LOJİSTİK SÜREÇLERDE KARBON AYAK İZİ TAHMİNİ İÇİN SENTETİK VERİ TABANLI MAKİNE ÖĞRENMESİ YAKLAŞIMI

ÖÇAL B.

Uluslararası İktisadi ve İdari İncelemeler Dergisi, sa.52, ss.165-182, 2026 (TRDizin)

Özet

Bu çalışma, lojistik süreçlerde ortaya çıkan karbon ayak izini, sentetik veriye dayalı makine öğrenmesi yöntemleriyle tahmin etmeyi ve bu doğrultuda en uygun modeli belirlemeyi amaçlamaktadır. Gerçek lojistik verilerine erişimde yaşanan kısıtlar nedeniyle taşıma mesafesi, yük ağırlığı, taşıma modu, yakıt türü, trafik yoğunluğu, hava koşulları ve araç özellikleri gibi değişkenleri içeren çok boyutlu bir sentetik veri seti oluşturulmuştur. Karbon emisyonları aktivite tabanlı emisyon yaklaşımıyla hesaplanmıştır. Çalışmada Doğrusal Regresyon, Random Forest, Extra Trees, Gradient Boosting, Destek Vektör Regresyonu ve XGBoost olmak üzere altı farklı makine öğrenmesi algoritması karşılaştırmalı olarak değerlendirilmiştir. Bulgular, karbon emisyonu tahmininde ağaç tabanlı topluluk öğrenmesi modellerinin klasik yöntemlere göre daha başarılı sonuçlar verdiğini göstermiştir. Tüm modeller arasında XGBoost modeli, 0,9945 R² değeri ve düşük hata oranları ile en yüksek tahmin performansını sağlamıştır. Sonuçlar, sentetik verinin gerçek veriye erişimin sınırlı olduğu lojistik uygulamalarında karbon ayak izi tahmini için etkili bir alternatif sunduğunu ve sürdürülebilir lojistiğin karar alma süreçlerine katkı sağlayabileceğini ortaya koymaktadır.
This study aims to estimate the carbon footprint arising from logistics processes using machine learning methods based on synthetic data and to identify the most suitable model for this purpose. Due to data access limitations, a multidimensional synthetic dataset was generated using variables like transport distance, cargo weight, transport mode, fuel type, traffic density, weather, and vehicle characteristics. Carbon emissions were calculated via an activity-based approach. The study comparatively evaluated six algorithms: Linear Regression, Random Forest, Extra Trees, Gradient Boosting, Support Vector Regression, and XGBoost. Findings indicate that tree-based ensemble learning models outperformed classical methods in predicting emissions. Among all models, XGBoost delivered the highest performance with an R² value of 0.9945 and minimal error rates. The results demonstrate that synthetic data provides an effective alternative for estimating carbon footprints in logistics process where access to real-world data is limited, and that it can contribute to sustainable logistics decision-making processes.