Nicel araştırma makalesi incelemesi

BIST Sanayi Endeksi'nde Finansal Başarısızlık Tahmini: Geleneksel Modellerin ve Kümelenme Tekniklerinin Değerlendirilmesi

Küresel ekonomik dalgalanmalar ve finansal krizler, şirketlerin yükümlülüklerini yerine getiremeyerek iflas veya tasfiye riskiyle karşı karşıya kalması anlamına gelen finansal sıkıntı kavramını yönetim ve finans literatürünün merkezine taşımıştır.

Makalenin anahtar kelimeleri

Yazar: Ömer Serkan GÜLAL et al.
Yayın: Ekonomi Politika ve Finans Arastirmalari Dergisi
Tarih: 2023-12-30
DOI: 10.30784/epfad.1370893

Makalenin Kapsamı ve Akademik İçeriği

Finansal krizler ve küresel ekonomik dalgalanmalar, şirketlerin borç yükümlülüklerini yerine getiremeyerek tasfiye veya iflas riskiyle yüzleşmesi biçiminde tanımlanan finansal sıkıntı kavramını güncel finans araştırmalarının odağına yerleştirmiştir. Firmaların finansal performanslarındaki bozulmaları önceden tespit etmek; yatırımcılar, kredi veren kuruluşlar, şirket yöneticileri ve makroekonomik istikrar açısından kritik bir erken uyarı işlevi görür. Literatürde Altman Z-skoru ve Springate S-skoru gibi geleneksel modeller uzun yıllardır yaygın biçimde kullanılmakla birlikte, resmi iflas tanımlarının esnek olduğu veya firmaların iflas ilanından kaçındığı gelişmekte olan piyasalarda bu modellerin ayrıştırma yeteneğinin yetersiz kalabildiği gözlenmektedir. Bu doğrultuda, verideki gizli örüntüleri öncül bir resmi sınıflandırmaya ihtiyaç duymaksızın ortaya koyabilen veri madenciliği ve makine öğrenmesi tekniklerinin geleneksel modellere kıyasla ne derece etkin sonuçlar sunduğu sorusu incelemenin temel odak noktasını oluşturmaktadır.

Bu çalışma, Borsa İstanbul Sanayi Endeksi'nde (XUSIN) 2011-2021 yılları arasında kesintisiz verisi bulunan 24 imalat sanayi şirketinin firma düzeyindeki finansal oranlarını inceleyerek finansal sıkıntı riskini tahmin etmeyi amaçlamaktadır. Araştırmada veri kaynağı olarak Thomson Reuters Datastream ve Kamuyu Aydınlatma Platformu (KAP) bilançoları kullanılmıştır. İncelemede geleneksel Altman Z-skoru, Altman Z'-skoru ve Springate S-skoru modellerinin yanı sıra firma düzeyindeki somut mali durum kriterleri (üst üste 2 yıl zarar etme, varlıklarda %10 azalma, negatif özsermaye) hesaplanmış; ardından makine öğrenmesi yaklaşımlarından K-ortalamalar (K-means) kümeleme algoritması uygulanmıştır. K-ortalamalar yöntemiyle şirketler 2'li (başarılı ve daha az başarılı/riskli) ve 3'lü (riskli, daha az riskli ve risksiz) gruplar halinde her yıl için ayrı ayrı kümelenerek finansal göstergelere dayalı ayrıştırma gücü test edilmiştir.

