Karar Ağacı Algoritmalarıyla Finansal Başarısızlık Tahmini: Dokuma, Giyim Eşyası ve Deri Sektörü Uygulaması

Year 2020, Volume: 6 Issue: 2, 225 - 246, 17.10.2019

Duygu Arslantürk Çöllü , Leyla Akgün , Ecevit Eyduran

https://doi.org/10.20979/ueyd.698738

Cited By: 9

Abstract

Bu çalışma, 2016-2018 döneminde Borsa İstanbul (BIST)’da listelenen dokuma, giyim eşyası ve deri sektöründeki şirketlerin finansal başarısızlığının araştırılması, bu durumu etkileyen finansal oranların tespit edilmesi ve veri madenciliği algoritmalarının finansal başarısızlığı tahmin etmedeki güçlerinin test edilmesini sağlamak amacıyla gerçekleştirilmiştir. Bu kapsamda sektörde yer alan 20 şirketin üç yıllık finansal durumu Altman Z skoru yardımıyla değerlendirilmiş ve başarılı ve başarısız şirketler tespit edilmiştir. Ardından çeşitli finansal oranlar kullanılarak, veri madenciliği algoritmalarından CHAID, Exh-CHAID, CART ve QUEST’in şirketleri finansal başarısızlık açısından ne derece doğru sınıflandırdığı ve finansal başarısızlığı en çok etkileyen faktörlerin neler olduğu tespit edilmeye çalışılmıştır. Yapılan analizler sonucunda kullanıma en uygun tahminleme yönteminin, genel şirket sınıflandırmasını %95, başarısız şirket sınıfladırmasını ise %97.6 oranında bir doğruluk payıyla gerçekleştiren CART olduğu belirlenmiştir. Ayrıca başta özsermaye karlılığı olmak üzere, cari oran, duran varlıkların özsermayeye oranı, ticari alacakların aktiflere oranı, stok devir hızı ve faiz karşılama oranının finansal başarıyı etkilediği tespit edilmiştir.

Keywords

Finansal Performans, karar Ağacı Algoritmaları, Tekstil Sektörü

Financial Failure Prediction with Decision Tree Algorithms: Textile, Wearing Apparel and Leather Sector Application

Abstract

This study was conducted to investigate financial failures of textile, wearing apparel and leather sector firms listed on the Borsa İstanbul (BIST) during the 2016-2018 period using data mining algorithms i.e. CART, CHAID, Exhaustive CHAID and QUEST. In this context, determining the financial ratios affecting financial failures and comparing the classification performance of the algorithms used is the main purpose of the study. Within this framework, three years’ financial performance of 20 firms in the sector were evaluated using Altman-Z score and financially successful and unsuccessful firms were detected. Then classification performances of CART, CHAID, Exhaustive CHAID and QUEST were evaluated based on various financial ratios about correctly classifying firms in the financial failures, and it was tried to ascertain the most influential factors affecting the financial failures. As a result of the statistical evaluations, it was determined that CART was the best algorithm due to general accuracy classification ratio (95%) and the correct classification of financially unsuccessful firms (97.6%). It was concluded that financial performance was influenced by return on equity, followed by current ratio, fixed assets/equity ratio, trade receivables/assets ratio, stock turnover and interest coverage ratio.

Keywords

Financial Performance, Decision Tree Algorithms, Textile Sector

References

• Akkaya, G.C., Demireli, E. ve Yakut, Ü.H. (2009). İşletmelerde Finansal Başarısızlık Tahminlemesi: Yapay Sinir Ağları Modeli ile İMKB Üzerine Bir Uygulama. Eskişehir Osmangazi Üniversitesi Sosyal Bilimler Dergisi, 10(2), 187-216.
• Alifiah, M.N. ve Tahir, M. S. (2018). Predicting Financial Distress Companies in the Manufacturing and Non-Manufacturing Sectors in Malaysia Using Macroeconomic Variables. Management Science Letters, 8 (2018), 593–604.
• Altaş, D. ve Giray, S. (2005). Mali Başarısızlığın Çok Değişkenli İstatistiksel Yöntemlerle Belirlenmesi: Tekstil Sektörü Örneği. Anadolu Üniversitesi Sosyal Bilimler Dergisi, 5(2), 13-28.
• Altman, E.I. (1968). Financial Ratios, Discriminant Analysis and Prediction of Corporate Failure. Journal of Finance, 23(4), 589-609.
• Altman, E.I, Marco, G. ve Varetto, F. (1994). Corporate Distress Diagnosis: Comparisons Using Linear Discriminant Analysis And Neural Networks (The Italian Experience). Journal of Banking and Finance, 18, 505–29.
• Altman, E. I. (2000). Predicting Financial Distress Of Companies: Revisiting Z-Score and ZETA Models. Stern School of Business, New York University.
• Altman, E. I., Iwanicz-Drozdowska, M., Laitinen, E. K. ve Suvas, A. (2014). Distressed Firm and Bankruptcy Prediction in an International Context: A Review and Empirical Analysis of Altman's Z- Score Model. https://ssrn.com/abstract=2536340 (Erişim Tarihi, 18.09.2019).
• Andreica, M. E. (2012). Early Warning Models of Financial Distress. Case Study of the Romanian Firms Listed on RASDAQ. Theoretical and Applied Economics, 20(5/582), 7-14.
• Ashraf, S., Felix, E.G.S. ve Serrasqueiro, Z. (2019). Do Traditional Financial Distress Prediction Models Predict the Early Warning Signs of Financial Distress?. Journal of Risk and Financial Management, 12, 2-17.
• Balcaen, S. ve Ooghe, H. (2004). 35 Years of Studies on Business Failure: An Overview of the Classical Statistical Methodologies And Their Related Problems. Working Paper, Ghent University, 248, 1–62.

