Yapay Zeka Hızlı Bakış & Çıkarımlar
AI InsightBu çalışmada, LPE puanlarına dayalı veri odaklı bir ülke sınıflandırması k-ortalamalar (k-means) kümeleme yöntemiyle önerilmektedir.
📌 3 Maddede Bu Makale
Özet
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.
Abstract
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.