Congestión portuaria y tarifas de fletes de contenedores: el modelo de predicción de red neuronal RBF alcanza una precisión del 96%

¿Cómo afecta la congestión portuaria a las tarifas de los contenedores? Un modelo de predicción con red neuronal RBF revela una nueva vía

Introducción

El mercado mundial del transporte de contenedores sigue viéndose afectado por la congestión portuaria. Desde Asia hasta América del Norte, el aumento de los tiempos de espera de los buques y la reducción de la eficiencia de rotación de la capacidad se reflejan directamente en las fuertes fluctuaciones del índice de tarifas de los contenedores. Para las navieras, los cargadores y los comerciantes, anticipar la evolución de las tarifas se ha convertido en una clave para la gestión de riesgos. Sin embargo, la relación dinámica entre la congestión portuaria y las tarifas ha carecido durante mucho tiempo de una herramienta cuantitativa precisa.

Un estudio publicado recientemente en *Frontiers in Marine Science* intenta responder a esta pregunta con un modelo de aprendizaje profundo. Esta investigación utiliza los datos de congestión de cuatro grandes puertos —Shanghái, Busan, Los Ángeles y Nueva York— de 2016 a 2023, combinados con una red neuronal RBF, para predecir el Índice de Tarifas de Contenedores de Shanghái (SCFI), y verifica el efecto de transmisión transfronteriza de las tarifas en un entorno de congestión portuaria.

Avances clave

El estudio utiliza el SCFI como indicador principal de las tarifas de los contenedores, e incluye tanto el índice general como dos rutas transpacíficas principales: Shanghái-Los Ángeles y Shanghái-Nueva York. Los investigadores recopilaron datos diarios de congestión de los cuatro puertos desde el 1 de enero de 2016 hasta el 1 de enero de 2023, y construyeron un modelo de predicción de alta precisión.

Los resultados muestran que el coeficiente de determinación (R²) de la predicción del modelo de red neuronal RBF alcanza el 96 % para el índice general del SCFI, el 94 % para el índice de la ruta Shanghái-Los Ángeles y el 93 % para el índice de la ruta Shanghái-Nueva York. Esto significa que el modelo puede explicar la gran mayoría de las fluctuaciones de las tarifas, lo que demuestra un fuerte valor práctico.

Aún más digno de atención es que el estudio, mediante un análisis de correlación con desfase temporal, confirma el "efecto de transferencia" del SCFI. En un entorno de congestión a gran escala, existe una correlación retardada entre los índices de tarifas de diferentes rutas, es decir, los cambios en las tarifas de una ruta pueden transmitirse a otra ruta días o semanas después. Este hallazgo corrobora la "reacción en cadena" de la congestión portuaria y también explica por qué la congestión regional a menudo desencadena fluctuaciones de tarifas a nivel mundial.

Impacto en la cadena de suministro

Para los operadores logísticos globales, los resultados de esta investigación tienen múltiples implicaciones. En primer lugar, un modelo de predicción de tarifas de alta precisión puede ayudar a las navieras a responder con mayor precisión a los ciclos de congestión en el despliegue de capacidad y la fijación de precios de los espacios de carga. En segundo lugar, los cargadores y los transitarios pueden utilizar este tipo de herramientas para fijar las tarifas con antelación y evitar el riesgo de subidas repentinas.

El estudio también muestra que el impacto de la congestión portuaria no se limita a un solo puerto o ruta. Cuando el puerto de Shanghái o el de Los Ángeles sufren una congestión grave, las fluctuaciones de las tarifas en las rutas transpacíficas se extienden a otras rutas. Esto implica que los gestores de la cadena de suministro deben evaluar el riesgo de congestión desde una perspectiva de red, y no limitarse a observar el estado inmediato del puerto de origen o de destino.Además, el modelo predictivo ofrece un nuevo enfoque para la cuantificación de riesgos en el mercado naviero. Tradicionalmente, la predicción de fletes se basaba principalmente en datos históricos e indicadores macroeconómicos, mientras que este estudio incorpora indicadores de congestión en tiempo real al modelo, mejorando significativamente su rendimiento predictivo. Esto sugiere al sector que los datos de operaciones portuarias pueden servir como variables de entrada importantes para la predicción de fletes.

