FİNANSAL BİLGİ MANİPÜLASYONUNUN TESPİTİNDE YAPAY SİNİR AĞI MODELİNİN KULLANIMI

FİNANSAL BİLGİ MANİPÜLASYONUNUN TESPİTİNDE YAPAY SİNİR AĞI MODELİNİN KULLANIMI ÖZET Yrd.Doç.Dr. Güray KÜÇÜKKOCAOĞLU 1 Yrd.Doç.Dr. Yasemin KESKİN BENLİ 2 Dr. Cemal KÜÇÜKSÖZEN 3 nun espiinde sıklıkla kullanılan ahakkuk esaslı modeller önemli eleşirilere maruz kalmakadır. Tahakkuk esaslı yaklaşımlara karşı alernaif olarak kullanılan probi ve logi modellerin yanı sıra çok değişkenli, çok krierli modeller finansal bilgi nun espiinde ahakkukların yanı sıra, bir akım finansal oranları ve endeksleri de kullanmakadırlar. Bu çalışmanın amacı, finansal bilgi nun espiinde kullanılan ahakkuk esaslı modellerin arihsel gelişimini anlamak, ardından oraya çıkan diğer alernaif meodolojileri anımakır. Çalışmada aynı zamanda, finansal sıkınıda bulunan firmaları espi için kullanılan Yapay Sinir Ağı Modeli nin finansal bilgi nun espiine nasıl bir kakı sağlayacağı da arışılmakadır. Yapay sinirlerin kullanımına dayanan modelin İsanbul Menkul Kıymeler Borsası nda (İMKB) yer alan şirkelerin finansal bilgi uygulamalarını espi emek bakımından diğer modellerin bulgularıyla (bire bir karşılaşırma yapma imkânı bulunmasa da) karşılaşırıldığında daha iyi sonuçlar üreiği gözlenmekedir. Anahar Kelimeler: Finansal Bilgi Manipülasyonu, Finansal Oranlar, Yapay Sinir Ağı Modeli. ABSTRACT Despie heir widespread usage, models of accrual based mehods in deecing false financial saemens have been subjec o significan criicism. An alernaive o he accruals approach is o use binary probi and logi models and some oher mulivariae saisical echniques where hey combine accruals and some oher financial raios and/or indexes. The objecive of his paper is o explain he hisorical evoluion of he accrual based mehods where hey provide some evidence of earnings managemen pracices and han exend o some oher alernaive mehods in deecing manipulaive pracices in financial reporing. This paper also, inroduces a new mehod ha has been widely used in deecing financial disress companies. An Arificial Neural Nework Model, which is based on he concep of using arificial neurons, o esimae he manipulaive financial reporing pracices of he companies lised in he Isanbul Sock Exchange (ISE). The resuls indicae ha he proposed Arificial Neural Nework Model ouperforms he radiional saisical echniques used in earnings manipulaion pracices. Key words: Earnings Managemen, Financial Raios, Arificial Neural Nework Model. 1 Başken Üniversiesi, İkisadi ve İdari Bilimler Fakülesi, İşleme Bölümü B219, Bağlıca Kampüsü, 06530, Ankara Türkiye + 90 (312) 234 10 10 / 1728, gurayk@basken.edu.r 2 Gazi Üniversiesi, Endüsriyel Sanalar Eğiim Fakülesi, İşleme Eğiimi Bölümü. 3 Sermaye Piyasası Kurulu, Muhasebe Sandarları Dairesi Başkanı. 1

1. Giriş na başvuran işlemeleri, halka açıkladıkları finansal bilgilerle, espi emek oldukça güçür. Düzenleyici Kurullar kadar yekisi olmayan ve şirke bilgilerine onlar kadar ulaşamayan akademisyenler ise, finansal bilgi na başvuran işlemeleri espi açısından bir akım modeller gelişirmeye çalışmakadır. Lieraüre sunulan modeller açıklama güçlerine göre finansal bilgi na başvuran ve başvurmayan işleme ayrımına giderek, manipüle edilmiş finansal bilgiyi oraya çıkarmaya çalışmakadır. Bu kapsamda ilk olarak Healy (1985) arafından lieraüre sunulan, yöneicilerin beklenmedik ihiyari ahakkuk uygulamalarının ya da muhasebe poliikası seçimlerinin ekilerini ölçen, model karşımıza çıkmakadır. Healy nin (1985) çalışmasını akip eden diğer modeller beklenmeyen ihiyari ahakkukları ölçmek üzere oplam ahakkuklar üzerinde durmuşlar, kamuya açıklanan ne kar ile faaliyelerden sağlanan naki arasındaki fark olarak belirlenen oplam ahakkukları ahmin emeye çalışmışlardır. Bu şekilde ahmin edilen oplam ahakkuklar, normal ahakkukların bir gösergesi olarak kabul edilen; ipik işleme sermayesi ihiyacını (icari alacaklar, soklar ve icari krediler gibi) oraya koymak üzere gelirler (ya da müşerilerden ahsil edilen naki) ve normal amorismanları oraya koymak üzere de brü sabi varlıklar gibi değişkenlerle regresyona abi uulmuşur. Jones a (1991) göre, bu regresyon işleminde beklenmeyen ahakkuklar, oplam ahakkukların açıklanamayan kısmını oluşurmakadır (Küçüksözen ve Küçükkocaoğlu, 2005). Yukarıda belirildiği üzere, finansal bilgi nu oraya çıkarmaya diğer bir ifadeyle, ahmin emeye çalışan modellerde öncelikle oplam ahakkuklar üzerinde durulmakadır. Bazı çalışmalarda doğrudan oplam ahakkuk uarı, akif oplamına veya saış hâsılaı uarına endekslenmek sureiyle beklenmeyen diğer bir deyişle, işleme faaliyeinin gerekirdiğinin üzerindeki ahakkuk uarı ahmin edilmeye çalışılmaka ve yıllar iibariyle oraya çıkan anormal ahakkuk uarları finansal bilgi nun gösergesi olarak dikkae alınmakadır. Bazı çalışmalarda ise oplam ahakkuklar, faaliyelerin gerekirdiği (ihiyari olmayan) ve gerekirmediği (ihiyari) ahakkuk şeklinde ayrışırılmaka ve ihiyari ahakkuk uarları şirkein akif oplamına veya saış hâsılaı uarına endekslenerek, bu endekse yıllar iibariyle oraya çıkan eğilim, çeşili amaçlara yönelik finansal bilgi nun gösergesi olarak kabul edilmekedir. Tahakkuk esaslı hesaplamaların ardından lieraürde yer alan diğer çalışmalar ise, daha çok Logi ve Probi modellere yer vermekedir. İlk olarak Beneish (1997) arafından kullanılan ve finansal bilgi nu espi emeye yönelik bir denkleme ulaşılan modelin ardından, lieraürde çeşili modeller aracılığıyla espie yönelik hesaplamalar yapıldığı gözlemlenmekedir. Çalışmamızda bu alana kakı sağlamak amacıyla Yapay Sinir Ağı na dayalı bir espi yöneminin, özellikle Beneish (1997) arafından kullanılan endekslerin İMKB şirkeleri üzerine uygulandığında, nasıl bir sonuca ulaşabileceği es edilmişir. Sinir ağlarının finansal bilgi nun espiinde kullanımına yönelik ilk çalışma Fanning, Cogger ve Srivasava (1995) arafından yapılmışır. Ardından Fanning and Cogger (1998) ilk çalışmalarında kullandıkları veri seinin kapsamını değişirerek oplam 20 değişken arasından 8 değişkenin (icari alacaklar/saışlar, icari alacaklar/oplam varlıklar, soklar/saışlar, duran varlıklar/oplam varlıklar, oplam borçlar/sermaye, saışlar/oplam varlıklar) finansal bilgi nun espiinde anlamlı bir açıklama gücüne sahip. 2

