Wprowadzenie
W artykule zwrócono uwagę na lukę obrotów ła-dunkowych masowych ciekłych w głównych pol-skich portach morpol-skich oraz na ich prognozowanie za pomocą sztucznych sieci neuronowych. Problem badawczy, jaki postawiono w artykule, sformułowano w postaci pytania: czy luka obrotów ładunkowych masowych ciekłych będzie dokładnie prognozowana za pomocą sztucznych sieci neuronowych i jak długo trwa uczenie. Hipotezę sformułowano w następujący sposób: sztuczna sieć neuronowa przyczynia się do rozpoznania wzorca kształtowania luki obrotów ła-dunkowych masowych ciekłych i jego wzorzec można przenosić w przyszłość (w krótkoterminową perspek-tywę). Celem badawczym jest ocena luki obrotów ładunkowych i rozpoznanie jej wzorca, na podstawie którego zostaną wyznaczone prognozy.
Artykuł składa się z następujących części: wpro-wadzenia; skróconego przeglądu literatury; opisu metodyki, etapów badania, zaprezentowana danych i przeprowadzenia pre‑analizy; przedstawienia wyni-ków empirycznych dla prognoz za pomocą sztucznych sieci neuronowych; zakończenia konkluzjami.
Skrócony przegląd literatury
Współczesne gospodarki ulegają ciągłym dyna-micznym zmianom, które są pochodną trendów i cykli (dryfowania gospodarki) oraz czynników przypad-kowych (szoków popytowo ‑podażowych czy tech-nologicznych innowacji)1. Jak zauważył Paprocki niezwykle istotne jest uwzględnianie czynników
* Dr Elżbieta Szaruga, Uniwersytet Szczeciński, In-stytut Gospodarki Przestrzennej i Gospodarki Społeczno‑
‑Ekonomicznej.
** Artykuł jest częścią projektu pt. „Polskie porty morskie w obsłudze obrotów ładunkowych” w ramach grantu NCN
„Miniatura 3”; 2019/03/X/HS4/02039.
1 E. Szaruga, Racjonalizacja energochłonności trans‑
portu samochodowego. Wyzwanie XXI wieku, Edu‑Libri, Kraków ‑Legionowo 2018, s. 22, 62–89.
przypadkowych w procesach ekonomicznych w kon-tekście megatrendów, tym bardziej w przypadku zja-wisk, takich jak długoterminowa nierównowaga czy irracjonalne zachowania2.
Skoro tak ważne są megatrendy, warto dodać, że Pieriegud rozpatruje je w kontekście kilku wymiarów:
technologicznego, ekologicznego i socjodemogra-ficznego, odnosząc je do sektora infrastrukturalnego.
Wśród megatrendów wymienia m. in.3: inteligentne miasta; big data; łączność i konwergencję; sztuczną inteligencję, automatykę i robotykę; urbanizację; glo-balny wzrost populacji; starzejącą się populację; zrów-noważenie; wyczerpywalność zasobów; odnawialną energię; globalizację; ekonomię współdzielenia.
Wśród wymienionych megatrendów, obecnie w epoce Przemysłu 4.0, znaczącą rolę odgrywa sztuczna inteligencja. Kwintesencją tego spostrze-żenia jest wypowiedź Mączyńskiej: „świat jest obec-nie u progu tzw. czwartej rewolucji przemysłowej (Przemysł 4.0), wyrażającej się w rozwoju sztucznej inteligencji, stanowiącej połączenie potencjału fizycz-nego, cyfrowego i biologiczfizycz-nego, w tym technologii wszczepialnych”4.
