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

Deze studie combineert synthetische apertuurradarbeelden, nachtelijke lichten en havenkenmerken om maandelijkse maritieme handelsstromen op havenniveau nauwkeurig te schatten en te extrapoleren, waarbij het model bewezen robuust is tegen strategische signaalmanipulatie en effectief handelsverschuivingen, zoals die bij Russische havens na de sancties van 2022, kan detecteren.

De kern

Kijken naar Handel vanuit de Ruimte: Een Simpele Uitleg

Stel je voor dat je een wereldwijde supermarkt hebt, maar de kassa's (de officiële statistieken) zijn kapot gegaan of de winkeliers houden hun boeken bewust achter slot en grendel. Hoe weet je dan nog wat er verkocht wordt?

Dit artikel, geschreven door econoom Yonggeun Jung, geeft een slim antwoord: kijk gewoon naar de winkel vanuit de ruimte.

Hier is hoe het werkt, vertaald in alledaags taal:

1. De Probleemstelling: De "Blinde Vlek"

Normaal gesproken weten we hoeveel een land exporteert of importeert door naar de douaneformulieren te kijken. Maar wat als die formulieren te laat komen, of als een land (zoals Rusland na de sancties in 2022) stopt met het delen van die gegevens?
Een andere methode is het volgen van schepen via hun "GPS-achtige" transponders (AIS). Maar schippers kunnen deze uitzetten als ze iets verborgen willen houden (bijvoorbeeld smokkel of het omzeilen van sancties). Het is alsof ze hun koplampen doven en in het donker rijden.

2. De Oplossing: De "Ruimtelijke Camera"

Jung gebruikt geen GPS van schepen, maar kijkt naar de haven zelf met drie soorten "ogen" vanuit de ruimte:

• De Radar (SAR): Denk aan een camera die door wolken en in het donker kan kijken. Deze radar ziet beweging. Als er schepen aanleggen, containers worden gelost of kranen bewegen, verandert het beeld. Het is alsof je een timelapse-film maakt van een haven: als er veel beweging is, is er veel handel.
• Het Licht (Nachtverlichting): Havens werken 24/7. Als er veel licht brandt in de haven 's nachts, betekent dat waarschijnlijk dat er hard gewerkt wordt. Het is als kijken naar een drukke fabriek: meer licht = meer productie.
• De Blauwdruk (Havenkenmerken): De auteur gebruikt ook een database met de "fysieke eigenschappen" van de haven. Hoe diep is het water? Hoe groot is de kade? Dit helpt om te begrijpen hoe groot een haven theoretisch kan zijn, net zoals je aan de grootte van een winkel kunt zien hoeveel producten hij kan bevatten.

3. De Slimme Computer (Machine Learning)

De auteur pakt al deze beelden en cijfers en gooit ze in een slim computerprogramma (een algoritme genaamd XGBoost). Dit programma leert van de havens in de VS (waar we de echte cijfers wel hebben) om te begrijpen: "Ah, als er zoveel beweging is op radar en zoveel licht, betekent dat ongeveer X miljoen dollar aan handel."

4. Het Grote Geheim: Veranderingen vs. Absolute Cijfers

Hier komt het meest interessante deel. De auteur ontdekt iets belangrijks:

• Het absolute getal is lastig: Als je het model op een heel andere plek probeert toe te passen (bijvoorbeeld van de VS naar Hawaï of Rusland), kan het de computer niet precies zeggen "Er is vandaag 100 miljoen dollar handel." De computer is niet slim genoeg om de exacte basisgrootte van een vreemde haven te raden zonder hulp.
• Maar veranderingen zijn perfect: Het model is wel heel goed in het zien van verschil. Het kan je precies vertellen: "De handel is met 20% gestegen" of "De handel is met 10% gedaald."

De Analogie:
Stel je voor dat je een thermometer hebt die niet precies weet hoe warm het is (bijv. 20 graden), maar wel perfect kan meten of het 5 graden warmer of kouder wordt. Als je weet dat het gisteren 20 graden was, weet je nu dat het 25 graden is.
In dit geval gebruiken ze een "anker": ze kijken naar één bekende maand om de schaal te kalibreren, en daarna kunnen ze de beweging (stijging of daling) heel nauwkeurig volgen, zelfs in landen waar niemand cijfers deelt.

