İMKB Dergisi Yıl: 9 Sayı: 36 ISSN 1301-1650 Yıl: 9 Sayı: 36 İÇİNDEKİLER Finansal Bilgi Manipülasyonunun Tespiinde Yapay Sinir Ağı Modelinin Kullanımı Güray Küçükkocaoğlu & Yasemin Keskin Benli & Cemal Küçüksözen 1 İsanbul Menkul Kıymeler Borsası nda (İMKB) Deneim Görüşlerinin Hisse Senedi Geirileri Üzerindeki Ekisi Hakan Aygören & Süleyman Uyar31 İpoek Varlıklarının Fiyalanması Cem Karakaş & Onur Özsan53 Volailienin Negaif ve Poziif Şoklara Asimerik Tepkisi: TAR-GARCH Modeli Kullanılarak Türkiye Verilerinden Yeni Bir Kanı Cüney Akar75 Finansal Bilgi Manipülasyonunun Tespiinde Yapay Sinir Ağı Modelinin Kullanımı Güray Küçükkocaoğlu & Yasemin Keskin Benli & Cemal Küçüksözen İsanbul Menkul Kıymeler Borsası nda (İMKB) Deneim Görüşlerinin Hisse Senedi Geirileri Üzerindeki Ekisi Hakan Aygören & Süleyman Uyar Global Sermaye Piyasaları 83 İMKB Piyasa İsaisikleri 93 İMKB Yayın Lisesi 97 İpoek Varlıklarının Fiyalandırılması Cem Karakuş & Onur Özsan Volailienin Negaif ve Poziif Şoklara Asimerik Tepkisi: TAR-GARCH Modeli Kullanılarak Türkiye Verilerinden Yeni Bir Kanı Cüney Akar 1997 den iibaren Insiue of European Finance in (IEF) yayınladığı World Banking Absracs endeksi; Temmuz 2000 iibariyle, American Economic Associaion arafından yayınlanan Econli (Jel on CD) endeksi ve 2005 den iibaren TÜBİTAK-ULAKBİM Sosyal Birimler veriabanı kapsamına alınması kabul edilmişir
İMKB Dergisi Cil: 9 Sayı: 36 ISSN 1301-1650 İMKB 1997 FİNANSAL BİLGİ MANİPÜLASYONUNUN TESPİTİNDE YAPAY SİNİR AĞI MODELİNİN KULLANIMI Güray KÜÇÜKKOCAOĞLU 1 Yasemin KESKİN BENLİ 2 Cemal KÜÇÜKSÖZEN 3 Öze manipülasyonunun 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 manipülasyonunun espiinde ahakkukların yanı sıra, bir akım finansal oranları ve endeksleri de kullanmakadırlar Bu çalışmanın amacı, finansal bilgi manipülasyonunun 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 manipülasyonunun espiine nasıl bir kakı sağlayacağı da arışılmakadır Yapay sinirlerin kullanımına dayanan modelin İsanbul Menkul Kıymeler Borsası nda (İMKB) yer alan şirkelerin finansal bilgi manipülasyonu uygulamalarını espi emek bakımından diğer modellerin bulgularıyla (bire bir karşılaşırma yapma imkânı bulunmasa da) karşılaşırıldığında daha iyi sonuçlar üreiği gözlenmekedir I Giriş manipülasyonuna 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 manipülasyonuna başvuran işlemeleri espi açısından bir 1 2 3 Yrd Doç Dr Güray Küçükkocaoğlu, Başken Üniversiesi, İkisadi ve İdari Bilimler Fakülesi, İşleme Bölümü B219, Bağlıca Kampüsü, 06530, Ankara, Türkiye Tel: (312) 234 10 10 E-Posa: gurayk@baskenedur Yrd Doç Dr Yasemin Keskin Benli, Gazi Üniversiesi, Endüsriyel Sanalar Eğiim Fakülesi, İşleme Eğiimi Bölümü Dr Cemal Küçüksözen, Sermaye Piyasası Kurulu, Muhasebe Sandarları Dairesi Başkanı Anahar Kelimeler: Finansal Bilgi Manipülasyonu, Finansal Oranlar, Yapay Sinir Ağı Modeli 2 Güray Küçükkocaoğlu & Yasemin Keskin Benli & Cemal Küçüksözen akım modeller gelişirmeye çalışmakadır Lieraüre sunulan modeller açıklama güçlerine göre finansal bilgi manipülasyonuna 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 manipülasyonunu 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 manipülasyonunun 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 manipülasyonunun 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 manipülasyonunu espi emeye yönelik bir denkleme ulaşılan modelin ardından, lieraürde çeşili modeller aracılığıyla manipülasyonu espie yönelik hesaplamalar yapıldığı gözlemlenmekedir Çalışmamızda bu alana kakı sağlamak amacıyla Yapay Sinir Ağı na dayalı bir espi yöneminin, özellikle Beneish (1997) arafından
Finansal Bilgi Manipülasyonunun Tespiinde Yapay Sinir Ağı Modelinin Kullanımı 3 kullanılan endekslerin İMKB şirkeleri üzerine uygulandığında, nasıl bir sonuca ulaşabileceği es edilmişir Sinir ağlarının finansal bilgi manipülasyonunun 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 manipülasyonunun espiinde anlamlı bir açıklama gücüne sahip 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 manipülasyonunu 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 manipülasyonunun 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 manipülasyonunun espiinde yapay sinir ağı modelinin uygulanması ampirik bir çalışmayla göserilecekir Dördüncü ve son bölümde çalışmanın sonuçları özelenmekedir 4 Güray Küçükkocaoğlu & Yasemin Keskin Benli & Cemal Küçüksözen 21 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 211 Healy Modeli Healy (1985) çalışmasında, eşvik primleri ile ödüllendirilen yöneicilerin alacakları eşvik primi uarlarını arırmak için oplam ahakkukları kullanarak finansal bilgi manipülasyonu yapıkları hipoezini oraya amış ve bunu aşağıdaki modeli kullanarak es emişir NDA = 1/nΣ τ (TA τ / A τ -1) NDA TA A = İhiyari ahakkukları = Toplam ahakkuklar = Toplam varlıklar 212 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 manipülasyonu (kar yöneimi) yapıkları hipoezini aşağıdaki modeli kullanarak es emişir II Finansal Bilgi Manipülasyonunun Oraya Çıkarılması ile ilgili Modeller Çalışmanın bu bölümünde finansal bilgi manipülasyonunun 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 manipülasyonunun espiini amaçlayan modeller anıılacakır NDA = TA -1 / A -2 NDA TA A = İhiyari ahakkukları = Toplam ahakkuklar = Toplam varlıklar 213 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 manipülasyonu (kar yöneimi) ile karlarını düşük göserip gösermediklerini aşağıdaki modeli kullanarak es emişir