olduğunu gösermişir. İlerleyen bölümlerde açıklanacağı üzere benzer oranları logisic regresyon yönemiyle Aina Menkul Kıymeler Borsası nda es eden Spahis (2002) ve İsanbul Menkul Kıymeler Borsası nda es eden Küçüksözen ve Küçükkocaoğlu nun çalışmalarında (2005) bu ür finansal oranların finansal bilgi nu açıklamada çok da başarılı olmadığını, aksine Beneish (1997) arafından önerilen endekslerin ise daha anlamlı açıklama gücüne sahip olduğu görülmekedir. Çalışmanın bundan sonraki bölümünde finansal bilgi nun espiine yönelik ahakkukları esas alan modellere değinilecek, ardından alernaif yaklaşımlar sunan özellikle finansal ablolardaki bilgilere dayalı analizler yapılan çeşili modeller anıılacakır. Üçüncü bölümde ise, finansal bilgi nun espiinde yapay sinir ağı modelinin uygulanması ampirik bir çalışmayla göserilecekir. Dördüncü ve son bölümde çalışmanın sonuçları özelenmekedir. 2. Finansal Bilgi Manipülasyonunun Oraya Çıkarılması ile ilgili Modeller Çalışmanın bu bölümünde finansal bilgi nun espiine yönelik Healy (1985) arafından lieraüre sunulan, ardından birçok akademisyen arafından çalışma konusu olan ahakkukları esas alan modellere değinilecek, daha sonra bir akım alernaif yaklaşımlar içeren finansal oranları ve endeksleri kullanarak finansal bilgi nun espiini amaçlayan modeller anıılacakır. 2.1. Tahakkuk Esaslı Modeller İlk olarak Healy (1985) arafından lieraüre sunulan, ardından DeAngelo (1986), Jones (1991) arafından gelişirilen ahakkuk esaslı modellerde, zamanla farklı isimler alında farklı hesaplama yönemleri birer ölçüm aracı olarak kullanılmışır. Çalışmanın bu bölümünde Healy (1985) ile başlayan ardından gelişen ahakkuk esaslı modellere değinilmekedir. 2.1.1. Healy Modeli Healy (1985) çalışmasında, eşvik primleri ile ödüllendirilen yöneicilerin alacakları eşvik primi uarlarını arırmak için oplam ahakkukları kullanarak finansal bilgi yapıkları hipoezini oraya amış ve bunu aşağıdaki modeli kullanarak es emişir. NDA = 1/nΣ τ (TA τ / A τ -1) NDA = İhiyari ahakkukları TA = Toplam ahakkuklar A = Toplam varlıklar 2.1.2. DeAngelo Modeli DeAngelo (1986) çalışmasında, halka açık bir şirkein yaırımcıların elindeki hisse senelerini geri alarak halka kapalı özel bir şirke saüsüne geirilmesi sırasında, yöneicilerin hisse senelerinin değerini düşük gösermek amacıyla finansal bilgi (kar yöneimi) yapıkları hipoezini aşağıdaki modeli kullanarak es emişir. NDA = TA -1 / A -2. 3

NDA = İhiyari ahakkukları TA = Toplam ahakkuklar A = Toplam varlıklar 2.1.3. Jones Modeli Jones (1991) çalışmasında, ABD deki şirkelerin bulundukları sekördeki gümrük arifelerinin yükselilmesi ya da koaların kısılanması gibi gümrük korumalarından yararlanmak için, ABD Ticare Komisyonu arafından inceleme yapılan dönemde, finansal bilgi (kar yöneimi) ile karlarını düşük göserip gösermediklerini aşağıdaki modeli kullanarak es emişir. TA i / A i-1 = α i [1/A i-1 ] + β 1i [ΔREV/A i-1 ] + β 2i [PPE/A i-1 ] + ε i TA = Toplam ahakkuklar, A = Toplam Varlıklar, ΔREV = Gelirlerdeki değişim, PPE = Brü maddi duran varlıklar. 2.1.4. Düzelilmiş Jones Modeli Jones (1991) modelinde zımni olarak, gerek finansal bilgi nun yapıldığı dönemde ve gerekse ahmin döneminde ihiyari ahakkuk kararlarının saış gelirleri ile ilgili olmadığı varsayımı yapılmakadır. Dechow, Sloan ve Sweeney e (1995) göre ise model, yöneiciler arafından finansal bilgi nun gelirler üzerinden yapılması halinde ihiyari ahakkukları haalı olarak ölçmeke, dolayısıyla bu varsayım modelde ihiyari ahakkukların hesaplanmasında sorun yaramakadır. Bu kapsamda, ahakkukların hesaplanmasında sadece gelirlerdeki değişimin kullanılması yerine, gelirlerdeki değişimin alacaklardaki ne değişimden (içinde bulunulan yıldaki alacaklar bir önceki yıldaki alacaklar) çıkarılmak sureiyle kullanılması, diğer bir ifade ile gelirlerdeki değişimin alacaklardaki değişim dikkae alınarak bir ayarlamaya abi uulması yönemine başvurulmuşur. Dolayısıyla düzelilmiş Jones modelinde, kredili saışlar uarındaki büün değişimlerin finansal bilgi ndan kaynaklandığı zımni olarak varsayılmakadır. Bu varsayım, kredili saışlarda gelirin anımlanması hususunda akdir hakkı kullanmanın naki saışlarda gelirin anımlanmasına göre daha kolay uygulanabileceği, dolayısıyla kredili saış işlemleri ile finansal bilgi nun daha kolay gerçekleşirilebileceği kabulüne dayanmakadır (Küçüksözen ve Küçükkocaoğlu, 2005). NDA = α 1 (1/ TA -1 ) + α 2 [(ΔREV - ΔREC ) / TA -1 ) + α 3 (PPE / TA -1 ) NDA = İhiyari ahakkukları TA = Toplam Varlıkları, ΔREV = Gelirlerdeki değişimi, ΔREC = Alacaklardaki değişimi, PPE = Brü maddi duran varlıkları gösermekedir. 2.1.5. Endüsri Modeli Jones (1991) modeline paralel olarak, Endüsri modeli, ihiyari olmayan ahakkukların büün dönemlerde sabi olduğu varsayımını gevşemeke, bununla birlike, ihiyari ahakkukların. 4

