Watching Trade from Space: Nowcasting and Spatial Extrapolation of Port-Level Maritime Trade Using Satellite Imagery

Este artículo presenta un modelo que utiliza imágenes satelitales y datos públicos para estimar el comercio marítimo a nivel portuario, logrando predecir con precisión las variaciones porcentuales y detectar cambios estratégicos, como la reorientación del comercio ruso tras las sanciones de 2022, incluso cuando los métodos tradicionales de seguimiento de buques son manipulados.

Lo esencial

Imagina que quieres saber cuánto comercio se está moviendo por los puertos de un país, pero ese país decide no contártelo. O quizás los datos oficiales tardan meses en llegar, como un correo postal que se pierde en el camino.

Este artículo, escrito por el economista Yonggeun Jung, propone una solución creativa: mirar el comercio desde el espacio, como si tuvieras un superpoder de "visión de rayos X" desde un satélite.

Aquí te explico cómo funciona, usando analogías sencillas:

1. El Problema: El "Silencio" de los Puertos

Normalmente, para saber cuánto se mueve en un puerto, miramos los registros de los barcos (como un sistema de GPS llamado AIS) o las estadísticas oficiales del gobierno. Pero hay un problema:

• Los barcos pueden apagar el GPS: En tiempos de sanciones o conflictos (como ocurrió con Rusia en 2022), los barcos a veces apagan sus transmisores para pasar desapercibidos. Es como si un ladrón apagara su alarma para entrar a una casa.
• Los datos oficiales tardan: A veces, el gobierno tarda meses en publicar lo que pasó.

2. La Solución: Los "Ojos" del Satélite

El autor no usa los datos de los barcos, sino que usa imágenes de satélite para ver lo que realmente sucede en el suelo. Imagina que el satélite es un detective que nunca duerme y nunca se cansa. Usa tres pistas principales:

• La "Huella de Movimiento" (Radar): El satélite envía señales de radar que rebotan en los objetos. Si el radar ve que el suelo del puerto cambia de un día para otro (porque un barco llegó, se movió o se fue), sabe que hay actividad. Es como ver las huellas de pasos en la arena: si las huellas cambian, alguien pasó por ahí.
• Las "Luces de la Noche": Los puertos nunca duermen; trabajan 24 horas. El satélite mide cuánta luz artificial hay en el puerto de noche. Más luces = más camiones, grúas y trabajadores moviendo contenedores.
• La "Ficha del Puerto": El autor también usa una lista de características fijas de cada puerto (profundidad del agua, tamaño de los muelles). Esto es como saber el tamaño de un zapato: si sabes que el puerto es grande, sabes que puede mover mucho, pero necesitas las luces y el radar para saber cuánto movió hoy.

3. El "Cerebro" de la Máquina

El autor alimenta toda esta información (imágenes, luces, datos del puerto) a una inteligencia artificial (llamada XGBoost). Piensa en esta IA como un chef experto:

• Le da los ingredientes (datos del satélite).
• La IA prueba miles de combinaciones y aprende: "¡Ah! Cuando hay muchas luces y el radar muestra mucho movimiento en un puerto grande, eso significa que se movieron 10 millones de dólares en mercancía".
• Al final, la IA puede predecir el comercio mes a mes con una precisión increíble (casi un 95% de acierto en los puertos de EE. UU.).

4. El Truco para los Puertos Desconocidos (Extrapolación)

Aquí viene la parte más interesante. ¿Qué pasa si quieres usar este sistema en un país que nunca has estudiado antes, como Rusia?

• El problema: Si intentas predecir el monto exacto (ej. "Rusia movió 500 millones"), la IA puede fallar porque no conoce el "peso base" de los puertos rusos. Es como intentar adivinar el precio exacto de una casa en un país nuevo solo viendo fotos; puedes saber si es grande o pequeña, pero no el precio exacto sin conocer el mercado local.
• La solución (El "Anclaje"): El autor dice: "No intentemos adivinar el precio exacto. En su lugar, miremos el cambio".
  • Imagina que el puerto es un barco en el mar. No necesitas saber a qué profundidad exacta está el fondo para saber si el barco subió o bajó 1 metro.
  • La IA es muy buena viendo cambios. Si un puerto se ilumina un 20% más que el mes pasado, la IA sabe que el comercio subió un 20%, incluso si no sabe cuánto era el total original.

