Measuring capacities in multimodal maritime port systems with anchorage queues

Diese Studie stellt einen Rahmen zur Unterscheidung und Berechnung von Betriebs- und Endkapazität multimodaler Seehäfen vor, der am Beispiel des Hafens von Houston zeigt, dass Flüssiggutterminals unter stabilen Bedingungen die Hauptengpässe darstellen, während nach Störungen die Pilotenverfügbarkeit zum limitierenden Faktor wird.

Das Wesentliche

Hier ist eine einfache Erklärung der Forschung, als würde man sie einem Freund beim Kaffee erzählen – ohne Fachchinesisch, aber mit ein paar bildhaften Vergleichen.

Das große Problem: Der Hafen als überfüllter Parkplatz

Stellen Sie sich einen großen Seehafen wie den von Houston vor als einen riesigen, geschäftigen Parkplatz für Schiffe. Wenn Schiffe ankommen, müssen sie warten, bis ein Platz frei ist, ein Lotsen (der den Schiffen den Weg zeigt) verfügbar ist und die Kräne am Kai bereit sind.

Das Problem ist: Wie viele Schiffe kann dieser Hafen eigentlich pro Stunde wirklich abfertigen? Und was passiert, wenn plötzlich alle Schiffe gleichzeitig kommen, weil ein Sturm den Hafen geschlossen hatte?

Bisher gab es nur eine grobe Antwort auf diese Frage. Die Forscher dieses Papers sagen: „Nein, das ist zu einfach! Wir brauchen zwei verschiedene Antworten."

Die zwei Arten von Kapazität: Der „Langstreckenläufer" vs. der „Sprinter"

Die Autoren unterscheiden zwischen zwei Arten von Hafen-Kapazität, die man sich wie zwei verschiedene Sportler vorstellen kann:

1. Die Betriebskapazität (Operating Capacity) – Der Marathonläufer

• Was ist das? Das ist die Menge an Schiffen, die der Hafen dauerhaft und ruhig pro Stunde verarbeiten kann, ohne dass sich ein riesiger Stau bildet.
• Die Analogie: Stellen Sie sich einen Marathonläufer vor. Er kann eine bestimmte Geschwindigkeit (z. B. 10 km/h) über viele Stunden durchhalten. Wenn er versucht, 20 km/h zu laufen, wird er nach 10 Minuten kollabieren.
• Warum ist das wichtig? Für die langfristige Planung. Wenn der Hafen weiß, dass er dauerhaft nur 0,9 Schiffe pro Stunde schaffen kann, sollte er nicht planen, 1,2 Schiffe pro Stunde anzunehmen, sonst entsteht ein ewiger Stau.

2. Die Endkapazität (Ultimate Capacity) – Der Sprinter

• Was ist das? Das ist die absolute Höchstgeschwindigkeit, die der Hafen für eine kurze Zeit erreichen kann, auch wenn dabei Chaos herrscht und sich Schiffe stauen.
• Die Analogie: Ein Sprinter kann für 10 Sekunden 40 km/h laufen. Das ist unmöglich für einen ganzen Tag, aber für einen kurzen Moment möglich.
• Warum ist das wichtig? Für Krisenfälle. Wenn ein Hurrikan vorbei war und 50 Schiffe gleichzeitig ankommen wollen, um den Hafen zu verlassen, muss der Hafen wissen: „Okay, wir können kurzfristig 1,4 Schiffe pro Stunde rausbekommen, auch wenn es dabei chaotisch zugeht."

Wie haben sie das herausgefunden?

Die Forscher haben zwei Werkzeuge benutzt, um diese Zahlen zu berechnen:

• Für den Marathonläufer (Betriebskapazität): Sie haben eine Art mathematische Formel (eine „Warteschlangen-Theorie") benutzt. Das ist wie ein Rezept, das man mit alten Daten füttert. Man schaut sich an, wie lange Schiffe normalerweise warten, und berechnet daraus, wie schnell der Hafen im Normalbetrieb sein kann. Man braucht dafür keine riesigen Computer-Simulationen, nur gute alte Daten.

  • Ergebnis für Houston: Der Hafen kann dauerhaft ca. 0,9 Schiffe pro Stunde verarbeiten.

• Für den Sprinter (Endkapazität): Hier mussten sie einen riesigen Computer-Simulator bauen. Sie haben den Hafen digital nachgebaut und dann simuliert: „Was passiert, wenn wir die Schiffe doppelt so schnell ankommen lassen?" Sie haben beobachtet, wie der Stau wächst und wie viele Schiffe trotzdem noch rauskommen. Dann haben sie eine Kurve an diese Daten angepasst, um den absoluten Höchstwert zu finden.

  • Ergebnis für Houston: Kurzfristig kann der Hafen bis zu 1,4 Schiffe pro Stunde abfertigen.

Das Überraschende: Wer ist der Flaschenhals?

Das Coolste an der Studie ist, dass sich der „Flaschenhals" (das schwächste Glied in der Kette) je nach Situation ändert.

