J Navig Port Res > Volume 45(3); 2021 > Article
컨테이너터미널 장치장 점유율 추정 연구: 부산항 신항 컨테이너 터미널을 중심으로

요 약

컨테이너터미널 운영에서 안벽영역의 장비와 기술이 발전함에 따라 항만운영의 정체가 장치장으로 이전되었다. 따라서 장치장 관리가 터미널 운영 전반에 미치는 영향이 매우 커졌다. 이에 따라 컨테이너터미널 장치장 운영의 최적화를 위한 연구가 많이 수행되었으나 장래 장치장 점유율 변화 자체를 추정한 연구는 없는 실정이다. 본 연구는 부산항 신항을 대상으로 시간의 경과에 따른 확률의 변화를 설명하는 마코프 체인을 적용하여 부산항 신항 컨테이너 터미널의 장치장 점유율 수준에 대한 확률을 분석하였다. 분석결과 부산항 신항의 장치장 점유율은 향후에도 높은 수준을 유지할 확률이 큰 것으로 나타났다.

ABSTRACT

With advancements of quay side handling equipment and technologies, congestion in terminal operation has moved to the storage yard side from the quay side. The importance of storage yard management has increased in overall terminal operation. Thus, many studies have been conducted to optimize the storage yard management of container terminals. However, there is no academic work to estimate the change of storage yard occupancy ratio by itself in the future. This paper examines the probability of storage yard occupancy ratio in the container terminal of Busan New port using the Markov chain analysis which explains probability change with passing time. The result shows that it is most likely to have the probability of maintaining a high level of storage yard occupancy ratio in the container terminal of Busan New Port.

1. 서 론

컨테이너터미널 운영에서 안벽영역의 하역장비와 기술이 발전함에 따라 터미널 운영의 정체가 안벽에서 장치장으로 이전되었다(Chang, et al., 2010). 그러나 컨테이너터미널은 개발 단계에서 운영 상황을 사전에 파악하기 어렵고(Alcade et al., 2015), 개발 이후에는 규모를 변경하기 어려운 경직성을 가지고 있어 물동량 증가에 탄력적으로 대응하기도 어렵다(Hu et al., 2021; Tan et al., 2017). 이러한 컨테이너터미널의 구조적 한계와는 별개로 전 세계 컨테이너 물동량은 지속적으로 증가하고 있고, 환적중심 항만과 같은 대형 항만들은 허브 기능 확보 및 유지를 위한 경쟁도 치열해졌다. 따라서 시간당 처리능력, 선석 점유율, 장치장 점유율, 장치기간, 장비가용성 및 트럭회전시간 등 컨테이너터미널의 성과를 평가하여 터미널 운영을 안정적으로 이어나가기 위해 다양한 성과지표가 제시되고 있다(Drewry, 2014). 이 중 장치장 점유율은 컨테이너 터미널 운영에 가장 크게 영향을 미치는 요인이며(Zhen, 2016), 안벽, 게이트 등 터미널의 다른 영역에까지도 많은 영향을 미친다. 왜냐하면, 컨테이너 장치장 점유율이 일정 수준을 초과하면 운영 효율성의 저하뿐만 아니라 터미널 운영자체가 중단될 수도 있기 때문이다. 과거 한진해운 파산으로 부산항의 컨테이너 화물이 외부로 빠져나가지 못하여 장치장 점유율이 크게 증가하면서 정상적인 터미널 운영을 할 수 없는 수준까지 간 것이 대표적인 사례라 할 수 있다. 또한 장치장 점유율이 위험 수준까지 증가할 경우 터미널운영사는 장치장 내 컨테이너의 신속한 회전을 위해 무료장치기간을 줄이게 되고, 이는 화주에게까지 직접 피해를 주게 되어 물류 공급망 전체에 미치는 영향이 매우 크다고 할 수 있다. 이러한 장치장 점유율 문제는 수출입 화물을 주로 처리하는 항만보다 부산항과 같이 환적화물 중심의 대형 환적항만에서 더 큰 문제로 발생할 수 있어 효율적 관리가 중요하다.
이와 같은 이유로 장치장 운영 방식, 장치 위치 결정 및 할당, 운영 최적화 등을 위한 많은 연구가 다양한 기준과 방법론을 적용하여 수행되어 왔다. 그러나 대부분의 선행연구들은 특정 조건을 가정하고 그 가정하에 최적의 결과값과 대안을 도출하는 것이 일반적이다. 실제 운영상황에 있어서는 향후의 장치장 점유율이 어느 수준까지 증가할 것인지를 예측하는 것도 매우 중요하다. 그러나 현재까지 장치장 점유율 자체의 추정을 시도한 연구는 많지 않다. 특히, 부산항과 같이 환적중심의 대형항만은 장치장 점유율에 대한 예측을 통해 사전적인 시설확보 계획을 수립하는 것이 안정적인 터미널 운영과 환적 경쟁력 유지를 위해 매우 중요하다. 이에 본 연구는 부산항 신항의 컨테이너터미널을 대상으로 미래 장치장 점유율을 추정하기 위해 마코프 체인의 적용을 시도하였다. 마코프 체인은 미래 특정대상의 상태확률을 비교적 단순하게 추정할 수 있는 기법으로 다양한 많은 분야에서 적용되고 있고 컨테이너 터미널의 장치장 점유율 수준을 예측하는데도 유용할 것으로 판단된다. 이를 위해 본 연구는 2장에서 컨테이너 터미널 장치장과 관련한 연구와 마코프 체인 관련 연구 등 선행연구를 검토하였다. 3장에서는 마코프 체인에 대한 방법론을 개략적으로 살펴보고, 4장에서는 부산항 신항 5개 컨테이너터미널의 실적을 기반으로 실증분석을 수행하고 마지막에는 연구의 결론과 향후 연구과제를 제시하였다.