belirleyicilerini doğrudan modellemek yerine, bu belirleyicilerdeki değişimin aynı sekördeki büün şirkelerde aynı olduğu varsayımından hareke emekedir. Yönem, incelemeye alınan örnek şirkeler dışında aynı sekörde yer alan şirkelerin akif büyüklüğüne göre ölçeklendirilmesi sureiyle hesaplanan oplam ahakkuk oranlarının medyan değerlerinin kullanılmasına dayanmakadır. NDA = β 1 + β 2 median j (TA /A -1 ) NDA = İhiyari ahakkuklar TA = Toplam Varlıklar. Dechow, Sloan ve Sweeney (1995), yukarıda belirilen ahakkuk bazlı finansal bilgi nu oraya çıkarmaya yönelik modelleri es emişlerdir. Yapıkları çalışma sonucuna göre, Düzelilmiş Jones Modeli finansal bilgi nun oraya çıkarılması açısından yukarıdaki modellere göre en güçlü model olarak oraya çıkmakadır (Küçüksözen ve Küçükkocaoğlu, 2005). 2.2. Karma Modeller Karma modeller, içlerinde oplam ahakkukları barındırmakla birlike, genelde finansal bilgi uygulamalarında kullanılan muhasebe hesaplarını bir akım finansal oranlara ve endekslere çevirerek espi emeye çalışmakadır. 2.2.1. Logi ve Probi Modeller Özellikle Beneish in (1997) öncülüğünde finansal bilgi yapan işlemelerin espiine yönelik farklı bir bakış açısı gelmişir. Tahakkuklarda değişimi espi için kullanılan doğrusal regresyonların yanı sıra, ahakkuklara ek olarak bir akım farklı değişkenlerin de kullanıldığı probi ve logi modellerin finansal bilgi na başvuran işlemelerin espiinde kullanılabileceğini söyleyen Beneish, 1997 ve 1999 yıllarında yapığı çalışmalarda finansal bilgi lieraürüne yeni bir boyu kazandırmışır. 2.2.1.1. Beneish Modeli (Probi Model) Beneish (1997), (1999) oluşurduğu modelde, finansal bilgi na başvuran işlemelerin her zaman agresif olarak ahakkuk kullanan şirkeler olmadığını, finansal bilgi nu espi için bir akım farklı değişkenlerin de kullanılması gerekiğini söylemekedir. Bu değişkenler, finansal ablolarda yer alan bilgilerden üreilen ve gerçekleşirilen finansal bilgi manipülasyonlarını oraya çıkaracak nielike olup, işlemelerin genel kabul görmüş muhasebe sandarlarına aykırı işlem yapma durumunu espie yönelikir. Modelde, finansal bilgi manipülaörü şirkelerle, finansal bilgi yapmadığı kabul edilen konrol şirkelerinin aşağıda belirilen açıklayıcı değişkenler şeklindeki finansal verileri probi analize abi uulmakadır. Probi analiz, aşağıdaki denklemde yer alan bağımlı değişkenlerin (M i ; ikili değişken; manipülaörler için 1, konrol şirkeleri için 0 değerini almakadır) kullanıldığı olaylar için uygun olduğu kabul edilen bir regresyon analizi ürüdür. Beneish (1997), (1999) modelinde; finansal bilgi manipülaörü şirkelerle konrol şirkelerinin verilerini probi analize abi uarak her bir değişken için kasayılar bulmakadır. Bu kasayıları kullanarak her bir şirkein finansal bilgi yapıp yapmadığını, M i. 5

sonucunun 0 (sıfır) a yakın olması halinde manipülaör değil, 1 e yakın olması halinde manipülaör şeklinde değerlendirmek üzere model çerçevesinde hesaplamakadır. Bu çerçevede Beneish (1997), (1999) Modeli (Probi Model); M i = β i X i + є i şeklinde olup burada; Mi = Kukla değişkeni (İkili değişken; yapan şirkeler için 1 değeri almaka, finansal bilgi na başvurmayan şirkeler için 0 değerini almakadır), β i = Model çerçevesinde her bir bağımsız değişken için bulunan kasayıyı, X i = Açıklayıcı değişkenlerin oluşurduğu marisi, є i = Haa erimini ifade emekedir. Modelde kullanılan önemli açıklayıcı (bağımsız) değişkenler aşağıda açıklanmışır. Ticari alacaklar endeksi, Brü kâr marjı endeksi, Akif kaliesi endeksi, Amorisman endeksi, Pazarlama, Saış, Dağıım ve Genel Yöneim Giderleri endeksi, Toplam Tahakkukların Toplam Varlıklara Oranı, Saışlardaki yıllık değişim, Soklardaki Değişim endeksi, Hisse seneleri fiyalarındaki yıllık değişim. Dechow, Sloan ve Sweeney e (1996) göre, Beneish in (1997) modeli Jones (1991) modelindeki gibi sadece icari alacaklar üzerinden gerçekleşirilecek finansal bilgi manipülasyonları yanında, bir şirkein finansal durum ve performansı ile ilgili değişik görünümleri ele alarak finansal ablo kullanıcılarının şirkei değişik açılardan gözden geçirebilmelerine imkan sağlamakadır. Ayrıca modelde kullanılan değişkenler hem şirkein gerçekleşirdiği manipülaif işlemleri espie yönelik, hem de şirkein manipülaif işlemleri gerçekleşirme niyeini kavramaya yönelikir. Diğer arafan Beneish e (1997) göre, kendi modeli, Jones un (1991) ahakkuk modelini güçlendirmekedir. Bu kapsamda model büyük uarlarda ihiyari ahakkuk kullanan şirkelerdeki olası finansal bilgi (kâr yöneimi) uygulamalarını da doğru bir şekilde oraya koymakadır. Zira ihiyari ahakkuklar finansal bilgi için yapılabileceği gibi, bundan bağımsız olarak şirkein sraejik hedeflerine yönelik faaliye kararlarına dayalı olarak da yapılabilmekedir. 2.2.1.2. Spahis Modeli (Logi Model) Beneish in (1997), (1999) probi modelinde kullanılan endekslerden farklı olarak finansal oranlara çalışmasında yer veren Spahis (2002), yine finansal bilgi nu espi ederken probi yerine logisic regresyon analizine başvurmuşur. Spahis (2002) arafından aşağıdaki denkleme göre oluşurulan model, finansal bilgi manipülaörü şirkelerle konrol şirkelerini aşağıda açıklanan bağımsız değişkenlere göre logisic regresyon analizine abi umakadır.. 6

