Arquitectura de la resiliencia en el transporte global de mercancías con un marco de IA causal

Resumen

Este artículo presenta un marco de IA causal utilizando una Red Bayesiana para modelar los riesgos sistémicos en el transporte global de mercancías. El objetivo es potenciar la toma de decisiones estratégicas cuantificando cómo los riesgos fundamentales afectan a los indicadores clave de rendimiento (coste, tiempo, fiabilidad), permitiendo así una mitigación proactiva y guiada con precisión.

Resumen

La industria global de transporte de mercancías se enfrenta a riesgos complejos y en cascada. Los métodos analíticos convencionales suelen ser insuficientes para gestionar estos riesgos. Este artículo propone un protocolo para construir y utilizar un marco causal de Inteligencia Artificial (IA) para la gestión del riesgo sistémico. El protocolo consta de tres etapas principales. La primera etapa implica la construcción de una Red Bayesiana (BN) jerárquica. Este BN sirve como un grafo de conocimiento causal. Su construcción sintetiza la experiencia del dominio para mapear las relaciones entre los factores de riesgo fundamentales y los principales indicadores clave de rendimiento (KPIs): coste, tiempo y fiabilidad. La segunda etapa es la parametrización de la BN mediante la definición de probabilidades condicionales. Este paso combina el juicio de expertos con las ideas de los informes del sector. El modelo Noisy-MAX se emplea para gestionar la incertidumbre en entornos con escasez de datos. En la etapa final, el modelo parametrizado se utiliza para realizar simulaciones predictivas y análisis diagnósticos. La inferencia directa genera un perfil de riesgo de referencia. Simultáneamente, el análisis de sensibilidad identifica puntos de intervención de alta potencia. La aplicación de este protocolo aporta varias ideas críticas: (i) la oferta y la demanda del mercado se identifican como el nodo central del riesgo sistémico. (ii) El modelo genera huellas digitales de riesgo distintas para cada KPI. El coste muestra la mayor vulnerabilidad a factores comerciales. El tiempo es más sensible a las interrupciones logísticas. La fiabilidad está especialmente expuesta a amenazas de ciberseguridad. Este trabajo aporta una herramienta de IA interpretable. La herramienta funciona como un motor hipotético. Permite a los transitarios pasar de una gestión de crisis reactiva a una mitigación proactiva y guiada con precisión.

Introducción

La industria global de transporte de mercancías es la columna vertebral invisible del comercio moderno, un ecosistema de varios billones de dólares que orquesta el flujo de bienes que sustenta la manufactura global y el comercio^{electrónico.} Su funcionamiento fluido no es una mera conveniencia logística, sino un determinante directo de la estabilidad económica^{global 2}. Sin embargo, esta infraestructura crítica se enfrenta ahora a una tormenta perfecta de presiones convergentes. La intensa competencia de mercado³, el endurecimiento de las regulaciones^{de sostenibilidad 4}, las tecnologías^{disruptivas 5} y la volatilidad geopolítica sin^{precedentes 6} ya no son desafíos aislados. En cambio, se han fusionado en una compleja red de riesgo sistémico, donde una sola interrupción —una huelga portuaria, un nuevo arancel, un ciberataque— puede desencadenar fallos en cascada a lo largo de toda la cadena de suministro. Este alto nivel de interconexión significa que gestionar riesgos en compartimentos aislados ya no es viable; La supervivencia depende de entender el sistema en su conjunto.

Esta nueva realidad presenta un desafío crítico que desafía tanto el análisis de riesgos tradicional como la IA convencional. Herramientas tradicionales como el Análisis de Árbol de Fallas (FTA) son demasiado rígidas, sin captar la naturaleza probabilística e interdependiente de los riesgos^{modernos 7,8}. Muchos modelos existentes de resiliencia en la cadena de suministro, ya sean analíticos o impulsados por IA, están diseñados para sectores con muchos activos como la manufactura, centrándose en las interrupciones de los flujos físicos y los buffers^{de inventario 6,9}. Revisiones recientes del sector muestran que estos marcos suelen centrarse en capacidades basadas en el diseño de la cadena de suministro, la colaboración organizativa y la flexibilidad para resistir interrupciones⁹. Paralelamente, el auge de la inteligencia artificial ha introducido nuevas y potentes herramientas para la gestión de riesgos. Como demuestra una revisión sistemática de Zamani et ^al.6, la IA y el análisis de big data han mostrado gran potencial para mejorar la resiliencia, especialmente en la previsión de interrupciones y la optimización de respuestas cuando hay datos históricos^{suficientes 10}.

