Sector-Specific Financial Failure Prediction Model: Agriculture, Forestry and Fisheries Sector

Abstract

In this study, it is aimed to create a sector-specific prediction model in order to eliminate the problems arising from creating a common model for businesses operating in different sectors in the financial failure literature. In this direction, prediction models were created by using the data of businesses operating in the Agriculture, Forestry and Fisheries sector between 2009 and 2019, taking into account the dynamics specific to the sector. In order to determine these dynamics, Random Forest, Stepwise Forward Backward Feature and K-Nearest Neighbors variable reduction methods were used and the performances of five different definitions of financial failure were evaluated. As a result of the evaluation of these definitions by Random Forest, Logistic Regression, Artificial Neural Network and K-Nearest Neighbors classification methods, the definition of FF_5, which includes the concepts of profitability and net working capital, differs from other definitions. As a result of the RF method applied to the model, 96.5% accuracy, 94.5% accuracy and 99% accuracy rates were calculated.

Keywords

• Financial Failure
• Variable Reduction
• Classification
• Random Forest
• Financial Ratios

Project Number

Anadolu Üniversitesi BAP 1903E015

Sektöre Özgü Finansal Başarısızlık Öngörü Modeli: Tarım, Orman ve Balıkçılık Sektörü

Abstract

Bu çalışmada finansal başarısızlık literatüründe farklı sektörlerde faaliyet gösteren işletmeler için ortak bir model oluşturulmasından kaynaklanan sorunları ortadan kaldırabilmek amacıyla sektöre özgü öngörü modeli oluşturmak amaçlanmıştır. Bu doğrultuda Tarım, Orman ve Balıkçılık sektöründe 2009-2019 yıllarında faaliyet gösteren işletme verileri kullanılarak sektöre özgü dinamiklerin dikkate alındığı öngörü modelleri oluşturulmuştur. Bu dinamiklerin tespit edilmesi amacıyla Rastgele Orman, Adım adım ileri geri seçim ve K-en yakın komşuluk değişken azaltma yöntemleri kullanılıp beş farklı finansal başarısızlık tanımının performansları değerlendirilmiştir. Bu tanımları Rastgele orman, Lojistik regresyon, Yapay sinir ağları ve K-en yakın komşuluk sınıflandırma yöntemlerince değerlendirilmesi sonucunda kârlılık ve net işletme sermayesi kavramlarını içeren FF_5 tanımı diğer tanımlardan farklılaşmıştır. Modele uygulanan RF yöntemi neticesinde %96,5 doğruluk, %94,5 kesinlik ve %99 hassasiyet oranlarına hesaplanmıştır.

Keywords

• Finansal Başarısızlık
• Değişken Azaltma
• Sınıflandırma
• Rastgele Orman
• Finansal Oranlar

Project Number

Anadolu Üniversitesi BAP 1903E015

References

1. Akgüç, Ö. (2010), Finansal Yönetim, Avcıol Basım Yayım, 9. Baskı, İstanbul.
2. Aktaş, R. (1993), Endüstri İşletmeleri için Mali Başarısızlık Tahmini (Çok Boyutlu Model Uygulaması). 1. Baskı, Ankara: Türkiye İş Bankası Kültür Yayınları.
3. Aktaş, R.; Doğanay, M.M.; Yıldız, B. (2003), “Mali Başarısızlığın Öngörülmesi: İstatistiksel Yöntemler ve Yapay Sinir Ağı Karşılaştırması”, Ankara Üniversitesi Siyasal Bilgiler Fakültesi Dergisi, (58) 4 s.1- 24.
4. Altaş D.; Giray S. (2005), “Determining of Financial Failures With Multivariate Statistical Methods”, Anadolu University Journal of Social Sciences, Vol. 5, Issue 2, 13-28.
5. Altman, E. I. (1968), “Financial Ratios, Discriminant Analysis and The Prediction Of Corporate Bankruptcy”, The Journal of Finance, 23(4).
6. Altman, E.I. (1993), Corporate Financial Distress And Bankruptcy, 2nd ed., Wiley, New York, NY.
7. Altman, E.I.; Marco, G.; Varetto, F. (1994), “Corporate Distress Diagnosis: Comparisons Using Linear Discriminant Analysis and Neural Networks (The Italian Experience)”, Journal of Banking and Finance, Vol. 18, 505-29.
8. Aydın, N.; Başar, M; Coşkun, M. (2015), Finansal Yönetim, 2. Baskı, Detay Yayıncılık, Ankara.

