INVESTIGATION OF LOGISTICS PERFORMANCE OF G7 COUNTRIES WITH PSI BASED COBRA METHOD

Öz

The logistics sector is important for a country to achieve sustainable development goals. There are not many tools to evaluate logistics efficiency at the country level. LPI (Logistics Performance Index) is a comparison tool used by managers and decision makers in the logistics sector, created to identify the potential challenges and opportunities that countries may face in their trade logistics performance. G7 countries play an important role in terms of logistics performance as major players in the world economy. The main purpose of the study is to analyze and rank the logistics performance values of G7 countries using PSI (Preference Selection Index) and COBRA (COmprehensive Distance Based Ranking) which are known and introduced in the literature. The data used in the study was taken from the LPI report published by the World Bank in 2023. In the study, G7 countries were analyzed by integrating the PSI and COBRA methods from the MCDM methods. The PSI method was used in the evaluation of the criteria weights, and the COBRA method was used in the ranking of the alternatives. According to the results of the PSI method, the criterion with the highest level of importance was determined as the timeliness criterion, while the criterion with the lowest level of importance was determined as the infrastructure criterion. As a result of the COBRA method analysis, Germany was determined to be the country with the best logistics performance among the G7 countries, while the country with the worst logistics performance was determined as the England. Keywords: Logistics Performance, MCDM, LPI, PSI, COBRA.

Anahtar Kelimeler

• : Logistics Performance
• MCDM
• LPI
• PSI
• COBRA

G7 ÜLKELERİNİN LOJİSTİK PERFORMANSLARININ PSI TABANLI COBRA YÖNTEMİ İLE İNCELENMESİ

Öz

Lojistik sektörü, bir ülkenin sürdürülebilir kalkınma amaçlarına ulaşmasında önem arz etmektedir. Ülke düzeyinde lojistik verimliliğini değerlendirmeye yönelik çok fazla araç bulunmamaktadır. LPI (Logistics Performance Index-Lojistik Performans Endeksi), ülkelerin ticaret lojistiği performanslarında maruz kalabileceği olası zorlukları ve fırsatları saptamak için oluşturulan ve lojistik sektöründe yer alan yönetici ve karar vericilerin kullandıkları bir karşılaştırma aracıdır. G7 ülkeleri, dünya ekonomisinin büyük oyuncuları olarak lojistik performans açısından önemli bir rol oynamaktadır. Çalışmanın temel amacı, literatürde bilinen ve tanıtılan çok kriterli karar verme (ÇKKV) yöntemlerinden PSI (Preference Selection Index- Tercih Seçim İndeksi) ve COBRA (COmprehensive Distance Based RAnking- Kapsamlı. Mesafe Tabanlı Sıralama) kullanılarak, G7 ülkelerinin lojistik performans değerlerinin analiz edilmesi ve sıralanması şeklindedir. Çalışmada kullanılan veriler Dünya Bankası’nın 2023 yılında yayınladığı LPI raporundan alınmıştır. Çalışmada ÇKKV yöntemlerinden PSI ve COBRA yöntemleri entegre edilerek G7 ülkeleri analiz edilmiştir. Kriter ağırlıklarının değerlendirilmesinde PSI yönteminden, alternatiflerin sıralanmasında ise COBRA yönteminden faydalanılmıştır. PSI yönteminin sonucuna göre en yüksek önem düzeyine sahip kriter “zamanındalık” kriteri belirlenirken, en düşük önem düzeyine sahip kriter ise “altyapı” kriteri olarak belirlenmiştir. COBRA yöntemi analiz sonucunda G7 ülkeleri arasında en iyi lojistik performansa sahip ülke “Almanya” belirlenirken, en kötü lojistik performansa sahip ülke ise “İngiltere” olarak belirlenmiştir. Anahtar Kelimeler: Lojistik Performans, ÇKKV, LPI, PSI, COBRA.

