공급망을 꼼꼼하게 관리해야 하는 수출입 담당자에게 선박 도착 예정 시간인 ETA(Estimated Time of Arrival)는 단순히 배가 항구에 들어오는 시간이 아닙니다. 하루 업무의 시작과 끝을 결정짓는 가장 예민한 기준점이기도 합니다.
그런데 현장에서는 이 기준점이 자꾸 어긋납니다. 선사에서 받은 일정을 믿고 내륙 운송 트럭을 예약하고, 터미널 하역 계획과 창고 입고 스케줄까지 맞춰뒀는데 막상 당일이 되면 배가 예정보다 한참 늦게 들어오는 상황. 바이어 납기는 코앞인데 선박 소식은 없고, 결국 사과 연락을 돌리며 스케줄을 전면 수정해야 했던 경험은 실무자라면 낯설지 않을 겁니다.
흔히 이런 상황을 날씨 탓이나 재수없는 날로 넘기곤 합니다. 하지만 글로벌 항만의 실제 운항 기록과 관련 연구들을 살펴보면, 이게 특정 선사의 문제도 아니고 일시적인 현상도 아님을 알 수 있습니다. 선박 지연과 일정 변동은 전 세계 해상 물류 네트워크 전반에 걸쳐 구조적으로 작동하는 여러 변수들이 맞물린 결과에 가깝습니다.
어떤 변수들이 이토록 큰 오차를 반복해서 만들어내는 걸까요. 그리고 이 불확실성 속에서 ETA 정확도를 높이는 것이 실제로 비즈니스에 어떤 의미를 갖는지, 데이터를 바탕으로 짚어보겠습니다.
숫자로 명확하게 확인하는 해상 물류 ETA 불일치의 현실
수출입 화물이 예정일에 도착하지 않는 상황은 물류 현장에서 끊임없이 반복되는 문제입니다. 특정 선사의 운영 미숙이나 일시적인 기상 악화 탓으로 돌리기 쉽지만, 전 세계 주요 항만의 실제 운항 데이터를 들여다보면 이야기가 달라집니다. 막연하게 체감하던 일정 불확실성이 얼마나 광범위하고 일관된 구조적 문제인지 수치로 확인할 수 있기 때문입니다.
포르투갈 에보라 대학교(Universidade de Évora)와 리스본 대학교 연구진의 최신 연구(2026)는 이 현실을 명확하게 보여줍니다. 연구진은 포르투갈 시네스(Sines) 항구에서 2009년부터 2023년까지 15년간 축적된 선박 도착 데이터를 분석했습니다.
결과를 보면, 사전 보고된 ETA와 실제 도착 시간이 1분도 오차 없이 일치한 선박 비율은 1.77%였습니다. 100척이 입항할 때 약속한 시간을 정확히 지킨 배는 채 2척이 되지 않는다는 얘기입니다.
물론 예정보다 일찍 도착하는 선박도 있습니다. 하지만 실무에서 타격이 큰 건 지연 쪽입니다. 데이터에 따르면 늦게 도착한 선박들의 평균 지연은 6시간 52분이었고, 24시간을 초과한 극단적 지연 사례도 1,623건에 달했습니다.
선박 도착 시간 분포
(Vessel Arrival Time distribution)
터미널 유형별로도 차이가 뚜렷합니다. 글로벌 물류의 핵심인 컨테이너 터미널의 상황이 가장 열악했는데, 평균 지연 시간이 무려 10시간 26분으로 액체 벌크나 LNG 터미널과 비교해 압도적으로 길었습니다. 더불어 컨테이너 터미널은 여러 시설 중 유일하게 지연 도착 선박 수가 조기 도착 선박 수보다 많은 곳이기도 했습니다.
이는 여러 기항지를 거치며 화물을 연속으로 싣고 내리는 컨테이너선의 운항 특성상, 글로벌 네트워크 어딘가에서 발생한 지연이 이후 전체 스케줄로 번지기 쉬운 구조를 반영합니다. 키프로스 공과대학교 연구진이 리마솔 항구를 대상으로 진행한 연구에서도 선박과 해운 대리점들이 정확한 ETA를 예측하고 제공하는 데 상당한 어려움을 겪는다는 사실이 동일하게 확인되었습니다.
바다 위와 항만에서 끊임없이 벌어지는 연쇄적인 나비효과
이처럼 큰 오차를 지속적으로 만들어내는 원인은 무엇일까요. 선박 지연과 ETA 불일치는 단일한 원인으로 설명되지 않습니다. 자연환경, 인프라 조건, 그리고 인간의 의사결정이 복합적으로 얽혀 만들어내는 결과에 가깝습니다.
