CLUSTER ANALYSIS AND HYBRID MCDM-BASED ASSESSMENT OF LOGISTICS PERFORMANCE IN OECD COUNTRIES

Yıl 2026, Cilt: 22 Sayı: 1, 239 - 270, 26.03.2026

Burcu Keklik , Najibul Kashem , Esra Aydın Ünal

https://doi.org/10.17130/ijmeb.1678425

https://izlik.org/JA29ZF33UN

Öz

The Logistics Performance Index (LPI), published biennially by the World Bank, is a key tool used to assess countries’ logistics systems based on six criteria: customs, infrastructure, international shipments, logistics service quality, tracking and tracing, and timeliness. A higher LPI score is associated with stronger trade capacity, economic development, and global competitiveness. This study analyzes the 2023 LPI scores of Organization for Economic Co-operation and Development (OECD) countries, aiming to classify them into groups and evaluate their internal rankings. Using the K-means clustering method, 38 countries were grouped into four clusters. The relative importance of logistics criteria within each group was determined using the Method based on the Removal Effects of Criteria (MEREC) and Logarithmic Percentage Change-driven Objective Weighting (LOPCOW) methods. A joint weighting approach was then applied, and countries were ranked using the MOORA Importance Coefficient method. Findings show that Logistics Services Quality and International Shipping are consistently ranked among the most influential criteria. MEREC tends to highlights Logistics Service Quality, while LOPCOW prioritizes Tracking and Tracing. In all clusters, Logistics Services Quality, International Shipping, and Infrastructure stand out as key determinants of performance. According to the results, the top-performing countries in each cluster were Australia (Group 1), the Czech Republic (Group 2), Chile (Group 3), and Australia again (Group 4). Sensitivity analysis confirmed the robustness of the model.

Anahtar Kelimeler

OECD Countries , Clustering Method , MEREC , LOPCOW , MOORA.

OECD ÜLKELERİNİN LOJİSTİK PERFORMANSININ KÜMELEME TABANLI VE HİBRİT ÇOK KRİTERLİ KARAR VERME YÖNTEMLERİ İLE DEĞERLENDİRİLMESİ

https://izlik.org/JA29ZF33UN

Öz

Dünya Bankası tarafından iki yılda bir yayımlanan Lojistik Performans Endeksi (LPI), ülkelerin lojistik sistemlerini altı kriter temelinde değerlendirmek için kullanılan önemli bir araçtır: gümrük, altyapı, uluslararası taşımacılık, lojistik hizmet kalitesi, izlenebilirlik ve zamanında teslimat. Yüksek bir LPI skoru, güçlü bir ticaret kapasitesi, ekonomik kalkınma ve küresel rekabet gücü ile ilişkilendirilmektedir. Bu çalışma, Ekonomik Kalkınma ve İşbirliği Örgütü (OECD) ülkelerinin 2023 yılına ait LPI puanlarını analiz ederek, ülkeleri kümelere ayırmayı ve her küme içindeki sıralamalarını değerlendirmeyi amaçlamaktadır. K-means kümeleme yöntemi kullanılarak 38 ülke dört kümeye ayrılmıştır. Her bir gruptaki lojistik kriterlerin göreli önemi, Kriterlerin Etki Ortadan Kaldırma Yöntemi (MEREC) ve Logaritmik Yüzde Değişim Temelli Objektif Ağırlıklandırma (LOPCOW) yöntemiyle belirlenmiştir. Daha sonra ortak ağırlıklandırma yöntemi uygulanmış ve ülkeler MOORA Önem Katsayısı yöntemi ile sıralanmıştır. Bulgular, Lojistik Hizmet Kalitesi ve Uluslararası Taşımacılığın en etkili kriterler arasında sürekli olarak ön plana çıktığını göstermektedir. MEREC yöntemi genellikle Lojistik Hizmet Kalitesini öne çıkarırken, LOPCOW yöntemi İzlenebilirlik kriterine öncelik vermektedir. Tüm kümelerde Lojistik Hizmet Kalitesi, Uluslararası Taşımacılık ve Altyapı, performansı belirleyen temel göstergeler olarak öne çıkmaktadır. Sonuçlara göre, her bir kümede en yüksek lojistik performansa sahip ülkeler sırasıyla Avustralya (1. grup), Çek Cumhuriyeti (2. grup), Şili (3. grup) ve tekrar Avustralya (4. grup) olmuştur. Duyarlılık analizi, modelin sağlamlığını doğrulamıştır.

