HAVA YOLU TAŞIMACILIĞI SEKTÖRÜNDE İFLAS RİSKİ - YAPAY SİNİR AĞLARI İLE AİRSCORE TAHMİNİ

Yıl 2018, , 159 - 172, 01.07.2018

Burcu Sakız , Gülümser Ünkaya

https://doi.org/10.14783/maruoneri.v13i38778.408996

Cited By: 3

Öz

21. yüzyılın ilk yılları,
havacılık sektörünü yakından ilgilendiren bir çok önemli olaya sahne olmuştur. Bu
araştırmada bahsi geçen bu önemli olayların Türkiye’nin bayrak taşıyıcısı
havayolu olan Türk Hava Yolları Anonim Ortaklığı işletmesi için iflas riskini, diğer
iflas tahmin modelleri arasında havacılık sektörüne özgü olarak geliştirilmiş
Airscore modeli kullanılarak yapay sinir ağları teknikleri ile tahminleme
amacını taşımaktadır. Bir üçüncü nesil finansal kriz modeli olan 2008 krizi de
dahil olmak üzere havacılık endüstrisini küresel çapta etkileyen önemli dört
olay, 11 Eylül 2001 terör saldırısı, 2003 yılındaki SARS hastalığı salgını ve
2010 yılında yaşanan yanardağ volkanik kül patlamasıdır. Airscore iflas tahmin modeline
göre incelenen 2002 ile 2016 yılları arasındaki dönemin sağlıklı alan olarak
nitelendirilen bölgede olduğu tespit edilmiştir. Bu çalışma kapsamında tüm bu
yapılanlara ek olarak yapay zeka algoritmaları yardımıyla gerçekleştirilen
analizlerde, önceki bulgulara benzer şekilde önümüzdeki üç dönem için Türk Hava
Yolları Anonim Ortaklığının iflas riski açısından sağlıklı alanda olacağı
tahmin edilmiştir.

