Determination of Influential Factors on SME Index in Turkey by MARS Method

Öz

Small and medium-sized enterprises constitute 99.8% of all enterprises in Turkey. Small and medium-sized enterprises provide 73.8% of employment in the country while realizing 56.3% of total exports. This study aimed to determine the effect of macroeconomic indicators on the SME index, considering the importance of small and medium-sized enterprises in the Turkish economy. Monthly data on the variables of the dollar exchange rate, Euro exchange rate, commercial loan interest rate, real confidence index, consumer confidence index, and industrial production index for the period of December 2013-July 2021, which are thought to have an impact on the SME index, were analyzed using the multivariate adaptive regression curves (MARS) method. According to the analysis results, it was determined that the variables of Euro rate, dollar rate, commercial loan interest rate, and stock market index had a statistically significant effect on the SME index. In general, it can be stated that the stock market index, dollar rate, and Euro rate have an increasing impact on the SME index, while the commercial loan interest rate has a decreasing effect inversely with the index. In addition, according to the MARS method, the Euro rate was found to be the variable with the highest impact on the index, followed by the dollar rate, commercial loan interest rate, and stock market index, respectively. These results show that the regulatory authorities' adoption of policies to protect interest rates and exchange rates will positively impact small and medium-sized enterprises. 

Anahtar Kelimeler

• SME Index
• MARS
• Macroeconomic Factors

Türkiye’de KOBİ Endeksi Üzerinde Etkili Faktörlerin MARS Yöntemi İle Belirlenmesi

Öz

Türkiye’deki tüm işletmelerin %99,8’ini küçük ve orta ölçekli işletmeler oluşturmaktadır. Küçük ve orta ölçekli işletmeler ülkedeki istihdamın %73,8’ini sağlarken, toplam ihracatın %56,3’ünü gerçekleştirmektedir. Bu çalışmada küçük ve orta ölçekli işletmelerin Türkiye ekonomisindeki önemi göz önüne alınarak makroekonomik göstergelerin KOBİ endeksi üzerindeki etkisinin belirlenmesi amaçlanmıştır. Aralık 2013-Temmuz 2021 dönemi için KOBİ endeksi üzerinde etkisi olduğu düşünülen Dolar kuru, Euro kuru, ticari kredi faiz oranı, reel güven endeksi, tüketici güven endeksi ve sanayi üretim endeksi değişkenlerine ilişkin aylık veriler çok değişkenli uyarlanabilir regresyon eğrileri (MARS) yöntemiyle analiz edilmiştir. Analiz sonuçlarına göre Euro kuru, Dolar kuru, ticari kredi faiz oranı ve borsa endeksi değişkenlerinin KOBİ endeksi üzerinde istatistiksel olarak anlamlı etkiye sahip olduğu belirlenmiştir. Genel olarak borsa endeksi, Dolar kuru ve Euro kurunun KOBİ endeksini artırıcı bir etkiye sahip olduğu, ticari kredi faiz oranının ise endeks ile ters yönlü azaltıcı etki gösterdiği ifade edilebilir. Ayrıca MARS yöntemine göre Euro kuru endeks üzerinde en yüksek etkiye sahip değişken olarak bulunurken, onu sırasıyla Dolar kuru, ticari kredi faiz oranı ve borsa endeksi izlemiştir. Elde edilen bu sonuçlar düzenleyici otoritelerin faiz oranı ve döviz kurlarını koruma yönündeki politikalar benimsemesinin küçük ve orta ölçekli işletmeler üzerinde olumlu etki yaratacağını göstermektedir.

