Investigating Maritime Ports’ Operational Performance Determinants: An Empirical Study of Operational Delays and Moroccan Container Terminal Productivity

Résumé

Cette étude analyse l’influence des retards opérationnels sur la productivité des terminaux à conteneurs en quantifiant leur effet sur la Gross Crane Productivity (GCP) dans les terminaux marocains. À partir de six mois de données d’escales (avril–septembre 2025), nous avons appliqué une régression linéaire simple sur un échantillon de 422 observations. La distribution de la GCP présente une légère asymétrie à droite, avec une plage opérationnelle stable de 28 à 35 mouvements par grue et par heure, tandis que les retards sont fortement asymétriques, majoritairement inférieurs à 10 minutes avec quelques valeurs extrêmes prolongées.

Les résultats de l’estimation par moindres carrés ordinaires montrent une association négative significative entre les retards et la GCP (β = −0.46, p < 0.001), indiquant que chaque minute de retard supplémentaire réduit la productivité d’environ 0,46 mouvement par heure ; les retards expliquent environ 20 % de la variance de la GCP (R² = 0.20). L’analyse LOWESS met en évidence un seuil de tolérance autour de 10 minutes, au-delà duquel la productivité chute fortement en raison de la propagation de la congestion et de la perte de synchronisation entre les opérations quai et parc.

Sur la période étudiée, les retards cumulés ont diminué de près de moitié tandis que la GCP moyenne s’est améliorée d’environ 25 %, ce qui suggère des effets d’apprentissage, une meilleure planification et une coordination renforcée. Globalement, les résultats montrent comment les pertes de temps au niveau micro-opérationnel affectent la productivité terminale et s’inscrivent directement dans l’agenda du smart port, soulignant que l’automatisation et la connectivité numérique offrent leurs meilleurs bénéfices lorsqu’elles sont accompagnées d’une planification intégrée et d’une forte préparation organisationnelle.

L’étude recommande enfin le développement d’outils prédictifs d’analyse des retards (par exemple, AIS combiné à des techniques d’apprentissage automatique) ainsi que la mise en place d’une programmation intégrée et en temps réel des équipements comme leviers essentiels pour soutenir à la fois l’efficacité opérationnelle et la performance environnementale.

Classification JEL : R41, L91, C21, C51

Paper type : Recherche empirique