9. Beaver, W. H. (1966), “Financial Ratios as Predictors of Failure”, Journal of Accounting Res., 4, 71–111.
10. Benli, Y. K. (2005), “Bankalarda Mali Başarısızlığın Öngörülmesi Lojistik Regresyon ve Yapay Sinir Ağı Karşılaştırması”, Endüstriyel Sanatlar Eğitim Fakültesi Dergisi, (16).
11. Blum, M. (1974), “Failing Company Discriminant Analysis”, Journal of Accounting Research, Vol. 12, No. 1, 1-25.
12. Bredart, X. (2014), “Bankruptcy Prediction Model Using Neural Networks”, Accounting and Finance Research Vol.3, No.2.
13. Canbaz M. (1998), “Erken Uyarı Göstergeleri Olarak Finansal Oranlar ve Çok Değişkenli Model Önerisi”, Cumhuriyet Üniversitesi Sosyal Bilimler Enstitüsü, Doktora Tezi.
14. Chakraborty, S.; Sharma, S. K. (2007), “Prediction of Corporate Financial Health By Artificial Neural Network”, International Journal of Electronic Finance, 1 (4), 442-459.
15. Chung, H.; Tam, K. (1993), “A Comparative Analysis of Inductive Learning Algorithm”, Intelligent Systems in Accounting, Finance and Management, Vol. 2, 3-18.
16. Choueiry, G. (2019). Quantifying Health: https://quantifyinghealth.com/stepwise-selection/ adresinden alındı. Çonkar, K. (2015), Genel Muhasebe. Ankara: Kocatepe Akademi
17. Deakin, E. B. (1972), “A Discriminant Analysis of Predictors of Business Failure”, Journal of Accounting Research, 10 (1).
18. Deboeck, G. J. (1994), Trading on the Edge: Neural, Genetic, and Fuzzy Systems For Chaotic Financial Markets. New York: John Wiley & Sons, Inc.
19. Doğan S. (2020), “Optimal Parametre ve Özellik Seçimi ile Destek Vektör Makinesi Kullanılarak Finansal Başarısızlık Tahmini” (Doktora Tezi), Gazi Üniversitesi, Ankara.
20. Etemadi, H.; Rostamy, A. A. A.; Dehkordi, H. F. (2009), “A genetic programming model for bankruptcy prediction: Empirical evidence from Iran”, Expert Systems with Applications: An International Journal, Vol. 36 No. 2, 3199-3207.
21. Fausett, L. V. (1994), Fundamentals of Neural Networks: Architectures, Algorithms, and Applications, New Jersey: Prentice-Hall.
22. Foreman R.D. (2003), “A Logistic Analysis of Bankruptcy Within the U.S. Local Telecommunications Industry”, Journal of Economics and Business, Vol. 55(2).
23. Fulmer, J. G.; Moon, J. E.; Gavin, T. A.; Erwin, M. (1984). A Bankruptcy Classification Model for Small Firms. Journal of Commercial Bank Lending, 66(11), 25-37.
24. Gilbert, L. R.; Menon, K.; Schwartz, K. B. (1990), “Predicting Bankruptcy For Firms in Financial Distress”, Journal of Business Finance & Accounting, 17, 161-171. https://doi.org/10.1111/j.1468-5957.1990.tb00555.x
25. Gujarati, D. N.; Porter, D. C. (2009), Basic Econometrics (5 ed). New York: The McGraw-Hill Series. Hocking, R. R. (1976) "The Analysis and Selection of Variables in Linear Regression," Biometrics, 32.
26. İçerli, M. Y.; Akkaya, G. C. (2010), “Finansal Açıdan Başarılı Olan İşletmelerle Başarısız Olan İşletmeler Arasında Finansal Oranlar Yardımıyla Farklılıkların Tespiti”, Atatürk Üniversitesi İktisadi ve İdari Bilimler Dergisi, 20 (1), 413-421.
27. Jo, H.; Han, I.; Lee, H. (1997), “Bankruptcy Prediction Using Case-Based Reasoning, Neural Networks, and Discriminant Analysis”, Expert Systems with Applications, Vol. 13, No. 2, 97-108.
28. Kalfa V.R; Bekçioğlu, S. (2013) “İMKB’de İşlem Gören Gıda, Tekstil ve Çimento Sektörü Şirketlerinin Finansal Oranlar Yardımıyla Kümelenmesi”, Dumlupınar Üniversitesi Sosyal Bilimler Dergisi EYİ 2013 Özel Sayısı, 441-463.
29. Meyer, P. A.; Pifer, H. W. (1970), “Prediction of Bank Failures”. The Journal of Finance, 25(4), 853-868.