exp( b0 + b1 x1 + b2 x2 +... bn xn ) E( y) = 1+ exp( b + b x + b x +... b x ) 0 1 1 2 2 n n Denklemde; bağımlı değişken E(y) ye gerçeğe aykırı finansal bilgi açıklayan şirkeler için 1, konrol şirkeleri için 0 değeri verilmiş olup, b 0 kesişim değerini, b 1,b 2,.b n bağımsız değişkenlerin kasayılarını, x 1, x 2,. x n ise aşağıdaki bağımsız değişkenleri gösermekedir. FFS = b 0 + b 1 (D/E) + b 2 (Sales/TA) + b 3 (NP/Sales) + b 4 (Rec/Sales) + b 5 (NP/TA) + b 6 (WC/TA) + b 7 (GP/TA) + b 8 (INV/Sales) + b 9 (TD/TA) + b 10 (FE/GE) + b 11 (Taxes/Sales) + b 12 (Alman Z-score) Borç özsermaye oranı (D/E), Saışların oplam akiflere oranı (Sales/TA), Ne karın saışlara oranı (NP/Sales), Ticari alacakların saışlara oranı (Rec/Sales), Ne karın akife oranı (NP/TA), Çalışma sermayesinin oplam akife oranı (WC/TA), Brü karın oplam akife oranı (GP/TA), Sokların saışlara oranı (INV/Sales), Toplam borçların oplam akiflere oranı (TD/TA), Toplam finansman giderlerinin oplam faaliye giderlerine oranı (FE/GE), Ödenecek vergi ve diğer yasal yükümlülüklerin oplam saışlara oranı (Taxes/Sales) ve Finansal risk skoru nu (Alman Z-score), gösermekedir. 2000 yılında Aina Menkul Kıymeler Borsasında işlem gören 76 şirkein finansal ablo verilerini kullanarak logisic regresyon analizi yapan Spahis (2002), bir akım finansal ablo değerlerini kullanarak gerçeğe aykırı finansal abloları espi ederken bakılması gereken rasyoları espi emeye çalışmışır. Bu oranların; sokların saışlara oranı (INV/Sales), oplam borçların oplam akiflere oranı (TD/TA) ve Alman Z Score u olduğu yönünde espilerde bulunmuşur. Benzer bir çalışmayı İsanbul Menkul Kıymeler Borsası nda işlem gören şirkeler üzerine yapan Küçüksözen ve Küçükkocaoğlu nun (2005) bulguları, gerçeğe aykırı finansal ablolar espi edilirken bakılması gereken rasyoların; ne kârın oplam akife oranı ve oplam finansman giderlerinin oplam faaliye giderlerine oranı olduğunu gösermekedir. 2.2.2. Çok Değişkenli, Çok Krierli Modeller Finansal yöneim, iflas öngörüleri, kredi riski ölçümleri, ülke riski hesaplamaları, porföy seçimi ve yöneimi gibi, bir çok alanda kullanılan UTADIS meodolijisi Spahis, Doumpos ve Zopounidis (2004) arafından finansal bilgi nu espi için kullanılmışır. Spahis in (2002) Logi Modelinde yer alan değişkenleri kullanarak bir fayda fonksiyonu oluşuran Spahis, Doumpos ve Zopounidis (2004), fonksiyonun al ve üs sınırlarını belirlediken sonra finansal bilgi na başvuran ve başvurmayan şirkelerin ayrımını yapmaya çalışmışlardır. Başarı oranlarını her ne kadar yüzde 100 olarak belirleseler de, uyguladıkları meodoloji, hesaplamalarda kullanılan veri seinin küçüklüğü ve kapsamı dikkae alındığında çalışma sonuçlarının yanılıcı bir yapıya sahip olduğu kanaaine sahibiz.. 7

3. Finansal Bilgi Manipülasyonunun Tespiinde Yapay Sinir Ağı Modeli Son yıllarda bilgisayar eknolojisi büyük bir hızla gelişmeke, işlem hızı ve kapasiesi çok yüksek bilgisayarların üreimi mümkün olmakadır. Çok karmaşık hesaplamaların göz açıp kapayıncaya kadar yapılmasına olanak anıyan bu yüksek eknolojiye rağmen, insanların çok kolaylıkla yerine geirebildiği el yazısını anıma, konuşmayı anıma ve görme gibi işlevlerin bilgisayarlar arafından oomaik olarak gerçekleşirilmesi konusunda yeersizlik söz konusudur. Bu gerçek, bilim insanlarını klasik anlamdaki bilgisayarlardan farklı alernaif bilgi işleme sisemleri gelişirmeye yönelmiş, doğal olarak bu konudaki ilk adımlardan biri de insan beyninin çalışmasıyla ilgili birakım biyolojik bulgulardan faydalanmaya çalışmak olmuşur. Nörofizyologların ve psikologların çalışmalarından elde edilen sonuçlardan faydalanarak insan beynindeki sinir ağlarının yapısal ve işlevsel özelliklerinin basie indirgenip maemaiksel olarak modellenmesine çalışılmışır. Bu maemaiksel modellere sinir ağları denmekedir (Sungur, 1995). Yapay sinir ağları çok değişkenli ve değişkenler arasında karmaşık, karşılıklı ekileşimin bulunduğu veya ek bir çözüm kümesinin bulunmadığı durumlarda başarılı sonuçlar üreen bir yapay zeka eknolojisidir. Bu özellikleri nedeniyle yapay sinir ağı eknolojisi finansal başarısızlık alanında kullanıma uygun bir araç olarak görülmekedir (Salchenberger, Çınar ve Lash, 1992; Wilson ve Chong, 1995; Koh ve Tan, 1999; Yıldız, 2001). Yapay sinir ağı araşırmaları nörofizyolog ve psikolog için insan beyninin işlevlerini açıklayabilme amacına yönelikir. Mühendisler açısından ise, yapay sinir ağları öncelikle alernaif bir hesaplama aracıdır. Ancak bu iki araşırma moivasyonu arasında sıkı bir bağ vardır. Nörofizyolojik bulgular yeni maemaiksel modellerin gelişirilmesi için esin kaynağı eşkil ederken, gelişirilen maemaiksel modeller üzerinde yapılan çalışmaların ve uygulamaların sonuçları da nörofizyolojik araşırmalara yön verebilecek nielikedir. İlk icari yapay sinir ağının gelişiricisi olan Rober Hech-Neilsen (1989), yapay sinir ağını dışarıdan gelen girdilere dinamik olarak yanı oluşurma yoluyla bilgi işleyen, birbiriyle bağlanılı basi elemanlardan oluşan bilgi işlem sisemi olarak anımlamakadır (Yıldız, 2001). Başka bir ifade ile yapay sinir ağları, her biri kendi belleğine sahip olan, işlem yapabilen ve ek yönlü sinyal kanalları ile birbirlerine bağlanmış birçok basi işlem elemanından (yapay nörondan) oluşan, paralel ve dağınık ek veya çok kamanlı bir bilgi işlem sisemi olarak anımlanır (Gülseçen, 1995). Bir yapay sinir ağının yapısında, birbirleriyle bağlanılı sinirlerin yer aldığı girdi kamanı, çıkı kamanı ve gizli kaman olmak üzere emelde üç kaman bulunmakadır. Girdi kamanı ilk kamandır ve dışarıdan gelen verilerin yapay sinir ağına alınmasını sağlar. Bu veriler isaisike bağımsız değişkenlere karşılık gelir. Son kaman çıkı kamanı olarak adlandırılır ve bilgilerin dışarıya ileilmesi işlevini yapar. Çıkı değişkenleri de isaisike bağımlı değişkenlere karşılık gelir. Modeldeki diğer kamanlar ise, girdi kamanı ile çıkı kamanı arasında yer alır ve gizli kaman olarak adlandırılır. Gizli kamanda bulunan sinirlerin dış oramla bağlanıları yokur. Yalnızca girdi kamanından gelen sinyalleri alırlar ve çıkı kamanına sinyal gönderirler. Gizli kamandaki gizli nöronların sayısının seçimi oldukça önemlidir. Ağın büyüklüğünün anımlanması, ağın performansının bilinmesi açısından önem aşımakadır. Gizli nöronların ve. 8