Anahtar Kelimeler

OECD Ülkeleri , Kümeleme Yöntemi , MEREC , LOPCOW , MOORA.

Kaynakça

• Aytekin, A., Görçün, Ö. F., Ecer, F., Pamucar, D., & Karamaşa, Ç. (2023). Foreign market selection of suppliers through a Novel REF-Sort technique. Kybernetes, 52(11), 4958-4992. https://doi.org/10.1108/K-03-2022-0459
• Anuşlu, M. D., & Fırat, S. Ü. (2019). Clustering analysis application on Industry 4.0-driven global indexes. Procedia Computer Science, 158, 145-152. https://doi.org/10.1016/j.procs.2019.09.037
• Arun, K., & Yıldırım Özmutlu, S. (2023). Evaluation of Turkey’s logistics performance index with a strategic perspective. Nevşehir Hacı Bektaş Veli Üniversitesi SBE Dergisi, 13(3), 1315–1327. https://doi.org/10.30783/nevsosbilen.1228917
• 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-The logistics performance index and its indicators (No. 128355).
• Bakır, S., & Çakır, S. (2021). Seçilmiş ülkelerin yenilik performanslarının çok kriterli karar verme teknikleriyle ölçümü. Uluslararası Yönetim İktisat ve İşletme Dergisi, 17(4), 971-992.
• Brauers, W. K. (2008). Multi-Objective contractor’s ranking by applying the MOORA Method. Journal of Business Economics and Management, 9(4), 245-255.
• Brauers, W. K. (2013). Optimization methods for a stakeholder society: A revolution in economic thinking by multi-objective optimization. Springer Science & Business Media. https://link.springer.com/book/10.1007/978-1-4419-9178-2
• Cengiz, D., & Öztürk, F. (2012). The study of the cities in Turkey with cluster analysis according to their education levels. Trakya Üniversitesi Sosyal Bilimler Dergisi , 14(1), 69-84.
• Chakraborty, S., Datta, H. N., Kalita, K., & Chakraborty, S. (2023). A narrative review of multi-objective optimization on the basis of ratio analysis (MOORA) method in decision making. Opsearch, 60(4), 1844-1887 doi: 10.1007/s12597-023-00676-7.
• Çiftçi, B., & Aydın, U. (2024). OECD ülkelerinde lojistik performans ve küresel yetenek rekabet gücü: Entegre Merec-Ahp-Topsis yaklaşımıyla bir analiz. International Journal of Advances in Engineering and Pure Sciences, 36(4), 367-395.
• Çakır, S. (2017). Measuring logistics Performance of OECD countries via fuzzy linear regression. Journal of Multi‐Criteria Decision Analysis, 24(3-4), 177-186.
• Çolak, B., Durdağ, Z., & Erdoğmuş, P. (2016). K-Means algoritması ile otomatik kümeleme. El-Cezerî Fen ve Mühendislik Dergisi, 3(2), 315-323. https://doi.org/10.31202/ecjse.264195
• Demiralay, M., & Çamurcu., A. Y. (2005). Cure, Agnes ve K-Means algoritmalarındaki kümeleme yeteneklerinin karşılaştırılması. İstanbul Ticaret Üniversitesi Fen Bilimleri Dergisi, 4(8), 1-18.
• Ecer, F. (2021). FUCOM sübjektif ağırlıklandırma yöntemi ile rüzgâr çiftliği yer seçimini etkileyen faktörlerin analizi. Pamukkale Üniversitesi Mühendislik Bilimleri Dergisi, 27(1), 24-34.
• Ecer, F., & Pamucar, D. (2022). A novel LOPCOW‐DOBI multi‐criteria sustainability performance assessment methodology: An application in developing country banking sector. Omega, 112(102690), 1-18.
• Eren, H., & Ömürbek, N. (2021). OECD Ülkelerinin Lojistik Performansları Açısından Kümelenmesi. Süleyman Demirel Üniversitesi İktisadi ve İdari Bilimler Fakültesi Dergisi, 26(2), s. 153-166.
