Lojistik Performans Endeksinin Çok Kriterli Karar Verme Yaklaşımları ile Analizi: G-8 Ülkeleri Örneği

Öz

Dünya Bankası Lojistik Performans Endeksi (LPI), lojistik sektörünün etkinliğini değerlendirmek amacıyla geliştirilmiş bir araçtır. Bu endeks, ülkelerin lojistik altyapısını, gümrük işlemlerini, nakliye verimliliğini, lojistik hizmet kalitesini ve diğer ilgili faktörleri kapsayan bir dizi göstergeye dayanır. G-8 ülkeleri, güçlü ekonomilere ve gelişmiş lojistik altyapılara sahip olmaları nedeniyle lojistik performansını değerlendirmek için uygun bir çerçeve sunar. Bu ülkeler, dünya ekonomisinin önemli oyuncuları olarak lojistik performanslarını sürekli olarak değerlendirip iyileştirmeye yönelik çaba göstermektedirler. Çalışmanın amacı, G-8 ülkelerinin (Amerika Birleşik Devletleri, Kanada, Fransa, Almanya, İtalya, Japonya, Birleşik Krallık ve Rusya Federasyonu) 2023 yılı için hesaplanan LPI’ sini kullanarak karşılaştırmalı bir analiz ve sıralama sunmaktır. G-8 ülkelerini LPI kriterlerine göre sıralamak için CRITIC-EDAS modeli kullanılmıştır. CRITIC yöntemi ile kriterlerin ağırlık değerleri hesaplanmış ve altyapı kriteri en önemli kriter olarak belirlenmiştir. Daha sonra, EDAS yöntemi uygulanarak G-8 ülkeleri belirlenen altı kritere göre sıralanmış ve Almanya en iyi ülke olmuştur. Elde edilen sonuçlar, G-8 ülkelerinin lojistik performansını karşılaştırmak ve potansiyel iyileştirme fırsatlarını belirlemek için önemli bir kılavuz niteliği taşımaktadır. Mevcut literatürde uluslararası düzeydeki lojistik endeksine (Dünya Bankası'nın LPI’ sı gibi) yoğun bir şekilde odaklanılması göz önüne alındığında, bu çalışma, bölgesel ve eyalet düzeyinde lojistik yeteneklerini değerlendirmek için lojistik endeksini geliştirmeyi amaçlamaktadır.

Anahtar Kelimeler

• Lojistik Performans Endeksi
• G-8 Ülkeleri
• Çok Kriterli Karar Analizi
• CRITIC
• EDAS

Analysis of Logistics Performance Index with Multi-Criteria Decision-Making Methods: The Case of G-8 Countries

Abstract

The World Bank Logistics Performance Index (LPI) is a tool developed to assess the efficiency of the logistics sector. The index is based on indicators covering countries' logistics infrastructure, customs clearance, transportation efficiency, logistics service quality, and other relevant factors. The G-8 countries provide an appropriate framework for assessing logistics performance as they have strong economies and well-developed logistics infrastructures. These countries continuously strive to evaluate and improve their logistics performance as major players in the world economy. The study aims to present a comparative analysis and ranking of the G-8 countries (United States, Canada, France, Germany, Italy, Japan, Japan, United Kingdom, and Russian Federation) using the LPI calculated for 2023. The CRITIC-EDAS model was used to rank G-8 countries according to LPI criteria. With the CRITIC method, the weight values of the criteria were calculated and the criterion of delivering the shipment within the scheduled time was determined as the most important criterion. Then, the EDAS method was applied to rank the G-8 countries according to the six criteria. The results obtained are an important guide to compare the logistics performance of G-8 countries and identify potential opportunities for improvement. Given the heavy focus on the international-level logistics index (such as the World Bank's LPI) in the existing literature, this study aims to develop the logistics index to assess logistics capabilities at the regional and state level.

Keywords

• Logistic Performance Index
• G-8 Countries
• Multi-Criteria Decision Analysis
• CRITIC
• EDAS

References

1. Abdoul-Dahab, K., & Ibrahim, M. A. (2020). Investigating the efficiency of the logistics performance index (LPI) weighting system using the technique for order of preference by similarity to the ideal solution (TOPSIS) method. International Journal of Science and Research, 9, 269-277.
2. Aksungur, M., & Bekmezci, M. (2020). Türkiye’nin lojistik performansının değerlendirilmesi boylamsal bir araştırma. Toros Üniversitesi İİSBF Sosyal Bilimler Dergisi, 7(12), 19-40.
3. Bottani, E., Montanari, R., Rinaldi, M., & Vignali, G. (2015). Modeling and multi-objective optimization of closed-loop supply chains: A case study. Computers & Industrial Engineering, 87, 328-342. https://doi.org/10.1016/j.cie.2015.05.009
4. Dekker, R., Bloemhof-Ruwaard, J., & van der Vorst, J. (2012). Operations research for green logistics – an overview of the state of the art. European Journal of Operational Research, 219(3), 671-679. https://doi.org/10.1016/j.ejor.2012.02.004
5. Diakoulaki, D., Mavrotas, G., & Papayannakis, L. (1995). Determining objective weights in multiple criteria problems: The CRITIC method. Computers & Operations Research, 22(7), 763-770. https://doi.org/10.1016/0305-0548(94)00059-H
6. Dünya Bankası. (2020). Logistics performance index: Connecting to Compete 2020. Washington, DC: World Bank.
7. Dünya Bankası. (2023). International LPI – global rankings 2023. Erişim adresi: https://lpi.worldbank.org
8. Faria, R. N. D. Souza, C. S. D., & Vieira, J. G. V. (2015). Evaluation of logistic performance indexes of Brazil in the international trade. RAM. Revista de Administração Mackenzie, 16, 213-235.