Sin embargo, persiste una carencia crítica en el contexto único del transporte global de mercancías. Aunque los modelos existentes abordan las interrupciones físicas, a menudo carecen de la granularidad necesaria para captar los factores de riesgo no físicos, pero críticos, como las relaciones comerciales, la integridad de la información y las presiones macroeconómicas, que definen la industria del transitario de mercancías poco activa y^{centrada en servicios 10,11}. Esta carencia en la literatura deja a los líderes del sector a ciegas, armados con intuición pero sin una brújula cuantitativa e inteligente para navegar en un entorno donde los datos son escasos y la explicabilidad causal es fundamental para la toma de decisiones estratégicas.

Este artículo aborda esta carencia introduciendo un novedoso marco de IA Causal diseñado específicamente para el ecosistema de transporte de mercancías. Aprovechamos las Redes Bayesianas (BNs), una forma de modelo gráfico probabilístico que destaca en la intersección de datos, incertidumbre y conocimiento^{experto 11}. Aunque las redes bayesianas son una metodología consolidada, la novedad de esta investigación radica en el novedoso diseño arquitectónico de los modelos, concretamente, su estructuración jerárquica adaptada al panorama de riesgos del transitario, la integración de riesgos comerciales y operativos dispares en un grafo causal cohesivo, y una estrategia de parametrización adaptada al entorno de escasez de datos de la industria. A diferencia de los modelos puramente basados en datos, los BN proporcionan una representación transparente y de caja blanca del sistema, permitiendo tanto el razonamiento predictivo (qué pasaría si) como el diagnóstico (por qué). Este enfoque ha demostrado su poder para desenredar riesgos sistémicos en dominios adyacentes de alto riesgo como la seguridad^marítima 11,12,13,14,15,16 y los sistemas energéticos 7,8,15,16,17,18,19 . Otra evidencia de su versatilidad se encuentra en ingeniería civil, donde modelan riesgos específicos de proyectos^20,21, y en aviación, donde analizan factores causales en accidentes de^{drones 22}. Estas aplicaciones proporcionan una sólida prueba de concepto, pero no existe tal modelo para el panorama único de riesgos del transporte de mercancías, caracterizado por su combinación de presiones comerciales, operativas y estratégicas.

Nuestra contribución es triple, estableciendo un nuevo paradigma para la gestión inteligente del riesgo en logística:
Grafo de conocimiento causal en IA para el riesgo sistémico: Construimos el primer modelo integrado y jerárquico para este sector, yendo más allá de simples listas de riesgos o modelos correlacionales. Sirve como un grafo de conocimiento que visualiza y cuantifica las vías causales desde los cambios geopolíticos hasta el rendimiento global, ofreciendo una visión holística sin igual.
Desde el riesgo abstracto hasta un gemelo digital estratégico: Este modelo traduce riesgos abstractos en su impacto directo sobre los tres KPI principales: Coste, Tiempo y Fiabilidad. Funciona como un gemelo digital estratégico, permitiendo a los responsables de la toma de decisiones simular los efectos de diversas interrupciones y decisiones políticas, poniendo así a prueba su resiliencia antes de que ocurra una crisis.
Intervención estratégica guiada con precisión: A través del análisis de sensibilidad, este marco va más allá de la gestión reactiva de crisis. Identifica los puntos de intervención con mayor apalancamiento dentro del sistema, respondiendo cuantitativamente a preguntas críticas como: ¿Es más eficaz invertir en ciberseguridad o en diversificar las relaciones con los transportistas para mejorar la fiabilidad de la entrega?