kamanlarının sayısının arırılması ya da azalılması, ağın basi ya da karmaşık bir yapıda olmasını ekilemekedir. Bir yapay sinir ağındaki en önemli unsurlardan biri de nöronların birbirlerine veri akarmalarını sağlayan bağlanılardır. Herhangi bir (i) nöronundan (j) nöronuna bilgi ileen bir bağlanı, aynı zamanda bir ağırlık (w ji ) değerine sahipir. Ağırlıklar bir nöronda girdi olarak kullanılacak değerlerin göreceli kuvveini göserir. Yapay sinir ağı içinde üm bağlanıların farklı ağırlık değerleri bulunmakadır. Böylelikle ağırlıklar her işlem elemanının her girdisi üzerinde eki yaparlar (Yıldız, 2001). Şekil 1 de verilen yapay sinir ağı yapısında X ile girdiler, h ile gizli kamandan gelen çıkılar ve Y ile de sonuça elde edilen çıkılar göserilmişir (Güneri, 2001). Girdi Tabakası Gizli Tabaka Çıkı Tabakası X 1 h 1 Y 1 X 2 h 2 Y 2 X İ h j Y k X N h M Şekil 1. Yapay Sinir Ağı Yapısı Y Z Yapay sinir ağı modelinde sinirler arasındaki bağlanıların ağırlık değerleri uygulamanın başında SPSS pake programında esadüfi olarak üreilir. Ağ, bu değerler kullanılarak es edilmekedir. Veri seinde yer alan veriler esadüfi olarak eğiim, geçerlilik ve es sei olmak üzere üç bölüme ayrılmakadır. Eğiim sei, ağın eğiimine yönelik olarak verilerin ağırlıklarına uygun olan öğrenme için kullanılmakadır. Geçerlilik sei, bir sınıflandırıcının ağırlıklarına uygun olarak kullanılır. Örneğin, yapay sinir ağındaki gizli kaman sayısını seçmek için geçerlilik sei kullanılır. Tes sei ise, eğiimin uygulanmasının performansını ölçmede kullanılır. Veri seinin % 80 ini eğiim sei, % 10 unu geçerlilik sei, % 10 unu da es sei oluşurmakadır. Veriler karar ya da önerilere eşi kakıda bulunduğundan ölçü birimi ekisinden arındırılmak için sandarlaşırılır. Kullanılan pake program ilk aşamada verileri sandarlaşırır. Daha sonra geçiş fonksiyonu seçilir. Bu çalışmada geçiş fonksiyonu sigmoid fonksiyon olarak seçilmişir.. 9

Gerçek çıkı değerleri ile arzu edilen çıkı değerleri arasındaki farklılık ölçülür ve sonuca göre ağ modelinin bağlanı ağırlıkları değişir. Bağlanı ağırlıkları sonucu oluşan geri dönüş geçişi çıkı kamanlarının bağlanıları ile başlayan ve girdi kamanlarının bağlanıları ile sona eren ağın üreilmesiyle gerçekleşir. Bir kamandaki sinir sayısı ağlar arafından oomaik olarak seçilebilir ya da bağlanılı olarak düzenlenebilir. Birçok durumda sinirlerin sayısını arırmak eğiim verileri üzerindeki çoklu kaman ağlarının performansını gelişirir. Bir problemdeki gizli kamanların sayısının ekisini değerlendirmek için geçerlilik verilerinin performansına bakılır. Ağ yapısının performansını ölçmek için mulak haa oralaması (M.H.O) ve haa kareler oralaması (H.K.O) kullanılmakadır. Buna göre, mulak haa oralaması ve haa kareler oralamasının en küçük olduğu değer, alınması gereken gizli kaman sayısını belirlemekedir. Mulak haa oralamasına göre, gizli kaman sayısı 6, haa kareler oralamasına göre de gizli kaman sayısı 4 olarak belirlenmişir. Bu seçilen gizli kamanlı modellerin yapay sinir ağı uygulamasına göre sınıflandırma abloları elde edilmişir. Yapay sinir ağı uygulamasında kopuş değeri 0.5 olarak belirlenmişir. Buna göre hesaplanan olasılık değeri 0.5 en büyük olan şirkeler finansal bilgi yapan şirkeler, hesaplanan olasılık değeri 0.5 en küçük olan şirkeler ise finansal bilgi yapmayan şirkeler sınıfına ayrılmakadır. Gözlemler sınıflandırılarak bölümlendirildiken sonra, gerçek durumlarıyla karşılaşırılarak doğru sınıflandırma oranları hesaplanmakadır. Ağın eğiimi için 10.000 ierasyon gerçekleşirilmişir. Yapay sinir ağı analizi sonucunda eğiim, geçerlilik ve es sei için doğru sınıflandırma abloları, bu sonuçlar birleşirilerek yapay sinir ağı uygulamasına göre sınıflandırma ablosu elde edilmişir. 3.1. Analiz Kapsamındaki Şirkeler Çalışmamızda İMKB de hisse seneleri işlem gören ve reel sekörde faaliye göseren 126 şirke, örnek şirke olarak seçilmişir. Bankalar, sigora şirkeleri ve diğer finans seköründe faaliye göseren şirkeler, konuya ilişkin diğer çalışmalarda olduğu gibi çalışmamız kapsamının dışında uulmuş olup, çalışma kapsamındaki şirkelerin 1992-2002 yıllarına ilişkin bilanço ve gelir abloları analiz edilmişir. Çalışma kapsamında yer alan 126 şirkein 1992-2002 yıllarına ai finansal ablolarını inceleyen Sermaye Piyasası Kurulu, şirkelerin geçen süre zarfında 168 kez finansal bilgi na başvurduğunu, 1.040 gözlemde ise finansal bilgi nun espi edilmediğini gözlemlemişir. yapan ve yapmayan şirke ayrımı yapabilmek için İMKB nin 01.01.1992-31.07.2004 arihleri arasındaki günlük bülenleri ve SPK nın 01.01.1996-31.07.2004 arihleri arasında yayınlanan hafalık bülenleri bazı anahar kelimelerden (finansal ablo, mali ablo, bilanço, gelir ablosu, kar, zarar, gelir, gider, bağımsız deneim raporu, akifleşirme, düzelme) yararlanılarak incelenmişir. Bu bülenlerde yer alan bilgiler çerçevesinde, SPK arafından yapılan deneim ve incelemeler sonucunda finansal bilgi yapığı belirlenerek kamuya açıklanan ve/veya bağımsız deneim raporlarında kamuya açıklanan finansal ablolardaki uarları değişirecek şekilde şarlı görüş bulunan ya da finansal ablolarında yer alan uarları daha sonra yapıkları açıklamalarla değişiren şirkeler finansal bilgi yapan şirke olarak kabul edilmişir. Bunlara ilave olarak, SPK ya yapılan kayda alma başvurularında finansal ablolarının incelenmesi sırasında, bu ablolarda yer alan finansal bilgiler değişirilerek. 10

