Gri Entropi, FUCOM ve EDAS-M Yöntemleriyle Türk Lojistik Firmalarının Çok Kriterli Performans Analizi

Bu çalışmada amaç Fortune 500 Turkey listesine giren lojistik firmaların performans değerlendirmesini ele almaktır. Bu amaçla Gri Entropi, FUCOM ve EDAS-M yöntemlerini birleştiren yeni bir Çok Kriterli Karar Verme (ÇKKV) yaklaşımı önerilmiştir. Çalışmanın ilk aşamasında kriterlere ilişkin objektif ağırlıklar Gri Entropi ile hesaplanmış ardından subjektif ağırlıklar ise FUCOM ile elde edilmiştir. Her iki ağırlık belirleme yönteminin kendilerine ait avantaj ve dezavantajları olmasından dolayı, bu çalışmada bu iki ağırlık belirleme yöntemi birleştirilmiştir. Çalışmanın ikinci aşamasında ise lojistik firmaların performansı EDAS-M yöntemine göre belirlenip sıralanmıştır. Birleştirilmiş ağırlıklandırma yönteminden elde edilen bulgular göstermektedir ki en önemli üç performans kriteri sırasıyla ihracat miktarı, çalışan sayısı ve net satışlardır. Ayrıca, EDAS-M yöntemi ile ulaşılan sonuçlara göre, seçilen performans göstergeleri açısından en başarılı firma Ekol lojistik firmasıdır. Bu çalışmada önerilen hibrid modelden elde edilen bulgular, günümüzün artan rekabet koşulları altında sahip olduğu kaynaklarını en optimal şekilde kullanmak zorunda olan lojistik firmalarının tüm paydaşları için büyük önem taşımaktadır.

Anahtar Kelimeler:

Gri Entropi, FUCOM, EDAS-M, Lojistik, Performans Analizi

PDF

___

Aguezzoul, A. ve Pires, S. (2016). 3PL performance evaluation and selection: A MCDM method. Supply Chain Forum: An International Journal, 17(2), 87-94.
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.
Candan, G. (2019). Lojistik performans değerlendirmesi için bulanık AHP ve Gri İlişkisel Analiz yöntemleri ile bütünleşik bir yaklaşım. Anemon Muş Alparslan Üniversitesi Sosyal Bilimler Dergisi, 7(5), 277-286.
Çakır, S. ve Perçin, S. (2013). Çok kriterli karar verme teknikleriyle lojistik firmalarında performans ölçümü. Ege Akademik Bakış, 13(4), 449-459.
Demir, G. ve Bircan, H. (2020). Kriter ağırlıklandırma yöntemlerinden BWM ve FUCOM yöntemlerinin karşılaştırılması ve bir uygulama. Cumhuriyet Üniversitesi İktisadi ve İdari Bilimler Dergisi, 21(2), 170-185.
Ecer, F. (2018). Third-party logistics (3PLs) provider selection via fuzzy AHP and EDAS integrated model. Technological and Economic Development of Economy, 24(2), 615-634.
Ecer, F. (2021). FUCOM sübjektif ağırlıklandırma yöntemi ile rüzgâr çiftliği yer seçimini etkileyen faktörlerin analizi. Pamukkale Üniversitesi Mühendislik Bilimleri Dergisi, 27(1), 24-34.
Işık, Ö. ve Ersoy, E. (2020). Özel sermayeli mevduat bankalarında faiz gelir ve giderlerine dayalı performans analizi: CRITIC ve EDAS yöntemleri ile bir uygulama. Karaca, S.S. ve Demireli E. (Ed.), finans teorisine uygulamalı katkılar-2 içinde (s. 69-89). Ankara: Ekin Yayınevi.
Işık, Ö. (2020). Bir Lojistik Firmasının Performans Analizi: Reysaş Lojistik Örneği. Yalman, İ.N. (Ed.), Türkiye’de Dış Ticaret ve Lojistik Uygulamalı ve Teorik Seçme Konular içinde (s. 293-314). Ankara: Nobel Yayınevi.
Karbassi Yazdi, A., Hanne, T., Osorio Gómez, J. C., & García Alcaraz, J. L. (2018). Finding the best third-party logistics in the automobile industry: A hybrid approach. Mathematical Problems in Engineering, 2018, 1-19.
Keshavarz Ghorabaee, M., Amiri, M., Kazimieras Zavadskas, E. ve Antuchevičienė, J. (2017). Assessment of Third-party Logistics Providers using A CRITIC–WASPAS Approach with Interval Type-2 Fuzzy Sets. Transport, 32(1), 66-78.
Keshavarz Ghorabaee, M., Zavadskas, E. K., Olfat, L., & Turskis, Z. (2015). Multi-criteria inventory classification using a new method of evaluation based on distance from average solution (EDAS). Informatica, 26(3), 435-451.
Kısa, A. C. G., & Ayçin, E. (2019). OECD ülkelerinin lojistik performanslarının SWARA tabanlı EDAS yöntemi ile değerlendirilmesi. Çankırı Karatekin Üniversitesi İİBF Dergisi, 9(1), 301-325.
Li, F., Li, L., Jin, C., Wang, R., Wang, H., & Yang, L. (2012). A 3PL supplier selection model based on fuzzy sets. Computers & Operations Research, 39(8), 1879-1884.
Mariano, E.B., Gobbo Jr., J.A., Camioto, F.de C. & Rebelatto, D.A.do N. (2017). CO2 emissions and logistics performance: a composite index proposal. Journal of Cleaner Production, 163, 166-178.
Mercangoz, B. A., Yildirim, B., & Yildirim, S. K. (2020). Time period based COPRAS-G method: application on the logistics performance ındex. LogForum, 16 (2), 239-250.
Minkowski, H. (1909). Raum und Zeit [Space and Time]. In Teubner, B.G. ed., Jahresberichte der Deutschen MathematikerVereinigung, 1-14.
Oğuz S., Alkan G., & Yılmaz B. (2019). Seçilmiş Asya ülkelerinin lojistik performanslarının TOPSİS yöntemi ile değerlendirilmesi. IBAD Sosyal Bilimler Dergisi, Özel Sayı, 497-507.
Orhan M. (2019). Türkiye ile Avrupa Birliği ülkelerinin lojistik performanslarının Entropi ağırlıklı EDAS yöntemiyle karşılaştırılması. Avrupa Bilim ve Teknoloji Dergisi, 17, 1222-1238.
Özbek, A. (2018). Fortune 500 listesinde yer alan lojistik firmaların değerlendirilmesi. Afyon Kocatepe Üniversitesi İktisadi ve İdari Bilimler Fakültesi Dergisi, 20(1), 13-26.
Özdağoğlu, A., & Keleş, M. K. (2019). Spor yönetimi açısından Gri Entropi Tabanlı ROV yöntemi ile 4 büyük futbol kulübünün finansal performans analizi. Süleyman Demirel Üniversitesi Sosyal Bilimler Enstitüsü Dergisi, (35), 107-123.
Pamučar, D., Željko, S. and Sremac, S. (2018). A new model for determining weight coefficients of criteria in mcdm models: Full Consistency Method (FUCOM). Symmetry, 10(393), 2-22.
Percin, S. (2009). Evaluation of third-party logistics (3PL) providers by using a two-phase AHP and TOPSIS methodology. Benchmarking: An International Journal, 16(5), 588-604.
Rajesh, R., Pugazhendhi, S., Ganesh, K., Ducq, Y., & Koh, S. L. (2012). Generic balanced scorecard framework for third party logistics service provider. International Journal of Production Economics, 140(1), 269-282.
Shuai, J. J., & Wu, W. W. (2011). Evaluating the influence of e-marketing on hotel performance by DEA and Grey Entropy. Expert systems with applications, 38(7), 8763-8769.
Singh, R. K., Gunasekaran, A., & Kumar, P. (2018). Third party logistics (3PL) selection for cold chain management: a fuzzy AHP and fuzzy TOPSIS approach. Annals of Operations Research, 267(1-2), 531-553.
Ulutaş, A. (2019). Entropi tabanlı EDAS yöntemi ile lojistik firmalarının performans analizi. Uluslararası İktisadi ve İdari İncelemeler Dergisi, (23), 53-66.
Ulutaş, A., & Karaköy, Ç. (2019b). G-20 ülkelerinin lojistik performans endeksinin çok kriterli karar verme modeli ile ölçümü. Cumhuriyet Üniversitesi İktisadi ve İdari Bilimler Dergisi, 20(2), 71-84.
Ulutaş, A., & Karaköy, Ç. (2019a). An analysis of the logistics performance index of EU countries with an integrated MCDM model. Economics and Business Review, 5(4), 49-69.
Utikad Lojistik Sektörü Raporu, 2019, https://www.utikad.org.tr/images/HizmetRapor/utikadlojistiksektoruraporu2019-29007.pdf.
Yildirim, B. F., & Mercangoz, B. A. (2020). Evaluating the logistics performance of OECD countries by using fuzzy AHP and ARAS-G. Eurasian Economic Review, 10(1), 27-45.
Zavadskas, E. K., Stevic, R., Turskis, Z., & Tomaševic, M. (2019). A novel extended EDAS in Minkowski Space (EDAS-M) method for evaluating autonomous vehicles. Studies in Informatics and Control, 28(3), 255-264.
Zhou, G., Min, H., Xu, C., & Cao, Z. (2008). Evaluating the comparative efficiency of Chinese third‐party logistics providers using data envelopment analysis. International Journal of physical distribution & logistics management, 38(4), 262–279.