Basamak Korelasyon, Kohonen ve ANFIS Yapay Sinir Ağ Modellerinin Sınıflandırma Performanslarının Karşılaştırılması: Lojistik Performans Endeksi Üzerine Uygulama

Abstract

Küreselleşen dünyamızda, uluslararası pazarda sınırların kalkması ile birlikte, ülkelerin sahip oldukları lojistik imkânlar, küresel rekabet ve uluslararası ticaret entegrasyonu açısından büyük önem arz etmektedir. Dünya Bankası, ülkelerin lojistik gelişmişliklerini değerlendirmek ve öneriler sunmak amacıyla iki yılda bir Lojistik Performans Endeksi(LPE) Raporu yayınlamaktadır. Endeks ile ülkeler; gümrük işlemleri, altyapı, uluslararası sevkiyatlar, lojistik hizmetlerin kalitesi, sevkiyatların izlenebilmesi ve zamanında ulaşmasına göre karşılaştırılmaktadır. Çalışma kapsamında şu sorulara cevap aranmaktadır; İktisadi açıdan; LPE hesaplamasında kullanılan faktörlerin ülkelerin sınıflandırılmasında etki düzeyleri nelerdir ve endeks ile ülkeler ne kadar doğru sınıflandırılmaktadır? İstatistiki açıdan; sınıflandırma problemlerinde kullanılan BKSA, LVQ ve ANFIS ağ modellerinden hangisi daha başarılı sonuçlar vermektedir ve farkları nelerdir?
Bu amaçlar doğrultusunda; ağ modelleri 2007, 2010, 2012 ve 2014 yılları LPE ile eğitilmiş daha sonra 2016 yılı LPE ile test edilmiştir. Sonuç olarak; lojistik performans ölçümünde lojistik kalitesi, altyapı ve takip faktörlerinin en önemli oldukları bulgusu elde edilmiştir. Bunun yanı sıra, ülkelerin BKSA ile %92.58, Kohonen ile %91.80 ve ANFIS ile %82.81 oranında doğru sınıflandırıldığı görülmüştür. Dolayısıyla, hem pratik uygulanabilirliği hemde doğru sınıflandırma yüksekliği nedeniyle, BKSA’nın diğer modellere göre çok başarılı olduğu sonucuna ulaşılmıştır.

Keywords

• Basamak Korelasyon
• Kohonen
• ANFIS
• Lojistik Performans Endeksi

Comparison of Classification Performances of Cascade Correlation, Kohonen and ANFIS Artificial Neural Network Models: Application on Logistic Performance Index

Abstract

In globalizing world, with the dearth of borders in international market, the logistical possibilities of countries are of great importance in terms of global competition and international trade integration. The World Bank publishes the Logistic Performance Index (LPE) Report for every two years to evaluate countries’ logistical developments and to offer suggestions. With the index; countries are compared according to customs, infrastructure, international shipments, logistic quality and competence, tracking and tracing and timeliness. Within the scope of the study, answers to the following questions are sought; In terms of economic; What are the impact levels of the factors used in the LPE calculation for the classification of countries and how accurately are the countries classified? In terms of statistics; Which of the BKSA, LVQ and ANFIS network models give better results for classification problems and what are the differences? In line with these aims; the network models were trained with LPE for 2007, 2010, 2012 and 2014 and then tested with LPE for 2016. As a result; it has achieved that the logistics quality, infrastructure and timeliness factors are the most important factors in logistics performance measurement. In addition, the countries are correct classified as rate of 92.58% with BKSA, 91.80% with Kohonen and 82.81% with ANFIS. So, it has reached that because of both practical applicability and high classification accuracy, BKSA is very successful compared to other models.

