VERİ ZARFLAMA VE VERİ MADENCİLİĞİ İLE BİST GIDA İÇECEK ENDEKSİ KAPSAMINDAKİ FİRMALARIN ETKİNLİK ANALİZİ

Öz

İşletme faaliyet alanlarının belirlenmesinde ulusal ve uluslararası ekonomik koşulların belirleyici olduğu günümüzde, firmaların varlıklarını ve kaynaklarını daha etkin kullanmalarını gerektirmiştir. Finansal başarısızlıkla karşılaşmak istemeyen firmalar gelecekteki faaliyetleri ile ilgili stratejik planlarını yapmadan önce geçmiş dönemlerdeki performanslarını analiz ederek üstün ve zayıf yönlerini belirlemek zorundadır. Bu çalışmanın amacı BİST’e kayıtlı Gıda İçecek Endeksi kapsamında yer alan 22 firmanın Veri Zarflama Analizi (VZA) ile firma etkinliklerinin belirlenmesi ve firma etkinliklerini etkileyen firma içi önemli değişken veya değişkenlerin Veri Madenciliği teknikleri ile tespit etmektir. Bu amaçla firmaların 2014 – 2018 yıllarına ait mali tablolarından 8 adet oran hesaplanmıştır. Girdi değişkenleri olarak cari oran, asit-test oranı, kaldıraç oranı, kısa süreli borç / toplam aktifler oranı, duran varlık / toplam aktifler oranı, uzun süreli borç / toplam aktifler; çıktı değişkenleri olarak da net kâr marjı ve aktif kârlılık seçilmiştir. Etkin ve etkin olmayan firmalar VZA kullanılarak bulunmuştur. Analiz sonucu 2014 yılında 11, 2015 yılında 9, 2016 yılında 17, 2017 yılında 7 ve 2018 yılında 11 firmanın etkin olduğu bulunmuştur. Firmaların etkinliklerine etki eden en önemli değişkenin Yapay Sinir Ağları ve C5.0 Karar Ağacı Tekniğine göre net kâr marj oranı olduğu sonucuna varılmıştır.

Anahtar Kelimeler

• Etkinlik
• Veri Zarflama Analizi
• Veri Madenciliği

THE EFFICIENCY ANALYSIS OF COMPANIES ON BIST FOOD BEVERAGE INDEX BY USING DATA ENVELOPMENT AND DATA MINING

Öz

Today, when national and international economic conditions are determinant in the determination of business activities, it is necessary for companies to use their assets and resources more effectively. The firms that do not want to face financial failure must identify their strengths and weaknesses by analyzing their performance in past periods before making strategic plans for their future activities. The aim of the study is to investigate and to determine the efficiency of 22 firms in BIST Food and Beverage Index by Data Envelopment Analysis (DEA) using efficiency scores of firms, and to determine the important in-firm variable or variables that effect the efficiency of firms through data mining techniques. For this aim 8 financial ratios are calculated by using the financial statements for the years 2013-2017. In the analyzes, 6 input variables, namely current ratio, acid-test rate, leverage rate, short term dept / total assets rate and fixed assets / total assets rate, long term dept / total assets rate; 2 output variables, total asset profitability and net profit margin, are used. By applying Data Envelopment Analysis efficient and inefficient firms are found. As a result of the study, 11 firms in 2014, 9 firms in 2015, 17 firms in 2016, 7 firms in 2017 and 11 firms in 2018 are found to be efficient. It is concluded that the most important variable affecting the effectiveness of the firms is net profit margin ratio according to Artificial Neural Networks and C5.0 Decision Tree technique.

Anahtar Kelimeler

• Efficiency
• Data Envelopment Analysis
• Data Mining

Kaynakça

1. Akbulut, R. ve Rençber, Ö. F. (2015). Veri zarflama ve lojistik regresyon analizi ile çimento işletmelerinde finansal performansa dayalı etkinliklerin değerlendirilmesi, Uluslararası Alanya İşletme Fakültesi Dergisi, 7(3), 91-103.
2. Akın, N. G. (2018). Dokuma sektöründe veri zarflama analizi ve Malmquıst toplam faktör verimliliği endeksi, Uluslararası Ekonomi, İşletme ve Politika Dergisi, 2(2), 241-260.
3. Akyüz, K. C., Yıldırım, İ. ve Balaban, Y. (2015). Kâğıt sektöründe yer alan firmaların veri zarflama analizi yardımıyla etkinliklerinin ölçümü. International Journal of Economic and Administrative Studies, 7(14), 23-37.
4. Alimohammadlou, M. ve Mohammadi, S. (2016). Evaluating the productivity using Malmquist index based on double frontiers data. Social and Behavioral Sciences, 230, 58-66.
5. Arabacıoğlu, S. ve Ünal, İ. H. (2017). Veri zarflama ve sıralı lojistik regresyon analizi ile şirketlerin etkinliklerinin belirlenmesi: dokuma, giyim eşyası ve deri sektörü üzerine bir uygulama, Avrasya Sosyal ve Ekonomi Araştırmaları Dergisi (ASEAD), 4(12), 1-19.
6. Bakırcı, F., Shiraz S. E. ve Sattary A. (2014). BİST’te demir, çelik metal ana sanayi sektöründe faaliyet gösteren işletmelerin finansal performans analizi: VZA süper etkinlik ve Topsis uygulaması, Ege Akademik Bakış, 14(1), 9-19.
7. Banker, R. D., Charnes, A. ve Cooper, W. W. (1984). Some models for estimating technical and scale ınefficiencies in data envelopment analysis, Management Science, 30(9), 1078-1092.
8. Beasly, J. A., (2000). Data envelopment analysis, Erişim adresi: http://people.brunel.ac.uk/~mastjjb/jeb/or/dea.html, (8 Şubat 2020).