Finansal Bilgi Manipülasyonunun Tespiinde Yapay Sinir Ağı Modelinin Kullanımı 5 TA i / A i-1 = α i [1/A i-1 ] + β 1i [ REV/A i-1 ] + β 2i [PPE/A i-1 ] + ε i TA = Toplam ahakkuklar, A = Toplam Varlıklar, REV = Gelirlerdeki değişim, PPE = Brü maddi duran varlıklar 214 Düzelilmiş Jones Modeli Jones (1991) modelinde zımni olarak, gerek finansal bilgi manipülasyonunun 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 manipülasyonunun 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 manipülasyonundan 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 manipülasyonunun daha kolay gerçekleşirilebileceği kabulüne dayanmakadır (Küçüksözen ve Küçükkocaoğlu, 2005) NDA = α 1 (1/ TA -1 ) + α 2 [( REV - REC ) / TA -1 ) + α 3 (PPE / TA -1 ) NDA = İhiyari ahakkukları TA = Toplam Varlıkları, REV = Gelirlerdeki değişimi, REC = Alacaklardaki değişimi, PPE = Brü maddi duran varlıkları gösermekedir 6 Güray Küçükkocaoğlu & Yasemin Keskin Benli & Cemal Küçüksözen 215 Endüsri Modeli Jones (1991) modeline paralel olarak, Endüsri modeli, ihiyari olmayan ahakkukların büün dönemlerde sabi olduğu varsayımını gevşemeke, bununla birlike, ihiyari ahakkukların 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 manipülasyonunu oraya çıkarmaya yönelik modelleri es emişlerdir Yapıkları çalışma sonucuna göre, Düzelilmiş Jones Modeli finansal bilgi manipülasyonunun oraya çıkarılması açısından yukarıdaki modellere göre en güçlü model olarak oraya çıkmakadır (Küçüksözen ve Küçükkocaoğlu, 2005) 22 Karma Modeller Karma modeller, içlerinde oplam ahakkukları barındırmakla birlike, genelde finansal bilgi manipülasyonu uygulamalarında kullanılan muhasebe hesaplarını bir akım finansal oranlara ve endekslere çevirerek espi emeye çalışmakadır 221 Logi ve Probi Modeller Özellikle Beneish in (1997) öncülüğünde finansal bilgi manipülasyonu 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 manipülasyonuna başvuran işlemelerin espiinde kullanılabileceğini söyleyen Beneish, 1997 ve 1999 yıllarında yapığı çalışmalarda finansal bilgi manipülasyonu lieraürüne yeni bir boyu kazandırmışır
Finansal Bilgi Manipülasyonunun Tespiinde Yapay Sinir Ağı Modelinin Kullanımı 7 2211 Beneish Modeli (Probi Model) Beneish (1997), (1999) oluşurduğu modelde, finansal bilgi manipülasyonuna başvuran işlemelerin her zaman agresif olarak ahakkuk kullanan şirkeler olmadığını, finansal bilgi manipülasyonunu 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 manipülasyonu 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 manipülasyonu yapıp yapmadığını, M i 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; manipülasyonu yapan şirkeler için 1 değeri almaka, finansal bilgi manipülasyonuna başvurmayan şirkeler için 0 değerini almakadır), = Model çerçevesinde her bir bağımsız değişken için bulunan kasayıyı, X i = Açıklayıcı değişkenlerin oluşurduğu marisi, є i = Haa erimini ifade emekedir β i 8 Güray Küçükkocaoğlu & Yasemin Keskin Benli & Cemal Küçüksözen 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 manipülasyonu (kâr yöneimi) uygulamalarını da doğru bir şekilde oraya koymakadır Zira ihiyari ahakkuklar finansal bilgi manipülasyonu için yapılabileceği gibi, bundan bağımsız olarak şirkein sraejik hedeflerine yönelik faaliye kararlarına dayalı olarak da yapılabilmekedir 2212 Spahis Modeli (Logi Model) Beneish in (1997), (1999) probi modelinde kullanılan endekslerden farklı olarak finansal oranlara çalışmasında yer veren Spahis (2002), yine finansal bilgi manipülasyonunu 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
Finansal Bilgi Manipülasyonunun Tespiinde Yapay Sinir Ağı Modelinin Kullanımı 9 exp( b0 + b1 x1 + b2 x2 + bn xn ) E( y) = 1+ exp( b + b x + b x + b x ) 0 1 1 2 2 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 n n 10 Güray Küçükkocaoğlu & Yasemin Keskin Benli & Cemal Küçüksözen 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 222 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 manipülasyonunu 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 manipülasyonuna 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 III 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
Finansal Bilgi Manipülasyonunun Tespiinde Yapay Sinir Ağı Modelinin Kullanımı 11 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 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 12 Güray Küçükkocaoğlu & Yasemin Keskin Benli & Cemal Küçüksözen 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) Şekil 1: Yapay Sinir Ağı Yapısı X N Girdi Tabakası Gizli Tabaka Çıkı Tabakası X 1 X 2 X İ h M 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 h 1 h 2 h j Y k Y 2 Y 1 Y Z
Finansal Bilgi Manipülasyonunun Tespiinde Yapay Sinir Ağı Modelinin Kullanımı 13 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 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 (MHO) ve haa kareler oralaması (HKO) 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 05 olarak belirlenmişir Buna göre hesaplanan olasılık değeri 05 en büyük olan şirkeler finansal bilgi manipülasyonu yapan şirkeler, hesaplanan olasılık değeri 05 en küçük olan şirkeler ise finansal bilgi manipülasyonu yapmayan şirkeler sınıfına ayrılmakadır Gözlemler sınıflandırılarak bölümlendirildiken sonra, gerçek durumlarıyla karşılaşırılarak doğru sınıflandırma oranları hesaplanmakadır Ağın eğiimi için 10000 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 31 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, 14 Güray Küçükkocaoğlu & Yasemin Keskin Benli & Cemal Küçüksözen 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 manipülasyonuna başvurduğunu, 1040 gözlemde ise finansal bilgi manipülasyonunun espi edilmediğini gözlemlemişir manipülasyonu yapan ve yapmayan şirke ayrımı yapabilmek için İMKB nin 01011992-31072004 arihleri arasındaki günlük bülenleri ve SPK nın 01011996-31072004 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 manipülasyonu 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 manipülasyonu 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 kamuya açıklanan şirkeler de finansal bilgi manipülasyonu yapan şirke olarak dikkae alınmışır Konrol sei olarak belirlenen 1040 gözlemde, SPK arafından denelenmediği ya da bağımsız deneim sırasında espi edilemediği, dolayısıyla finansal bilgi manipülasyonu 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 32 Değişkenlerin Tanımı ve Veri Kaynakları Çalışmada kullanılan endeksler ve finansal oranlar 4 4 i Saışlardaki büyüme endeksi (SBE) ii Ticari alacaklar endeksi (TAE), iii Brü kar marjı endeksi (BKM), Endekslerin ve oranların hesaplamalarının nasıl yapıldığına dair açıklamaya çalışmanın ekinde yer verilmişir
