Climate Futures har flere partnere, og en av dem er Norges Handelshøyskole (NHH). Våren 2021 veiledet lederen av Smart Shipping-noden, Roar Ådland, en masteroppgave med tittelen «Estimating weather margin seasonality in shipping using machine learning» som undersøkte sesongvariasjonen blant væravhengige shippingkostnader knyttet til drivstoff . Gode langtidsprediksjoner av værforhold på sjøen kan redusere shipping-bedrifters finansielle risiko. Denne artikkelen oppsummerer hovedpoengene i masteroppgaven og utdype litt om hvordan Climate Futures jobber i Smart Shipping-noden.
Hvorfor estimere værforhold i shippingindustrien?
Hovedgrunnen til å estimere værforhold i shippingindustrien er å kunne prise tjenestene sine bedre og dermed minimere finansiell risiko. Et av hovedmålene til Smart Shipping-noden er å måle kostnadene til opererende skip og optimere hvordan skip driftes, for eksempel gjennom valg av fart eller rute for å redusere utslipp.
Det er kanskje åpenbart at man bruker mer drivstoff i Nord-Atlanteren på vinteren enn man gjør i Sørøst-asiatiske farvann på en rolig sommerdag, men fartøysoperatører klarer ikke å tallfeste denne forskjellen for å bedre estimere hvor mye drivstoff skipene faktisk bruker. Usikkerhet i værvarslingsmodeller kombinert med svært variable værforhold gjør det vanskelig å forutse bruken av drivstoff, selv for turer som er planlagt i nær framtid. Jo lengre det er til avreise, desto vanskeligere er det å forutse hvilke værforhold man vil støte på underveis.
Så hvordan kan vi forutse forbruk av drivstoff når vi planlegger reiser flere uker, ja kanskje til og med måneder, fram i tid? Det er vanskeligere enn man kanskje tror å beregne dette uten å vite hvordan værforholdene kommer til å være. En metode er å se på historiske data – gjennomsnittlig forbruk eller værforhold langs en gitt rute på en gitt årstid, og bruke denne til å lage et estimat. For å forbedre estimatene ytterligere må man også ta høyde for det komplekse forholdet mellom mange ulike variabler, slik som lastens vekt og skipets fart, og disse variablene er ikke nødvendigvis kjent på forhånd.
Hvorfor bruke sesongvarsling i shippingindustrien?
Det er ikke nødvendigvis så vanskelig å beregne forbruk av drivstoff relativt nøyaktig, men å forutse værforholdene er verre. Vanligvis har man tilgang på værvarsler, men de varsler ikke været langt nok frem i tid. Her kommer sesongvarsling inn i bildet.
I denne masteroppgaven ble det laget maskinlæringsverktøy som lagde nøyaktige beregninger innenfor en margin på 2-3%. Likevel kan disse bare brukes hvis værforholdene er kjent. Turene planlegges flere uker fram i tid, og man kan dermed ikke bruke kortsiktige værvarsler direkte for å beregne forbruk av drivstoff.
Behovet for sesongvarsling blir klart når man ser på variasjonen i beregningenes nøyaktighet: når værforholdene er kjent kan de beste modellene beregne forbruket for en tur med en lav ensifret feilprosent. Når værforholdene ikke er kjent ender man opp med brede forbruksestimater som er ganske unøyaktige. Sesongvarsling er et viktig verktøy som kan bidra til å forbedre nøyaktigheten til varslene og redusere usikkerheten.
Det finnes flere grunner til at sesongvarsler er viktige i shipping. For det første vet vi at været har en direkte påvirkning på etterspørsel etter shipping. Ekstremt kaldt eller varmt vær påvirker for eksempel energietterspørselen, og implisitt etterspørselen etter global transport av gass og andre energikilder. Nedbørsmønster påvirker også høstingen av korn og andre landbruksprodukter og bidrar til redusert eksport av disse ved å ødelegge infrastrukturen gjennom oversvømmelser av gruver, jernbaner eller ved å påvirke vannstanden i en elv. Ved å ha bedre kontroll på denne type risiko kan shippingbedrifter etablere en bedre posisjon globalt, både ved å forbedre økonomisk prestasjon, men også ved å redusere flåtens fysiske risiko.
Om masteroppgaven
Metoden beskrevet i denne masteroppgaven bruker offentlig tilgjengelig historisk værdata sammen med mer tradisjonelle maskinlæringsmodeller for å estimere forbruk av drivstoff. Denne tilnærmingen gjør forbruksmodellene mer generaliserte og enklere å sammenligne med andre modeller. Videre er sesongvarslinger relevante for shippingoperatører, da de kan generere gode estimater lengre fram i tid. Ved å ha tilgang til bedre modeller og bedre estimater av drivstofforbruket kan shippingindustrien bli både mer effektiv og mer bærekraftig.
