Borsa İstanbul'da Muhasebe Hilesi Tespiti: Beneish Modeli ve SMOTE Tabanlı Lojistik Regresyon Yaklaşımı

Öz

Muhasebe hileleri, sermaye piyasalarında yatırımcı güvenini sarsan ve finansal istikrarı tehdit eden ciddi bir sorundur. Bu çalışmanın amacı, Türkiye'deki imalat sanayi firmalarında muhasebe hilesi riskini tespit etmek üzere Beneish Modeli temelli lojistik regresyon skorları geliştirmektir. Çalışmada, 2018–2022 dönemine ait Finnet verileri kullanılmıştır. Manipülasyon yaptığı düşünülen firmalar, bağımsız denetim raporlarında yer alan olumsuz ve şartlı görüş ifadelerine göre; manipülasyon riski düşük olanlar ise Kurumsal Yönetim Endeksi firmaları dikkate alınarak belirlenmiştir. Ham veri ile oluşturulan modelin başarısı sınırlı kalmış, bu durum azınlık sınıf verisinin yetersizliğine bağlanmıştır. Bu sorunu aşmak için Sentetik Azınlık Aşırı Örnekleme (SMOTE) yöntemi uygulanmış ve iki modelin performansları karşılaştırılmıştır. SMOTE yöntemiyle oluşturulan modelin doğruluk (%85), F1 skoru (%82) ve AUC değeri (0.89) gibi ölçütlerde anlamlı şekilde daha başarılı olduğu tespit edilmiştir. Bu çalışma, Beneish modelinin SMOTE ile desteklenerek Türkiye’de sektör bazlı uygulanmasının hile tespitinde etkili olduğunu ortaya koyarak literatüre özgün katkı sunmaktadır. Politika yapıcılara, finansal tablo denetim süreçlerinde istatistiksel temelli erken uyarı sistemlerinin desteklenmesi ve regülasyonlara entegre edilmesi önerilmektedir.

Anahtar Kelimeler

• Muhasebe Hileleri
• Beneish Modeli
• SMOTE

Detecting Accounting Fraud in Borsa Istanbul: A Logistic Regression Approach Based on the Beneish Model and SMOTE

Öz

Accounting fraud is a serious problem that undermines investor confidence in capital markets and threatens financial stability. The aim of this study is to develop logistic regression scores based on the Beneish Model to detect the risk of accounting fraud in manufacturing industry companies in Türkiye. Finnet data for the period 2018–2022 was used in the study. Companies thought to have committed manipulation were determined according to the negative and conditional opinion statements in the independent audit reports; those with a low risk of manipulation were determined by considering the Corporate Governance Index companies. The success of the model created with raw data was limited, and this was attributed to the insufficiency of minority class data. To overcome this problem, the Synthetic Minority Oversampling (SMOTE) method was applied and the performances of the two models were compared. It was determined that the model created with the SMOTE method was significantly more successful in criteria such as accuracy (85%), F1 score (82%) and AUC value (0.89). This study provides an original contribution to the literature by demonstrating that the sector-based application of the Beneish model supported by SMOTE in Turkey is effective in fraud detection. It is recommended that policy makers support statistical-based early warning systems in financial statement audit processes and integrate them into regulations.

Anahtar Kelimeler

• Accounting Fraud
• Beneish Model
• SMOTE

Kaynakça

1. Benligiray, S. - Onay, A. (2021). “Beneish modelinin Türkiye'ye uyarlanması: Tespit başarımını geliştiren bir uygulama”, Muhasebe ve Finansman Dergisi, (91), 511–528.
2. Beneish, M. D. (1999). “The detection of earnings manipulation”. Financial Analysts Journal, 55(5), 24–36.
3. Fındık, H. - Öztürk, E. (2016). “Finansal bilgi manipülasyonunun Beneish Modeli yardımıyla ölçülmesi: BIST imalat sanayi üzerine bir araştırma”. İşletme Araştırmaları Dergisi, 8(1), 483-499.
4. Hołda, A. (2020). “Using the Beneish M-score model: Evidence from non-financial companies listed on the Warsaw Stock Exchange”. Investment Management & Financial Innovations, 17(4), 389–398.
5. Kara, S. - Sakarya, Ş. - Aksu, M. (2016). “Beneish Modeli ile kazanç manipülasyonunun tespit edilmesi: BIST şirketleri üzerine ampirik bir uygulama”. Uluslararası Alanya İşletme Fakültesi Dergisi, 16(3), 85–102.
6. Kara, S. - Özcan, P. (2020). “Muhasebe manipülasyonlarında yapay sinir ağlarının önemi ve bir uygulama”. Muhasebe ve Denetime Bakış, 20(60), 155–176.
7. Kara, S. - Toraman, Ö. E. - Toraman, A. M. (2023). “Kazanç yönetimi ve muhasebe uygulamaları”. Bursa: Ekin Yayınevi.
8. Küçüksözen, C. (2004). “Finansal bilgi manipülasyonu: nedenleri, yöntemleri, amaçları, teknikleri, sonuçları ve IMKB şirketleri üzerine ampirik bir çalışma (yayımlanmamış doktora tezi)”. Ankara Üniversitesi Sosyal Bilimler Enstitüsü, Ankara.

9. Öcal, N. - Atasoy, Y. - Öcal, Ö. (2017). “Muhasebe bazlı kazanç manipülasyonunun tespitinde kullanılan Beneish Modeli’nin test edilmesi”. 21. Finans Sempozyumu, Balıkesir.
10. Tekin, E. (2017). “2010-2014 Yılları arasında Türkiye'de halka açık şirketlerde manipülasyon üzerine Beneish Modeli ile ampirik çalışma (yayımlanmamış doktora tezi)”. Başkent Üniversitesi Sosyal Bilimler Enstitüsü, Ankara.
11. Tepeli, Y. - Kayıhan, B. (2016). “Muhasebe manipülasyonunun Beneish Modeli ile tespit edilmesi: BIST gıda maddeleri sanayi sektöründe bir uygulama”. Yönetim ve Ekonomi Araştırmaları Dergisi, 9(1), 39–60.
12. Uğurlu, M. (2011). “Finansal tablolardaki hile riskinin belirlenmesi: yapay sinir ağı modeliyle bir bankada uygulama (yayımlanmamış doktora tezi)”. Dumlupınar Üniversitesi Sosyal Bilimler Enstitüsü, Kütahya.
13. Varıcı, İ. - Er, B. (2013). “Muhasebe manipülasyonu ve firma performansı ilişkisi: İMKB uygulaması”. Ege Akademik Bakış, 50(579), 79–92.
14. Yavaş, M. - Güran, A. - Uysal, M. (2020). “COVID-19 veri kümesinin SMOTE tabanlı örnekleme yöntemi uygulanarak sınıflandırılması”. Avrupa Bilim ve Teknoloji Dergisi, (Special Issue), 258–264.
15. www.stablebread.com. (2025). “How to use the Beneish M-Score to detect earnings manipulation”. Erişim adresi: https://www.stablebread.com