Anahtar Kelimeler

Hava Yolu Taşımacılığı, İflas Tahmin Modelleri, Airscore

Kaynakça

• Akkaya G.C. (2004). Finansal Rasyolar Yardımıyla Havayolları İşletmelerinin Performansının Değerlendirilmesi. Dokuz Eylül Üniversitesi İ.İ.B.F.Dergisi. Cilt 19 Sayı 1, 15-29.
• Aktaş R. (1997). Mali Başarısızlık (İşletme Riski) Tahmin Modelleri. Türkiye İş Bankası Kültür Yayınları, İstanbul.
• Altman E. (2000). Predicting Financial Distress of Companies:Revisiting the Z-Score and Zeta Model. Nyu. Newyork. 7-36.
• Atan, M., Güneş, B. (2004). İMKB’ye Kote Şirketlerde Bilançoya Dayalı Risk Analizi Ve Erken Uyarı Göstergelerinin Araştırılması", Dokuz Eylül Üniversitesi 4. İstatistik Günleri Sempozyumu. İzmir.
• Beaver W. H. (1966). Financial Ratios As Predictors Of Failure. Journal of Accounting Research. 71-111.
• Bredart, X. (2014). "Bankruptcy Prediction Model Using Neural Networks", Accounting and Financial Research. vol.3 n 2, 124-128.
• Cerit G., Deveci A., Esmer S. (2013). Denizcilik İşletmeleri Yönetimi. Beta Yayınları. 1.Basım, İstanbul.
• Clarke J., Lee A., Miller B. (2004). Is Air Transportation Financially Sustainable. MIT International Center for Air Transportation.
• Dilek Ö. (2007). Şehirlerarası Havayolu Talep Tahmini: Erzurum Üzerine Bir Uygulama, Atatürk Üniversitesi Sosyal Bilimler Enstitüsü. İktisat Anabilim Dalı Yüksek Lisans Tezi, Erzurum.
• Francis G., Humphreys I., Fry J. (2005). The Nature And Prevalence Of The Use Of Performance Measurement Techniques By Airlines. Journal of Air Transport Management. 11 (4), 207-217.
• Gerede E. (2002). Havayolu Taşımacılığında Küreselleşme Ve Havayolu İşbirlikleri–THY AO.’da Bir Uygulama. Anadolu Üniversitesi Sosyal Bilimler Enstitüsü (Yayımlanmamış Doktora Tezi). Eskişehir.
• Gerede E. (2006). Sivil Havacılık Faaliyetlerin Sınıflandırılması Ve Türkiye’de Hava Taşımacılığı Faaliyetlerinin Tanımlanmasına İlişkin Sorunlar. HaSeM’06 Kayseri VI. Havacılık Sempozyumu. Nevşehir, 197-203.
• Göçen S., Yirik Ş., Yılmaz Y. (2011). Türkiye’de Krizler Ve Krizlerin Turizm Sektörüne Etkileri. Süleyman Demirel Üniversitesi İİBF Dergisi. C.16 S.2, 493-509.
• Gritta R.D., Adrangi B., Davalos S., Bright D. (2008). A Review of the History of Air Carrier Bankruptcy Forecasting and the Application of Various Models to the US Airline Industry: 1980-2005. Södertörn Academic Studies. 193-214.
• Gudmundsson S. (1999) Airline Failure And Distress Prediction: A Comparison Of Quantitative And Qualitative Models. Transportation Research. Part E 35, 155-182.
• Gudmundsson, S. (2002). Airline Distress Prediction Using Non-Financial Indicators", Journal of Air Transportation. 7(2), 3-23.
• Karaer B. (2015). Havayolu İşletmeciliğinde Yakıt Maliyetleri Ve Yönetimi. Gazi Üniversitesi Sosyal Bilimler Enstitüsü. İşletme Anabilim Dalı İşletme Bilim Dalı Doktora Tezi, Ankara.
• Lee, J.-S., Jang, S. (2007). The Systematic-risk Determinants Of The US Airline Industry. Tourism Management 28(2), 434-442.
• Liedtka S. L. (2002). The İnformation Content Of Nonfinancial Performance Measures İn The Airline Industry, Journal of Business Finance & Accounting. 29(7) & (8), 306-686.
• Özdemir F.S., Choi Frederick D.S., Beyazıtlı E. (2012). Finansal Başarısızlık Tahminleri Yönüyle Ufrs Ve Bilginin İhtiyaca Uygunluğu. İsmmmo Mali Çözüm Dergisi. İstanbul.
• Sevim, C., Öztekin, A., Bali, O., Gümüş, S., Güresen, E., (2014). Developing An Early Warning System To Predict Currency Crises. European Journal of Operational Researh. vol. 237, 1095-1104.
• Stepanyan A. (2014). Traditional Ratio Analysis in the Airline Business: A Case Study of Leading U.S Carriers. International Journal of Advances in Management and Economics. ISSN: 2278-3369, March-April 2014 | Vol.3 Issue 2, 175-189.
• Tan, C. N. W & Dihardjo, H. , (2001). A study On Using Artificial Neural Networks To Develop An Early Warning Predictor For Credit Union Financial Distress With Comparison To The Probit Model. Managerial Finance. vol.27, 56-77.
• Tunahan H., Esen S., Takıl D. (2016). Havayolu Şirketlerinin Finansal Risk Düzeylerinin Bulanık Mantık Yöntemi İle Karşılaştırmalı Analizi. Journal of Accounting, Finance and Auditing Studies. 2/2, 239-264.
• Uysal B. (2010). Sermaye Yapısını Belirleyen Faktörler:Sektörel Bir İnceleme. T.C Ankara Üniversitesi Sosyal Bilimler Enstitüsü. İşletme Anabilim Dalı Yüksek Lisans Tezi. Ankara.
• Wald A.,Fay Christoph, G.R. (2010). Introduction to Aviation Management, LIT Yayınclık. Münster.
• Wensveen, J. G. (2007). Air Transportation: A Management Perspective. Aldershot: Ashgate.
• Wilamowski, B.M., Chen, Y. (1999). Efficient Algorithm For Training Neural Networks With One Hidden Layer. International Joint Conference on Neural Networks. Cilt: 3, 1725-1728.