Para garantizar la solidez de las reivindicaciones causales, el marco propuesto será validado utilizando estrategias establecidas. Estos incluyen: (1) simular intervenciones dirigidas para comprobar si las predicciones del modelo coinciden con el conocimiento del dominio; (2) realizar análisis de sensibilidad para evaluar el impacto de variables potencialmente omitidas; y (3) utilizar algoritmos de aprendizaje estructural sobre datos de subconjuntos disponibles como verificación cruzada para la estructura de grafo definida por expertos.

En esencia, esta investigación proporciona una brújula cuantitativa impulsada por IA para navegar en el turbulento entorno de la industria. Empodera a los interesados para tomar decisiones informadas en datos y con conciencia causal, transformando el riesgo de una amenaza incontrolable en una variable estratégica manejable, asegurando así tanto resiliencia como una ventaja competitiva.

Protocolo

Marco de modelado de IA causal
El marco de IA causal se construyó sobre la base de las Redes Bayesianas (BNs), una clase de modelos de IA probabilística de caja blanca. A diferencia de los modelos de caja negra como las redes neuronales profundas, las BN ofrecen una estructura transparente ideal para dominios que requieren explicabilidad y razonamiento^{causal 11}. El núcleo del marco era un Grafo Acíclico Dirigido (DAG), que funcionaba como un grafo de conocimiento causal, mapeando explícitamente las relaciones de causa y efecto dentro del ecosistema de transporte de mercancías.

La fuerza de estas relaciones se cuantificó mediante Tablas de Probabilidad Condicional (CPTs). Cada nodo en BN estaba asociado a un CPT. El CPT de un nodo define la probabilidad de que ese nodo esté en cualquier estado particular. Esta probabilidad se condicionaba a los estados de sus nodos padres. Por ejemplo, consideremos el nodo Rendimiento Temporal de la Industria de este modelo. Su CPT define la probabilidad de que el resultado sea Retrasado o Puntual para cada combinación de estados de sus nodos padres: Riesgo de Transporte, Riesgo Operativo y de Cumplimiento, y Riesgo de Socio. Esta capacidad para modelar probabilísticamente dependencias multi-estados ofrecía una ventaja clara en comparación con los métodos deterministas.

La estructura de un BN permitía cálculos de probabilidad eficientes. Permitía calcular la distribución conjunta completa de probabilidad sobre todas las variables. Sea estas variables X = {_{X 1}, ..., X_n}. Esta distribución fue producto de probabilidades condicionales locales. Cada término era la probabilidad de un nodo dado sus nodos padres. Denotamos a los padres del nodo X_i como Pa(X_i). Esta relación se formuló como:

Esta factorización fue la base matemática de los BNs. Hacía que la inferencia en redes complejas fuera computacionalmente^{manejable 23}.

De forma crucial para la gestión de riesgos, el marco soporta la inferencia probabilística bidireccional. Esto permitió un análisis tanto hacia adelante como hacia atrás.
Inferencia predictiva (hacia adelante): Esta forma de inferencia evalúa el impacto potencial de un evento de riesgo específico en el rendimiento general del sistema. Por ejemplo, responde a la pregunta: Si ocurre un ciberataque importante, ¿cuál es la distribución de probabilidad resultante para el Tiempo y el Coste de Entrega? Este cálculo se realizaba configurando el nodo de Ciberataque en un estado específico como evidencia. El BN propagó entonces esta nueva información a través de la red.
Inferencia diagnóstica (hacia atrás): Este tipo de inferencia identifica las causas más probables de un resultado observado. Puede responder a la pregunta: Dado un aumento inesperado de los costes, ¿cuál es la causa raíz más probable? En este escenario, se estableció el KPI de coste como evidencia (por ejemplo, estado = Alto). La red actualizó entonces las probabilidades de todos los posibles factores causales. Esta función es esencial para un análisis eficaz de la causa raíz y esfuerzos de mitigación^{enfocados 22}.

Ingeniería del conocimiento y construcción de grafos causales
La construcción del grafo causal fue una fase crítica de ingeniería del conocimiento. Dada la escasez de datos estructurados sobre riesgos sistémicos, sintetizamos la experiencia del dominio a partir de una revisión específica de la literatura académica e informes autorizados del sector, siguiendo metodologías establecidas para la construcción de modelos^{basados en el conocimiento 24}. Este proceso transformó el conocimiento cualitativo de expertos en una estructura causal formal y legible por máquina, una ventaja clave del enfoque híbrido de IA frente a los métodos puramente basados en^datos.