2. 선행연구

컨테이너터미널의 장치장을 대상으로 한 연구는 광범위하게 수행되어 왔다. 그 간에 수행된 선행연구들을 종합적으로 보면, 컨테이너 장치위치 결정 및 할당에 관한 연구(Choi and Ha, 2005; Ahn et al., 2006; Bae et al., 2006; Sohn et al., 2010; Sauri and Martin, 2011, Sharif and Huynh, 2013, Zhen, 2016, He et al., 2020), 장치장의 효율적인 운영방법(Tan et al., 2017; Jang and Lee, 2018; Hu et al., 2021), 장치장 하역장비의 사용계획(Jiang and Jin, 2017; He et al, 2019) 등으로 구분할 수 있다. 각 주제별로 분석을 위한 방법론도 휴리스틱, 정수계획법, 선형계획법, 라그랑주승수법 등에 기반 한 시뮬레이션을 통해 해법을 찾는 방식이 대부분이다. 본 연구에서 수행하고자 하는 장치장 점유율을 간접적으로 분석한 연구도 일부 수행되었다. Song et al.(2006)은 장치장 할당방식인 Grouping 방식과 Random Grouping 방식을 비교하여 Random Grouping 방식이 장치장 점유율을 더 낮출 수 있는 것으로 제시하였다. Jang and Lee(2018)는 부산항의 장치장 부족 해소를 위해 공유개념을 제시하고 이를 통해 장치장 면적을 약 18% 추가적으로 확보하는 효과가 있는 것으로 분석하였다. Hu et al.(2021)의 연구에서도 컨테이너터미널의 장치장을 공유할 경우(61.84%) 그렇지 않은 경우(76.25%)보다 평균 장치장 점유율이 더 낮은 것으로 분석하였다. 그러나 이러한 연구들 또한 장래 장치장 점유율 수준을 분석한 것이 아니라 특정조건에서 운영 방식별 장치장 점유율 수준을 비교 제시한 것이다.
마코프 체인은 개발 초기에는 기상학과 물리학 등 제한된 분야에 적용되어 왔으나 그 효용성이 검증되고 방법론도 대폭 개선되면서 경영학, 공간계획, 가구구조, 의학, 산업공정 등 다양한 분야로 확대 적용되고 있다(Son, 2015). 최근에는 몬테카를로마코프, 은닉 마코프 체인 등 그 방법론도 크게 확장되고 있다. 항만분야에 마코프 체인 분석을 적용한 연구는 거의 없는 실정이나, 최근 Pruyn et al.(2020)의 연구에서 마코프 체인을 적용하여 세계 주요 항만의 선박 대기율 수준 추정을 시도하였다.
이상의 선행연구들을 종합해 보면 앞서 본문에서 언급한바와 같이 컨테이너장치장과 관련한 선행연구들은 특정 조건을 가정하고 최적 장비 운용, 장치장의 할당, 장치위치 결정 등을 파악하는 것이었다. 본 연구는 확률적 관점에서 부산항 신항의 장치장 점유율 자체가 어떤 수준의 상태로 변해갈 것인가를 추정한 것으로서 접근 개념과 방법에서 선행연구와 기본적인 차별성이 확보된다고 할 수 있다. 또한, 마코프 체인은 다양한 분야의 예측 연구에 폭넓게 적용되어 효용성이 검증되었고, 예측 연구에서 널리 사용되는 회귀분석에 비해 관찰사례가 적고 불특정 패턴을 가진 자료의 분석에 매우 유용하게 사용되고 있다(Son, 2015). 부산항 신항의 장치장 점유율은 분석을 위해 확보 가능한 자료가 회귀분석을 수행하기에는 적고 월별로 일정한 패턴을 보이지 않는 특성이 있기 때문에 마코프 체인을 적용하는 것이 타당하다고 판단하였다. 아울러 터미널 운영사, 항만당국이 본 연구에서 제시된 방법과 결과를 활용하여 미래의 장치장 점유율 수준을 선제적으로 파악하여 충분한 시설확보 계획을 수립하고 터미널을 안정적으로 운영하는 데도 기여할 것으로 예상된다.