Anahtar Kelimeler

• KOBİ Endeksi
• MARS
• Makroekonomik Faktörler

Kaynakça

1. Alexius, A. and Spang, D. (2018). Stock prices and GDP in the long run. Journal of Applied Finance and Banking, 8(4), 107-126. Retrieved from http://www.scienpress.com/
2. Asravor, R. K. and Fonu, P.D.D. (2021). Dynamic relation between macroeconomic variable, stock market returns and stock market development in Ghana. International Journal of Finance & Economics, 26(2), 2637-2646. doi:10.1002/ ijfe.192
3. Bekhet, H.A. and Matar, A. (2013). Co-integration and causality analysis between stock market prices and their determinates in Jordan. Economic Modelling, 35, 508-514. doi:10.1016/j.econmod.2013.07.012
4. Bhuiyan, E.M. and Chowdhury, M. (2020). Macroeconomic variables and stock Market indices: Asymmetric dynamics in the US and Canada. The Quarterly Review of Economics and Finance, 77, 62–74. doi:10.1016/j.qref.2019.10.005
5. Boehmke, B. and Greenwell, B. (2020). Hands-on machine learning with R. New York: Chapman and Hall/CRC.
6. Borsa İstanbul A.Ş. (2013). KOBİ sanayi endeksi. Erişim adresi: https://borsaistanbul.com/tr/sayfa/167/bist-kobi-sanayi-endeksi
7. Chen, Y.-J., Lin J.-A., Chen, Y.-M. and Wu, J.-H. (2019). Financial forecasting with multivariate adaptive regression splines and queen genetic algorithm-support vector regression. IEEE Access, 7, 112931-112938. doi:10.1109/ACCESS.2019.2927277
8. Davidson, L.S. and Froyen, R.T. (1982). Monetary policy and stock returns: Are stock markets efficient? Federal Reserve Bank of St Louis, 64, 3-13. Retrieved from https://research.stlouisfed.org/

