DESTEK VEKTÖR MAKİNELERİ YARDIMIYLA İMALAT SANAYİSİNDE MALİ BAŞARISIZLIK TAHMİNLERİNİN TEKNOLOJİ YOĞUNLUĞUNA GÖRE İNCELENMESİ

Yıl 2020, Cilt: 4 Sayı: 2, 36 - 54, 31.12.2020

Bilge Serdarer Kuzu , Selay Giray Yakut

Öz

Bu çalışmanın amacı, farklı yoğunluklarda teknoloji kullanımına sahip imalat firmalarının başarısızlıklarını Destek Vektör Makineleri algoritmaları ile tahmin ederek çekirdek fonksiyonlarının performanslarını karşılaştırmak ve farklı teknoloji yoğunluğu kullanıma sahip imalat firmalarının finansal açıdan başarısız olmalarını etkileyen önemli değişkenlerin neler olduğunu incelemektir. Çalışmanın uygulamasında Borsa İstanbul’a kayıtlı, imalat sektöründe faaliyet gösteren 153 firmanın 2012-2015 dönemine ait 11 mali oranı ve üretimde kullandıkları teknoloji yoğunluğunu gösteren teknoloji sınıfı kategorik değişkeni kullanılmıştır. Yapılan analizler sonucunda finansal başarısızlığın tahmini uygulamalarında Destek Vektör Makinelerinin ve tüm çekirdek fonksiyonlarının kullanılabileceği görülmüştür. Firmaların başarısız olmasını etkileyen önemli değişkenlerin tespit edilmesinde Karar Ağaçları algoritmalarından J48 kullanılmıştır. Tüm teknoloji sınıflarında finansal başarısızlık üzerinde en çok etkisi olan değişken grubunun kârlılık oranları olduğu görülmüştür.

