K-Means Clustering Analysis: Examination of Logistics Performance Index (LPI) Values Using R Software

Yıl 2025, Cilt: 9 Sayı: 2, 148 - 178, 05.01.2026

Ali Şimşek

Öz

This study addresses a key limitation in Logistics Performance Index (LPI) research. Countries are typically grouped by geographic region or economic bloc, and these classifications may not reflect true similarities in logistics performance. Traditional groupings may therefore fail to capture underlying patterns in logistics capability. A data-driven country classification based on LPI scores is proposed using k-means clustering. This approach offers a methodological contribution that can inform weighting, ranking, and forecasting studies in literature. The analysis applies k-means clustering in the R environment to the World Bank's 2023 overall LPI scores for 139 countries and groups countries by logistics performance level.
The elbow criterion indicates that the 139 countries can be partitioned into three clusters. These clusters are labeled “countries with limited logistics infrastructure and service capacity,” “rising economies with developing logistics systems,” and “advanced and globally competitive logistics hubs.” Silhouette analysis favors a more parsimonious structure and supports a two-cluster solution. The two clusters are “countries with low-to-medium logistics performance” and “countries with high logistics performance.” Overall, the results show that LPI-based groupings differ from conventional geographic or economic blocs and provide a more methodologically coherent segmentation of countries in terms of logistics performance.

Anahtar Kelimeler

Logistics Performance Index (LPI) , Logistics Performance , Country Classification , K-Means Clustering , Cluster Analysis , R Programming

K-Ortalamalar Kümeleme Analizi: R Yazılımı Kullanılarak Lojistik Performans Endeksi (LPE) Değerlerinin İncelenmesi

Öz

Bu çalışma, Lojistik Performans Endeksi (LPE) araştırmalarında öne çıkan önemli bir sınırlılığı ele almaktadır. Ülkeler genellikle coğrafi bölge veya ekonomik bloklara göre gruplandırılmakta; ancak bu sınıflandırmalar, ülkelerin lojistik performans bakımından gerçek benzerliklerini yeterince yansıtmayabilmektedir. Bu nedenle geleneksel gruplandırmalar, lojistik kapasitedeki temel örüntüleri ortaya koymada yetersiz kalabilmektedir. Bu çalışmada, LPE puanlarına dayalı veri odaklı bir ülke sınıflandırması k-ortalamalar (k-means) kümeleme yöntemiyle önerilmektedir. Bu yaklaşım, alanyazında ağırlıklandırma, sıralama ve kestirim çalışmalarına temel oluşturabilecek yöntemsel bir katkı sunmaktadır. Analizde, Dünya Bankası’nın 2023 yılına ait 139 ülke için genel LPE puanları kullanılmış; R ortamında k-ortalamalar kümeleme analizi uygulanarak ülkeler lojistik performans düzeylerine göre gruplandırılmıştır.
Dirsek ölçütü, 139 ülkenin üç kümeye ayrılabileceğini göstermektedir. Bu kümeler “lojistik altyapısı ve hizmet kapasitesi sınırlı ülkeler”, “lojistik sistemleri gelişmekte olan yükselen ekonomiler” ve “ileri düzeyde ve küresel ölçekte rekabetçi lojistik merkezler” olarak adlandırılmıştır. Buna karşılık, siluet analizi daha yalın bir yapıyı desteklemekte ve iki kümeli bir çözüm önermektedir. İki küme “düşük ve orta düzey lojistik performansa sahip ülkeler” ile “yüksek lojistik performansa sahip ülkeler” şeklinde tanımlanmaktadır. Bulgular, LPE’ye dayalı ülke gruplandırmalarının geleneksel coğrafi veya ekonomik blok sınıflandırmalarından ayrıştığını ve lojistik performans açısından daha yöntemsel tutarlılığa sahip bir sınıflama sunduğunu göstermektedir.