5. Het Toepassen op Rusland: De "Donkere Schepen"

Na de sancties in 2022 stopte Rusland met het delen van handelscijfers. Schepen zette hun GPS uit. Maar Jung's model keek gewoon naar de havens in Rusland:

• Wat zag hij? De havens in het Westen (richting Europa) werden donkerder en stiller (minder licht, minder beweging).
• Wat zag hij in het Oosten? De havens in het Verre Oosten (zoals bij Sakhalin) werden juist lichter en drukker.

Conclusie: Het model bevestigde wat veel al vermoedden: Rusland heeft zijn handelsroutes verschoven. Ze stoppen minder goederen in het Westen en sturen meer olie en goederen naar het Oosten (Azië), vaak via "donkere schepen" die hun GPS uitzetten. De satelliet zag de beweging, zelfs als de schepen zichzelf onzichtbaar probeerden te maken voor de wereld.

Samenvatting

Dit onderzoek laat zien dat we niet meer hoeven te wachten op officiële statistieken of afhankelijk hoeven te zijn van schippers die eerlijk zijn. Door naar de beweging en het licht van havens vanuit de ruimte te kijken, kunnen we precies zien hoe de wereldwijde handel beweegt, zelfs als landen proberen hun cijfers te verbergen. Het is alsof we een onzichtbare supermarkt hebben die we kunnen zien door de muren heen, zolang we maar weten hoe de beweging eruitziet.

Technische samenvatting

1. Het Probleem

Traditionele handelsstatistieken op haven-niveau worden vaak met vertraging gepubliceerd en zijn in bepaalde contexten onbetrouwbaar of strategisch onderdrukt (bijvoorbeeld door landen met zwakke statistische capaciteit of tijdens sancties). Een bekend voorbeeld is Rusland, dat na de sancties van februari 2022 de rapportage aan UN Comtrade heeft stopgezet.

Bestaande alternatieven, zoals het gebruik van het Automatic Identification System (AIS) voor schepen, hebben beperkingen: schepen kunnen hun transponders bewust uitschakelen ("dark shipping") om sancties te omzeilen of illegale handel te verbergen. Er is dus behoefte aan een methode die handelsstromen kan meten zonder afhankelijk te zijn van vrijwillige signaaltransmissie van schepen of vertrouwelijke data.

2. Methodologie

De auteur ontwikkelt een raamwerk dat uitsluitend gebruikmaakt van publiek beschikbare data en machine learning om maandelijkse maritieme handel op haven-niveau te schatten.

Data Bronnen:

• Synthetic Aperture Radar (SAR) Beeld: Afkomstig van Sentinel-1 (Copernicus/ESA). Dit werkt dag en nacht en door wolken.
  • VV-band: Gemeten als het verschil tussen opeenvolgende beelden. Dit fungeert als proxy voor beweging (schepen die aankomen/vertrekken, laden/lossen).
  • VH-band: Gemeten als de gemiddelde terugverstrooiing (backscatter). Dit fungeert als proxy voor de voorraad (containers, metalen structuren, infrastructuur).
• Nachtlicht (Nighttime Lights - NTL): Afkomstig van VIIRS (NASA).
  • Gemiddelde intensiteit, standaardafwijking en het "lichtgebied" (share of pixels boven een drempelwaarde) binnen een buffer van 3 km rondom de haven. Dit proxy's continue operaties en beveiliging.
• Havenkarakteristieken: Uit de World Port Index (WPI). Dit omvat 91 tijdsonafhankelijke variabelen zoals kanaaldiepte, kranen, terminaltypes en geografische ligging.
• Doelvariabelen (Ground Truth): Maandelijkse import/export waarden en gewichten van de VS Census (voor training en validatie).

Model:

• Algoritme: XGBoost (eXtreme Gradient Boosting), een flexibel supervised learning-model dat goed presteert met tabulaire data van gemiddelde omvang.
• Opzet: Het model wordt getraind op data van Amerikaanse havens (2016-2024) om de relatie te leren tussen de satelliet-signalen/havenkarakteristieken en de handelswaarde/gewicht.
• Ruimtelijke Extrapolatie: Om het model toe te passen op nieuwe regio's (zoals Rusland of Hawaï), wordt een "leave-one-region-out" strategie gebruikt. Omdat het model absolute niveaus moeilijk kan extrapoleren buiten de trainingsdomein, wordt een ankerstrategie (anchoring) toegepast: het verschil tussen voorspelling en werkelijkheid in de eerste maand wordt gebruikt om de niveaus van daaropvolgende voorspellingen af te stemmen.

