估指標，計算方式如下：

先計算 BPM（Box Plus/Minus，盒子正負值）：把球員各項數據的加權組合，調整為相對於替補球員水準的估計貢獻值。
再把 BPM 乘以球員的上場時間比例和賽季場數，轉換為累積貢獻量。

VORP 的優點是同時考量球員的實力（BPM）和使用量（上場時間），是衡量球員全季整體貢獻的可靠工具。論文使用 1985 到 2019 年的正規賽數據，因為 VORP 從 1985 年起才以一致的方式計算。

tVORP：單場賽事的球隊場上產出

VORP 是賽季累積數字，但論文需要的是「這場比賽這支球隊在場上的實力」。因此作者提出了 tVORP（隊伍調整 VORP）：

$$\text{tVORP}{jg} = \sum{i=1}^{n} \text{VORP}{i} \times \frac{\text{本場上場分鐘}{i}}{240}$$

分母 240 來自「5 名球員 × 每場 48 分鐘」。這個公式的含意是：把每位球員的賽季實力值（VORP），依照他在這場比賽的上場比例加權相加，得到全隊的場上產出估計值。

ΔtVORP：雙方實力差距

一支球隊的 tVORP 再高，遇上更強的對手也不一定能贏。因此論文再取差值：

$$\Delta\text{tVORP} = \text{我方 tVORP} - \text{對方 tVORP}$$

ΔtVORP 是本分析的核心自變數。它以 0 為中心、分布對稱，正值代表我方場上產出優於對手，負值則代表劣於對手。約 40% 的 NBA 賽事，雙方的 ΔtVORP 落在 −0.5 到 +0.5 之間，也就是說，有相當大比例的比賽，雙方實力旗鼓相當。

建模：單調貝葉斯迴歸樹（mBART）

有了 ΔtVORP 之後，論文為每位教練建立一條「勝率曲線」：

$$\text{Win} \sim \text{Bernoulli}(f_{\text{coach}}(\Delta\text{tVORP}))$$

這條曲線 $f_{\text{coach}}$ 描述的是：在不同的場上實力差距下，這位教練的勝率是多少？

為什麼不用邏輯迴歸？

最直觀的方法是邏輯迴歸，但它只有兩個參數，靈活度不夠，無法捕捉到不同教練之間細緻的差異。

BART 和單調性限制

論文選用 BART（貝葉斯加法迴歸樹），這是一種把許多決策樹加總的機器學習方法，能夠在不假設特定函數形式的情況下，靈活地擬合複雜關係。

不過，標準 BART 允許函數在任何方向波動。但從邏輯上說，「場上實力越強，勝率應該越高」——這個單調遞增的性質理應成立。因此論文採用了 probit 單調 BART（mBART），在 MCMC 抽樣過程中強制每棵樹的葉節點值都滿足單調性，確保擬合的勝率曲線隨 ΔtVORP 增加而不下降。

結果：誰真的有本事？

名人堂教練的曲線

波波維奇、菲爾‧傑克森、戴爾‧哈里斯這三位名人堂等級的教練，在某些 ΔtVORP 區間，他們的勝率曲線統計顯著高於「平均教練曲線」。

特別值得一提的是波波維奇：當 ΔtVORP ≈ 0（雙方實力相當）時，他的預測勝率接近 60%。換句話說，在旗鼓相當的比賽中，他有辦法贏下六成——比平均教練多出一成。一個賽季 82 場，多出 8 場勝利，對一支爭冠球隊而言意義重大。

戴爾‧哈里斯和菲爾‧傑克森則在 ΔtVORP 為負值時（也就是己方實力略遜時）特別突出，顯示他們擅長「以弱勝強」。

差的教練也顯形了

Tim Floyd、Kurt Rambis 和 George Irvine 在多個 ΔtVORP 區間的勝率曲線，顯著低於平均水準。這意味著控制球員實力之後，他們的戰術反而拖累了球隊表現。

85% 的教練和「平均教練」沒有顯著差異

在 ΔtVORP = 0 的條件下（雙方實力相當），85% 的教練預測勝率和 50% 沒有統計顯著的差異。換句話說，大多數 NBA 教練的戰術貢獻，從數據上看幾乎難以和「平均水準」區分。

這個結果有一個重要的補充：NBA 存在嚴重的「倖存者偏差」。表現不好的教練在任期初期就被解雇，留在聯盟裡的往往是表現相對穩定的人。因此，「平均教練」的基準本身就已經是篩選過的。能在聯盟裡撐過多年的教練，就算和平均水準差不多，也有其價值。

數字上的教練排名

論文附錄的完整排名表格（依「ΔtVORP 介於 −0.5 到 +0.5 時的額外勝場數」排列），前幾名如下：

教練	全賽季預期勝率	全賽季超出平均勝場	均勢比賽預期勝率	均勢比賽超出平均勝場
Billy Cunningham	60%	+8.4	61%	+3.5
Dave Joerger	60%	+8.4	59%	+3.1
Del Harris	60%	+7.9	57%	+2.4
Gregg Popovich	56%	+5.3	56%	+1.8
Phil Jackson	54%	+3.2	51%	+0.2
John Lucas	43%	−5.8	40%	−3.2
Jacque Vaughn	41%	−7.7	43%	−2.4

菲爾‧傑克森的位置或許令人意外——他的全賽季預期勝率（54%）看起來不錯，但在均勢比賽中的額外勝場只有 +0.2，接近平均。這也呼應了長久以來的爭論：傑克森的 11 座冠軍戒指，有多少是喬丹、歐尼爾、柯比的功勞？

研究的侷限與未來方向

論文也誠實地指出幾個限制：

tVORP 可以被數學最佳化：理論上，讓 VORP 最高的球員全場上場 48 分鐘就能最大化 tVORP，但實際上球員體力有限，排班策略本身就是教練技藝的一部分。
BPM 低估防守貢獻：BPM 以盒子數據為基礎，進階防守數據未納入，因此 tVORP 對防守型球員的評估可能偏低。
長期效應未計入：球員成長、傷病管理、更衣室氣氛等「長效」教練貢獻，無法用單場勝負來衡量，本分析完全排除在外。
資料量不對等：表現差的教練被提早解雇，可用數據較少，估計的不確定性也更大。

結語

這篇論文做到了一件過去很少人做到的事：在一個統一的統計框架下，控制球員實力之後，讓「教練的戰術貢獻」成為可以被獨立估算的數字。

結論是殘酷的——大多數教練在旗鼓相當的比賽中，表現和隨機差不多。但那些真正有能耐的少數，確實能在每 10 場旗鼓相當的比賽中多贏 1 到 2 場。對一支要爭冠的球隊而言，這種差距，就是值得花幾千萬美元的理由。