W ramach sztucznej inteligencji, szczególne miej-sce zajmują sztuczne sieci neuronowe, którym poświę-cono uwagę w tej pracy. Zastosowano je do progno-zowania obrotów ładunkowych masowych ciekłych w głównych polskich portach morskich. Porty morskie
2 W. Paprocki, Kreowanie megatrendów – role publicz‑
nego gospodarza i prosumenta, w: J. Gajewski, W. Paprocki, J. Pieriegud (red.), Megatrendy i ich wpływ na rozwój sek‑
torów infrastrukturalnych, Instytut Badań nad Gospodarką Rynkową, Gdańska Akademia Bankowa, Gdańsk 2015, s. 116.
3 J. Pieriegud, Wykorzystanie megatrendów do analizy przyszłościowego rozwoju sektorów gospodarki, w: J. Ga-jewski, W. Paprocki, J. Pieriegud (red.), Megatrendy i ich wpływ na rozwój sektorów infrastrukturalnych, Instytut Badań nad Gospodarką Rynkową, Gdańska Akademia Ban-kowa, Gdańsk 2015, s. 8, 22.
4 E. Mączyńska, Społeczny wymiar gospodarki, Polski Kompas, Rocznik instytucji finansowych i spółek akcyjnych, Warszawa 2019.
ISCELLANEA są uważane za barometr gospodarki, co potwierdza
w swojej wypowiedzi Zarzecki: „Porty są pierwszym barometrem, który pokazuje stan gospodarki, to pierw-szy sygnał tego, co dzieje się w gospodarce, i to się potwierdza”5.
Zastosowaniem sztucznych sieci neuronowych do szacowania wielkości w portach morskich zajmowali się między innymi: Al‑Deek6, Bilegan, Crainic i Gen-dreau7, Xie i Huynh8, Gökkus i Yildirim9, Patil i Sahu10. Luką popytową zaś: Grant i Chan11, Amador ‑Torres i in.12, de Carvalho i Rua13.
Dane, metodyka, etapy, pre‑analiza
Badanie zostało przeprowadzone na podstawie danych wtórnych pochodzących z Roczników staty‑
stycznych gospodarki morskiej14 na przykładzie głów-nych polskich portów morskich (Gdańsk, Gdynia, Szczecin, Świnoujście, Police). Analiza dotyczy mie-sięcznych szeregów czasowych od 2009 r. do 2018 r.
(2009:M1‑2018:M12) dla obrotów ładunkowych ma-sowych ciekłych.
Na wykresie 1 przedstawiono łączne obroty ładun-kowe masowe ciekłe w latach 2009–2018 w głównych portach morskich, a w tabeli 1 – ich statystyki opisowe.
5 Port – pierwszy barometr stanu gospodarki, komentarz prof. Zarzeckiego, PortyMorskie.pl, 16.12.2019 r., http://
polska‑morska.pl/index.php/pl/port‑pierwszy‑barometr‑
stanu‑gospodarki (15.06.2020).
6 H.M. Al‑Deek, Which Method Is Better for Develo‑
ping Freight Planning Models at Seaports – Neural Ne‑
tworks or Multiple Regression? Transportation Research Record: „Journal of the Transportation Research Board”
2001, vol. 1763(1).
7 I.C. Bilegan, T.G. Crainic, M. Gendreau, Forecasting freight demand at intermodal terminals using neural ne‑
tworks – an integrated framework, „European Journal of Operational Research” 2008, vol. 13.
8 Y. Xie, N. Huynh, Kernel ‑based machine learning mo‑
dels for predicting daily truck volume at seaport terminals,
„Journal of Transportation Engineering” 2010, vol. 136(12).
9 Ü. Gökkuş, M.S. Yıldırım, M.A. Aydin, Determination of the Optimum Berth Number of the Izmir Seaport by De‑
terministic and Probabilistic Methods Based on Artificial Neural Networks, „International Journal of Hybrid Infor-mation Technology” 2015, vol. 8(9).
10 G.R. Patil, P.K. Sahu, Simultaneous dynamic demand estimation models for major seaports in India, „Transpor-tation Letters” 2017, vol. 9(3).