A través de este procedimiento, se identificó y organizó un conjunto completo de 13 variables en una estructura jerárquica de tres capas, como se muestra en la Figura 1. Delimitó las vías causales desde los impulsores a nivel macro hasta resultados específicos de rendimiento. El modelo constaba de un total de 13 variables, o nodos. Estos nodos se dividen en tres capas distintas: (1) Factores de Riesgo Fundamentales (nodos raíz), (2) Áreas de Riesgo Industriales Centrales (nodos intermedios) y (3) Rendimiento Final de la Industria (nodos hoja). En la Tabla 1 se presenta una especificación detallada de cada variable, sus estados potenciales y sus padres causales.

Capa 1: Factores de riesgo fundamentales
Estos cinco nodos exógenos representan las fuentes de incertidumbre a nivel macro que están en gran medida fuera del control de una empresa, pero crean el entorno en el que opera. Esta selección es coherente con los marcos estratégicos de riesgo que analizan el entorno empresarial externo.
Geopolítica y economía (Nodo 1): Esta categoría combina riesgos políticos y económicos. El papel fundamental de estos factores macroambientales es un tema central en la gestión del riesgo de la cadena de suministro. Como documentan Wu y Li en su análisis de impactos regulatorios como los impuestos al carbono, factores como las disputas comerciales y las regulaciones volátiles influyen directamente en el cumplimiento y la planificación^{operativa 4}. Por lo tanto, operacionalizamos estas condiciones como un driver raíz con estados Inestable y Estable.
Desastres (Nodo 2): Este nodo representa interrupciones a gran escala causadas por catástrofes naturales y pandemias. La creciente frecuencia e impacto de estos eventos en las redes logísticas es un tema central en la literatura sobre resiliencia de la cadena de suministro. Estos riesgos de tipo peligro provocan graves interrupciones en cascada a lo largo de la red logística, subrayando su necesidad como nodo raíz en cualquier marco moderno de riesgo (https://www.millenniumcargo.com/risk-management-freight-forwarding/).
Oferta y demanda de mercado (Nodo 3): Este impulsor se incluye para captar las intensas presiones comerciales inherentes a la industria. Como se demuestra en el análisis de equilibrio de Xu et ^al.3, los desequilibrios entre la capacidad de envío y la demanda son un determinante fundamental de la rentabilidad y la estabilidad de los socios dentro de la cadena de suministro de servicios^{de transporte 3}. Dado su impacto fundamental en todo el ecosistema, lo modelamos como un motor principal.
Solvencia del cliente (Nodo 4): Este nodo representa un riesgo financiero clave que se origina en el entorno empresarial externo. La importancia del riesgo de contraparte, especialmente la viabilidad financiera de los clientes, es un tema bien establecido en la literatura sobre finanzas de la cadena de suministro, que impacta directamente en el flujo de caja y la^{rentabilidad 25}. Por tanto, su inclusión es esencial para modelar la estabilidad financiera.
Entorno de ciberseguridad (Nodo 5): Este nodo representa el panorama externo de amenazas tecnológicas. En una industria cada vez más digitalizada, la ciberseguridad ha evolucionado de problemas técnicos a un riesgo operativo sistémico. Como destacan Garg y^{Vemaraju 5}, la integración de IoT e IA amplifica esta^{vulnerabilidad 5}, convirtiendo el entorno de amenazas externas en un factor exógeno crítico.