Anahtar Kelimeler

Lojistik Performans Endeksi (LPE) , Lojistik Performans , Ülke Sınıflandırması , K-Ortalamalar Kümeleme , Kümeleme Analizi , R Programlama

Kaynakça

• Acar, M. F. (2021a). Lojistik etkinlik: Türkiye ve OECD. Avrupa Bilim ve Teknoloji Dergisi, (23), 512–517.
• Acar, M. F. (2021b). Lojistik performans indeks: Türkiye–Avrupa Birliği karşılaştırması. International Journal of Advanced Engineering and Pure Sciences, 33(3), 422–428.
• Ahmed, M., Seraj, R., & Islam, S. M. S. (2020). The k-means algorithm: A comprehensive survey and performance evaluation. Electronics, 9(8), 1295.
• Alnıpak, S. (2024). AHS–COCOSO yöntemi ile APEC ülkelerinin lojistik performanslarının değerlendirilmesi. Tarsus Üniversitesi Uygulamalı Bilimler Fakültesi Dergisi, 4(1), 13–26.
• Arvis, J.-F., Ojala, L., Shepherd, B., Ulybina, D., & Wiederer, C. (2023). Connecting to compete 2023: Trade logistics in an uncertain global economy. The Logistics Performance Index and its indicators. World Bank.
• Babayigit, B., Gürbüz, F., & Denizhan, B. (2023). Logistics performance index estimating with artificial intelligence. International Journal of Shipping and Transport Logistics, 16(3–4), 360–371.
• Beysenbaev, R., & Dus, Y. (2020). Proposals for improving the Logistics Performance Index. The Asian Journal of Shipping and Logistics, 36(1), 34–42.
• Cansız, Ö. F., & Ünsalan, K. (2020). Yapay zekâ ve istatistiksel yöntemler ile küresel ticarette rekabet ölçütü olan lojistik performans indeksine (LPI) etken parametrelerin ülke bazlı incelenmesi ve tahmin modellerinin geliştirilmesi. Fırat Üniversitesi Mühendislik Bilimleri Dergisi, 32(2), 571–582.
• Çelik, T. (2009). Unsupervised change detection in satellite images using principal component analysis and k-means clustering. IEEE Geoscience and Remote Sensing Letters, 6(4), 772–776.
• Çemberci, M., Civelek, M. E., & Canbolat, N. (2015). The moderator effect of global competitiveness index on dimensions of logistics performance index. Procedia - Social and Behavioral Sciences, 195, 1514–1524.
• Çınaroğlu, S. (2021). Türkiye’de iller düzeyinde sağlık personeli dağılımı ve daha etkin politika ihtiyacı. Hacettepe Sağlık İdaresi Dergisi, 24(2), 235–254.
• de Hoon, M. J. L., Imoto, S., Nolan, J., & Miyano, S. (2004). Open source clustering software. Bioinformatics, 20(9), 1453–1454.
• Dışkaya, S., & Bozkurt, A. A. (2025). A bibliometric analysis of studies on logistics performance measurement. Süleyman Demirel Üniversitesi Sosyal Bilimler Enstitüsü Dergisi, 53, 1–24.
• Ergün, M. (2025). Efficiency in international logistics: Trade, emissions and the case of Türkiye. Başkent Üniversitesi Ticari Bilimler Fakültesi Dergisi, 9(2), 198–220.
• Faria, R. N., de Souza, C. S., & Vieira, J. G. V. (2015). Evaluation of logistic performance indexes of Brazil in the international trade. RAM. Revista de Administração Mackenzie, 16(1), 213–235.
• Filiz, M. (2023). OECD ülkelerinde sağlık hizmetleri arz ve talebi üzerinde bir değerlendirme. Adıyaman Üniversitesi Sosyal Bilimler Enstitüsü Dergisi, 43, 633–659.
• Goçer, A., Özpeynirci, Ö., & Semiz, M. (2022). Logistics performance index-driven policy development: An application to Turkey. Transport Policy, 124, 20–32.
• Güdelek, M., Dursunkaya, E., Kaya, E., Palamutoğlu, M., Akşahin, T., & Nebati, E. E. (2024). Veri zarflama analizi ile lojistik etkinlik ölçümü. Toplum, Ekonomi ve Yönetim Dergisi, 5(3), 548–567.