Finansal Bilgi Manipülasyonunun Tespiinde Yapay Sinir Ağı Modelinin Kullanımı 15 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 manipülasyonuna başvuran şirkelerin her zaman agresif olarak ahakkuk kullanan şirkeler olmadığını, finansal bilgi manipülasyonunu 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 33 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 manipülasyonu yapan ve yapmayan 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 16 Güray Küçükkocaoğlu & Yasemin Keskin Benli & Cemal Küçüksözen oralaması (HKO) ve mulak haa oralaması (MHO) hesaplanmışır Bu sonuçlar aşağıdaki abloda verilmişir Tablo 1: Gizli Kaman Sayısının Belirlenmesinde Oluşurulan Modellerin Sonuçları Model HKO MHO 10-1-1 0305868 0208335 10-2-1 0307067 0211865 10-3-1 0306856 0211334 10-4-1 0304201 0210488 10-5-1 0307615 0208804 10-6-1 0304297 0206663 10-7-1 0307096 0209142 Tablo 1 incelendiğinde, 1 gizli kamanlı modelin (10-1-1) haa kareler oralamasının 0305868 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 0208335 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 10000 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
Finansal Bilgi Manipülasyonunun Tespiinde Yapay Sinir Ağı Modelinin Kullanımı 17 331 Dör Gizli Kamanlı Modelin Sonuçları Tablo 2: Modelin Eğiim Sei İçin Sınıflandırması (10-4-1) Gerçek Tahmin manipülasyonu manipülasyonu Toplam yapmayan (0) yapan (1) manipülasyonu yapmayan 831 1 832 (0) manipülasyonu yapan (1) 132 2 134 Toplam 963 3 966 Eğiim sei için doğru sınıflandırma yüzdesi 86231888 olarak bulunmuşur Haalı sınıflandırma yüzdesi ise 13768116 dır Tablo 3: Modelin Geçerlilik Sei İçin Sınıflandırması (10-4-1) Gerçek Tahmin manipülasyonu manipülasyonu Toplam yapmayan (0) yapan (1) manipülasyonu 108 0 108 yapmayan (0) manipülasyonu yapan (1) 13 0 13 Toplam 121 0 121 Geçerlilik sei için doğru sınıflandırma yüzdesi 89256195 olarak bulunmuşur Haalı sınıflandırma yüzdesi ise 10743802 dir 18 Güray Küçükkocaoğlu & Yasemin Keskin Benli & Cemal Küçüksözen Tablo 4: Modelin Tes Sei İçin Sınıflandırması (10-4-1) Gerçek Tahmin manipülasyonu manipülasyonu Toplam yapmayan (0) yapan (1) manipülasyonu 100 0 100 yapmayan (0) manipülasyonu yapan (1) 21 0 21 Toplam 121 0 121 Tes sei için doğru sınıflandırma yüzdesi 8264463 olarak bulunmuşur Haalı sınıflandırma yüzdesi ise 17355371 dir Eğiim, geçerlilik ve es seleri için elde edilen sonuçlar birleşirildiğinde yapay sinir ağı uygulamasına göre Tablo 5 elde edilmiş olur Tablo 5: Modelin Yapay Sinir Ağı Uygulamasına Göre Sınıflandırması (10-4-1) Gerçek Tahmin manipülasyonu manipülasyonu Toplam yapmayan (0) yapan (1) manipülasyonu 1039 1 1040 yapmayan (0) manipülasyonu yapan (1) 166 2 168 Toplam 1205 3 1208 Yapay sinir ağı uygulamasına göre elde edilen genel doğruluk yüzdesi 86175496 olarak bulunmuşur Haalı sınıflandırma yüzdesi ise 13824503 ür Modele eklenecek yeni bir şirkein gelecekeki durumu ahmin edilmek isendiğinde yapay sinir ağı uygulamasına göre ahminin doğru olma olasılığı % 86175496 olmakadır
Finansal Bilgi Manipülasyonunun Tespiinde Yapay Sinir Ağı Modelinin Kullanımı 19 332 Alı Gizli Kamanlı Modelin Sonuçları Tablo 6: Modelin Eğiim Sei İçin Sınıflandırması (10-6-1) Gerçek Tahmin manipülasyonu manipülasyonu Toplam yapmayan (0) yapan (1) manipülasyonu 832 0 832 yapmayan (0) manipülasyonu yapan (1) 134 0 134 Toplam 966 0 966 Eğiim sei için doğru sınıflandırma yüzdesi 86128365 olarak bulunmuşur Haalı sınıflandırma yüzdesi ise 13871635 ir Tablo 7: Modelin Geçerlilik Sei İçin Sınıflandırması (10-6-1) Gerçek Tahmin manipülasyonu manipülasyonu Toplam yapmayan (0) yapan (1) manipülasyonu 108 0 108 yapmayan (0) manipülasyonu yapan (1) 13 0 13 Toplam 121 0 121 20 Güray Küçükkocaoğlu & Yasemin Keskin Benli & Cemal Küçüksözen Tablo 8: Modelin Tes Sei İçin Sınıflandırması (10-6-1) Gerçek Tahmin manipülasyonu manipülasyonu Toplam yapmayan (0) yapan (1) manipülasyonu 100 0 100 yapmayan (0) manipülasyonu yapan (1) 21 0 21 Toplam 121 0 121 Tes sei için doğru sınıflandırma yüzdesi 8264463 olarak bulunmuşur Haalı sınıflandırma yüzdesi ise 17355371 dir Eğiim, geçerlilik ve es seleri için elde edilen sonuçlar birleşirildiğinde yapay sinir ağı uygulamasına göre Tablo 9 elde edilmiş olur Tablo 9: Modelin Yapay Sinir Ağı Uygulamasına Göre Sınıflandırması (10-6-1) Gerçek Tahmin manipülasyonu manipülasyonu Toplam yapmayan (0) yapan (1) manipülasyonu 1040 0 1040 yapmayan (0) manipülasyonu yapan (1) 168 0 168 Toplam 1208 0 1208 Geçerlilik sei için doğru sınıflandırma yüzdesi 89256195 olarak bulunmuşur Haalı sınıflandırma yüzdesi ise 10743802 dir Yapay sinir ağı uygulamasına göre elde edilen genel doğruluk yüzdesi 86092715 olarak bulunmuşur Haalı sınıflandırma yüzdesi ise 13907284 ür Modele eklenecek yeni bir şirkein gelecekeki durumu ahmin edilmek isendiğinde yapay sinir ağı uygulamasına göre ahminin doğru olma olasılığı % 86092715 olmakadır 4 gizli kamanlı model (10-4-1) ile 6 gizli kamanlı modelin (10-6-1) sonuçları Tablo 10 da özelenmişir
Finansal Bilgi Manipülasyonunun Tespiinde Yapay Sinir Ağı Modelinin Kullanımı 21 Tablo 10: Dör Gizli Kamanlı Model ile Alı Gizli Kamanlı Yapay Sinir Ağı Modelleri 10-4-1 (Genel Doğruluk %) 10-6-1(Genel Doğruluk %) 86175496 86092715 10-4-1 (Haalı sınıflandırma %) 10-6-1(Haalı sınıflandırma %) 13824503 13907284 Bu durumda 4 gizli kamanlı modelin ahmin gücü (% 86175496) 6 gizli kamanlı modelin ahmin gücünden (% 86092715) daha yüksek bulunduğundan, yine 4 gizli kamanlı modelin haalı sınıflandırma yüzdesi (%13824503), 6 gizli kamanlı modelin haalı sınıflandırma yüzdesinden (%13907284) daha düşük olduğundan dolayı 4 gizli kamanlı olan model yapay sinir ağı modeli olarak seçilmişir 22 Güray Küçükkocaoğlu & Yasemin Keskin Benli & Cemal Küçüksözen ise %1382 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 manipülasyonuna başvuran şirkeleri ahmin ederken bu modelin de göz önünde bulundurulması gerekiğini düşünmekeyiz Sonuç olarak, finansal bilgi manipülasyonunu oraya çıkarmaya yarayan değişkenler bilindiğinde, modele yeni kaılan şirkelerin gelecekeki durumlarını ahmin emek için yapay sinir ağları yaklaşımı bir yönem olarak kullanılabilecekir IV Sonuç Lieraüre sunulan modellerde, açıklama güçlerine göre finansal bilgi manipülasyonuna 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 manipülasyonu 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 manipülasyonu yapan ve yapmayan şirkelerin ayrımı yapay sinir ağı modeli ile ahmin edilmeye çalışılmışır Bulgularımız, çalışmada elde edilen sonuçlara göre, ahminin doğru olma olasılığının %8617 düzeyinde gerçekleşiğini, haalı sınıflandırma olasılığının 5 Beneish in (1999) modeli, manipülaör şirkeleri % 37,5-56,1 aralığında manipülaör olarak ahmin emekedir Bu oranlar, konrol şirkeleri için % 80-92 aralığındadır