• Im normalen Betrieb (Marathon): Der Flaschenhals sind die Tanker-Terminals. Das sind die Stellen, an denen Öl und Flüssigkeiten geladen werden. Sie sind so voll ausgelastet, dass sie den ganzen Hafen bremsen.

  • Rat: Wenn man den Hafen langfristig verbessern will, muss man diese Terminals ausbauen.

• Nach einer Katastrophe (Sprint): Wenn plötzlich alle Schiffe raus wollen (z. B. nach einem Sturm), sind die Terminals nicht mehr das Problem. Das Problem sind dann die Lotsen. Es gibt einfach nicht genug Lotsen, um alle Schiffe gleichzeitig durch den engen Kanal zu lotsen.

  • Rat: Wenn man den Hafen widerstandsfähiger gegen Katastrophen machen will, braucht man mehr Lotsen, nicht unbedingt mehr Terminals.

Was bedeutet das für uns?

Diese Studie hilft Hafenbetreibern und Politikern, klügere Entscheidungen zu treffen:

1. Planung: Wenn sie wissen wollen, ob sie neue Terminals bauen sollen, schauen sie auf die Betriebskapazität.
2. Krisenmanagement: Wenn sie wissen wollen, wie schnell sie sich nach einem Hurrikan erholen können, schauen sie auf die Endkapazität.

Zusammenfassend: Der Hafen ist wie ein Auto. Im normalen Verkehr (Betriebskapazität) fährt es mit einer sicheren Geschwindigkeit, bei der der Motor nicht überhitzt. In einer Verfolgungsjagd (Endkapazität) kann es kurzzeitig viel schneller fahren, aber der Motor wird heiß und der Fahrer muss vorsichtig sein. Die Forscher haben uns jetzt die Tachometer für beide Situationen gebaut.

Technische Zusammenfassung

Hier ist eine detaillierte technische Zusammenfassung des vorliegenden Papers auf Deutsch:

Titel: Messung von Kapazitäten in multimodalen maritimen Hafensystemen mit Ankerplatz-Schlangen

1. Problemstellung

Die Messung der Kapazität multimodaler Hafensysteme ist entscheidend für die Identifizierung von Engpässen, die Planung von Infrastrukturinvestitionen und die Bewältigung von Störungen. Bisherige Ansätze zur Kapazitätsbestimmung weisen jedoch erhebliche Lücken auf:

• Fehlende Unterscheidung: Existierende Modelle unterscheiden selten zwischen einer langfristig stabilen Kapazität und einer kurzfristigen, maximalen Kapazität, die nur unter instabilen Bedingungen (z. B. nach Störungen) erreichbar ist.
• Komplexität der Interdependenzen: Die Kapazität eines Hafens kann nicht einfach durch die Summation oder Minimierung einzelner Komponenten (wie Kräne oder Liegeplätze) bestimmt werden, da diese stark voneinander abhängen.
• Datenabhängigkeit: Viele Simulationen benötigen umfangreiche, hochwertige Daten, die oft schwer verfügbar sind.
• Stabilitätsfrage: Es fehlt an theoretischen Grundlagen, um zu bestimmen, ob eine geschätzte Kapazität nachhaltig (stabil) oder nur ein vorübergehender Spitzenwert (instabil) ist.

Das Paper definiert zwei zentrale Konzepte, um diese Lücke zu schließen:

1. Betriebskapazität (Operating Capacity, $C_o$): Die maximale Durchsatzrate, die über einen längeren Zeitraum unter stabilen Bedingungen (begrenzte Warteschlangen) aufrechterhalten werden kann.
2. Ultimative Kapazität (Ultimate Capacity, $C_u$): Die absolut maximale Durchsatzrate, die innerhalb eines endlichen Zeitraums erreicht werden kann, unabhängig von der Stabilität der Warteschlangen (z. B. während der Erholung nach einer Schließung).

2. Methodik

Die Autoren entwickeln einen hybriden Rahmen, der zwei unterschiedliche mathematische Ansätze kombiniert, um beide Kapazitätsmaße zu schätzen:

A. Schätzung der Betriebskapazität ($C_o$) – Warteschlangentheorie

• Ansatz: Ein sparsames (parsimonious) Warteschlangenmodell basierend auf der Theorie der $G/M/1$-Warteschlangen (allgemeine Ankunftsverteilung, exponentielle Bedienzeit, ein Server).
• Modellstruktur: Der Hafen wird als Netzwerk modelliert, bestehend aus einem Ankerplatz, einem Wasserweg-Kanal und mehreren Terminals.
• Datenbasis: Das Modell nutzt historische AIS-Daten (Automatic Identification System) und Hafenprotokolle. Es berechnet die mittlere Wartezeit und Schlängenlänge.
• Berechnung: Mithilfe von Kingman's Formel und Little's Gesetz werden die Auslastungen des Kanals und der Terminals berechnet. Die Gesamtbetriebskapazität ist das Minimum aus der Kanalkapazität und der Summe der Terminalkapazitäten.
• Vorteil: Benötigt keine aufwendigen Simulationen und ist ideal für die langfristige Planung.

