Optimización del Retorno de Contenedores Vacíos mediante Inteligencia Artificial en el Nodo Portuario de Guayaquil Optimization of Empty Container Returns through Artificial Intelligence at the Guayaquil Port Hub
Barra lateral del artículo
Contenido principal del artículo
Resumen
La gestión del retorno de contenedores vacíos constituye uno de los principales desafíos logísticos del comercio marítimo internacional debido a su incidencia directa en los costos operativos, la eficiencia portuaria y la competitividad de las cadenas de suministro. En el contexto del Nodo Portuario de Guayaquil, esta problemática se intensifica por la fragmentación de la información entre los actores logísticos, la estacionalidad exportadora y la ausencia de modelos predictivos para la asignación eficiente de equipos. El objetivo de este estudio fue diseñar una estrategia basada en inteligencia artificial para reducir los costos operativos y optimizar los tiempos de ciclo en la gestión del retorno de contenedores vacíos. La investigación se desarrolló bajo un enfoque cuantitativo, con alcance explicativo-correlacional y diseño no experimental longitudinal, utilizando series de tiempo correspondientes al período 2021-2024, procesadas a partir de fuentes oficiales del sistema portuario ecuatoriano. Se aplicaron técnicas de estadística descriptiva, análisis evolutivo, correlación de Pearson y simulación prospectiva mediante un modelo Dueling Double Deep Q-Network (D3QN). Los resultados evidenciaron una asimetría estructural entre los flujos de importación y exportación de contenedores vacíos, así como una interdependencia funcional entre las terminales del nodo portuario. La simulación permitió proyectar una reducción del 15% en los movimientos improductivos, con ahorros estimados superiores a los 260 millones de dólares y una mitigación de 1.605,57 toneladas de CO₂. Se concluye que la inteligencia artificial representa una herramienta estratégica para transformar la gestión portuaria ecuatoriana hacia un modelo predictivo, resiliente y sostenible, alineado con el paradigma de los Smart Ports
Descargas
Detalles del artículo
Esta obra está bajo una licencia internacional Creative Commons Atribución-NoComercial 4.0.
Citas
Abdelshafie, A., Salah, M., Kramberger, T., & Dragan, D. (2022). Repositioning and optimal re-allocation of empty containers: A review of methods, models, and applications. Sustainability, 14(11), 6655. https://doi.org/10.3390/su14116655
Belmoukari, B., Audy, J.-F., & Forget, P. (2023). Smart port: A systematic literature review. European Transport Research Review, 15, Article 4. https://doi.org/10.1186/s12544-023-00581-6
Braekers, K., Caris, A., Janssens, G. K., & Limbourg, S. (2017). Minimizing cost of empty container repositioning in port hinterlands, while taking repair operations into account. Journal of Transport Geography, 58, 209–219. https://doi.org/10.1016/j.jtrangeo.2016.12.015
Chen, X., Ma, D., & Liu, R. W. (2024). Application of artificial intelligence in maritime transportation. Journal of Marine Science and Engineering, 12(3), 439. https://doi.org/10.3390/jmse12030439
Crainic, T. G., Gendreau, M., & Dejax, P. (1993). Dynamic and stochastic models for the allocation of empty containers. Operations Research, 41(1), 102–126.
Dong, J.-X., Song, D.-P., & Dong, Y. (2013). Maritime repositioning of empty containers under uncertain port disruptions. Computers & Industrial Engineering, 66(4), 827–837. https://doi.org/10.1016/j.cie.2012.12.014
Du, B., Hu, H., Zhang, J., & Meng, M. (2021). A multi-stage approach for empty container repositioning under coordination among liner carriers. Transportation Research Record, 2675(7), 19–31. https://doi.org/10.1177/03611981211021550
Erera, A. L., Morales, J. C., & Savelsbergh, M. W. P. (2009). The effect of multi-scenario policies on empty container repositioning. Transportation Research Part E: Logistics and Transportation Review, 45(5), 758–770. https://doi.org/10.1016/j.tre.2009.03.001
Ferretti, M., Fiore, U., Perla, F., Risitano, M., & Scognamiglio, S. (2022). Deep learning forecasting for supporting terminal operators in port business development. Future Internet, 14(8), 221. https://doi.org/10.3390/fi14080221
Heilig, L., & Voß, S. (2017). Information systems in seaports: A categorization and overview. Information Technology and Management, 18(3), 179–201. https://doi.org/10.1007/s10799-016-0269-1
Kandemir, C., Atasoy, B., & Gökmen, N. (2022). Deep learning models for predicting terminal operations in smart ports: A maritime perspective. Journal of Marine Science and Engineering, 10(5), 654–672.