Finansal Bilgi Manipülasyonunun Tespiinde Yapay Sinir Ağı Modelinin Kullanımı 23 Kaynaklar Beneish, M D, "Deecing GAAP Violaion: Implicaions for Assessing Earnings Managemen Among Firms wih Exreme Financial Performance", Journal of Accouning and Public Policy, Vol:16, No: 3, 1997, pp: 271-309 Beneish, M D, The Deecion of Earnings Manipulaion, Financial Analyss Journal, Vol:55, No:5, 1999, pp:24-36 DeAngelo, L E, Accouning Numbers as Marke Valuaion Subsiues: A Sudy of Managemen Buyous of Public Sockholders, The Accouning Review, Vol:61, No:3, 1986, pp 400-420 Dechhow, P M, Sloan, R G, Sweeney, A P, Deecing Earnings Managemen, The Accouning Review, Vol:70, No:2, 1995, pp 193-225 Healy, P M, The Effec of Bonus Schemes on Accouning Decisions, Journal of Accouning and Economics, Vol:7, 1985, pp:85-107 Fanning K, Cogger KO, Srivasava R, Deecion of Managemen Fraud: A Neural Nework Approach, Inelligen Sysems in Accouning, Finance and Managemen, 4: No 2, 1995, pp:113 126 Fanning K, Cogger KO, Neural Nework Deecion of Managemen Fraud Using Published Financial Daa, Inelligen Sysems in Accouning, Finance and Managemen, 7, 1998, pp:21 41 Gülseçen, S, Yapay Sinir Ağları ile Finansal Uygulamalar ve Döviz Kuru Tahmini İçin Bir Öneri, 4Türk Yapay Zeka ve Yapay Sinir Ağları Sempozyumu Bildirileri, 26-28 Haziran (TAINN 95), 1995, pp:51-61 Güneri, N, Öğrenci Başarısızlıklarının Analizinde Sinir Ağları Yaklaşımının Lojisik Regresyon Analizi İle Karşılaşırılması, (Yayınlanmamış Yüksek Lisans Tezi), Ankara: Ankara Üniversiesi, 2001 Hech-Neilsen, R, Neurocompuing, Massachuses, Addison-Wesley Pub Comp, 1989 Jones, J, Earnings Managemen During Impor Relief Invesigaions, Journal of Accouning Research, Vol: 29, No:2, 1991, pp:193-228 Koh, H C, Tan, S S, A Neural Nework Approach o he Predicion of Going Concern Saus, Accouning and Business Research, Vol: XXIX, No:3, 1999, pp: 211-216 Küçükkocaoğlu, G, Küçüksözen, C, Gerçeğe Aykırı Finansal Tabloların Oraya Çıkarılması: İMKB Şirkeleri Üzerine Ampirik Bir Çalışma, Muhasebe ve Finansman Dergisi, Sayı 28, 2005 24 Güray Küçükkocaoğlu & Yasemin Keskin Benli & Cemal Küçüksözen Küçüksözen, C, Finansal Bilgi Manipülasyonu: Nedenleri, Yönemleri, Amaçları, Teknikleri, Sonuçları Ve İMKB Şirkeleri Üzerine Ampirik Bir Çalışma, SPK Yayınları, No183, Temmuz 2005, Ankara Küçüksözen, C, Küçükkocaoğlu, K, 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, 2005 Salchenberger, L M, Çınar, M, Lash, N A, Neural Neworks: A New Tool for Predicing Thrif Failure, Decision Sciences, Vol: XXIII, No: 4, 1992, pp: 899-916 Spahis, C, Deecing False Financial Saemens Using Published Daa: Some Evidence From Greece, Managerial Audiing Journal, Vol: 17, No: 4, 2002, pp: 179-191 Spahis, C, Doumpos M, Zopounidis, C, Deecing Falsified Financial Saemens: A Comparaive Sudy Using Mulicrieria Analysis and Mulivariae Saisical Techniques, The European Accouning Review, Vol: 11, No: 3, 2004, pp: 509 535 Sungur, M (Ed), Mühendis Gözüyle Yapay Sinir Ağları, Ankara, ODTÜ, 1995 Wilson, N, Chong, K S, Neural Nework Simulaion and Predicion of Corporae Oucomes: Some Empirical Findings, Inernaional Journal of he Economics of Business, Vol: II, No: 2, 1995, pp: 31-51 Yıldız, B, Finansal Başarısızlığın Öngörülmesinde Yapay Sinir Ağı Kullanımı ve Halka Açık Şirkelerde Ampirik Bir Uygulama, İsanbul Menkul Kıymeler Borsası Dergisi, Vol:17, 2001, pp: 51-67
Finansal Bilgi Manipülasyonunun Tespiinde Yapay Sinir Ağı Modelinin Kullanımı 25 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 manipülasyonu yapıldığını gösermemekedir Bununla birlike büyüyen şirkeler, profesyoneller arafından diğer şirkelere göre finansal bilgi manipülasyonuna 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 manipülasyonu yapma yönünde daha büyük bir baskı oluşmakadır Ticari Alacaklar Endeksi (TAE) = Ticari Alacaklar Ticari Alacaklar / Brü Saışlar / 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 26 Güray Küçükkocaoğlu & Yasemin Keskin Benli & Cemal Küçüksözen şirkelerin cari hesapları üzerinden icari alacak oluşurmak sureiyle gerçekleşirilebilecek finansal bilgi manipülasyonu 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 manipülasyonuna başvuracakları kabul edilmekedir Akif Kaliesi Endeksi (1 DönenVarlıklar + MaddiDuranVarlıklar )/ ToplamVarlıklar (AKE) = (1 DönenVarlıklar + MaddiDuranVarlıklar )/ ToplamVarlıklar 1 şeklinde hesaplanmakadır Endeks, oplam varlıkların içinde, dönen varlıklar ve maddi duran varlıklar (makine, esis ve eçhiza) dışında kalan diğer duran varlıklarda bir önceki yıla göre meydana gelen değişimi gösermekedir Bu endeksin 1 den yüksek olması, şirkein giderlerini cari dönem gideri olarak gelir ablosuna yansımak yerine akifleşirdiğine ve böylece finansal bilgi manipülasyonu yapığına işare emekedir Dolayısıyla, akif kaliesi endeksi ile finansal bilgi manipülasyonu olasılığı arasında poziif bir korelasyon beklenmekedir 1 1 1 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