Anahtar Kelimeler

• Lojistik Performans
• ÇKKV
• LPI
• PSI
• COBRA

Kaynakça

1. Akbulut, E. A., Ulutaş, A., Yürüyen, A. A., & Balalan, S. (2024). Hibrit bir ÇKKV modeli ile G20 ülkelerinin lojistik performansının ölçülmesi. Business & management studies: an ınternational journal, 12(1), 1-21. https://doi.org/10.15295/bmij.v12i1.2300
2. Akbulut, O. Y. (2020). Gri Entropi temelli PSI ve ARAS ÇKKV yöntemleriyle Türk mevduat bankalarının performans analizi. Finans ekonomi ve sosyal araştırmalar dergisi, 5(2), 171-187. https://doi.org/10.29106/fesa.690432
3. Altıntaş, F.F. (2021). Avrupa birliği ülkelerinin lojistik performanslarının CRITIC tabanlı WASPAS ve COPRAS teknikleri ile analizi. Türkiye Sosyal Araştırmalar Dergisi, 25(1), 117-146.
4. Andrejic, M., & Kilibarda, M. (2014). Global logistics efficiency ındex. 8th Internotional Quality Conference (23 Mayıs 2024).
5. Arvis, J. F., Ojala, L., Wiederer, C., Shepherd, B., Raj, A., Dairabayeva, K., & Kiiski, T. (2018). Connecting to compete 2018: Trade logistics in the Global Economy. World Bank, Washington, DC.
6. Asker, V. (2024). Financial performance analysis using the MEREC-based COBRA method: an application to traditional and low-cost airlines. gospodarka narodowa. The polish journal of economics, 318(2), 35-52.
7. Çalık, A., Erdebilli, B., & Özdemir, Y. S. (2023). Novel Integrated Hybrid Multi-Criteria Decision-Making Approach for Logistics Performance Index. Transportation Research Record, 2677(2), 1392-1400. https://doi.org/10.1177/03611981221113314
8. Çıtak, Ö., & Ünlü, U. (2024). BIST’te işlem gören bankaların sürdürülebilirlik raporlarının ÇKKV yöntemi ile değerlendirilmesi. Alanya Akademik Bakış, 8(3), 840-857. https://doi.org/10.29023/alanyaakademik.1474388

