Prediction of Booking Cancellation in Container Shipping Industry Using Machine Learning Algorithms

Abstract

People now live in the world where border does not exist. With support of technology, we could easily order goods from different countries. As to the statistics, about 80% of the world trade is moved through seaborne transport (OECD Library, https://www.oecd-ilibrary.org/sites/). Container, which is standardized form of transportation, made trade even faster. Before containerization, goods were usually moved in a bulk cargo. Yet, after the development of the container, cargoes can be easily handled, transported and stored. This led world trade volume to increase even further. According to the OECD Library, container volume increased by 253% in year 2018 compare to year 2000. Although volume of trade increased, development in the ship building led to bigger supplies in the market. First container vessel which was deployed in year 1956 carried only 58 containers, while in year 2017, size of single container vessel has reached to transport 20,000 containers in just one voyage. In order to nourish the benefits of economic scale, shipping companies have back and forth deployed bigger vessels. Therefore supplies in the market expanded massively which is causing imbalance of supply and demand in the market. As a consequence, serious competition is dragging down the ocean freight. In this kind of market situation, customer normally have advantage of selecting the services. They can choose the service which offers the best profitability. Since there is no penalty for cancellation, customer can make duplicated booking through several companies and choose the most profitable one at its departure. As such, in the perspective of shipping company, it is crucial to predict the number of containers to be loaded and control the volume. In this article we will create the model to classify the cancellation using machine learning and neural network model through real data in the industry. As to my knowledge, research in the shipping industry using machine learning algorithm is scant and it requires more contribution.|우리는 이제 국경이라는 장벽 없이 전 세계 어디서나 상품을 쉽게 주문할 수 있는 시대에 살고 있다. 컨테이너라는 혁신적인 운송 방식의 개발과 함께 세계 무역의 약 80%는 해상 운송을 통해 움직이고 있다. 컨테이너를 통한 운송의 표준화로 무역은 한층 가속화 및 대형화되었다. 이전에는 포장 없이 벌크 형태로 운송되던 화물들이 컨테이너를 통해 표준화되면서, 운송은 한층 효율화되었다. 그 결과, 전 세계 무역량은 급증했으며, OECD의 발표에 따르면2018년 컨테이너 운송량은 2000년 대비 약 253% 증가하였다. 해상 운송의 규모가 커짐과 동시에 선박의 건조 기술 역시 발전 하였다. 컨테이너 운송이 처음 시작되던 1956년에는 겨우 58개의 컨테이너만을 수송할 수 있었던 선박이 2017년에는 한 번의 항해에 20,000개 이상의 컨테이너를 운송할 수 있는 크기로 발전하였다. 이런 발전은 시장의 공급에도 영향을 미쳤으며, 점점 커지는 선박의 크기는 수요와 공급의 불균형을 초래하였다. 결과적으로 공급 과잉은 고객들에게 더 많은 선택권을 주었으며, 해상 운임을 낮추고 있다. 고객들은 고객의 유리한 상황을 이용하여, 다수의 선사를 통해 선적하고자 하는 서비스를 검토하고, 출발 시점에서는 가장 이득이 되는 선택을 할 수 있게 되었다. 공급 과잉 시장에서 고객의 일방적인 선적 취소에도 선사들은 어떠한 조치도 취할 수가 없게 되었다. 따라서 선사는 적재될 컨테이너 의 수를 가능한 한 정확하게 예측하고 선적 수량을 극대화할 필요가 있다. 지금까지 경험적인 방법으로 진행되어 온 업무를 개선하기 위한 하나의 방안으로 이 논문에서는 실제 데이터를 활용하여 기계 학습과 신경망 모델로 선적 취소를 분류하는 모델을 개발한다. 고객이 선적 예약 시 사용한 데이터들을 추출하고, 데이터 간의 상관관계를 분석하여, 다양한 모델의 성능을 측정및 비교하여 가장 적합한 모델을 찾는다. 해운 산업에서 선적 취소에 대한 예측을 진행한 연구 사례는 찾기 어렵고, 기계 학습 및 인공지능을 활용한 연구 역시 초기 단계로 생각된다. 이 분야에 대한 지속적인 연구 및 관심이 필요해 보인다.