Elde edilen ampirik bulgular, Altman Z-skoru modelinin Türkiye imalat sanayi şirketlerini neredeyse tamamen başarısız veya riskli kategoride sınıflandırdığını ve ayırt edicilik kapasitesinin son derece düşük kaldığını göstermektedir. Altman Z'-skoru ve Springate S-skoru modelleri ise şirketlerin yarıdan fazlasını başarılı olarak gruplamış; ancak geleneksel modeller ile somut finansal kriterlerin tamamında ortak sınıflandırmaya giren firma sayısının yıllar itibarıyla son derece sınırlı kaldığı (2011, 2012, 2015 ve 2017'de sadece 2 firma; 2021'de ise hiçbir firma) tespit edilmiştir. Buna karşılık K-ortalamalar kümeleme algoritması, şirketlerin finansal oranlar arasındaki Öklid mesafelerine dayalı ayrışma yeteneği sayesinde firmaları karakteristik özelliklerine göre net bir şekilde gruplayabilmiştir. Özellikle 2012 küresel kriz döneminde SASA ve Vestel gibi ihracat kapasitesi yüksek şirketlerin başarılı kümede tek başlarına ayrışması, algoritmanın gizli finansal ilişkileri yakalama gücünü ortaya koymuştur.

Çalışmanın sonuçları, gelişmekte olan piyasalarda geleneksel istatistiksel iflas modellerinin tek başına kullanılmasının yanıltıcı sonuçlar doğurabileceğini, buna karşın denetimsiz makine öğrenmesi tekniklerinin finansal sıkıntı tahmininde daha yüksek bir ayırıcı güce sahip olduğunu doğrulamaktadır. Yazarlar, K-ortalamalar algoritmasının resmi bir iflas tanımına veya ön etiketlemeye gerek duymadan şirketleri mali bünyelerine göre sıralayabildiğini belirtmektedir. Literatür taraması açısından bu çalışma; BİST imalat sektöründe geleneksel ve yapay zeka temelli tekniklerin 11 yıllık boylamsal bir süreçte karşılaştırmalı analizini sunarak finans araştırmalarında veri madenciliği yöntemlerinin kullanımını destekleyen güçlü bir ampirik referans oluşturmaktadır.

Araştırmanın amacı

Bu çalışmanın amacı, BIST Sanayi Endeksi'nde (XUSIN) yer alan şirketlerin firma düzeyindeki finansal oranlarını kullanarak K-ortalamalar kümeleme algoritması, Altman Z-skoru ve Springate S-skoru yöntemleriyle finansal sıkıntı durumlarını tahmin etmek ve geleneksel yöntemler ile makine öğrenmesi tekniklerinin ayırıcı gücünü karşılaştırmaktır(GÜLAL et al., 2023, s. 2).

İnceleme ve modelleme yöntemi

Çalışmada, BIST Sanayi Endeksi'nde yer alan şirketlerin finansal başarısızlık risklerini tahmin etmek amacıyla nicel ampirik bir araştırma deseni benimsenmiş; geleneksel Altman Z-skoru, Z'-skoru ve Springate S-skoru modelleri ile K-ortalamalar kümeleme algoritması karşılaştırmalı olarak uygulanmıştır(GÜLAL et al., 2023, s. 2).

Kuramsal ve kavramsal çerçeve

Çalışma, Altman'ın çok değişkenli diskriminant analizine dayanan klasik iflas tahmini kuramı ile veri madenciliği ve makine öğrenmesi literatüründeki denetimsiz kümeleme (unsupervised clustering) yaklaşımını bir araya getiren ampirik bir çerçeveye dayanmaktadır. Likidite, karlılık, kaldıraç ve faaliyet oranlarının firma performansını ve finansal riskini yansıttığı varsayımından hareketle, geleneksel parametrik skorlama modelleri ile verideki gizli ilişkileri mesafe tabanlı algoritmayla gruplayan K-ortalamalar yaklaşımı karşılaştırmalı olarak ele alınmaktadır.

Makalenin ele aldığı literatür

Çalışmada Altman (1968), Beaver (1966), Ohlson (1980) ve Springate (1978) tarafından geliştirilen geleneksel finansal başarısızlık modelleri ile Zmijewski (1984), Dimitras ve diğerleri (1996) gibi araştırmacıların finansal sıkıntı tanımları incelenmektedir. Ayrıca Türkiye uygulamalarında Ural ve diğerleri (2015), Salur (2021), Süsler (2022), Tekin ve Temelli (2021) ile uluslararası literatürde Bassetto ve Kalatzis (2011), Wu ve diğerleri (2022) gibi yapay zeka, yapay sınır ağları ve kümeleme yöntemlerini finansal performans ve başarısızlık tahmininde kullanan çalışmalar ele alınarak tartışılmaktadır.

