Yapay Zekâ ve İstatistiksel Yöntemler ile Küresel Ticarette Rekabet Ölçütü Olan Lojistik Performans İndeksine (LPI) Etken Parametrelerin Ülke Bazlı İncelenmesi ve Tahmin Modellerinin Geliştirilmesi

Abstract

Firmalar ürettikleri ürünleri pazarlamak için birçok farklı yöntem geliştirmektedir. Ürünün, üreticiden tüketiciye ulaşana kadar sürecin her aşaması rekabet piyasasında incelenmesi gereken önemli birer unsur olmaktadır. İncelenen bu süreçler lojistik ana teması altında toplanmaktadır. Bu çalışmada ülkelerin lojistik alt yapısı hakkında önemli bilgi veren ve küresel ölçekte karşılaştırma imkânı sunan lojistik performans indeksi (LPI) kavramı incelenmektedir. LPI’ne etki eden parametreler gözden geçirilmekte ve bu bağlamda liman alt yapı kalitesi, layner taşımacılığı, gümrük giderleri, havayolu yük taşımacılığı, ihracat miktarı değişkenleri incelenmektedir. Bu değişkenlerin LPI ile ilişkisi istatistiksel olarak ele alınmaktadır. Çalışmanın son aşamasında ise istatistiksel olarak anlamlı olan girdiler göz önünde bulundurularak sayısal veriler ışığında LPI için yapay zekâ ve çok değişkenli lineer regresyon (MLR) yöntemleri kullanılarak tahmin modelleri geliştirilmektedir.

Companies develop many different methods to market the products they produce. Every stage of the product, from the manufacturer to the consumer, is an important element that must be examined in the competitive market. These processes are gathered under the main theme of logistics. In this study, logistics performance index (LPI), which gives important information about the logistics infrastructure of the countries and offers the opportunity to compare globally, is examined. Parameters affecting LPI are reviewed and along with the variables of port infrastructure quality, liner transportation, customs expenses, airline freight transportation, export amount. The relationship of these variables with LPI is considered statistically. In the last stage of the study, considering the statistically significant inputs, prediction models are developed using artificial intelligence and multiple linear regression (MLR) methods in the light of numerical data.