Gizli Markov Modeli ile Muhasebe Perspektifinden Nakit Riski Analizi: BIST Tekstil, Giyim Eşyası ve Deri Sektöründe Bir İnceleme

Öz

Bu çalışmada, Borsa İstanbul'da (BIST) Tekstil, Hazır Giyim ve Deri sektöründe faaliyet gösteren şirketlerin 2021–2023 yıllarını kapsayan dönemine ait bağımsız denetim raporlarında yer alan nakit akış tablosu verileri esas alınarak, kurumsal düzeyde nakit riski dinamiklerinin incelenmesi amaçlanmaktadır. Bu doğrultuda, gizli durumların zaman serisi içerisindeki geçişlerini modellemek üzere Gizli Markov Modeli (GMM) kullanılmış; elde edilen çıktılar ise benzer nakit risk profillerine sahip şirket gruplarını belirlemek amacıyla K-Means kümeleme algoritmasıyla analiz edilmiştir. Çalışmada, literatürde ilk kez kullanılan "gizli (potansiyel) nakit sıkıntısı2" kavramına yer verilmiştir. Çalışma, şirketlerin nakit akış risklerini bu yeni kavram çerçevesinde analiz ederek, finansal performanslarının derinlemesine incelenmesini kapsamaktadır. Çalışma, 2021-2023 yıllarını kapsayan dönemde şirketlerin nakit akış risklerine göre sınıflandırılması bazı şirketlerin risk seviyelerinde değişim gösterdiğini ortaya koymaktadır. Analiz sonucunda, 2021 yılında nakit riskinin olmadığı sınıfta ATEKS, ARSAN, BRKO, DAGI gibi birçok şirketin, yüksek derece nakit riski bulunan sınıfta BLCYT, BOSSA, DERIM gibi şirketlerin yer aldığı tespit edilmiştir. 2022 yılında DERIM ve ISSEN, nakit riskinin olmadığı sınıfa geçerken, YATAS ve KORDS daha yüksek risk sınıfına kaymıştır. 2023 yılında ise BLCYT, BOSSA, DERIM gibi önceden yüksek riskli olan bazı şirketler, nakit riskinin olmadığı sınıfta yer aldığı belirlenmiştir.

Anahtar Kelimeler

• Nakit Akışı Analizi
• Gizli Markov Modeli
• Gizli Nakit Riski
• Nakit Akış Tablosu

Cash Risk Analysis from Accounting Perspective with Hidden Markov Model: A Study in BIST Textile, Wearing Apparel and Leather Sector

Öz

In this study, Hidden Markov Model (HMM) and K-Means cluster analysis are applied to analyze cash risk using cash flow statement data of companies in Borsa Istanbul (BIST) Textıle, Wearıng Apparel and Leather sector for the years 2021-2023. The aim of the GMM model is to analyze the variability in cash flows of companies and estimate possible cash shortages. In addition, companies are divided into three classes according to cash flows provided by operating, investment and financing activities using K-Means cluster analysis and the differences between these classes are examined. The study includes the concept of "hidden (potential) cash risk", which is used for the first time in the literature. This concept is used to define situations where companies carry hidden (potential) risks in their cash flows without experiencing any externally visible financial problems. The study analyzes the cash flow risks of companies within the framework of this new concept and provides an in-depth examination of their financial performance. The study reveals that the classification of companies according to their cash flow risks in the period covering the years 2021-2023 shows that some companies have changed in their risk levels. As a result of the analysis, it was determined that many companies such as ATEKS, ARSAN, BRKO, DAGI have in the class with no cash risk in 2021, while companies such as BLCYT, BOSSA, DERIM have in the class with high cash risk. In 2022, DERIM and ISSEN moved to the class with no cash risk, while YATAS and KORDS shifted to a higher risk class. In 2023, some previously high-risk companies such as BLCYT, BOSSA, DERIM have been determined to be in the class with no cash risk.

Anahtar Kelimeler

• Cash flow analysis
• Hidden Markov Model
• hidden (potential) cash risk
• cash flow statement

Kaynakça

1. Adele, M. & Irechukwu, E. N. (2024). Liquidity management and financial sustainability in ruma certified public accountants ltd firm in kigali, Rwanda. Jetir, 11(10), 1918-1934.
2. Altan, G. ve Demirci, S. (2022). Makine öğrenmesi ile nakit akış tablosu üzerinden kredi skorlaması: XGBoost yaklaşımı. Journal of Economic Policy Researches, 9(2), 397-424.
3. Blümke, O. (2022). A structural hidden Markov model for forecasting scenario probabilities for portfolio loan loss provisions. Knowledge-Based Systems, 249, 108934. https://doi.org/10.1016/j.knosys.2022.108934
4. Can, T. ve Öz, E. (2009). Saklı Markov modelleri kullanılarak Türkiye’de dolar kurundaki değişimin tahmin edilmesi. İstanbul Üniversitesi İşletme Fakültesi Dergisi, 38(1), 1-23.
5. Dağlıoğlu, C. ve Kıral, G. (2018). Hisse senedi piyasa fiyatlarının saklı markov modeli ile tahmin edilmesi: Türkiye örneği. Uluslararasi Ekonomi ve Yenilik Dergisi, 4(1).
6. Du, K., Huddart, S., Xue, L., & Zhang, Y. (2020). Using a hidden Markov model to measure earnings quality. Journal of Accounting and Economics, 69(2-3), 101281. https://doi.org/10.1016/j.jacceco.2019.101281
7. Duhovnik, M. (2008). Improvements of the cash-flow statement control function in financial reporting. Zbornik Radova Ekonomskog Fakulteta U Rijeci: Časopis Za Ekonomsku Teoriju I Praksu, 26(1), 123-150.
8. Erol, C. (1988). İşletmelerin finansal başarımlarının ölçümlenmesinde faaliyetsel yapıya göre hazırlanmış nakit akış tablosu ve rasyolarının kullanımı, İ. Ü. İşletme Fakültesi Dergisi, 17 (1).