Araştırma Tasarımı

Evren veya inceleme alanı: Borsa İstanbul Sanayi Endeksi'nde (XUSIN) 2011-2021 yılları arasında işlem gören ve verilerine ulaşılan imalat sanayi şirketleri.
Örneklem veya araştırma materyali: Thomson Reuters Datastream ve Kamuyu Aydınlatma Platformu'ndan (KAP) 2011-2021 dönemi için kesintisiz ve kullanılabilir finansal oran verisi elde edilen 24 imalat sanayi şirketi.
Veri toplama süreci: Veriler Thomson Reuters Datastream veri tabanı ile Kamuyu Aydınlatma Platformu (KAP) finansal tablolarından yıllık bazda derlenmiştir.
Veri analiz yöntemi: Veri analizinde geleneksel Altman Z-skoru, Altman Z'-skoru ve Springate S-skoru hesaplamaları yapılmış; makine öğrenmesi yöntemi olarak 2'li ve 3'lü gruplama senaryoları altında K-ortalamalar (K-means) kümeleme algoritması uygulanmıştır.

Finansal Sıkıntı (Financial Distress)Altman Z-SkoruAltman Z'-SkoruSpringate S-SkoruK-Ortalamalar Kümeleme AlgoritmasıBIST Sanayi Endeksi (XUSIN)Finansal Oranlar

Araştırmanın Bulguları

Altman Z-skoru modeli, inceleme dönemi boyunca BIST Sanayi Endeksi'ndeki imalat şirketlerinin büyük çoğunluğunu başarısız olarak sınıflandırarak Türkiye imalat sektörü için yetersiz bir ayırıcı güç sergilemiştir(GÜLAL et al., 2023).

K-ortalamalar kümeleme algoritması, şirketlerin finansal oranlarındaki gizli benzerlik ve farklılıkları gruplayarak geleneksel skorlama modellerine kıyasla daha yüksek bir ayırıcılık ve doğru kümeleme performansı sunmuştur(GÜLAL et al., 2023, s. 2).

Geleneksel finansal başarısızlık modelleri (Z-skoru, Z'-skoru ve S-skoru) ile firma düzeyi mali durum kriterlerinin tamamında aynı gruba atanan şirket sayısı son derece düşük kalmış, 2021 yılında ise hiçbir şirket tüm yöntemlerde aynı grupta yer almamıştır(GÜLAL et al., 2023, s. 2).

2'li K-ortalamalar kümeleme analizinde 2012 kriz döneminde yalnızca ihracat kapasitesi yüksek iki firma (SASA ve Vestel) finansal açıdan sağlıklı kümede yer almış, 2014 sonrası görece istikrarlı dönemlerde ise satış, kâr ve borç göstergelerinin etkisiyle kümeler daha karmaşık hale gelmiştir(GÜLAL et al., 2023, s. 2).

Bulguların Tartışılması ve Araştırmanın Sonucu

Bulguların Yazarlar Tarafından Yorumlanışı

Araştırma bulguları, Altman Z-skoru gibi geleneksel Çok Değişkenli Diskriminant Analizi modellerinin Türkiye imalat sektöründeki şirketleri ağırlıklı olarak başarısız kategoride sınıflandırdığını ve dinamik piyasa koşullarında yeterli ayrıştırma sağlayamadığını göstermektedir. BIST Sanayi Endeksi'nde işlem gören firmaların finansal performansları incelendiğinde, geleneksel skorlama modellerinin sunduğu katı eşik değerlerinin piyasa gerçekleriyle her zaman örtüşmediği görülmüştür.