3. 연구방법

본 연구는 부산항 신항을 사례로 향후 장치장 점유율이 어떻게 변화할 것인가의 추정을 위한 연구로서, 시간의 경과에 따라 장치장 상태의 변화를 예측할 수 있는 마코프 체인을 적용하였다. 마코프 체인의 장점은 과거의 상태가 주어졌을 때 미래의 상태는 과거 전체의 상태에 영향을 받는 것이 아니라 직전의 상태에 의해서 영향을 받는다는 마코프 상태를 가정한 것으로 복잡한 확률문제를 단순하게 표현할 수 있는 장점을 가지고 있다. 즉, 과거 X0, X1, X2 ...이 주어지고 현재를 Xn이라 했을 때 미래 Xn + 1은 현재 Xn에 의해서만 영향을 받고, 미래와 과거는 조건부 독립을 가정한 것으로 다음과 같다.
(1)
P(Xn+1=j|Xn=i,Xn-1=in-1,Xn-2=in-2,.,X0=i0)=P(Xn+1=j|Xn=i)=qij
여기서, qij는 전이확률을 의미하고, ∀ij ≥ 0이다. 전이행렬 Q = (qij)는 M×M 행렬이며, 각 열의 합은 1이다. 만약 Xn이 열벡터(1×M)인 S(S1, S2,...,SM)의 분포를 가진다면 Xn + 1의 확률은 다음과 같다.
(2)
P(xn+1=j)=iP(Xn+1=j|Xn=i)P(Xn=i)=isiqij=SQ
여기서, Si를 초기상태확률이라 한다. 초기상태확률은 현재 시점의 분포로 적용할 수 있고, 과거 일정기간 상태의 총합에서 각 성분의 비율로도 산정할 수 있으며, 총합은 1이 된다. 따라서 SQn+1의 확률분포이고, n+2의 확률분포 SQ2는 다음과 같다.
(3)
P(Xn+2=j|Xn=i)=kP(Xn+2=j|Xn+1=k,Xn=i)P(Xn+1)=k|Xn=i)=kqikqkj=SQ2
이러한 과정의 반복을 통해 m단계 j의 상태확률은  i = Siqijm = SQm 이 된다. 또한, 마코프 체인은 여러 단계의 전이과정을 거치면서 특정 단계에서는 안정화된 확률분포로 수렴된다. 즉, 전이확률 qij가 변화되지 않는 한 상태확률이 바뀌지 않는 안정화된 상태에 있게 되는 것으로 다음과 같다.
(4)
SQ=S

4. 자료 및 실증분석

4.1 분석자료

본 연구에서는 부산항 신항 5개 컨테이너 터미널(PNIT, PNC, HJNC, PSA-HPNT, BNCT)과 신항 전체의 월간 평균 장치장 점유율을 사용하였다. 최근 4년간(2017∼2020년) 부산항 신항 컨테이너터미널의 연도별 평균 장치장 점유율은 물동량 증가에 따라 지속적인 증가추세에 있다(Table 1).
본 연구에서 사용한 자료기간은 최근의 상태를 보다 잘 반영하기 위해 2019년∼2020년간 24개월 자료를 사용하였다(Table 3). 이 중 2020년은 코로나-19의 영향에 따른 하반기 물동량 쏠림현상으로 장치장 점유율이 비정상적으로 증가한 부분이 있어 적용한 데이터의 신뢰성 문제가 제기될 수 있을 것이다. 그러나 최근 글로벌 펜데믹, 수에즈운하 봉쇄, 정치적 이슈 등 대외적 충격이 다양해지고 빈번해지는 대외환경의 불확실성을 고려한다면 특수한 시기의 상황도 분석에 포함하는 것이 타당할 것으로 판단하였다. 본 연구에 적용한 분석자료의 일반현황은 Table 2와 같다. 분석 기간 동안 터미널별 월별 평균 장치장 점유율은 HNJC가 74.5%로 가장 높고, BNCT가 66.6%로 가장 낮은 것으로 나타났으며 월별 점유율은 일정하지 않은 수준을 보이고 있다. 신항 전체적으로는 70.9%로 비교적 높은 수준으로 나타났다. 각 터미널별 장치장 점유율의 표준편차를 보면 점유율이 가장 높은 HJNC가 8%로서 변동율이 가장 크고, PNIT가 4.8%로 가장 적은 것으로 나타났다. 신항 전체의 변동율은 4.3% 수준으로 나타났다.

