Finansal Göstergeler Açısından Borsa İstanbul’da Faaliyet Gösteren Üretim Şirketlerinin Değerlendirilmesi: Silhouette İndeksine ve Elbow Yöntemine Göre K-Ortalamalar ile Kümelenmesi

Öz

Bu çalışmanın ana amacı, k-ortalamalar kümeleme yöntemi kullanılmak suretiyle, Borsa İstanbul’da faaliyet gösteren üretim şirketlerini, finansal tablolarından hareketle hesaplanmış finansal göstergelerine göre gruplamak ve grup yapılarını değerlendirmektir. Çalışmada şirketler 11 yıllık finansal tablolardan yararlanılarak 15 finansal oran ve 2 gösterge ile gruplanmıştır. Şirketlerin finansal performans benzerliği k-ortalamalar kümeleme yöntemi ile değerlendirilirken, uygun küme grubu ve ayrılması gereken uygun küme sayısı Silhouette İndeks ve Elbow Yöntemi aracılığı ile değerlendirilmiştir. Çalışmada k-ortalamalar kümeleme yönteminin sorunsallarından biri olan başlangıç merkez seçimi göz önünde tutularak, her “k” değeri için veri seti içerisinden farklı başlangıç merkezleri itibarıyla analiz gerçekleştirilmiştir. Ayrıca üretim şirketlerinin doğal gruplanması gereken küme sayısı bilinmediği için farklı “k” değerleri incelenmiş ve bu değerlerden hareketle ayrışması uygun olan küme sayısı, Silhouette İndeks ve Elbow Yöntemi yardımıyla belirlenmiştir. Yapılan analizler sonucunda Borsa İstanbul’da faaliyet gösteren üretim şirketlerinin iki kümeye ayrılmasının daha fazla kümeye ayrılmasına göre daha uygun olduğu belirlenmiştir.

Anahtar Kelimeler

• K-ortalamalar Kümeleme Yöntemi
• Silhouette İndeksi
• Elbow Yöntemi
• Finansal Göstergeler.

Destekleyen Kurum

Yok

Evaluating Production Companies on Borsa Istanbul In Terms of Financial Indicators: Clustering Companies Using K-Means with the Silhouette Index and Elbow Method

Öz

The main aim of this study is to cluster production companies in Borsa Istanbul based on financial ratios using the k-means clustering method and to determine the natural structure of these companies. The analysis focuses on 11 years of production companies based on 15 financial ratios and two financial indicators. The study determined the similarity among the financial performances of these companies using the k-means clustering analysis and evaluated the most appropriate cluster group and the most appropriate number of clusters that should be separated using the silhouette index and elbow method. The analysis was performed with different initial centers within the dataset for each k value by considering the choice of the initial center, which is a drawback of the k-means clustering method. In addition, because the number of clusters in which production companies should be grouped naturally is unknown, different k values were examined, with the most appropriate number of clusters to be separated from these values being determined using the silhouette index and elbow method. The results of the clustering analysis imply that splitting production companies into two clusters provides more accurate results.

Anahtar Kelimeler

• K-Means Clustering Method
• Silhouette Index
• Elbow Method
• Financial Indicators

Kaynakça

1. Abbas, F., Tahir, M., & Rahman, M. U. (2012). A comparison of financial performance in the banking sector: Some evidence from Pakistani commercial banks. Journal of Business Administration and Education, 1(1), 101-112. google scholar
2. Abdel-Basset, M., Ding, W., Mohamed, R., & Metawa, N. (2020). An integrated plithogenic MCDM approach for financial performance evaluation of manufacturing industries. Risk Management, 22, 192-218. https://doi.org/10.1057/s41283-020-00061-4 google scholar
3. Acar, M. (2003). Tarımsal işletmelerde finansal performans analizi. Erciyes Üniversitesi İktisadi ve İdari Bilimler Fakültesi Dergisi, (20), 21-37. google scholar
4. Adedeji, E. A. (2014). A tool for measuring organization performance using ratio analysis. Research Journal of Finance and Accounting, 5(19), 16-22. google scholar
5. Ağırbaş, İ. (2014). Sağlık Kurumlarında Finansal Yönetim ve Maliyet Analizi, Siyasal Kitabevi, Ankara. google scholar
6. Akay, Ö., Çelik, C. ve Kıral, G. (2019). Konut talebine göre benzer özellik gösteren Türkiye illerinin panel veri kümeleme analizi ile belirlenmesi. Uluslararası Ekonomi ve Yenilik Dergisi, 5(2), 231-245. google scholar
7. Akdamar, E. (2019). OECD ülkelerinin bazı iş gücü piyasası göstergeleri kullanılarak kümeleme analizi ve çok boyutlu ölçekleme analizi ile irdelenmesi. Akademik Araştırmalar ve Çalışmalar Dergisi, 11(20), 50-65. google scholar
8. Akgüç, Ö. (2013). Mali Tablolar Analizi, Genişletilmiş 15. Baskı, Avcıol Basım Yayım, İstanbul. google scholar