kamuya açıklanan şirkeler de finansal bilgi yapan şirke olarak dikkae alınmışır. Konrol sei olarak belirlenen 1.040 gözlemde, SPK arafından denelenmediği ya da bağımsız deneim sırasında espi edilemediği, dolayısıyla finansal bilgi uygulamasına giiği halde bu durum herhangi bir şekilde espi edilerek kamuya açıklanmadığı için, gerçeke manipülaör olan şirkeler de bulunabilir. Bununla birlike, bu durum her modelin oluşurulmasında olduğu gibi çalışmamızda ip 1 haa olarak dikkae alınmışır. 3.2. Değişkenlerin Tanımı ve Veri Kaynakları Çalışmada kullanılan endeksler ve finansal oranlar 4 i. Saışlardaki büyüme endeksi (SBE) ii. Ticari alacaklar endeksi (TAE), iii. Brü kar marjı endeksi (BKM), iv. Akif kaliesi endeksi (AKE), v. Amorisman endeksi (AME), vi. Pazarlama, saış, dağıım ve genel yöneim giderleri endeksi (PSE), vii. Kaynak yapısındaki değişim endeksi (KYE), viii. Toplam ahakkukların oplam varlıklara oranı (TVE), ix. Finansman giderlerinin saışlara oranı (FSE) ve x. Sokların saışlara oranı (SSE), olarak espi edilmişir. Önceki paragraflarda da değindiğimiz üzere Beneish (1997), (1999), finansal bilgi na başvuran şirkelerin her zaman agresif olarak ahakkuk kullanan şirkeler olmadığını, finansal bilgi nu espi için bir akım farklı değişkenlerin de kullanılması gerekiğini söylemekedir. Bu değişkenler, finansal ablolarda yer alan bilgilerden harekele gerçekleşirilen manipülasyonları oraya çıkaracak nielike olup şirkelerin genel kabul görmüş muhasebe ilkelerine aykırı işlem yapma durumunu espie yönelikir. Bu bağlamda çalışmamız için seçilen bağımsız değişkenler esas olarak Beneish (1997), (1999) modelinde kullanılan bağımsız değişkenlerle aynıdır. Bu değişkenler yanında, Küçüksözen ve Küçükkocaoğlu (2005) arafından oluşurulan modelde yer alan sokların saışlara oranı (SSE) ve finansman giderlerinin saışlara oranı (FSE) bağımsız değişkenlerine de çalışmamızda yer verilmişir. Yapay sinir ağı analizi için Neural Connecion pake programından yararlanılmışır. 3.3. Ampirik Sonuçlar Yapay sinir ağı analizinde problemin modeli, 10 bağımsız değişken olduğu için 10 girdi kamanından, diğer bir ifade ile değişkenlerin anımı ve veri kaynakları kısmındaki, kullanılan endeksler ve finansal oranlardan oluşmakadır, dolayısıyla girdi kamanında 10 sinir bulunmakadır. Çıkı kamanında ise, finansal bilgi yapan ve yapmayan 4 Endekslerin ve oranların hesaplamalarının nasıl yapıldığına dair açıklamaya çalışmanın ekinde yer verilmişir.. 11

şirkeler olduğu için 1 çıkı kamanı söz konusudur, dolayısıyla çıkı kamanında da 1 sinir bulunmakadır. Gizli kaman sayısını belirlemek için uygulamada önce gizli kaman sayısı 1 alınarak 10-1-1 modeli için haalar hesaplanmışır. Daha sonra gizli kamanların sayısı arırılmış ve geçerlilik verilerine ilişkin haa kareler oralaması (H.K.O) ve mulak haa oralaması (M.H.O) hesaplanmışır. Bu sonuçlar aşağıdaki abloda verilmişir. Tablo 1. Gizli Kaman Sayısının Belirlenmesinde Oluşurulan Modellerin Sonuçları Model H.K.O M.H.O 10-1-1 0.305868 0.208335 10-2-1 0.307067 0.211865 10-3-1 0.306856 0.211334 10-4-1 0.304201 0.210488 10-5-1 0.307615 0.208804 10-6-1 0.304297 0.206663 10-7-1 0.307096 0.209142 Tablo 1 incelendiğinde, 1 gizli kamanlı modelin (10-1-1) haa kareler oralamasının 0.305868 olduğu görülmekedir. Gizli kaman sayısı arırıldığında haa kareler oralaması 4. gizli kamandan sonra armakadır. Bu durumda ahmin modelinin oluşurulmasında, haa kareler oralamasının en düşük olduğu kaman olan 4 gizli kamanlı model (10-4-1) seçilmişir. Mulak haa oralamasına bakığımızda ise, 1 gizli kamanlı modelin (10-1-1) mulak haa oralamasının 0.208335 olduğu görülmekedir. Mulak haa oralamasının en düşük olduğu kaman olan 6 gizli kamanlı model (10-6-1 modeli) en küçük haa değerine sahip olduğundan model olarak seçilmişir. Gizli kamanların sayısı arırıldığında, her bir yeni gizli kaman veri seindeki özelliklerden birini daha gösermeye başlayacağından geçerlilik seindeki ağ performansı da armakadır. Çok sayıda abaka eklendiğinde performansa bir azalma görülebilir. Bunun nedeni genel güçeki kayıpır ve bu durumda ağ verilerinden gürülü öğrenmeye başlar. Geçerlilik sei üzerinde haa ölçümleri yapılarak aşırı öğrenmenin ehlikesi azalılmış olur (Neural Connecion, 1997; Güneri, 2001). Ağın eğiimi için 10.000 ierasyon gerçekleşirilmişir. Veri seinin % 80 ini eğiim sei, % 10 unu geçerlilik sei, % 10 unu da es sei oluşurmakadır. Buna göre 966 veri eğiim seine, 121 veri geçerlilik seine ve 121 veri de es seine abi uulmuşur. Tahmin modelinin oluşurulmasında 4 gizli kamanlı model (10-4-1) ile 6 gizli kamanlı model (10-6-1) eğiim, geçerlilik ve es seine abi uularak sınıflandırma abloları belirlenmişir. Sonuçlar aşağıdaki ablolarda verilmişir.. 12

3.3.1. Dör Gizli Kamanlı Modelin Sonuçları Gerçek Tahmin Tablo 2. Modelin Eğiim Sei İçin Sınıflandırması (10-4-1) Toplam 831 1 832 132 2 134 Toplam 963 3 966 Eğiim sei için doğru sınıflandırma yüzdesi 86.231888 olarak bulunmuşur. Haalı sınıflandırma yüzdesi ise 13.768116 dır. Gerçek Tahmin Tablo 3. Modelin Geçerlilik Sei İçin Sınıflandırması (10-4-1) Toplam 108 0 108 13 0 13 Toplam 121 0 121 Geçerlilik sei için doğru sınıflandırma yüzdesi 89.256195 olarak bulunmuşur. Haalı sınıflandırma yüzdesi ise 10.743802 dir. Gerçek Tahmin Tablo 4. Modelin Tes Sei İçin Sınıflandırması (10-4-1) Toplam 100 0 100 21 0 21 Toplam 121 0 121 Tes sei için doğru sınıflandırma yüzdesi 82.64463 olarak bulunmuşur. Haalı sınıflandırma yüzdesi ise 17.355371 dir.. 13