Finansal Bilgi Manipülasyonunun Tespiinde Yapay Sinir Ağı Modelinin Kullanımı 27 Amorisman Endeksi B Amorismanlar / ( B Amorismanlar (AME) = 1 B Amorismanlar / ( B Amorismanlar 1 + Maddi Duran Varlıklar + Maddi Duran Varlıklar şeklinde hesaplanmakadır Çalışmamızda, amorisman giderleri bilanço ya da gelir ablosu kalemlerinden doğrudan hesaplanamadığı için, herhangi bir dönemin amorisman gideri; o dönemin birikmiş amorisman uarı ile bir önceki dönemin birikmiş amorisman uarı arasındaki fark olarak belirlenmişir Bu uar ilgili dönemin amorisman gideri ile farklılık arz edebilir Zira amorismana abi varlıklarda o dönemde meydana gelen değişim, amorisman giderini çok fazla ekilemeden birikmiş amorisman uarını değişirebilecekir Bununla birlike aşağıda değinildiği üzere, çalışma kapsamındaki şirkelerin reel sekörde faaliye göseren şirkeler olduğu, dolayısıyla amorismana abi varlıklarında çok fazla değişim olmadığı dikkae alınarak, amorisman giderlerinin bu şekilde hesaplanmasının doğru bir yaklaşım olacağı düşünülmekedir Bu oranın 1 den büyük olması şirkein karı yüksek gösermek üzere amorisman giderlerini (maddi duran varlıkların kullanım ömrüne ilişkin ahmini süreyi daha uzun olarak kayılara yansımak ya da amorisman meodunu gideri azalacak şekilde değişirmek sureiyle) azalmış olabileceğine işare emekedir Diğer arafan, çalışmamızda analiz kapsamına alınan şirkeler reel sekörde faaliye göseren imala sanayi şirkeleri olduğundan, bu endekse yıllar iibariyle pek bir değişiklik olmaması beklenir Zira imala sanayinde faaliye göseren şirkelerin amorismana abi varlıklarında çok fazla hareke olması (alım-saım yapılması) beklenmez Bu husus da dikkae alındığında, bu endekse yıllara göre önemli arışlar olması, amorisman giderleri üzerinde finansal bilgi manipülasyonu olarak değerlendirilebilecek işlemler yapıldığı şeklinde yorumlanmakadır Bu nedenle modelimizde amorisman giderleri endeksi ile finansal bilgi manipülasyonu olasılığı arasında poziif bir ilişki olduğu kabul edilmişir ) ) 1 28 Güray Küçükkocaoğlu & Yasemin Keskin Benli & Cemal Küçüksözen Pazarlama, Saış, Dağıım ve Genel Yöneim Giderleri Endeksi (PSE) = ( Pazarlama, Saış ve Dağıım Giderleri + GenelYöneimGiderleri ( Pazarlama, Saış ve Dağıım SaışGiderleri 1 + GenelYöneimGiderleri ) / Brü Saışlar 1 ) / Brü Saışlar şeklinde hesaplanmakadır Pazarlama, saış, dağıım ve genel yöneim giderleri ile saışlar arasında, uzun dönemde pek değişmemesi gereken bir ilişki olması beklenir Zira bu giderler şirkelerin esas faaliyelerinin sonucuna, diğer bir ifade ile saışlara bağlı olarak değişen değişken giderler nieliğindedir Dolayısıyla bu değişkende önemli değişimler olması, diğer bir ifade ile saışlarla bu giderler arasındaki oransal ilişkide önemli bir düşüş görülmesi, verimlilike önemli bir arış olmadığı sürece, saışların manipüle edildiği ya da giderlerin eksik kaydedildiği şeklinde değerlendirilebilir Bu çerçevede bu endeksle finansal bilgi manipülasyonu olasılığı arasında poziif bir ilişki olduğu düşünülmekedir Kaynak Yapısındaki Değişim Endeksi ( UzunVadeliBorçlar + KısaVadeliBorçlar ) / ToplamVarlıklar (KYE) = ( UzunVadeliBorçlar + KısaVadeliBorçlar ) / ToplamVarlıklar 1 şeklinde hesaplanmakadır Bu değişkenin 1 den büyük olması şirkein borçluluk oranının arığını gösermekedir Modelde bu değişkene yer verilmesinin nedeni borçlanma koşullarını yerine geirememe durumundan kaçınmak amacıyla yapılacak finansal bilgi manipülasyonu uygulamalarını oraya çıkarmaya yönelikir 1 1 1
Finansal Bilgi Manipülasyonunun Tespiinde Yapay Sinir Ağı Modelinin Kullanımı 29 Toplam Tahakkukların Toplam Varlıklara Oranı Dönen Varlıklar Uzun Vadeli Borç Anapara Ödenecek Hazır Değerler Vergi ve Diğer Yasal Amorisman Giderleri (TVE) = Toplam Taksi ve Faizleri Yükümlülük Varlıklar ( Kısa Vadeli Karşılığı ) Borçlar şeklinde hesaplanmakadır Bu şekilde hesaplanan TVE, ahakkuk esası çerçevesinde (şirke yöneiminin inisiyaifi ile) oluşurulan borç-alacak ile gelir-gider kalemlerinde meydana gelen değişimi gösermekedir Bu değişkenin modele dahil edilmesinin nedeni, şirke yöneiminin ahakkuk esası çerçevesinde gelirleri arırmak ya da giderleri azalmak (ya da ersi) sureiyle finansal bilgi manipülasyonu uygulamasına gidip gimediğini oraya koymakır Dolayısıyla bu değişkende, diğer bir ifade ile naki dışı işleme sermayesinde meydana gelen yüksek düzeydeki bir arış ya da azalış, olası bir finansal bilgi manipülasyonuna işare emekedir 30 Güray Küçükkocaoğlu & Yasemin Keskin Benli & Cemal Küçüksözen Finansman Giderlerinin Brü Saışlara Oranı (FSE) = Finansman Finansman Giderleri Giderleri 1 / / Brü Brü Saışlar Saışlar şeklinde hesaplanmakadır Türkiye de oraya çıkarılan finansal bilgi manipülasyonu uygulamalarında en sık karşılaşılan durumlardan biri finansman giderlerinin cari dönem gideri olarak gelir ablosuna yansıılması yerine alıcılar, soklar, gelecek yıllara ai giderler, işirakler, maddi duran varlıklar, maddi olmayan duran varlıklar ve/veya yapılmaka olan yaırımlar hesaplarına eklenerek akifleşirilmesidir Dolayısıyla şirke yöneimleri çeşili amaçlarla dönem karını arırmak (azalmak) isediklerinde cari dönem finansman giderlerinin önemli bir kısmını akifleşirecek (dönem gideri olarak kaydedecek), böylece isedikleri sonucu sağlayabileceklerdir Vergi mevzuaının finansman giderlerinin dönem gideri olarak kaydedilmesi ya da akifleşirilmesi konusunda esnek bir yapıya sahip olması, bu ür finansal bilgi manipülasyonu uygulamalarının yaygın olarak oraya çıkmasına kakıda bulunmakadır Bu çerçevede bu değişkenle finansal bilgi manipülasyonu arasında bir ilişki olduğu varsayılmışır 1 Sokların Brü Saışlara Oranı Soklar / BrüSaışlar (SSE) = Soklar / BrüSaışlar 1 1 şeklinde hesaplanmakadır Şirke yöneimleri karı düşük ya da yüksek göserme amaçlarına bağlı olarak genel üreim giderlerini saılan malın maliyei ya da soklara değişik oran ya da ölçüde yansıabilmeke ya da sok değerleme yönemlerini (LIFO, FIFO ve Oralama Maliye) değişirebilmekedirler