9. Alam, H. M., Raza, A., & Akram, M. (2011). A financial performance comparison of public vs private banks: The case of commercial banking sector of Pakistan. International Journal of Business and Social Science, 2(11), 56-64. google scholar
10. Anitha, P., & Patil, M. M. (2022). RFM model for customer purchase behavior using K-Means algorithm. Journal of King Saud University-Computer and Information Sciences, 34(5), 1785-1792. https://doi.org/10.1016/j.jksuci.2019.12.011 google scholar
11. Aslanyürek, M., & Mesut, A. (2021). Kümeleme Performansını Ölçmek için Yeni Bir Yöntem ve Metin Kümeleme için Değerlendirmesi. Avrupa Bilim ve Teknoloji Dergisi, (27), 53-65. google scholar
12. Aydın, D. ve Başkır, M. B. (2013). Bankaların 2012 yılı sermaye yeterlilik rasyolarına göre kümeleme analizi ve çok boyutlu ölçekleme sonucu sınıflandırılma yapıları. Bankacılık ve Sigortacılık Araştırmaları Dergisi, 1(5), 29-47. google scholar
13. Arı, E. S., Özköse, H., Doğan, A. ve Calp, M. H. (2016). İstanbul Borsası’nda işlem gören firmaların finansal performanslarının kümeleme analizi ile değerlendirilmesi. Bilişim Teknolojileri Dergisi, 9(1), 33-39. https://doi.org/10.17671/btd.55726 google scholar
14. Bansal, R. (2014). A Comparative Analysis of the Financial Ratios of Selected Banks in the India for the period of 2011-2014. Research Journal of Finance and Accounting, 5(19), 153-167. google scholar
15. Bagirov, A. M., Aliguliyev, R. M., & Sultanova, N. (2023). Finding compact and well-separated clusters: Clustering using silhouette coefficients. Pattern Recognition, 135,1-15. https://doi.org/10.1016/j.patcog.2022.109144 google scholar
16. Bağcı, H., & Yerdelen Kaygın, C. (2020). The financial performance measurement of the companies listed ın the bıst holding and ınvestment ındex by the mcdm methods. Journal of Accounting & Finance, (87), 301-324. https://doi.org/10.25095/mufad.756394 google scholar
17. Bholowalia, P., & Kumar, A. (2014). EBK-means: A clustering technique based on elbow method and k-means in WSN. International Journal of Computer Applications, 105(9), 17-24. google scholar
18. Bigdeli, A., Maghsoudi, A., & Ghezelbash, R. (2022). Application of self-organizing map (SOM) and K-means clustering algorithms for portraying geochemical anomaly patterns in Moalleman district, NE Iran. Journal of Geochemical Exploration, 233(106923),1-13. https://doi.org/10.1016/j.gexplo.2021.106923. google scholar
19. Birkalan, A. Ö., & Tekeli, R. (2022). K-Means yöntemi ile Türkiye’nin vergi takozu açısından OECD ülkeleri arasındaki yerinin belirlenmesi. Proceeding Book, 260. google scholar
20. Burn, D. H., Zrinji, Z., & Kowalchuk, M. (1997). Regionalization of catchments for regional flood frequency analysis. Journal of Hydrologic Engineering, 2(2), 76-82. google scholar
21. Bülbül, Ş. ve Camkıran, C. (2018). Bankaların klasik ve bulanık yaklaşımlarla sınıflandırılması. Trakya Üniversitesi Sosyal Bilimler Dergisi, 20(2), 367-385. https://doi.org/10.26468/trakyasobed.464442. google scholar
22. Bülüç, F., Özkan, O. ve Ağırbaş, İ. (2017). Oran analizi yöntemiyle özel hastane finansal performansının değerlendirilmesi. International of Academic Value Studies, 3(11), 64-72. google scholar
23. Calinski, T., & Harabasz, J. (1974). A dendrite method for cluster analysis. Communications in Statistics-theory andMethods, 3(1), 1-27. google scholar
