Türk KOBİ'lerinde Teknoloji Benimsemesi İçin Nedensel Merkezli Derin Öğrenme-DEMATEL Çerçevesi

Yıl 2025, Cilt: 10 Sayı: 4, 1446 - 1470, 31.12.2025

Mehmet Akif Yerlikaya , Serkan Dilek , Zekeriya Yerlikaya

https://doi.org/10.30784/epfad.1723677

Öz

Bu çalışma, Türk KOBİ'lerinin karşılaştığı çeşitli operasyonel kısıtlamaları daha doğru bir şekilde teşhis etmek ve ele almak için derin öğrenme, Karar Verme Deneme ve Değerlendirme Laboratuvarı (DEMATEL) ve ajan tabanlı modellemeyi (ABM) birleştiren yenilikçi bir metodolojik çerçeveyi ileri sürmektedir. Geleneksel, statik analizlerin aksine, önerilen yaklaşım ilk önce en önemli performans sürücülerini (örneğin, teknolojik kapasite, finansal kaynaklar) belirlemek için faktör analizi ve derin bir sinir ağı kullanmaktadır. Daha sonra, DEMATEL bu sürücülerin üretim, pazarlama ve pazar araştırması gibi diğer alanlar üzerinde nedensel olarak yönlendirilmiş etkileri nasıl uyguladığını ortaya koyarak net "etkileyici" faktörleri net "alıcılardan" ayırmaktadır. Son olarak, ABM, her biri benzersiz kaynak bağışları ve stratejik davranışlara sahip olan KOBİ'ler arasındaki dinamik etkileşimi, değişen ekonomik ve politika senaryoları altında simüle etmektedir. Bu entegre süreç, genel performansı artırmak için yüksek etkili kaldıraçları ortaya çıkararak, teknoloji ve finans alanındaki hedefli müdahalelerin diğer zorluk alanlarında yaygın iyileştirmeler sağlayabileceğini göstermektedir. İleri makine öğrenimini sistematik nedensel analiz ve zamansal simülasyonla bir araya getiren çerçeve, stratejik karar alma için daha kapsamlı, veri odaklı bir temel sağlıyor ve politika yapıcılara ve yöneticilere KOBİ'lerin rekabet gücünü ve dayanıklılığını artırma konusunda daha derin içgörüler sunuyor.

Anahtar Kelimeler

KOBİ Performans Optimizasyonu , Derin Öğrenme Tabanlı Karar Analizi , DEMATEL , KOBİ , Senaryo Tabanlı Stratejik Planlama

CAUSALITY-CENTRED DEEP LEARNING–DEMATEL FRAMEWORK FOR TECHNOLOGY ADOPTION IN TURKISH SMES

Öz

Bu çalışma, Türk KOBİ'lerinin karşılaştığı çeşitli operasyonel kısıtlamaları daha doğru bir şekilde teşhis etmek ve ele almak için derin öğrenme, Karar Verme Deneme ve Değerlendirme Laboratuvarı (DEMATEL) ve ajan tabanlı modellemeyi (ABM) birleştiren yenilikçi bir metodolojik çerçeveyi ileri sürmektedir. Geleneksel, statik analizlerin aksine, önerilen yaklaşım ilk önce en önemli performans sürücülerini (örneğin, teknolojik kapasite, finansal kaynaklar) belirlemek için faktör analizi ve derin bir sinir ağı kullanmaktadır. Daha sonra, DEMATEL bu sürücülerin üretim, pazarlama ve pazar araştırması gibi diğer alanlar üzerinde nedensel olarak yönlendirilmiş etkileri nasıl uyguladığını ortaya koyarak net "etkileyici" faktörleri net "alıcılardan" ayırmaktadır. Son olarak, ABM, her biri benzersiz kaynak bağışları ve stratejik davranışlara sahip olan KOBİ'ler arasındaki dinamik etkileşimi, değişen ekonomik ve politika senaryoları altında simüle etmektedir. Bu entegre süreç, genel performansı artırmak için yüksek etkili kaldıraçları ortaya çıkararak, teknoloji ve finans alanındaki hedefli müdahalelerin diğer zorluk alanlarında yaygın iyileştirmeler sağlayabileceğini göstermektedir. İleri makine öğrenimini sistematik nedensel analiz ve zamansal simülasyonla bir araya getiren çerçeve, stratejik karar alma için daha kapsamlı, veri odaklı bir temel sağlıyor ve politika yapıcılara ve yöneticilere KOBİ'lerin rekabet gücünü ve dayanıklılığını artırma konusunda daha derin içgörüler sunuyor.

Anahtar Kelimeler

SME Performance Optimization , Deep Learning-Based Decision Analysis , DEMATEL , Agent-Based Simulation for SMEs , Scenario-Based Strategic Planning

Kaynakça

• .....................................................................