4.2 실증분석

본 연구는 부산항 신항 5개 터미널과 신항 전체 등 6가지 경우를 분석하였다. 마코프 체인의 적용을 위해서는 우선 전이확률에 대한 산정이 필요하고, 전이확률의 산정을 위해서는 임계점의 범위 설정이 중요하다. 본 연구에서는 Drewry(2014)에서 제시한 기준을 적용하고자 한다. 실제 운영관점에서는 운영에 차질을 주는 장치장 점유율 수준에 대한 다양한 의견이 존재한다. 그러나 본 연구에서는 가장 광범위하게 조사되고 보편적으로 적용할 수 있는 기준 적용을 위해 Drewry의 조사자료를 적용하였다. Drewry(2014)는 전 세계 주요 컨테이너터미널 조사를 통해 장치장 점유율이 70%를 넘어서면 운영의 비효율이 발생한다고 제시하고 있다. 또한 상태집단의 수가 너무 많으며 행렬식이 복잡해지고 빈도가 없는 값이 생겨 최종 산출되는 확률값이 부정확해질 수 있는 문제점이 있어(Son, 2015), 본 연구에서는 가장 단순한 형태로 권유되고 있는 3개 집단으로 구분하였다(Kim, 2006; No and Kim, 2012). 즉, S1 은 장치장 점유율 60% 이하, S2는 60~70%, S3은 70% 이상으로 하였다.
따라서 본 연구의 전이행렬은 다음과 같다.
(5)
Q=(S11S12S13S21S22S23S31S32S33)
이상의 기준을 상태집합에 적용하면 Table 4와 같다. 상태집합에 기반한 터미널별 전이확률(qij)은 Table 5Table 6과 같이 산출된다.
다음으로 초기확률(Si)은 Table 7과 같다. 초기확률은 일정기간의 상태집합 빈도로 설정하거나, 바로 직전 상태로 설정할 수 있으나 안정화 상태의 확률은 동일하게 나타난다. 본 연구는 부산항 신항 컨테이너터미널을 대상으로 향후 장치장 점유율 수준의 추정을 시도해보는 목적으로 수행하였기 때문에 단순하게 적용할 수 있는 분석기간 전월의 상태를 초기확률로 적용하였다.
이상 도출된 전이확률과 초기상태확률을 적용하여 미래 장치장 점유율의 추정결과는 Table 8과 같다. 우선 전체적으로 보면 장치장 점유율이 S2 상태(60~70%)일 확률이 높은 터미널은 PNIT와 BNCT일 것으로 나타났고, 상태가 S3(70%이상)일 확률이 높은 터미널은 PNC, HJNC, PSA-HPNT일 것으로 나타났다. 부산항 신항 전체적으로는 S3일 확률이 보다 높을 것으로 추정되었다. 터미널별로 살펴보면 PNIT는 S2일 확률이 높은 것으로 나타났지만 S3에 비해 미세하게 높은 수준이고, BNCT는 향후 장치장 점유율이 S2일 확률이 매우 높은 것으로 나타났다. PNC, HJNC, PSA-HPNT 3개 터미널은 장치장 점유율이 S3일 확률이 S2에 비해 월등하게 높은 것으로 나타났다. 특히, HJNC는 S3 확률이 70%로 가장 높게 나타났다. 부산항 신항 전체적으로도 S3가 소폭이지만 S2에 비해 높은 확률을 보이고 있어 부산항 신항 장치장 점유율에 대한 분명한 대책이 필요하다는 것을 알 수 있다. 특히 부산항 신항은 부산항 환적화물의 76.9%를 처리(BPA, 2020)하고 있는 환적거점으로 높은 장치장 점유율로 인한 서비스 경쟁력 저하는 휘발성이 강한 것으로 평가(Notteboom et al, 2019)되는 환적화물에 유치에 장애요인으로 작용할 가능성도 높을 것으로 판단된다.

