Makine ve Ekipman İmalatı Sektöründe İzolasyon Ormanı ve Yeniden Örnekleme Yöntemleri Kullanılarak Finansal Başarısızlığın Tespit Edilmesi

Year 2023, Volume: 57 Issue: 4, 719 - 734, 27.10.2023

Kardelen Şeyma Erdem , M. Akif Bakır

https://doi.org/10.51551/verimlilik.1301865

Cited By: 1

Abstract

Amaç: İşletmeler zaman zaman finansal başarısızlık/iflas durumu ile karşı karşıya kalmaktadır. Finansal başarısızlığın öngörülebilmesi ile işletmelerin erken aksiyon almalarının sağlanabileceği değerlendirilmektedir. Literatürde bu amaç için yapılmış birçok çalışma bulunmaktadır. Bu çalışmada finansal başarısızlığın tespiti üzerine makine öğrenmesi tabanlı bir uygulama yapılmıştır
Yöntem: Türkiye’de 2010-2018 yılları arasında Makine ve Ekipman İmalatı Sektöründe faaliyet gösteren işletmeler çalışma kapsamında tutulmuştur. İlk olarak, işletmeler finansal başarı durumlarına göre İzolasyon Ormanı Yöntemi kullanılarak etiketlenmiştir. Daha sonra, dengesiz veri problemini ortadan kaldırmak için yeniden örnekleme yöntemleri ile veri ön işleme adımı gerçekleştirilmiştir. Yeniden örnekleme yöntemi ile elde edilen üç farklı veri setine son yıllarda sıklıkla kullanılan XGBoost modeli uygulanmış ve model başarıları karşılaştırılmıştır.
Bulgular: Yeniden örnekleme yöntemlerinden biri olan SMOTE yöntemi ile oluşturulan veri seti üzerinde kurulan XGBoost modelinin %78 doğru sınıflandırma oranıyla en iyi tahmin gücüne sahip model olduğu belirlenmiştir.
Özgünlük: Çalışmada diğer çalışmaların aksine finansal başarısızlığa uğrayıp uğramadığı bilinmeyen işletmeler üzerinde çalışılmıştır. Öncelikle işletmelerin finansal başarısızlık durumlarına ilişkin tahminde bulunulmuş sonrasında ise yeniden örnekleme yöntemleri kullanılmıştır.

Keywords

İflas Tahmini, Altman Z Skor, Simülasyon Modelleme, Makine Öğrenmesi

Detecting Financial Failure in the Machinery and Equipment Manufacturing Sector Using Isolation Forest and Resampling Methods

Abstract

Purpose: Businesses are faced with financial failure/bankruptcy from time to time. It is considered that by predicting financial failure, it is possible for businesses to take early action. There are many studies in the literature for this purpose. In this study, a machine learning-based application was made on the detection of financial failure.
Method: The enterprises operating in the Machinery and Equipment Manufacturing Sector in Turkey between the years 2010-2018 were included in the study. First, businesses were labeled according to their financial success using the isolation forest method. Then, the data preprocessing step was carried out with resampling methods to eliminate the unbalanced data problem. The XGBoost model, which has been used frequently in recent years, was applied to three different data sets obtained by the resampling method and the model successes were compared.
Results: It was determined that the XGBoost model built on the data set created by the SMOTE method, which is one of the resampling methods, has the best predictive power with a 78% correct classification rate.
Originality: Contrary to other studies, in the study, it was studied on businesses whose financial failure was unknown. First of all, the estimation of the financial failures of the enterprises was made and then resampling methods were used.