9. Görgün, M. R. (2020). Lojistik performans kriterlerinin sağlanmasında Türk lojistik sektörünün durumu. Ekev Akademi Dergisi, 81, 229-246.
10. Gunasekaran, A., Subramanian, N., & Arachchige, B. J. (2017). E-commerce and its impact on logistics performance. International Journal of Production Economics, 184, 124-139. https://doi.org/10.1016/j.ijpe.2016.11.012
11. Hadžikadunić, A., Stević, Ž., Badi, I., & Roso, V. (2023). Evaluating the logistics performance index of European Union countries: An integrated multi-criteria decision-making approach utilizing the Bonferroni operator. International Journal of Knowledge and Innovation Studies, 1(1), 44-59.
12. Işık, O., Aydın, Y., & Koşaroğlu, S. M. (2020). SV ve MABAC yöntemlerinin yeni kombinasyonu ile CEE ülkelerinin lojistik performans endeksinin değerlendirilmesi. LogForum, 16(4). https://doi.org/10.17270/J.LOG.2020.504
13. Ivanov, D., & Dolgui, A. (2020). A digital supply chain twin for managing the disruption risks and resilience in the supply chain. International Journal of Production Research, 58(10), 3212-3228. https://doi.org/10.1080/00207543.2020.1758242
14. Jethi, S., Rathi, M., & Pal, D. K. (2022, May). Using AI to improve India’s logistic conditions. 2022 International Conference on Applied Artificial Intelligence and Computing (ICAAIC) (pp. 90-95). IEEE.
15. Kılınç, E., Fidan, O., & Mutlu, H. M. (2019). Türkiye, Çin ve Rusya Federasyonu’nun lojistik performans endeksine göre karşılaştırılması. Uluslararası Ekonomik Araştırmalar Dergisi, 5(2), 17-34.
16. Karaköy, Ç., & Ölmez, U. (2019). Balkan ülkelerinde lojistik performans endeksi değerlendirilmesi. Uluslararası Sosyal, Beşeri ve İdari Bilimlerde Yenilikçi Yaklaşımlar Sempozyumu, 178-180.
17. Machado, C., & Santos, F. (2021). Performance assessment of logistics in supply chains using data envelopment analysis. International Journal of Production Research, 59(1), 95-110. https://doi.org/10.1080/00207543.2020.1762220
18. Machado, L. K. C., & Santos, A. C. (2021). Índice de desempenho logístico (LPI): Uma análise da eficiência logística e da importância relativa dos seus indicadores. Ciências da Administração, 23(60), 53-72.
19. McKinsey & Company. (2021). The digital transformation of logistics. Erişim adresi: https://www.mckinsey.com
20. Mešić, M., Šehić, E., & Štavljanin, A. (2022). Comparison of logistics performance in the Western Balkans using CRITIC and MARCOS models. Journal of Business Economics and Management, 23(5), 1121-1139.
21. Naz, S., Shafiq, A., & Butt, S. A. (2024). CILOS-WASPAS approach based on Schweizer–Sklar power operators for evaluating cosmetic brands in a group decision-making environment. Granular Computing, 9, 59. https://doi.org/10.1007/s41066-024-00481-7
22. Popescu, A., & Sipos, R. (2014). Logistics performance and economic growth: Evidence from Europe. Journal of Economic Studies, 41(6), 935-947. https://doi.org/10.1108/JES-03-2014-0062
23. Stević, Ž., Erceg, Ž., & Kovačević, B. (2022). The impact of sensitivity analysis on the evaluation of the logistics performance index. Logistics, 6(4), 66. https://doi.org/10.3390/logistics6040066
24. Torkayesh, A. E., Deveci, M., Karagoz, S., & Antucheviciene, J. (2023). A state-of-the-art survey of evaluation based on distance from average solution (EDAS): Developments and applications. Expert Systems with Applications, 221, 119724.
25. Ulutaş, A., & Karaköy, Ç. (2019). G-20 ülkelerinin lojistik performans endeksinin çok kriterli karar verme modeli ile ölçümü. Cumhuriyet Üniversitesi İktisadi ve İdari Bilimler Dergisi, 20(2), 71-84.
26. Yıldırım, B. F., & Adıgüzel Mercangöz, B. (2020). OECD ülkelerinin lojistik performansının bulanık AHP ve ARAS-G kullanılarak değerlendirilmesi. Eurasian Economic Review, 10(1), 27-45. https://doi.org/10.1007/s40822-019-00131-3
27. Zhou, J., & Mohammad, A. (2023). Development of a performance evaluation system for logistics companies using the entropy weight method and TOPSIS-grey relational analysis. Expert Systems with Applications, 205, 117794. https://doi.org/10.1016/j.eswa.2022.117794