5. 결 론

본 연구에서는 부산항 신항을 사례로 5개 컨테이너터미널과 신항 전체의 향후 장치장 점유율 추정을 시도하였다. 이를 위해 시간의 경과에 따른 상태확률의 변화를 추정할 수 있는 마코프 체인 분석 방법을 적용하였다. 추정결과 부산항 신항의 3개 터미널(PNC, HJNC, PSA-HPNT)은 향후 장치장 점유율이 70% 이상 수준을 유지할 확률이 더욱 높은 것으로 나타났으며, 부산항 신항 전체적으로도 장치장 점유율이 70% 이상일 확률이 높은 것으로 추정되었다. 본 연구 본문에서 밝힌바와 같이 컨테이너터미널의 장치장 점유율이 70%를 넘어서면 운영상의 비효율이 발생하기 시작한다. 부산항은 환적중 심항만을 지향하는 항만으로서 장치장 점유율에 대한 관리가 매우 중요한 문제로 판단된다. 그러나 현재 운영 중인 부두에 대한 해결 대안을 제시하는 것은 어려운 문제이다. 본 연구에서 제시한 바와 같이 항만시설은 개발 이후 규모를 변경하기 어려운 구조적 한계점이 있기 때문이다. 단기적으로 대응 가능한 대안으로 ODCY의 설치 운영이 제시될 수 있으나 이는 화주의 물류비용 증가, 배후 교통량 유발 등 다른 사회적 문제를 발생시킬 가능성이 높고 이의 이유로 부산항은 On-Dock 체계로 운영되고 있다. 또한, Jang and Lee(2018)의 연구에서 제시한 것과 같이 터미널간 시설 공유를 통해 단기적 어려움은 해소 가능할 것으로 판단되나 터미널 간 합의에 기반해야 하고 합의도 쉽지 않은 한계점이 있다. 이러한 관점에서 보면 신규로 공급될 예정인 부산항 신항 서측 컨테이너터미널의 신속한 개장과 더불어 장기적으로도 부산항의 증가하는 물동량의 안정적 처리를 위한 진해신항의 조속한 추진을 통해 시설을 확충하는 것이 중요하다고 판단된다. 장치장 부족은 시설 부족의 관점에서 이해될 수 있기 때문이다. 또한 최근 증가하는 대외환경의 불확실성을 고려한다면 비정상적인 장치장 점유율의 빈번한 증가도 예상된다. 따라서 이러한 비정상적 상황에 탄력적으로 대응하기 위한 전략적 유보지 확보를 검토해 볼 필요성이 있다고 판단된다. 항만의 리질리언스 확보 차원에서 전략적 유보지는 효과적인 대안이 될 수 있을 것으로 판단되기 때문이다.
본 연구는 그 간 수행되지 않은 장래 장치장 점유율 수준에 대한 확률적 가능성에 대해서만 수행하여 높은 수준의 장치장 점유율 결정요인 규명과 다른 방법론을 통한 추정값과의 비교는 수행하지 못한 한계점이 있다. 따라서 향후에는 컨테이터미널 장치장 점유율을 결정하는 중요요인에 대한 분석을 통해 장치장 점유율을 적정한 수준으로 관리할 수 있는 있는 방안을 도출하는 연구와 마코프 체인을 통한 분석방법의 타당성을 검증하는 추가 연구가 필요할 것으로 판단된다.

Table 1.
Average yard occupancy ratio of each year
Year PNIT PNC HJNC PSAHPNT BNCT New-Port
2017 57.4% 69.5% 59.2% 56.9% 59.8% 60.6%
2018 63.1% 73.9% 64.8% 63.0% 66.8% 66.3%
2019 64.9% 70.0% 67.8% 71.7% 64.4% 67.8%
2020 71.6% 75.3% 81.2% 73.0% 68.9% 74.0%
Table 2.
Status of yard occupancy ratio of each terminal
PNIT PNC HJNC PSAHPNT BNCT New-Port
Avg. 68.2% 72.7% 74.5% 72.4% 66.6% 70.9%
STEV. 4.8% 5.3% 8.0% 5.3% 5.4% 4.3%
Table 3.
Yard occupancy ratio of each terminal
Mon. PNIT PNC HJNC PSAHPNT BNCT New= Port
01/19 66.1% 65.5% 64.8% 74.0% 65.0% 67.1%
02/19 67.2% 73.3% 68.7% 73.8% 67.7% 70.1%
03/19 63.2% 64.6% 67.5% 72.3% 56.0% 64.7%
04/19 60.0% 68.9% 69.9% 73.2% 65.7% 67.6%
05/19 64.9% 67.9% 67.2% 73.3% 66.4% 67.9%
06/19 66.0% 66.7% 65.4% 69.1% 68.2% 67.1%
07/19 64.3% 67.4% 69.1% 69.8% 69.3% 68.0%
08/19 65.3% 71.5% 71.8% 75.2% 64.6% 69.7%
09/19 58.6% 67.8% 63.4% 69.7% 59.0% 63.7%
10/19 65.6% 79.0% 72.7% 73.9% 64.7% 71.2%
11/19 70.9% 74.8% 70.1% 72.0% 59.6% 69.5%
12/19 66.1% 72.5% 63.1% 64.4% 66.8% 66.6%
01/20 74.0% 76.9% 73.5% 67.3% 68.0% 71.9%
02/20 69.1% 78.7% 81.4% 70.9% 64.0% 72.8%
03/20 74.5% 81.2% 82.2% 66.0% 57.0% 72.2%
04/20 70.5% 80.1% 87.3% 78.2% 66.0% 76.4%
05/20 74.3% 81.2% 84.7% 74.7% 79.0% 78.8%
06/20 75.4% 71.5% 88.1% 74.9% 76.0% 77.2%
07/20 67.1% 66.5% 85.6% 63.5% 66.9% 69.9%
08/20 63.4% 67.9% 72.2% 61.8% 66.3% 66.3%
09/20 71.9% 76.2% 76.0% 77.5% 71.6% 74.6%
10/20 72.4% 74.9% 82.6% 83.3% 73.8% 77.4%
11/20 73.2% 71.4% 82.3% 78.5% 69.6% 75.0%
12/20 73.2% 77.2% 78.5% 79.7% 68.3% 75.4%

