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

Le transport par conteneurs est l'artère principale du commerce mondial, mais la fréquence des congestions portuaires aggrave les fluctuations des taux de fret, posant des défis au contrôle des coûts de la chaîne d'approvisionnement. Une étude récente publiée dans *Frontiers in Marine Science* a utilisé un réseau neuronal à fonction de base radiale (RBF) pour prédire avec une grande précision l'indice composite des taux de fret de conteneurs à l'exportation de Shanghai (SCFI) dans des contextes de congestion portuaire, avec un coefficient de détermination du modèle atteignant 96 %. L'étude a également validé l'effet de transmission des taux de fret dans des conditions de congestion extrême, fournissant ainsi un nouvel outil d'alerte précoce des risques pour le secteur du transport maritime.

Données et méthodes de recherche

Cette étude a été réalisée conjointement par des chercheurs de l'université Kyung Hee, de l'université Chung-Ang et de l'université Dankook en Corée du Sud. L'équipe a collecté les données quotidiennes de congestion de quatre grands ports – Shanghai, Busan, Los Angeles et New York – du 1er janvier 2016 au 1er janvier 2023, et les a appariées avec les indices hebdomadaires SCFI de la même période. L'étude a sélectionné l'indice composite SCFI ainsi que deux routes transpacifiques clés – Shanghai-Los Angeles (SCFI1) et Shanghai-New York (SCFI2) – comme cibles de prédiction.

Le réseau neuronal RBF possède une forte capacité d'ajustement non linéaire, adaptée au traitement des relations dynamiques complexes entre la congestion portuaire et les taux de fret. Les chercheurs ont utilisé ce modèle pour effectuer des prédictions par régression du SCFI et ont appliqué un modèle de corrélation à décalage temporel pour analyser les caractéristiques de corrélation entre les indices des différentes routes.

Principaux résultats

Les résultats montrent que le modèle de réseau neuronal RBF atteint un coefficient de détermination (R²) de 96 % pour la prédiction de l'indice composite SCFI, et de 94 % et 93 % pour SCFI1 et SCFI2 respectivement. Ces résultats indiquent une forte corrélation entre les indicateurs de congestion portuaire et les fluctuations des taux de fret, et que les modèles d'apprentissage profond peuvent efficacement capturer leurs variations non linéaires.

Plus important encore, le modèle de corrélation à décalage temporel a confirmé l'existence d'une corrélation décalée entre SCFI1 et SCFI2 pendant les périodes de congestion anormalement extrême. Cela signifie que la congestion portuaire n'affecte pas seulement les taux de fret locaux, mais peut également générer des effets de transmission entre routes, c'est-à-dire que les fluctuations des taux de fret sur une route peuvent se propager à une autre route en quelques semaines. Ce mécanisme de transmission reflète le couplage étroit du réseau mondial de transport de conteneurs.

Impact sur la chaîne d'approvisionnement

La congestion portuaire réduit directement la capacité effective, fait grimper les tarifs de fret et augmente les coûts logistiques des chargeurs et des transitaires. Les compagnies maritimes peuvent y faire face en ajustant les routes, les horaires ou les surcharges, et des prévisions précises des taux de fret facilitent ces décisions. Le modèle fourni par la nouvelle étude permet aux compagnies maritimes d'anticiper plus rapidement l'évolution des taux de fret et d'optimiser à l'avance la répartition des capacités, réduisant ainsi les risques de marché.

Pour les chargeurs, la prévision des taux de fret peut aider à la gestion budgétaire et aux négociations contractuelles. Dans un contexte où la congestion portuaire et les taux de fret sont liés, les entreprises peuvent utiliser les résultats de prévision pour ajuster leurs stocks et leurs plans de transport, réduisant ainsi l'impact des perturbations de la chaîne d'approvisionnement.

Impact régional

Les quatre ports étudiés sont tous des portes d'entrée essentielles de leur région : le port de Shanghai et le port de Busan sont d'importants hubs de conteneurs en Asie, tandis que les ports de Los Angeles et de New York desservent respectivement les marchés de la côte ouest et de la côte est des États-Unis. La congestion de ces ports affecte directement la stabilité et les niveaux de fret des routes commerciales transpacifiques.L'effet de transmission mis en évidence par la recherche indique que la congestion d'un seul port peut se propager à travers le réseau maritime et avoir des répercussions en chaîne sur les corridors commerciaux mondiaux. Dans l'environnement actuel où les chaînes d'approvisionnement accordent une grande importance à la rapidité et à la faiblesse des stocks, les fluctuations des taux de fret sur les routes transpacifiques sont devenues un point central de la gestion des risques logistiques internationaux.

Points de vue du secteur et implications

Les chercheurs notent que, bien que le SCFI soit un indicateur important du marché du transport maritime international, les recherches sur les prévisions dans des scénarios de congestion restent relativement insuffisantes. Les prévisions traditionnelles se concentrent principalement sur l'indice Baltic Dry Index (BDI), tandis que les taux de fret des conteneurs, influencés par la structure des contrats, l'offre et la demande du marché, entre autres facteurs, sont plus difficiles à modéliser. L'application des réseaux neuronaux RBF offre une nouvelle méthode quantitative pour la prévision des taux de fret des conteneurs.

Les conclusions de l'étude soulignent que la combinaison des mégadonnées sur la congestion portuaire et de l'apprentissage profond peut fournir une base de décision pour l'organisation du transport de conteneurs, aider à planifier les stratégies maritimes et atténuer les risques de marché. Cette approche démontre également le potentiel de l'intelligence artificielle dans le domaine de la logistique.

Perspectives d'avenir

Avec le développement des technologies logistiques, de tels modèles de prévision pourraient être davantage intégrés aux plateformes numériques de fret et aux systèmes d'indices de fret, fournissant des alertes dynamiques au marché. En combinant les données en temps réel sur la congestion portuaire, les informations de suivi de l'Internet des objets et les conditions de navigation des voies maritimes, la précision des modèles pourrait continuer de s'améliorer. Face aux incertitudes concernant des passages clés tels que le canal de Suez et le canal de Panama, ces outils renforceraient la résilience des chaînes d'approvisionnement mondiales.

En outre, le modèle d'effet de transmission peut être utilisé pour identifier les voies de propagation des risques dans les réseaux portuaires, aidant les gestionnaires portuaires et les compagnies maritimes à élaborer des mesures préventives. Cette méthode présente également un intérêt pour la construction de ports dans les marchés émergents et l'optimisation des corridors commerciaux.

Conclusion

La congestion portuaire est devenue un facteur majeur des fluctuations des taux de fret des conteneurs. Le modèle de prévision basé sur les réseaux neuronaux RBF, avec une qualité d'ajustement de 96 %, confirme la validité de l'apprentissage profond dans l'analyse du marché du transport maritime et met en évidence les mécanismes de transmission des taux de fret entre les routes. Dans un contexte de plus en plus complexe pour les chaînes d'approvisionnement mondiales, la prévision des taux de fret fondée sur les données deviendra un outil décisionnel indispensable pour les acteurs du transport maritime et les gestionnaires logistiques.

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