첫 번째는 기상 조건과 선사 전략의 결합입니다. 선박은 항해 중 수천 킬로미터의 대양을 가로지르며 폭풍, 파고, 급격한 해류 변화 같은 돌발 상황을 수시로 만납니다. 기상 악화는 운항 속도를 눈에 띄게 떨어뜨리는 직접적 원인입니다.
그런데 자연 요인만이 문제가 아닙니다. 최근 해운사들은 환경 규제 대응과 연료비 절감을 위해 의도적으로 속도를 줄이는 감속 운항(Slow Steaming)을 일상적으로 운용하고 있습니다. 이미 출력을 낮춰 운항하는 상태에서 기상 악화까지 겹치면, 설정한 ETA를 맞추는 건 물리적으로 어려워집니다.
두 번째는 항만 입항 전 병목입니다. 목적지 항구 인근에 도착했다고 해서 곧바로 선석에 진입할 수 있는 건 아닙니다. 현지 수로를 잘 아는 도선사(Pilot)가 승선해야 하고, 방향 전환이 어려운 대형 컨테이너선을 끌어줄 예인선(Tugboat)이 배정될 때까지 항구 밖에서 닻을 내리고 기다려야 합니다.
이 대기 시간은 그날의 항만 혼잡도에 따라 크게 달라집니다. 터미널 내 갠트리 크레인 고장이나 하역 인력 부족으로 앞 선박의 작업이 늦어지면, 뒤따르는 선박들의 ETA는 연쇄적으로 밀립니다. 여기서 비롯되는 cascading delay는 개별 선박의 문제가 아닌 항만 전체의 구조적 현상입니다.
세 번째는 ETA 데이터를 생성하는 인간의 편향입니다. 네덜란드 에라스무스 대학교(Erasmus University Rotterdam)의 벤스트라와 하멜링크(Veenstra & Harmelink, 2021) 연구진이 앤트워프 항구를 분석한 결과에서 흥미로운 패턴이 드러납니다.
선박의 ETA는 자동화된 시스템이 계산하는 게 아니라, 많은 경우 선장이나 해운 대리인의 경험에 의존해 항만 당국에 수동으로 보고됩니다. 이때 선박들은 항해 초기에 실제보다 짧은 소요 시간을 보고하는 경향, 즉 의도적으로 일찍 도착할 것처럼 신호를 보내는 ‘전략적 낙관주의(Strategic Optimism)’ 편향을 보입니다.
유리한 하역 순서나 자원을 선점하려는 상업적 관행이 데이터에 반영된 결과입니다. 항구에 가까워질수록 슬그머니 현실적인 수치로 수정되는 것도 이 때문입니다. 이런 인위적 편향이 실시간 변수를 제때 반영하지 못하는 정적(Static) 예측 모델과 결합되면, 화주 입장에서는 애초부터 신뢰하기 어려운 숫자를 붙잡고 계획을 세우는 셈이 됩니다.
단 몇 시간의 오차가 만들어내는 공급망의 치명적인 마비
진짜 문제는 ETA 불일치가 단순한 일정 조정으로 끝나지 않는다는 점입니다. 배가 육상에 닿는 순간, 이 시간 오차는 기업 운영에 실질적인 비용으로 전환됩니다. 터미널 선석 할당이 엉키고, 항만 야드 관리가 복잡해지며, 육상 운송과의 연계가 끊깁니다.
터미널 자원 배분이 먼저 망가집니다. 항만 터미널은 갠트리 크레인, 야드 트랙터, 하역 인력 등 고가의 자원을 초 단위로 운용합니다. 선박 도착 정보의 정확도가 낮으면 이 정밀한 운용 계획이 틀어집니다. 배가 예상보다 늦으면 미리 배정한 장비와 인력은 손을 놓고 대기하며 유휴 비용이 쌓입니다. 반대로 일찍 도착하면 비어 있는 선석이 없어, 화물을 실은 채 바다에서 엔진을 켜둔 상태로 기다려야 합니다.
입항 시간대(Tide Window)를 놓치는 상황도 빈번합니다. 수만 톤의 화물을 실은 대형 컨테이너선은 조수에 따라 충분한 수심이 확보되는 특정 시간대에만 입항이 가능한 항구들이 전 세계 곳곳에 있습니다. ETA가 1~2시간만 어긋나 이 입항 창을 놓치면, 다음 물때가 올 때까지 10~12시간 이상을 바다에서 기다려야 하는 상황이 생깁니다.