• Gündoğdu, H. G., & Aytekin, A. (2020). Yönetişim göstergeleri bağlamında ülkelerin kümeleme analizi ve ARAS ile değerlendirilmesi. Dumlupınar Üniversitesi Sosyal Bilimler Dergisi, 66, 301–318.
• Günher, E., Fidan, M., & Akbayır, Ö. (2025). SOM ve k-ortalama kümeleme algoritmaları kullanarak vagon tamire tutma verilerinin incelenmesi. Demiryolu Mühendisliği, 21, 168–177.
• Hartigan, J. A., & Wong, M. A. (1979). Algorithm AS 136: A k-means clustering algorithm. Journal of the Royal Statistical Society: Series C (Applied Statistics), 28(1), 100–108.
• Hepşen, A., Aydın, O., & Vatandaş, O. (2015). K-ortalama algoritması ile kümelenmiş konut fiyatlarının fonksiyonel veri analizi: İstanbul örneği. Finans Politik & Ekonomik Yorumlar, 52(604), 75–85.
• Ikotun, A. M., Ezugwu, A. E., Abualigah, L., Abuhaija, B., & Heming, J. (2023). K-means clustering algorithms: A comprehensive review, variants analysis, and advances in the era of big data. Information Sciences, 622, 178–210.
• İlkin, S., Aytar, O., Gençtürk, T. H., & Şahin, S. (2020). Use of K-means clustering algorithm for lesion segmentation in dermoscopic images. GU Journal of Science, Part C: Design and Technology, 8(1), 182–191.
• İnaç, H., Ayözen, Y. E., Yelshibayev, R., & Issayeva, G. (2025). An application of logistics performance index-driven policy development to Turkey and Kazakhstan. Journal of the Knowledge Economy, 16, 4898–4917.
• İnce, H., İmamoğlu, S. Z., & Keskin, H. (2013). Öz-düzenlemeli harita ağları ile k-ortalama kümeleme analizinin karşılaştırılması: Tüketici profilleme örneği. Gazi Üniversitesi Mühendislik-Mimarlık Fakültesi Dergisi, 28(4), 723–731.
• Işık, Ö., Aydın, Y., & Koşaroğlu, Ş. M. (2020). The assessment of the logistics performance index of CEE countries with the new combination of SV and MABAC methods. LogForum, 16(4), 549–559.
• İşler, Y., & Narin, A. (2012). WEKA yazılımında k-ortalama algoritması kullanılarak konjestif kalp yetmezliği hastalarının teşhisi. SDÜ Teknik Bilimler Dergisi, 2(4), 21–29.
• Ju, M., Mirović, I., Petrović, V., Erceg, Ž., & Stević, Ž. (2024). A novel approach for the assessment of logistics performance index of EU countries. Economics, 18, Article 20220074. https://doi.org/10.1515/econ-2022-0074.
• Kamacı, K. (2025). Orta Koridor ülkelerinin lojistik performansının LOPCOW–ağırlıklı TOPSIS yaklaşımıyla değerlendirilmesi. Tarsus Üniversitesi Uygulamalı Bilimler Fakültesi Dergisi, 5(2), 180–197.
• Kanungo, T., Mount, D. M., Netanyahu, N. S., Piatko, C. D., Silverman, R., & Wu, A. Y. (2004). A local search approximation algorithm for k-means clustering. Computational Geometry, 28, 89–112.
• Keskin, M. E. (2018). A regional analysis of the socio-economical properties of the Turkey cities. Atatürk Üniversitesi İktisadi ve İdari Bilimler Dergisi, 32(4), 1135–1153.
• Khan, S. S., & Ahmad, A. (2004). Cluster center initialization algorithm for k-means clustering. Pattern Recognition Letters, 25, 1293–1302.
• Likas, A., Vlassis, N., & Verbeek, J. J. (2003). The global k-means clustering algorithm. Pattern Recognition, 36(2), 451–461.
• MapChart. (2025, October 29). World map: Microstates. https://www.mapchart.net/detworld.html
• Martí, L., Martín, J. C., & Puertas, R. (2017). A DEASBM model to evaluate the efficiency of the logistics performance index among 36 countries. Transportation Research Part A: Policy and Practice, 108, 1–11.
• Martí, L., Puertas, R., & García, L. (2014). The importance of the Logistics Performance Index in international trade. Empirical Economics, 47(2), 525–537.