Source : Internal data of Busan Port Authority, 2021

Table 4.
Storage yard occupancy ratio and state of each terminal
Time PNIT PNC HJNC PSA-HPNT BNCT New-port
Ratio State Ratio State Ratio State Ratio State Ratio State Ratio State
01/2019 66.1% S2 65.5% S2 64.8% S2 74.0% S3 65.0% S2 67.1% S2
02/2019 67.2% S2 73.3% S3 68.7% S2 73.8% S3 67.7% S2 70.1% S3
03/2019 63.2% S2 64.6% S2 67.5% S2 72.3% S3 56.0% S1 64.7% S2
04/2019 60.0% S2 68.9% S2 69.9% S2 73.2% S3 65.7% S2 67.6% S2
05/2019 64.9% S2 67.9% S2 67.2% S2 73.3% S3 66.4% S2 67.9% S2
06/2019 66.0% S2 66.7% S2 65.4% S2 69.1% S2 68.2% S2 67.1% S2
07/2019 64.3% S2 67.4% S2 69.1% S2 69.8% S2 69.3% S2 68.0% S2
08/2019 65.3% S2 71.5% S3 71.8% S3 75.2% S3 64.6% S2 69.7% S2
09/2019 58.6% S1 67.8% S2 63.4% S2 69.7% S2 59.0% S1 63.7% S2
10/2019 65.6% S2 79.0% S3 72.7% S3 73.9% S3 64.7% S2 71.2% S3
11/2019 70.9% S3 74.8% S3 70.1% S3 72.0% S3 59.6% S1 69.5% S2
12/2019 66.1% S2 72.5% S3 63.1% S2 64.4% S2 66.8% S2 66.6% S2
01/2020 74.0% S3 76.9% S3 73.5% S3 67.3% S2 68.0% S2 71.9% S3
02/2020 69.1% S2 78.7% S3 81.4% S3 70.9% S3 64.0% S2 72.8% S3
03/2020 74.5% S3 81.2% S3 82.2% S3 66.0% S2 57.0% S1 72.2% S3
04/2020 70.5% S3 80.1% S3 87.3% S3 78.2% S3 66.0% S2 76.4% S3
05/2020 74.3% S3 81.2% S3 84.7% S3 74.7% S3 79.0% S3 78.8% S3
06/2020 75.4% S3 71.5% S3 88.1% S3 74.9% S3 76.0% S3 77.2% S3
07/2020 67.1% S2 66.5% S2 85.6% S3 63.5% S2 66.9% S2 69.9% S2
08/2020 63.4% S2 67.9% S2 72.2% S3 61.8% S2 66.3% S2 66.3% S2
09/2020 71.9% S3 76.2% S3 76.0% S3 77.5% S3 71.6% S3 74.6% S3
10/2020 72.4% S3 74.9% S3 82.6% S3 83.3% S3 73.8% S3 77.4% S3
11/2020 73.2% S3 71.4% S3 82.3% S3 78.5% S3 69.6% S2 75.0% S3
12/2020 73.2% S3 77.2% S3 78.5% S3 79.7% S3 68.3% S2 75.4% S3
Table 5.
Transition probability of PNIT, PNC, HJNC and PSA-HPNT
Terminal State S1 S2 S3 Total Terminal State S1 S2 S3 Total
PINT S1 0 1 0 1 HJNC S1 1 0 0 1
S2 1 8 4 13 S2 0 6 3 9
S3 0 3 6 9 S3 0 2 12 14
State S1 S2 S3 Total State S1 S2 S3 Total
S1 0.0000 1.0000 0.0000 1.0000 S1 1.0000 0.0000 0.0000 1.0000
S2 0.0769 0.6154 0.3077 1.0000 S2 0.0000 0.6667 0.3333 1.0000
S3 0.0000 0.3333 0.6667 1.0000 S3 0.0000 0.1429 0.8571 1.0000
PNC State S1 S2 S3 Total PSA-HPNT State S1 S2 S3 Total
S1 1 0 0 1 S1 1 0 0 1
S2 0 5 4 9 S2 0 3 5 8
S3 0 3 11 14 S3 0 5 10 15
State S1 S2 S3 Total State S1 S2 S3 Total
S1 1.0000 0.0000 0.0000 1.0000 S1 1.0000 0.0000 0.0000 1.0000
S2 0.0000 0.5556 0.4444 1.0000 S2 0.0000 0.3750 0.6250 1.0000