24. Coşkun, E., Gündoğan, E., Kaya, M., & Alhajj, R. (2021). Veri madenciliği yöntemleri kullanarak yoğun bakım ünitesindeki hastaların sınıflandırması. Computer Science, (Special), 319-328. https://doi.org/10.53070/bbd.990718. google scholar
25. Demirkale, Ö. ve Özarı, Ç. (2020). K-ortalamalar kümeleme yöntemi ile temel makroekonomik ve finansal göstergeler ile değerlendirilmesi: kırılgan beşli ülkelerinin örneği. Finans Ekonomi ve Sosyal Araştırmalar Dergisi, 5(1), 22-32. google scholar
26. Değirmenci, N. ve Yakici Ayan,T. (2020). OECD ülkelerinin sağlık göstergeleri açısından bulanık kümeleme analizi ve TOPSIS yöntemine göre değerlendirilmesi. Hacettepe Üniversitesi İktisadi ve İdari Bilimler Fakültesi Dergisi, 38(2), 229-241. https://doi. org/10.17065/huniibf.592991. google scholar
27. Dhandayudam, P., & Krishnamurthi, I. (2012). An improved clustering algorithm for customer segmentation. International Journal of Engineering Science and Technology, 4(2), 99-102. google scholar
28. Dikmen, F. C. (2021). Türkiye’deki illerin iyi oluş ve yaşam kalitesinin r kümeleme çözümlemesiyle incelenmesi. Anadolu Üniversitesi İktisadi ve İdari Bilimler Fakültesi Dergisi, 22(2), 39-58. google scholar
29. Erkılıç, C. E. ve Aksoy, A. (2020). Hastanelerde finansal başarısızlık tahmini: Lojistik regresyon modeli ile kamu hastaneleri üzerine bir uygulama. İşletme Araştırmaları Dergisi, 12(2), 1415-1433. google scholar
30. Esmer, Y. ve Dayı F. (2019). Stratejik performans yönetiminde finansal performans değerlemesi: BİST otomotiv sektöründe bir uygulama. Selçuk Üniversitesi Sosyal Bilimler Meslek Yüksekokulu Dergisi, 22(2), 628-645. google scholar
31. Feranecova, A., & Krigovska, A. (2016). Measuring the performance of universities through cluster analysis and the use of financial ratio indexes. Economics & Sociology, 9(4), 259-27. https://doi.org/10.14254/2071-789X.2016/9-4/16 google scholar
32. Gazel, S. ve Akel, V. (2018). Borsa İstanbul’da sektör sınıflandırmasının kümeleme analizi ile belirlenmesi. Muhasebe ve Finansman Dergisi, (77), 147-164. google scholar
33. Gençoğlu, P. (2018). Türkiye’de illerin gelişmişlik düzeyi dikkate alınarak sağlık hizmetlerinin kümeleme analizi aracılığıyla değerlendirilmesi. Erciyes Üniversitesi İktisadi ve İdari Bilimler Fakültesi Dergisi, (52), 301-324. google scholar
34. He, X., Wang, C., Yang, X., & Lai, Z. (2021). Do enterprise ownership structures affect financial performance in China’s power and gas industries?. Utilities Policy, 73, 1-11. https://doi.org/10.1016/j.jup.2021.101303 google scholar
35. Hu, H., Zhao, J., Bian, X., & Xuan, Y. (2023). Transformer-customer relationship identification for low-voltage distribution networks based on joint optimization of voltage silhouette coefficient and power loss coefficient. Electric Power Systems Research, 216(109070), 1-12. https://doi.org/10.1016/j.epsr.2022.109070 google scholar
36. İncekırık, A. ve Altın E. (2021). Türkiye’deki illerin ulaştırma göstergelerine göre kümeleme analizi yöntemleriyle sınıfladırılması. Manisa Celal Bayar Üniversitesi Sosyal Bilimler Dergisi, (19)3: 186-206. https://doi.org/10.18026/cbayarsos.891649 google scholar
37. Karapınar, A., & Ayıkoğlu Zaif, F. (2018). Finansal Analiz (UFRS ile Uyumlu), 5. Baskı, Gazi Kitabevi, Ankara. google scholar