11 A.L. Grant, J.C. Chan, Reconciling output gaps: Unob‑
served components model and Hodrick ‑Prescott filter, „Jo-urnal of Economic Dynamics & Control” 2017, vol. 75.
12 J.S. Amador ‑Torres, J.E. Gomez ‑Gonzalez, J.N. Ojeda‑
‑Joya, O.F. Jaulin ‑Mendez, F. Tenjo ‑Galarza, Mind the gap:
Computing finance ‑neutral output gaps in Latin ‑American economies, „Economic Systems” 2016, vol. 40.
13 M. de Carvalho, A. Rua, Real ‑time nowcasting the US output gap: Singular spectrum analysis at work, „Interna-tional Journal of Forecasting” 2017, vol. 33.
14 Rocznik Statystyczny Gospodarki Morskiej, GUS, Warszawa ‑Szczecin 2013; 2014; 2015; 2016; 2017; 2018; 2019.
Wykres 1. Miesięczne obroty ładunkowe masowe ciekłe w głównych portach morskich w latach 2009–2018 (tys. ton)
Pogrubiona linia – dane surowe; linia przerywana – linia najlep-szego dopasowania ze średniej ruchomej z dwóch okresów.
Źródło: opracowanie na podstawie danych z Roczników Staty-stycznych Gospodarki Morskiej, GUS, Warszawa ‑Szczecin 2013; 2014; 2015; 2016; 2017; 2018; 2019.
Tabela 1. Statystyki opisowe obrotów ładunkowych masowych ciekłych w głównych portach morskich 2009:M1‑2018:M12 (tys. ton)
Średnia Mediana Minimum
1443,95 1473,75 484,700
Maksimum Odchylenie
standardowe Wskaźnik zmienności
2614,60 423,140 0,293043
Źródło: obliczenia własne na podstawie danych z Roczników Statystycznych Gospodarki Morskiej, GUS, Warszawa–Szcze-cin 2013; 2014; 2015; 2016; 2017; 2018; 2019.
Na podstawie wykresu 1 można zauważyć rosnącą tendencję obrotów ładunkowych, która ma zaburzony wzorzec kształtowania się danych w czasie. Może to być uwarunkowane komponentem trendowo‑
‑cyklowym, sezonowością i szokami (komponentem nieregularnym), co zostanie zbadane na kolejnym etapie pre‑analizy. Ze statystyk opisowych zawartych w tabeli 1 wynika, że obroty ładunkowe masowe ciekłe charakteryzowały się dużą zmiennością w ba-danym okresie: współczynnik zmienności na pozio-mie 29,3% a rozstęp, czyli różnica między wartością maksymalną a minimalną wynosił 2129,9 (ok. 1,5 razy więcej niż wartość średniej).
Do rozpoznania wzorca zaburzenia szeregów cza-sowych obrotów ładunkowych macza-sowych ciekłych wykorzystano metodę TRAMO/ SEATS z detekcją i korekcją obserwacji odstających (krytyczna war-tość obserwacji odstających 3,3). Transformacja została przeprowadzona automatycznie poprzez ko-rekcję średniej. Parametry ARIMA to: niesezonowe
różnice: 1; sezonowe różnice: 1; niesezonowe wa-runki AR: 0; sezonowe wawa-runki AR: 0; niesezonowe warunki MA: 1; sezonowe warunki MA: 1. Wyniki dekompozycji metodą TRAMO/ SEATS przedstawiono na wykresie 2.
Jak wynika z wykresu 2, szeregi czasowe są kształtowane wyłącznie przez dwa komponenty, tzn. trendowo ‑cyklowy i nieregularny (szoki, wahania przypadkowe). Dane nie charakteryzowały się sezo-nowością, mimo że w specyfikacji TRAMO/ SEATS założono dostosowanie sezonowe. Kluczowy wpływ na zaburzenia wzorca kształtowania się szeregów czasowych obrotów ładunkowych masowych ciekłych w głównych polskich portach morskich miały zatem szoki popytowo ‑podażowe.