Capa 2: Áreas de riesgo principales de la industria
Estos nodos intermedios representan los riesgos directos que enfrentan los transitarios. Estos riesgos abarcan ámbitos operativos, empresariales y tecnológicos. Los nodos funcionan como intermediarios dentro de la cadena causal. Traducen los impulsores a nivel macro en desafíos internos específicos.
Riesgo de transporte (Nodo 6): Este nodo se refiere al movimiento físico de bienes. Su inclusión es fundamental, ya que el transporte es la función central del transporte de mercancías. Se ve directamente afectado por interrupciones físicas (Desastres) y la fiabilidad de los socios logísticos (Riesgo de Socios), un tema recurrente en la literatura sobre gestión de riesgos logísticos (https://genxfreight.co.uk/risk-management-strategies-in-freight-forwarding/).
Riesgo operativo y de cumplimiento (Nodo 7): Esta categoría abarca riesgos en la ejecución diaria y la adhesión normativa. La necesidad de mantener el cumplimiento, especialmente en lo que respecta a la sostenibilidad y los cambios en la normativa, presenta un desafío operativo importante que puede derivar en multas y retrasos, según lo analizaron Wu y^{Li 4}.
Riesgo financiero (Nodo 8): Este nodo representa la estabilidad financiera interna del transitario. Sus factores son multifacéticos, derivados de la volatilidad macroeconómica (geopolítica y economía), las presiones del mercado que afectan a los tipos y la rentabilidad (oferta y demanda del mercado⁾³, y el riesgo directo de impago de contraparte (solvencia del cliente)²⁵.
Riesgo de socio (Nodo 9): Los transitarios operan dentro de una red de socios (transportistas, agentes de aduanas). La fiabilidad de esta red es fundamental. Este nodo se incluye para modelar el riesgo de fallos de socios, que pueden desencadenarse por interrupciones a gran escala (Desastres) o presiones severas del mercado que amenazan su viabilidad^{comercial 3}.
Riesgo tecnológico (Nodo 10): Este riesgo se refiere a las vulnerabilidades de los sistemas digitales internos del transitario. A medida que las empresas adoptan tecnologías más avanzadas como el IoT y la IA, su exposición interna a fallos informáticos y ciberataques aumenta, convirtiendo la resiliencia tecnológica interna en un área de riesgo distinta y^{crítica 5}.

Capa 3: Rendimiento final de la industria
Estos tres nodos hoja representan los resultados finales del negocio y corresponden a las métricas más aceptadas para evaluar el rendimiento logístico y de la cadena de suministro. A menudo se les denomina triángulo logístico o triángulo dorado, donde a menudo existe un intercambio entre ellos.
Rendimiento de costes de la industria (Nodo 11): Representando el coste total del servicio, este es un KPI principal para cualquier operación logística. Es el resultado directo de las eficiencias internas (riesgo operativo y de cumplimiento) y la estabilidad financiera (riesgo financiero).
Rendimiento en tiempo de la industria (Nodo 12): La puntualidad de entrega es una piedra angular de la calidad del servicio logístico. Este KPI es una función directa de la integridad del transporte físico (riesgo de transporte), la fluidez de los procesos diarios (riesgo operativo y de cumplimiento) y la fiabilidad de los socios que ejecutan el servicio (riesgo de socios).
Fiabilidad industrial (Nodo 13): La fiabilidad global del servicio es una medida más amplia de fiabilidad y confianza. Por tanto, este KPI se modela como influido por la integridad del transporte físico (riesgo de transporte), la ejecución operativa (riesgo operativo y de cumplimiento) y la robustez de los sistemas tecnológicos que sustentan los servicios logísticos modernos (riesgo tecnológico). Esta estructura jerárquica proporciona una organización lógica de los factores de riesgo identificados. Además, permite a la Red Bayesiana modelar la propagación del riesgo. Esta propagación fluye desde factores macro externos, pasando por desafíos operativos específicos, hasta los impactos finales y medibles para el negocio.

Parametrización del modelo de IA en un entorno con escasos datos
La parametrización de modelos siguió la definición de estructura de red. Este paso crucial consistía en especificar la probabilidad para cada nodo. No existe un conjunto de datos cuantitativo completo sobre los riesgos sistémicos del transporte de mercancías. Por lo tanto, las probabilidades se obtuvieron mediante una evaluación simulada de un panel de expertos. Esta metodología sintetizaba conocimientos cuantitativos con juicios cualitativos. Las aportaciones se basaron en informes autorizados de la industria y en literatura académica pertinente.