38. Kartal, E., Balaban, M. E., & Bayraktar, B. (2021). Changing status of global covid-19 outbreak in the world and in turkey and clustering analysis. Journal of Istanbul Faculty of Medicine, 84(1), 9-20. google scholar
39. Ketchen, D. J., & Shook, C. L. (1996). The application of cluster analysis in strategic management research: an analysis and critique. Strategic Management Journal, 17(6), 441-458. google scholar
40. Kou, G., Peng, Y., & Wang, G. (2014). Evaluation of clustering algorithms for financial risk analysis using MCDM methods. Information Sciences, 275, 1-12. google scholar
41. Kumbirai, M., & Webb, R. (2010). A financial ratio analysis of commercial bank performance in South Africa. African Review of Economics and Finance, 2(1), 30-53. google scholar
42. Lin, G. F., & Chen, L. H. (2006). Identification of homogeneous regions for regional frequency analysis using the self-organizing map. Journal of Hydrology, 324(1-4), 1-9. https://doi.org/10.1016/j.jhydrol.2005.09.009 google scholar
43. MacQueen, J. (1967, June). Some methods for classification and analysis of multivariate observations. In Proceedings of the fifth Berkeley Symposium On Mathematical Statistics And Probability, 1(14), 281-297. google scholar
44. Mamat, A. R., Mohamed, F. S., Mohamed, M. A., Rawi, N. M., & Awang, M. I. (2018). Silhouette index for determining optimal k-means clustering on images in different color models. International Journal of Engineering Technology, 7(2), 105-109. google scholar
45. Meilâ, M., & Heckerman, D. (1998, July). An experimental comparison of several clustering and initialization methods. In Proceedings of the Fourteenth Conference on Uncertainty in Artificial Intelligence, 386-395. google scholar
46. Mercadier, M., Tarazi, A., Armand, P., & Lardy, J. P. (2021). Banks’ risk clustering using k-means: a method based on size and individual and systemic risks. Available at SSRN. 1-47 http://dx.doi.org/10.2139/ssrn.3946293 google scholar
47. Miller-Nobles, T. L., Mattison, B., & Matsumura, E. M. (2016). Horngren’s Accounting: The Managerial Chapters. Pearson. google scholar
48. Mohamed, E., & Çelik, T. (2022). Early detection of failures from vehicle equipment data using K-means clustering design. Computers and Electrical Engineering, 103(108351), 1-13. https://doi.org/10.1016/j.compeleceng.2022.108351 google scholar
49. Moldovan, D., & Mutu, S. (2015, June). A cluster analysis on the default determinants in the European banking sector. In International Conference on Business Information Systems, 64-74. Springer, Cham. google scholar
50. Momeni, M., Mohseni, M., & Soofi, M. (2015). Clustering stock market companies via k-means algorithm. Kuwait Chapter of Arabian Journal of Business and Management Review, 4(5), 1-10. google scholar
51. Mouton, J. P., Ferreira, M., & Helberg, A. S. (2020). A comparison of clustering algorithms for automatic modulation classification. Expert Systems with Applications, 151, 113317. https://doi.org/10.1016/j.eswa.2020.113317 google scholar
52. Orçun, Ç., & Eren, B. S. (2017). TOPSIS yöntemi ile finansal performans değerlendirmesi: XUTEK üzerinde bir uygulama. Muhasebe ve Finansman Dergisi, (75), 139-154. google scholar
53. Oruç Erdogan, E., Erdogan, M., & Ömürbek, V. (2015). Evaluating the effects of various financial ratios on company financial performance: Application in Borsa Istanbul. Business and Economics Research Journal, 6(1), 35-42. google scholar
