공급망 교란과 불확실성 심화에 따른 컨테이너 운임 결정요인 변화 분석 = Analysis of Changes in the Determinants of Container Freight Rates under Supply Chain Disruptions and Increasing Uncertainty

다국어 초록 (Multilingual Abstract)

The shipping industry transports over 80% of the global cargo volume and plays a pivotal role in global trade and supply chain stability. In particular, container freight rates serve as a key indicator reflecting the supply-demand dynamics of the shipping market and external shocks, significantly influencing the strategic decision-making and risk management of stakeholders such as shipping companies, shippers, and logistics firms. Recently, the intensification of global supply chain disruptions has been driven by a complex interplay of factors, including the International Maritime Organization (IMO)’s strengthened environmental regulations, the U.S.-China trade war, the Russia-Ukraine conflict, geopolitical tensions such as the Red Sea crisis, and external shocks like the COVID-19 pandemic. These have collectively led to a marked increase in freight rate volatility. Against this backdrop, this study aims to empirically analyze changes in the determinants of the Shanghai Containerized Freight Index (SCFI) before and after supply chain disruptions.
The analysis of SCFI determinants by phase is based on time-series data spanning from January 2016 to December 2024, divided into pre-pandemic (January 2016 – December 2019) and post-pandemic (January 2020 – December 2024) periods for comparative analysis. First, through Latent Dirichlet Allocation (LDA) topic modeling, a comparison between the 2018 U.S.-China trade war period and the recent supply chain environment reveals that while the past was centered on tariff disputes between the U.S. and China, the current issues have expanded to multiple countries including the European Union and members of the Indo-Pacific Economic Framework (IPEF), with strategic industries such as semiconductors, electric vehicles, and batteries becoming focal points in supply chain restructuring. Subsequently, the Business Cycle Clock (BCC) technique was applied to categorize SCFI’s time-series trajectory into four phases: Expansion, Deceleration, Recession, and Recovery. The explanatory variables included external shock factors such as Economic Policy Uncertainty (EPU) and Geopolitical Risk Index (GPR), macroeconomic indicators including Nominal Dollar Index (DNX), Interest Rate (IR), Consumer Price Index (CPI), and Composite Leading Indicator (CLI), as well as shipping industry supply-demand indicators such as changes in vessel capacity and cargo volume. A Decision Tree (DT) classification model was employed to examine the complex interactions among variables within each phase.
The results indicate that in the post-pandemic period, the frequency of Expansion and Recovery phases of SCFI significantly increased compared to the pre-pandemic period, with a notable strengthening of the influence of GPR and EPU. In particular, external shock factors demonstrated relatively greater explanatory power than supply-demand and macroeconomic variables after the supply chain disruptions, suggesting that complex factors such as the Red Sea crisis, trade wars, and global inflationary pressures have driven structural shifts in freight rates. Moreover, the composition and influence of key determinants varied distinctly across phases; for example, the combined effect of supply-demand variables and GPR was more pronounced in the Expansion phase, while macroeconomic indicators and EPU showed higher impact during the Recession phase.
This study empirically elucidates the structural changes in the determinants of freight rates before and after supply chain disruptions and identifies key influencing factors by phase, thereby offering practical implications for strategic decision-making and risk response to stakeholders in the shipping industry. Notably, it contributes academically and practically by proposing an analytical framework that integrates policy uncertainty and geopolitical risk alongside traditional supply-demand analysis.

Keyword: Shipping Industry, Container Freight Rates, Supply Chain, Decision Tree, LDA, Business Cycle Clock

국문 초록 (Abstract)