S3 0.0000 0.2143 0.7857 1.0000 S3 0.0000 0.3333 0.6667 1.0000
Table 6.
Transition probability of BNCT and New-port
Terminal State S1 S2 S3 Total
BNCT S1 0 4 0 4
S2 4 9 2 15
S3 0 2 2 4
S1 S2 S3 Total
S1 0.0000 1.0000 0.0000 1.0000
S2 0.2667 0.6000 0.1333 1.0000
S3 0.0000 0.5000 0.5000 1.0000
New-port S1 S2 S3 Total
S1 1 0 0 1
S2 0 8 4 12
S3 0 3 8 11
S1 S2 S3 Total
S1 1.0000 0.0000 0.0000 1.0000
S2 0.0000 0.6667 0.3333 1.0000
S3 0.0000 0.2727 0.7273 1.0000
Table 7.
Initial state of each terminal
Terminal State S1 S2 S3
HPNT S0 0.0000 0.0000 1.0000
PNC S0 0.0000 0.0000 1.0000
HJNC S0 0.0000 0.0000 1.0000
PSA-HPNT S0 0.0000 0.0000 1.0000
BNCT S0 0.0000 1.0000 0.0000
New-port S0 0.0000 0.0000 1.0000
Table 8.
Estimation result of each terminal and New-port
PNIT PNC
S1 S2 S3 S1 S2 S3
1 0.0000 0.3333 0.6667 0.0000 0.2143 0.7857
2 0.0256 0.4274 0.5470 0.0000 0.2874 0.7126
3 0.0329 0.4710 0.4962 0.0000 0.3124 0.6876
4 0.0362 0.4881 0.4757 0.0000 0.3209 0.6791
5 0.0375 0.4952 0.4673 0.0000 0.3238 0.6762
6 0.0381 0.4980 0.4639 0.0000 0.3248 0.6752
7 0.0383 0.4992 0.4625 0.0000 0.3251 0.6749
8 0.0384 0.4997 0.4619 0.0000 0.3252 0.6748
9 0.0384 0.4999 0.4617 0.0000 0.3253 0.6747
10 0.0385 0.4999 0.4616 0.0000 0.3253 0.6747
11 0.0385 0.5000 0.4616 0.0000 0.3253 0.6747
12 0.0385 0.5000 0.4615 0.0000 0.3253 0.6747
HJNC PSA-HPNT
S1 S2 S3 S1 S2 S3
1 0.0000 0.1429 0.8571 0.0000 0.3333 0.6667
2 0.0000 0.2177 0.7823 0.0000 0.3472 0.6528
3 0.0000 0.2569 0.7431 0.0000 0.3478 0.6522
4 0.0000 0.2774 0.7226 0.0000 0.3478 0.6522
5 0.0000 0.2882 0.7118 0.0000 0.3478 0.6522
6 0.0000 0.2938 0.7062 0.0000 0.3478 0.6522
7 0.0000 0.2968 0.7032 0.0000 0.3478 0.6522
8 0.0000 0.2983 0.7017 0.0000 0.3478 0.6522
9 0.0000 0.2991 0.7009 0.0000 0.3478 0.6522
10 0.0000 0.2995 0.7005 0.0000 0.3478 0.6522
11 0.0000 0.2998 0.7002 0.0000 0.3478 0.6522
12 0.0000 0.2999 0.7001 0.0000 0.3478 0.6522
BNCT New-port
S1 S2 S3 S1 S2 S3
1 0.2667 0.6000 0.1333 0.0000 0.2727 0.7273
2 0.1600 0.6933 0.1467 0.0000 0.3802 0.6198
3 0.1849 0.6493 0.1658 0.0000 0.4225 0.5775
4 0.1732 0.6574 0.1695 0.0000 0.4392 0.5608
5 0.1753 0.6523 0.1724 0.0000 0.4457 0.5543
6 0.1740 0.6529 0.1732 0.0000 0.4483 0.5517
7 0.1741 0.6523 0.1736 0.0000 0.4493 0.5507
8 0.1739 0.6523 0.1738 0.0000 0.4497 0.5503
9 0.1739 0.6522 0.1739 0.0000 0.4499 0.5501
10 0.1739 0.6522 0.1739 0.0000 0.4500 0.5500
11 0.1739 0.6522 0.1739 0.0000 0.4500 0.5500
12 0.1739 0.6522 0.1739 0.0000 0.4500 0.5500