Lamdjad, B. (2025). Comparative forecasting of container throughput for maritime logistics using statistical, machine learning and explainable AI models. Maritime Business Review, 1–17.
López-Espinoza, R. (2021). Desequilibrios operativos y costos de reposicionamiento de contenedores en el eje logístico del Pacífico Sur. Revista Iberoamericana de Logística Portuaria, 9(2), 22–38.
Min, H. (2022). Developing a smart port architecture and essential elements in the era of Industry 4.0. Maritime Economics & Logistics, 24(2), 189–207. https://doi.org/10.1057/s41278-022-00211-3
Moon, I., Ngoc, A.-D., & Konings, R. (2013). Foldable and standard containers in empty container repositioning. Transportation Research Part E: Logistics and Transportation Review, 49(1), 107–124. https://doi.org/10.1016/j.tre.2012.07.005
Neugebauer, J., Heilig, L., & Voß, S. (2024). Digital twins in the context of seaports and terminal facilities. Flexible Services and Manufacturing Journal, 36, 821–917. https://doi.org/10.1007/s10696-023-09515-9
Numa-Navarro, I., Wilmsmeier, G., & Gil, C. (2023). Improving empty container management using street-turn: A case study of the Colombian logistics network. Journal of Transport Geography, 112, 103709. https://doi.org/10.1016/j.jtrangeo.2023.103709
Pan, H., Zhang, C., & Wang, Q. (2024). Demonstration-guided reinforcement learning for optimizing outbound container stacking problem. In Proceedings of the IISE Annual Conference and Expo 2024 (pp. 1654–1659).
Paraskevas, A., Madas, M., Zeimpekis, V., & Fouskas, K. (2024). Smart ports in Industry 4.0: A systematic literature review. Logistics, 8(1), 28. https://doi.org/10.3390/logistics8010028
Song, J., Tang, X., Wang, C., Xu, C., & Wei, J. (2022). Optimization of multi-port empty container repositioning under uncertain environments. Sustainability, 14(20), 13255. https://doi.org/10.3390/su142013255
Subsecretaría de Puertos y Transporte Marítimo y Fluvial. (2021). Estadísticas portuarias y de transporte marítimo 2021. Ministerio de Transporte y Obras Públicas del Ecuador.
Subsecretaría de Puertos y Transporte Marítimo y Fluvial. (2022). Estadísticas portuarias y de transporte marítimo 2022. Ministerio de Transporte y Obras Públicas del Ecuador.
Subsecretaría de Puertos y Transporte Marítimo y Fluvial. (2023). Estadísticas portuarias y de transporte marítimo 2023. Ministerio de Transporte y Obras Públicas del Ecuador.
Subsecretaría de Puertos y Transporte Marítimo y Fluvial. (2024). Estadísticas portuarias y de transporte marítimo 2024. Ministerio de Transporte y Obras Públicas del Ecuador.
Škurić, M., Vukić, L., & Hess, S. (2019). Approaches to empty container repositioning problems in the context of Eurasian intermodal transportation. Omega, 85, 194–213. https://doi.org/10.1016/j.omega.2018.06.004
Wang, P., Li, Y., Qin, W., et al. (2024). Optimization of yard remarshalling operations in automated container terminals. Advanced Engineering Informatics, 61, 102552. https://doi.org/10.1016/j.aei.2024.102552
Wang, P., Xu, Q., Li, Y., Chen, Q., Tao, J., Qin, W., Huang, H., & Zou, Y. (2025). Learning-based hybrid algorithms for container relocation problem with storage plan. Transportation Research Part E: Logistics and Transportation Review, 197, 104048. https://doi.org/10.1016/j.tre.2025.104048
Xu, X., Huang, X., & Wang, L. (2024). Empty container repositioning problem using a reinforcement learning framework with multi-weight adaptive reward function. Maritime Policy & Management, 51(8), 1742–1763. https://doi.org/10.1080/03088839.2024.2326635
Zhang, C., Jin, B., Tanaka, S., & Tierney, K. (2020). Machine learning-driven algorithms for the container relocation problem. Transportation Research Part B: Methodological, 139, 102–131. https://doi.org/10.1016/j.trb.2020.05.017
Zheng, S., Sha, J., Kong, Y., & Wang, Y. (2025). Research on artificial intelligence-driven container relocation problem for green ports. Frontiers in Marine Science, 12, 1614356. https://doi.org/10.3389/fmars.2025.1614356