결국 그 부담은 화주에게 집중됩니다. 화물을 기다리던 트럭은 빈 차로 되돌아가거나 무한정 대기를 반복합니다. 항만 내 무료 보관 기간(Free Time)을 넘기면 체선료와 체류비(D&D, Demurrage and Detention)가 붙기 시작합니다. ETA 정보 하나의 부정확함이 항만 운영사, 내륙 운송사, 화주에게 순서대로 비용을 전가하며 공급망 전체의 효율을 갉아먹는 구조입니다.
사전 예측으로의 패러다임 전환,
그리고 트레드링스가 준비 중인 새로운 해답
매일 반복되는 이 상황을 바꿀 방법은 없는 걸까요. 물류 학계와 업계 전문가들은 문제가 터진 후 수습하는 방식에서 벗어나야 한다고 지적합니다. 지연 가능성을 미리 예측하고 능동적으로 대비하는 방향으로 전환이 필요하며, 그 핵심에는 데이터 정확도(Data Accuracy)를 높이려는 노력이 있습니다.
지금까지 수출입 실무자들은 선사가 이메일이나 시스템으로 보내주는 스케줄 하나에 기대어 운송 계획을 세워왔습니다. 문제는 그 일정이 출항 이후 바다에서 벌어지는 기상 악화나 갑작스러운 항만 혼잡, 조류에 따른 속도 변화 같은 변수들을 실시간으로 반영하지 못한다는 겁니다. 처음 받아 든 ETA와 실제 도착 시간 사이에 차이가 생기는 건, 앞서 살펴본 구조를 감안하면 사실 예정된 결과에 가깝습니다.
트레드링스는 이 한계를 넘기 위해 AI 기반 ‘AI-ETA’ 예측 모델을 자체 개발 중이며, 곧 정식 출시를 앞두고 있습니다.
이 서비스는 선박의 실시간 위치·속도 데이터와 과거 항로 이력을 결합해 분석합니다. 눈여겨볼 부분은 도착 시간을 단일 수치 하나로 제공하지 않는다는 점입니다. 바다 위에서 하나의 시간만을 고집하는 건 오히려 실무자에게 더 큰 리스크가 될 수 있기 때문입니다.
대신 확률에 기반한 세 가지 시나리오로 나눠 제공합니다. 순조로운 운항을 전제한 낙관적 도착 시나리오, 현재 데이터 기준 가장 가능성이 높은 기준 도착 시나리오, 기상 악화 등을 반영한 보수적 도착 시나리오입니다.
실무자는 이 세 가지 예측 범위를 보고 창고 입고 일정과 트럭 배차를 잡고, 공장의 생산·출고 계획도 더 여유 있게 짤 수 있습니다. 최악의 상황까지 미리 그림을 그려두는 것과 그러지 못하는 것 사이에서, 발생하는 비용과 대응 속도는 확연히 달라집니다.
데이터 정확도(Data Accuracy),
이제 선택이 아닌 생존을 위한 필수 조건입니다
해상 물류의 불확실성을 완전히 제거할 수는 없습니다. 대양의 파도를 멈추거나 갑작스러운 항만 혼잡을 막아낼 방법은 없으니까요. 하지만 불완전한 데이터를 그대로 쓰는 것과, 교차 검증과 AI 분석을 거쳐 정확도를 높인 데이터를 쓰는 것 사이에는 분명한 차이가 있습니다.
원본 데이터의 한계, 인간의 주관과 편향이 섞여 들어간 지점을 파악하고 이를 걸러내는 것. 정보를 단순히 수집해서 보여주는 것을 넘어, AI와 분석 기술로 원본 데이터를 끊임없이 검증하는 것. 그 과정을 거쳐야 실무자가 다음 액션을 확신 있게 취할 수 있는 진짜 물류 가시성이 만들어집니다.
부정확한 선박 일정 탓에 바이어에게 납기 사과 연락을 돌리고, 육상 운송 스케줄을 밤새 뜯어고쳐야 했던 시간들—트레드링스가 곧 선보일 AI-ETA와 함께, 이제 그 시간을 다른 데 쓸 수 있게 될 겁니다.
데이터 정확도에 기반한 물류 가시성은, 예측 불가능한 글로벌 시장에서 공급망을 지켜내는 가장 현실적인 방어선입니다.
