Henley & Passport Güç Endeksine Göre Ülkelerin Çok Kriterli Karar Verme ve Kümeleme Modeli İle Analizi
İşletme Araştırmaları Dergisi, cilt.17, sa.2, ss.971-900, 2025 (TRDizin)
- Yayın Türü: Makale / Tam Makale
- Cilt numarası: 17 Sayı: 2
- Basım Tarihi: 2025
- Doi Numarası: 10.20491/isarder.2025.2014
- Dergi Adı: İşletme Araştırmaları Dergisi
- Derginin Tarandığı İndeksler: TR DİZİN (ULAKBİM)
- Sayfa Sayıları: ss.971-900
- Süleyman Demirel Üniversitesi Adresli: Evet
Özet
Amaç – Dünyanın en güçlü ve en zayıf pasaportlarının listesini Henley Pasaport Güç Endeksi (Henley Passport Power Index, HPPI) sıralamakta ve pasaportları, küresel GSYİH içindeki yüzde payına göre değerlendirmektedir. Bu çalışmada, bölümleyici kümeleme algoritmalarıyla elde edilen sonuçlar, HPPI sıralamaları ile karşılaştırılarak yorumlanacaktır. Yöntem – Çalışma, ÇKKV ile K-means, PAM ve CLARA algoritmasına dayanan hibrid bir yaklaşım sunmaktadır. HPPI verileri kapsamında 190 ülke ve ekonomik hareketlilik puanı (küresel GSYİH’ye vizesiz erişim), ülke GSYH’si (küresel GSYH’nin %’si), vizesiz seyahat (Dünya’nın %’si) kriterleri dikkate alınarak CRITIC, ENTROPI, MEREC yöntemleri ile kriter ağırlıkları belirlenmiş olup nihai ağırlıklar için IDOCRIW yöntemi kullanılarak kümeleme analizi yapılmış ve kümeleme kalitesi için içsel değerlendirme yöntemleri arasında sıklıkla kullanılan Silhouette ve Dunn indeksleri ile kümeleme sonuçları değerlendirilmiştir. Bulgular – IDOCRIW yöntemi ile nihai ağırlıklar belirlenmiş olup kriterlerin önem dereceleri sırasıyla ekonomik hareketlilik puanı, ülke GSYH’si ve vizesiz seyahattir. K-means, PAM ve CLARA algoritmaları ile kümeleme analizi gerçekleştirilmiştir. PAM ve CLARA algoritmasının kümeleme sonuçları aynı çıkmış ve gözlemlerin kümelere daha tutarlı biçimde atandığı vurgulanmıştır. PAM ve CLARA kümeleme analizi sonucunda 190 ülke, 3 kümeye ayrılmış; kümeler sırasıyla gelişmiş, gelişmekte olan ve gelişmemiş olarak belirlenmiştir. Gelişmiş grubundaki kümeler HPPI’deki ilk 47 ülke ile aynı, gelişmekte olan ülkeler ise endeks sıralamasının ortalarında yer alırken gelişmemiş olan ülkeler grubu ise endekste son sıralarda yer almıştır. Tartışma – Bu çalışma literatürde HPPI’nin ÇKKV-KÜMELEME ile yapılan ilk çalışmalardan biri olma özelliğini taşımaktadır. Çalışmanın bazı kısıtları mevcuttur ve ilerideki çalışmalarda bu kısıtlar üzerinde yeni bir çalışma yapılabilir.
Purpose – The Henley Passport Power Index (HPPI) ranks the world’s strongest and weakest passports and evaluates them based on their percentage share in global GDP. In this study, the results obtained through partitional clustering algorithms are compared with the HPPI rankings and interpreted accordingly. Design/methodology/approach –This study presents a hybrid approach combining Multi-Criteria Decision-Making (MCDM) methods with clustering algorithms such as K-means, PAM, and CLARA. Within the scope of HPPI data, three criteria are considered for 190 countries: Economic Mobility Score (visa-free access to global GDP), National GDP (percentage share in global GDP), and Visa-Free Travel (% of the world). The criteria weights were calculated using the CRITIC, ENTROPY, and MEREC methods, and final weights were obtained using the IDOCRIW method. Clustering analysis was then conducted based on these weights. The clustering results were evaluated using internal validation metrics, specifically the Silhouette and Dunn indices, which are frequently used to assess clustering quality. Findings – Final weights were determined using the IDOCRIW method. The importance ranking of the criteria was found to be: Economic Mobility Score, National GDP, and Visa-Free Travel. Clustering analysis was performed using K-means, PAM, and CLARA algorithms. The clustering results of PAM and CLARA were identical, and these methods demonstrated more consistent assignment of observations to clusters. As a result of PAM and CLARA clustering, 190 countries were grouped into three clusters, classified respectively as developed, developing, and underdeveloped. Countries in the developed cluster corresponded to the top 47 countries in the HPPI ranking. Developing countries were located in the middle of the index, while underdeveloped countries were positioned in the lowest ranks. Discussion – This study is among the first in the literature to integrate HPPI with MCDM-based clustering analysis. While the study contributes to the field, it has certain limitations that can be addressed in future research.