Using Machine Learning Methods in Financial Distress Prediction: Sample of Small and Medium Sized Enterprises Operating in Turkey

Öz

Financial distress has become one of the main topics on which lots of research has been done in the recent finance literature. This paper aims to predict the financial distress of Turkish small and medium firms using Logistic Regression, Decision Tree, Random Forest, Support Vector Machines, K-Nearest Neighbor and Naive Bayes model. Empirical results indicate that decision tree model is the best classifier with overall accuracy of %90 and %97 respectively for 1 and 2 years prior to financial distress. Three years prior to financial distress, Naive Bayes outperform other models with an overall accuracy of 92.86%. Furthermore, this study finds that distressed firms have more bank loans and lower equity. In the Turkish economy, where cyclical fluctuations are high in the last decade, distressed firms grew rapidly with high bank loans and gained higher operating profits than non-distressed firms. After a while, distressed firms that cannot manage their financial expenses get into financial trouble and go bankrupt. This article can be useful for managers, investors and creditors as well as its contribution to academic research.

Anahtar Kelimeler

• Financial Distress Prediction
• Decision Tree
• Naive Bayes
• Support Vector Machine
• Random Forest
• Logistic Regression

Kaynakça

1. Aksoy, B. (2018). İşletmelerde Finansal Başarısızlık Tahmininde Veri Madenciliği Yöntemlerinin Karşılaştırılması: BİST’te Bir Uygulama. Yayımlanmamış Doktora Tezi, Erciyes Üniversitesi Sosyal Bilimler Enstitüsü, Kayseri.
2. Aksoy, B., & Boztosun, D. (2018). Diskriminant ve Lojistik Regresyon Yöntemleri Kullanlarak Finansal Başarısızlık Tahmini: BİST İmalat Sektörü Örneği. Finans Politik & Ekonomik Yorumlar Dergisi, 646, 9–32.
3. Aksoy, B., & Boztosun, D. (2019). İmalat İşletmelerinde Makine Öğrenmesi Yöntemleri Kullanılarak Finansal Başarısızlık Tahmini ve Sınıflandırma Performansının Karşılaştırılması: Borsa İstanbul Örneği, 2. Uluslar arası Bankacılık Kongresi Bildiriler Kitabı, 2019, Çorum, s. 11–18. ISBN:978-605-5244-15-6.
4. Aktaş, R., Doğanay, M., & Yıldız, B. (2003). Mali Başarısızlığın Öngörülmesi: İstatistiksel Yöntemler ve Yapay Sinir Ağı Karşılaştırılması. Ankara Üniversitesi SBF Dergisi, 58(4), 3–24. https://doi.org/10.1501/sbfder_0000001691
5. Altman, E. I. (1968). The Prediction of Corporate Bankruptcy: A Discriminant Analysis. The Journal of Finance, 23(1), 193. https://doi.org/10.2307/2325319.
6. Aziz, M. A., & Dar, H. A. (2006). Predicting corporate bankruptcy : where we stand ? Corporate Governance, 6(1), 18–33. https://doi.org/10.1108/14720700610649436
7. Bddk (2019). Türk Bankacılık Sektörü Temel Göstergeleri Mart 2019, Erişim adresi: https://www.bddk.org.tr/ContentBddk/dokuman/veri_0014_40.pdf, Erişim Tarihi: 03.03.2021
8. Beaver, W., H. (1966). Financial Ratios as Predictors of Failure, Journal of Accounting Research, (4):71-102.

