Congestion portuaire et tarifs de fret des conteneurs : le modèle de prédiction par réseau neuronal RBF atteint un taux de précision de 96 %

Comment la congestion portuaire affecte-t-elle les tarifs du transport de conteneurs ? Un modèle de prévision par réseau neuronal RBF révèle une nouvelle voie

Introduction

Le marché mondial du transport de conteneurs est continuellement perturbé par la congestion portuaire. De l'Asie à l'Amérique du Nord, l'allongement des temps d'attente des navires et la baisse de l'efficacité de rotation des capacités se reflètent directement dans les fortes fluctuations de l'indice des tarifs de transport de conteneurs. Pour les compagnies maritimes, les chargeurs et les négociants, anticiper l'évolution des tarifs est devenu un élément clé de la gestion des risques. Cependant, la relation dynamique entre la congestion portuaire et les tarifs de transport manque depuis longtemps d'outils de quantification précis.

Une étude récemment publiée dans *Frontiers in Marine Science* tente de répondre à cette question à l'aide d'un modèle d'apprentissage profond. Cette étude a utilisé les données de congestion de quatre grands ports — Shanghai, Busan, Los Angeles et New York — de 2016 à 2023, combinées à un réseau neuronal RBF, pour prévoir l'indice composite de Shanghai (SCFI) et vérifier l'effet de transmission trans-marché des tarifs dans un contexte de congestion portuaire.

Progrès clés

Cette étude utilise le SCFI comme indicateur proxy central des tarifs du transport de conteneurs, couvrant l'indice composite ainsi que deux grandes routes transpacifiques : Shanghai—Los Angeles et Shanghai—New York. Les chercheurs ont collecté les données quotidiennes de congestion des quatre ports du 1er janvier 2016 au 1er janvier 2023 et ont construit un modèle de prévision de haute précision.

Les résultats montrent que le modèle de réseau neuronal RBF atteint un coefficient de détermination (R²) de 96 % pour la prévision de l'indice composite SCFI, de 94 % pour l'indice de la route Shanghai—Los Angeles, et de 93 % pour l'indice de la route Shanghai—New York. Cela signifie que le modèle peut expliquer la grande majorité des fluctuations des tarifs, démontrant une forte valeur pratique.

Plus remarquable encore, l'étude a confirmé l'« effet de transfert » du SCFI grâce à une analyse de corrélation avec décalage temporel. Dans un contexte de congestion majeure, il existe une corrélation retardée entre les indices tarifaires des différentes routes : une variation des tarifs sur une route peut se transmettre à une autre route après plusieurs jours ou semaines. Cette découverte confirme la « réaction en chaîne » de la congestion portuaire et explique pourquoi une congestion régionale déclenche souvent des fluctuations mondiales des tarifs.

Impact sur la chaîne d'approvisionnement

Pour les opérateurs logistiques mondiaux, les résultats de cette recherche ont de multiples implications. Premièrement, un modèle de prévision tarifaire de haute précision peut aider les compagnies de lignes régulières à mieux faire face aux cycles de congestion dans le déploiement des capacités et la fixation des prix des emplacements. Deuxièmement, les chargeurs et les transitaires peuvent utiliser de tels outils pour verrouiller les tarifs à l'avance et éviter les risques de hausses soudaines.

L'étude montre également que l'impact de la congestion portuaire ne se limite pas à un seul port ou à une seule route. Lorsque le port de Shanghai ou de Los Angeles connaît une grave congestion, les fluctuations tarifaires sur les routes transpacifiques se diffusent vers d'autres routes. Cela signifie que les gestionnaires de la chaîne d'approvisionnement doivent évaluer les risques de congestion dans une perspective de réseau, plutôt que de se concentrer uniquement sur l'état immédiat du port de chargement ou de destination.En outre, le modèle de prévision offre une nouvelle approche pour la quantification des risques sur le marché du transport maritime. Traditionnellement, les prévisions de fret s’appuient principalement sur des données historiques et des indicateurs macroéconomiques ; cette étude intègre des indicateurs de congestion en temps réel dans le modèle, améliorant nettement ses performances prédictives. Cela suggère au secteur que les données opérationnelles portuaires peuvent constituer une variable d’entrée importante pour la prévision des taux de fret.

