Evaluation of Logistics Performances of G20 Countries Using SD-Based COPRAS and SAW Methods
Notice bibliographique
Résumé
One of the important issues in the economic development of countries is their effectiveness in logistics activities. Countries gain competitive advantage by maintaining effective and efficient logistics processes. Therefore, determining logistics performance is important for both businesses and countries. The main aim of this study is to examine the logistics performances of countries in the context of G20 countries and to determine how they change over time. Within the framework of this aim, the Logistics Performance Index published by the World Bank has been used to determine the logistics performance of countries (LPI (2018) and LPI (2023)). Standard Deviation (SD) method has been used in weighting the criteria “customs, infrastructure, international shipments, logistics competence and quality, timeliness, tracing and tracking” included in the LPI and in determining the performance of G20 countries. Data for 2018 and 2023 have been examined using the methods COPRAS (Complex Proportional Assessment) and SAW (Simple Additive Weight). The results obtained from the methods have been compared with LPI (2018) and LPI (2023). As a result of the analysis, according to the COPRAS method, Germany, Japan, and the United Kingdom rank first in 2018, while the Russian Federation, Argentina and Brazil rank last, respectively. According to 2023 data, Germany ranks first according to both methods, while Canada and Japan follow Germany in line with the COPRAS method. According to the SAW method, Japan and Canada follow Germany. Russia and Argentina rank in last place in both methods, similar to the current index.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,022 | 0,003 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».