Maskinlæringsmodeller og værdata kan gi kostnadsbesparelser for shipping-rederiene

Marie Log Staveland og Sia Benedikte Strømsnes har gjennomført en klimarisikovurdering for trampfart shipping, altså skip som frakter last uten faste ruteplaner. Bransjen bruker en metode kalt Time Charter Equivalent (TCE) for å beregne lønnsomheten til et frakteskip. Værforhold har stor påvirkning på drivstofforbruk, men TCE baserer seg i stor grad på historiske værdata, og ikke nåsituasjonen.

I masteroppgaven har Staveland og Strømsnes presentert en metode for å bruke klimainformasjon som input til TCEer, noe som gir en mer omfattende måte å vurdere risiko på enn ved å bruke en fast værmargin. Data fra ulike kilder har vært brukt til å identifisere potensiell risiko og evaluere rutealternativer.

For å forstå hvordan værforhold, som sterk vind og bølger, påvirker drivstoffet forbruk og TCE for fartøy til sjøs hentet vi vind-, bølge- og dønningsdata fra Copernicus Marine Service (2022), og for å forutsi drivstofforbruket av rutene brukte vi maskinlæring, forklarer Staveland og Strømsnes.

Masterstudentene har kommet frem til noen anbefalinger som kan forbedre redernes sin evne til å forutsi og håndtere værrelaterte risikoer og ta mer lønnsomme beslutninger:

• Generere TCEer hvor klimainformasjon brukes som innspill for å vurdere bedre værrelaterte risikoer og deres effekter på drivstofforbruk og
• Vurderes bruk av maskinlæringsmodeller, som f.eks Random Forest, for å forutsi drivstofforbruk og optimalisere ruteplanlegging basert på værforhold.
• Evaluere sesongmessige værvariasjoner og deres effekter på drivstofforbruket.
• Bruke TCE-fordelinger for å sammenligne sannsynligheten for økende fortjeneste for forskjellige ruter og velge den med lavest drivstofforbruk og de beste værforholdene.

NHH er en av partnerne i Climate Futures. Hele masteroppgaven kan lastes ned her: Climate_Risk_Assessment_for_Tramp_Shipping_Pre_Fixture_Calculations (2)