Kolejnym krokiem było dokonanie dekompozycji komponentu trendowo ‑cyklowego za pomocą filtracji Hodricka ‑Prescotta (pasmo przenoszenia λ = 14400) na komponent trendowy i komponent cykliczny (wy‑
kres 3).
Z dekompozycji za pomocą filtru Hodricka‑
‑Prescotta jednoznacznie wynika, że od 2010:M10 do 2012:M09 był trend zniżkujący, w pozostałych okre-sach trend wzrostowy. Komponent cykliczny charakte-ryzował się zaś zróżnicowanymi fazami i amplitudami.
Dochodzi do efektu przeciekania, czyli nakładania się na siebie cykli o różnych długościach (liczonych od depresji do depresji), co zostało potwierdzone analizą spektralną (wykres 4).
Na podstawie uzyskanego komponentu trendowego i cyklicznego możliwe było oszacowanie oczyszczonej z szoków luki obrotów ładunkowych. Przedstawiono ją jako relację obrotów ładunkowych oczyszczonych z szoków do obrotów ładunkowych oczyszczonych z szoków i pomniejszonych o cykl. Innymi słowy, jest to relacja rzeczywistych obrotów ładunkowych pomniejszonych o potencjalne obroty ładunkowe do potencjalnych obrotów ładunkowych (wykres 5).
Na podstawie wykresu 5 można zauważyć dużą rozpiętość luki obrotów ładunkowych masowych cie-kłych. W skrajnych przypadkach wynosiła ona –37%
i +39% potencjalnych obrotów ładunkowych maso-wych ciekłych. Współczynnik zmienności wynosił aż 8514,2%, podczas gdy uśredniona wartość luki obro-tów ładunkowych masowych ciekłych –0,0018864%.
O tej zmienności świadczą nakładające się na siebie fazy cyklów (efekt przeciekania) i szybkiego podą-żania za dryfem.
Na podstawie uzyskanych wyników dla oczyszczo-nej luki obrotów ładunkowych masowych ciekłych, zbudowano przestrzeń robocza dla sztucznych sieci neuronowych do predykcji luki obrotów ładunkowych masowych ciekłych na przyszłe okresy.
Na rysunku 1 przedstawiono model prognozo-wania obrotów ładunkowych masowych ciekłych za pomocą sztucznych sieci neuronowych. Zawiera ona tylko 4 komponenty, z czego tylko jeden to narzędzie analizy danych, a trzy pozostałe do dane wejściowe, Wykres 2. Komponent trendowo ‑cyklowy (górny) i komponent nieregularny (dolny) obrotów
ładunkowych masowych ciekłych w głównych portach morskich 2009:M1‑2018:M12 (tys. ton)
Na górnym wykresie czerwoną linią oznaczono surowe szeregi, niebieską – komponent trendowo ‑cyklowy.
Źródło: obliczenia własne na podstawie danych z Roczników Statystycznych Gospodarki Morskiej, GUS, Warszawa–Szczecin 2013; 2014; 2015; 2016; 2017; 2018; 2019.
ISCELLANEA Wykres 3. Komponent trendowy i cykliczny dla obrotów
ładunkowych masowych ciekłych w głównych portach morskich 2009:M1‑2018:M12 (tys. ton)
Źródło: obliczenia własne na podstawie danych z Roczników Staty-stycznych Gospodarki Morskiej, GUS, Warszawa–Szczecin 2013;
2014; 2015; 2016; 2017; 2018; 2019.
Wykres 4. Periodogram dla cyklu obrotów ładunkowych masowych ciekłych
Źródło: obliczenia własne na podstawie danych z Roczników Staty-stycznych Gospodarki Morskiej, GUS, Warszawa–Szczecin 2013;
2014; 2015; 2016; 2017; 2018; 2019.
Wykres 5. Oczyszczona z szoków luka obrotów ładunkowych masowych ciekłych (% potencjalnych obrotów ładunkowych masowych ciekłych)
Szarym pasem zaznaczono recesję NBER.
