AYNI FİRMALAR, FARKLI RİSKLER: TÜRKİYE'DE BENEISH MODELLERİNİN SINIFLANDIRMA AYRIŞMASI

Abstract

Bu çalışma, orijinal ABD Beneish modeli ile Türkiye'ye uyarlanmış TR Beneish modelinin Borsa İstanbul'da işlem gören 211 sanayi firması üzerindeki sınıflandırma çıktılarını Wiedman'ın (1999) dört bölgeli çerçevesi temelinde karşılaştırmaktadır. Sınıflandırma uyumu Cohen's Kappa katsayısı ile ölçülmüş; ayrışmanın sistematik yapısı Bowker simetri testi ile incelenmiştir. Bulgular, iki model arasında anlamlı bir sınıflandırma uyumu bulunmadığını göstermektedir (κ = −0,026; p = 0,222). Buna karşın Bowker testi, ayrışmanın tek yönlü ve sistematik olduğunu ortaya koymaktadır (χ²(6) = 141,95; p < 0,001). ABD modeli firmaların %85,3'ünü en yüksek risk bölgesine yerleştirirken TR modeli aynı kategoride yalnızca %14,7 oranında sınıflandırma yapmaktadır. Çalışma, evrensel eşiklerin ve doğrudan model transferinin sınırlılıklarına dikkat çekmekte; bağlama duyarlı kalibrasyonun ve çoklu gösterge yaklaşımının önemini vurgulamaktadır.

Keywords

• Kazanç manipülasyonu
• Beneish modeli
• Bowker simetri testi
• sınıflandırma uyumu
• ülkeye özgü kalibrasyon
• Borsa İstanbul

Supporting Institution

yok

Ethical Statement

Bu çalışma, kamuya açık ikincil veri kaynaklarına (Borsa İstanbul ve Kamuyu Aydınlatma Platformu finansal tablo verileri) dayanmaktadır. İnsan veya hayvan katılımcılarla yürütülen, anket, mülakat, gözlem veya deney gibi veri toplama teknikleri içermediğinden etik kurul izni gerektirmemektedir

SAME FIRMS, DIFFERENT RISKS: A CLASSIFICATION DIVERGENCE OF BENEISH MODELS IN TÜRKIYE

Abstract

This study compares the classification outputs of the original U.S. Beneish model and the Türkiye-adapted TR Beneish model (Küçüksözen, 2004) using financial data from 211 industrial firms listed on Borsa Istanbul over 2010–2023, based on Wiedman's (1999) four-region framework. Classification agreement was assessed via Cohen's Kappa; the systematic structure of divergence was examined through Bowker's symmetry test. Findings indicate no statistically significant classification agreement between the two models (κ = −0.026; p = 0.222). Bowker's test reveals that the divergence is unidirectional and systematic (χ²(6) = 141.95; p < 0.001). While the U.S. model assigns 85.3% of firms to the highest-risk category, the TR model classifies only 14.7% accordingly. The study underscores the limitations of universal thresholds and direct model transfer, emphasizing the importance of context-sensitive calibration and multi-indicator approaches in earnings manipulation detection.

Keywords

• Earnings manipulation
• Beneish model
• Bowker symmetry test
• classification agreement
• country-specific calibration
• Borsa Istanbul

Supporting Institution

no

Ethical Statement

This study is based on publicly available secondary data (financial statement data from Borsa Istanbul and the Public Disclosure Platform). It does not involve any data collection from human or animal participants through surveys, interviews, observations, or experiments, and therefore does not require ethics committee approval.

References

1. Abdelghany, K. E. (2005). Measuring the Quality of Earnings. Managerial Auditing Journal, 20(9), 1001–1015.
2. Beneish, M. D. (1997). Detecting GAAP Violation: Implications for Assessing Earnings Management Among Firms with Extreme Financial Performance. Journal of Accounting and Public Policy, 16(3), 271–309.
3. Beneish, M. D. (1999). The Detection of Earnings Manipulation. Financial Analysts Journal, 55(5), 24–36.
4. Beneish, M. D. (2001). Earnings Management: A Perspective. Managerial Finance, 27(12), 3–17.
5. Beneish, M. D., Lee, C. M. C. ve Nichols, D. C. (2013). Earnings Manipulation and Expected Returns. Financial Analysts Journal, 69(2), 57–82.
6. Beneish, M. D. ve Nichols, D. C. (2007). The Predictable Cost of Earnings Manipulation. Working Paper, Indiana University ve Cornell University.
7. Benligiray, S. ve Onay, A. (2021a). Beneish Modelinin Türkiye'ye Uyarlanması: Tespit Başarımını Geliştiren Bir Uygulama. Muhasebe ve Finansman Dergisi, Ağustos Özel Sayısı, 511-528.
8. Benligiray, S. ve Onay, A. (2021b). Kazanç Manipülasyonu Tespit Modellerinin Borsa İstanbul Şirketlerinde Test Edilmesi. Muhasebe ve Denetime Bakış, 21(64), 179-204.