해운산업은 전 세계 물동량의 80% 이상을 운송하며 글로벌 무역과 공 급망 안정성에 핵심적인 역할을 수행한다. 특히 컨테이너 해상운임은 해운 시장의 수급 상황과 외부 충격을 반영하는 핵심 지표로, 선사·화주·물류기 업 등 이해관계자들의 경영 전략 수립과 리스크 관리에 중요한 영향을 미 친다. 최근 국제해사기구 (IMO)의 환경규제 강화, 미·중 무역전쟁, 러시아 -우크라이나 전쟁, 홍해 사태 등 지정학적 갈등, 그리고 COVID-19 팬데 믹과 같은 외부 충격이 복합적으로 작용하면서 글로벌 공급망 교란이 심 화되었고, 해상운임 변동성도 크게 확대되었다. 이러한 배경에서 본 연구 는 공급망 교란 전후의 SCFI 결정 요인 변화를 실증적으로 분석하는 것을 목적으로 한다.
국면별 SCFI 결정 요인 분석은 2016년 1월부터 2024년 12월까지의 시 계열 데이터를 기반으로, 팬데믹 이전기간 (2016.01 – 2019.12)과 팬데믹 이후기간 (2020.01 – 2024.12)으로 기간을 구분하여 비교 분석하였다. 먼 저 LDA 토픽 모델링을 통해 2018년 미·중 무역전쟁 시기와 최근 공급망 상황을 비교한 결과, 과거에는 미국과 중국 간 관세 분쟁이 중심이었으나, 최근에는 EU, IPEF 참여국 등 다수 국가로 확산되며 반도체·전기차·배터 리 등 전략 산업과 연계된 공급망 재편이 중요한 이슈로 부상한 것을 확인하였다. 이어 BCC 기법을 활용해 SCFI의 시계열 흐름을 상승, 둔화, 침 체, 회복 네 국면으로 구분하였다. 분석 변수로는 EPU, GPR와 같은 외부 충격 요인, DNX, IR, CPI, CLI 등의 거시경제 지표, 그리고 선복량 (Capacity) 및 물동량 (Volume) 변화율 등 해운산업 수급 지표를 포함하 였다. 각 국면별 결정 요인의 영향력은 DT 분류 모델을 적용하여 변수 간 의 복합적인 상호작용 관계를 확인하였다.
연구결과, 이후기간에는 SCFI의 상승 및 회복 국면의 빈도가 이전 대 비 크게 증가하였으며, GPR과 EPU의 영향력이 강화되는 양상이 확인되 었다. 특히 공급망 교란 이후 시기에는 외부 충격 요인이 수급·거시경제 변수와 비슷한 설명력을 보였으며, 이는 홍해사태, 무역전쟁, COVID-19 펜데믹 등 복합 요인이 해상운임의 구조적 변동을 주도했음을 시사한다. 또한 국면별로 주요 결정 요인의 구성과 영향력이 뚜렷하게 달라졌는데, 예를 들어 상승 국면에서는 수급 변수와 GPR의 결합 효과가, 침체 국면에 서는 거시경제 지표와 EPU의 영향력이 상대적으로 높게 나타났다.
본 연구는 공급망 교란 전후의 해상운임 결정 구조를 실증적으로 규명 하고, 국면별 주요 영향 요인을 제시함으로써 해운산업 이해관계자들에게 전략적 의사결정과 리스크 대응을 위한 실질적 시사점을 제공한다. 특히, 전통적인 수급 분석에 더해 정책 불확실성과 지정학적 리스크를 결합한 분석 틀을 제시하였다는 점에서 학문적·실무적 의의를 지닌다.

주제어: 해운산업, 컨테이너 운임, 공급망, Decision Tree, LDA, 경기순환시계

목차 (Table of Contents)

• 표목차 ⅲ
• 그림목차ⅳ
• 국문초록Ⅴ
• Ⅰ. Introduction 1
• 1. Importance of Ocean Freight Rates Forecasting 1
• 1.1. Container Freight Rates 1
• 1.2. Environmental Regulation 2
• 1.3. Supply Chain 4
• 1.4. Research Objective 6
• 2. Research Dissertation Structure 7
• Ⅱ. Literature Review 9
• 1. Shipping Industry 9
• 1.1. Container Freight Rates 9
• 1.2. Newbuilding Price 11
• 2. Supply Chain 12
• 3. Differences from Previous Studies 13
• Ⅲ. Methodology 15
• 1. Research Design 15
• 2. Latent Dirichlet Allocation 16
• 2.1. Natural Language Processing 16
• 2.2. Latent Dirichlet Allocation 17
• 3. Business Cycle Clock 17
• 4. Decision Tree 20
• 4.1. Decision Tree 20
• 4.2. Data Pre-processing and Model Evaluation 24
• Ⅳ. Results 26
• 1. LDA 26
• 1.1. 2018.01 – 2019.12 27
• 1.2. 2023.01 – 2024.06 28
• 2. Data 30
• 3. Business Cycle Clock 33
• 4. Model Validation 35
• 5. Decision Tree 37
• 5.1. 2016.01 – 2019.12 37
• 5.2. 2020.01 – 2024.12 39
• 6. Changes in Determinants 43
• Ⅴ. Discussion 46
• Ⅵ. Conclusion 49
• Reference 50
• ABSTRACT 59
• Appendix 62