Źródło: obliczenia własne na podstawie danych z Roczników Staty-stycznych Gospodarki Morskiej, GUS, Warszawa–Szczecin 2013;
2014; 2015; 2016; 2017; 2018; 2019.
wyjściowe i raport dokumentów. W przestrzeni tej można włączać nieskończoną ilość danych z po-działem na poszczególne porty (każdy z osobna, jak i wszystkie łącznie) i uruchomić skrypt VB (Visual Basic). Przestrzeń robocza do analizy danych jest niezwykle użytecznym narzędziem i przydatnym z punktu widzenia użytkownika końcowego. W komponencie danych wejścio-wych dokonuje się wyboru odpowiedniej zmien-nej/zmiennych. W narzędziu SANN ustawia się parametry niezbędne do uruchomienia analizy.
Po uruchomieniu otrzymuje się nowy zestaw danych (wartości prognozowane) i raporty.
Na rysunku 2 przedstawiono jeden typ sieci neuronowej, który został użyty w trakcie analizy właściwej, to jest 1‑4‑1.
Na rysunku 2 przedstawiono architekturę sieci neuronowej. Do warstwy wejściowej (1) wprowadzane są dane, w której następuje uru-chomienie funkcji aktywacji. Kolejno w war-stwie ukrytej dzięki funkcji aktywacji można określić wartości wyjściowe neuronów ukrytych (4). W warstwie wyjściowej uruchomione są neurony z warstwy ukrytej (1).
W następnej części zaprezentowano wyniki prognoz z sieci neuronowej. Podstawową me-todą uczenia się będzie zastosowany algorytm BFGS (zmienna metryczna, Quasi ‑Newton) w jednokierunkowej sieci wielowarstwowej.
Wyniki empiryczne
W tabeli 2 przedstawiono wyniki jakości dla modelu sieci neuronowej dla obrotów ładunków masowych ciekłych. Przedstawiono w niej także informacje o funkcjach aktywacji i liczbę nie-zbędnych iteracji.
Jak wskazano w tabeli 2, jakość modelu jest relatywnie wysoka; jakość uczenia na pozio-mie 93,14%, testowa 90,19% i walidacji 86,66%.
Uczenie sieci jest bardzo szybkie, bowiem trwa tylko w 8 epokach i sprowadza się do dwóch li-niowych funkcji aktywacji, zarówno w warstwie ukrytej, jak i wyjściowej.
Wartości wag przedstawiono w tabeli 3.
Na rysunkach 6 i 7 przedstawiono pro-gnozy obrotów ładunków masowych ciekłych odpowiednio w okresach 2009:M1 ‑2018:M12 i 2019:M1 ‑2019:M3. Wynika z nich, że dopa-sowanie prognozowanych wartości przez sieci neuronowe jest bardzo dobre do danych rzeczy-wistych. W przypadku wszystkich prób, widać miesięczne przesunięcie. W przypadku próby uczącej prawie idealne dopasowanie. Zatem sztuczne sieci neuronowe są w tym przypadku dobrym narzędziem do wyznaczania prognoz tego typu. Wykorzystano zatem jego zdobycze
do wyliczenia prognoz na przyszłe okresy, tj. 2019:M1 ‑2019:M3. Z przeprowadzo-nych obliczeń wynika, że luka obrotów ładunkowych masowych ciekłych będzie wynosiła odpowiednio: –4,19%, –4,32%
oraz –4,64%.
Konkluzje
Na podstawie przeprowadzonych badań można sądzić, że luka obrotów ładunko-wych masoładunko-wych ciekłych będzie otwierała się ku ujemnej na poziomie poniżej –4%
potencjalnych obrotów ładunkowych ma-sowych ciekłych. Oznacza to, że oczeki-wania, co do obrotów ładunkowych prze-wyższają możliwości. Niewątpliwie ma to niekorzystne odbicie dla gospodarki, bowiem w ładunkach masowych ciekłych mieści się ropa naftowa i jej pochodne.
