Analysis of automatic identification system (AIS) vessel call records can greatly improve our understanding of container vessel dwell times when coupled with information on port volumes and vessel schedules. Port productivity discussions often use vessel time in port—referred to as dwell time, turnaround time, or berth time—as a primary metric. This emphasis implies a need to understand the factors that determine dwell time, especially in port comparisons. Previous dwell time analyses have been handicapped by limited data. This analysis differs in that it uses a multiyear, multiport database covering all relevant vessel calls at major continental U.S. container ports (Baltimore, Boston, Charleston, Houston, Jacksonville, Long Beach, Los Angeles, Miami, Mobile, New Orleans, Northwest Seaport Alliance, New York–New Jersey, Oakland, Palm Beach, Philadelphia, Port Everglades, Savannah, Virginia, and Wilmington, NC), and by including vessel schedules and seasonality. The analysis indicated a much stronger association of dwell time with expected cargo volume at each call than with vessel capacity, and expected cargo volumes helped explain port dwell time differences. The analysis also found that vessel schedules may be the primary determinants of dwell time, and that schedule adherence may thus be equally important as dwell time per se. Seasonality also affected container vessel dwell time, but that influence may be complex as both weather conditions and seasonal cargo peaks probably affect the outcomes. Promising avenues for future research lie in merging AIS vessel call records with other data sets that, unfortunately, may not yet exist or be accessible.

分析自动识别系统 (AIS) 船舶呼叫记录，结合港口容量和船舶时刻表信息，可以大大提高我们对集装箱船舶停留时间的了解。港口生产力讨论通常使用船舶在港口的时间（称为停留时间、周转时间或泊位时间）作为主要指标。这种强调意味着需要了解决定停留时间的因素，尤其是在端口比较中。以前的驻留时间分析受到有限数据的阻碍。该分析的不同之处在于它使用了一个多年的多港口数据库，涵盖了美国大陆主要集装箱港口（巴尔的摩、波士顿、查尔斯顿、休斯顿、杰克逊维尔、长滩、洛杉矶、迈阿密、莫比尔、新奥尔良、西北海港联盟）的所有相关船舶停靠，纽约-新泽西，奥克兰，棕榈滩，费城、大沼泽地港、弗吉尼亚州萨凡纳和北卡罗来纳州威尔明顿），并包括船舶时刻表和季节性。分析表明，停留时间与每次停靠的预期货物量的关联性比与船舶容量的相关性强得多，预期货物量有助于解释港口停留时间的差异。分析还发现，船舶时间表可能是停留时间的主要决定因素，因此，遵守时间表可能与停留时间本身同等重要。季节性也影响集装箱船的停留时间，但这种影响可能很复杂，因为天气条件和季节性货物高峰都可能影响结果。未来研究的有希望的途径在于将 AIS 船舶呼叫记录与其他数据集合并，不幸的是，这些数据集可能尚不存在或无法访问。弗吉尼亚州和北卡罗来纳州威尔明顿），并包括船舶时刻表和季节性。分析表明，停留时间与每次停靠的预期货物量的关联性比与船舶容量的相关性强得多，预期货物量有助于解释港口停留时间的差异。分析还发现，船舶时间表可能是停留时间的主要决定因素，因此，遵守时间表可能与停留时间本身同等重要。季节性也影响集装箱船的停留时间，但这种影响可能很复杂，因为天气条件和季节性货物高峰都可能影响结果。未来研究的有希望的途径在于将 AIS 船舶呼叫记录与其他数据集合并，不幸的是，这些数据集可能尚不存在或无法访问。弗吉尼亚州和北卡罗来纳州威尔明顿），并包括船舶时刻表和季节性。分析表明，停留时间与每次停靠的预期货物量的相关性比与船舶容量的相关性强得多，预期货物量有助于解释港口停留时间差异。分析还发现，船舶时间表可能是停留时间的主要决定因素，因此，遵守时间表可能与停留时间本身同等重要。季节性也影响集装箱船的停留时间，但这种影响可能很复杂，因为天气条件和季节性货物高峰都可能影响结果。未来研究的有希望的途径在于将 AIS 船舶呼叫记录与其他数据集合并，不幸的是，这些数据集可能尚不存在或无法访问。并包括船舶时刻表和季节性。分析表明，停留时间与每次停靠的预期货物量的关联性比与船舶容量的相关性强得多，预期货物量有助于解释港口停留时间的差异。分析还发现，船舶时间表可能是停留时间的主要决定因素，因此，遵守时间表可能与停留时间本身同等重要。季节性也影响集装箱船的停留时间，但这种影响可能很复杂，因为天气条件和季节性货物高峰都可能影响结果。未来研究的有希望的途径在于将 AIS 船舶呼叫记录与其他数据集合并，不幸的是，这些数据集可能尚不存在或无法访问。并包括船舶时刻表和季节性。分析表明，停留时间与每次停靠的预期货物量的关联性比与船舶容量的相关性强得多，预期货物量有助于解释港口停留时间的差异。分析还发现，船舶时间表可能是停留时间的主要决定因素，因此，遵守时间表可能与停留时间本身同等重要。季节性也影响集装箱船的停留时间，但这种影响可能很复杂，因为天气条件和季节性货物高峰都可能影响结果。未来研究的有希望的途径在于将 AIS 船舶呼叫记录与其他数据集合并，不幸的是，这些数据集可能尚不存在或无法访问。分析表明，停留时间与每次停靠的预期货物量的关联性比与船舶容量的相关性强得多，预期货物量有助于解释港口停留时间的差异。分析还发现，船舶时间表可能是停留时间的主要决定因素，因此，遵守时间表可能与停留时间本身同等重要。季节性也影响集装箱船的停留时间，但这种影响可能很复杂，因为天气条件和季节性货物高峰都可能影响结果。未来研究的有希望的途径在于将 AIS 船舶呼叫记录与其他数据集合并，不幸的是，这些数据集可能尚不存在或无法访问。分析表明，停留时间与每次停靠的预期货物量的关联性比与船舶容量的相关性强得多，预期货物量有助于解释港口停留时间的差异。分析还发现，船舶时间表可能是停留时间的主要决定因素，因此，遵守时间表可能与停留时间本身同等重要。季节性也影响集装箱船的停留时间，但这种影响可能很复杂，因为天气条件和季节性货物高峰都可能影响结果。未来研究的有希望的途径在于将 AIS 船舶呼叫记录与其他数据集合并，不幸的是，这些数据集可能尚不存在或无法访问。分析还发现，船舶时间表可能是停留时间的主要决定因素，因此，遵守时间表可能与停留时间本身同等重要。季节性也影响集装箱船的停留时间，但这种影响可能很复杂，因为天气条件和季节性货物高峰都可能影响结果。未来研究的有希望的途径在于将 AIS 船舶呼叫记录与其他数据集合并，不幸的是，这些数据集可能尚不存在或无法访问。分析还发现，船舶时间表可能是停留时间的主要决定因素，因此，遵守时间表可能与停留时间本身同等重要。季节性也影响集装箱船的停留时间，但这种影响可能很复杂，因为天气条件和季节性货物高峰都可能影响结果。未来研究的有希望的途径在于将 AIS 船舶呼叫记录与其他数据集合并，不幸的是，这些数据集可能尚不存在或无法访问。