(English) This thesis records the evolution of the container throughput dynamics of the European port system from 2001-2020, analyses the dynamics of the European container port hierarchy with methodologies that have not been used in that context, applies network analysis on the liner shipping networks of individual shipping companies and proposes a model for short-term forecasts of container throughput and their accompanying prediction intervals.
Chapter 2 explores the dynamics of container throughput in the European port system from 2001-2020 at the level both of groups of ports and individual ports (Notteboom, 2010). The evolution of the container throughput is examined by the application of concentration indicators. The market share of port groups or ports in the total throughput of the system, the normalized Herfindahl–Hirschman Index and a customized form of shift-share analysis are used for this purpose. The influence of the two crises that occurred during the examined period, the global financial crisis of 2009 and the health crisis of 2020, on the container throughput dynamics is explored.
The dynamics of the European container port hierarchy are analyzed in chapter 3 by the application of 3 methodologies. First, two types of rank-size models are used in order to investigate the formation of the hierarchies and the dynamics of container throughput distribution. Second, a methodology based on the principals of Analytic Hierarchy Process (AHP) combined with an allometric growth model is introduced in order to explore the relative growth of large ports as a group upon groups of medium-sized and small ports. Third, a Markov chain modeling is applied in order to investigate the mobility of ports within the hierarchy of the European container port system. The dataset that is used in all the methodologies consists of the annual container port throughputs in TEUs of the top-100 European container ports for every year between 2001 and 2020.
Chapter 4 analyzes the container liner shipping networks of the liner operators of Maersk and COSCO Shipping in 2001, 2007 and 2010. First, the whole network of the carriers is analyzed through global network indicators and visualization of the networks. Second, the shipping networks are investigated for the presence of complex network properties by fitting a power law distribution to the degree distribution of the networks. Third, the positions of the ports in the companies’ networks are explored by calculating their degree and betweenness centrality. Fourth, the weighted degree of the ports and the strongest inter-port links are presented using the frequency (weekly calls) as weight of the links. Finally, the chapter focuses on the regional networks of the companies and their evolution.
A combined SARIMA-(G) ARCH model is proposed in chapter 5 in order to produce short-term forecasts of container throughput and prediction intervals of these forecasts. The uncertainty of the forecasts is expressed by the prediction intervals associated with the point forecasts. The point forecasts are generated form the SARIMA part of the model and the prediction intervals from the ARCH or GARCH part. ARCH/GARCH models are used in order to model and forecast the volatility of container throughput time series. The combined SARIMA-(G)ARCH model is applied to monthly container throughput data of the port of Barcelona in order to produce short-term point forecasts and its accompanying prediction intervals.
(Español) Esta tesis a) registra la evolución de la dinámica del tráfico de contenedores del sistema portuario europeo desde 2001-2020 b) analiza la dinámica de la jerarquía portuaria de contenedores europea con metodologías que no se han utilizado en ese contexto c) aplica el análisis de redes en las redes de transporte marítimo de línea de compañías navieras individuales y d) propone un modelo de pronósticos del movimiento de contenedores a corto plazo y de los intervalos de predicción correspondientes.
El capítulo 2 explora la dinámica del tráfico de contenedores en el sistema portuario europeo entre 2001 y 2020, tanto a nivel de conjuntos de puertos como de casos individuales (Notteboom, 2010). La evolución del movimiento de contenedores se examina mediante la aplicación de indicadores de concentración. Para este propósito, se utiliza la cuota del mercado de los grupos portuarios o puertos en el rendimiento total del sistema, el índice Herfindahl-Hirschman normalizado y una forma de “shift-share” análisis adaptada. Se explora también la influencia en la dinámica del tráfico de contenedores de los dos crisis que ocurrieron durante el periodo examinado, es decir la crisis financiera mundial de 2009 y la crisis de salud de 2020.
En el capítulo 3 se analiza la dinámica de la jerarquía portuaria europea de contenedores mediante la aplicación de 3 metodologías. En primer lugar, se utilizan dos tipos de modelos de tamaño de rango para investigar la formación de las jerarquías y la dinámica de la distribución del rendimiento de los contenedores. En segundo lugar, se introduce una metodología basada en los principios del Proceso Jerárquico Analítico (AHP) combinado con un modelo de crecimiento alométrico para explorar el crecimiento relativo de los puertos grandes como grupo sobre grupos de puertos medianos y pequeños. En tercer lugar, se aplica un modelo de cadena de Markov para investigar la movilidad de los puertos dentro de la jerarquía del sistema portuario europeo de contenedores. El conjunto de datos que se utiliza en todas las metodologías consiste en el rendimiento anual de los puertos de contenedores en TEU de los 100 principales puertos de contenedores europeos cada año entre 2001 y 2020.
El capítulo 4 analiza las redes de transporte marítimo de contenedores de línea de los operadores Maersk y COSCO Shipping en 2001, 2007 y 2010. Primero, toda la red de los operadores se analiza a través de indicadores de red global y visualización de las redes. En segundo lugar, la red de transporte marítimo se investiga en busca de propiedades de red complejas ajustando una distribución de ley de la potencia a la distribución de grados de las redes. En tercer lugar, se exploran las posiciones de los puertos en las redes de las empresas calculando su centralidad de grado y su centralidad de intermediación. En cuarto lugar, se presenta el grado ponderado de los puertos y los enlaces interportuarios más fuertes utilizando la frecuencia (llamadas semanales) como peso de los enlaces. Finalmente, el capítulo se centra en las redes regionales de las empresas y su evolución.
En el capítulo 5 se propone un modelo combinado SARIMA-(G) ARCH para producir pronósticos a corto plazo del movimiento de contenedores e intervalos de predicción de estos pronósticos. La incertidumbre de los pronósticos se expresa mediante los intervalos de predicción asociados con los pronósticos puntuales. Los pronósticos puntuales se generan a partir de la parte SARIMA y los intervalos de predicción a partir de la parte ARCH o GARCH. Los modelos ARCH/GARCH se utilizan para que se modele y pronostique la volatilidad de las series temporales de rendimiento de contenedores. El modelo SARIMA-(G)ARCH se aplica a los datos mensuales de tráfico de contenedores del puerto de Barcelona para producir pronósticos puntuales a corto plazo y los intervalos de predicción que lo acompañan.