• Gadakh, V. S., Shinde, V. B., & Khemnar, N. (2013). Optimization of welding process parameters using MOORA method. The International Journal of Advanced Manufacturing Technology, 69(9-12), 2031-2039.
• Gersho, A., & Gray, R. M. (2012). Vector Quantization and Signal Compression (Cilt 159). USA: Springer Science & Business Media.
• Ghorabaee, M. K., Govindan, K., Amiri, M., Zavadskas, E. K., & Antuchevičienė, J. (2019). An integrated type-2 fuzzy decision model based on WASPAS and SECA for evaluation of sustainable manufacturing strategies. Journal of Environmental Engineering and Landscape Management, 27(4), 187-200.
• Işık, Ö., Çalık, A., & Shabir, M. (2024). A consolidated MCDM framework for overall performance assessment of listed insurance companies based on ranking strategies. Computational Economics, 1-42.
• Kahreman, Y. (2023). G20 Ülkelerinin Ekonomik Performanslarının 2008 Krizi Döneminde LOPCOW-COCOSO Yöntemi İle Değerlendirilmesi. İzmir Journal of Economics, 38(3), s. 786-803.
• Karabacak, E., & Kutlu, H. A. (2024). Evaluating the efficiencies of logistics centers with fuzzy logic: The case of Turkey. Sustainability. 16(1), 438.
• Karaköy, Ç. & Ölmez, U. (2019). Balkan Ülkelerinde Lojistik Performans Endeksi Değerlendirilmesi. Uluslararası Sosyal, Beşeri ve İdari Bilimlerde Yenilikçi Yaklaşımlar Sempozyumu'nda sunulmuş bildiri, (s. 178-180).
• Kartal, C., Özdil, Z., & Acar Karaboğa, M. (2024). BIST sürdürülebilirlik 25 endeksi firmalarinin çok kriterli karar verme yöntemleri ile finansal performans analizi. Uluslararası Yönetim İktisat Ve İşletme Dergisi, 20(ICMEB’24 Özel Sayı), 79-100.
• Kısa, A., Gök, C., & Ayçin, E. (2019). OECD ülkelerinin lojistik performanslarinin swara tabanli edas yöntemi ile değerlendirilmesi. Çankırı Karatekin Üniversitesi İktisadi ve İdari Bilimler Fakültesi Dergisi , 9(1), 301-325.
• Korucuk, S., Aytekin, A., Ecer, F., Karamaşa, Ç., & Zavadskas, E. K. (2022). Assessing green approaches and digital marketing strategies for twin transition via fermatean fuzzy swara-copras. Axioms, 11(12), 1-25.
• Mukhametzyanov, I., & Pamucar, D. (2018). A sensitivity analysis in MCDM problems: A statistical approach. Decision Making: Applications in Management and Engineering, 1(2), 51-80.
• Di Lascio, F. M. L., Giammusso, D., & Puccetti, G. (2018). A clustering approach and a rule of thumb for risk aggregation. Journal of Banking & Finance, 96, 236-248.
• Linde, Y., Buzo, A., & Gray, R. (2023). An algorithm for vector uantizer design. IEEE Transactions on Communications , 28(1), 84-95.
• Miskiç, S., Stević, Z., Tadiç, S., Elhayyat, 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.
• Özekenci, E. K. (2025). Evaluation of the logistics performance index of OECD countries based on hybrid MCDM methods. Marmara Üniversitesi İktisadi ve İdari Bilimler Dergisi, 47(1), 47-76.
• Özekes, S. (2003). Veri madenciliği modelleri ve uygulama alanlari. İstanbul Ticaret Üniversitesi Dergisi, 3, 65-82.
• Özmen, M. (2019). Logistics competitiveness of OECD countries using an improved TODIM method. Sādhanā, 44, 1-11.