9. Benligiray, S., Onay, A. ve Yaşlı Şen, F. (2025). Is Fraud Detection Feasible Without Training Data? Testing an Expert-Based Approach. Journal of Business Economics and Management, 26(1), 210-230.
10. Burgstahler, D. ve Dichev, I. (1997). Earnings Management to Avoid Earnings Decreases and Losses. Journal of Accounting and Economics, 24(1), 99–126.
11. Byrt, T., Bishop, J. ve Carlin, J. B. (1993). Bias, Prevalence and Kappa. Journal of Clinical Epidemiology, 46(5), 423-429.
12. Cohen, J. (1960). A Coefficient of Agreement for Nominal Scales. Educational and Psychological Measurement, 20(1), 37–46.
13. Dechow, P. M., Ge, W., Larson, C. R. ve Sloan, R. G. (2011). Predicting Material Accounting Misstatements. Contemporary Accounting Research, 28(1), 17–82.
14. Durana, P., Blazek, R., Machova, V. ve Krasnan, M. (2022). The Use of Beneish M-scores to Reveal Creative Accounting: Evidence from Slovakia. Equilibrium, 17(2), 481–510.
15. Fenyves, V., Pisula, T. ve Tarnoczi, T. (2023). Investigation of Accounting Manipulation Using the Beneish Model: Hungarian Case. Economics and Sociology, 16(4), 347–363.
16. Gwet, K. L. (2008). Computing Inter-Rater Reliability and Its Variance in the Presence of High Agreement. British Journal of Mathematical and Statistical Psychology, 61(1), 29-48.
17. Jones, J. J. (1991). Earnings Management During Import Relief Investigations. Journal of Accounting Research, 29(2), 193–228.
18. Kamal, M. E. M., Salleh, M. F. M. ve Ahmad, A. (2016). Detecting Financial Statement Fraud by Malaysian Public Listed Companies: The Reliability of the Beneish M-Score Model. Jurnal Pengurusan, 46, 23–32.
19. Küçükkocaoğlu, G., Benli, Y. K. ve Küçüksözen, C. (2007). Finansal Bilgi Manipülasyonunun Tespitinde Yapay Sinir Ağı Modelinin Kullanımı. İMKB Dergisi, 9(36), 1–30.
20. Küçüksözen, C. (2004). Finansal Bilgi Manipülasyonu: İMKB Şirketleri Üzerine Ampirik Bir Çalışma. Yayınlanmamış Doktora Tezi, Ankara Üniversitesi Sosyal Bilimler Enstitüsü, Ankara.
21. Küçüksözen, C. ve Küçükkocaoğlu, G. (2004). Finansal Bilgi Manipülasyonu: İMKB Şirketleri Üzerine Ampirik Bir Çalışma. 1. Uluslararası Muhasebe Konferansı, İstanbul.
22. La Porta, R., Lopez-de-Silanes, F., Shleifer, A. ve Vishny, R. W. (1998). Law and Finance. Journal of Political Economy, 106(6), 1113–1155.
23. Landis, J. R. ve Koch, G. G. (1977). The Measurement of Observer Agreement for Categorical Data. Biometrics, 33(1), 159–174.
24. Leuz, C., Nanda, D. ve Wysocki, P. D. (2003). Earnings Management and Investor Protection: An International Comparison. Journal of Financial Economics, 69(3), 505–527.
25. McNemar, Q. (1947). Note on the Sampling Error of the Difference Between Correlated Proportions or Percentages. Psychometrika, 12(2), 153-157.
26. Nobes, C. (2006). The Survival of International Differences Under IFRS: Towards a Research Agenda. Accounting and Business Research, 36(3), 233–245.
27. Skousen, C. J. ve Twedt, B. J. (2009). Fraud Score Analysis in Emerging Markets. Cross Cultural Management: An International Journal, 16(3), 301–316.
28. Wiedman, C. I. (1999). Instructional Case: Detecting Earnings Manipulation. Issues in Accounting Education, 14(1), 145–176.