Yazarlar, bu durumun temel nedenini Türkiye piyasasında finansal sıkıntının resmi ve yasal olarak net tanımlanmaması, şirketlerin iflas başvurusunda bulunmaktan kaçınması ve makroekonomik dalgalanmaların finansal oranlar üzerindeki dönemsel baskılarıyla açıklamaktadır. Bu doğrultuda, etiketlenmiş verilere veya resmi iflas tanımlarına ihtiyaç duymayan gözetimsiz öğrenme tekniklerinin kullanımı zorunlu hale gelmektedir.

Tartışma bölümünde elde edilen sonuçlar literatürle ilişkilendirilmiş; Altman ve Springate modellerinin Çin gibi pazarlarda yüksek doğrulukla çalışmasına karşın Brezilya piyasasını inceleyen Bassetto ve Kalatzis (2011) ile benzer şekilde, kümeleme tekniklerinin gelişmekte olan piyasa koşullarında finansal kısıtları ve riskleri belirlemede daha esnek ve güçlü sonuçlar ürettiği tespit edilmiştir.

Sonuç olarak, makine öğrenmesi temelli K-ortalamalar algoritmasının yüksek ayırma kapasitesi sayesinde yatırımcılar, alacaklılar ve şirket yöneticileri için geleneksel modellere kıyasla çok daha güvenilir ve gerçekçi bir erken uyarı mekanizması sunduğu, gelecek araştırmalarda farklı sektörler ve ek finansal oran birleşimleriyle modelin genişletilebileceği vurgulanmaktadır.

Bulguların Önceki Araştırmalarla Karşılaştırılması

Yazarlar, Altman ve Springate S-skoru gibi geleneksel modellerin Çinli firmalarda yüksek performans gösterirken Türkiye'deki firmalarda yeterli ayırıcılık sağlayamadığını, buna karşın kümeleme tekniklerinin Bassetto ve Kalatzis (2011) tarafından Brezilya şirketlerinde finansal kısıtların belirlenmesinde elde edilen güçlü ve sağlam sonuçlarla paralellik gösterdiğini vurgulamaktadır(GÜLAL et al., 2023).

Sonuç Bölümünün Sunduğu Çıkarımlar

Geleneksel finansal başarısızlık modelleri Türkiye gibi finansal sıkıntının resmi olarak tanımlanmadığı ve şirketlerin iflas başvurusundan kaçındığı gelişmekte olan piyasalarda yetersiz ayırıcılık sunmaktadır. K-ortalamalar kümeleme algoritması ise verideki gizli ilişkileri ve finansal oran benzerliklerini değerlendirerek yatırımcılar, alacaklılar ve yöneticiler için daha yüksek ayırma gücü ve güvenilir kümeleme sonuçları sağlamaktadır(GÜLAL et al., 2023).

Literatür Taraması İçin Sunduğu Çerçeve

Bu çalışma, gelişmekte olan piyasalarda şirketlerin finansal başarısızlık risklerinin öngörülmesinde geleneksel parametrik diskriminant modelleri ile gözetimsiz makine öğrenmesi algoritmalarının performansını karşılaştırmalı olarak inceleyen nitelikli bir ampirik araştırmadır. Literatürde ağırlıklı olarak etiketlenmiş veri setleriyle çalışılan denetimli öğrenme yaklaşımlarının aksine, resmi iflas tanımının nadir görüldüğü pazarlarda K-ortalamalar kümeleme algoritmasının finansal oranlardaki gizli yapıları açığa çıkarma gücünü kanıtlamaktadır. Çalışma, BIST Sanayi Endeksi verileri üzerinden geleneksel modellerin aşırı muhafazakar ve kısıtlayıcı sınıflandırma sonuçlarını göstererek ampirik finans literatüründeki metodolojik tartışmalara katkı sunmaktadır.