A te są podstawowym stymulatorem go-spodarki z punktu wolumenowego,
ce-notwórczego i inflacjogennego. Zgodnie z tym, co powszechnie przyjęło się sądzić, obroty ładunkowe w portach morskich wyprzedzają koniunkturę gospo-darki, są pierwszym sygnałem na temat jej kondycji.
Dlatego tak istotne jest ich prognozowanie.
Prognozowanie obrotów ładunkowych masowych ciekłych może być przeprowadzone na pojedynczej
sieci neuronowej o określonej architekturze lub na zespole różnych sieci neuronowych o różnej licz-bie neuronów ukrytych i funkcji aktywacji. Dzięki możliwości zastosowania różnych funkcji osobno na neuronach ukrytych i wyjściowych, sztuczne sieci neuronowe mogą uczyć się i dokładniej odnaleźć wzorzec kształtowania danych. Prognozy uzyskane Tabela 3. Wagi sieci MLP 1‑4‑1
wagiID
Wagi sieci połączenia
1.MLP 1‑4‑1 wartości wag
1.MLP 1‑4‑1 1 luka_obrotów –1 → ukryty neuron 1 –0,69000 2 luka_obrotów –1 → ukryty neuron 2 –0,29740 3 luka_obrotów –1 → ukryty neuron 3 –1,06512 4 luka_obrotów –1 → ukryty neuron 4 –0,85861 5 przesunięcie wejściowych → ukryty neuron 1 0,30268 6 przesunięcie wejściowych → ukryty neuron 2 0,13911 7 przesunięcie wejściowych → ukryty neuron 3 0,74897 8 przesunięcie wejściowych → ukryty neuron 4 0,56110
9 ukryty neuron 1 → luka_obrotów –0,20038
10 ukryty neuron 2 → luka_obrotów –0,10911 11 ukryty neuron 3 → luka_obrotów –0,45287 12 ukryty neuron 4 → luka_ obrotów –0,34331 13 przesunięcie ukrytych → luka_ obrotów 0,62725 Źródło: opracowanie na podstawie danych jak do wykresu 1.
Rysunek 1. Przestrzeń robocza do analizy obrotów ładunkowych masowych ciekłych w głównych polskich portach morskich
Źródło: opracowanie własne.
Rysunek 2. Architektura sieci neuronowej
Warstwa wyjściowa Warstwa
wejściowa Warstwa
ukryta
n = 4
n = 1 n = 1
Sieć nauronowa 1-4-1
Źródło: opracowanie własne.
Tabela 2. Jakość sieci neuronowej
Id sieci neuronowej Nazwa sieci Jakość
uczenia Jakość
testowa Jakość
walidacji Aktywacja
(ukryte) Aktywacja (wyjściowe)
1 (BFGS8; SOS) MLP 1‑4‑1 93,14% 90,19% 86,66% liniowa liniowa
Źródło: opracowanie na podstawie danych jak do wykresu 1.
ISCELLANEA Wykres 6. Prognoza szeregu czasowego za
pomocą sztucznej sieci neuronowej 2009:M1‑2018:M12
Górny rysunek – wszystkie próby; dolny rysunek – próba ucząca.
Źródło: obliczenia własne na podstawie danych z Roczników Statystycznych Gospodarki Morskiej, GUS, Warszawa–Szcze-cin 2013; 2014; 2015; 2016; 2017; 2018; 2019.
Wykres 7. Prognoza szeregu czasowego za pomocą sztucznej sieci neuronowej 2019:M1‑2019:M3
2018:M01‑2018:M12 – dane historyczne (do prognozy uwzględ-niono wszystkie obserwacje, na wykresie przedstawiono tylko wycinek).
