Akademik Sosyal Araştırmalar Dergisi, Yıl: 5, Sayı: 59, Kasım 2017, s

Yeni Mezun Sınıf Öğretmenlerinin Sınıf Öğretmeni Yetiştirme Programına İlişkin Görüşleri Akademik Sosyal Araştırmalar Dergisi, Yıl: 5, Sayı: 59, Kasım 2017, s. 369-387 Yayın Geliş Tarihi / Article Arrival Date Yayınlanma Tarihi / The Publication Date 04.10.2017 30.11.2017 Arş. Gör. Tuğba GÖKDEMİR Uludağ Üniversitesi, İktisadi-İdari Bilimler Fakültesi, Ekonometri Bölümü tugbagokdemir@uludag.edu.tr Sezai GÖKDEMİR Marmara Üniversitesi, İktisat Fakültesi, İktisat Bölümü, Yüksek Lisans Öğrencisi sezai_gokdemir@hotmail.com KÜRESEL KRİZ DÖNEMİ SONRASI FİNANSAL BAŞARISIZLIĞIN DİSKRİMİNANT ANALİZİ VE YAPAY SİNİR AĞLARI İLE İNCELENMESİ 369 Bir ticari firmanın başarısızlığı alacaklıları ve hissedarları önemli ölçüde zarara uğratmaktadır. Bu sebeple, olası başarısızlığı önceden öngörebilen modeller oluşturmak zarar gören kesimlere büyük kolaylıklar sağlamakta ve bu kesimleri uyarmaktadır. Bu çalışmada, İstanbul Borsası nda işlem gören imalat sanayi firmalarının finansal başarısızlığını etkileyen finansal oranlarının tespit edilmesi ve finansal başarısızlığının öngörülmesi amaçlanmıştır. Bu amaç için, yapay sinir ağları ve diskriminant analizi kullanılmıştır. Çalışmada, İMKB da işlem gören imalat sanayi firmalarından 2008-2013 yılları arası verilerine ulaşılabilen 142 firma analize dâhil edilmiştir. Literatürde yer alan benzer çalışmalardan farklı olarak tüm başarısızlık kriterlerinin yer aldığı modelin yanında, başarısızlık kriterleri arasında yer alan üst üste 2 yıl ya da daha fazla zarar etme ve borçların öz kaynakları aşması kriterlerinin bağımlı değişken olarak ele alındığı üç ayrı model kurulmuştur. Çalışmanın sonunda, finansal başarısızlığı en iyi sınıflandıran yöntemin yapay sinir ağları olduğu tespit edilmiştir. Ayrıca finansal başarısızlığın belirlenmesinde borçların öz kaynakları aşma kriterinin finansal başarısızlık için daha etkili bir kriter olduğu belirlenmiş ve finansal başarısızlığı belirleyen en önemli finansal oranların karlılık ve finansal yapı oranları olduğu sonucuna ulaşılmıştır. Öz

Anahtar kelimeler: Finansal Başarısızlık, Diskriminant Analizi, Yapay Sinir Ağları THE INVESTIGATION OF ARTIFICIAL NEURAL NETWORKS AND DISCRIMINANT ANALYSIS IN PREDICTION OF FINANCIAL FAILURE AFTER GLOBAL CRISIS Abstract The failure of a commercial company is a significant loss to its buyers and shareholders. For this reason, establishing models that can predict foreseeable failures provides great convenience and warns those who are injured. In this study, it is aimed to determine the financial ratios affecting the financial failure of the manufacturing industry firms traded on the Istanbul Stock Exchange and to predict the financial failure. For this purpose, artificial neural networks and discriminant analysis were used. Using the data between the years 2008-2013 of the manufacturing industry firms which traded in ISE, the three dependent variables models which different from similar studies in the literature next to the model, which includes all failure criterion failure discussed by the debts exceed assets criteria and overlap located between two or more years of damage to have been developed and classification success of disciriminant analysis were compared for this model. At the end of the work, it was determined that the method that best classifies financial failure is artificial neural networks. In addition, when the financial failure is determined, it is determined that the criteria of exceeding the equity of the debts is a more effective criterion for financial failure and the most important financial ratios determining the financial failure are the profitability and financial structure ratios. 370 Keywords: Financial Failure, Disciriminant Analysis, Artificial Neural Networks 1.Giriş ABD konut piyasasındaki bozulmadan kaynaklanan küresel mali ve ekonomik krizin başlamasından sadece birkaç yıl sonra patlayan Euro bölgesi krizi, mali ve ekonomik krizin önlenmesi için finansal çerçevenin zayıf yönlerini ortaya çıkarmış ve finansal başarısızlığa uğrayan firma sayısında artış olmuştur. Bu sebeple, son dönemlerde finansal başarısızlığı tahmin edebilecek model ve yaklaşımlara olan ilgi artmıştır. Bu analizler içerisinde çok değişkenli istatistiksel yöntemlere ve yapay sinir ağlarının kullanıldığı analizlere ilginin arttığı görülmektedir. Finansal başarısızlık konusu yıllarca birçok araştırmacı ve uygulamacının ilgisini çekmiştir. Bu alanda, Beaver (1967, 1968) ve Altman (1968) firmaların finansal raporlarına dayanarak başarısızlığı öngörmek üzere geliştirdikleri modeller büyük öneme sahiptir. Altman tarafından geliştirilen ve literatürde yaygın olarak kullanılan firma başarısızlık kriterleri sırasıyla; iflas, firmanın yükümlülüğünü yerine getirememesi, borcunu ödeyememesi ve finansal başarısızlıktır. Analizlerde yaygın olarak kullanılan finansal başarısızlık kriterleri ise; iflas etme, sermayesinin yarısını kaybetme, üst üste 2 yıl ve daha fazla zarar etme, borç ödeme zorluğu içine düşme, borçların öz kaynakları aşması kriterleridir. Yapılan çalışmalarda finansal başarısızlık modelle-