9. Gaughan, P. A., Fuentes, H. and Bonanomi, L. (1995). Cash flow vs. net income in commercial litigation. Litigation Economics Digest, 1(1), 13-23.
10. Giampieri, G., Davis, M. and Crowder, M. (2005). Analysis of default data using hidden Markov models. Quantitative Finance, 5(1), 27-34. https://doi.org/10.1080/14697680500039951
11. Hanif, M., Sami, F., Hyder, M. and Ch, M. I. (2017). Hidden Markov model for time series prediction. Journal of Asian Scientific Research, 7(5), 196-205.
12. Harris, C. and Roark, S. (2019). Cash flow risk and capital structure decisions. Finance Research Letters, 29, 393-397. https://doi.org/10.1016/j.frl.2018.09.005
13. Hirth, S. and Viswanatha, M. (2011). Financing constraints, cash-flow risk, and corporate investment. Journal of Corporate Finance, 17(5), 1496-1509. https://doi.org/10.1016/j.jcorpfin.2011.09.002.
14. İstanbul Hazır Giyim ve Konfeksiyon İhracatçıları Birliği [İHKİB]. (2025). Hazır giyim ve tekstil sektör raporu. https://www.ihkib.org.tr
15. International Accounting Standards Board (2007) IFRS – A Guide through International Financial Reporting Standards. London: International Accounting Standards Committee Foundation
16. İlarslan, K. (2014). Hisse senedi fiyat hareketlerinin tahmin edilmesinde Markov zincirlerinin kullanılması: İmkb 10 bankacılık endeksi işletmeleri üzerine ampirik bir çalışma. Yaşar Üniversitesi E-Dergisi, 9(35), 6158-6198.
17. Kamuyu Aydınlatma Platformu (KAP), www.kap.gov.tr Erişim Tarihi: 22.08.2024
18. Ki, Y., & Adhikari, R. (2022). Corporate cash holdings and exposure to macroeconomic conditions. International Journal of Financial Studies, 10(4), 105. https://doi.org/10.3390/ijfs10040105
19. Kwok, H. (2002). The effect of cash flow statement format on lenders' decisions. The International Journal of Accounting, 37(3), 347-362.
20. Laghari, F., Chengang, Y., Chenyun, Y., Liu, Y., & Xiang, L. (2022). Corporate liquidity management in emerging economies under the financial constraints: evidence from China. Discrete Dynamics in Nature and Society, 2022(1), 6086191. https://doi.org/10.1155/2022/6086191
21. Li, Y. and Wu, H. (2012). A clustering method based on K-means algorithm. Physics Procedia, 25, 1104-1109. Likas, A., Vlassis, N. and Verbeek, J. J. (2003). The global k-means clustering algorithm. Pattern Recognition, 36(2), 451-461.
22. Motlagh, A. J. (2013). Accounting: Cash flow statement. Journal of Business and Management, 7(4), 109-116. PwC. (2023). Financial reporting: Why audit matters. PwC Global.
23. https://www.pwc.com/gx/en/services/audit-assurance/publications/why-audit-matters.html. (Erişim tarihi: 21.06.2025)
24. Rao, S. and Hong, J. (2010). Analysis of hidden Markov models and support vector machines in financial applications. University of California at Berkeley: Berkeley, CA, USA.
25. Sosyal Güvenlik Kurumu [SGK]. (2025). Sektörel istihdam istatistikleri: 2021–2024 dönemi. SGK Yayınları. https://www.sgk.gov.tr
26. Sinaga, K. P. and Yang, M. S. (2020). Unsupervised K-means clustering algorithm. IEEE Access, 8, 80716-80727. Steyn, B. W. and Hamman, W. D. (2003). Revamping the cash flow statement. Meditari Accountancy Research, 11(1), 181-198.
27. Tai, A. H., Ching, W. K. and Chan, L. Y. (2009). Detection of machine failure: Hidden Markov Model approach. Computers & Industrial Engineering, 57(2), 608-619.
28. TMS 7 Nakit Akış Tablosu, (https://www.kgk.gov.tr//files/Muhasebe/Standart), (Erişim tarihi: 01.05.2025)
29. Uhrig-Homburg, M. (2005). Cash-flow shortage as an endogenous bankruptcy reason. Journal of Banking & Finance, 29(6), 1509-1534.
30. V. Kousenidis, D. (2006). A free cash flow version of the cash flow statement: a note. Managerial Finance, 32(8), 645-653.
31. Vargeloğlu, A. A. ve Özdemir, Y. A. Altın fiyatlarındaki değişimin saklı Markov modeli ile incelenmesi. The Journal of International Scientific Researches, 8(3), 466-477.
32. Whitfield, B. (2004). Statement of cash flows: time for change. Financial Analysts Journal, 60(2), 16-22. World Bank. (2010). The global economic crisis: Assessing vulnerability with a poverty lens. World Bank Publications.
33. https://www.worldbank.org/en/topic/poverty/publication/the-global-economic-crisis-assessing-vulnerability-with-a-poverty-lens