• Mercangöz, B. A., Yıldırım, B., & Kuzu Yıldırım, S. (2020). Time period based COPRAS-G method: Application on the Logistics Performance Index. LogForum, 16(2), 239–250.
• Modha, D. S., & Spangler, W. S. (2003). Feature weighting in k-means clustering. Machine Learning, 52, 217–237.
• Moftah, H. M., Azar, A. T., Al-Shammari, E. T., Ghali, N. I., Hassanien, A. E., & Shoman, M. (2014). Adaptive k-means clustering algorithm for MR breast image segmentation. Neural Computing and Applications, 24, 1917–1928.
• Mutlu, F., & Gül, S. (2023). Improving the performance of EM and K-means algorithms for breast lesion segmentation. Anatolian Current Medical Journal, 5(4), 492–497.
• Niknam, T., & Amiri, B. (2010). An efficient hybrid approach based on PSO, ACO and k-means for cluster analysis. Applied Soft Computing, 10, 183–197.
• Orakçı, E. (2024). EATWOS, OCRA ve REF III teknikleriyle ülkelerin lojistik performans indeksine dayalı etkinliklerinin incelenmesi. İktisadi İdari ve Siyasal Araştırmalar Dergisi, 9(25), 590–611.
• Orhan, M. (2019). Türkiye ile Avrupa Birliği ülkelerinin lojistik performanslarının entropi ağırlıklı EDAS yöntemiyle karşılaştırılması. Avrupa Bilim ve Teknoloji Dergisi, (17), 1222–1238.
• Özdemir, K. (2023). Mindful leadership. In Ö. E. Arslan (Ed.), International research in social, human, and administrative sciences XVIII (pp. 1–25). Eğitim Yayınevi.
• Özdemir, K. (2025a). Coaching-based leadership: A scale adaptation study. Sosyal Mucit Academic Review, 6(2), 292–313.
• Özdemir, K. (2025b). Workplace mindfulness: A scale adaptation study. Journal of Economics Business and Political Researches, 10(27), 439–453.
• Özdemir, U., & Yorulmaz, Ö. (2025). Türkiye’deki illerin insani gelişmişlik endeksine göre farklı kümeleme teknikleri ile sınıflandırılması. EKOIST Journal of Econometrics and Statistics, 42, 175–197.
• Özyer, S. T. (2024). Bölümleyici kümeleme için doğru merkezi noktaların tayini. DUJE (Dicle University Journal of Engineering), 15(2), 277–284.
• Pham, D. T., Dimov, S. S., & Nguyen, C. D. (2005). Selection of K in K-means clustering. Proceedings of the Institution of Mechanical Engineers, Part C: Journal of Mechanical Engineering Science, 219, 103–119.
• Pollard, D. (1981). Strong consistency of k-means clustering. The Annals of Statistics, 9(1), 135–140.
• Puertas, R., Martí, L., & García, L. (2014). Logistics performance and export competitiveness: European experience. Empirical Economics, 48, 947–964.
• Rezaei, J., van Roekel, W., & Tavasszy, L. (2018). Measuring the relative importance of the logistics performance index indicators using Best Worst Method. Transport Policy, 68, 158–169.
• Selvi, H. Z., & Çağlar, B. (2017). Çok değişkenli haritalama için kümeleme yöntemlerinin kullanılması. Ömer Halisdemir Üniversitesi Mühendislik Bilimleri Dergisi, 6(2), 415–429.
• Şengöz, N., & Özdemir, G. (2016). Temel bileşenler analizi ve k-ortalama kümeleme yönteminin birlikte kullanımı: Bir örnek uygulama. Mehmet Akif Ersoy Üniversitesi Sosyal Bilimler Enstitüsü Dergisi, 8(15), 85–94.
• Shi, N., Liu, X., & Guan, Y. (2010). Research on k-means clustering algorithm: An improved k-means clustering algorithm. In Proceedings of the Third International Symposium on Intelligent Information Technology and Security Informatics (pp. 63–67). IEEE.
• Simovici, D. A. (2022). Clustering: Theoretical and practical aspects. World Scientific Publishing.