9. Benli, Y. K. ve Karaca, S. K. (2017). 2008 Kriz öncesi ve sonrası İSO 500 sanayi işletmelerinin etkinliklerinin ölçümü: veri zarflama analizi yaklaşımı. Gazi İktisat ve İşletme Dergisi, 3(1), 19-34.
10. Bilişik, M. T. (2015). Veri zarflama analizi ile Türkiye bankacılık sektöründe verimlilik araştırması, Akademik Bakış Dergisi Uluslararası Hakemli Sosyal Bilimler E-Dergisi, (49), 288-304.
11. Boles, J. S., Donthu, N. ve Lohtia, R. (1995). Salesperson evaluation using relative performance efficiency: The application of data envelopment analysis. Journal of Personal Selling and Sales Management, 15(3), 31-38.
12. Boussofiane, A., Dyson, R. ve Thanassoulis, E. (1991). Applied data envelopment analysis. European Journal of Operational Research, 52(1), 1-15.
13. Charnes, A., Cooper, W. W. ve Rhodes, E. (1978). Measuring the efficiency of decision making units. European Journal of Operations Research, 2(6), 429-444.
14. Cihangir, M. (2004). Türkiye’de banka birleşmeleri ve birleşen bankaların verimlilik ve etkinliğinin ölçülmesi üzerine karşılaştırmalı- uygulamalı bir inceleme, Doktora Tezi, Ankara Üniversitesi Sosyal Bilimler Enstitüsü, Ankara.
15. Çalış, A., Kayapınar, S. ve Çetinyokus, T. (2011) Veri madenciliğinde karar ağacı algoritmaları ile bilgisayar ve internet güvenliği üzerine bir uygulama. Endüstri Mühendisliği Dergisi, 25(3-4), 5.
16. Demir, Y. ve Gençtürk, M. (2006). İMKB’de işlem gören yerli ve yabancı bankaların göreli etkinliklerinin veri zarflama analizi ile ölçümü. Dokuz Eylül Üniversitesi İ.İ.B.F. Dergisi, 21(2), 49-74.
17. Demirci, A. (2012). OECD üyesi ülkelerin ekonomik ve sosyal etkinliklerinin veri zarflama analizi yöntemiyle belirlenmesi, Doktora Tezi, Atatürk Üniversitesi Sosyal Bilimler Enstitüsü, Erzurum.
18. Dirican, A. (2001). Tanı testi performanslarının değerlendirilmesi ve kıyaslanması, Cerrahpaşa Tıp Dergisi, 32(1), 25-30.
19. Elmas, Ç. (2003). Yapay sinir ağları. (1. baskı). Ankara: Seçkin Yayıncılık.
20. Eren, B. ve Turp, S. M. (2011). Sızıntı suyundan nikel (ıı) iyonları giderim veriminin yapay sinir ağları ile tahmin edilmesi. e-Journal of New World Sciences Academy, 6(1) 398-405.
21. Geyikçi, U. B. ve Bal, V. (2015). Veri zarflama analizi ile Borsa İstanbul A.Ş.’de faaliyet gösteren toptan ve perakende ticaret sektörü firmalarının etkinlik analizi. AİBÜ Sosyal Bilimler Enstitüsü Dergisi, 15(1), 21-41.
22. Hosmer, D. W. ve Lemeshow, S. (2010). Applied logistic regression, Second Edition, Canada: John Wiley Sons Inc.
23. https://www.kap.org.tr/tr/
24. Kaastra, I. ve Milton, B. (1996). Designing a neural network for forecasting financial and economic time series. Neurocomputing, 10(3), 215-236.
25. Karsak, E. E. ve İşcan, F. (2000). Çimento sektöründe göreli faaliyet performanslarının ağırlık kısıtlamaları ve çapraz etkinlik kullanılarak veri zarflama analizi ile değerlendirilmesi, Endüstri Mühendisliği Dergisi, 11(3), 2-10.
26. Kaya, A. ve Coşkun, A. (2016). VZA ile işletmelerde etkinliğin ölçülmesi: BİST gıda, içki ve tütün sektöründe bir uygulama, Erzincan Üniversitesi Sosyal Bilimler Enstitüsü Dergisi, 9(1), 231 – 242.
27. Kayalıdere, K. ve Kargın, S. (2004). Çimento ve tekstil sektörlerinde etkinlik çalışması ve veri zarflama analizi, Dokuz Eylül Üniversitesi Sosyal Bilimler Enstitüsü Dergisi, 6(1), 196-219.