Además, las evaluaciones de riesgos basadas en la literatura y la opinión de expertos contienen una vaguedad y subjetividad inherentes. Se empleó la teoría de conjuntos difusos para explicar formalmente esta^{incertidumbre 19,21}. En consecuencia, las probabilidades provocadas se conceptualizaron como números difusos en lugar de valores de un solo punto. Para mayor claridad en la presentación, este artículo informa de probabilidades claras. Sin embargo, cada valor nítido representa el punto más representativo (por ejemplo, el centroide) de una distribución de probabilidad difusa subyacente. Este enfoque reconoce formalmente que una declaración cualitativa, como alta riesgo, corresponde a un espectro de valores en lugar de a un número único y preciso.

El proceso de parametrización constaba de dos etapas principales. La primera etapa definió las probabilidades marginales para todos los nodos raíz. La segunda etapa definió las probabilidades condicionales para todos los nodos hijos. Esta segunda etapa utilizaba el modelo Noisy-MAX.

Elicitación de probabilidades para nodos raíz
Los nodos raíz del BN corresponden a los nodos 1-5. Estos factores funcionan como las principales fuentes de riesgo. Las probabilidades marginales para estos nodos se estimaron según el procedimiento detallado a continuación. La Tabla 2 presenta los valores estimados finales.
Geopolítica y economía (Nodo 1): La probabilidad de un estado inestable se estimó en 0,30. Este valor se derivó de informes de instituciones como la Organización Mundial del Comercio (OMC). Estos informes documentan tensiones comerciales persistentes y una significativa volatilidad económica global (https://www.wto.org/english/res_e/publications_e/publications_e.htm).
Desastres (Nodo 2): La probabilidad de desastres frecuentes se estableció en 0,15. Esta estimación se basó en análisis de firmas de inteligencia de riesgos. Estos análisis documentan la creciente frecuencia de fenómenos meteorológicos extremos y otras interrupciones a gran escala, incluidas las pandemias (https://www.everstream.ai/risk-center/).
Oferta y demanda de mercado (Nodo 3): La probabilidad de un mercado desequilibrado se estableció en 0,40. Este valor refleja la bien documentada volatilidad en la capacidad de envío y las tarifas de transporte. Esta volatilidad es un tema recurrente en las principales revisiones del sector (https://unctad.org/topic/transport-and-trade-logistics/review-of-maritime-transport).
Solvencia del cliente (Nodo 4): La probabilidad de baja solvencia se estimó en 0,10. Esta cifra se basó en estudios globales de incumplimiento corporativo. Estos estudios cuantifican el riesgo base de impago en transacciones entre empresas (https://www.spglobal.com/ratings/en/regulatory/annual-reviews).
Entorno de ciberseguridad (Nodo 5): La probabilidad de un entorno hostil se estableció en 0,25. Esta estimación se basó en informes sobre amenazas digitales. Estos informes documentan el creciente volumen y la sofisticación de ciberataques dirigidos a cadenas de suministro e infraestructuras críticas (https://www.pwc.com/gx/en/issues/cybersecurity/digital-trust-insights.html).

Elicitación de probabilidades condicionales usando Noisy-MAX
Definir Tablas de Probabilidad Condicional (CPT) para nodos con múltiples padres es una tarea compleja. Por ello, se empleó el modelo Noisy-MAX para gestionar esta^{complejidad 26}. Este modelo es una generalización del conocido marco Noisy-OR. Este enfoque es muy adecuado para modelado basado en el conocimiento porque simplifica significativamente el proceso de elicitación. El modelo reduce el número de parámetros necesarios para cada nodo. En lugar de una CPT completa, solo se estimaron dos tipos de parámetros para cada nodo hijo:
Probabilidades de influencia independientes (ρ_i): Este parámetro cuantifica la probabilidad de un mecanismo causal específico. Representa la probabilidad de que un factor parental único, actuando solo, haga que el nodo hijo entre en su estado de alto riesgo. La estimación de estas probabilidades se basa en un análisis de estudios de caso industriales de alto impacto y bien documentados. Por ejemplo, consideremos la influencia del Entorno de Ciberseguridad en los resultados operativos. El ampliamente citado ciberataque NotPetya contra Maersk proporciona un ejemplo pertinente. Este evento sirve como un ejemplo real de un único fallo tecnológico que causó parálisis operativa global. Por tanto, este caso ofrece una base defendible para estimar una alta probabilidad de influencia independiente para este vínculo causal específico (https://www.wired.com/story/notpetya-cyberattack-ukraine-russia-code-crashed-the-world/).
Probabilidad de fuga (ρ₀): Este parámetro captura la influencia de todas las causas de fondo no modeladas. Estos factores residuales también pueden llevar al nodo niño a entrar en su estado de alto riesgo. La probabilidad de fuga representa así el riesgo de referencia. Este riesgo existe incluso cuando todos los factores parentales explícitamente modelados están en sus estados favorables y de bajo riesgo.
Los parámetros obtenidos para todos los nodos intermedios y hoja se presentan en la Tabla 3. La estimación de estos valores se deriva de una síntesis de informes industriales autorizados y estudios de caso bien documentados. Las siguientes secciones proporcionan la justificación específica de cada parámetro.