nirken, bağımlı değişkenler finansal başarısızlık kriterlerine göre oluşturulurken, finansal oranlar ise bağımsız değişken olarak kullanılmaktadır. Bu çalışmada, literatürdeki diğer çalışmalardan farklı olarak mevcut veriler kullanılarak üç ayrı bağımlı değişkenli (birinci bağımlı değişken; borçların öz kaynakları aşması, ikinci bağımlı değişken; 2 yıl ve daha fazla üst üste zarar etmiş olma, üçüncü kriter ise literatürde yaygın olarak kullanılan tüm başarısızlık kriterlerin dikkate alındığı model) modeller geliştirilmiştir. Bu modeller için yapay sinir ağları (geri yayılımlı çok katmanlı yapay sinir ağı) ve diskriminant analizinin sınıflandırma başarıları kıyaslanmıştır. İMKB da işlem gören imalat sanayi firmalarından 2008-2013 yılları arası bilanço ve gelir tablolarına ulaşılabilen 142 firma analize dâhil edilmiştir. Analizler yapay sinir ağları doğası gereği verilerin iki gruba ayrılması sonucu gerçekleştirilmiştir. Bunlar deney/eğitim seti ve kontrol/test setidir. Üç ayrı model içinde deney/eğitim setleri ile diskriminant ve yapay sinir ağları analizleri ile elde edilen sonuçlara göre firmaların başarı veya başarısızlıkları konusunda tahminlerde bulunulmuş, kontrol/test seti ile bu sonuçların geçerliliği test edilmiştir. Ayrıca, finansal başarısızlık için hangi analizi kullanmanın daha yararlı olduğu sorusuna da cevap verilmeye çalışılmıştır. Diskriminant analizi için SPSS paket programından, yapay sinir ağları için ise MATLAB bilgisayar yazılımından yararlanılmıştır. Çalışmanın giriş bölümünü takip eden ikinci bölümünde literatür taramasına, üçüncü ve dördüncü bölümde sırası ile metodoloji ve uygulamada kullanılan veri ve değişkenlere yer verilmiştir. Son bölümde ise diskriminant analizi ve yapay sinir ağlarından elde edilen sonuçlara yer verilmiştir. 2. Literatür Euro bölgesi krizinden sonra, finansal başarısızlık konusuna ilgi giderek artmıştır. Birçok yöntem kullanılarak firma başarısızlık tahmin modelleri geliştirilmeye çalışılmıştır. Bu yöntemler içerisinde diskriminant analizinin sıklıkla tercih edildiği görülmektedir. Finansal başarısızlık çalışmalarında Diskriminant analizini kullanan ilk çalışma Altman tarafından yapılmıştır. Altman, (1968) çalışmasında çoklu diskriminant analizini kullanmış ve çalışma için 22 adet finansal oran belirlemiştir. Daha sonra modelde kullanılmak üzere değişken sayısını 5 e düşürmüştür. Elde ettiği modeli Z modeli olarak adlandırmış ve iflastan bir yıl öncesi için %95, iki yıl öncesi için % 72, üç yıl öncesi için %48, dört yıl öncesi için %29 ve beş yıl öncesi için %36 oranında doğru sınıflandırma başarısı elde etmiştir. Beaver (1966) çalışmasında finansal başarısızlığı belirlemede 30 adet finansal oran kullanmış, bu oranları 6 grupta toplamıştır. Çalışmanın sonunda 5 oranın finansal başarısızlığı belirleme de etkili olduğunu ve başarısızlıktan bir yıl öncesi için doğru sınıflandırma gücünü %87, iki yıl öncesi için %79, üç yıl öncesi için %77, dört yıl öncesi için %76 ve beş yıl öncesi için %78 olarak bulmuştur. İki çalışma arasındaki temel fark Altman ın olayları çok boyutlu ele alırken, Beaver in olayları tek boyutlu olaylar olarak ele almasıdır. Finansal başarısızlık için sınıflandırma gücünü ölçen diğer çalışmalar ise; (Örneğin; Altman vd.,1994; Abdullah, 2008; Aly vd., 1992; Aziz ve Lawson, 1989; Beaver, 1972; Court ve Rodloff, 1990; Doğanay vd., 2006; gibi.) 371

Deakin (1972) çalışmasında, finansal başarısızlık tespiti için Altman modeli ve Beaver modellerini kıyaslamıştır. Deakin çalışmasının sonunda, Beaver in geliştirdiği modelin doğru sınıflandırma başarısının, Altman Z modelinden daha yüksek bir sınıflandırma başarısına sahip olduğunu belirtmiştir. Ancak finansal başarısızlığı belirleme de bazı araştırmacılar Altman Z modeli skor ölçüsünü dikkate almıştır.(örneğin; Wong ve Ng, 2010; Chung vd.,2008, İçerli ve Akkaya, 2010 gibi) Diskriminant analizi ile finansal başarısızlık çalışmalarında yalnızca sınıflandırma gücüne değil, ayrıca finansal başarısızlığa sebep olan finansal oranların belirlenmesine yoğunlaşan çalışmalar bulunmaktadır. Örneğin; Wong ve Ng (2010), çalışmalarında çoklu diskriminant analizini kullanmış ve finansal başarısızlığı belirlemek amacıyla finansal ve makroekonomik değişkenler kullanarak bir model oluşturmuşlardır. Çalışmanın sonunda finansal başarısızlığın belirlenmesinde 4 değişkenin yeterli olduğu sonucuna ulaşmışlardır. Sori ve Jalil (2009), çalışmalarında diskriminant analizini kullanmış ve 64 finansal oran ile analizlerini gerçekleştirmişlerdir. Çalışmanın sonunda, yalnızca iki değişkenin finansal başarısızlığın belirlenmesinde etkili olduğu sonucuna ulaşmışlardır. Son yıllarda finansal başarısızlığın öngörülmesinde yapay sinir ağlarının kullanımı da önemli oranda artmıştır. Alam vd., (2000) çalışmalarında, bankaların finansal başarısızlığını belirlemede CAMEL kriterlerini kullanarak yapay sinir ağlarını uygulamışlardır. Çalışmanın sonunda, banka başarısızlığının doğru sınıflandırılmasında yapay sinir ağlarının etkin bir araç olduğunu tespit etmişlerdir. Nguyen (2005) çalışmasında, çok katmanlı ve olasılıklı yapay sinir ağları ve lojistik regresyon modelini kullanarak finansal başarısızlık modeli oluşturmuştur. Çalışmanın sonunda, olasılıklı yapay sinir ağı modelinin, diğer iki modelden daha başarılı sınıflandırma gücüne sahip olduğunu belirtmiştir. Literatürde yapay sinir ağları kullanılarak finansal başarısızlığın inceleyen diğer çalışmalar; (Örneğin, Adedeji ve David, 1998; Aktaş vd. 2003; Akkaya vd. 2011; Benli, 2005; Çelik, 2010; Roh, 2007; Rodriquez, 1999; Shah ve Murtaza, 2000; Wallace, 2008; Kurtaran, 2010; Koleyni, 2009; Liou 2008; Huang vd., 2007; Moshiri ve Norman, 2000; Kodogiannis ve Lolis, 2002; Tyree ve Long, 1997; Tae vd., 2004; Thawornwong ve Enke, 2004; Oliveira vd. gibi). Literatürdeki bazı çalışmalar ise finansal başarısızlığın tahmininde diskriminant analizi ve yapay sinir ağlarını birlikte ele alarak performanslarını kıyaslamışlardır. Örneğin; Chung vd, (2008) çalışmalarında yapay sinir ağları ve diskriminant analizi yöntemlerini kullanarak finansal başarısızlık üzerinde finansal oranların etkilerini incelemişlerdir. Çalışmanın sonunda, finansal başarısızlığın belirlenmesinde finansal oranların önemli olduğu tespit edilmiş ve modelin doğru sınıflandırma oranı %62 olarak bulunmuştur. Odom ve Sharda (1990) çalışmalarında, 1975-1982 yılları verilerini kullanmış ve yapay sinir ağı modeli ile diskriminant analizinin sınıflandırma performanslarını kıyaslamışlardır. Çalışmanın sonunda, yapay sinir ağlarının finansal başarısızlığın belirlenmesinde daha başarılı sonuçlar verdiği görülmüştür. 372