9. Bloomberg (2018), retrieved 01.08.2021, from https://businessht.bloomberght.com/ekonomi/haber/1866855-turkiye-de-yeni-sirketin-omru-5-yil date
10. Ceran, M., & Bülbül, S. E. (2019). Bankacılık Sektöründe Sorunlu Kredi Oluşumunun Tespitine Bilimsel Yaklaşım. Journal of Research in Economics, 3(1), 1–18. https://doi.org/10.24954/JORE.2019.25
11. Chen, Q., Meng, Z., Liu, X., Jin, Q., & Su, R. (2018). Decision Variants for the Automatic Determination of Optimal Feature Subset in RF-RFE, Genes 2018, 9(6), 301; https://doi.org/10.3390/genes9060301
12. Civan, M., & Dayı, F. (2014). Altman Z Skoru ve Yapay Sinir Ağı Modeli ile Sağlık İşletmelerinde Finansal Başarısızlık. Akademik Bakış Dergisi, 41.
13. Çebi, C. B., (2020). Rastgele orman algoritması, Erişim adresi: https://medium.com/@cemthecebi/rastgele-orman-algoritmas%C4%B1-1600ca4f4784, Erişim Tarihi: 02.01.2021.
14. Çelik, M. K. (2009). Finansal Başarısızlık Tahmin Modellerinin İMKB’deki Firmalar İçin karşılaştırmalı Analizi. Yayımlanmamış Doktora Tezi, Karadeniz Teknik Üniversitesi Sosyal Bilimler Enstitüsü, Trabzon.
15. Çetin, C. (1996). Yeniden Yapılanma, Girişimcilik, Küçük ve Orta Boy İşletmeler ve Bunların Özendirilmesi. s. 165, İstanbul: Der Yayınları.
16. Erez, Y. (1994). Orta ve Küçük İşletmeler. Ekonomik Forum Dergisi, TOBB, 11, 3-6.
17. Ergin, H. (1999). Finansal Başarısızlığın Öngörülmesinde Yapay Sinir Ağı Kullanımı ve Ampirik Bir Uygulama. Yayımlanmamış Doktora Tezi, Dumlupınar Üniversitesi Sosyal Bilimler Enstitüsü, Kütahya.
18. Ertan, A. S. ., & Ersan, Ö. (2019). Finansal Başarısızlığı Belirleyen Etkenler: Türkiye İmalar sektörü Örneği. Marmara Üniversitesi İktisadi ve İdari Bilimler Dergisi, 40(2), 181–207. https://doi.org/10.14780/muiibd.511028
19. Fan, A. & Palaniswawİ, M. (2000). Selecting Bankruptcy Predictors using A Support Vector Machine Approach, Proceeding of the international joint conference on neural network, 6, 354–359.
20. Gör, Y. (2016). Kurumsal Yönetimin Finansal Başarısızlığı Önlemedeki Yeri Üzerine Bir Araştırma. Avrasya Sosyal ve Ekonomi Araştırmaları Dergisi, 5(12), 689–697.
21. Güngen, A. R. (2018). Türkiye’nin 2018 Krizi: Nereden Nereye? Mülkiye Dergisi, 42 (3), 449-452.
22. Haltaş, A. & Alkan, A. (2013). İmmunohistokimyasal Boyalar ile Tiroid Tümörü Teşhisinde Naive Bayes Algoritması Kullanılması, Ankara Bilişim Konferansı, Ankara.
23. Hesarı, S. (2018). Finansal Başarısızlık tahmini: Yapay Sinir Ağı ve Karar Ağacı Yöntemleri üzerine Bir İnceleme. Yayımlanmamış Yüksek Lisans Tezi, Dokuz Eylül Üniversitesi Sosyal Bilimler Enstitüsü, İzmir. https://doi.org/10.1017/CBO9781107415324.004
24. Huang, Z., Chen, H., C., Hsu, C., J., Chen, W., H., & Soushan, W. (2004). Credit Rating Analysis with Support Vector Machines and Neural Networks: A Market Comparative Study. Decision Support Systems, 37, 543–558.