Keywords

• Cascade Correlation
• Kohonen
• ANFIS
• Logistic Performance Index

References

1. Akbulut, R. ve Rençber, Ö. F. (2015), Veri Zarflama ve Lojistik Regresyon Analizi ile Çimento İşletmelerinde Finansal Performansa Dayalı Etkinliklerinin Değerlendirilmesi. Alanya İşletme Fakültesi Dergisi, 123-135.
2. Ankışhan, H. ve Yılmaz, D., 2013, Comparison of SVM and ANFIS for Snore Related Sounds Classification by Using the Largest Lyapunov Exponent and Entropy, Computational and Mathematical Methods in Medicine
3. Bayat,T., ve Özdemir, Ş. (2016) Yeni Bir Lojistik Performans Endeks Oluşturmak Için Gerekli Olan Kriterlerin Belirlenmesi Üzerine Araştirma
4. Bayraktutan, Y., Tüylüoğlu, Ş., ve Özbilgin, M. (2012). Lojistik Sektöründe Yoğunlaşma Analizi ve Lojistik Gelişmişlik Endeksi: Kocaeli Örneği. Journal of Alanya Faculty of Business 4(3).
5. Bernard, S., BoujeMaa, N., Vitale, D., and Bricot, C. (2001). Fingerprint Classification Using Kohonen Topologic Map. In Image Processing, 2001. Proceedings. 2001 International Conference on (Vol. 3, pp. 230-233). IEEE.
6. Blonda, P., Pasquariello, G., and Smid, J. (1993, October). Comparison of Backpropagation, Cascade-Correlation And Kohonen Algorithms For Cloud Retrieval. In Neural Networks, 1993. IJCNN’93-Nagoya. Proceedings of 1993 International Joint Conference on (Vol. 2, pp. 1231-1234). IEEE.
7. Borselli, A., Colla, V., Vannucci, M., Sant’Anna, P. C. S. S., Valdera, P. S. A., and Piaggio, V. R. (2011). Surface Defects Classification in Steel Products: A Comparison Between Different Artificial İntelligence-Based Approaches. In 11th IASTED International Conference on Artificial Intelligence and Applications AIA (pp. 129-134).
8. Chandra, B. and Babu, K. (2014), Classification Of Gene Expression Data Using Spiking Wavelet Radial Basis Neural Network. Expert Systems with Applications, 1326-1330.