3. Metodoloji Çalışmada, Türkiye imalat sektöründe faaliyet gösteren firmaların, finansal başarısızlıklarını tahmin etmede diskriminant analizi ve yapay sinir ağlarının performansları karşılaştırılarak, en uygun yöntemin belirlenmesi amaçlanmıştır. Diskriminant analizi tekniği R. A. Fisher tarafından bulunmuş ve ilk kez Barnard tarafından uygulanmıştır. Zamanla diskriminant analizinde yeni gelişmeler kaydedilmiş ve yıllarca fizik, biyoloji ve sosyal bilimler, mühendislik ve medya gibi birçok alanda yoğun bir şekilde kullanılmıştır (Miller and Malone, 1962: 3). Diskriminant analizi bir bütün olarak kategorik bir değişken ve birbirleri ile ilişkili değişkenler arasındaki ilişkiyi inceleyen istatiksel bir yöntemdir (Mclachlan, 2004, s.2). 1 Diskriminant analizinin amaçları; gruplar arasında en iyi ayrımı sağlayan doğrusal kombinasyonu bulmak ve sınıflandırma yapmaktır (Deakin, 1972:172) Diskriminant analizi birçok araştırmacı tarafından sınıflandırma analizi adıyla da anılmaktadır (Timm, 2002: 420). Diskriminant analizinin cebirsel yorumu; Zi = b o + b 1 X 1i + b 2 X 2i +. + b j X ji Burada; Zi: Grup üyelerini belirlemek için kullanılan diskriminant değeri Xji = i inci bireyin j bağımsız değişkeninin değeri bj = j değişkeni için diskriminant katsayısı (Blum, 1974: 5). 373 Bir yapay sinir ağı, genellikle yoğun şekilde birbirine bağlı çok sayıda basit işlemciden (nöron) oluşan, bir ağ olarak tanımlanır (Specht, 1991:572). Yapay sinir ağları yeni teknolojik aletlerin gelişmesi ile çözülemeyen karmaşık problemlerin çözümü için geliştirilmiş ve biyolojik sinir ağlarından ilham alınarak oluşturulmuş bilgisayar sistemleridir (Kohonen, 2000:71). Yapay sinir ağları biyolojik sinir sisteminden esinlenerek oluşturulmuş, insanda kullanılan bazı organizasyonel prensipleri kullanmayı deneyen modellerdir (Gupta, 2013: 24). Yapay sinir ağları girdi, ara ve çıktı katmanları olmak üzere üç ana bölümde incelenir. Bu katmanlar bir araya gelerek yapay sinir ağlarını oluşturur. Yapay sinir ağları modeli Şekil 1 de görülmektedir. 1 Bakınız: Winer, B. J. (1971), Statistical Principles in Experimental Design, 2rd ed. New York: McGraw-Hill. (220-230), Welch, B. L. (1939), Note On Discriminant Functions, Biometrika, 31, 210 220, Tatsuoka,M.M.(1988), Multivariate Analysis, NewYork: Macmillan (380-397), Subrahmaniam, K., and Subrahmaniam, K. (1973), Multivariate Analysis: A Selected and Abstracted Bibliography, NewYork: Dekker, Shrout, P. E., Dohrenwend, B. P., and Levav, I. (1986), A Discriminant Rule For Screening Cases Of Diverse Diagnostictypes: Preliminary Results, Journal of Counseling and Clinical Psychology, 54, 310 320, Rencher,A. C. (1992), Interpretation Of Canonical Discriminant Functions, Canonical Variates, And Principal Components American Statistician, 46, 217 227, Olson, C. L. (1974), Comparative robustness of six tests in multivariate analysis of variance Journal of the American Statistical Association, 69, 894 910, Miller, Robert G. and Malone,Thomas F. (1962), Statıstıcal Predıctıon By Dıscrımınant Analysıs,The Amerıcan Meteorologıcal Socıety 45 Beacon St., Boston 8, Volume 4 October 1962 Number 25 Specht.

Şekil 1: Yapay Sinir Ağı Modeli 2 Analizde, yapay sinir ağ türlerinden finansal tahminlerde ve sınıflamada gücündeki başarısından dolayı ileri beslemeli ağ türü kullanılmıştır (Thawornwong,2004). İleri beslemeli bir ağda işlem elemanları genellikle katmanlara ayrılmıştır. Bu ağ türünde bilgi akışı, girdi katmanından direk çıktı katmanına gönderilir ve bu bilgi akışı tek yönde yapılır (Haykin, 2009). 3 4. Veri ve Değişkenler Çalışmada, işlem gören imalat sanayi firmalarının 2008-2013 yılları arası bilanço ve gelir tablolarına ulaşılabilen 142 firma verisi kullanılmış ve finansal başarısızlık incelenirken, diğer çalışmalardan farklı olarak üç ayrı bağımlı değişkene ait yapay sinir ağları ve diskriminant analizleri için üç ayrı model tahmin edilmiştir. Tahminlerde kullanılan değişkenlerin tanımlamaları aşağıda özetlenmiştir. 374 Bağımlı Değişkenler: Birinci model için bağımlı değişken borçların öz kaynakları aşması kriterine göre oluşturulmuş ve veri seti 130 firmadan oluşmaktadır. Başarılı firma sayısının 65, başarısız firma sayı- 2 Kaynak: https://www.hostingdergi.com.tr/yapay-zeka-ve-sinir-aglari/ 3 Bakınız: Kohonen,T. (2000) Self Organizing Network 3rd.New York Spring Series İn İnformation Sciences. Wallace Martin P. (2008) Neural Networks And Theır Applıcatıon To Fınance, Business Intelligence Journal,67-76,Freeman,J.A., Skapura,D.M.,(1992) Neural Network Algoritmah Applications And Programing Techniques (1-40)Addisson-Wesley Puplishing Company.Hagan, M.T.,Demuth. H.B. Behale,M.H., and Jesus, O.(2010) Neural Network Design 2.Nd. Edition,S.2-6. Haykin,Simon (2009) Neural Networks And Learning Machines Third Edition,Mc Master University,Hamilton,Onterio,Kanada,1-76.Patterson, David W. (1996) Artificial Neural Networks Theory And Applications, İnstute Of Systems Science National University Singapure, 1-90. Graupe,Daniel (2007) Prıncıples Of Artıfıcıal Neural Networks 2nd EditionAdvanced, Sankar K. Pal,Shubhra S., Ray Avatharam Ganivada Granular Neural Networks, Pattern Recognition and Bioinformatics, Gewerbestrasse 11, 6330 Cham, Switzerland, Donald F. (1991), A General Regression Neural Network, Ieee Transactıons On Neural Networks. Vol. 2. No. 6. November, Gupta, Neha (2013), Artificial Neural Network, Network and Complex Systems, ISSN 2224-610X (Paper) ISSN 2225-0603 (Online) Vol.3, No.1, 2013-Selected from Inter national Conference on Recent Trends in Applied Sciences with Engineering Applications

sının 77 olduğu tespit edilmiştir. Başarılı-başarısız firma sayısını eşitlemek amacı ile 12 başarısız firma finansal oranları dikkate alınarak gözlem dışı bırakılmıştır. İkinci model de bağımlı değişken 2 yıl ya da daha fazla üst üste zarar etme kriterine göre oluşturulmuş ve veri setini 116 firma oluşturmaktadır. Bu kritere göre başarılı firma sayısı 84, başarısız firma sayısı ise 58 olarak bulunmuştur. Başarılı-başarısız firma sayısını eşitlemek amacı ile 36 başarılı firma finansal oranları dikkate alınarak örneklem dışı bırakılmıştır. Üçüncü modelde ise bağımlı değişken tüm başarısızlık kriterlerinin dikkate alındığı modeldir ve veri seti 106 firmadan oluşmaktadır. Başarılı firma sayısının 53, başarısız firma sayısının ise 89 olduğu tespit edilmiştir. Başarılı-başarısız firma sayısını eşitlemek amacı ile 36 başarısız firma finansal oranları dikkate alınarak gözlem dışı bırakılmıştır. Veri setindeki firmaları gruplandırmak için finansal başarısız firmalara 0, finansal başarılı firmalara 1 değeri verilmiş ve üç model için bağımlı değişkenler oluşturulmuştur 4. Bağımsız Değişkenler: Çalışmada yer alan tüm modellerde literatürde yaygın olarak kullanılan likidite oranları, finansal yapı oranları, karlılık oranları ve faaliyet oranları bağımsız değişken olarak kullanılmıştır. Analizde, TABLO 1 de yer alan 30 adet finansal oran bağımsız değişken olarak kullanılmıştır. 375 4 Çalışmada diğer tüm finansal başarısızlık kriterlerine göre ayrı ayrı model kurmak amaçlanmış, ancak bağımsız değişken sayısının yetersiz olması sebebiyle modeller kurulamamıştır. Bu üç modelin seçilme sebebi ise başarılı ve başarısız firma sayısının yüksek olmasıdır.