• Beaver, W.H. (1966). Financial Ratios as Predictors of Failure. Empirical Research in Accounting: Selected Studie, Journal of Accounting Research, 5, 71-111.
• Beaver, W. H., Correia, M. ve McNichols, M. (2011). Financial Statement Analysis and the Prediction of Financial Distress. Hannover, MA: Now Publishers.
• Bellovary, J., Giacomino, D. ve Akers, M. (2007). A Review of Bankruptcy Prediction Studies: 1930–Present. Journal of Finance Education, 33, 1–42.
• Blums, M. (2003). D-Score: Bankruptcy Prediction Model for Middle Market Public Firms. http://www.minneapolisfed.org/mea/contest/2004papers/blums.pdf (Erişim Tarihi, 14.07.2019).
• Boritz, J. ve Kennedy, D. (1995). Effectiveness of Neural Network Types For Prediction of Business Failure. Expert Systems with Applications, 9(4), 503-512.
• Bruwer, B.W.S. ve Hamman, W.D. (2006). Company failure in South Africa : Classification and Prediction by means of Recursive Partitioning. South African Journal of Business Management, 37(4), 7-18.
• BSTB (2015).Türkiye Tekstil, Hazır Giyim, Deri Ürünleri Sektörleri, Strateji belgesi ve Eylem Planı, Bilim Sanayi, ve Teknoloji Bakanlığı, http://www.adaso.org.tr/WebDosyalar/Yayinlar/DisTicaretRaporlari/Türkiye%20Tekstil,%20Hazırgiyim%20ve%20Deri%20Ürünleri%20Sektörleri%20Strateji%20Belgesi%20ve%20Eylem%20Planı%202015-2018.pdf (Erişim Tarihi, 12.08.2019).
• Chen, J., Marshall, B.R., Zhang, J. ve Ganesh, S. (2006). Financial Distress Prediction in China. Review of Pacific Basin Financial Markets and Policies, 9(2), 317-336.
• Delen, D., Kuzey, C. ve Uyar, A. (2012). Measuring Firm Performance Using Financial Ratios: A Decision Tree Approach. Expert Systems with Applications. 40 (10), 3970-3983.
• Ertan, A. S. ve Ersan, Ö. (2018). Finansal Başarısızlığı Belirleyen Etkenler: Türkiye İmalat Sektörü Örneği. Marmara Üniversitesi İktisadi ve İdari Bilimler Dergisi 40(2), 181-207.
• Gör, Y. (2019). Finansal Başarısızlık Üzerine Bir Araştırma: BİST-100 Örneği. Uluslararası Yönetim ve Sosyal Araştırmalar Dergisi, 6(11):137-144.
• Grzesiak, W. ve Zaborski, D. (2012). Examples of the Use of Data Mining Methods in Animal Breeding. In: A. Karahoca (Ed), Data mining applications in engineering and medicine, InTech.
• Guan, Q. (1993). Development of Optimal Network Structures For Back-Propagation Trained Neural Networks. Yayınlanmamış Doktora Tezi, University of Nebraska.
• Gupta, V. (2017). Identifying Key Predictors of Default for Indian Companies using Cox Regression. International Journal of Engineering Technology Science and Research, 4(2), 97-111.
• IBM Corp. Released (2015). IBM SPSS Statistics for Windows, Version 23.0. Armonk, NY: IBM Corp.
• İçerli, M.ve Akkaya, G. (2006). 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.
• Kulalı, İ. (2016). Altman Z-Skor Modelinin BİST Şirketlerinin Finansal Başarısızlık Riskinin Tahmin Edilmesinde Uygulanması. Uluslararası Yönetim İktisat ve İşletme Dergisi. 12(27), 283-291.
• Kumar, M.N. ve Rao, V.S.H. (2014) .A New Methodology for Estimating Internal Credit Risk and Bankruptcy Prediction under Basel II Regime. Computational Economics, 46(1):83-102.
• Kurtaran Çelik, M. (2010). Bankaların Finansal Başarısızlıklarının Geleneksel Ve Yeni Yöntemlerle Öngörüsü. Yönetim Ve Ekonomi, 17(2),129-143.
• Lee, K . C., Han, I. ve Kwon, Y.(1996). Hybrid Neural Network Models For Bankruptcy Predictions. Decision Support Systems. 18(1), 63–72.
• Lee, T.S., Chiub. C., Chou, Y. ve Lud, C. (2006). Mining The Customer Credit Using Classification and Regression Tree and Multivariate Adaptive Regression Splines. Computational Statistics and Data Analysis, 50(4), 1113–1130.