• Son, G. W., Cho, H. S., & Moon, H. C. (2020). The determinants of Korea’s export using global Logistics Performance Index (LPI). Journal of Maritime Policy Studies, 35(2), 103–132.
• Süslü, D. İ., Atalay, K. D., & Derya, T. (2025). Bütünleşik AHP ve k-ortalama kümeleme tabanlı yedek parça talep tahmini: Sağlık ekipmanları alanında bir uygulama. Black Sea Journal of Engineering and Science, 8(3), 660–671.
• Syakur, M. A., Khotimah, B. K., Rochman, E. M. S., & Satoto, B. D. (2018). Integration k-means clustering method and elbow method for identification of the best customer profile cluster. IOP Conference Series: Materials Science and Engineering, 336, 012017. https://doi.org/10.1088/1757-899X/336/1/012017.
• Tümtürk, A. (2024). Türkiye’nin lojistik performansına verdiği önemin değerlendirilmesi: Dernek yayınları üzerinde içerik analizi uygulaması. Journal of Transportation and Logistics, 9(2), 280–297.
• Ülgen, G., & Arda Özalp, L. F. (2017). Refah rejimleri sınıflandırma çalışmaları: Cinsiyet boyutları. Marmara Üniversitesi İktisadi ve İdari Bilimler Dergisi, 39(2), 637–656.
• Ulutaş, A., & Karaköy, Ç. (2019). An analysis of the logistics performance index of EU countries with an integrated MCDM model. Economics and Business Review, 5(4), 49–67.
• Wang, H., & Song, M. (2011). Ckmeans.1d.dp: Optimal k-means clustering in one dimension by dynamic programming. The R Journal, 3(2), 29–33.
• Win, T. K., Watanabe, D., & Hyodo, T. (2021). Data analysis of high-capacity vehicles by machine learning for sustainable logistics in Japan. Toros University FEASS Journal of Social Sciences, 8(Special Issue), 51–69.
• World Bank. (2025). Logistics Performance Index (LPI): International LPI. (Retrieved: October 29, 2025), from https://lpi.worldbank.org/international/global.
• Wu, X., Kumar, V., Quinlan, J. R., Ghosh, J., Yang, Q., Motoda, H., McLachlan, G. J., Ng, A., Liu, B., Yu, P. S., Zhou, Z.-H., Steinbach, M., Hand, D. J., & Steinberg, D. (2008). Top 10 algorithms in data mining. Knowledge and Information Systems, 14, 1–37.
• Yalçın, B., & Ayvaz, B. (2020). Çok kriterli karar verme teknikleri ile lojistik performansın değerlendirilmesi. İstanbul Ticaret Üniversitesi Fen Bilimleri Dergisi, 19(38), 117–138.
• Yılmaz, Ö., & Kaya, V. (2005). Genişleme sürecindeki Avrupa Birliği: Ekonomik performansa dayalı kümeleme analizi. Atatürk Üniversitesi Sosyal Bilimler Enstitüsü Dergisi, 5(1), 361-376.
• Yılmaz, Ö., & Temurlenk, M. S. (2005). Türkiye’deki istatistik bölgelerin kişi başına düşen gelir açısından hiyerarşik ve hiyerarşik olmayan kümeleme analizi ile değerlendirilmesi: 1965–2001. Atatürk Üniversitesi İktisadi ve İdari Bilimler Dergisi, 19(2), 75-92.
• Yücebaş, S. C., & Kınacı, A. C. (2016). K-ortalama kümelerinin sınıf bilgisi olarak karar ağacı oluşturmada kullanılması ve glokom çoklu sınıflandırılmasında başarına etkisi. Düzce Üniversitesi Bilim ve Teknoloji Dergisi, 4, 747–755.
• Zha, H., Ding, C., Gu, M., & Simon, H. (2002). Spectral relaxation for K-means clustering. Advances in Neural Information Processing Systems, 14, 1057–1064.
• Zhang, Y., Hato, T., Dagher, P. C., Nichols, E. L., Smith, C. J., Dunn, K. W., & Howard, S. S. (2019). Automatic segmentation of intravital fluorescence microscopy images by k-means clustering of FLIM phasors. Optics Letters, 44(16), 3928–3931.
• Zorlutuna, Ş. (2024). Türkiye’de illerin toplumsal cinsiyet eşitliğine göre sınıflandırılması. Akademik Araştırmalar ve Çalışmalar Dergisi, 16(30), 19–35.