9. Doğan, H., & Akyurt, H. (2022). TOPSIS ve GİA yöntemleriyle finansal performans ölçümü: Bir otel uygulaması. Türk Turizm Araştırmaları Dergisi, 6(4), 914-930. https://doi.org/10.26677/TR1010.2022.1131
10. Dünya Bankası. (2023). International LPI. https://lpi.worldbank.org/
11. Gelmez, E., Güleş, H. K., & Zerenler, M. (2024). Evaluation of Logistics Performances of G20 Countries Using SD-Based COPRAS and SAW Methods. Journal of Turkish Operations Management, 8(2), 339-353. https://doi.org/10.56554/jtom.1471209
12. İnaç, H., Ayözen, Y. E., Yelshibayev, R., & Issayeva, G. (2024). An application of logistics performance ındex-driven policy development to Turkey and Kazakhstan. Journal of the knowledge economy, 1-20. https://doi.org/10.1007/s13132-024-02160-z
13. Ju, M., Mirović, I., Petrović, V., Erceg, Ž., & Stević, Ž. (2024). A novel approach for the assessment of logistics performance ındex of EU countries. Economics, 18(1), 20220074. https://doi.org/10.1515/econ-2022-0074
14. Kara, K., Yalçın, G. C., Simic, V., Baysal, Z., & Pamucar, D. (2024). The alternative ranking using two-step logarithmic normalization method for benchmarking the supply chain performance of countries. Socio-economic planning sciences, 92, 101822. https://doi.org/10.1016/j.seps.2024.101822
15. Karaköy, Ç., & Ölmez, U. (2019). Balkan ülkelerinde lojistik performans endeksi değerlendirilmesi. Uluslararası Sosyal, Beşeri ve İdari Bilimlerde Yenilikçi Yaklaşımlar Sempozyumu, 178-180. https://doi.org/10.36287/setsci.4.8.031
16. Khorshidi, R., & Hassani, A. (2013). Comparative analysis between TOPSIS and PSI methods of materials selection to achieve a desirable combination of strength and workability in Al/SiC composite. Materials & Design, 52, 999-1010. https://doi.org/10.1016/j.matdes.2013.06.011
17. Kısa, A. C. G., & Ayçin, E. (2019). OECD ülkelerinin lojistik performanslarının SWARA tabanlı EDAS yöntemi ile değerlendirilmesi. Çankırı Karatekin Üniversitesi İktisadi ve İdari Bilimler Fakültesi Dergisi, 9(1), 301-325. https://doi.org/10.18074/ckuiibfd.500320
18. Krstić, M., Agnusdei, G. P., Miglietta, P. P., Tadić, S., & Roso, V. (2022). Applicability of industry 4.0 technologies in the reverse logistics: a circular economy approach based on comprehensive distance based ranking (COBRA) method. Sustainability, 14(9), 5632. https://doi.org/10.3390/su14095632
19. Maniya, K., & Bhatt, M. G. (2010). A selection of material using a novel type decision-making method: Preference selection index method. Materials & Design, 31(4), 1785-1789. https://doi.org/10.1016/j.matdes.2009.11.020
20. Martí, L., Martín, J. C., & Puertas, R. (2017). A DEA-logistics performance index. Journal of applied economics, 20(1), 169-192. https://doi.org/10.1016/S1514-0326(17)30008-9
21. Mešić, A., Miškić, S., Stević, Ž., & Mastilo, Z. (2022). Hybrid MCDM solutions for evaluation of the logistics performance index of the Western Balkan countries. Economics, 10(1), 13-34. https://doi.org/10.2478/eoik-2022-0004
22. Miškić, S., Stević, Ž., Tadić, S., Alkhayyat, A., & Krstić, M. (2023). Assessment of the LPI of the EU countries using MCDM model with an emphasis on the importance of criteria. World Review of Intermodal Transportation Research, 11(3), 258-279. https://doi.org/10.1504/WRITR.2023.132501
23. Oğuz, S. (2023). Evaluatıon Of Customs, Infrastructure And Logıstıcs Servıces Wıth Multı-Crıterıa Decısıon-Makıng Methods: A Comparatıve Analysıs For The Top 10 Countrıes In The Logıstıcs Performance Index. Journal of Management Marketing and Logistics, 10(4), 167-178. http://doi.org/10.17261/Pressacademia.2023.1837
24. Oğuz, A., & Satır, H. (2024). Analyzing profitability performance with the integrated MEREC-COBRA method: The case of BIST retail companies. Business and economics research Journal, 15(1), 33-50.
25. Orhan, M. (2019). Türkiye ile Avrupa Birliği ülkelerinin lojistik performanslarının Entropi ağırlıklı EDAS yöntemiyle karşılaştırılması. Avrupa Bilim ve Teknoloji Dergisi, (17), 1222-1238. https://doi.org/10.31590/ejosat.657693
26. Özekenci, E. K. (2024). Assessment of the Logistics Performance Index of OPEC Countries with ENTROPY, CRITIC and LOPCOW-based EDAS Methods. Journal of Transportation and Logistics, 9(2), 260-279. https://doi.org/10.26650/JTL.2024.1339285
27. Pehlivan, P., Aslan, A. I., David, S., & Bacalum, S. (2024). Determination of logistics performance of G20 countries using quantitative decision-making techniques. Sustainability, 16(5), 1852. https://doi.org/10.3390/su16051852