TABLO 2 :FİNANSAL ORANLAR Finansal Yapı Oranları Finansal Kaldıraç Oranı Kısa Vadeli Yabancı Kaynak (KSVD) / Toplam Kaynak Uzun Vadeli Yabancı Kaynak (UVYK)/ Toplam Kaynak KSVD / Öz Kaynak Likidite Oranları Cari Oran Asit Test Oranı Stok Bağımlılık Oranı Nakit Oranı Dönen Varlıklar / Yabancı Kaynaklar Oranı KSVD / Toplam Yabancı Kaynak Uzun Vadeli Yabancı Kaynak / Toplam Yabancı Kaynaklar Finansman Oranı Maddi Duran Varlıklar (MDV) / Öz Kaynak Duran Varlıklar / Öz Kaynak Oranı Öz Kaynak Oranı 376 Borçların Öz Kaynaklara Oranı Faaliyet Oranları Stok Devir Hızı Ortalama Stokta Kalma Süresi Alacaklar Devir Hızı Ortalama Tahsilat Süresi Aktif Devir Hızı MDV Devir Hızı Dönen Varlık Devir Hızı Karlılık Oranları Net Karlılık Oranı Faaliyet Kar Marjı Dönem Net Kârı / Net Satışlar Öz Sermaye Karlılık Oranı Varlıkların Karlılığı Net Satış / KSVD Satılan Ticari Mallar Maliyeti / Net Satış

5. Analiz Sonuçları Finansal başarısızlığı incelemek için, üç farklı bağımlı değişken oluşturularak her bir bağımlı değişken için hem diskriminant analizi hem de yapay sinir ağları için sonuçlar tahmin edilmiştir. Modellerimizde likidite oranları ile finansal yapı oranlarının finansal başarısızlığı belirlemede istatistiksel olarak anlamlı etkileri olduğu görülmüştür. Diskriminant Analizi Sonuçları Diskriminant analizi varsayımlarından olan çoklu doğrusal bağlantı sorunu sebebiyle tüm modellerde Stepwise yöntemi kullanılmıştır. MODEL 1. de Borçların öz kaynakları aşması kriteri incelenmiştir. Bu modelde 30 bağımsız değişken içerisinden sadece Stok Bağımlılık Oranı, KSVD/Toplam Kaynak, Öz Kaynak Oranı ve Varlıkların Karlılığı olmak üzere toplam 4 adet finansal oranın istatistiksel olarak anlamlı olduğu görülmüştür. Deney /Eğitim seti için gözlem sayısı 90, kontrol/test seti için gözlem sayısı 40 tır. Eğitim setini; 45 başarılı, 45 başarısız firma oluştururken, test setini 20 başarılı, 20 başarısız firma oluşturmaktadır. MODEL 2. de iki yıl ya da daha fazla üst üste zarar etmiş olma kriteri incelenmiştir. Birinci modelden farklı olarak bu modelde 30 bağımsız değişken içinden sadece Maddi Duran Varlıklar/Öz Kaynak finansal oranı istatistiksel olarak anlamlı bulunmuştur. Modelde gözlem sayısı deney /eğitim seti için 80; kontrol/test seti için ise 36 dır. Eğitim seti; 40 başarılı, 40 başarısız firmadan ve test seti ise 18 başarılı ve 18 başarısız firmadan oluşmaktadır. MODEL 3. de ise bütün başarısızlık kriterleri dikkate alınmıştır. Bu modelde de 30 bağımsız değişken içinden, UVYK/Toplam Kaynak, KSVD/Öz Kaynak, Net Satış/ KSVD ve STMM/Net Satış olmak üzere toplam 4 adet finansal oranın istatistiksel olarak anlamlı oldukları tespit edilmiştir. Modeldeki gözlem sayısı deney /eğitim seti için 76, kontrol/test seti için ise 30 dur. Eğitim seti 38 başarılı ve 38 başarısız firmadan; test seti ise 15 başarılı ve 15 başarısız firmadan oluşmaktadır. TABLO 2. de üç modele ait Deney/Eğitim Seti Diskriminant analizi sonuçları ile Sınıflandırma Başarı Değerleri ve TABLO 3. de Kontrol/Test setine ait Diskriminant analizi sonuçları ile Sınıflandırma Başarı Değerleri yer almaktadır. TABLO 4. de ise üç model için Yapay sinir ağları sonuçları 5 özetlenmiştir. Yapay sinir ağlarının tahmininde öğrenme algoritması olarak geri yayılım, ağ türü olarak çok katmanlı algılayıcı kullanılmıştır. Analizde, tek katmanlı algılayıcıların doğrusal olmayan problemleri çözmede sınırlı kalmaları sebebiyle, çok katmanlı algılayıcılar önerilmiş ve analizde bu ağın öğrenme kuralı olarak bilinen geriye yayılımlı öğrenme kuralı kullanılmıştır. 377 5 Uygun yapay sinir ağı yapısının belirlenmesinde yaygın olarak kullanılan deneme yanılma yöntemi kullanılmıştır. Bu kapsamda gizli katman sayısı, gizli katmanlardaki düğüm sayısı, öğrenme oranı, momentum terimi, aktivasyon fonksiyonu, devir sayısı gibi parametrelerin çeşitli kombinasyonları denenerek, hem deney/eğitim seti üzerinde hem de kontrol/test seti üzerinde en iyi performansa sahip ağ elde edilmiştir.

TABLO 2. DENEY /EĞİTİM SETİ DİSKRİMİNANT ANALİZİ SONUÇLARI Modeller Değişkenler Katsayılar (Standart Hata) Model Sonuçları Sınıflandırma 1.MODEL Stok Bağımlılık Oranı KSVD/ Toplam Kaynak Öz Kaynak Oranı Varlıkların Karlılığı Sabit Parametre 0.064*** (0.635) -3.936*** (0.577) 3.873 (0.533) 3.730*** (0.495) -0.774 Wilk s Lambda= 0.394*** n=90 DO : % 93.33 BO : %84.44 YPHO : %15. 6 YNHO : %6.67 TSO : %88.88 2.MODEL Maddi Duran Varlıklar/Öz Kaynak Sabit Parametre 1.127** (0.816 ) -0.983 Wilk s Lambda= 0.816** n=80 DO : %82.50 BO : %85.00 YPHO: % 15.00 YNHO: %17.50 TSO: %83.75 378 UVYK / 1.665 Toplam Kaynak (0.741) DO : % 86. 8 KSVD / 0.404*** Wilk s BO: %84. 2 3. MODEL Öz Kaynak (0.669) Lambda=0.594*** YPHO: %15. 8 Net Satış / -0.254 *** YNHO: %13. 2 KSVD (0.629) n=76 TSO: %85. 5 STMM / 3.451*** Net Satış (0.594) Sabit Parametre -2.569 Notlar: (i) *,** ve *** sırasıyla %10,%5 ve %1 anlamlılık seviyelerini gösterir. (ii) n: gözlem sayısıdır.(iii) DÖ: Duyarlılık ölçütü başarılı firmaların (1) doğru belirlenmiş gözlemlerinin değerlerini; BÖ: Belirlilik ölçütü başarısız firmaların (0) doğru belirlenmiş gözlemlerinin değerini verir. YPHO: Yanlış pozitif sınıflandırma hata oranı başarısız firmaların yanlışlıkla başarılı olarak sınıflandırıldığını gösteren oran ve YNHO: yanlış negatif sınıflandırma hata oranı ise başarılı olan firmaların başarısız olarak belirlenmiş olduğunu gösteren orandır. TSO: Toplam Sınıflandırma ölçütü ise modelin toplam doğru tahmin oranını gösteren değerdir. Başarılı ve başarısız firmaların toplam sınıflandırma gücünü verir.