9. Demirkale, Ö. ve Can, E.N. (2021). Makroekonomik değişkenlerin BIST turizm endeksi üzerindeki etkisinin incelenmesi. Sakarya Üniversitesi İşletme Enstitüsü Dergisi, 3(1), 175-180. doi:10.47542/sauied.906256
10. Dinçer, H., Hacıoğlu, Ü. and Yüksel, S. (2017). Determining influencing factors of currency exchange rate for decision making in global economy using MARS method. In A. Presenza and L. R. Sheehan (Eds.), Geopolitics and strategic management in the global economy (pp. 261-273). doi:10.4018/978-1-5225-2673-5.ch013
11. Duran, H. (2018). Türkiye’de devletin girişimcilik destekleri ve seçilmiş bazı değişkenlerin yeni firma doğum oranı üzerinde etkisi. Ekonomi, Politika ve Finans Araştırmaları Dergisi, 3(1), 68-85. doi:10.30784/efpad408272
12. Durmuş, S., Yılmaz, T. ve Şahin, D. (2019). Makro ekonomik göstergelerin endeks getirileri üzerindeki etkisi: BİST örneği. Avrasya Uluslararası Araştırmalar Dergisi, 7(16), 870-886. doi:10.33692/avrasyad.543706
13. Fama, E.F. (1970). Efficient capital markets: A review of theory and empirical works. Journal of Finance, 25(2), 383-417. Retrieved from https://www.jstor.org/
14. Farouk, A. and Saleh, M. (2011). An explanatory framework for the growth of small and medium enterprises. Paper presented at the International Conference of System Dynamics Society. Washington D.C, United States. Retrieved from https://proceedings.systemdynamics.org/2011/proceed/papers/P1050.pdf
15. Friedman, J.H. (1991). Multivariate adaptive regression splines. The Annals of Statistics, 19(1), 1-67. doi:10.1214/aos/11763 47963
16. Hasan, N., Omer, A.J., Othman, B., Perot, K.A., Majid, A.A. and Kareem, F.A. (2019). Macroeconomic determinates of stock price for industrial companies listed in Istanbul Stock Exchange. International Journal of Psychosocial Rehabilitation, 23(2), 947-963. doi:10.37200/IJPR/V23I2/PR190342
17. Huy, D.T.N., Dat, P.M. and Anh, P.T. (2020). Building and econometric model of selected factors' impact on stock price: A case study. Journal of Security and Sustainability Issues, 9(M), 77-93. doi:10.9770/jssi.2020.9.M(7)
18. Kartal, M.T. (2019). Türkiye’de kredi faizlerini etkileyen faktörlerin belirlenmesi: MARS yöntemiyle bir analiz. Bankacılar Dergisi, 108, 24-41. Erişim adresi: https://www.tbb.org.tr/tr/bankacilik/ arastirma-ve- yayinlar/bankacilar-dergisi/43?year=2022
19. Kartal, M.T. (2020). Determining affecting macroeconomic indicators on interest rates in emerging countries: A comparative examination upon China, Brazil, and Turkey with multivariate adaptive regression splines (MARS). Journal of Empirical Economics and Social Science, 2(1), 23-41. Retrieved from https://dergipark.org.tr/en/pub/jeess/
20. Kartal, M.T., Depren Kılıç, S. ve Depren, Ö. (2018). Türkiye’de döviz kurlarını etkileyen makroekonomik göstergelerin belirlenmesi: MARS yöntemi ile bir inceleme. MANAS Sosyal Araştırmalar Dergisi, 7(1), 209-229. Erişim adresi: https://dergipark.org.tr/tr/pub/mjss/
21. Koç, H., Dünder, E. and Koç T. (2019). Multivariate adaptive regression splines (MARS) method for unemployment in OECD countries. Erciyes Üniversitesi Fen Bilimleri Enstitüsü Dergisi, 35(3), 46-51. Retrieved from https://dergipark.org.tr/tr/pub/erciyesfen/
22. Lin, C.-J. and Lee T.-S. (2013). Tourism demand forecasting: Econometric model based on multivariate adaptive regression splines, artificial neural network and support vector regression. Advances in Management & Applied Economics, 3(6), 1-18. Retrieved from http://www.scienpress.com/
23. Milborrow S. (2020). Earth: Multivariate adaptive regression spline, R package, Version 5.3.0. Retrieved from http://www.milbo.users.sonic.net/earth/
24. Nasir, M.A., Shahbaz, M., Mai, T.T. and Shubita, M. (2021). Development of Vietnamese stock market: Influence of domestic macroeconomic environment and regional markets. International Journal of Finance & Economics, 26(1), 1435-1458. doi:10.1002/ijfe.1857
25. Okşak, Y. ve Sarıtaş, T. (2020). Seçilmiş makroekonomik değişkenlerin BIST-100 endeksine etkisi: Türkiye üzerine bir nedensellik analizi. Finansal Araştırmalar ve Çalışmalar Dergisi, 12(23), 535-549. doi:10.14784/marufacd.785241