Gode modeller for drivstofforbruk finnes allerede, og noen av dem har til og med brukt tredjepartsdata, slik som denne masteroppgaven har. Det som er nytt med denne oppgaven derimot er at forfatterne bruker en kombinasjon av historiske værdata og modeller for drivstofforbruk. De bruker trente modeller som tar høyde for relasjonen mellom vær og forbruk av drivstoff sammen med historisk værdata for å beregne forbruk gitt de historiske værforholdene på ruten. På den måten kan de bruke maskinlæringsmodeller for å gjøre beregninger uten å vite værforholdene. Ved å støtte seg på historiske data i stedet kan de kalkulere forventet forbruk og forbruksvariasjon for en gitt reise.
Rammeverket som ble presentert i denne masteroppgaven indikerer kostnadene og risikoen forbundet med rutevalg og dermed forbedre prisingen av lasten. Denne forskningen er et godt eksempel på hvordan Climate Futures tar rådata og gjør det om til noe nyttig som kan brukes i den virkelige verden.
Figuren over illustrerer hvordan modellene som er brukt i denne oppgaven indikerer drivstofforbruk øker på vinteren, og det er to hovedgrunner til dette. For det første er vinteren preget av mer ustabile værforhold som gjør at man forbruker mer drivstoff. I tillegg har reiser på vinteren en tendens til å vare over flere dager, noe som også øker reisens totale drivstofforbruk sammenlignet med sommeren.
Disse resultatene viser at nøyaktige værvarslinger er nyttige for å bedre kunne beregne forbruket av drivstoff i vinterhalvåret. Begrepet værmarginer i denne oppgaven refererer til en «økning i forbruk grunnet værforhold sammenlignet med forbruk under optimale forhold» (Nilsson & Nilsson, 2021).
I dag er markedet for bunkersolje mye sterkere økonomisk enn det har vært de siste årene. Dette gjør at relativt små besparelser på drivstoff er mindre viktig enn å øke utbytte gjennom å ha flere skip i drift samtidig. Derfor risikerer operatører av bunkersolje å bruke mer penger enn nødvendig på drivstoff hvis det betyr at flere av fartøyene deres er i drift. Markedet er likevel syklisk, og til tross for dagens sterke økonomi vil skipseiere og operatører på et tidspunkt måtte fokusere på de små kostnadene som en konsekvens av at markedet vil svinge nedover igjen, og da vil beregning av drivstofforbruk bli prioritert.
For å oppsummere kan man dermed si at mer nøyaktige værvarslinger kan resultere i bedre beregninger av værmarginer som fører til mer nøyaktig beregning av drivstofforbruk. Videre kan dette potensielt gi en bedre indikasjon på kostnader og risiko forbundet med en spesifikk rute, som kan bli brukt til å forbedre prisingen av lasten i shippingindustrien.
Hvordan vil Smart Shipping-noden jobbe videre på dette feltet?
Som en videreføring av denne masteroppgaven har Smart Shipping-noden planer om å undersøke to relaterte praktiske anvendelser. Først vil vi prøve å modellere hvordan økt havtemperatur påvirker marin vekst på skipsskrog, som igjen fører til høyere drivstofforbruk. Videre vil vi se på hvilken effekt sesongvariasjoner i vannstanden til elver i Sør Amerika har på etterspørselen av skip, og hvordan det påvirker prisingen av lasten for operatører, slik som blant annet vår partner Western Bulk. Mye av dette arbeidet vil også bli utført i form av masteroppgaver på NHH.
Avslutningsvis er det verdt å nevne at å estimere bruken av drivstoff basert på historisk data kan være problematisk med et klima i rask endring. De neste 20 årene vil med all sannsynlighet i økende grad bli påvirket av ekstremvær, mye mer enn de forrige 20 årene har vært. Klimaendringer fører til at estimering av værforhold basert på tidligere år gir resultater som ikke nødvendigvis kommer til å stemme like godt. En videreføring av dette arbeidet kan være å se på hvordan økende ustabile værforhold i framtiden vil øke kostnaden av internasjonal transport til havs. Dette er noe Climate Futures vurderer å jobbe videre med.
Referanser/videre lesning:
Nilsson, J. & Nilsson, M. (2021). Estimating weather margin seasonality in shipping using machine learning. Master’s thesis, NHH.
