Gestión de la sostenibilidad portuaria basada en un modelo de redes bayesianas. Aplicación al sistema portuario español

Abstract

RESUMEN En la explotación y gestión portuaria entran en juego numerosas variables, necesitando el gestor de la infraestructura conocer las relaciones entre ellas para poder modificar condiciones de la explotación. Con el empleo de redes bayesianas se pueden clasificar, predecir y diagnosticar dichas variables, al permitir estimar la probabilidad posterior de las variables no conocidas en base a las variables conocidas. Esto quiere decir, a nivel de planificación, que no se tienen que conocer todas las variables, al conocer sus relaciones. Por ello, estas redes pueden utilizarse para tomar decisiones óptimas introduciendo posibles acciones y la utilidad de sus resultados. En la metodología que se propone se ha generado una base de datos con más de 100 variables portuarias, clasificadas en económicas, sociales, ambientales e institucionales, tal como se abordan los estudios de smart ports, para el Sistema Portuario Español. A partir de ella se ha generado una red usando un grafo dirigido acíclico, que permite conocer las relaciones entre las variables portuarias en términos de padres e hijos, modelando la incertidumbre de forma probabilística incluso cuando el número de variables es elevado, como ocurre en la explotación y planificación portuaria. La principal conclusión extraída es que las variables económicas son la causa del resto de tipologías de variables y ejercen el papel de padres de la red en la mayoría de los casos. Por otro lado, también se concluye que, conocidas variables de tipo ambiental, la red permite estimar la probabilidad posterior de las variables sociales. Palabras clave: Variables portuarias, sostenibilidad, gestión portuaria, redes bayesianas, sistema portuario español. ABSTRACT Numerous variables are involved in port operation and management, and infrastructure managers need to know relationships between them, to be able to modify operating conditions. Using Bayesian networks makes possible to classify, predict and diagnose these variables, allowing to estimate the posterior probability of the unknown variables based on the known variables. This means, at the planning level, that it is not necessary to know all the variables, knowing their relationships. Therefore, these networks can be used to make optimal decisions introducing possible actions and usefulness of their results. In the methodology proposed, a database with more than 100 port variables has been generated. Variables are classified as economic, social, environmental and institutional, as it is made in smart port studies in all Spanish Port System. Using this database, a network has been generated using an acyclic directed graph, which allows knowing relations between port variables regarding parents and sons. This kind of network allows modeling uncertainty probabilistically even when the number of variables is high as in the case of port planning and exploitation.