54. Öğünç, H. (2019). Bir tuğla üretim işletmesi ve ilişkili sektörlerin karşılaştırmalı finansal analizi. Mehmet Akif Ersoy Üniversitesi Uygulamalı Bilimler Dergisi, 3(2), 241-262. doi.org/10.31200/makuubd.567335 google scholar
55. Ömürbek, V., Kınay B. (2013). Havayolu taşımacılığı sektöründe TOPSIS yöntemiyle finansal performans değerlendirmesi. Süleyman Demirel Üniversitesi İktisadi ve İdari Bilimler Fakültesi Dergisi, 18(3), 343-363. google scholar
56. Özarı, Ç., & Erol, Demir, E. (2019). Trend Analizi ve Gri İlişkisel Analiz Yöntemleriyle Finansal Performans Analizi. R&S-Research Studies Anatolia Journal, 2(5), 230-246. google scholar
57. Özari, Ç., & Can, E. N. (2023). Financial Performance Evaluating and Ranking Approach for Banks in Bist Sustainability Index Using Topsis and K-Means Clustering Method, Academic Journal of Interdisciplinary Studies, 12(1), 34-50. google scholar
58. Özcan, I. (2019). Entropi ve TOPSIS yöntemleriyle finansal performans ile pay senedi getirileri arasındaki ilişkinin incelenmesi. Kent Akademisi, 12(1), 200-213. google scholar
59. Özgülbaş, N., Koyuncugil, A. S., Duman, R., & Hatipoğlu, B. (2008). Özel hastane sektörünün finansal değerlendirmesi. Muhasebe ve Finansman Dergisi, (40), 120-131. google scholar
60. Paul, A., & Sen, J. (2018). Livability assessment within a metropolis based on the impact of integrated urban geographic factors (IUGFs) on clustering urban centers of Kolkata. Cities, 74, 142-150. https://doi.org/10.1016/j.cities.2017.11.015 google scholar
61. Pham, D. T., Dimov, S. S., & Nguyen, C. D. (2005). Selection of K in K-means clustering. Proceedings of the Institution of Mechanical Engineers, Part C: Journal of Mechanical Engineering Science, 219(1), 103-119. https://doi.org/10.1243/095440605X8298. google scholar
62. Rashid, C. A. (2018). Efficiency of financial ratios analysis for evaluating companies’ liquidity. International Journal of Social Sciences & Educational Studies, 4(4), 110-123. https://doi.org/0.23918/ijsses.v4i4p110. google scholar
63. Risheh, A., Tavakolian, P., Melinkov, A., & Mandelis, A. (2022). Infrared computer vision in non-destructive imaging: Sharp delineation of subsurface defect boundaries in enhanced truncated correlation photothermal coherence tomography images using K-means clustering. NDT & E International, 125(102568), 1-4. https://doi.org/10.1016/j.ndteint.2021.102568 google scholar
64. Rodrigues, L., & Rodrigues, L. (2018). Economic-financial performance of the Brazilian sugarcane energy industry: An empirical evaluation using financial ratio, cluster and discriminant analysis. Biomass and bioenergy, 108, 289-296. https://doi.org/10.1016/j. biombioe.2017.11.013 google scholar
65. Rousseeuw, P. J. (1987). Silhouettes: a graphical aid to the interpretation and validation of cluster analysis. Journal of Computational and Applied Mathematics, 20, 53-65. google scholar
66. Santis, P., Albuquerque, A., & Lizarelli, F. (2016). Do sustainable companies have a better financial performance? A study on Brazilian public companies. Journal of Cleaner Production, 133, 735-745. https://doi.org/10.1016/j.jclepro.2016.05.180. google scholar
67. Sangaiah, A. K., Rezaei, S., Javadpour, A., & Zhang, W. (2023). Explainable AI in big data intelligence of community detection for digitalization e-healthcare services. Applied Soft Computing, 136(110119), https://doi.org/10.1016/j.asoc.2023.110119 google scholar
