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

El transporte de contenedores es la arteria principal del comercio mundial, pero la frecuente congestión portuaria está intensificando la volatilidad de las tarifas de flete, lo que plantea desafíos para el control de costos en la cadena de suministro. Un estudio reciente publicado en *Frontiers in Marine Science* utilizó una red neuronal de funciones de base radial (RBF) para realizar una predicción de alta precisión del Índice de Tarifas de Exportación de Contenedores de Shanghái (SCFI) en escenarios de congestión portuaria, con un ajuste del modelo del 96 %. El estudio también verificó el efecto de transmisión de las tarifas de flete en condiciones de congestión extrema, proporcionando una nueva herramienta de alerta temprana de riesgos para la industria naviera.

Datos y métodos de investigación

El estudio fue realizado conjuntamente por investigadores de la Universidad de Kyung Hee, la Universidad Chung-Ang y la Universidad Dankook en Corea. El equipo recopiló datos diarios de congestión de los cuatro principales puertos de Shanghái, Busan, Los Ángeles y Nueva York entre el 1 de enero de 2016 y el 1 de enero de 2023, y los combinó con el índice semanal SCFI del mismo período. El estudio seleccionó el índice compuesto SCFI y dos rutas transpacíficas clave —Shanghái-Los Ángeles (SCFI1) y Shanghái-Nueva York (SCFI2)— como objetivos de predicción.

La red neuronal RBF tiene una fuerte capacidad de ajuste no lineal y es adecuada para manejar la compleja relación dinámica entre la congestión portuaria y las tarifas de flete. Los investigadores utilizaron este modelo para realizar una predicción de regresión del SCFI y emplearon un modelo de correlación con desfase temporal para analizar las características de vinculación entre los índices de diferentes rutas.

Hallazgos clave

Los resultados del estudio muestran que el modelo de red neuronal RBF alcanzó un ajuste predictivo (R²) del 96 % para el índice compuesto SCFI, y del 94 % y 93 % para SCFI1 y SCFI2, respectivamente. Este resultado indica que existe una fuerte correlación entre los indicadores de congestión portuaria y la volatilidad de las tarifas de flete, y que el modelo de aprendizaje profundo puede capturar eficazmente su variación no lineal.

Lo que es más importante, el modelo de correlación con desfase temporal confirmó que, durante períodos de congestión anormalmente extrema, existe una correlación rezagada entre SCFI1 y SCFI2. Esto significa que la congestión portuaria no solo afecta las tarifas locales, sino que también puede generar un efecto de transmisión entre rutas, es decir, las fluctuaciones de las tarifas en una ruta pueden afectar a otra ruta en cuestión de semanas. Este mecanismo de transmisión refleja el estrecho acoplamiento de la red mundial de transporte de contenedores.

Impacto en la cadena de suministro

La congestión portuaria reduce directamente la capacidad efectiva, eleva los fletes y aumenta los costos logísticos de cargadores y transitarios. Las navieras pueden responder ajustando rutas, horarios o sobretasas, y una predicción precisa de las tarifas contribuye a estas decisiones. El modelo proporcionado por la nueva investigación permite a las navieras anticipar con mayor oportunidad la tendencia de las tarifas y optimizar la asignación de capacidad con anticipación, reduciendo así el riesgo de mercado.

Para los cargadores, la predicción de tarifas puede ayudar en la gestión presupuestaria y la negociación de contratos. En el contexto de la correlación entre congestión portuaria y tarifas de flete, las empresas pueden utilizar los resultados de predicción para ajustar los planes de inventario y transporte, reduciendo el impacto de las interrupciones en la cadena de suministro.

Impacto regional

Los cuatro puertos cubiertos por el estudio son puertas de entrada fundamentales en sus respectivas regiones: el puerto de Shanghái y el puerto de Busan son importantes centros de contenedores en Asia, mientras que el puerto de Los Ángeles y el puerto de Nueva York atienden respectivamente los mercados de la costa oeste y la costa este de Estados Unidos. La congestión en estos puertos afecta directamente la estabilidad y el nivel de los fletes de las rutas comerciales transpacíficas.Los efectos de contagio revelados por la investigación indican que la congestión de un solo puerto puede propagarse a través de la red de transporte marítimo y generar impactos en cadena en los corredores comerciales globales. En el entorno actual, donde las cadenas de suministro otorgan gran importancia a la puntualidad y a los bajos inventarios, la volatilidad de las tarifas de flete en la ruta transpacífica se ha convertido en un punto central de la gestión de riesgos logísticos internacionales.

Perspectivas del sector e implicaciones

Los investigadores señalan que, aunque el SCFI es un importante indicador de referencia del mercado naviero internacional, la investigación predictiva centrada en escenarios de congestión sigue siendo relativamente insuficiente. Los pronósticos tradicionales se han centrado principalmente en el Índice Seco del Báltico (BDI), mientras que las tarifas de flete de contenedores están influenciadas por factores como la estructura de los contratos y la oferta y la demanda del mercado, lo que hace que el modelado sea más difícil. La aplicación de la red neuronal de base radial (RBF) ofrece un nuevo método cuantitativo para el pronóstico de las tarifas de flete de contenedores.

Las conclusiones del estudio subrayan que la combinación de macrodatos (big data) sobre congestión portuaria con el aprendizaje profundo puede proporcionar una base para la toma de decisiones en la organización del transporte de contenedores, ayudar a planificar estrategias de navegación y mitigar los riesgos del mercado. Este enfoque también demuestra el potencial de la inteligencia artificial en el ámbito de la logística.

Perspectivas futuras

Con el desarrollo de la tecnología logística, se espera que estos modelos predictivos se integren aún más en las plataformas digitales de carga y en los sistemas de índices de fletes, proporcionando alertas dinámicas al mercado. Al combinar datos en tiempo real sobre la congestión portuaria, información de seguimiento del Internet de las Cosas (IoT) y las condiciones de navegabilidad de los canales, se espera que la precisión de los modelos siga mejorando. Cuando canales clave como el Canal de Suez y el Canal de Panamá enfrentan incertidumbre, este tipo de herramientas fortalecerá la resiliencia de las cadenas de suministro globales.

Además, el modelo de efectos de contagio puede utilizarse para identificar las rutas de propagación de riesgos en la red portuaria, ayudando a los administradores portuarios y a las compañías navieras a formular medidas de respuesta con antelación. Este método también tiene valor de referencia para la construcción de puertos en mercados emergentes y la optimización de corredores comerciales.

Conclusión

La congestión portuaria se ha convertido en un factor impulsor clave de la volatilidad de las tarifas de flete de contenedores. El modelo predictivo basado en la red neuronal RBF, con una bondad de ajuste del 96%, valida la eficacia del aprendizaje profundo en el análisis del mercado naviero y revela el mecanismo de transmisión de las tarifas de flete entre rutas. En un contexto de cadenas de suministro globales cada vez más complejas, el pronóstico de fletes basado en datos se convertirá en una herramienta de decisión indispensable para la industria naviera y los gestores logísticos.

Fuente de información: Frontiers in Marine Science - Port congestion and container freight rate dynamics: forecasting with an RBF neural network