Keywords

Bankruptcy Forecast, Altman Z Score, Simulation Modeling, Machine Learning

References

• Abar, H. (2020). “XGBoost ve Mars Yöntemleriyle Altın Fiyatlarının Kestirimi”, EKEV Akademi Dergisi, 83, 427-446.
• Akkoç, S. (2007). “Finansal Başarısızlığın Öngörülmesinde Sinirsel Bulanık Ağ Modelinin Kullanımı ve Ampirik Bir Çalışma”, Doktora Tezi, Dumlupınar Üniversitesi Sosyal Bilimler Enstitüsü, Kütahya.
• Aksoy, B. ve Boztosun, D. (2019). “İmalat İşletmelerinde Makine Öğrenmesi Yöntemleri Kullanılarak Finansal Başarısızlık Tahmini ve Sınıflandırma Performansının Karşılaştırılması: Borsa İstanbul Örneği”, 2. Uluslararası Bankacılık Kongresi, Çorum, 11-18.
• Aktaş, R., Doğanay, M. ve Yıldız, B. (2003). “Finansal Başarısızlığın Öngörülmesi: İstatistiksel Yöntemler ve Yapay Sinir Ağı Karşılaştırması”, Ankara Üniversitesi Siyasal Bilgiler Fakültesi Dergisi, 58(4), 1-24.
• Altman, E.I. (1968). "Financial Ratios, Discriminant Analysis and the Prediction of Corporate Bankruptcy", The Journal of Finance, 23, 589-609.
• Ay, A. ve Yolaçan E. (2022). “Yeniden Örnekleme Metotlarının Kredi Kartı Sahtecilik Tespiti için Topluluk Öğrenmesine Kapsamlı Analizi”, Afyon Kocatepe Üniversditesi Fen ve Mühendislik Bilimleri Dergisi, 22(5), 1005-1015.
• Beaver, W.H. (1966). “Financial Ratios as Predictors of Failure”, Journal of Accounting Research, Empirical Research in Accounting, Selected Studies, 4, 71-111.
• Chawla, N.V., Bowyer, K.W., Hall, L.O. ve Kegelmeyer, W.P. (2002). “SMOTE: Synthetic Minority Over-sampling Technique”, Journal of Artificial Intteligence Research, 16(1), 321-357.
• Chen T. ve Guestrin C. (2016). “XGBOOST: A Scalable Tree Boosting System”, KDD '16: Proceedings of the 22nd ACM SIGKDD International Conference on Knowledge Discovery and Data Mining, 785-794
• Dağlı, H. (1994). “İşletme Başarısızlıkları ve Alınması Gerekli Önlemler”, Verimlilik Dergisi, 1, MPM Yayınları, Ankara.
• Dixit, A. (2017). “Ensemble Machine Learning”, Birmingham, Packt Publishing Ltd., UK.
• 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.
• Fernández, A., García, S., Galar, M., Prati, R.C., Krawczyk, B. ve Herrera, F. (2018). “Learning from Imbalanced Data Sets”, Springer Cham.
• Galar, M., Fernandez, A., Barrenechea, E., Bustince, H. ve Herrera, F. (2012). “A Review on Ensembles for the Class Imbalance Problem: Bagging-, Boosting-, and Hybrid-Based Approaches”, IEEE Transactions on Systems, Man, and Cybernetics-Part C: Applications and Reviews, 42(4), 463-485.
• Gönenli, A. (1994). “İşletmelerde Finansal Yönetim”, İstanbul Üniversitesi. İşletme Fakültesi, İstanbul. Han, J. ve Kamber, M. (2006). “Data Mining: Concepts and Techniques”, Morgan Kaufmann, San Francisco, CA.
• He, H. ve Garcia, E.A. (2009). “Learning from Imbalanced Data”, IEEE Transactions on Knowledge and Data Engineering, 21(9), 1263-1284.
• Karacan, S. ve Savcı, M. (2011). “Kriz Dönemlerinde İşletmelerin Mali Başarısızlık Nedenleri”, Kocaeli Üniversitesi Sosyal Bilimler Enstitüsü Dergisi, 21(1), 39-54.