• Mabe, Q. M. ve Lin, W. (2018). Determinants of Corporate Failure: The Case of the Johannesburg Stock Exchange. Working Book, https://mpra.ub.uni-muenchen.de/88485/ (Erişim Tarihi, 21.09.2019).
• Martin, A., Gayathri, V., Saranya, G., Gayathri, P. ve Venkatesan, P. (2011). A Hybrid Model For Bankruptcy Prediction Using Genetic Algorithm, Fuzzy C-Means And Mars. International Journal on Soft Computing, 2(1), 12-24.
• Messier, Jr.,W. ve Hansen, J. (1988). Inducing Rules For Expert System Development: An Example Using Default And Bankruptcy Data. Management Science, 34(12), 1403-1415.
• Nie, G., Wei, R., Lingling, Z., Yingjie, T. ve Yong, S. (2011). Expert Systems with Applications Credit Card Churn Forecasting by Logistic Regression and Decision Tree. Expert Systems With Applications, 38(12), 15273–15285.
• Ohlson, J. A. (1980). Financial Ratios and the Probabilistic Prediction of Bankruptcy. Journal of Accounting Research, 18 (1), 109-131.
• Pogue, M. (2008). Business Failure: Prediction and Prevention. Student Accountant, 40(6), 54-57.
• Selimoğlu, S. ve Orhan, A. (2015). Finansal Başarısızlığın Oran Analizi ve Diskriminant Analizi Kullanılarak Ölçülmesi: BİST’de İşlem Gören Dokuma Giyim Eşyası ve Deri İşletmeleri Üzerine Bir Araştırma. Muhasebe ve Finansman Dergisi, 66, 21-86.
• Shumway, T. (2001). Forecasting Bankruptcy More Accurately: A Simple Hazard Model. Journal of Business, 74, 101-124.
• Sun, J.ve Li, H. (2008). Listed Companies’ Financial Distress Prediction Based on Weighted Majority Voting Combination of Multiple Classifiers. Expert Systems with Applications, 35, 818–827.
• Terzi, S. (2011). Finansal Rasyolar Yardımıyla Finansal Başarısızlık Tahmini: Gıda Sektöründe Ampirik Bir Araştırma. Çukurova Üniversitesi İİBF Dergisi, 15(1), 1-18.
• Tsukuda, J. ve S. Baba. 1994. Predicting Japanese Corporate Bankruptcy in terms of Financial Date Using Neural Network. Computers and Industrial Engineering, 27, 445- 448.
• UİB (2018). Türkiye Tekstil Sektörü ve Bursa. Uludağ İhracatçı Birlikleri AR-GE Şubesi Raporu. http://www.uib.org.tr/tr/kbfile/turkiye-tekstil-sektoru-ve-bursa (Erişim Tarihi, 14.02.2020)
• Ural, K., Gürarda, Ş. ve Önemli, M.B. (2015). Lojistik Regresyon Modeli İle Finansal Başarısızlık Tahminlemesi: Borsa İstanbul’da Faaliyet Gösteren Gıda, İçki ve Tütün Şirketlerinde Uygulama. Muhasebe ve Finansman Dergisi, 67, 85-100.
• Vermeulen, E., Spronk J.ve van der Wijst, N. (1998). The Application of the Multi-factor in the Analysis of Corporate Failure, Zopounidis C. (Eds.) içinde Operational Tool in the management of Financial Risk. Springer, Boston, 59-73.

• Yerdelen Kaygın, C., Tazegül, A. ve Yazarkan H. (2016). İşletmelerin Finansal Başarılı ve Başarısız Olma Durumlarının Veri Madenciliği ve Lojistik Regresyon Analizi İle Tahmin Edilebilirliği. Ege Akademik Bakış, 16(1), 147-159.
• Yılgör, A.G., Doğrul, Ü. ve Orekici, T.G. (2011). A New Approach to Predict Financial Failure: Classification and Regression Trees (CART). Journal of Modern Accounting and Auditing, 7(4), 329-339
• Yılmaz, H. ve Yıldıran, M. (2015). Borsada İşlem Gören İşletmelerde Mali Başarısızlık Tahmini: Altman Modelinin BİST Uygulaması. Aksaray Üniversitesi İktisadi Ve İdari Bilimler Dergisi, 7(3), 43-49.
• Zheng, Q. ve Yanhui, J. (2007). Financial Distress Prediction based on Decision Tree Models. In Service Operations and Logistics, and Informatics, 2007. SOLI 2007 (Augst). IEEE International Conference on (1-6). IEEE.
• Zmijewski, M. E. (1984). Methodological issues Related to Estimation of Financial Distress Prediction Models. Journal of Accounting Research, 22, 59-82.