5. El Caso de Rusia: El "Cambio de Rutas"

El autor aplicó esto a Rusia después de las sanciones de 2022. Como Rusia dejó de dar datos oficiales y muchos barcos apagaron sus GPS, nadie sabía qué estaba pasando.

Usando su método de "ver cambios desde el espacio", el autor descubrió:

• Los puertos de Europa (como San Petersburgo) se apagaron y se movieron menos (el radar mostró menos actividad).
• Los puertos del Lejano Oriente (cerca de China y Japón) se encendieron y se movieron mucho más.

La analogía final: Imagina que Rusia era un río que fluía hacia el oeste (Europa). De repente, alguien puso un dique. El agua (el comercio) no desapareció; simplemente cambió de dirección y empezó a fluir hacia el este (Asia). El satélite vio este cambio de corriente, aunque los barcos intentaran esconderse.

Conclusión

Este papel nos enseña que, aunque los gobiernos o los barcos intenten ocultar sus movimientos, la actividad física deja huellas que no se pueden borrar. Con satélites y un poco de inteligencia artificial, podemos ver el comercio global en tiempo real, incluso cuando los datos oficiales se callan. Es como tener una cámara de seguridad que vigila el comercio mundial las 24 horas del día, sin importar si alguien intenta apagar la luz.

Resumen técnico

1. El Problema

Las estadísticas oficiales de comercio internacional suelen tener retrasos significativos, ser incompletas o estar sujetas a supresión estratégica, especialmente en contextos de sanciones o conflictos geopolíticos.

• Limitaciones de los métodos actuales:
  • Estadísticas oficiales: Retrasos en la publicación y falta de fiabilidad en países con capacidad estadística débil o que suspenden reportes (ej. Rusia tras las sanciones de 2022).
  • Sistema de Identificación Automática (AIS): Aunque útil, depende de que los buques transmitan señales activamente. En contextos de comercio ilícito, sanciones o conflictos militares, los buques a menudo desactivan sus transpondedores ("dark shipping"), haciendo que los datos de AIS sean incompletos o engañosos.
• Brecha de investigación: Existe una falta de métodos robustos para medir el comercio marítimo a nivel de puerto utilizando exclusivamente datos públicos y remotos, sin depender de la transmisión voluntaria de señales por parte de los actores económicos.

2. Metodología

El autor desarrolla un marco de aprendizaje supervisado que combina múltiples fuentes de datos de observación terrestre y características portuarias estáticas.

• Datos de Entrada (Inputs):
  1. Imágenes de Radar de Apertura Sintética (SAR) - Sentinel-1:
     • Banda VV (Movimiento): Calcula la diferencia absoluta entre imágenes consecutivas para detectar cambios en el movimiento de buques y actividades de carga/descarga (proxy de dinámica a corto plazo).
     • Banda VH (Stock): Utiliza la intensidad de retrodispersión para detectar objetos metálicos (contenedores, grúas, buques), sirviendo como proxy para el stock de infraestructura y congestión.
  2. Luz Nocturna (NTL) - VIIRS/NASA:
     • Promedio mensual de intensidad (nivel de actividad económica nocturna).
     • Desviación estándar (variabilidad operativa día a día).
     • Ratio de área iluminada (extensión espacial de la infraestructura portuaria).
  3. Características del Puerto (World Port Index - WPI):
     • Incluye 91 atributos fijos por puerto (profundidad del canal, dimensiones de atraque, tipos de terminal, servicios de carga, etc.).
• Modelo Predictivo:
  • Se utiliza XGBoost (Gradient Boosting), un algoritmo de aprendizaje automático flexible, adecuado para datos tabulares de tamaño moderado.
  • Objetivo: Predecir el valor y el peso del comercio marítimo mensual a nivel de puerto.
  • Enfoque de Datos: Uso exclusivo de datos públicos para garantizar transparencia y reproducibilidad, aunque el marco es modular y permite integrar datos propietarios (como AIS) si están disponibles.