25. Institue Of International Finance (2021), Global debt monitör COVID drives debt surge-stabilization ahead ?, World Bank. Retrieved, 03.08.2021, from https://www.iif.com/Portals/0/Files/content/Global%20Debt%20Monitor_Feb2021_vf.pdf
26. İçerli, M.Y., (2005). İşletmelerde Finansal Başarısızlığın Öngörümlenmesi ve Bir Uygulama. Yayımlanmamış Doktora Tezi, Dokuz Eylül Üniversitesi Sosyal Bilimler Enstitüsü, İzmir.
27. Kalaycı, Ş. (2009). SPSS Uygulamalı Çok Değişkenli İstatistik Teknikleri., s. 273, Asil yayınlar, Ankara.
28. Karadeniz, E., & Öcek, C. (2019b). Finansal Başarısızlık Riski Taşıyan ile Taşımayan İşletmelerin Finansal Oranlarının Karşılaştırmalı Analizi: Borsa İstanbul Turizm İşletmelerinde Bir Araştırma. Seyahat ve Otel İşletmeciliği Dergisi, 16(2), 191–206.
29. Kısakürek, M. M., Arslan, Ö., & Bircan, H. (2018). İşletmelerin Mali Başarısızlık Tahminlemesi İçin Model Önerisi: BİST’te Faaliyette Bulunan İmalat İşletmelerinde Bir Uygulama. Kahramanmaraş Sütçü İmam Üniversitesi İktisadi ve İdari Bilimler Fakültesi Dergisi, 8(1), 99–114.
30. Lantz B., (2019). Machine Learning with R: Expert Techniques for Predictive Modeling. 3rd ed. Birmingham, UK, Packt Publishing Ltd.
31. Min, S. H., Lee, J. & Han, I. (2006). Hybrid Genetic Algorithms and Support Vector Machines for Bankruptcy Prediction, Expert Systems with Application, (31), S.652-660.
32. Mselmi, N., Lahiani, A. & Hamza, T. (2017). Financial distress prediction: The case of French small and medium-sized firms, İnternational Review of Financial Analysis,(50), 67-80.
33. Ögündür, G., (2020). Overfitting (Aşırı Öğrenme), Underfitting (Eksik Öğrenme) ve Bias-Variance Çelişkisi. Erişim adresi: https://medium.com/@gulcanogundur/overfitting-a%C5%9F%C4%B1r%C4%B1-%C3%B6%C4%9Frenme-underfitting-eksik-%C3%B6%C4%9Frenme-ve-bias-variance-%C3%A7eli%C5%9Fkisi-b92bef2f770d Erişim tarihi: 23.12.2020.
34. Özdamar, K. (2002). Paket Programlarla İstatistiksel Veri Analizi, 4. Baskı, s.475, Eskişehir, Kaan Yayınları.
35. Paket, H. (2014). Borsa İstanbul’da İşlem Gören İşletmelerin Finansal Başarısızlıklarının Öngörülmesi: Yapay Sinir Ağları ve Diskriminant Analizi Yöntemleri İle Karşılaştırmalı Bir Uygulama. Yayımlanmamış Yüksel Lisans Tezi, Süleyman Demirel Üniversitesi/Sosyal Bilimler Enstitüsü, Isparta. https://doi.org/10.1017/CBO9781107415324.004
36. Patrick, P.J.F. (1932). A Comparison of Ratios of Successful Industrial Enterprises with Those of Failed Firms, Certified Public Accountant, p. 656- 662.
37. Piramuthu, S. (2004). Evaluating Feature Selection Methods for Learning in Data Mining Application, European Journal of Operational Research, 156,483-494.
38. Selcik, S. (2019). Öngörü Teknikleri İle Finansal Başarısızlık Tahmini: BİST Üzerine Bir Uygulama. Yayımlanmamış Yüksel Lisans Tezi, İstanbul Üniversitesi/Sosyal Bilimler Enstitüsü, İstanbul.
39. Selimoğlu, S., & Orhan, A. (2015). Finansal Başarısızlığın Oran Analizi ve Diskriminant Analizi Kullanılarak Ölçümlenmesi: BİST’de İşlem Gören Dokuma, Giyim Eşyası ve Deri İşletmeleri Üzerine Bir Araştırma. Muhasebe ve Finansman Dergisi, 66, 21–40. https://doi.org/10.25095/mufad.396529