Eğiim, geçerlilik ve es seleri için elde edilen sonuçlar birleşirildiğinde yapay sinir ağı uygulamasına göre Tablo 5 elde edilmiş olur. Gerçek Tablo 5. Modelin Yapay Sinir Ağı Uygulamasına Göre Sınıflandırması (10-4-1) Tahmin Toplam 1039 1 1040 166 2 168 Toplam 1205 3 1208 Yapay sinir ağı uygulamasına göre elde edilen genel doğruluk yüzdesi 86.175496 olarak bulunmuşur. Haalı sınıflandırma yüzdesi ise 13.824503 ür. Modele eklenecek yeni bir şirkein gelecekeki durumu ahmin edilmek isendiğinde yapay sinir ağı uygulamasına göre ahminin doğru olma olasılığı % 86.175496 olmakadır. 3.3.2. Alı Gizli Kamanlı Modelin Sonuçları Gerçek Tahmin Tablo 6. Modelin Eğiim Sei İçin Sınıflandırması (10-6-1) Toplam 832 0 832 134 0 134 Toplam 966 0 966 Eğiim sei için doğru sınıflandırma yüzdesi 86.128365 olarak bulunmuşur. Haalı sınıflandırma yüzdesi ise 13.871635 ir.. 14

Gerçek Tahmin Tablo 7. Modelin Geçerlilik Sei İçin Sınıflandırması (10-6-1) Toplam 108 0 108 13 0 13 Toplam 121 0 121 Geçerlilik sei için doğru sınıflandırma yüzdesi 89.256195 olarak bulunmuşur. Haalı sınıflandırma yüzdesi ise 10.743802 dir. Gerçek Tahmin Tablo 8. Modelin Tes Sei İçin Sınıflandırması (10-6-1) Toplam 100 0 100 21 0 21 Toplam 121 0 121 Tes sei için doğru sınıflandırma yüzdesi 82.64463 olarak bulunmuşur. Haalı sınıflandırma yüzdesi ise 17.355371 dir. Eğiim, geçerlilik ve es seleri için elde edilen sonuçlar birleşirildiğinde yapay sinir ağı uygulamasına göre Tablo 9 elde edilmiş olur. Gerçek Tablo 9. Modelin Yapay Sinir Ağı Uygulamasına Göre Sınıflandırması (10-6-1) Tahmin Toplam 1040 0 1040 168 0 168 Toplam 1208 0 1208 Yapay sinir ağı uygulamasına göre elde edilen genel doğruluk yüzdesi 86.092715 olarak bulunmuşur. Haalı sınıflandırma yüzdesi ise 13.907284 ür.. 15

Modele eklenecek yeni bir şirkein gelecekeki durumu ahmin edilmek isendiğinde yapay sinir ağı uygulamasına göre ahminin doğru olma olasılığı % 86.092715 olmakadır. 4 gizli kamanlı model (10-4-1) ile 6 gizli kamanlı modelin (10-6-1) sonuçları Tablo 10 da özelenmişir. Tablo10. Dör Gizli Kamanlı Model ile Alı Gizli Kamanlı Yapay Sinir Ağı Modelleri 10-4-1 (Genel Doğruluk %) 10-6-1(Genel Doğruluk %) 86.175496 86.092715 10-4-1 (Haalı sınıflandırma %) 10-6-1(Haalı sınıflandırma %) 13.824503 13.907284 Bu durumda 4 gizli kamanlı modelin ahmin gücü (% 86.175496) 6 gizli kamanlı modelin ahmin gücünden (% 86.092715) daha yüksek bulunduğundan, yine 4 gizli kamanlı modelin haalı sınıflandırma yüzdesi (%13.824503), 6 gizli kamanlı modelin haalı sınıflandırma yüzdesinden (%13.907284) daha düşük olduğundan dolayı 4 gizli kamanlı olan model yapay sinir ağı modeli olarak seçilmişir. 4. SONUÇ Lieraüre sunulan modellerde, açıklama güçlerine göre finansal bilgi na başvuran ve başvurmayan şirke ayrımına gidilerek, manipüle edilmiş finansal bilgi oraya çıkarılmaya çalışılmakadır. Bu çerçevede, Küçüksözen ve Küçükkocaoğlu (2005) arafından Beneish Modeli ni örnek alan ve çalışmamızda yer alan veri seini kullanan probi modelin bulguları, İMKB de işlem gören 126 şirkein her biri için, 1997 yılı verilerini kullanarak ulaşılan denklemin, 1993-2002 dönemindeki yıllara ilişkin bağımsız değişken değerlerinin hesaplanıp, bu değişken değerlerin denklemde yerlerine konularak, her bir şirke için finansal bilgi olasılığını ahmin eme yönündedir. Niekim, probi model çerçevesinde yapılan hesaplama sonuçlarına göre Küçüksözen ve Küçükkocaoğlu (2005), finansal bilgi manipülaörü şirkeleri (% 33-57 aralığında) oralama % 38 oranında, manipülaör olmayan (konrol) şirkeleri de (% 43-74 aralığında) oralama % 61 oranında doğru ahmin emişlerdir. Bu oranlar, özellikle manipülaör şirkeler açısından Beneish in (1999) çalışmasında oraya çıkan oranlara yakındır 5. Bu çalışmada ise, finansal bilgi yapan ve yapmayan şirkelerin ayrımı yapay sinir ağı modeli ile ahmin edilmeye çalışılmışır. Bulgularımız, çalışmada elde edilen sonuçlara göre, ahminin doğru olma olasılığının %86.17 düzeyinde gerçekleşiğini, haalı sınıflandırma olasılığının ise %13.82 olabileceğini gösermekedir. Her ne kadar, probi model bulgularıyla bire bir karşılaşırma yapma imkânımız olmasa da, yapay sinir ağı modelinin, yüksek oranlarda doğru sınıflandırma yapığını, böylece geleceke finansal bilgi na başvuran şirkeleri ahmin ederken bu modelin de göz önünde bulundurulması gerekiğini düşünmekeyiz. 5 Beneish in (1999) modeli, manipülaör şirkeleri % 37,5-56,1 aralığında manipülaör olarak ahmin emekedir. Bu oranlar, konrol şirkeleri için % 80-92 aralığındadır.. 16

Sonuç olarak, finansal bilgi nu oraya çıkarmaya yarayan değişkenler bilindiğinde, modele yeni kaılan şirkelerin gelecekeki durumlarını ahmin emek için yapay sinir ağları yaklaşımı bir yönem olarak kullanılabilecekir.. 17