3. Contribuciones Clave

1. Medición de Comercio de Alta Frecuencia: Extiende la agenda de medición económica basada en satélites (tradicionalmente enfocada en luces nocturnas o agricultura) al comercio marítimo a nivel de puerto, un dominio crítico donde los datos tradicionales fallan.
2. Robustez ante Manipulación Estratégica: Proporciona una alternativa al AIS que no depende de señales activas, permitiendo detectar actividad comercial incluso cuando los buques intentan ocultarse (ej. "dark shipping").
3. Avance en Aprendizaje Automático Espacial: Formaliza las condiciones bajo las cuales la extrapolación espacial funciona o falla:
   • Los niveles absolutos son difíciles de predecir fuera del dominio de entrenamiento (extrapolación espacial).
   • Los cambios porcentuales (variaciones temporales) se recuperan con alta precisión, incluso sin anclaje, debido a la cancelación algebraica de efectos fijos específicos del puerto.

4. Resultados Principales

A. Desempeño Predictivo (Nowcasting en EE. UU.)

Utilizando datos de puertos de EE. UU. (2016-2024):

• Precisión: El modelo alcanza un $R^2$ de 0.945 para el valor del comercio y 0.880 para el peso en la muestra de prueba (fuera de muestra).
• Complementariedad de Variables:
  • Las características estáticas del puerto (infraestructura) explican la mayor parte de la variación transversal (diferencias entre puertos).
  • Las señales satelitales capturan la dinámica temporal dentro del mismo puerto (fluctuaciones mes a mes).
  • Un modelo solo con características del puerto tiene un rendimiento similar en niveles ($R^2$ 0.933), pero falla en capturar fluctuaciones temporales.
• Validación: Pruebas de placebo confirman que el poder predictivo proviene de las señales satelitales reales y no de persistencia temporal espuria.

B. Extrapolación Espacial (Hawaii y Anclaje)

• Desafío: Al entrenar solo con puertos del continente y predecir en Hawaii (geográficamente aislado y con características distintas), la predicción de niveles absolutos falla ($R^2$ negativo) debido a la falta de soporte espacial.
• Solución de Anclaje: Al aplicar una estrategia de "anclaje" (ajustar el nivel predicho con un punto de observación conocido), la precisión mejora drásticamente ($R^2$ de 0.874 a 0.937).
• Hallazgo Teórico: Una simulación de Monte Carlo confirma que, aunque los niveles absolutos son difíciles de extrapolar, los cambios porcentuales ($\Delta Y$) se recuperan casi perfectamente (correlación 0.997) porque los efectos fijos del puerto se cancelan algebraicamente.

C. Aplicación a Rusia (Post-Sanciones 2022)

Aplicando el marco a puertos rusos (sin datos oficiales ni AIS fiables):

• Reorientación Comercial: El modelo detecta una disminución en la actividad en puertos orientados a Europa (ej. Kaliningrad, Kronstadt) y un aumento en puertos del Lejano Oriente y Sakhalin (ej. Korsakov, De Kastri).
• Interpretación: Estos resultados son consistentes con la evidencia de que Rusia ha reorientado sus exportaciones energéticas hacia Asia y utiliza estrategias de evasión de sanciones.
• Limitación Detectada: El modelo detecta actividad física (incluyendo logística militar en el Mar Negro) que no distingue entre comercio comercial y no comercial, pero logra capturar la señal de cambio en la intensidad marítima.

5. Significado e Implicaciones

• Herramienta de Política y Análisis: Ofrece a investigadores y formuladores de políticas una herramienta independiente para monitorear el comercio en tiempo real, crucial para evaluar el impacto de sanciones, conflictos o crisis económicas donde los datos oficiales son inaccessibles.
• Independencia de Datos: Demuestra que es posible construir métricas económicas robustas sin depender de datos propietarios o de la cooperación de los actores privados (buques).
• Futuro de la Medición Económica: Establece un nuevo estándar para la medición de flujos comerciales globales, sugiriendo que la combinación de datos de sensores remotos y aprendizaje automático puede llenar vacíos críticos en la estadística económica global, especialmente en regiones con sistemas estadísticos débiles.

En conclusión, el paper demuestra que, aunque predecir el volumen exacto de comercio en un nuevo entorno geográfico es difícil sin datos de referencia, es posible medir con alta fiabilidad las tendencias y cambios relativos en la actividad comercial marítima utilizando únicamente datos satelitales públicos.