Impact régional

Les quatre ports sélectionnés dans l’étude sont situés en Asie et en Amérique du Nord, couvrant l’une des routes commerciales les plus fréquentées au monde : la route transpacifique. Shanghai est l’un des plus grands ports d’Asie de l’Est en termes de trafic de conteneurs, Busan est un hub de transbordement important en Asie du Nord-Est, tandis que Los Angeles et New York représentent respectivement les portes d’entrée des importations sur les côtes ouest et est des États-Unis. La congestion de ces quatre ports affecte directement les délais et les coûts du corridor commercial entre la Chine et les États-Unis.

Les résultats de l’étude montrent une corrélation décalée entre les taux de fret des routes Shanghai–Los Angeles et Shanghai–New York, indiquant un décalage temporel dans l’effet de transmission de la congestion entre les côtes est et ouest des États-Unis. Cela fournit une référence aux chargeurs lors du choix entre les routes de la côte ouest et de la côte est : si la congestion s’aggrave dans les ports de la côte ouest, les taux de fret peuvent progressivement se répercuter sur les routes de la côte est, faisant peser des pressions sur les coûts même sur des itinéraires alternatifs apparemment plus avantageux.

Pour les économies asiatiques orientées vers l’exportation, cette étude a également des implications politiques. La congestion portuaire n’est pas seulement un problème opérationnel, mais aussi un facteur systémique qui affecte les coûts commerciaux et la compétitivité internationale. En prévoyant plus précisément les taux de fret, les gouvernements et les autorités portuaires peuvent allouer les ressources à l’avance et atténuer les chocs commerciaux causés par la congestion.

Points de vue du secteur

« La volatilité des taux de fret conteneurisés est un défi de longue date pour le secteur du transport maritime, et la congestion portuaire amplifie souvent cette volatilité », souligne l’équipe de recherche. La plupart des méthodes de prévision existantes se concentrent principalement sur l’évolution historique des taux de fret eux-mêmes et intègrent rarement explicitement les facteurs de congestion dans les modèles. Cette étude tente de combler cette lacune en fournissant un soutien à la prise de décision pour les organisations de transport de conteneurs.

Les auteurs de l’article indiquent que le réseau neuronal RBF convient à ce scénario car il peut traiter des relations non linéaires et ajuster des modèles complexes à l’aide de fonctions de base radiale. Avec un volume de données suffisant, ce modèle peut rapidement s’adapter aux évolutions du marché.

Cependant, l’étude présente également certaines limites. Par exemple, le modèle n’a pas encore intégré de variables externes telles que les événements géopolitiques ou les fluctuations des prix du carburant, et pourrait être étendu à l’avenir. De plus, la mesure de la congestion portuaire est relativement simpliste et ne distingue pas encore les causes structurelles de la congestion (comme les pannes d’équipement à quai ou les pénuries de main-d’œuvre), mais les résultats préliminaires montrent déjà un potentiel d’application.

Perspectives d’avenir

Alors que les exigences de résilience des chaînes d’approvisionnement mondiales augmentent, la valeur des outils de prévision des taux de fret continuera de croître. Les orientations de recherche futures pourraient inclure : l’intégration de données en temps réel d’un plus grand nombre de ports dans les modèles, l’introduction des impacts d’événements imprévus tels que les détours par la mer Rouge ou les restrictions de transit du canal de Panama, et le développement de prévisions par route plus granulaires.

Pour les entreprises de logistique, intégrer de tels modèles dans les plateformes numériques de gestion du fret pourrait les aider à prendre des décisions plus scientifiques en matière de fret sur un marché marqué par l’incertitude. Parallèlement, les exploitants portuaires peuvent également utiliser les résultats de prévision pour communiquer à l’avance avec les compagnies maritimes sur la planification des postes à quai et réduire la probabilité de congestion.

ConclusionLe lien dynamique entre la congestion portuaire et les tarifs de fret conteneurisé est passé de la discussion théorique à l’étape de la modélisation quantitative. Cette étude a démontré, à l’aide de données réelles, l’efficacité du réseau neuronal RBF dans la prévision des tarifs de fret, et a révélé les règles de transmission entre marchés des tarifs de fret en environnement de congestion. Bien que le modèle présente encore des marges d’amélioration, il constitue sans aucun doute un outil d’analyse précieux pour le marché mondial du transport de conteneurs.

À l’heure où la chaîne d’approvisionnement mondiale est confrontée à de nombreuses incertitudes, être capable de mieux anticiper les tarifs de fret contribue non seulement à réduire les risques opérationnels des entreprises, mais aussi à maintenir la stabilité du commerce international.

---

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