26. Oktar, S. ve Yüksel, S. (2015). Bankacılık krizlerinin erken uyarı sinyalleri: Türkiye üzerine bir uygulama. İstanbul Ticaret Üniversitesi Sosyal Bilimleri Dergisi, 38, 37-53. Erişim adresi: http://acikerisim.ticaret.edu.tr/
27. Oktar, S. ve Yüksel, S. (2016). Bankaların türev ürün kullanımını etkileyen faktörler: MARS yöntemi ile bir inceleme. Finans Politik & Ekonomik Yorumlar, 53(620), 31-46. Erişim adresi: http://www.ekonomikyorumlar.com.tr/
28. Önem, H.B. (2020). The effect of macroeconomic factors on BIST index values. Journal of Current Researches on Business and Economics, 10(2), 203-212. doi:10.26579/jocrebe.83
29. Parab, N. and Reddy, Y.V. (2020). The dynamics of macroeconomic variables in Indian stock market: A Bai–Perron approach. Macroeconomics and Finance in Emerging Market Economies, 13(1), 89-113. doi:10.1080/17520843.2019.1641533
30. Qi, X., Wang, H., Pan, X., Chu, J. and Chiam, K. (2020). Prediction of interfaces of geological formations using the multivariate adaptive regression spline method. Underground Space, 6, 252–266. doi:10.1016/j.undsp.2020.02.006
31. Rahman, P.M, Kuhan, K. and Kavida, V. (2017). Impact of selected macroeconomic indicators on S&P BSE SME IPO index. Indian Journal of Commerce & Management Studies, 8(1), 28-32. Retrieved from https://www.ijcms.in/
32. Rounaghi, M.M, Abbaszadeh, M.R. and Arashi, M. (2015). Stock price forecasting for companies listed on Tehran stock exchange using multivariate adaptive regression splines model and semi-parametric splines technique. Physica A, 438, 625–633. doi:10.1016/j.physa.2015.07.021
33. Sadeghzadeh, K. ve Elmas, B. (2018). Makroekonomik faktörlerin hisse senedi getirilerine etkilerinin BIST’de araştırılması. Muhasebe ve Finansman Dergisi, 80, 207-232. doi:10.25095/mufad.465941
34. Sephton, P. (2001). Forecasting recessions: Can we do better on MARS? Review Federal Reserve Bank of Saint Louis, 83(2), 39-49. Retrieved from https://files.stlouisfed.org/
35. Sorensen, E. (1982). Rational expectations and the impact of money upon stock prices. The Journal of Financial and Quantitative Analysis, 17(5), 649–662. doi:10.2307/2330854
36. Tian, G.G. and Ma, S. (2010). The relationship between stock returns and the foreign exchange rate: The ARDL approach. Journal of the Asia Pacific Economy, 15(4), 490-50. doi:10.1080/13547860.2010.516171
37. TOBB. (2020). Türkiye’nin KOBİ’leri bülteni. Erişim adresi: https://www.tobb.org.tr/KobiArastirma/Sayfalar/TRninKOBIleriBulteni.php
38. Tunay, K.B. (2001). Türkiye’de paranın gelir dolaşım hızlarının MARS yöntemiyle tahmini. ODTÜ Gelişme Dergisi, 28, 431-454. Erişim adresi: https://kutuphane.dogus.edu.tr/
39. Yıldız, M. ve Özdemir L. (2019). Makroekonomik faktörlerin BIST Banka endeksi üzerine etkisi. B. Patrut, E. Özen ve H. Boz (Eds.), Applicable knowledge for a sustaniable future içinde (s. 950-958). III. Uluslararası Uygulamalı Sosyal Bilimler Kongresi’nde sunulan bildiri, Çeşme, İzmir. Bacau: Educart Publishing Hause.
40. Yıldız, M. and Özdemir, L. (2022). Determination of the sensitivity of stock index to macroeconomic and psychological factors by MARS method. In S. Grima, E. Özen and R.E.D. Gonzi (Eds.), Insurance and risk management for disruptions in social, economic and environmental systems: Decision and control allocations within new domains of risk (pp. 81-105). Bingley: Emerald Publishing.
41. Yüksel, S. (2016). Bankaların takipteki krediler oranını belirleyen faktörler: Türkiye için bir model önerisi. Bankacılar Dergisi, 98, 41-56. Erişim adresi: https://www.tbb.org.tr/tr/bankacilik/arastirma-ve-yayinlar/bankacilar-dergisi/43?year=2022
42. Yüksel, S. ve Özsarı, M. (2017). Türkiye Cumhuriyet Merkez Bankası’nın döviz rezervlerine etki eden makroekonomik faktörlerin belirlenmesi. Finans Politik & Ekonomik Yorumlar, 54(631), 41-53. Erişim adresi: http://www.ekonomikyorumlar.com.tr/
43. Yüksel, S., Zengin, S. and Kartal M.T. (2016). Identifying the macroeconomic factors influencing credit card usage in turkey by using MARS method. China-USA Business Review, 15(12), 611-615. doi:10.17265/1537-1514/2016.12.003
44. Zengin, S., Yüksel, S. and Kartal, M.T. (2018). Understanding the factors that affect foreign direct investment in turkey by using MARS method. Finansal Araştırmalar ve Çalışmalar Dergisi, 10(18), 177-192. doi:10.14784/marufacd.460693