Anahtar Kelimeler

Mali Başarısızlık, Teknoloji Yoğunluğu, Destek Vektör Makineleri

Kaynakça

• Aksoy, B. ve Boztosun D. (2019). “İmalat İşletmelerinde Makine Öğrenmesi Yöntemleri Kullanılarak Finansal Başarısızlık Tahmini ve Sınıflandırma Performansının Karşılaştırılması: Borsa İstanbul Örneği”. 2. Uluslararası Bankacılık Kongresi'nde sunulan bildiri, Çorum.
• Alpar, R. (2017). Uygulamalı Çok Değişkenli İstatistiksel Yöntemler. Ankara: Detay Yayıncılık.
• Altman, E. I. (1968). “Financial Ratios, Discriminant Analysis and the Prediction of Corporate Bankruptcy”. The Journal of Finance 23(4):589-609.
• Altunkaynak, B. (2019). Veri Madenciliği Yöntemleri ve R Uygulamaları. Ankara: Seçkin Yayıncılık.
• Aydoğan Culha, Ü. (2015). “Yüksek Boyut Düşük Örneklem Genişliği Durumunda Sınıflama Algoritmalarının Performanslarının Karşılaştırılması”. (Yayınlanmamış Doktora Tezi). Hacettepe Üniversitesi, Sağlık Bilimleri Enstitüsü, Ankara.
• Ayhan, S. ve Erdoğmuş Ş. (2014). “Destek Vektör Makineleriyle Sınıflandırma Problemlerinin Çözümü İçin Çekirdek Fonksiyonu Seçimi”. Eskişehir Osmangazi Üniversitesi İktisadi ve İdari Bilimler Dergisi 9(1):175-201.
• Balaban, M. E. ve Kartal E.(2018). Veri Madenciliği ve Makine Öğrenmesi TemelAlgoritmaları ve R Dili İle Uygulamaları. Çağlayan Kitabevi.
• Bi̇len, Ö., Hotaman D., Aşkin Ö.E., ve Büyüklü A.H. (2011). “LYS Başarılarına Göre Okul Performanslarının Eğitsel Veri Madenciliği Teknikleriyle İncelenmesi: 2011 İstanbul Örneği”. Eğitim ve Bilim 139(172):78-94.
• Burges C.J. (1998). A Tutorial on Support Vector Machines for Pattern Recognition.Data Mining and knowledge discovery 2(2),121-167.
• Chandra, D. Karthik, V. Ravi, ve I. Bose. (2009). “Failure Prediction of Dotcom Companies Using Hybrid Intelligent Techniques”. Expert Systems with Applications 36(3):4830-37.
• Cortes, C., ve Vapnik V. (1995). “Support-Vector Networks”. Machine Learning 20(3):273-97.
• Çomak, E. (2008). “Destek Vektör Makinelerinin Etkin Eğitimi İçin Yeni Yaklaşımlar”. Yayınlanmamış Doktora Tezi, Selçuk Üniversitesi, Fen Bilimleri Enstitüsü, Elektrik Elektronik Mühendisliği Anabilim Dalı, Konya.
• Elizondo, D. (2006). “The Linear Separability Problem: Some Testing Methods”. IEEE Transactions on Neural Networks 17(2):330-44.
• Erasto, P. (2001). “Support Vector Machines - Backgrounds and Practice”. Rolf Nevanlinna Institute.
• Ersöz, F. (2019). Veri Madenciliği Teknikler ve Uygulamaları. Ankara: Seçkin Yayıncılık.
• Ertan, A. S., ve Ersan Ö. (2018). “Finansal Başarısızlığı Belirleyen Etkenler: Türkiye İmalat Sektörü Örneği”. Marmara Üniversitesi İktisadi ve İdari Bilimler Dergisi 40(2):181-207.
• Fletcher, T. (2009). “Support Vector Machines Explained”.
• Gürsakal, N. (2018). Makine Öğrenmesi. Bursa: Dora Yayınları.
• Han, J., Kamber M., ve Pei J. (2011). Data Mining: Concepts and Techniques. Third Edition. Elsevier.
• Hand, D. J., Mannila H., ve Smyth P. (2001). Principles of Data Mining. Cambridge, Mass: MIT Press.
• Kartal, E., ve Balaban M. E. (2019). “Destek Vektör Makineleri: Teori ve R Dili ile Bir Uygulama”. içinde Veri Madenciliği ve Makine Öğrenmesi. İstanbul: Çağlayan Kitabevi.
• Larose, D. T. (2005). Discovering Knowledge in Data: An Introduction to Data Mining. Hoboken, N.J: Wiley-Interscience.
• Min, J., ve Lee Y. (2005). “Bankruptcy Prediction Using Support Vector Machine with Optimal Choice of Kernel Function Parameters”. Expert Systems with Applications 28(4):603-14.
• Shin, K., Lee T., ve Kim H. (2005). “An Application of Support Vector Machines in Bankruptcy Prediction Model”. Expert Systems with Applications 28(1):127-35.
• Yakut, E. (2012). “Veri Madenciliği Tekniklerinden C5.0 Algoritması Ve Destek Vektör Makineleri İle Yapay Sinir Ağlarının Sınıflandırma Başarılarının Karşılaştırılması: İmalat Sektöründe Bir Uygulama”. Yayınlanmamış Doktora Tezi, Atatürk Üniversitesi, Sosyal Bilimler Enstitüsü, İşletme Anabilim Dalı, Ankara.
• Yürük, M. F. ve Ekşi̇ İ.H. (2019). “Yapay Zeka Yöntemleri ile İşletmelerin Finansal Başarısızlığının Tahmin Edilmesi: Bist İmalat Sektörü Uygulaması”. Mukaddime 10(1):393-422.
• Zigic, L. ve Kecman V. (2014). “Variants and Performances of Novel Direct Learning Algorithms for L2 Support Vector Machines”. Ss. 82-91 içinde Artificial Intelligence and Soft Computing. C. 8468, Lecture Notes in Computer Science, editör L. Rutkowski, M. Korytkowski, R. Scherer, R. Tadeusiewicz, L. A. Zadeh, ve J. M. Zurada. Cham: Springer International Publishing.