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

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.

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.

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).

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.