Çalışma, Altman (1968) tarafından geliştirilen Z-skoru ve Springate (1978) S-skoru gibi klasik çok değişkenli diskriminant analizi modellerinin kuramsal temellerini esas almaktadır. Ancak bu geleneksel modellerin varsayımlarının gelişmekte olan ülke piyasalarında yarattığı aşırı katı ve tekdüze kümeleme sorununu vurgulayarak Bassetto ve Kalatzis (2011) ile Tsai (2014) tarafından savunulan esnek ve gözetimsiz kümeleme teknikleri çizgisine eklemlenmektedir. Makale, Türkiye ölçeğinde finansal sıkıntının resmi olarak yasal belgelere yansımaması olgusunu dikkate alarak geleneksel skorlama yöntemlerinin ayrıştırma yetersizliğini ampirik verilerle ortaya koymakta ve literatürdeki geleneksel-çağdaş model karşılaştırmalarını genişletmektedir.

Gelişmekte olan ekonomilerde finansal sıkıntı tahmini yapacak araştırmacılar için bu makale, geleneksel diskriminant modellerinin katı eşik değerlerinin yarattığı sapmaları gösteren metodolojik bir referans işlevi görmektedir. Literatür taramalarında, resmi iflas bildirimlerinin kısıtlı olduğu pazarlarda finansal oranların K-ortalamalar kümeleme algoritmasıyla değerlendirilmesinin sağladığı esneklik ve yüksek ayırma gücü ampirik olarak belgelenmektedir. İnceleme; finansal kriz dönemlerinde (örneğin 2012) ihracat kapasitesi gibi spesifik firma niteliklerinin kümelenme davranışları üzerindeki saptayıcı rolünü açıklayarak gelecek araştırmalara kuramsal ve metodolojik bir çerçeve sunmaktadır.

Kaynakça

Bassetto, C. F., & Kalatzis, A. E. G. (2011). Financial distress, financial constraint and investment decision: Evidence from Brazil. Economic Modelling, 28(1–2), 264-271. https://doi.org/10.1016/j.econmod.2010.09.003

Tez ve Makale Araştırmalarında Kullanım

Makalenin doğrulanmış yöntemi, bulguları ve kuramsal çerçevesi; tez ve makale çalışmalarında kullanılacağı bölümle birlikte aşağıdaki üç araştırma taslağına dönüştürülmüştür.

Tez veya makalede kullanım · literatüre-review

Geleneksel Altman Z-skoru modeli gelişmekte olan piyasalarda şirketlerin büyük kısmını başarısız olarak sınıflandırarak yetersiz bir ayrıştırma sergiler.

Gelişmekte olan ülkelerde geleneksel skora dayalı iflas tahmin modellerinin sınırlılıklarını tartışırken, BIST Sanayi Endeksi firmalarının Z-skoru ile yapılan analizlerinde hemen tüm firmaların başarısız grupta toplanması bulgusu kanıt olarak sunulabilir(GÜLAL et al., 2023).

BIST Hizmet ve Teknoloji Sektörlerinde Hibrit Makine Öğrenmesi Algoritmaları ile Finansal Sıkıntı Tahmini

Araştırma sorusu: İmalat dışı hizmet ve teknoloji sektörlerinde faaliyet gösteren BIST şirketlerinin finansal sıkıntı durumları, K-ortalamalar ve Rastgele Orman (Random Forest) hibrit modeli ile geleneksel Z-skoru modellerine kıyasla nasıl bir ayrıştırma başarısı gösterir?
Yöntem taslağı: BIST Hizmet ve Teknoloji endekslerinde işlem gören şirketlerin 2015-2023 dönemi mali tablolarından elde edilen 15 farklı finansal oran veri kümesi oluşturulur. Örneklem büyüklüğü veri doygunluğu ve erişilebilirlik ilkesine göre belirlenir. Verilere önce K-ortalamalar ile gözetimsiz kümeleme, ardından Rastgele Orman algoritması ile sınıflandırma analizi uygulanarak ayırma güçleri geleneksel Z-skorları ile karşılaştırılır.