Impacto regional

Los cuatro puertos seleccionados en el estudio se encuentran en Asia y América del Norte, cubriendo uno de los corredores comerciales más transitados del mundo: la ruta transpacífica. Shanghái es uno de los puertos con mayor volumen de contenedores de Asia Oriental, Busan es un importante centro de transbordo en el noreste de Asia, y Los Ángeles y Nueva York representan las puertas de importación de las costas oeste y este de Estados Unidos, respectivamente. La congestión de estos cuatro puertos afecta directamente la puntualidad y el costo de los canales comerciales entre China y Estados Unidos.

Los resultados del estudio muestran una correlación con desfase temporal entre los fletes de la ruta Shanghái-Los Ángeles y la ruta Shanghái-Nueva York, lo que indica que existe un desfase temporal en el efecto de transmisión de la congestión portuaria entre las costas este y oeste de Estados Unidos. Esto sirve de referencia para que los cargadores elijan entre las rutas de la costa oeste y la costa este: si la congestión en los puertos de la costa oeste se intensifica, los fletes pueden trasladarse gradualmente a las rutas de la costa este, haciendo que la ruta alternativa aparentemente más ventajosa también enfrente presiones de costos.

Para las economías asiáticas orientadas a la exportación, este estudio también tiene implicaciones de política. La congestión portuaria no es solo un problema operativo, sino un factor sistémico que afecta los costos comerciales y la competitividad internacional. Al predecir los fletes con mayor precisión, los gobiernos y las autoridades portuarias pueden asignar recursos con antelación para mitigar el impacto comercial de la congestión.

Perspectiva del sector

«La volatilidad de los fletes de contenedores es un desafío que la industria naviera enfrenta desde hace mucho tiempo, y la congestión portuaria a menudo amplifica dicha volatilidad», señala el equipo de investigación. La mayoría de los métodos de predicción existentes se centran en la trayectoria histórica de los propios fletes y rara vez incorporan explícitamente los factores de congestión en los modelos. Este estudio intenta llenar este vacío y brindar apoyo a la toma de decisiones a las organizaciones de transporte de contenedores.

Los autores del artículo señalan que la red neuronal RBF es adecuada para este escenario porque puede manejar relaciones no lineales y ajustar patrones complejos mediante funciones de base radial. Con suficientes datos, el modelo puede adaptarse rápidamente a los cambios del mercado.

No obstante, el estudio también señala algunas limitaciones. Por ejemplo, el modelo aún no incorpora variables externas como eventos geopolíticos o fluctuaciones en los precios del combustible, lo que podría ampliarse en el futuro. Además, la medición de la congestión portuaria es relativamente simple y aún no distingue las causas estructurales de la congestión (como fallas en los equipos de los muelles o escasez de mano de obra), aunque los resultados preliminares ya muestran su potencial de aplicación.

Perspectivas futuras

A medida que la cadena de suministro global exige mayor resiliencia, el valor de las herramientas de predicción de fletes seguirá aumentando. Las futuras líneas de investigación pueden incluir: incorporar datos en tiempo real de más puertos al modelo, introducir el impacto de eventos disruptivos como el desvío por el Mar Rojo o las restricciones de tránsito en el Canal de Panamá, y desarrollar predicciones a nivel de ruta con mayor granularidad.

Para las empresas de logística, integrar este tipo de modelos en plataformas digitales de gestión de carga podría ayudarles a tomar decisiones de fletes más racionales en un mercado lleno de incertidumbre. Al mismo tiempo, los operadores portuarios también pueden utilizar los resultados de las predicciones para coordinar la asignación de atracaderos con las navieras con antelación, reduciendo la probabilidad de congestión.

ConclusiónLa conexión dinámica entre la congestión portuaria y las tarifas de flete de contenedores ha pasado de la discusión teórica a la fase de modelado cuantitativo. Esta investigación ha demostrado con datos reales la efectividad de la red neuronal RBF en la predicción de tarifas de flete y ha revelado las leyes de transmisión entre mercados de las tarifas en entornos de congestión. Aunque el modelo aún tiene margen de mejora, sin duda proporciona una herramienta analítica valiosa para el mercado global de transporte de contenedores.

En un momento en que la cadena de suministro global enfrenta numerosas incertidumbres, poder anticipar las tarifas de flete con mayor precisión no solo ayuda a las empresas a reducir los riesgos operativos, sino que también contribuye a mantener la estabilidad del comercio internacional.

---

Fuente de información: https://www.frontiersin.org/journals/marine-science/articles/10.3389/fmars.2025.1545471/full