İMKB Dergisi Cil: 9 Sayı: 36 ISSN 1301-1650 İMKB 1997 İSTANBUL MENKUL KIYMETLER BORSASI NDA (İMKB) DENETİM GÖRÜŞLERİNİN HİSSE SENEDİ GETİRİLERİ ÜZERİNDEKİ ETKİSİ Hakan AYGÖREN Süleyman UYAR Öze Bu çalışmanın amacı İsanbul Menkul Kıymeler Borsası nda (İMKB) deneim görüşlerinin hisse senedi geirileri üzerindeki ekisini araşırmakır Deneim görüşlerinin açıklandığı arih erafındaki günlerde piyasanın deneim görüşlerine epkisini ölçmek amacıyla anormal geiriler hesaplanmışır İMKB de işlem gören 101 ade şirkein 2004 ve 2005 yıllarına ai deneim raporlarında açıklanan görüşler incelenmişir Veriler olay çalışması yönemine göre değerlendirilmiş ve sermaye piyasasının yarı kuvveli ekin olduğu varsayılmışır Elde edilen bulgulara göre; yaırımcılar olay penceresi içinde anormal geiriler elde emişlerdir Olumlu ve şarlı deneim görüşlerinin yaırımcılara farklı bilgi değeri sundukları sonucuna varılmışır Ayrıca yaırımcıların farklı dönemlerde deneim görüşlerini aynı şekilde değerlendirmedikleri sapanmışır Sonuç olarak elde dilen verilerden harekele İMKB nin yarı kuvveli ekinliğe sahip olmadığı söylenebilir I Giriş Güvenilir bilgi ve finansal raporlama sürecinin şeffaflığı yaırımcılar, yöneiciler, borç verenler ve düzenleyici kuruluşlar için önem aşır Yaırımcılar karar alma sürecinde kamuya açıklanan mali abloları da kullanırlar Bunun için mali ablolarda açıklanan bilginin işlemenin gerçek durumunu yansıması gerekir Dış deneim, mali abloların değerlendirmesini yaparak elde eiği sonuçları deneim raporu aracılığıyla kamuya açıklar Dış deneim bu süreçe hem kamu hem de özel sekör açısından güvenilir ve bağımsız bir bilgi kaynağı olarak önemli rol oynar (Messier, 1997) Sermaye Piyasası Kurulu (SPK) ebliğine göre dış (bağımsız) deneim; oraklıkların ve sermaye piyasası kurumlarının mali ablolarının, genel kabul Yrd Doç Dr Hakan Aygören, Pamukkale Üniversiesi, İİBF İşleme Bölümü, Kınıklı Kampusu, Denizli Tel: 0 258-2134030 Faks: 0 258-2134039 E-Posa: haygoren@pamukkaleedur Yrd Doç Dr Süleyman Uyar, Pamukkale Üniversiesi, İİBF İşleme Bölümü, Kınıklı Kampusu, Denizli Tel: 0 258-2134030 Faks: 0 258-2134039 E-Posa: suleymanuyar@pamukkaleedur 32 Hakan Aygören & Süleyman Uyar görmüş muhasebe kavram, ilke ve sandarlarına uygunluğu ile bilgilerin doğruluğunun ve gerçeği dürüs bir biçimde yansııp yansımadığının, deneçiler arafından incelenmesini ve espi edilen sonuçların rapora bağlanmasını ifade eder Türkiye de dış deneim uygulaması 1987 yılında bankacılık sekörü ile başlamışır SPK 13121987 arihinde Sermaye Piyasasında Bağımsız Dış Deneleme Hakkındaki Yönemelik yayınlamışır Daha sonra çeşili ebliğler ile deneim kapsamı genişleilmişir Halka açık şirkeler 1989 yılında deneim kapsamına alınmışır Günümüzde birçok şirke için dış deneim zorunlu hale gelmiş olup hangi şirkelerin dış deneime abi olduğu 12062006 arih ve 26196 sayılı resmi gazeede yayımlanan Seri: X, No:22 sayılı ebliğde açıklanmışır SPK, deneim yapmaya yekili deneim şirkelerini de belirlemişir Haziran 2006 arihi iibariyle oplam 92 şirke Türkiye de dış deneim yapmaya yeki almışır Seri XI, No:1 sayılı Sermaye Piyasasında Mali Tablo ve Raporlara İlişkin İlke ve Kurallar Hakkında Tebliğ e göre hisse seneleri borsada işlem gören şirkeler dış deneim raporlarını mali ablolarla birlike hesap döneminin biimini izleyen 10 hafa içinde borsaya göndermelidirler Ayrıca, mali ablo ve deneim raporu genel kurul oplanısını izleyen 30 gün içinde ülke çapında dağıım yapan ulusal bir gazeede ilan edilmelidir İlan edilen deneim raporunun yer aldığı gazee, ilandan sonra 6 işgünü içinde SPK ya gönderilmelidir Dış deneçilerin çıkar çaışmasına düşmemeleri ve finansal raporlama sürecinin güvenilirliğinin sağlanması amacıyla; deneim ve danışmanlık faaliyeleri birbirinden ayrılmış, bağımsız deneim kuruluşlarının 5 yıllık roasyonu ve deneim komiesi oluşurma zorunluluğu geirilmişir (SPK, 2006) Deneim raporuyla kamuya açıklanan bilgiler yaırımcıların kararlarını ekileyebilir Yaırımcılar elde eikleri bilgiler doğrulusunda varlıklarını fiyalarlar Diğer fakörler yanında yaırımcılar için deneim raporundan elde edilen bilgiler de bir bilgi kaynağıdır (Madhavan ve Smid, 1991; Grossman, 1992; Huang ve Soll, 1994; Chan ve Lakonishok, 1995; Keim ve Madhavan 1996) Bilgilerin fiyalara yansıması piyasanın ekinlik derecesine bağlıdır Ekin Piyasalar Teorisi (EPT) piyasaları zayıf ekin, yarı-kuvveli ekin ve kuvveli ekin olarak üç şekilde sınıflandırmışır Kamuya açık üm bilgilerin hisse senedi fiyalarına am yansıılıp yansıılmadığı yarı-kuvveli ekinlik derecesiyle ilgilidir (Fama, 1970) Kamuya açık üm bilgiler gazee, dergi, bülen, erişim sayfasında yayınlanan bilgileri kapsar EPT ne göre ekin piyasalarda kamuya açıklanan üm bilgiler hisse senedi fiyalarına yansııldığından yaırımcıların normalin üsünde bir geiri elde emeleri söz konusu değildir Diğer yandan ekin olmayan piyasalarda ise yaırımcılar normalin üsünde bir geiri elde edebilirler Bu bağlamda, piyasanın deneim
İsanbul Menkul Kıymeler Borsası nda (İMKB) Deneim Görüşlerinin Hisse Senedi Geirileri Üzerindeki Ekisi 33 raporlarına epkisi es edilebilir Bu es ile piyasanın yarı-kuvveli ekinlik derecesi de es edilmiş olur II Deneim Görüşleri Deneçi, deneim sonrası ulaşığı sonuçları deneim raporunda kamuya açıklar Deneim raporunda olumlu, şarlı, görüş bildirmeken kaçınma ve olumsuz görüş olmak üzere 4 farklı görüş bildirilir Olumlu görüş bildirilen rapor, olumlu deneim raporu, şarlı görüş bildirilen rapor, şarlı deneim raporu, herhangi bir görüş belirilmeyen rapor, görüş bildirmeken kaçınan deneim raporu ve olumsuz görüş bildiren rapor da olumsuz deneim raporu şeklinde ifade edilir (Messier, 1997) Genel Kabul Görmüş Muhasebe İlkeleri (GKMİ), deneçi çalışmalarının kapsamı ve işlemenin geleceğine ilişkin belirsizlik konularında herhangi bir aksaklık espi edilmezse olumlu deneim görüşü verilir Eğer bu konularda bir aksaklık söz konusuysa aksaklığın önem derecesine göre Tablo 21 de görülen farklı deneim görüşleri verilebilir Tablo 21: Aksaklık Derecesine Göre Deneim Görüşü Çeşileri Aksaklıklar Genel Kabul Görmüş Muhasebe İlkeleri (GKMİ) * Tam Açıklama * Devamlılık Kapsam Belirsizlik Kaynak: (Güredin, 2000) Aksaklığın Önem Derecesi Önemsiz Önemli Yeerince