28. Keskin, Y., (2002). İşletmelerde finansal başarısızlığın tahmini, çok boyutlu model önerisi ve uygulaması, Doktora Tezi, Hacettepe Üniversitesi Sosyal Bilimler Enstitüsü, Ankara.
29. Koçyiğit, M. M, (2016). Borsa İstanbul’da işlem gören çimento işletmelerinin etkinliklerinin veri zarflama analizi kullanılarak ölçülmesi, Elektronik Sosyal Bilimler Dergisi, 15(57), 429-439. doi: 1017755/esosder.15243.
30. Lorcu, F. (2010). Malmquist toplam faktör verimlilik endeksi: Türk otomotiv sanayi uygulaması, İstanbul Üniversitesi İşletme Fakültesi Dergisi, 39(2), 276-289.
31. Neilan, S. (2020). Entelektüel sermaye etkinliğinin veri zarflama analizi ile değerlendirilmesi: BİST teknoloji şirketlerine yönelik bir araştırma. Muhasebe ve Finansman Dergisi, (85), 269-286.
32. Olafsson, S., Li, X. ve Wu, S. (2008). Operations research and data mining. European Journal of Operational Research, 187(3), 1429- 1448.
33. Özçelik, F. ve Avcı Öztürk, B. (2019). Girdi olarak maliyetlere yönelik veri zarflama analizi modelleri ile göreli etkinlik analizi, İşletme Araştırmaları Dergisi, 11(2), 1011-1028.
34. Özden, Ü. H. (2008). Veri zarflama analizi (VZA) ile Türkiye’deki vakıf üniversitelerinin etkinliğinin ölçülmesi. İstanbul Üniversitesi İşletme Fakültesi Dergisi, 37(2), 167-185.
35. Seyrek, İ. H. ve Ata, H. A. (2010). Veri zarflama analizi ve veri madenciliği ile mevduat bankalarında etkinlik ölçümü. BDDK Bankacılık ve Finansal Piyasalar, 4(2), 67-84.
36. Singh, Y. ve Chauhan, A.S. (2010). Neural networks ın data mining. Journal of Theoretical and Applied Information Technology, 5(1), 37-42.
37. Soba, M., Akcanlı, F. ve Erem, I (2012). İMKB’ye kayıtlı seçilmiş işletmelere yönelik etkinlik ölçümü ve performans değerlendirmesi: Veri zarflama analizi ve topsis uygulaması, Selçuk Üniversitesi Sosyal Bilimler Enstitüsü Dergisi, 27, 229-243.
38. Tek, Ö. (2012). Çocuk suçluluğunun Chaid çözümlemesi ile değerlendirilmesi, Yüksek Lisans Tezi, Gazi Üniversitesi Sosyal Bilimler Enstitüsü, Ankara.
39. Tepe, M. (2006). Kıyaslama çalışmasında veri zarflama analizi kullanımı, Yüksek Lisans Tezi, İstanbul Teknik Üniversitesi Fen Bilimleri Enstitüsü, İstanbul.
40. Torun, T. (2007). Finansal başarısızlık tahmininde geleneksel istatistiki yöntemlerle yapay sinir ağlarının karşılaştırılması ve sanayi işletmeleri üzerinde uygulama, Doktora Tezi, Erciyes Üniversitesi Sosyal Bilimler Enstitüsü, Kayseri.
41. Yakut, E. (2012). Veri madenciliği tekniklerinden C5.0 algoritması ve destek vektör makineleri ile yapay sinir ağlarının sınıflandırma başarılarının karşılaştırılması: İmalat sektöründe bir uygulama, Doktora Tezi, Atatürk Üniversitesi Sosyal Bilimler Enstitüsü, Erzurum.
42. Yalama, A. ve Sayım, M. (2008). Veri zarflama analizi ile imalat sektörünün performans değerlendirmesi, Dokuz Eylül Üniversitesi İktisadi ve İdari Bilimler Fakültesi Dergisi, 23(1), 89-107.
43. Yaşar, F. (2019). Veri zarflama analizi ile BİST100’de işlem gören imalat işletmelerinin etkinliklerinin ölçümü, Doktora Tezi, Erzincan Binali Yıldırım Üniversitesi Sosyal Bilimler Enstitüsü, Erzincan.
44. Yavuz, S. ve İşçi Ö. (2013). Veri zarflama analizi ile Türkiye’de gıda imalatı yapan firmaların etkinliklerinin ölçülmesi. Dumlupınar Üniversitesi Sosyal Bilimler Dergisi, (36), 157–173.
45. Zhang, P. G., Patuwo, E. ve Hu, M. Y. (1998). Forecasting with artificial neural networks: The state of the art, International Journal Of Forecasting, 14(1), 35-62.