Justificación de las probabilidades de nodos intermedios:
Riesgo de transporte (Nodo 6): La influencia de los desastres es alta (0,70). Este valor explica su impacto directo y severo en la infraestructura física (https://www.everstream.ai/risk-center/). La influencia del Riesgo de Socio también es significativa (0,60). Las fallas de los portaaviones conducen a la suspensión inmediata del transporte. El colapso de Hanjin Shipping es un ejemplo destacado de este efecto (https://unctad.org/publication/review-maritime-transport-2024). La baja probabilidad de fuga (0,05) representa fallos físicos menores e aislados.
Riesgo operativo y de cumplimiento (Nodo 7): La influencia de un entorno geopolítico inestable está fijada en 0,50. Un entorno así genera una incertidumbre significativa en el cumplimiento y obstáculos^{operativos 4}. El impacto del riesgo de socio también es considerable (0,40). El incumplimiento de los socios causa directamente fallos operativos y contractuales. La probabilidad de fuga es mayor (0,10) para tener en cuenta el amplio espectro de factores internos no modelados, como errores humanos o de proceso.
Riesgo financiero (Nodo 8): Varios factores influyen fuertemente en este riesgo. En primer lugar, la baja solvencia del cliente (0,90) constituye la amenaza más directa. Representa la alta probabilidad de pérdida financiera por el impago^{del cliente 21}. En segundo lugar, el desequilibrio entre oferta y demanda del mercado (0,80) es muy influyente. Impacta directamente en la volatilidad de las tarifas de flete y la rentabilidad³. En tercer lugar, una geopolítica y una economía inestables (0,60) suponen un fuerte riesgo financiero debido a las fluctuaciones en los precios de la moneda y los combustibles. La muy baja probabilidad de fugas (0,02) implica que una grave dificultad financiera se atribuye casi exclusivamente a estos principales motores económicos.
Riesgo de socio (Nodo 9): Las condiciones de mercado desequilibradas son el principal motor de este riesgo (0,70). La intensa competencia y las bajas tarifas de transporte pueden empujar a los transportistas hacia la insolvencia. Los desastres también son una causa significativa (0,50). Pueden desactivar a los socios regionales o interrumpir su capacidad operativa. La probabilidad de fuga está fijada en un mínimo de 0,05. Este valor representa el riesgo base de fracaso de socios por razones idiosincráticas, como la mala gestión interna, que no se refleja en eventos de mercado o desastres importantes.
Riesgo tecnológico (Nodo 10): Este riesgo está directa y fuertemente influenciado por un entorno hostil de ciberseguridad (0,60). Esto refleja la alta probabilidad de que el aumento de las amenazas externas conduzca a compromisos internos del sistema⁵. La probabilidad relativamente alta de fuga (0,10) explica problemas tecnológicos internos independientes de ataques externos, como errores de software o fallos de hardware.