TABLO 2 de, üç modelin genel anlamlılığı incelendiğinde birinci ve üçüncü modelin Wilk s Lambda değerlerinin %99, ikinci modelin ise %95 güven düzeyinde anlamlı olduğu görülmüştür. Bu değer, başarılı-başarısız firmaların ortalamaları arasında önemli bir fark olduğunu göstermektedir. MODEL 1 için tahmin edilen diskriminant modelinde deney/eğitim seti verileri üzerinde; başarılı firmaları % 93,33, başarısız firmaları ise % 84.44 oranında doğru sınıflandırdıkları görülmüştür. Diskriminant analizi birinci modelde 45 başarılı firmadan, 42 sini (% 93.33), 45 başarısız firmadan da 38 ini (%84.44) doğru olarak sınıflandırmayı başarmıştır. Başarılı olan 45 firmadan; 3 tanesi (%6.67) başarısız firma, başarısız olan 45 firmadan; 7 tanesi (%15. 6) başarılı firma olarak yanlış sınıflandırılmıştır. Modelin toplam sınıflandırma gücünün ise % 88.88 olduğu görülmüştür. Bu sonuçlara göre, diskriminant analizinden elde edilen modelin deney/eğitim seti üzerinde başarılı firmaları sınıflandırma gücünün, başarısız firmaları sınıflandırma gücünden daha yüksek olduğu tespit edilmiştir. MODEL 2. için tahmin edilen diskriminant modelinin başarılı firmaları doğru sınıflandırma oranı %85.00, başarısız firmaları doğru sınıflandırma oranının ise : %82.50 olduğu tespit edilmiştir. Diskriminant modeli 40 başarılı firmadan 33 ünü (%82. 50); 40 başarısız firmadan ise 34 ünü (%85) doğru olarak sınıflandırmayı başarmıştır. Başarılı olan 40 firmadan; 7 tanesi (%17.50) başarısız firma, başarısız olan 40 firmadan; 6 tanesi (%15) başarılı firma olarak yanlış sınıflandırılmıştır. Modelin toplam sınıflandırma oranı ise %83.75 dir. Diskriminant analizi ikinci model de başarılı firmaları sınıflandırma gücünün, başarısız firmaları sınıflandırma gücünden daha düşük olduğu görülmektedir. Diskriminant modelinden elde edilen sonuçlara göre 1.Modelin aksine 2. Modelin deney/eğitim seti üzerinde başarısız firmaları sınıflandırma gücünün, başarılı firmaları sınıflandırma gücünden daha yüksek olduğu görülmüştür. 379 MODEL 3. için tahmin edilen Diskriminant modelinin ise başarılı firmaları % 86. 8, başarısız firmaları ise % 84. 2 oranında doğru sınıflandırdığı görülmüştür. Diskriminant modeli 38 başarılı firmadan 33 ünü (%86. 8); 38 başarısız firmadan da 32 sini (%84. 2) doğru olarak sınıflandırmayı başarmıştır. Başarılı olan 38 firmadan; 5 tanesi (%13. 2) başarısız firma, başarısız olan 38 firmadan da; 6 tanesi (%15. 8) başarılı firma olarak yanlış sınıflandırılmıştır. Modelin toplam sınıflandırma gücü ise %85. 5 dir. Üçüncü modelin deney/eğitim seti üzerinde başarılı firmaları sınıflandırma gücünün, başarısız firmaları sınıflandırma gücünden daha yüksek olduğu tespit edilmiştir. Tablo 2 de yer alan üç modeli kıyasladığımızda diskriminant analizinin deney setinde en yüksek sınıflandırma başarısının 1. Modele ait olduğu tespit edilmiştir. Diğer iki modeli incelediğimizde ise 3. Modelin, 2. Modele göre daha başarılı sonuçlar verdiği görülmektedir. Birinci ve üçüncü model sonuçları, 2. Modelin aksine diskriminant analizinin başarılı firmaları doğru sınıflandırma gücünün, başarısız firmaları doğru sınıflandırma gücünden daha yüksek olduğunu göstermiştir.

TABLO 3.KONTROL/TEST SETİ DİSKRİMİNANT ANALİZİ SONUÇLARI Modeller Değişkenler Katsayılar (Standart Hata) Model Sonuçları Sınıflandırma 1.MODEL Stok Bağımlılık Oranı KSVD/Toplam Kaynak Oranı Öz Kaynak Oranı Varlıkların Karlılığı Sabit Parametre 0.967*** (0.525) -0.782*** (0.463) -0.741 (0.418) 0.696*** (0.368) 2.034 Wilk s Lambda= 0.368*** n=40 DO : % 90.00 BO: % 90.00 YPHO: %10.10 YNHO: %10.10 TSO: %90.00 2.MODEL Maddi Duran Varlıklar/Öz Kaynak Sabit Parametre 1.244 * (3.9506) 0.8629 (0.6993) Wilk s Lambda= 0.318*** n=36 DO : % 83.33 BO: % 88.88 YPHO: %11.12 YNHO: %16.67 TSO: % 85.105 380 3. MODEL UVYK / Toplam Kaynak KSVD / Öz Kaynak Net Satış / KSVD STMM / Net Satış Sabit Parametre 6.334 (0.404) 0.276*** (0.339) -0.036 *** (0.521) 5.178 (0.337) -3.367 Wilk s Lambda= 0.339*** Notlar: (i) *,** ve *** sırasıyla %10,%5 ve %1 anlamlılık seviyelerini gösterir. (ii) n: gözlem sayısıdır.(iii) DÖ: Duyarlılık ölçütü başarılı firmaların (1) doğru belirlenmiş gözlemlerinin değerlerini; BÖ: Belirlilik ölçütü başarısız firmaların (0) doğru belirlenmiş gözlemlerinin değerini verir. YPHO: Yanlış pozitif sınıflandırma hata oranı başarısız firmaların yanlışlıkla başarılı olarak sınıflandırıldığını gösteren oran ve YNHO: yanlış negatif sınıflandırma hata oranı ise başarılı olan firmaların başarısız olarak belirlenmiş olduğunu gösteren orandır. TSO: Toplam Sınıflandırma ölçütü ise modelin toplam doğru tahmin oranını gösteren değerdir. Başarılı ve başarısız firmaların toplam sınıflandırma gücünü verir. n=30 DO : % 93.33 BO: %93.33 YPHO: %6.67 YNHO: %6.67 TSO: %93.33

TABLO 3. e göre, her üç modelinde genel anlamlılığına bakıldığında kontrol/test verileri üzerinde de tüm modellerin Wilk s Lambda değerlerinin %99 güven düzeyinde anlamlı olduğu görülmüştür. Modellerin geçerlilik analizleri incelendiğinde; MODEL 1. Kontrol/test seti verilerinde hem başarılı firmaları hem de başarısız firmaları doğru sınıflandırma gücü eşittir ve bu oran %90.00 dır. Model 20 başarılı firmadan 18 ini (%90.00); 20 başarısız firmadan da 18 ini (%90.00) doğru sınıflandırmıştır. Başarılı olan 20 firmadan; 2 tanesi (%10.00) başarısız firma, başarısız olan 20 firmadan da; 2 tanesi (%10.00) başarılı firma olarak yanlış sınıflandırılmıştır. Diskriminant analizinin birinci model de kontrol seti üzerinde başarılı ve başarısız firmaları sınıflandırma gücünün, deney seti doğru sınıflandırma gücünden daha yüksek olduğu görülmüştür. Modelin toplam sınıflandırma oranı da eşittir ve bu oran %90.00 dır. MODEL 2. için Kontrol/test seti verileri üzerinde başarılı firmaları doğru sınıflandırma oranı %83.33; başarısız firmaları doğru sınıflandırma oranı ise %88.88 dir. Model 18 başarılı firmadan 15 ini (%83.33); 18 başarısız firmadan da 16 sını (%88.88) doğru sınıflandırmayı başarmıştır. Başarılı olan 18 firmadan; 3 tanesi (%16.67) başarısız firma, başarısız olan 18 firmadan ise; 2 tanesi (%11.12) başarılı firma olarak yanlış sınıflandırılmıştır. Diskriminant modelinin birinci model de deney setinde olduğu gibi, kontrol seti üzerinde de başarısız firmaları sınıflandırma gücünün, başarılı firmaları sınıflandırma gücünden daha yüksek olduğu görülmüştür. Modelin toplam sınıflandırma oranı ise %86.105 dir. İkinci modelin sınıflandırma gücü, birinci modele göre daha düşük bulunmuştur. Bu durum, geçerlilik analizi sonuçları borçların aktifi aşma kriterinin, zarar etme kriterinden daha etkili olduğunu göstermektedir. 381 MODEL 3. için de Kontrol/test seti yani geçerlilik analizi sonucunda başarılı ve başarısız firmaları doğru sınıflandırma oranı ve toplam sınıflandırma gücünün eşit ve bu oranın % 93.33 olduğu görülmüştür. Model başarılı olan 15 firmadan 14 ünü (%93.33); başarısız olan 15 firmadan da 14 ünü (%93.33) doğru sınıflandırmıştır. Başarılı olan 15 firmadan; 1 tanesi (%6.67) başarısız firma, başarısız olan 15 firmadan da 1 tanesi (%6.67) başarılı firma olarak yanlış sınıflandırılmıştır. Üçüncü model için kontrol/test seti üzerinde, deney/eğitim setinde olduğu gibi başarılı ve başarısız firmaları sınıflandırma yüzdelerinin birbirine eşit olduğu görülmektedir. Diskriminant analizinde Model 3 ün deney /eğitim setinde, sınıflandırma gücünün, başarılı firmaları sınıflandırma gücünden daha yüksekken, kontrol setinde başarılı ve başarısız firmaları sınıflandırma yüzdesi eşit bulunmuştur. Tablo 3 de yer alan üç modeli kıyasladığımızda diskriminant analizinin kontrol/test setinde yani geçerlilik analizinde 3. Modelin daha iyi sonuçlar verdiği görülmüştür. Deney/ eğitim setinde ise 1. Modelin daha başarılı olduğu görülmüştür. Diğer iki modeli kıyasladığımızda ise 1. Modelin, 2.modele göre daha başarılı olduğu görülmektedir. Diskriminant analizi sonuçlarını incelediğimizde, en başarısız sonuçların hem deney/ eğitim setinde hem de kontrol/test setinde 2. Modele ait olduğu görülmüştür. Bu sonuç finansal başarısızlığın belirlenmesinde zarar etme kriterinin başarısız olduğunu göstermektedir.