Makaleyle bağlantısı: Gülal ve arkadaşlarının imalat sektörü kısıtı altında K-ortalamalar algoritmasının geleneksel modellerden daha yüksek ayrıştırma gücüne sahip olduğu bulgusundan ve farklı sektörlerde yeni kombinasyonlar denenmesi yönündeki gelecek araştırma çağrısından türetilmiştir(GÜLAL et al., 2023).

Tez veya makalede kullanım · method

Resmi iflas etiketinin bulunmadığı veri setlerinde K-ortalamalar kümeleme algoritması gözetimsiz öğrenme esnekliği ile finansal sıkıntıyı öngörmede etkindir.

Tez çalışmalarında veri madenciliği ve gözetimsiz makine öğrenmesi yöntemlerinin seçim gerekçesi açıklanırken, etiketlenmemiş finansal veri setlerinde K-ortalamalar algoritmasının ayrıştırma başarısına dair bu makalenin yöntemsel tespiti referans verilebilir(GÜLAL et al., 2023, s. 2).

Makroekonomik Şok ve Kriz Dönemlerinde İhracat Odaklı İmalat Firmalarının Kümeleme Dinamiklerinin Analizi

Araştırma sorusu: Makroekonomik dalgalanma ve kriz yıllarında BIST imalat firmalarının kümeleme yapıları ihracat yoğunluğu ve borçluluk oranlarına bağlı olarak nasıl bir değişim göstermektedir?
Yöntem taslağı: 2010-2023 yılları arasında BIST Sanayi Endeksi firmalarının ihracat oranları, kârlılık ve likidite göstergeleri derlenir. Örneklem sayısı güç analizi ile belirlenir. Yıllık bazda K-ortalamalar kümeleme analizi yapılarak kriz dönemlerinde (örneğin 2012, 2018, 2020) firmaların küme değiştirme pattern'leri zaman serisi boyutunda incelenir.

Makaleyle bağlantısı: Makalede yer alan 2012 kriz döneminde yalnızca yüksek ihracat kapasitesine sahip SASA ve Vestel firmalarının sağlıklı kümede ayrışabildiği yönündeki spesifik ampirik bulgudan türetilmiştir(GÜLAL et al., 2023).

Tez veya makalede kullanım · Tartışma

K-ortalamalar algoritması yüksek ayrıştırma kabiliyeti sayesinde finansal sıkıntı tahmininde geleneksel skorlama modellerine göre daha güvenilir sonuçlar üretir.

Bulguların literatürle karşılaştırıldığı tartışma bölümünde, veri madenciliği tekniklerinin geleneksel oran analizlerine kıyasla karar alıcılara sağladığı üstün doğru sınıflandırma kapasitesi bu çalışmanın sonuçlarıyla desteklenebilir(GÜLAL et al., 2023).

Finansal Sıkıntı Tahmininde Firma Düzeyi Mali Durum Kriterleri ile Gözetimsiz Öğrenme Kümelerinin Uyum Düzeyi

Araştırma sorusu: Üst üste kâr kaybı ve özkaynak erimesi gibi firma düzeyi mali durum kriterleri, K-ortalamalar küme algoritmasının risk gruplarıyla ne derece örtüşmektedir?
Yöntem taslağı: BIST şirketlerinin mali tabloları üzerinden en az 2 yıl arka arkaya zarar etme, varlıklarda %10 azalma ve negatif özkaynak kriterleri kodlanır. Belirlenen firmaların K-ortalamalar algoritmasıyla oluşturulan risk kümelerindeki dağılımı çapraz tablolama ve uyum katsayıları (Cohen's Kappa) ile analiz edilir.

Makaleyle bağlantısı: Makalede firma düzeyi mali durum kriterleri ile geleneksel skorlama yöntemlerinin düşük uyum gösterdiği ve 2021 yılında hiçbir yöntemin aynı grupta birleşemediği yönündeki ampirik sonuçtan türetilmiştir(GÜLAL et al., 2023).