Analysis of shipping cycles and their predictability

Προβολή/ Άνοιγμα
Λέξεις κλειδιά
Shipping cycles ; Maritime economics ; Forecasting models ; Econometric analysis ; Machine learning ; Freight rates ; Shipbuilding ; Scrapping cycles ; Technological innovation ; Environmental regulation ; Decarbonization ; Market predictability ; Maritime finance ; Global tradeΠερίληψη
Η παρούσα διατριβή εξετάζει την προβλεψιμότητα των μοτίβων και τη δυνατότητα πρόβλεψης των ναυτιλιακών κύκλων, καλύπτοντας μια περίοδο από τον 19ο έως τον 21ο αιώνα, παραθέτοντάς τα με χρονολογική σειρά με σκοπό να δείξει ότι όσο ο ρυθμός της παγκόσμιας οικονομίας επιταχύνει, αυτά γίνονται σταδιακά πιο περίπλοκα. Με βάση μια αναλυτική αξιολόγηση των πηγών, αυτή η μελέτη αναγνωρίζει τις κινητήριες δυνάμεις (παγκόσμια ανάπτυξη ΑΕΠ, ο άνεμος των εμπορικών ροών και η ναυπηγική δραστηριότητα) των ναυτιλιακών κύκλων, παράλληλα με ένα εξελισσόμενο σύνολο κυκλικών μεταβλητών ενίσχυσης (οικονομικοί μακροοικονομικοί παράγοντες) καθώς και νέους αιτιολογικούς παράγοντες που συμβάλλουν στις διακυμάνσεις στις ναυτιλιακές αγορές: τεχνολογικές αλλαγές και παρεμβάσεις στην περιβαλλοντική πολιτική. Τα αποτελέσματα δείχνουν ότι οι ναυτιλιακοί κύκλοι είναι θεμελιωδώς κυκλικής φύσεως αλλά όλο και πιο πολυδιάστατοι καθώς επηρεάζονται όχι μόνο από τις παραδοσιακές οικονομικές δυνάμεις, αλλά και από τις σύγχρονες τάσεις ψηφιοποίησης, αυτοματοποίησης και απαλλαγής από τον άνθρακα.
Η ανάλυση φέρνει στο φως ότι τα οικονομετρικά μοντέλα καθώς και τα μοντέλα χρονοσειρών (π.χ., ARIMA, VAR, GARCH) παρέχουν αναλυτική βραχυπρόθεσμη προγνωστική ακρίβεια, αλλά χάνουν την αποτελεσματικότητά τους κατά τη διάρκεια διαρθρωτικών σημείων καμπής ή κρίσεων. Από την άλλη μεριά, τα μοντέλα μηχανικής μάθησης και τα υβριδικά μοντέλα είναι σε θέση να βελτιώσουν την προβλεψιμότητα καταγράφοντας μη γραμμικές σχέσεις, καθώς και προσαρμόζοντας τις μεταβλητότητες της αγοράς. Ωστόσο, οι προκλήσεις της κοινής χρήσης δεδομένων, της ερμηνευσιμότητας των μοντέλων και της ενσωμάτωσης πληροφοριών σε πραγματικό χρόνο εξακολουθούν να είναι επικείμενες.
Η έρευνα αποκαλύπτει επίσης βασικά κενά γνώσης στη βιβλιογραφία, όπως τα λίγα διαθέσιμα μοντέλα συμπεριφοράς, η έλλειψη χρήσης μεγάλων δεδομένων και η έλλειψη έμφασης σε κύκλους που καθοδηγούνται από τη βιωσιμότητα. Αντίθετα, προτείνει μια πιο ολιστική, διεπιστημονική προσέγγιση στην πρόβλεψη με οικονομικές, συμπεριφορικές και περιβαλλοντικές μεταβλητές. Τα ευρήματα υπογραμμίζουν ότι η πλήρης προβλεψιμότητα των κύκλων της ναυτιλίας εξακολουθεί να μας διαφεύγει, αλλά η χρήση της Τεχνητής Νοημοσύνης, της ανάλυσης δεδομένων και του συντονισμού πολιτικής προσφέρουν βραχυπρόθεσμες ευκαιρίες για τη σημαντική ενίσχυση της ανθεκτικότητας και της προνοητικότητας στις παγκόσμιες ναυτιλιακές αγορές.