Yapay sinir ağları analizinde başarısızlıktan bir yıl öncesi için ağların eğitimi deney/eğitim seti verileri üzerinde gerçekleştirilmiştir. Optimum performansa sahip ağ, eğitildikten sonra kullanılan bilgisayar programına kaydedilmiştir. Daha sonra, başarısızlıktan 1 yıl öncesine kadar firmaların finansal oranları ağa sunularak çıktılar elde edilmiştir. Elde edilen ağ çıktıları, 0,50 kopuş değeri esas alınarak gruplara ayrılmıştır. Bunun sonucunda, ağ çıktısı 0,50 den büyük firmaları başarılı, küçük olan firmaları ise başarısız olarak sınıflandırmıştır. TABLO 4. DENEY /EĞİTİM SETİ ve KONTROL/TEST SETİ YAPAY SİNİR AĞLARI SONUÇLA- RI Modeller Ağın Türü Öğrenme Algoritması Giriş Katmanı Düğüm Sayısı Gizli Katman Sayısı Çıkış Katmanı Düğüm Sayısı Sınıflandırma 1.MODEL Çok Katmanlı Algılayıcı Çok Katmanlı Algılayıcı Geri Yayılım Geri Yayılım 30 30 2 1. Gizli Katman Sayısı : 5 2. Gizli Katman Sayısı :1 2 1. Gizli Katman Sayısı : 5 2. Gizli Katman Sayısı :1 1 1 DO : % 68.89 BO : %86.67 YPHO : %13.33 YNHO : %31.11 TSO : %77.78 DO : % 90.00 BO : %95.00 YPHO : %5.00 YNHO : %10.00 TSO : %92.50 382 2.MODEL Çok Katmanlı Algılayıcı Çok Katmanlı Algılayıcı Geri Yayılım Geri Yayılım 30 30 2 1. Gizli Katman Sayısı : 2 2. Gizli Katman Sayısı : 1 2 1. Gizli Katman Sayısı : 2 2. Gizli Katman Sayısı : 1 1 1 DO : %75.00 BO: %70.00 YPHO: %30.00 YNHO: %25.00 TSO: %72.50 DO : %94.44 BO: %88.88 YPHO: %11.12 YNHO: %5.56 TSO: %86.84 3.MODEL Çok Katmanlı Algılayıcı Çok Katmanlı Algılayıcı Geri Yayılım Geri Yayılım 30 30 2 1. Gizli Katman Sayısı : 3 2. Gizli Katman Sayısı :1 2 1. Gizli Katman Sayısı : 3 2. Gizli Katman Sayısı : 1 Notlar: (i) İtalik bilgiler Deney /Eğitim Seti Yapay Sinir Ağları ve koyu yazılı bilgiler ise Kontrol/Test Seti Yapay Sinir Ağları ile ilgili sonuçlardır. (ii) DÖ: Duyarlılık; BÖ: Belirlilik ölçütü, YPHO: Yanlış pozitif sınıflandırma hata oranı, YNHO: yanlış negatif sınıflandırma hata oranı ve TSO ise Toplam Sınıflandırma ölçütüdür. 1 1 DO : % 97.37 BO: %92.10 YPHO: %7.90 YNHO: %2.63 TSO: %94.74 DO : % 100 BO : %100 YPHO: %0 YNHO: %0 TSO: %100

Deney/eğitim seti verileri kullanılarak eğitilen yapay sinir ağının, bu veriler dışında ne oranda geçerli olduğunu araştırmak için diskriminant analizinde olduğu gibi geçerlilik analizi yapılmıştır. TABLO 4. incelendiğinde, MODEL 1. Deney/eğitim seti verileri üzerinde, başarılı firmaları % 68.89; başarısız firmaları ise % 86.67 oranında doğru olarak sınıflandırmayı başarmıştır. Model 45 başarılı firmadan 31 ni (%68.89); 45 başarısız firmadan da 39 nu (%86.67) doğru sınıflandırmıştır. Başarılı olan 45 firmadan, 14 tanesi (%31.11) başarısız firma, başarısız olan 45 firmadan 6 tanesi (%13.33) başarılı firma olarak yanlış sınıflandırılmıştır. Toplam sınıflandırma oranı ise % 77.78 dir. Birinci modelde, diskriminant analizinin eğitim setindeki başarısının yapay sinir ağı analizinden daha yüksek olduğu görülmüştür. Kontrol/test setinde ise başarılı firmaları doğru sınıflandırma oranı % 90.00; başarısız firmaları doğru sınıflandırma oranı %95.00 dir. Model, 20 başarılı firmadan 18 ni (%90.00); 20 başarısız firmadan da 19 unu (%95.00) doğru sınıflandırmıştır. Başarılı olan 20 firmadan, 2 tanesi (%10.00) başarısız firma; başarısız olan 20 firmadan ise, 1 tanesi (%5.00) başarılı firma olarak yanlış sınıflandırılmıştır. Diskriminant analizinin geçerlilik analizi sonuçlarının, yapay sinir ağları sonuçlarına göre daha başarısız olduğu tespit edilmiştir. Diskriminant analizi toplam sınıflandırma gücü %90.00 iken, yapay sinir ağları geçerlilik analizi toplam sınıflandırma gücünün %92.50 olduğu görülmektedir. Yapay sinir ağları sonucu 1. Modelin hem deney/eğitim seti, hem de kontrol/test seti üzerinde başarılı firmaları sınıflandırma gücünün, başarısız firmaları sınıflandırma gücünden daha düşük olduğu görülmüştür. Bu sonuç diskriminant analizi ile elde edilen sonucun tam tersi bir sonuçtur. 383 MODEL 2. Deney/eğitim seti verileri üzerinde model, başarılı firmaları %75.00 oranında; başarısız firmaları ise %70.00 oranında doğru sınıflandırmıştır. Model 40 başarılı firmadan 30 unu (%75.00); 40 başarısız firmadan ise 28 ini (%70.00) doğru sınıflandırmayı başarmıştır. Başarılı 40 firma içinden 10 u (%25.00) başarısız firma; başarısız 40 firmadan ise 12 si (%30.00) başarılı firma olarak yanlış sınıflandırılmıştır. Toplam sınıflandırma oranı ise %72.50 dir. İkinci model için deney/eğitim seti üzerinde başarılı firmaları sınıflandırma gücünün, başarısız firmaları sınıflandırma gücünden daha yüksek olduğu görülmektedir. İkinci modelde de diskriminant analizinde elde edilen sonucun, tam tersi bir sonuç elde edilmiştir. 2. Model Kontrol/test setini incelediğimizde ise başarılı firmaları doğru sınıflandırma oranı %94.44; başarısız firmaları doğru sınıflandırma oranı ise %88.88 dur. Model 18 başarılı firmadan 17 sini (%94.44); 18 başarısız firmadan da 16 sını (%88.88) doğru sınıflandırmayı başarmıştır. Başarılı olan 18 firmadan ise 1 i (%5.56) başarısız firma, başarısız olan 18 firmadan 2 si (%11.12) başarılı firma olarak yanlış sınıflandırılmıştır. Toplam sınıflandırma gücü ise % 86.84 dür. İkinci modelin, diskriminant analizinde başarısız firmaları doğru sınıflandırma gücünün yüksek olduğu, yapay sinir ağları analizinde ise başarılı firmaları doğru sınıflandırma gücünün yüksek olduğu tespit edilmiştir. 2. Modelin kontrol/test setinde, toplam sınıflandırma gücü incelendiğinde ise yapay sinir ağlarının, diskriminant analizinden daha başarılı sonuçlar verdiği görülmüştür.