3. Belangrijkste Resultaten

Voorspellende Kracht (Nowcasting):

• Bij het voorspellen van handelswaarde op basis van Amerikaanse havens (testperiode 2022-2024) bereikt het volledige model (satelliet + havenkarakteristieken) een $R^2$ van 0,945.
• Het model voor handelsgewicht bereikt een $R^2$ van 0,880.
• Complementaire Rollen:
  • Havenkarakteristieken alleen voorspellen de absolute niveaus zeer goed ($R^2$ 0,933 voor waarde), maar kunnen geen tijdsvariatie binnen een haven vangen.
  • Satelliet-signalen alleen vangen de tijdsvariatie (dynamiek) goed, maar hebben moeite met absolute niveaus zonder anker.
  • De combinatie levert de beste resultaten. Placebo-tests bevestigen dat de voorspellende kracht afkomstig is van de satellietdata en niet van toevallige persistentie.

Ruimtelijke Extrapolatie:

• Hawaï-test: Wanneer het model, getraind op het Amerikaanse vasteland, wordt toegepast op Hawaï (zonder Hawaï in de trainingsdata), faalt het bij het voorspellen van absolute niveaus ($R^2$ negatief).
• Oplossing: Na toepassing van de ankerstrategie (correctie op basis van één observatie) verbetert de voorspellende nauwkeurigheid drastisch ($R^2$ 0,874).
• Monte Carlo Simulatie: Bevestigt dat terwijl absolute niveaus moeilijk te extrapoleren zijn, percentage veranderingen ($\Delta Y$) zeer betrouwbaar worden hersteld. De haven-specifieke vaste effecten ($\alpha_i$) vallen algebraïsch weg bij het berekenen van veranderingen, wat leidt tot een correlatie van 0,997 met de werkelijke veranderingen.

Toepassing op Rusland (Post-2022 Sancties):

• Het model wordt toegepast op Russische havens zonder gebruik te maken van ankerdata (alleen percentage veranderingen).
• Resultaat: Het model detecteert een daling in activiteit bij havens gericht op Europa (bijv. Kaliningrad, Kronshtadt) en een toename bij havens in het Verre Oosten en op Sachalin (bijv. Korsakov, De Kastri).
• Interpretatie: Dit bevestigt de heroriëntatie van Russische energiestromen naar Azië en het gebruik van "dark shipping" (schepen die AIS uitschakelen), wat AIS-gebaseerde methoden niet zouden kunnen detecteren.
• Nuance: Het model kan fysieke activiteit detecteren (ook militair), maar kan niet onderscheid maken tussen commerciële handel en niet-commerciële activiteiten (zoals militaire logistiek in de Zwarte Zee).

4. Bijdragen aan de Literatuur

1. Economische Meting: Breidt het gebruik van satellietdata uit van macro-economische indicatoren (zoals nachtelijk licht voor BBP) naar hoogfrequente, haven-specifieke handelsstromen.
2. Robuustheid tegen Manipulatie: Biedt een alternatief voor AIS-gebaseerde methoden dat niet kwetsbaar is voor het bewust uitschakelen van schipstransponders.
3. Ruimtelijk Machine Learning: Formaliseert de voorwaarden waaronder ruimtelijke extrapolatie wel of niet werkt. Het toont aan dat absolute niveaus moeilijk te extrapoleren zijn, maar dat veranderingen (trends) wel betrouwbaar kunnen worden geschat, zelfs in ruimtelijk disjuncte domeinen.

5. Betekenis en Conclusie

De studie demonstreert dat het mogelijk is om maritieme handelsstromen nauwkeurig te monitoren met uitsluitend publiek beschikbare data, zelfs wanneer officiële statistieken ontbreken of onbetrouwbaar zijn. De methode is bijzonder waardevol voor het analyseren van sanctie-omzeiling en handelsreorientatie in geopolitiek gevoelige regio's.

Beperkingen en Toekomst:

• Het model werkt op aggregatieniveau (haven) en kan geen bilaterale stromen of goederensamenstelling onderscheiden.
• Integratie van proprietary data (zoals AIS of vrachtbrieven) of hogere resolutie beelden zou de nauwkeurigheid en granulariteit kunnen verbeteren.
• De huidige validatie is beperkt tot de VS; uitbreiding naar landen met zwakkere statistische systemen is de volgende stap voor globale toepasbaarheid.

Kortom, dit papier biedt een krachtig, transparant en reproduceerbaar instrument voor economen en beleidsmakers om de "echte" handelsdynamiek te zien, zelfs wanneer de data bewust wordt verduisterd.