Źródło: obliczenia własne na podstawie danych z Roczników Statystycznych Gospodarki Morskiej, GUS, Warszawa–Szcze-cin 2013; 2014; 2015; 2016; 2017; 2018; 2019.
na próbie uczącej są dokładniejsze niż dla wszystkich prób, ale uwzględniają efekt opóźnienia. Podobne ba-dania warto rozszerzyć także o sieci Kohenena w celu odwzorowania sąsiedztwa poszczególnych portów morskich.
Bibliografia
Al‑Deek H.M., Which Method Is Better for Developing Freight Planning Models at Seaports – Neural Networks or Multiple Regression? Transportation Research Record: „Journal of the Transportation Research Board” 2001, vol. 1763(1), s. 90–97.
Amador ‑Torres J.S., Gomez ‑Gonzalez J.E., Ojeda ‑Joya J.N., Jaulin ‑Mendez O.F., Tenjo ‑Galarza F., Mind the gap:
Computing finance ‑neutral output gaps in Latin ‑American economies, „Economic Systems” 2016, vol. 40, s. 444–452.
Bilegan I.C., Crainic T.G., Gendreau M., Forecasting freight demand at intermodal terminals using neural networks‑an integrated framework, „European Journal of Operational Research” 2008, vol. 13, s. 22–36.
de Carvalho M., Rua A., Real ‑time nowcasting the US output gap: Singular spectrum analysis at work, „International Journal of Forecasting” 2017, vol. 33, s. 185–198.
Gökkuş Ü., Yıldırım M.S., Aydin M.A., Determination of the Optimum Berth Number of the Izmir Seaport by Deterministic and Probabilistic Methods Based on Arti‑
ficial Neural Networks, „International Journal of Hybrid Information Technology” 2015, vol. 8(9), s. 11–24.
Grant A.L., Chan J.C., Reconciling output gaps: Unobserved components model and Hodrick ‑Prescott filter, „Journal of Economic Dynamics & Control” 2017, vol. 75, s. 114–121.
Mączyńska E., Społeczny wymiar gospodarki, Polski Kom-pas, Rocznik instytucji finansowych i spółek akcyjnych, Warszawa 2019, s. 92–96.
Patil G.R., Sahu P.K., Simultaneous dynamic demand estima‑
tion models for major seaports in India, „Transportation Letters” 2017, vol. 9(3), s. 141–151.
Paprocki W., Kreowanie megatrendów – role publicznego gospodarza i prosumenta, w: J. Gajewski, W. Paprocki, J. Pieriegud (red.), Megatrendy i ich wpływ na rozwój sek‑
torów infrastrukturalnych, Instytut Badań nad Gospodarką Rynkową, Gdańska Akademia Bankowa, Gdańsk 2015.
Pieriegud J., Wykorzystanie megatrendów do analizy przy‑
szłościowego rozwoju sektorów gospodarki, w: J. Gajew-ski, W. Paprocki, J. Pieriegud (red.), Megatrendy i ich wpływ na rozwój sektorów infrastrukturalnych, Instytut Badań nad Gospodarką Rynkową, Gdańska Akademia Bankowa, Gdańsk 2015.
Port – pierwszy barometr stanu gospodarki, komentarz prof. Zarzeckiego, PortyMorskie.pl, 16.12.2019 r., http://
polska‑morska.pl/index.php/pl/port‑pierwszy‑barometr‑
stanu‑gospodarki (15.06.2020).
Rocznik Statystyczny Gospodarki Morskiej, GUS, Warszawa‑
‑Szczecin 2013, 2014, 2015, 2016, 2017, 2018, 2019.
Szaruga E., Racjonalizacja energochłonności transport sa‑
mochodowego. Wyzwanie XXI wieku, Edu‑Libri, Kraków‑
‑Legionowo 2018.
Xie Y., Huynh N., Kernel ‑based machine learning models for predicting daily truck volume at seaport terminals, „Jour-nal of Transportation Engineering” 2010, vol. 136(12), s. 1145–1152.