MODEL 3. için ise Deney/eğitim seti üzerinde başarılı firmaları sınıflandırma gücü %97.37; başarısız firmaları doğru sınıflandırma gücünün (%92.10) olduğu görülmektedir. Model 38 başarılı firmadan 37 sini (%97.37); 38 başarısız firmadan da 35 ini (%92.10) doğru sınıflandırmıştır. Başarılı 38 firma içinden; 1 tanesi (%2.63) başarısız firma, başarısız olan 38 firma içinden de; 3 tanesi (%7.90) başarılı firma şeklinde yanlış sınıflandırılmıştır. Modelin toplam sınıflandırma gücü ise %94.74 dür. Üçüncü model için deney/eğitim seti üzerinde başarılı firmaları sınıflandırma gücü, başarısız firmaları sınıflandırma gücünden daha yüksek bulunmuştur. Üçüncü modelde elde edilen sonuç, diskriminant analizinde de elde edilen sonuç ile aynıdır. 3. Model Kontrol/test seti verileri üzerinde başarılı ve başarısız firmaları sınıflandırma başarısı ve toplam sınıflandırma başarısı eşittir ve bu oran %100. 00 dür. Model tüm firmaları hatasız sınıflandırmıştır. Başarılı ve başarısız 15 firmadan, 15 i de doğru sınıflandırılmıştır. Toplam sınıflandırma gücü incelendiğinde 3. Modelin kontrol/test setinde yapay sinir ağları sınıflandırma gücünün, diskriminant analizinden daha başarılı olduğu görülmüştür. Tablo 4 ü incelediğimizde üç model içerisinde; 3. modelin yapay sinir ağları analizinde hem eğitim setinde hem de test setinde en başarılı model olduğu tespit edilmiştir. Diğer iki modeli incelediğimizde ise 1. Modelin 2.modele göre daha başarılı olduğu görülmektedir. Her üç modelde de yapay sinir ağlarında kontrol seti sonuçlarının daha yüksek olma sebebi, ağın eğitilmiş olmasıdır. Yapay sinir ağları sonuçlarına göre de hem deney/ eğitim setinde hem de kontrol/test setinde; en başarısız sonuçların 2. Modele ait olduğu tespit edilmiştir. Bu sonuç, finansal başarısızlığın belirlenmesinde zarar etme kriterinin, tek başına yeterli olmadığını göstermekte, ayrıca bu sonuç diskriminant analizi ile de desteklenmektedir. 384 Modellerin geçerlilik analizleri incelendiğinde ise tüm modellerde yapay sinir ağlarının sınıflandırma gücünün daha üstün olduğu görülmüştür. Eğitim seti verileri incelendiğinde ise; yalnızca üçüncü modelde yapay sinir ağlarının, diskriminant analizinden daha başarılı sonuçlar verdiği, birinci ve ikinci modelde ise diskriminant analizinin daha başarılı sonuçlar verdiği görülmüştür. Üç modelinde bağımlı değişkenleri incelendiğinde; en üstün model diskriminant analizinde birinci modelken, yapay sinir ağlarında en üstün model üçüncü model olmuştur. Çalışmadan elde edilen sonuçlara göre, borçların aktifi aşma kriterinin neredeyse tüm başarısızlık kriterlerinin bileşimi ile oluşturulan üçüncü modele yakın sonuçlar verdiği görülmüştür. 6. Sonuç Bu çalışmada İMKB da işlem gören 142 firmadan oluşan örneklem üzerinde 3 ayrı bağımlı değişkene ait modeller kurulmuş, finansal başarısızlığı bir yıl öncesinden öngörme amacı ile geleneksel istatistiksel yöntemlerden biri olan diskriminant analizi ve yapay sinir ağları kıyaslanmıştır. Birinci modelde diskriminant analizi hem eğitim seti hem de test setinde başarılı firmaların sınıflandırma başarısının, başarısız firmaları sınıflandırma başarısından daha yüksek, yapay sinir ağları modellerinde ise hem eğitim seti hem de test setinde başarısız firmaların sınıflandırma başarısının, başarılı firmaları sınıflandırma başarısından daha yüksek olduğu görülmüştür. Bu modelde diskriminant analizi başarılı olmuştur. Bu sonuç, borçların başarısız firmaların tespitinde daha etkin bir araç olabileceğini göstermiştir.

