OECD ülkelerinde çevresel bozulma, enerji tüketimi ve lojistik performans arasındaki ilişkinin incelenmesi: Makine öğrenimi ile bir uygulama

Lojistik faaliyetler sera gazı emisyonları aracılığıyla iklim değişikliği ve küresel ısınmaya yol açarak, dünya için yıkıcı sonuçlar doğurmaktadır. Bu sonuçlardan korunabilmek amacıyla hem lojistik sektöründe hem de enerji üretim ve tüketiminde çeşitli önlemler alınması gerekmektedir. Bu tez çalışmasında 38 OECD ülkesi üzerinde lojistik performans, çevresel bozulma ve enerji tüketimi arasındaki ilişki bir makine öğrenimi algoritması olan Rassal Orman analiziyle incelenmektedir. Analizde, algoritmanın performansını değerlendirmek için MSE, MAE, RMSE ve R² metrikleri, değişken önemini değerlendirmek için ise TreeSHAP kullanılmaktadır. Ayrıca sonuçların görselleştirilmesi için arı sürüsü grafiklerinden faydalanılmaktadır. Algoritma, ulaşım sektöründen kaynaklanan enerji tüketimi, çevresel bozulma, Lojistik Performans Endeksi (LPE) göstergelerinden lojistik kalite ve yetkinlik, altyapı, takip ve izlenebilirlik, gümrükleme değişkenlerini başarıyla tahmin edebilirken; zamanlama ve uluslararası taşımacılık göstergelerini açıklamakta zorluk çekmektedir. Değişken önem düzeylerine göre her bir hedef LPE göstergesi için, diğer LPE göstergeleri tutarlı bir şekilde en etkili tahmincilerdir. Enerji tüketimine ilişkin sonuçlar, doğru enerji tüketimi tahminleri için algoritmanın lojistik metriklerindense, çevresel ve ekonomik faktörlere öncelik verilmesi gerektiğini göstermektedir. Analiz sonucunda çevresel bozulma tahmininin en baskın belirleyicisinin ise enerji tüketimi olduğu gözlemlenmektedir.