References

[1]. Ahn, EY, et al.(2006), “The Operation of the Yard in a Terminal”, Journal of Intelligence and Information Systems, Vol. 12, No. 3, pp. 47-65.
[2]. Alcalde, EM, et al.(2015), “Optimal Space for Storage Yard Considering Yard Inventory Forecasts and Terminal Performance”, Transportation Research Part E: Logistics and Transportation Review, Vol. 82:pp. 101-128.
crossref
[3]. Bae, JW, et al.(2006), “Assignment and Operation Sequencing for Remashalling of a Vertical Yard Block in Automated Container Terminals”, Journal of Korean Navigation and Port Research, Vol. 30, No. 6, pp. 457-464.
crossref
[4]. Busan Port Authority.(2020), 2019 Container Statistics of BUSAN Port, pp. 13-14.
[5]. Chang, DF, et al.(2010), “A Hybrid Parallel Genetic Algorithm for Yard Crane Scheduling”, Transportation Research Part E, Vol. 46:pp. 136-155.
crossref
[6]. Choi, YS, Ha, TY.(2005), “A Design Method of Yard Layout in Port Container Terminal”, Journal of Korean Navigation and Port Research, Vol. 29, No. 8, pp. 741-746.
crossref
[7]. Drewry Maritime Research.(2014), Container Terminal Capacity and Performance Benchmarks, pp. 10-13.
[8]. He, JL, et al.(2019), “Yard Crane Scheduling Problem in a Container Terminal Considering Risk Caused by Uncertainty”, Advanced Engineering Informatics, Vol. 39:pp. 14-24.
crossref
[9]. He, JL, et al.(2020), “Two-stage Stochastic Programming Model for Generating Container Yard Template under Uncertainty and Traffic Congestion”, Advanced Engineering Informatics, Vol. 43:pp. 101032
crossref
[10]. Hu, X, et al.(2021), “Container Storage Space Assignment Problem in Two Terminals with the Consideration of Yard Sharing”, Advanced Engineering Informatics, Vol. 47:pp. 101224
crossref
[11]. Jang, WH, Lee, JY.(2018), “A Study on Utilization of Yard Co-petition Area between Adjacent Container Terminals”, Journal of Korean Navigation and Port Research, Vol. 42, No. 6, pp. 501-506.
[12]. Jiang, XJ, Jin, JG.(2017), “A Branch-and-Price Method for Integrated Yard Crane Deployment and Container Allocation in Transshipment Yard”, Transportation Research Part B, Vol. 98:pp. 62-75.
crossref
[13]. Kim, YG, et al.(2006), “A Probabilistic Model of Damage Propagation based on the Markov Process”, Journal of KIISE: Computer System and Theory, Vol. 33, No. 8, pp. 524-535.
[14]. No, CS, Kim, DH.(2012), “A Crime Occurrence Risk Probability Map Generation Model based on the Markov Chain”, The Journal of Korean Institute of Information Technology, Vol. 10, No. 10, pp. 89-98.
[15]. Notteboom, TE, et al.(2019), “The Relationship between Transhipment Incidence and Throughput Volatility in North European and Mediterranean Container Ports”, Journal of Transport Geography, Vol. 74:pp. 371-381.
crossref
[16]. Pruyn, JFJ, et al.(2020), “Analysis of Port Waiting Time due to Congestion by Applying Markov Chain Analysis”, Maritime Supply Chains, Chapter 4, pp. 69-94.
crossref
[17]. Sauri, S, Martin, E.(2011), “Space Allocating Strategies for Improving Import Yard Performance at Marine Terminals”, Transportation Research Part E, Vol. 47:pp. 1038-1057.
crossref
[18]. Sharif, O, Huynh, N.(2013), “Storage Space Allocation at Marine Container Terminals using Ant-Based Control”, Expert Systems with Applications, Vol. 40:pp. 2323-2330.
crossref
[19]. Sohn, MJ, et al.(2010), “Optimization of Staking Strategies Considering Yard Occupancy Rate in and Automated Container Terminal”, Journal of KIISE: Computing Practices and Letters, Vol. 16, No. 11, pp. 1106-1110.
[20]. Son, JH.(2015), “A Probabilistic Model of School Violence based on the Markov Chain Process”, Studies on Korean Youth, Vol. 26, No. 2, pp. 35-57.
crossref
[21]. Song, YS, et al.(2006), “An Efficient Method for Allocating Storage Yard for Container Terminal”, Journal of Korean Navigation and Port Research, Vol. 30, No. 3, pp. 203-209.
crossref
[22]. Tan, C, He, C, Wang, Y.(2017), “Storage Yard Management based on Flexible Yard Template in Container Terminal”, Advanced Engineering Informatics, Vol. 34:pp. 101-113.
crossref
[23]. Zhen, L.(2016), “Modeling of Yard Congestion and Optimization of Yard Template in Container Ports”, Transportation Research Part B, Vol. 90:pp. 83-104.
crossref


ABOUT
BROWSE ARTICLES
FOR CONTRIBUTORS
Editorial Office
C1-327 Korea Maritime and Ocean University
727 Taejong-ro, Youngdo-gu, Busan 49112, Korea
Tel: +82-51-410-4127    Fax: +82-51-404-5993    E-mail: jkinpr@kmou.ac.kr                

Copyright © 2021 by Korean Institute of Navigation and Port Research.

Developed in M2PI

Close layer
prev next