KAYNAKLAR Beneish, M. D., (1997), "Deecing GAAP Violaion: Implicaions for Assessing Earnings Managemen Among Firms wih Exreme Financial Performance", Journal of Accouning and Public Policy, Vol:16, No: 3, pp: 271-309. Beneish, M. D., (1999), The Deecion of Earnings Manipulaion, Financial Analyss Journal, Vol:55, No:5, pp:24-36. DeAngelo, L.E. (1986), Accouning Numbers as Marke Valuaion Subsiues: A Sudy of Managemen Buyous of Public Sockholders, The Accouning Review, Vol:61, No:3, pp. 400-420. Dechhow, P.M., Sloan, R.G., Sweeney, A.P., (1995), Deecing Earnings Managemen, The Accouning Review, Vol:70, No:2, pp: 193-225. Healy, P.M., (1985), The Effec of Bonus Schemes on Accouning Decisions, Journal of Accouning and Economics, Vol:7, pp:85-107. Fanning K, Cogger KO, Srivasava R. (1995), Deecion of managemen fraud: A neural nework approach, Inelligen Sysems in Accouning, Finance and Managemen, 4: No. 2, pp:113 126. Fanning K, Cogger KO, (1998), Neural Nework Deecion of Managemen Fraud Using Published Financial Daa, Inelligen Sysems in Accouning, Finance and Managemen,. 7, pp:21 41 Gülseçen, S. (1995). Yapay Sinir Ağları ile Finansal Uygulamalar ve Döviz Kuru Tahmini İçin Bir Öneri, 4.Türk Yapay Zeka ve Yapay Sinir Ağları Sempozyumu Bildirileri, 26-28 Haziran. (TAINN 95), pp:51-61. Güneri, N. (2001). Öğrenci Başarısızlıklarının Analizinde Sinir Ağları Yaklaşımının Lojisik Regresyon Analizi İle Karşılaşırılması, (Yayınlanmamış Yüksek Lisans Tezi), Ankara: Ankara Üniversiesi. Hech-Neilsen, R. (1989). Neurocompuing, Massachuses, Addison-Wesley Pub. Comp. Jones, J., (1991), Earnings managemen during impor relief invesigaions, Journal of Accouning Research, Vol: 29, No:2, pp:193-228. Koh, H.C., Tan, S.S. (1999), A Neural Nework Approach o he Predicion of Going Concern Saus, Accouning and Business Research, Vol: XXIX, No:3, pp: 211-216. Küçükkocaoğlu, G., Küçüksözen, C., (2005), Gerçeğe Aykırı Finansal Tabloların Oraya Çıkarılması: İMKB Şirkeleri Üzerine Ampirik Bir Çalışma, Muhasebe ve Finansman Dergisi, Sayı 28.. 18

Küçüksözen, C., (2005), Finansal Bilgi Manipülasyonu: Nedenleri, Yönemleri, Amaçları, Teknikleri, Sonuçları Ve İMKB Şirkeleri Üzerine Ampirik Bir Çalışma, SPK Yayınları, No.183, Temmuz 2005, Ankara. Küçüksözen, C., Küçükkocaoğlu, K., (2005), Finansal Bilgi Manipülasyonu: İMKB Şirkeleri Üzerine Ampirik Bir Çalışma, "1s Inernaional Accouning Conference On The Way To Convergence" Kasım 2004, İsanbul, Muhasebe Bilim Dünyası (Mödav) Bildiri Kiabı. Salchenberger, L.M., Çınar, M., Lash, N.A. (1992). Neural Neworks: A New Tool for Predicing Thrif Failure, Decision Sciences, Vol: XXIII, No: 4, pp: 899-916. Spahis, C., (2002), Deecing False Financial Saemens Using Published Daa: Some Evidence From Greece, Managerial Audiing Journal, Vol: 17, No: 4, pp: 179-191. Spahis, C., Doumpos M., Zopounidis, C., (2004), Deecing falsified financial saemens: a comparaive sudy using mulicrieria analysis and mulivariae saisical echniques, The European Accouning Review, Vol: 11, No: 3, pp: 509 535 Sungur, M. (Ed.) (1995). Mühendis Gözüyle Yapay Sinir Ağları, Ankara, ODTÜ. Wilson, N., Chong, K.S. (1995). Neural Nework Simulaion and Predicion of Corporae Oucomes: Some Empirical Findings, Inernaional Journal of he Economics of Business, Vol: II, No: 2, pp: 31-51. Yıldız, B. (2001). Finansal Başarısızlığın Öngörülmesinde Yapay Sinir Ağı Kullanımı ve Halka Açık Şirkelerde Ampirik Bir Uygulama, İsanbul Menkul Kıymeler Borsası Dergisi, Vol:17, pp : 51-67.. 19

Ek. Ampirik çalışmamız için belirlenen 10 bağımsız değişkenin hesaplanma yönemi ve modeldeki fonksiyonları aşağıda açıklanmakadır 6. Saışlardaki Büyüme Endeksi (SBE) = Brü Saışlar Brü Saışlar 1 şeklinde hesaplanmakadır. Saışlardaki büyüme başlı başına finansal bilgi yapıldığını gösermemekedir. Bununla birlike büyüyen şirkeler, profesyoneller arafından diğer şirkelere göre finansal bilgi na daha çok yakın olarak görülmekedir. Çünkü bu şirkelerde, borç öz kaynak yapıları ve kaynak ihiyaçları yöneiciler üzerinde saışları arırmak yönünde büyük bir baskı oluşurmakadır. Eğer bu ür şirkelerde, büyümedeki yavaşlamaya bağlı olarak hisse senedi fiyalarında bir düşüş gözlenirse, bu durumda şirke yöneicileri açısından finansal bilgi yapma yönünde daha büyük bir baskı oluşmakadır. Ticari Alacaklar Endeksi (TAE) = Ticari Alacaklar / Brü Saışlar Ticari Alacaklar / Brü Saışlar 1 1 şeklinde hesaplanmışır. Bu endeks saışlara göre şirkein icari alacaklarında -1 yılına göre yılında meydana gelen değişimi gösermekedir. Şirkein kredili saış poliikasında çok önemli bir değişiklik olmadığı sürece bu endeksin doğrusal bir rend izlemesi beklenir. Bu endekseki önemli bir arış; şirkein gelirlerinin, dolayısıyla karının arırılmasına yönelik, konsinye saışların icari alacak ve saışlar şeklinde muhasebeleşirmesi ya da grup içi şirkelerin cari hesapları üzerinden icari alacak oluşurmak sureiyle gerçekleşirilebilecek finansal bilgi uygulamalarının bir gösergesi olarak değerlendirilmekedir. Brü Kar Marjı Endeksi ( Brü Saışlar (BKM) = ( Brü Saışlar 1 Saılan Mal Maliyei Saılan Mal Maliyei 1 ) / Brü Saışlar ) / Brü Saışlar şeklinde hesaplanmakadır. Endeksin 1 den büyük olması şirkein brü kar marjının köüleşmeke olduğunu gösermekedir. Bu durum şirkein geleceğe ilişkin beklenisinde bir olumsuzluk olarak algılanmakadır. Bu durumda olan şirkelerin brü kar marjını düzelmek üzere, saış gelirlerinde arış ya da saış maliyelerinde azalış izlenimi (ya da her ikisini birden) yaramak amacıyla finansal bilgi na başvuracakları kabul edilmekedir. 6 Ampirik çalışmamız için belirlenen 10 bağımsız değişken ve değişkenlere ai veri sei ve açıklamalar, Küçüksözen (2005) ve Küçüksözen ve Küçükkocaoğlu nun (2005) çalışmalarından alınmışır. 1. 20