• Kılıç, Y. ve Seyrek, İ.H. (2012). “Finansal Başarısızlık Tahmininde Yapay Sinir Ağlarının Kullanılması: İmalat Sektöründe Bir Uygulama”,1.International Symposium on Accounting and Finance, Gaziantep, 677-689.
• Kurtaran Çelik, M. (2010). “Bankaların Finansal Başarısızlıklarının Geleneksel ve Yeni Yöntemlerle Öngörüsü”, Yönetim ve Ekonomi, 17(2), 129-143.
• Kuzu, B. ve Yakut, S. (2020). “Destek Vektör Makineleri Yardımıyla İmalat Sanayisinde Mali Başarısızlık Tahminlerinin Teknoloji Yoğunluğuna Göre İncelenmesi”, Osmaniye Korkut ata Üniversitesi İktisadi ve İdari Bilimler Fakültesi Dergisi, 4(2), 36-54.
• Liu, F.T., Ting, K.M. ve Zhou, Z. (2008), “Isolation Forest,” 2008 Eighth IEEE International Conference on Data Mining, Pisa, 413-422.
• Nguyen, H.G. (2005). “Using Neutral Network in Predicting Corporate Failure”, Journal of Social Sciences, 1(4),199-202.
• Ohlson, J.A. (1980). "Financial Ratios and the Probabilistic Prediction of Bankruptcy", Journal of Accounting Research, 1980, 109-131.
• Okka,O. (2009). “Finansal Yönetim Örnek Olayları ve Örnek Çözümler”, 2. Baskı, Nobel Yayın Dağıtım, İstanbul.
• Öztürkler, L. (2012). “Finansal Başarısızlık Tahmini”, Dokuz Eylül Üniversitesi Sosyal Bilimler Enstitüsü, İzmir.
• Patil A., Framewala A. ve Kazi F. (2020). "Explainability of SMOTE Based Oversampling for Imbalanced Dataset Problems", 3rd International Conference on Information and Computer Technologies (ICICT), San Jose, CA, USA.
• Soba, M., Akyüz, F. ve Uğurcan, Y. (2016). “Şirketlerin Finansal Performanslarının Altman Yöntemiyle Analizi: Borsa İstanbul Örneği”, Uşak Üniversitesi Sosyal Bilimler Dergisi, 9(28/4), 65-87.
• Taffler, R.J. (1983). “The Assesment of Company Solvency and Performance Using a Statistical Model”, Accounting and Business Research, 13(52), 295-307.
• Tang, T.C. ve Chi, L.C. (2005). “Neural Networks Analysis in Business Failure Prediction of Chinese Importers: A Between-Countries Approach”, Expert Systems with Applications, 29(2), 244-255.
• Toprak Kesgin, H., Shakeri, S., Bulut, N., Yüzükl, S. ve Aktaş, M.S. (2019). “Makine Öğrenmesi Kullanılarak Şirket Bilanço Verilerine Dayalı İflas Riski Tahmini”, 4th International Conference on Computer Science and Engineering (UBMK), Samsun, 195-200.
• Türksoy, A. (2007). “Konaklama İşletmelerinde Mali Başarısızlığa Yol Açan Etmenler”. Ege Academic Review, 7(1), 99-115.
• Wilson, R.L. ve Sharda, R. (1994). “Bankruptcy Prediction Using Neural Networks”, Decision Support Systems, 11(5), 545-557.
• Yangın, G. (2019). “XGBoost ve Karar Ağacı Tabanlı Algoritmaların Diyabet Veri Setleri Üzerine Uygulanması”, Mimar Sinan Güzel Sanatlar Üniversitesi Fen Bilimleri Enstitüsü, İstanbul.
• Yeşilyurt, S. ve Dalkılıç, H. (2021). “XGBoost ve Gradient Boost Machine ile Günlük Nehir Akımı Tahmini”, 3rd International Symposium of III Engineering Applications on Civil Engineering and Earth Sciences, Karabük, Türkiye.