9. Chen, M.-Y. (2013), A Hybrid ANFIS Model for Business Failure Prediction Utilizing Particle Swarm Optimization And Subtractive Clustering. Information Sciences, 220, 180-195. doi:10.1016/j.ins.2011.09.013
10. Chowdhury, B. H., and Wang, K. (1996, February). Fault classification using Kohonen feature mapping. In Intelligent Systems Applications to Power Systems, 1996. Proceedings, ISAP’96., International Conference on (pp. 194-198). IEEE.
11. Dağdeviren, M., Akay, D. ve Kurt, M. (2004). İş Değerlendirme Sürecinde Analitik Hiyerarşi Prosesi ve Uygulaması. Gazi Üniversitesi Mühendislik ve Mimarlık Fakültesi Dergisi, 19(2), 131-138.
12. Demircanlı, B. ve Kundakçı, N. (2015). Futbolcu Transferinin AHP ve VIKOR Yöntemlerine Dayalı Bütünleşik Yaklaşım ile Değerlendirilmesi. Dokuz Eylül üniversitesi İktisadi ve İdari Bilimler Fakültesi Dergisi, 30(2), 105-129.
13. Fahlman, S. E. and Lebiere, C. (1990). The cascade-correlation learning architecture. In Advances in neural information processing systems (pp. 524-532).
14. Fish, K., Barnes, J. and Aiken, M. (1995), Artificial Neural Networks: A New Methodology for Industrial Market Segmentation. Industrial Marketing Management, 431-439.
15. Jhawar A. and Garg S. K. (2018), Modelling of Critical Factors for Improving Logistics Performance of India Using Interpretive Structural Modelling, International Journal of Applied Management Sciences and Engineering (IJAMSE) 5(1)
16. Kara, M., Tayfur, L., ve Basık, H. (2009). Küresel Ticarette Lojistik Üslerin Önemi ve Türkiye, Mustafa Kemal Üniversitesi Sosyal Bilimler Enstitüsü Dergisi, 6(11).
17. Kılıç, G. (2015). Yapay Sinir Ağlari Ile Yemekhane Günlük Talep Tahmini (Doctoral dissertation, Pamukkale Üniversitesi Fen Bilimleri Enstitüsü).
18. Lau H. K. (2011). Benchmarking green logistics performance with a composite index. Benchmarking: An International Journal, 18(6), 873-896.
19. Lehtokangas M., (2000) Modified cascade correlation learning for classification, IEEE Transactions on Neural Network, 1(3) 795-798
20. Lojistik Performans Endeksi Raporu (2016), https://lpi.worldbank. org/ (E. T. 20.10.2017)
21. Martí, L., Puertas, R., and García, L. (2014). The importance of the Logistics Performance Index in international trade. Applied economics, 46(24), 2982-2992. ISO 690
22. Michie, D., Spiegelhalter, D. J., and Taylor, C. C. (1994). Machine learning, neural and statistical classification, Cambridge, U.K.
23. Ottenbacher, K., Smith, P., Ilig, Linn, R., Fiedler, R. and Granger, C. (2001), Comparison of Logistic Regression And Neural Networks To Predict Rehospitalization in Patients With Stroke. Journal of Clinical Epidemiology, 1159-1165.
24. Pupavac, D., and Draskovic, M. (2017). Analysis of Logistic Performance In Southeast European Countries. Business Logistics in Modern Management, 17, 569-579.
25. Rençber Ö. F. (2017) Bulanık ve Yalın Yapay Sinir Ağları ile Çoklu Lojistik Regresyon Yöntemlerinin Sınıflandırma Performanslarının Karşılaştırılması: Ülkelerin Gelişmişlik Düzeylerinin Sınıflandırılması Üzerine Bir Uygulama, Aksaray Üniversitesi, SBE Yayınlanmamış Doktora Tezi, Aksaray
26. Shariati, S., and Haghighi, M. M. (2010). Comparison of ANFIS Neural Network with Several other ANNs and Support Vector Machine for Diagnosing Hepatitis and Thyroid Diseases. In Computer Information Systems and Industrial Management Applications (CISIM), 2010 International Conference on (pp. 596-599). IEEE.
27. Sharma, M. and Mukharjee, S., 2013, Brain Tumor Segmentation Using Genetic Algorithm and Artificial Neural Network Fuzzy Inference System (ANFIS), Advances in Computing and Information, Springer ‐ Verlag Berlin Heidelberg, s. 329–339
28. Shekarian, E. and Gholizadeh, A. A. (2013), Application of Adaptive Network Based Fuzzy Inference System Method in Economic Welfare. Knowledge-Based Systems, 39, 151-158. doi:10.1016/j.knosys.2012.10.013
29. Sofyalıoğlu, A. ve Kartal, A. (2013). Türkiye ve Avrasya Ekonomik Topluluğu Ülkelerinin Lojistik Performans İndekslerinin Karşılaştırılması ve Bazı Çıkarımlar A Comparison and some Suggestions for Turkey’s and Eurasian Economic Community Countries’ Logistic Performance Index Scores. In International Conference on Eurasian Economies (pp. 524-531).
30. Spoerre, J. K. (1997). Application of the Cascade Correlation Algorithm (CCA) to Bearing Fault Classification Problems. Computers in industry, 32(3), 295-304.
31. Şen, Z. (2004). Yapay Sinir Ağları İlkeleri. Su Vakfı. Şengöz, N. ve Özdemir, G. (2017). Sınıflandırma Problemlerinin Karşılaştırılmasında ANFIS ve Basamak Korelasyon Sinir Ağının Kullanımı. Süleyman Demirel Üniversitesi Fen Bilimleri Enstitüsü Dergisi, 21(1), 125-130.
32. Şenol, C.ve Yildirim T.,(2009), Thyroid and Breast Cancer Disease Diagnosis using FuzzyNeural Networks, 6th International Conference on Electrical and Electronics Engineering(ELECO’2009)
33. Toprak, E. (2017), Yapay Sinir Ağı, Karar Ağaçları ve Ayırma Analizi Yöntemleri ile PISA 2012 Matematik Başarılarının Sınıflandırılma Performanslarının Karşılaştırılması.
34. Velusamy, K., and Amalraj, R. (2017, February). Performance of the cascade correlation neural network for predicting the stock price. In Electrical, Computer and Communication Technologies (ICECCT), 2017 Second International Conference on (pp. 1-6). IEEE.
35. Wang, A. H., and Yang, S. X. (2017). Research on the Impact of the “Belt and Road” International Logistic Performance on China’s Export. Journal of South China University of Technology (Social Science Edition), 1, 002.
36. Yılmaz, T. ve Yılmaz Z., (2017) Assesment of Logistic Performance Indexes of EU Countries by AHP and VIKOR Methods, Middle East Journal of Education, 3(2) ss.73-92
37. Yücesoy, E., ve Nabiyev, V. V. (2016). Konuşmaci Yaş ve Cinsiyetinin Gkm Süper vektörlerine Dayali Bir Dvm Siniflandiricisi Ile Belirlenmesi. Gazi Üniversitesi Mühendislik-Mimarlık Fakültesi Dergisi, 31(3).
38. Zhang, G., Hu, M., Patuwo, E. and Indro, D. (1999), Artificial Neural Networks in Bankruptcy Prediction: General Framework And Cross-Validation Analysis. Europian Journal of Operational Research, 16-32.