Yapay zekâ yöntemleri ile işletmelerin finansal başarısızlığının tahmin edilmesi: Bist imalat sektörü uygulaması

Abstract

Finansal başarısızlık, işletmelerin geleceğini tehdit etmesi yanı sıra başarısız işletme sayısının artmasıyla ülkenin ekonomik büyümesi üzerinde olumsuz etki yaratmaktadır. Başarısızlığı önceden öngörmek ve bunun neticesinde tedbirler alıp sıkıntılı durumdan kurtulmak, işletmeler açısından hayati derecede önemlidir. Finansal başarısızlığın önceden tahmini konusunda birçok modeller geliştirilmiştir. Bu modeller daha çok istatistiki teknikler ve yapay zekâ teknikleridir. Bu çalışmada finansal başarısızlık tahminleri yapay sinir ağları, destek vektör makineleri ve ensemble öğrenme modelleri kullanılarak yapılmıştır. BİST imalat sektöründe işlem gören/görmüş olan 140 şirket örneklem olarak alınmıştır. Modele girdi değişkenleri olarak literatürde sık kullanılan 26 finansal oran kullanılmıştır. Çalışmada modellerin sınıflandırma performansları karşılaştırılmış, yapılan sınıflandırmanın doğruluk, özgüllük ve duyarlılık yüzdeleri hesaplanmıştır. Ayrıca çalışmanın değişkenlerini teşkil eden 26 finansal oranın modeldeki önem değerleri hesaplanmıştır. Tahmin modellerinin performansları sınıflandırma problemlerinde kullanılan ROC eğrileri ile ölçülmüştür. Çalışma sonucunda yapay sinir ağları, destek vektör makinelerine göre daha iyi sınıflandırma performansı gösterirken, ensemble diğer iki makine öğrenmesi modeline göre daha iyi bir sınıflandırma yapmıştır.

The financial failure affects negatively on a country's economical growth with the increase in the number of businesses as it threats their future. It is significantly important to foresee the failure so to take precautions as its result and get out of the problems for the businesses. Many models were developed about the estimation of financial failure. These models are mostly statistical and artificial intelligence techniques. The estimations of financial failure were made with the use of artificial neural networks, support vector machines and ensemble learning models in this study. 140 companies which are dealt/ were dealt in the manufacturing sector in Istanbul Stock Exchange were received as the sample. 26 financial rates which are frequently used in the literature were used as the model's input variables. The model's classification performances were compared in the study, and the accuracy, specifity and sensitivity percentages were calculated for that classification. Moreover, the significance values of model related to 26 financial rates which constitute the study's variables were calculated. The performances of estimation models were measured with ROC curves which were used in the classification problems. As a result of the study, while the artificial neural networks had a better classification performance than the support vector machines and the ensemble had a better classification than the other two machine learning models.