De los datos al atraque: predicción ARMA en logaritmos de la afluencia semanal de contenedores de importación en Puerto Bolívar (Ecuador)

Luis Cedillo-Chalaco; Juan Carlos Muñoz Briones; Cristina Tabares Cedillo; Priscilla Anabel Hernández Díaz

doi:10.56124/corporatum-360.v9i17.005

Autores/as

Luis Cedillo-Chalaco Universidad Técnica de Machala – Ecuador https://orcid.org/0000-0002-3142-4485
Juan Carlos Muñoz Briones Universidad Metropolitana – Ecuador https://orcid.org/0000-0003-3379-4911
Cristina Tabares Cedillo Investigador independiente https://orcid.org/0009-0002-8039-5526
Priscilla Anabel Hernández Díaz Investigador independiente https://orcid.org/0009-0009-5200-8593

DOI:

https://doi.org/10.56124/corporatum-360.v9i17.005

Palabras clave:

ARMA, Disckey-Fuller, Puerto Bolívar, Contenedores, Importación

Resumen

Los terminales de contenedores operan con variaciones semanales que tensionan muelle, patio y gate; disponer de señales predictivas de corto plazo es crucial para programar recursos y evitar cuellos de botella. En Puerto Bolívar (Machala, Ecuador), la afluencia de importaciones presenta picos y semanas sin operación, lo que exige modelos claros y auditables. Objetivo: estimar y validar un esquema parsimonioso de pronóstico semanal para la atención de contenedores de importación, útil para la gestión operativa. Metodología: se trabajó con observaciones semanales entre agosto de 2021 y mayo de 2025; se aplicó una transformación logarítmica para estabilizar la varianza y se estimó un ARMA(1,1) por máxima verosimilitud, utilizando el filtro de Kalman para tratar semanas ausentes. La validación incluyó prueba de estacionariedad, análisis de autocorrelaciones y autocorrelaciones parciales, contraste de ruido blanco de Ljung–Box, verificación de raíces inversas e inspección de los cuadrados de los residuos para descartar heterocedasticidad condicional. Principales hallazgos: la serie en logaritmos fue estacionaria y de memoria corta; los residuos no mostraron autocorrelación ni efectos ARCH; las raíces AR y MA quedaron dentro del círculo unitario. El ARMA(1,1) capturó la persistencia semanal y amortiguó choques transitorios, ofreciendo predicciones con bandas coherentes. En términos operativos, el esquema permite una actualización semanal continua del pronóstico para coordinar dotaciones, asignación de patio y gestión de gate, aportando una señal accionable y trazable para la planificación del terminal.

Descargas

Los datos de descargas todavía no están disponibles.

Citas

Ahmad, R. W., Hasan, H., Jayaraman, R., Salah, K., & Omar, M. (Diciembre de 2021). Blockchain applications and architectures for port operations and logistics management. Research in Transportation Business & Management, 41(100620), 1-17. doi:https://doi.org/10.1016/j.rtbm.2021.100620

Apolinario, R., Rodríguez, M., Segarra, H., & Caicedo, M. (2025). La gestión de la logística y el transporte internacional en el Ecuador: estrategias, retos y oportunidades en un mundo globalizado. Guayaquil-Ecuador: Liveworkingeditorial.

Bayer, F., Pumi, G., Pereira, T., & Souza, T. (2023). Inflated beta autoregressive moving average models. Computational and Applied Mathematics, 42(183), 1-24. doi:https://doi.org/10.1007/s40314-023-02322-w

Bergeron, E., Audy, J.-F. A., & Forget, P. (26 de Abril de 2023). Visibility Performance Assessment: Simulation of a Digital Shadow in a Port. Journal of Marine Science and Engineering, 11(927), 1-12. doi:https://doi.org/10.3390/jmse11050927

Cedillo-Chalaco, L., & Hernández-Díaz, P. (2025). Predicción logística portuaria con modelación ARMA: evidencia del flujo de contenedores en el sur del Ecuador. Revista Científica Episteme & Praxis, 3(3), 126-135. doi:https://doi.org/10.62451/rep.v3i3.133

Cedillo-Chalaco, L., Solorzano, S., Romero-Solano, R., & Calero-Córdova, R. (2025). Interacciones dinámicas entre tranporte y crecimiento económico en Ecuador: un análisis con modelos VAR y causalidad de Granger. Revista de Estudios Contemporáneos del Sur Global, 6(19), 1-16. doi:http://doi.org/10.46652/pacha.v6i19.469

Chen, Y., Liu, B., & Wang, T. (2021). Analysing and forecasting China containerized freight index with a hybrid decomposition–ensemble method based on EMD, grey wave and ARMA. Grey Systems: Theory and Application, 11(3), 358-371. doi:https://doi.org/10.1108/GS-05-2020-0069

Chen, Y., Zhang, X., Deng, C., & Liu, Y. (2024). Portmanteau test for ARCH-Type models by using high-frequency data. Axioms, 13(3), 1-20. doi:https://doi.org/10.3390/axioms13030141