İkinci modeli incelediğimizde, diskriminant analizinde ve yapay sinir ağlarında hem eğitim seti hem de test setinde başarılı firmaların sınıflandırma başarısı, başarısız firmaların sınıflandırma başarısından daha yüksektir. Bu model genel olarak incelendiğinde, diskriminant analizinin, yapay sinir ağlarından daha iyi sonuçlar verdiği tespit edilmiştir. İkinci modelin toplam sınıflandırma başarısı, her iki modeldende düşük çıkmıştır. Bu sonuç, borçların özkaynakları aşma kriterinin, iki yıl üst üste zarar etme kriterinden daha etkin bir finansal başarısızlık göstergesi olduğunu göstermektedir. Üçüncü model de ise; diskriminant analizi ve yapay sinir ağları için eğitim ve test setinde başarılı firmalar, başarısız firmalardan daha yüksek sınıflandırma başarısı göstermiştir. Bu modelde de yapay sinir ağları, diskriminant analizinden daha iyi sonuçlar vermiştir. Üçüncü modelin sınıflandırma gücü, diğer iki modelden daha yüksektir. Elde edilen sonuçlar tüm başarısızlık kriterlerinin dikkate alınmasının firmalar açısından daha iyi olacağını göstermiştir. İki modeli kıyasladığımızda ise borçların zarar etme kriterinden daha önemli bir kriter olduğu sonucuna ulaşılmıştır. Üç modelin bağımlı değişkenleri incelendiğinde en üstün model diskriminant analizinde 1. model olarak görülürken, yapay sinir ağlarında en üstün modelin 3. model olduğu görülmüştür. Diskriminant analizi ile oluşturulan üç modelde de uzun vadeli ve kısa vadeli yabancı kaynaklarla ve öz kaynaklar ile elde edilen oranlar anlamlı bulunmuştur. Bu durum öz kaynakların ve borçların firma başarısızlığında önemli bir araç olduğunu göstermektedir. Ayrıca finansal başarısızlığın incelenmesinde en önemli oranların, karlılık ve finansal yapı oranları olduğu ve bu oranların başarılı ve başarısız firma grubunda önemli farklılıklar yarattığı söylenebilir. Elde edilen bulgular, firma başarısızlığında toplam borçların büyük öneme sahip olduğunu göstermektedir. Modellerin geçerlilik analizleri incelendiğinde tahmin edilen tüm modellerde yapay sinir ağları sınıflandırma gücünün, diskriminant analizinden daha üstün olduğu görülmüştür. Eğitim seti verileri üzerinde ise birinci ve ikinci modelde diskriminant analizi, üçüncü modelde ise yapay sinir ağları daha başarılı olmuştur. 385 Çalışmanın sonunda, finansal başarısızlığı belirleme de iki yıl üst üste zarar etme kriteri ve borçların öz kaynakları aşma kriteri karşılaştırılmış ve borçların aktifi aşma kriterinin daha başarılı sonuçlar verdiği, finansal başarısızlığın belirlenmesinde daha önemli bir gösterge olduğu tespit edilmiştir. Literatürdeki ile benzer şekilde, yapay sinir ağları analizi finansal başarısızlığı sınıflandırma başarısının, diskriminant analizinden daha yüksek olduğu sonucuna ulaşılmıştır. KAYNAKLAR Akkaya, Göktuğ Cenk; Demireli, Erhan; Yakut, Ümit Hüseyin, (2009), İşletmelerde Finansal Başarısızlık Tahminlemesi Yapay Sinir Ağları Modeli İle İMKB Üzerine Bir Uygulama, Eskişehir Osmangazi Üniversitesi Sosyal Bilimler Dergisi,10(2),187 Aktaş, Ramazan; Doğanay, Mete; Yıldız, Birol, (2003), Mali Başarısızlığın Öngörülmesi: İstatistiksel Yöntemler ve Yapay Sinir Ağı Karşılaştırması, Ankara Üniversitesi, SBF Dergisi, 58-4 Altman, Edward I, (1968), Financial Ratios, Discriminant Analysis And Prediction Of Corporate Bankruptcy, The Journal Of Finance, 23 (4): 589-590.

Altman, E; Marco, G; Varett, F, (1994), Corporate Distress Diagnosis: Comparisons Using Linear Discriminant Analysis And Neural Networks, Journal Of Banking & Finance, 18,Pp., 505 529 Blum, Marc, (1974), Failing Company Discriminant Analysis, Journal of Accounting Research, Vol. 12, No. 1 (Spring, 1974), pp. 1-25 Published by: Wiley on behalf of Accounting Research Center, Booth School of Business, University of Chicago Chung, Kim-Choy; Tan, Shin; Holdsworth, David K, (2008), Insolvency Prediction Model Using Multivariate Discriminant Analysis And Artificial Neural Network For The Finance Industry İn New Zealand, International Journal Of Business And Management, 3 (1): 19-29. Court, P.W; Radloff, S.E, (1990), A Comparison Of Multivariate Dicriminant And Logistic Analysis İn The Prediction Of Corporate Failure İn South Africa, De Ratione, 4(2):11-15.Dobson Aj (1990). An İntroduction To Generalized Linear Models. Chapman And Hall Deakin, Edward B, (1972), A Discriminant Analysis of Predictors of Business Failure, Journal of Accounting Research, Vol. 10, No. 1, pp. 167-179 Donald, F, (1991), A General Regression Neural Network, IEEE Transactıons On Neural Networks. Vol. 2. No. 6. November Graupe, Daniel, (2007), Prıncıples Of Artıfıcıal Neural Networks, 2nd Edition, Advanced Series On Circuits And Systems Vol. 6 University Of Lllinois, Chicago, Usa Gupta, Neha, (2013), Artificial Neural Network, Network and Complex Systems, ISSN 2224-610X (Paper) ISSN 2225-0603 (Online) Vol.3, No.1 Haykin, Simon, (2009), Neural Networks And Learning Machines, Third Edition, Mc Master University, Hamilton, Onterio, Kanada, 1-76 Huang, W; Laı, K. K; Nakamorı, Y; Wang, S; Yu, L, (2007), Neural Networks In Finance And Economics Forecasting, International Journal Of Information Technology & Decision Making, Vol. 6, No. 1113 140, London Kodogıannıs, V; Lolıs, A, (2002), Forecasting Financial Time Series Using Neural Network And Fuzzy System-Based Techniques, Neural Comput & Applic, 11: 90 102 Kohonen,T, (2000), Self Organizing Network, 3rd.Edition, New York Spring Series İn İnformation Sciences. 386 Mclachlan, Geoffry J, (2004), Discriminant Analysis and Statistical, Pattern Recognition The University of Queensland Miller, Robert G; Malone, Thomas F, (1962), Statıstıcal Predıctıon By Dıscrımınant Analysıs, The Amerıcan Meteorologıcal Socıety 45 Beacon St., Boston 8, Volume 4 October 1962 Number 25 Moshırı, Saeed; Cameron, Norman, (2000), Neural Network Versus Econometric Models İn Forecasting Inflation, Journal of Forecasting J. Forecast. 19, 201,217

Nguyen, H. G, (2005), Using Neutral Network in Predicting Corporate Failure, Journal of Social Sciences 1 (4): 199 202 Odom, Marcus; Sharda, D, (1990), A Neural Network Model For Bankruptcy Prediction, IEEE Int. Conf. on Neural Network, Vol.2, 163-168. Ohlson J. A, (1980), Financial Ratios And The Probabilistic Prediction Of Bankruptcy, Journal Of Accounting Research, 18-1 1, 109-131 Patterson, David W, (1996), Artificial Neural Networks Theory And Applications, İnstute Of Systems Science National University Singapure: 1-90 Ravı, V; Pramodh, C, (2008), Threshold Accepting Trained Principal Component Neural Network And Feature Subset Selection: Application To Bankrupt Prediction İn Banks, Applied Soft Computing, Vol. 8, Issue 4, 1539-1548 Rodrıguez, Agustin Alonso, (1999), Forecasting Economic Magnitudes With Neural Network Models Real Colegio Universitario Escorial-Maria Cristina--Spain. An Earlier Version Of This Paper Was İncorrectly Printed İn The May 1999 İssue Of Iaer Roh, T. H, (2007), Forecasting The Volatility Of Stock Price Index Expert Systems With Applications 33, 916 922. Sankar, K. Pal; Shubhra, S. Ray; Avatharam, Ganivada, (2017), Granular Neural Networks, Pattern Recognition and Bioinformatics, Gewerbestrasse 11, 6330 Cham, Switzerland Sori, Zulkarnain; Muhamad, Jalil; Hasbullah, Abd, (2009), Financial Ratios, Discriminant Analysis And The Prediction Of Corporate Distress, Journal Of Money, Investment And Banking, 11: 5-15. Tae, Kima; Yoon, Ohb; Kyong, Joo; Sohnc, Insuk, (2004), Changha Hwang Usefulness Of Artificial Neural Networks For Early Warning System Of Economic Crisis, Expert Systems With Applications 26 583 590 University Of Colorado, Boulder, Thawornwong, Suraphan; Enke, David, (2004), The Adaptive Selection Of Financial And Economic Variables For Use With Artificial Neural Networks, Neurocomputing, 205 Tucker, Jon, (1996), Neural Networks Versus Logıstıc Regressıon In Fınancıal Modellıng: A Methodologıcal Comparıson,University Of Southern California, Usa Wallace, Martin P, (2008), Neural Networks And Theır Applıcatıon To Fınance, Business Intelligence Journal, 67-76 Wong, James M.W; Ng, S. Thomas, (2010), Company Failure İn The Construction Industry: A Critical Review And A Future Research Agenda, Xxıv Fıg International Congress, 11-16 April 2010, Sydney, Australia, 387