Modelización y predicción del tráfico marítimo en los puertos españoles

  1. Coto-Millán, Pablo
  2. Inglada-Pérez, Lucía
  3. Casares, Pedro
  4. Inglada, Vicente
Revista:
Anales de ASEPUMA

ISSN: 2171-892X

Año de publicación: 2019

Número: 27

Tipo: Artículo

DIALNET GOOGLE SCHOLAR lock_openDialnet editor

Otras publicaciones en: Anales de ASEPUMA

Resumen

Tradicionalmente el transporte marítimo ha desempeñado un papel relevante en la economía mundial a través de su estrecha conexión con el comercio mundial ya que una gran parte de los intercambios internacionales de mercancías se realizan utilizando dicho modo de transporte. Esta relevancia se ha visto acrecentada, si cabe, en un mundo profundamente globalizado e interdependiente como el actual, donde la competitividad comercial de un país depende significativamente de poder disponer de un acceso adecuado a los servicios de transporte marítimo internacional y de un sistema portuario eficiente. En el caso español el sistema portuario desempeña un papel estratégico muy relevante en la actividad económica y en el sistema económico y social ya que cerca del setenta por ciento del comercio exterior se lleva a cabo mediante el transporte marítimo y una parte importante del territorio tiene un carácter insular. La modelización y predicción de la demanda de transporte marítimo es particularmente relevante para una eficiente gestión del sistema portuario, así como en la planificación eficiente de las inversiones, especialmente teniendo en cuenta el elevado coste de las inversiones portuarias, así como su carácter de largo plazo. En general su interés se extiende a todos los agentes intervinientes en el transporte marítimo: armadores, fletadores, etc. y a las actividades económicas desarrolladas en su hinterland. El objetivo general de este trabajo es la modelización y predicción del tráfico marítimo en los puertos españoles. Para ello se utiliza una amplia batería de modelos lineales y no lineales como SARIMA, Suavizado Exponencial y redes neuronales. Para comparar la precisión de las predicciones obtenidas con los modelos ajustados se emplean varios criterios de evaluación como es el error absoluto medio o el error cuadrático medio.

Referencias bibliográficas

  • Box, G. y Jenkins, G. (1970). “Time Series Analysis: Forecasting and Control”. HoldenDay, San Francisco.
  • Box, G.E.P., Jenkins, G.M. y Reinsel, G.C. (1994). “Time Series Analysis; Forecasting and Control”. 3rd Edition, Prentice Hall, Englewood Cliff, New Jersey.
  • Chen, S.H. Y Chen, J.N., (2010). “Forecasting container throughputs at ports using genetic programming”. Expert Systems with Applications, 37(3), pp. 2054–2058.
  • Coto Millán, P., Inglada Pérez, L., Casares, P. y Inglada López De Sabando, V. (2018). “Modelización del transporte marítimo de contenedores”, Estudios de Economía Aplicada, pp. 675-690.
  • Coto Millan, P., Banos Pino J., Pesquera, M.A., Castanedo, J.A. y Inglada Perez, L. (2010,). “The Conditioned Demands of “General Merchandise”, “Dry Bulk” and “Liquid Bulk” Sea Transport”. En Essays on Port Economics. Springer Verlag.
  • Glen, D. R. (2006). “The modelling of dry bulk and tanker markets: a survey”. Maritime Policy and Management, 33 (1), pp. 431-455.
  • Huang, G.-B., Zhu, Q.-Y. y Siew, C.-K. (2006). “Extreme learning machine: Theory and applications”. Neurocomputing, 70, pp.489–501.
  • Hyndman, R. J., Koehler, A. B., Snyder, R. D., y GROSE, S. (2002). “A state space framework for automatic forecasting using exponential smoothing methods”. International Journal of Forecasting, 18(3), pp. 439–454.
  • Hyndman, R.J. y Koehler, A.B. (2006). "Another look at measures of forecast accuracy". International Journal of Forecasting, 22(4), pp.679-688.
  • Hyndman, R. J., Koehler, A. B., Ord, J. K., y Snyder, R. D. (2008). “Forecasting with Exponential Smoothing: The State Space Approach”. Berlin: Springer-Verlag.
  • Hyndman, R.J. y Athanasopoulos, G. (2018). “Forecasting: principles and practice,” 2nd ed., OTexts, Melbourne, Australia.
  • Inglada Perez L. (2015).” Evaluación de la no linealidad y del comportamiento caótico en el transporte marítimo”. Revista de Evaluación de Programas y Políticas Públicas (Journal of Public Programs and Policy Evaluation), 4, pp. 40-58.
  • Lam, W. H., NG, P. L., Seabrooke, W., y HUI, E. C. (2004). “Forecasts and reliability analysis of port cargo throughput in Hong Kong.” Journal of Urban Planning and Development, 130(3), pp. 133–144.
  • Mostafa, M. M. (2004). “Forecasting the Suez Canal traffic: A neural network analysis”. Maritime Policy and Management, 31 (2), pp. 139-156.
  • Peng, W.Y. y Chu, C.W., (2009). “A comparison of univariate methods for forecasting container throughput volumes”. Mathematical and Computer Modelling, 50, pp. 1045– 1057.
  • Washington, S., Karlaftis, M. y Mannering, F. (2003). “Statistical and Econometric Methods for Transportation Data Analysis”, Chapman and Hall/CRC Press, Boca Raton, FL.
Fuente de los datos: Dialnet