28. Popović, G., Pucar, Đ., & Smarandache, F. (2022). MEREC-COBRA approach in e-commerce development strategy selection. Journal of process management and new technologies, 10(3-4), 66-74. https://doi.org/10.5937/jpmnt10-41073
29. Rezaei, J., van Roekel, W. S., & Tavasszy, L. (2018). Measuring the relative importance of the logistics performance index indicators using Best Worst Method. Transport policy, 68, 158-169. https://doi.org/10.1016/j.tranpol.2018.05.007
30. Sarı, E. B. (2019). Measuring The performances of the machines via preference selection ındex (PSI) method and comparing them with values of overall equipment efficiency (OEE). İzmir iktisat dergisi, 34(4), 573-581. https://doi.org/10.24988/ije.2019344859
31. Sedighi K. S., Zolfani, S. H., & Nemati, A. (2024). Selection of portable hard disk drive using ENTROPY-COBRA-MARCOS-MAIRCA: A case of the Iranian market. Decision making and artificial ıntelligence trends, 1(1), 52-76. https://doi.org/10.22034/dmait.2024.199487
32. Stević, Ž., Erceg, Ž., & Kovačević, B. (2022). The impact of sensitivity analysis on the evaluation of the logistics performance index. https://doi.org/10.7251/NOEEN2231041S
33. Stojanović, I., & Puška, A. (2021). Logistics performances of gulf cooperation council’s countries in global supply chains. Decision Making: Applications in Management and Engineering, 4(1), 174-193. https://doi.org/10.31181/dmame2104174s
34. Teker, S., Azkeskin, S. A., & Aladağ, Z. (2024). Enerji Sürdürülebilirliğinin Çok Kriterli Karar Verme Yöntemleri ile Ölçülmesi ve Copeland Yöntemi İle Bütünleştirilmesi: OECD Ülkeleri Üzerine Bir Çalışma. Uluslararası Yönetim İktisat ve İşletme Dergisi, 20(4), 871-895. https://doi.org/10.17130/ijmeb.1440773
35. Topal, A., & Ulutaş, A. (2024). Evaluating the Logistics Performance of G8 Nations Using Multi-Criteria Decision-Making Models. J. Intell. Manag. Decis, 3, 150-158. https://doi.org/10.56578/jimd030302
36. Topal, B. (2024). Entropi ve AHP ağırlıklı TOPSIS yöntemiyle firmaların ferformans sıralaması: BIST’te bir uygulama. Dokuz Eylül Üniversitesi Sosyal Bilimler Enstitüsü Dergisi, 26 (1), 98- 125. http://dx.doi.org/10.16953/deusosbil.1380809
37. Topal, B. (2020). Yatırım Faaliyetlerinden Kaynaklanan Nakit Akışları ile Firma Değeri ve Firma Performansı İlişkisi: BIST İmalat Sektöründe Bir Uygulama (Yayımlanmamış Doktora Tezi). Erzurum: Atatürk Üniversitesi, Sosyal Bilimler Enstitüsü.
38. Tuş, A., & Adalı, E. A. (2018). CODAS ve PSI yöntemleri ile personel değerlendirmesi. Alphanumeric journal, 6(2), 243-256. https://doi.org/10.17093/alphanumeric.432843
39. Türkoğlu, M., & Duran, G. (2023). Çok kriterli karar verme yöntemleri ile bölgesel kapsamli ekonomik ortaklik (rcep) ülkelerinin lojistik performanslarinin değerlendirilmesi. Ekonomi Bilimleri Dergisi, 15(1), 45-69. https://doi.org/10.55827/ebd.1247297
40. Ulutaş, A. (2020). Stacker selection with PSI and WEDBA Methods. International journal of contemporary economics and administrative sciences, 10(2), 493-504. https://doi.org/10.5281/zenodo.4430021
41. Ulutaş, A., Balo, F., & Topal, A. (2023). A new hybrid MCDM method for optimizing natural stone selection for building envelopes. Revista de la construcción, 22(3), 646-660. http://dx.doi.org/10.7764/rdlc.22.3.646
42. Ulutaş, A., & Karaköy, Ç. (2021). Evaluation of LPI values of transition economies countries with a grey MCDM model. In handbook of research on applied aı for ınternational business and marketing applications (499-511). IGI Global. https://doi.org/10.4018/978-1-7998-5077-9.ch024
43. 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.
44. Vahdani, B., Mousavi, S. M., & Tavakkoli-Moghaddam, R. (2011). Group decision making based on novel fuzzy modified TOPSIS method. Applied mathematical modelling, 35(9), 4257-4269. https://doi.org/10.1016/j.apm.2011.02.040
45. Vatansever, K. (2024). Nitelikten niceliğe yönelime üniversite sıralamaları bağlamında bakış: bir model önerisi. İçinde. Ş. Sevim (Ed.) Güncel İşletmecilik Araştırmaları-5, (ss. 153-169). Eğitim Yayınevi.
46. Yalçın, B., & Ayvaz, B. (2020). Çok kriterli karar verme teknikleri ile lojistik performansın değerlendirilmesi. İstanbul ticaret üniversitesi fen bilimleri dergisi, 19(38), 117-138.
47. Yıldırım, B. F., & Adıgüzel Mercangöz, B. (2020). Evaluating the logistics performance of OECD Countries by Using Fuzzy AHP and ARAS-G. Eurasian economic review, 10(1), 27-45. https://doi.org/10.1007/s40822-019-00131-3