Justificación de las probabilidades de los nodos hoja:
Rendimiento de costes de la industria (Nodo 11): El alto riesgo financiero es el principal determinante de un resultado de alto coste (0,90). Factores como el impago del cliente tienen un impacto inmediato y severo en la rentabilidad. El alto riesgo operativo y de cumplimiento también es un contribuyente muy importante (0,70). Esto genera costes derivados de ineficiencias, multas y corrección de errores. La probabilidad extremadamente baja de fugas (0,01) sugiere que los grandes sobrecostes son casi exclusivamente causados por estas dos áreas de riesgo principales.
Rendimiento en tiempo de la industria (Nodo 12): El alto riesgo de transporte es la causa más directa de un retraso en el envío (0,85). El alto riesgo de socio es casi igual de influyente (0,75), ya que los forwarders dependen completamente de la ejecución del socio. La influencia del riesgo operativo y de cumplimiento (0,60) es significativa pero comparativamente menor. Algunos problemas operativos, como los retrasos en aduanas, pueden no poner en peligro todo el plazo de entrega (https://lpi.worldbank.org/). La probabilidad de fuga muy baja (0,02) refleja una suposición clave. Si el transporte, las operaciones y los socios funcionan de forma fiable, la probabilidad de un retraso significativo y inexplicable es mínima.
Fiabilidad industrial (Nodo 13): La percepción de baja fiabilidad está más fuertemente influenciada por fallos en el servicio físico central (Riesgo de transporte, 0,80). El riesgo tecnológico es el segundo factor principal (0,65). Las interrupciones del sistema o las brechas de datos socavan gravemente la confianza del cliente y la integridad del servicio. El riesgo operativo y de cumplimiento (0,50) es otro contribuyente significativo, ya que fallos operativos constantes erosionan la percepción de fiabilidad. La probabilidad de fuga (0,03) tiene en cuenta otros factores menores que afectan a la percepción del cliente.

Protocolo computacional para la implementación de modelos
Construcción del modelo: Lanzamos GeNIe y creamos 13 nodos Chance, nombrándolos según la Tabla 1. Utilizamos la herramienta Add Arc para trazar enlaces causales entre los nodos, replicando la estructura mostrada en la Figura 1 (Punto de control visual 1: La estructura final de la red debe coincidir con la Figura 1).
Parametrización: Para cada nodo, abrimos Propiedades para definir sus estados (Tabla 1). Para los nodos raíz, introducimos las probabilidades marginales de la Tabla 2 en la pestaña de Definición. Para los nodos hijos, seleccionamos NoisyMAX como tipo de nodo e introducimos los parámetros de Influencia Causal Independiente (ICP) y Leaky de la Tabla 3.
Ejecución del análisis:
Inferencia base: Hicimos clic en el icono Actualizar creencias en la barra principal para calcular las probabilidades base de todos los nodos. (Punto de control visual 2: Los resultados deben coincidir con los valores de probabilidad de la Figura 2).
Análisis de sensibilidad: Hicimos clic derecho en un nodo KPI (por ejemplo, Coste) para establecerlo como objetivo, navegamos a Network > Sensitivity Analysis, seleccionamos los Nodos Raíz como entradas y ejecutamos el análisis. (Punto de control visual 3: Los diagramas de tornados generados deberían coincidir con los de la Figura 3).

Resultados

Inteligencia base a partir del modelo de IA causal
Primero ejecutamos el marco de IA totalmente parametrizado para generar una instantánea de inteligencia de nivel de sistema de referencia. La inferencia directa del modelo calcula la distribución marginal de probabilidad para cada nodo, proporcionando una previsión cuantitativa del estado de riesgo de impago de la industria. El perfil completo se ilustra en la Figura 2.

Análisis de los ...

Discusión

Este estudio propuso y demostró un marco de IA causal para gestionar el riesgo sistémico en la industria del transporte de mercancías. Los hallazgos no solo identifican factores críticos de riesgo, sino que también ponen de relieve la naturaleza compleja e interconectada del panorama del riesgo. Esta sección analiza las implicaciones más amplias de estos hallazgos, las aplicaciones prácticas para diversos actores y las limitaciones de la investigación actual.

...

Materiales

Lista de materiales utilizados en este artículo

Nombre	Empresa	Número de catálogo	Comentarios
Datos del modelo causal	Los autores (vía Zenodo)	DOI: 10.5281/zenodo.17255289
GeNIe Académico	BayesFusion	Versión 2.3