Feo, M., Botella, A., Martínez, J., Pallardó, V., Requena, F., & Sala, R. (2024). Exploring supply chain and regional resilience through the analysis of the transport dimension. Case Studies on Transport Policy, 16, 1-12. doi:https://doi.org/10.1016/j.cstp.2024.101216

Goracci, G., Ferrari, D., Giannerini, S., & Ravazzolo, F. (2024). Robust estimation for threshold autoregressive moving-average models. Journal of Business & Economic Statistics, 43(3), 579-591. doi:https://doi.org/10.1080/07350015.2024.2412011

Habte, Z. (2022). The role of logistics performance in international trade: a developing country perspective. World Review of Intermodal Transportation Research, 11(1), 53-69. doi:https://doi.org/10.1504/WRITR.2022.123100

Huang, A., Liu, X., Rao, C., Zhang, Y., & He, Y. (2022). A new container throughput forecasting paradigm under COVID-19. Sustainability, 14(5), 1-20. doi:https://doi.org/10.3390/su14052990

Jhwueng, D.-C. (2024). Modeling the phylogenetic rates of continuous trait evolution: An autoregressive–moving-average model approach. Mathematics, 13(1), 1-27. doi:https://doi.org/10.3390/math13010111

Kim, S., Lee, P.-Y., Lee, M., Kim, J., & Na, W. (2022). Improved State-of-health prediction based on auto-regressive integrated moving average with exogenous variables model in overcoming battery degradation-dependent internal parameter variation. Journal of Energy Storage, 46(103888). doi:https://doi.org/10.1016/j.est.2021.103888

Kumar, K., Spulbar, C., Pinto, P., Hawaldar, I., Birau, R., & Joisa, J. (2022). Using econometric models to manage the price risk of cocoa beans: A case from India. Risks, 10(6), 1-18. doi:https://doi.org/10.3390/risks10060115

Lee, G.-C., & Bang, J.-Y. (2024). Forecasting container throughput of Singapore Port considering various exogenous variables based on SARIMAX models. Forecasting, 6(3), 748-760. doi:https://doi.org/10.3390/forecast6030038

Munim, Z., Fiskin, C., Nepal, B., & Hossain, M. (2023). Forecasting container throughput of major Asian ports using the Prophet and hybrid time series models. The Asian Journal of Shipping and Logistics, 39, 67-77. doi:https://doi.org/10.1016/j.ajsl.2023.02.004

Nadi, M., & Arefi, M. (2023). Hierarchical iterative identification of output nonlinear Box-Jenkins Wiener model with ARMA noise. ISA Transactions, 143, 321-333. doi:https://doi.org/10.1016/j.isatra.2023.10.006

Olsen, A., Djupskås, G., de Lange, P., & Risstad, M. (2025). Forecasting implied volatilities of currency options withmachine. International Journal of Data Science and Analytics, 20, 1329-1347. doi:https://doi.org/10.1007/s41060-024-00528-7

Özispa, N., Açık, A., & Baran, E. (2024). 2030 outlook for global cargo: ARIMA predictions for maritime trade. RESP, 3(2), 104-116. Obtenido de https://respjournal.com/index.php/pub/article/view/48/31

Petkov, P., Shopova, M., Varbanov, T., Ovchinnikov, E., & Lalev, A. (2024). Journal of Risk Financial Management. Econometric analysis of SOFIX index with GARCH models, 17(346), 1-30. doi:https://doi.org/10.3390/jrfm17080346

Svetunkov, I., & Boylan, J. (2020). State-space ARIMA for supply-chain forecasting. International Journal of Production Research, 58(3), 818-827. doi:10.1080/00207543.2019.1600764

Vadahni, B., Veysmoradi, D., Basir Abyaneh, M., & Rashedi, M. (1 de Diciembre de 2024). Robust integrated multi-mode scheduling of flexible loading and unloading operations with maintenance services in a port container terminal. Ocean and Coastal Management, 259(107481), 1-18. doi:https://doi.org/10.1016/j.ocecoaman.2024.107481

Yen, B. T., & Mulley, C. (31 de Enero de 2023). Introduction to the themed volume on transport efficiency. Research in Transportation Business & Management, 46, 1-4. doi:https://doi.org/10.1016/j.rtbm.2023.100949

Yin, J., Khan, R. U., Wang, X., & Asad, M. (15 de Septiembre de 2024). A data-centered multi-factor seaport disruption risk assessment using Bayesian networks. Ocean Engineering, 308, 411-421. doi:https://doi.org/10.1016/j.oceaneng.2024.118338

Zeng, F., & Xu, S. (2024). A hybrid container throughput forecasting approach using bi-directional hinterland data of port. Scientific Reports, 14, 1-12. doi:https://doi.org/10.1038/s41598-024-77376-9

Zeng, M., Liu, R., Gao, M., & Jiang, Y. (01 de Julio de 2022). Demand Forecasting for Rural E-Commerce Logistics: A Gray Prediction Model Based on Weakening Buffer Operator. Journal of Advanced Transportation(3395757), 1-8. doi:https://doi.org/10.1155/2022/3395757