Önemli Olumlu Görüş Şarlı Görüş Olumsuz Görüş Olumlu Görüş Şarlı Görüş Görüş Bildirmeken Kaçınma Tablodan da görüldüğü gibi mali ablolarda GKMİ, kapsam ve belirsizlik konularında bir aksaklık oraya çıkar ve bu aksaklık önemsiz derecede olursa verilecek deneim görüşü olumludur Aksaklık önemli derecede ise yani mali ablolar bu aksaklıklar nedeniyle ekilenmiş ancak bir büün olarak dürüs ve güvenilir ise şarlı deneim görüşü verilir Oraya çıkan aksaklık yeerince önemli olur ve aksaklık GKMİ konusunda oraya çıkarsa olumsuz deneim görüşü verilir, aksaklık kapsam ve belirsizlik konularında yaşanırsa görüş bildirmeken kaçınılır SPK, 431996 arihli ve 22570 sayılı Resmi Gazee'de yayımlanan 16 numaralı Sermaye Piyasasında Bağımsız Deneim Hakkında Tebliğ inde deneim raporu ve görüş ürlerini açıklamış olup bu düzenlemede açıklanan deneim raporu ve görüş çeşileri Tablo 21 ile örüşmekedir 34 Hakan Aygören & Süleyman Uyar III Lieraür Araşırması Deneim raporları yaırımcılar için karar alma sürecinde faydalı bir bilgi olabilir Deneçi deneim raporunda olumlu görüş vermişse, deneim raporunun açıklandığı arihlerde yaırımcılar fiya harekeleri bekleyebilir ve bu bekleni poziif yönde olabilir Şarlı, görüş bildirmeken kaçınma veya olumsuz deneim görüşü verilmişse ilgili arihlerde de negaif yönde bir fiya harekei beklenebilir Bu bağlamda deneim görüşlerinin hisse senedi geirilerine ekisi yaırımcıların anormal geiri elde edip edemediklerini göserebilir Ancak, yapmış olduğumuz lieraür aramasında Türkiye de bu konuyla ilgili bir çalışma espi edilememişir Bu nedenle, böyle bir çalışma ile İMKB de deneim görüşlerinin yaırımcı karlarına ekisinin isaisiksel olarak es edilmesine karar verilmişir Sermaye piyasasının deneim raporu ve görüşlerine epkisi konusunda yapılan birçok çalışmaya göre şu sonuçlara ulaşılmışır: Womack (1996) genel olarak kamuya açıklanan olumlu ve olumsuz bilgilerin yaırımcı kararlarını ekilediği sonucuna varmışır Chen ve Diğerleri (2005) deneçilerin değişmesi ve deneim görüşleri gibi bilgilerin yaırımcı kararlarını ekilediğini gösermişir Bomber ve Sraon (1997) bankacılık sekörü için yapılan bir çalışmada deneim raporunda açıklanan bilgilerin bankaya borç veren kurumlar arafından dikkae alındığını espi emişir Taffler ve Diğerleri (2004), Carlson ve Diğerleri (1998) deneim raporunda işlemenin sürekliliğine ilişkin yapılan açıklamanın piyasa arafından uzun süre karar alma sürecinde değerlendirildiği sonucuna ulaşmışlardır Buna karşın Kennedy ve Shaw (1998) deneim görüşlerinin yaırımcılar için karar alma sürecinde bilgi değeri aşımadığını belirmişir Chow ve Rice (1982b) şarlı deneim görüşü ile müşeri işleme arafından deneçilerin değişirilme eğilimi arasında bir ilişki olduğunu sapamışır Lin ve Diğerleri (2003) borç verenlerin şarlı deneim görüşünü işlemenin güvenilirliği üzerinde olumsuz bir eki olarak düşündüğünü belirmişir Diğer çalışmalarda ise özellikle deneim görüşlerinin hisse senedi geirileri üzerindeki ekisi üzerine odaklanılmışır Bu çalışmaların bazılarına göre; yaırımcılar, deneim raporunda açıklanan görüşe ilişkin bilgileri açıklanmadan önce öngörebilirler Bu bilgi de deneim görüşleri açıklanıncaya kadar hisse senedi fiyalarına yansıılmış olur Sonuç olarak deneim raporunda açıklanan görüşlerin ve bilginin anlamlı ve faydalı olmadığı düşünülebilir Özellikle, Anglo-Amerikan çalışmalarda deneim raporlarının yaırımcılara bilgi değeri sunmadığı espi edilmişir Whired (1980), Ellio (1982), Davis (1982), Dodd ve Diğerleri (1984) yaırımcıların bu bilgileri diğer bilgi kaynaklarından zaen elde eiğini, bunun için hisse senedi geirilerinin deneim raporundaki bilgilerinden ve deneim görüşlerinden ekilenmediğini sapamışlardır Loudder ve Diğerleri (1992) piyasanın olumlu deneim görüşünden sapma beklediği durumlarda deneim görüşleri ile hisse
İsanbul Menkul Kıymeler Borsası nda (İMKB) Deneim Görüşlerinin Hisse Senedi Geirileri Üzerindeki Ekisi 35 senedi geirileri arasında anlamlı bir ilişki olmadığını belirmişir Taffler ve Diğerleri (2004), Carlson ve Diğerleri (1998) deneim raporunda işlemenin sürekliliğine ilişkin yapılan açıklamanın hisse senedi geirilerini ekilemediği sonucuna ulaşmışlardır Puchea ve Diğerleri (2004) arafından İspanya da yapılan araşırmaya göre şarlı deneim raporu yaırımcılara bilgi değeri sunmamakadır Bunun aksine değişik zamanlarda yapılan bazı çalışmalarda da deneim görüşlerinin hisse senedi geirilerini ekilediği espi edilmişir (Chakravary, 2001; Chow ve Rice, 1982a) Fleak ve Wilson (1994), Chen ve Diğerleri (2000) deneim görüşleri nedeniyle negaif anormal geiri hesaplamışlardır Chen ve Church (1996) işlemenin sürekliliği konusunda olumlu deneim görüşü açıklanan işlemelerin hisse senedi fiyalarında ani düşüş beklenisinin daha az olduğunu gösermişir Buna ek olarak görüş bildirmeken kaçınılan deneim raporu, şarlı deneim raporuna göre hisse senedi geirilerini daha büyük bir oranda ekilemekedir (Fros, 1994) Tüm bu açıklamalar çerçevesinde, deneim raporunda açıklanan bilgiler ve deneim görüşü nedeniyle yaırımcıların anormal geiri elde edebilecekleri söylenebilir Ancak yapılan lieraür araşırmasında deneim görüşlerinin hisse senedi geirileri üzerindeki ekisini Türkiye de inceleyen bir çalışmaya raslanmamışır Bununla birlike, Türkiye de değişik araşırmacılar arafından çeşili olayların hisse senedi geirileri üzerine ekisini inceleyen çalışmalar yapılmışır Örneğin; (Mandacı, 2003), (Mandacı, 2004), (Çukur ve Eryiği, 2006) sırasıyla genel seçim, birleşme ve saınalma, banka birleşme ve devralmaları olaylarının İMKB 100 endeks ve hisse senedi geirileri üzerindeki ekisini incelemişlerdir Tufan ve Hamara (2006) arafından hava durumunun İMKB 100 endeks geirisi üzerindeki ekisi incelenmiş ve karlı günlerin ekili olduğu sonucuna ulaşılmışır Yörük ve Ban (2006), Şamiloğlu (2005) birleşmelerin ve finansal oranların hisse senedi geirileri üzerindeki ekilerini gıda ve deri seköründe incelemişlerdir Bu çalışmanın amacı; İMKB de deneim görüşlerinin hisse senedi geirileri üzerindeki ekisini