B. Schätzung der Ultimativen Kapazität ($C_u$) – Simulation und ODE

• Ansatz: Eine detaillierte ereignisdiskrete Simulation (DES) des gesamten Hafens (Ankerplatz, Kanal, Terminals, Landside) wird mit verschiedenen Ankunftsraten ($\lambda$) durchlaufen.
• Modellierung: Die Beziehung zwischen der Ankunftsrate und der Anzahl der verarbeiteten Schiffe wird durch eine gewöhnliche Differentialgleichung (ODE) angepasst.
• ODE-Formulierung: Die Gleichung beschreibt zwei Phasen:
  1. Wachstumsphase: Bis zur Erreichung der ultimativen Kapazität steigt der Durchsatz linear mit der Ankunft an.
  2. Verkehrsphase (Congested): Bei sehr hohen Ankunftsraten sinkt der Durchsatz aufgrund von Ressourcenkonkurrenz (z. B. Piloten, Schlepper) auf eine gesättigte Kapazität ($C_s$).
• Parameter-Schätzung: Die Parameter der ODE ($C_u, C_s, \theta, \beta, \lambda_c$) werden mittels eines Differential-Evolution-Algorithmus optimiert, um die Simulationsdaten bestmöglich zu approximieren.

3. Hauptbeiträge

1. Neue Klassifizierung: Etablierung der Unterscheidung zwischen Betriebs- und Ultimativer Kapazität als fundamentale Metriken für die Hafenplanung.
2. Hybride Methodik: Entwicklung eines kombinierten Ansatzes, der Warteschlangentheorie (für $C_o$) und simulationsbasierte ODE-Modellierung (für $C_u$) verbindet.
3. Theoretischer Zusammenhang: Mathematischer Nachweis, dass $C_o$ strikt kleiner als $C_u$ ist ($C_o < C_u$) und dass sich die Werte annähern, wenn der Übergang zwischen stabilen und instabilen Zuständen abrupt wird.
4. Praktische Validierung: Anwendung und Validierung des Rahmens am Beispiel des Hafens von Houston (Texas), einschließlich der Freigabe der Simulationssoftware als Open Source.

4. Ergebnisse (Fallstudie Hafen Houston)

Die Studie wurde mit Daten aus den Jahren 2022–2024 und einer kalibrierten Simulation validiert.

• Kapazitätswerte:
  • Betriebskapazität ($C_o$): Ca. 0,9 Schiffe pro Stunde (vph). Dies repräsentiert die nachhaltig erreichbare Rate.
  • Ultimative Kapazität ($C_u$): Ca. 1,4 vph. Dies ist die kurzfristige Maximalrate, die z. B. nach einer Störung zur Abbauung von Rückstaus genutzt werden kann.
• Engpass-Analyse:
  • Unter stabilen Bedingungen: Die Engpässe liegen primär bei den Flüssigkeits-Terminals (Liquid-bulk). Der Kanal selbst ist nicht der limitierende Faktor (seine Kapazität liegt bei ca. 1,5 vph).
  • Unter Störungsbedingungen (z. B. nach Schließung): Die Verfügbarkeit von Lotsen (Piloten) wird zum dominierenden Engpass. Eine Reduktion der Lotsenkapazität um 10 % senkt die ultimative Kapazität um ca. 7,1 %.
• Validierung: Die geschätzten Wartezeiten aus dem Warteschlangenmodell stimmten mit den beobachteten AIS-Daten überein (max. relativer Fehler 1,24 %). Die ODE-Kurve passte die Simulationsdaten mit einem geringen RMSE an.

5. Bedeutung und Implikationen

Die vorgestellte Methodik bietet Hafenaufsichtsbehörden und Planern ein präzises Werkzeug für datengestützte Entscheidungen:

• Infrastrukturplanung: Investitionen sollten darauf ausgerichtet werden, die Betriebskapazität zu erhöhen (z. B. Ausbau von Flüssigkeits-Terminals), um die langfristige Stabilität zu sichern.
• Resilienz und Notfallplanung: Maßnahmen zur Erhöhung der ultimativen Kapazität (z. B. mehr Lotsen oder flexible Ressourcen) sind entscheidend für die schnelle Erholung nach Störungen, auch wenn sie den langfristigen Durchschnittsdurchsatz nicht erhöhen.
• Ressourcenallokation: Die Analyse zeigt, dass verschiedene Ressourcen in verschiedenen Betriebszuständen (normal vs. gestört) als Engpass wirken. Eine einseitige Optimierung kann daher kontraproduktiv sein.
• Datenverfügbarkeit: Der Ansatz ermöglicht Kapazitätsschätzungen auch bei begrenzten Daten (nur AIS-Daten für $C_o$), was die Anwendbarkeit auf viele Häfen weltweit erhöht.

Zusammenfassend liefert das Paper einen theoretisch fundierten und praktisch validierten Rahmen, der die Komplexität multimodaler Häfen abbildet und hilft, die Balance zwischen Effizienz (hoher Durchsatz) und Stabilität (vermeidbare Warteschlangen) zu finden.