68. Sevimli Deniz, S. (2019). Kümeleme analizinde küme doğrulama yöntemleri (Bölüm 10). A. Öztekin ve N. Mansuroğlu (Ed.), Fen bilimleri ve matematik alanında araştırma makaleleri içinde (s. 183-194), Ankara: Geceakademi. google scholar
69. Shen, L., Zhang, Z., & Long, Z. (2017). Significant barriers to green procurement in real estate development. Resources, Conservation and Recycling, 116, 160-168. https://doi.org/10.1016/j.resconrec.2016.10.004 google scholar
70. Steinbach, M., Karypis, G., & Kumar, V. (2000). A comparison of document clustering techniques, Technical Report, 1-22. google scholar
71. Syakur, M. A., Khotimah, B. K., Rochman, E. M. S., & Satoto, B. D. (2018, April). Integration k-means clustering method and elbow method for identification of the best customer profile cluster. In IOP conference series: materials science and engineering. IOP Publishing. https://doi.org/10.1088/1757-899X/336/1/012017 google scholar
72. Tavşanlı, M. B., & Hamlacı, T. (2021). Financial performance of Turkish banks in the covid-19 era: a cluster analysis. Journal of Economics Finance and Accounting, 8(4), 184-189. https://doi.org/10.17261/Pressacademia.2021.1474. google scholar
73. Tekin, B., & Temelli, F. (2021). Firmaların kümeleme analizi ile finansal oranlar temelinde finansal başarılarının değerlendirilmesi: Borsa İstanbul Örneği. JOEEP: Journal of Emerging Economies and Policy, 6(1), 210-220. google scholar
74. Thorndike, R. L. (1953). Who belongs in the family? Pyschometrika 18 (4): 267-276. google scholar
75. Verma, R., Patel, M., Shikha, D., & Mishra, S. (2023). Assessment of food safety aspects and socioeconomic status among street food vendors in Lucknow city. Journal of Agriculture and Food Research, 11(100469). https://doi.org/10.1016/j.jafr.2022.100469 google scholar
76. Wang, R., Hozumi, Y., Yin, C., & Wei, G. W. (2020). Mutations on COVID-19 diagnostic targets. Genomics, 112(6), 5204-5213. https:// doi.org/10.1016/j.ygeno.2020.09.028 google scholar
77. Wang, W. K., Lu, W. M., & Wang, Y. H. (2013). The relationship between bank performance and intellectual capital in East Asia. Quality & Quantity, 47(2), 1041-1062. https://doi.org/10.1007/s11135-011-9582-2 google scholar
78. Yalçın, S., & Ayyıldız, E. (2018). Analysis of airports using clustering methods: case study ın Turkey. Journal of Management Marketing and Logistics, 5(3), 194-205. http://doi.org/10.17261/Pressacademia.2018.963 google scholar
79. Yılancı, V. (2010). Bulanık kümeleme analizi ile Türkiye’deki illerin sosyoekonomik açıdan sınıflandırılması. Süleyman Demirel Üniversitesi İktisadi ve İdari Bilimler Fakültesi Dergisi, 15(3), 453-470. google scholar
80. Yeşilbudak, M. (2016, November). Clustering analysis of multidimensional wind speed data using k-means approach. In 2016 IEEE International Conference on Renewable Energy Research and Applications, 961-965. google scholar
81. Yuan, C., & Yang, H. (2019). Research on K-value selection method of K-means clustering algorithm. J Multidisciplinary Scientific Journal, 2(2), 226-235. https://doi.org/10.3390/j2020016 google scholar
82. Yücel, S. & Durak, î. (2021). COVID-19’un BIST imalat sektörü firmalarına olan finansal etkilerinin finansal oranlar ve istatistiksel tekniklerle incelenmesi, Muhasebe ve Finansman Dergisi, (90), 101-126. https://doi.org/10.25095/mufad.813411 google scholar