30. Navin, M. J. R.; Pankaja, R. (2016) “Performance Analysis of Text Classification Algorithms using Confusion Matrix”, International Journal of Engineering and Technical Research (IJETR) ISSN: 2321-0869 (O) 2454-4698 (P), Volume-6, Issue-4.
31. Ohlson, J. A. (1980), “Financial Ratios and the Probabilistic Prediction of Bankruptcy”, Journal of Accounting Research, 18(1), 109–131.
32. Öztemel, E. (2012), Yapay Sinir Ağları. İstanbul: Papatya Yayıncılık.
33. Pompe, P. P. M.; Feelders, A. J. (1997), “Using Machine Learning, Neural Networks, and Statistics to Predict Corporate Bankruptcy”. Microcomputers in Civil Engineering, Vol. 12, 267-76.
34. Promtep, K.; Thıuthad, P.; Intaramo N. (2022), “A Comparison of Efficiency of Test Statistics for Detecting Outliers in Normal Population”, Sains Malaysiana, Vol. 51 No.11 p. 3829-3841.
35. Raghupathi, W.; Schkade, L. L.; Raju, B. S. (1991), “A Neural Network Application for Bankruptcy Prediction”, Proceedings of the Twenty-Fourth Annual Hawaii International Conference on System Sciences, Vol.4, 147-155, doi: 10.1109/HICSS.1991.184054.
36. Saravanan, R.; Sujatha, P. (2018), “A State of Art Techniques on Machine Learning Algorithms: A Perspective of Supervised Learning Approaches in Data Classification”. 2018 Second International Conference on Intelligent Computing and Control Systems (ICICCS) (pp. 945-949). IEEE
37. Shin, K.; Lee, Y. (2002), “A Genetic Algorithm Application in Bankruptcy Prediction Modelling”, Expert Systems with Applications, Vol. 23 No. 3, 321-8.
38. Sinkey, J. F. Jr. (1975), “A Multivariate Statistics Analysis of the Characteristics of Problem Banks”, Journal of Finance, March 1975, 21—35.
39. Springate, G. L. (1978), “Predicting the Possibility of Failure in A Canadian Firm” (Thesis), Canada: Simon Fraser University.
40. Şen, G. Ş. (1998), “Bankalarda Mali Başarısızlık ve Türkiye’de Mali Başarısızlığa Uğrayan Bankaların Kantitatif Yöntemler Yardımıyla Tahmini”, Doktora Tezi. İstanbul: Marmara Üniversitesi, Bankacılık ve Sigortacılık Enstitüsü.
41. Terzi, S. (2011), “Finansal Rasyolar Yardımıyla Finansal Başarısızlık Tahmini: Gıda Sektöründe Ampirik Bir Araştırma”, Çukurova Üniversitesi İktisadi ve İdari Bilimler Fakültesi Dergisi, 15 (1), 1-18.
42. Torun, T. (2007), “Finansal Başarısızlık Tahmininde Geleneksel İstatistiki Yöntemlerle Yapay Sinir Ağlarının Karşılaştırılması ve Sanayi İşletmeleri Üzerinde Uygulama”, Doktora Tezi. Kayseri: Erciyes Üniversitesi Sosyal Bilimler Enstitüsü.
43. TCMB (2022), https://www3.tcmb.gov.tr/sektor/dosyalar/menu/ratios_tr.pdf
44. Wilcox, J. W. (1971), “Simple Theory of Financial Ratios as Predictors of Failure”, Journal of Accounting Research, 9, (2), 389-345.
45. Yıldız, B. (1999), “Finansal Başarısızlığın Öngörülmesinde Yapay Sinir Ağı Kullanımı ve Ampirik Bir Çalışma. Doktora Tezi”, Kütahya: Dumlupınar Üniversitesi, Sosyal Bilimler Enstitüsü.
46. Yui, T. (2019), “Understanding Random Forest”, https://towardsdatascience.com/understanding-random-forest-58381e0602d2.
47. Yürük, M.F.; Ekşi, H. İ. (2019), “Yapay Zekâ Yöntemleri ile İşletmelerin Finansal Başarısızlığının Tahmin Edilmesi: BİST İmalat Sanayi Uygulaması”, Mukaddime, 10(1), 393-422.
48. Zhang, G.; Hu, Y. M.; Patuwo, E. B.; Indro, C. D. (1999), “Artificial Neural Networks in Bankruptcy Prediction: General Framework and Cross Validation Analysis”, European Journal of Operational Research, Vol. 116, 16-32.
49. Zhang S.; Li, X.; Zong, M.; Zhu X; Cheng, D. (2017), “Learning k for kNN Classification”. ACM Trans. Intell. Syst. Technol. 8, 3, Article 43 (May 2017), https://doi.org/10.1145/2990508
50. Zmijewski, M. E. (1984), “Methodological Issues Related to the Estimated of Financial Distress Prediction Models”, Journal of Accounting Research, Vol. 22 No. 1, 59-82.