• Pamučar, D., Stević, Ž., & Sremac, S. (2017). A new model for determining weight coefficients of criteria in MCDM models: Full Consistency Method (FUCOM). Symmetry, 9(12), 1–27.
• Pehlivan, N. Y. (2024). A novel integrated FCM/MCDM methodology for evaluating logistic performance index. In Data-Driven Modelling with Fuzzy Sets (pp. 305-328). CRC Press.
• Rađenović, Ž. (2021). Transportation management systems: Logistics performance index approach. Challenges of Tourism and Business Logistics in the 21st Century, 4(1), 100-108.
• Sariman, G. (2011). Veri madenciliğinde kümeleme teknikleri üzerine bir çalışma: K-means ve k-medoids kümeleme algoritmalarının karşılaştırılması. Süleyman Demirel Üniversitesi Fen Bilimleri Enstitüsü Dergisi, 15(3), 192-202.
• Sharawi, H. (2025). The impact of LPIs’ indicators on the global logistics performance index: Global perspective. Available at SRN: https://ssrn.com/abstract=5101068, Accessed 17.01.2025.
• Silahtaroğlu, G. (2008). Veri madenciliği. İstanbul: Papatya Yayınları.
• Stević, Ž., Ersoy, N., Başar, E. E., & Baydaş, M. (2024). Addressing the global logistics performance index rankings with methodological insights and an innovative decision support framework. Applied sciences, 14(22), 10334
• Swiss Life Asset Managers. France’s hidden strengths in logistics real estate. Retrived from https://www.swisslife-am.com/en/home/hub/2025/q1/logistics-real-estate-france.html, Accessed 06.03.2025.
• Teker, S., Azkeskin, S. A., & Aladağ, Z. (2024). Enerji sürdürülebilirliğinin çok kriterli karar verme yöntemleri ile ölçülmesi ve Copeland yöntemi ile bütünleştirilmesi: OECD ülkeleri üzerine bir çalişma. Uluslararası Yönetim İktisat ve İşletme Dergisi, 20(4), 871-895.
• 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.
• Ünal, Y., Ekim, U., & Köklü, M. (2011). Üniversite öğrencilerin ortak zorunlu derslerdeki başarilarinin k-means algoritmasi ile incelenmesi. Engineering Sciences, 6(1), 342-347.
• Yıldırım, B. F., & Mercangöz., B. A. (2020). Evaluating the logistics performance of OECD countries by using fuzzy AHP and ARAS-G. Eurasian Economic Review, 10(1), 27-45.
• Yılmaz, B. (2025). Determining The Digitalization Levels of Leading Countries in Logistics Performance Index: An Application with CRITIC-TOPSIS Approach. Verimlilik Dergisi, 59(2), 431-450.
• Yildiz, T. (2023). Logistics and supply chain management: Fundamentals and strategies. Independently published. ISBN 979-8375061962.
• Yürüyen, A. A., Ulutaş, A., & Özdağoğlu, A. (2023). Lojistik işletmelerinin performansının bir hibrit ÇKKV modeli ile değerlendirilmesi. Business & Management Studies: An International Journal, 11(3), 731-751.
• Zavadskas, K. E., & Podvezko, V. (2016). Integrated determination of objective criteria weights in MCDM. International Journal of Information Technology & Decision Making, 15(2), 267-283.
• Więckowski, J., & Sałabun, W. (2023). Sensitivity analysis in multiple-criteria decision-making methods: A systematic literature review. Applied Soft Computing, 138, 110261.
• World Bank. (2023). Connecting to compete 2023: Trade logistics in an uncertain global economy. Retrived from https://lpi.worldbank.org, Accessed 21.04.2024