araşırmakır Açıklanma arihi erafında piyasanın deneim görüşlerine epkisini espi emek amacıyla anormal geiriler hesaplanacakır Bu çalışma ile Türkiye de bu konudaki lieraür eksikliği giderilmeye çalışılmışır Çalışmada olay çalışması yönemi kullanılmış, piyasanın yarı-kuvveli ekin olduğu varsayılmışır Yani hisse senedi fiyaları halka açık üm bilgileri yansımakadır (Fama, 1970; McWilliams ve Siegel, 1997) 36 Hakan Aygören & Süleyman Uyar IV Veri, Yönem ve Hipoezler Çalışmada İMKB de işlem gören ve esadüfi olarak seçilen 101 ade şirkein 2004 ve 2005 yılları deneim raporlarından yararlanılmışır 1 Bu şirkelere ai deneim raporlarına (deneim arihi ve görüş çeşileri) İMKB nin inerne sayfasından ulaşılmışır İMKB 100 endeksinin günlük kapanış değerleri ve hisse senedi fiyaları İMKB veri abanından ve günlük bülenlerinden elde edilmişir 2 Olay çalışması yönemi hisse senedi fiyaları üzerinde ekili olan bir olayın ekisini ölçmek amacıyla gelişirilmişir Bir önceki bölümde de bahsedildiği gibi, olay çalışması ilgili şirkelerde deneim görüşlerinin hisse senedi geirileri üzerindeki ekisini es emekedir Hisse senedi fiyaları üzerindeki değişmelere odaklanan olay çalışma yönemi, işleme poliikaları, liderlik ve sahiplik konularının finansal ekisini ölçmede, muhasebe geirilerine odaklanan yönemden daha ekilidir Olay çalışması, veri olarak sadece halka açık şirkein ismi, olay arihi ve hisse senedi fiyaını gerekirdiği için uygulaması kolay bir yönemdir (McWilliams ve Siegel, 1997) Olay çalışması yöneminin kullanılması olayın, olay zamanının ve olay penceresinin anımlanmasını gerekirir Bu çalışmada, incelemeye konu olan olay deneim raporunun açıklanması, olayın gerçekleşme zamanı ise deneim raporunun açıklandığı arih olarak belirlenmişir Olay penceresinin uzun seçilmesi isaisiksel olarak çalışmanın gücünü azalabilmeke ve olayın anlamlılığı hakkında yanlış değerlendirmelere neden olabilmekedir Buna ek olarak kısa olay penceresi olayın önemli ekilerini ne olarak yansıabilir (Ryngaer ve Neer, 1990) Bu nedenle bu çalışmada olay pencere uzunluğu (-10, +10) olarak seçilmişir 3 Anormal geirileri hesaplayabilmek için kullanılan beklenen geiriler piyasa modeli kullanılarak hesaplanabilir 4 Hisse senedi piyasasının yeni bilgiye olan epkisini anormal geirilerin yansıığı varsayılmakadır Şirke "i" için anormal geiri şu şekilde hesaplanır: AR i = R E R ) (1) i Burada, AR i i hisse senedi için günündeki anormal geiriyi, R i, i hisse senedinin günündeki fiili geirisini, E ( Ri ), i hisse senedinin günündeki beklenen geirisini gösermekedir 1 2004 yılı ve 2005 yılı deneim raporları sırasıyla 2005 ve 2006 yıllarında açıklanmışır 2 Her bir şirke için deneim raporu arihleri farklıdır Bu nedenle, olayın gerçekleşme arihine bağlı olarak İMKB 100 endeksi günlük kapanış değer ve hisse senedi günlük kapanış fiya arihleri belirlenmişir 3 Olay çalışması yönemini kullanan birçok çalışmada pencere uzunluğu (-10, +10) olarak alınmışır 4 Anormal geirilerin hesaplanmasında Arbiraj Fiyalama Modeli (AFM) de kullanılabilir ( i
İsanbul Menkul Kıymeler Borsası nda (İMKB) Deneim Görüşlerinin Hisse Senedi Geirileri Üzerindeki Ekisi 37 Anormal geirilerin hesaplanabilmesi için ilk olarak fiili geirilerin ve beklenen geirilerin hesaplanması gerekir İncelemeye konu olan dönemler için fiili geiriler eşilik 2 yardımıyla hesaplanabilir P + i Pi 1 Di R i = (2) P i 1 Burada, R i, i hisse senedinin günündeki fiili geirisi, P i, i hisse senedinin günündeki günlük kapanış fiyaı, P i 1, i hisse senedinin 1 günündeki günlük kapanış fiyaı ve D i, i hisse senedine günündeki ödenen emeü uarıdır Beklenen geirileri hesaplayabilmek için piyasa modelinden yararlanılabilir Piyasa modeli hisse senedi geirisini piyasa geirisine ilişkilendiren isaisiksel modeldir Hisse senedi i için piyasa modeli aşağıdaki gibidir: R i = α + β R + ε (3) i i m R i günündeki i hisse senedinin geirisini, Burada, günündeki piyasa geirisini, α i, modeldeki sabii, i R m β i, i hisse senedinin 2 sisemaik riskini (eğimi), i E ( ε i ) = 0, Var( ε i ) = σ ε gösermekedir Piyasa geirilerinin ( R m ) hesaplanmasında İMKB 100 endeksi günlük kapanış değerleri kullanılmış ve piyasa geirileri eşilik 4 yardımı ile hesaplanmışır ε haa erimini [ ] = I I 1 R m (4) I 1 Burada, sırasıyla I, I 1 ve 1 günlerindeki endeks kapanış değerleridir Piyasa modelinin ahmininden önce, ahmin penceresi ve olay penceresinin anımlanması gerekmekedir Her bir hisse senedine ilişkin anormal geirilerin hesaplanabilmesi için ahmin penceresi 150 gün (-161,-11), 38 Hakan Aygören & Süleyman Uyar olay penceresi de 21 gün (-10,+10) olarak belirlenmişir Böylece beklenen geiriler, E R ), olay penceresi boyunca şu şekilde hesaplanır ( i ) ) E ( R i ) = α + β R (5) i Beklenen geirilerin hesaplanmasından sonra, anormal geiriler eşilik 6 yardımı ile hesaplanabilir AR i i m ) ) = R α + β R ) (6) i ( i i m Anormal geiriler hesaplandıkan sonra kümülaif anormal geiriler belirli aralıklarda, (k), (olay penceresi içinde) hesaplanmışır Her bir hisse senedi için kümülaif anormal geiri ( CAR i ) eşilik 7 ile hesaplanabilir CAR k 0,5 i = 1/ k ) AR i = 1 ( (7) Her bir hisse senedi için hesaplanan kümülaif anormal geiriler kullanılarak oralama kümülaif anormal geiriler hesaplanabilir ACAR i = 1/ n n i= 1 CAR Oralama kümülaif anormal geirilerin sıfırdan anlamlı düzeyde farklı olmadığının espi edilmesinde esi kullanılmışır Eğer isaisiksel es sonuçları anlamlı ise kümülaif anormal geiri, n şirkein değeri üzerinde olayın oralama ekisini ölçer Çalışmada oralama anormal geiriler ve oralama kümülaif anormal geiriler hesaplanarak olay penceresi aralığında anormal geirilerin anlamlı olarak sıfırdan farklı olup olmadığı es edilecekir Bunun için aşağıdaki hipoezler kurulmuşur Hipoez 1: H 0 : Olay penceresinde oralama anormal geiriler ve oralama kümülaif anormal geiriler sıfıra eşiir σ AAR üm = 0, ACAR üm = 0, Bu hipoez genel bir hipoez olarak değerlendirilebilir Çünkü bu hipoez olumlu ve şarlı deneim görüşlerinin hisse senedi geirileri üzerindeki i i (8)