40. Shannon, M., D. & Davenport, A., M. (2001). Using SPSS to Solve Statistical Problems: A Self-Instruction Guide, s. 287-288, Prentice Hall, ABD.
41. Soo, Y., K. & Upneja, A. (2014). Predicting Restaurant Financial Distress Using Decision Tree and AdaBoosted Decision Tree Models, Economic Modelling, (36), s.356.
42. Şengören, F. (2019). Mali Başarı ve Başarısızlık Tahmini: Lojistik Regresyon ve Destek Vektör Makineleri Karşılaştırması. Yayımlanmamış Yüksek Lisans Tezi, TOBB Üniversitesi Sosyal Bilimler Enstitüsü, Ankara. https://doi.org/10.1017/CBO9781107415324.004
43. Tay, F., E., H. & Cao, L. (2001). Apllication of Support Vector Machines in Financial Time Series Forecasting, Omega, (29),309-317.
44. Toraman, C., & Karaca, C. (2016). Kimya Endüstrisinde Faaliyet Gösteren Firmalar Üzerinde Mali Başarısızlık Tahmini: Borsa İstanbul’da Bir Uygulama. Muhasebe ve Finansman Dergisi, 70, 111–128. https://doi.org/10.25095/mufad.396683
45. Torun, T. (2007). Finansal Başarısızlık Tahmininde Geleneksel İstatistiki Yöntemlerle Yapay Sinir Ağlarının Karşılaştırılması ve Sanayi İşletmeleri Üzerinde Uygulama. Yayımlanmamış Doktora Tezi, Erciyes Üniversitesi Sosyal Bilimler Enstitüsü, Kayseri.
46. Tuncay, Y. (1998). Mali Oranlar ve Diskriminant Modeli ile Aracı Kurumların Mali Açıdan Başarılı-Başarısız Olarak Sınıflandırılması, Yeterlilik Etüdü, Sermaye Piyasası Kurulu, s.38-40. Ankara.
47. Ural, K. (2020). İflas Tahmin Yöntemlerinin Karşılaştırılması: Borsa İstanbul Üretim Şirketlerinde Uygulama. Yayımlanmamış Doktora Tezi, Yaşar Üniversitesi Sosyal Bilimler Enstitüsü, İzmir.
48. Uzun, E. (2020). Decision Tree (Karar Ağacı): ID3 Algoritması - Classification (Sınıflama) – Erişim adresi: https://erdincuzun.com/makine_ogrenmesi/decision-tree-karar-agaci-id3-algoritmasi-classification-siniflama/ Erişim Tarihi: 01.01.2021
49. Vapnik, V., N. (1995). The Nature of Statistical Learning Theory. New York: SpringerVerlag.
50. Voyle, N., Keohane, A., Newhouse, S., Lunnon, K., Johnson, C., Soininen, H., Kloszewska, I., Mecocci, P., Tsolaki, M., Vellas, B., et al. A pathway based classification method for analyzing gene expression for Alzheimer’s disease diagnosis, Journal of Alzheimer's Disease, 2016, 49, 659–669.
51. Yakut, E., & Elmas, B. (2013). İşletmelerin Finansal Başarısızlığının Veri Madenciliği ve Diskriminant Analizi Modelleri ile Tahmin Edilmesi. Afyon Kocatepe Üniversitesi, İİBF Dergisi, XV(I), 261–280.
52. Yazıcı, M. (2018). Kredi Risk Analizlerinde Diskriminant Analizi, Lojistik Regresyon ve Yapay Sinir Ağlarının Karşılaştırılması. Maliye ve Finans Yazıları, 1(109), 91–106. https://doi.org/10.33203/mfy.393348
53. Yürük, M. F., & Ekşi, H. İ. (2019). Yapay Zekâ Yöntemleri İle İşletmelerin Finansal Başarısızlığının Tahmin Edilmesi: BİST İmalat Sektörü Uygulaması. Mukaddime, 10(1), 393–422. https://doi.org/10.19059/mukaddime.533151