Araştırmada finansal tablolarda hile riskini tespitinde finansal oranları kullanılan tahakkuk esaslı ve karma modeller kıyaslanarak, hile riskini daha iyi açıklayabilecek yeni bir model önerilmektedir. Önerilen model, finansal tablo hilelerinin tespitinde, dijital analiz ve oran analizinin birlikte kullanılması temeline dayanmaktadır. Oran analizi yöntemine dayanan probit ve logit modellerdeki temel sorun, veri setindeki şirketlerden hile yaptığı tahmin edilen şirketler ile hile yapmamış olduğu tahmin edilen grupları ayırmaktır. Manipülatör ve dürüst şirketlerin ayrılmasında kesin bir kriter söz konusu değildir. Çalışmada hile yapan şirketlerin belirlenmesinde Benford analizi
106
sonuçları kullanılmış, buna göre ayrılan şirket grupları lojistik regresyon analizi modeliyle test edilmiştir. Modelin aşamaları aşağıdaki gibidir.
1.Aşama: Benford Analizi
Benford analizi kapsamında veri setlerine 1.Basmak, 2.Basamak ve İlk 2 Basamak testleri uygulanmıştır. Basamak testleri veri setindeki bir sayının belli bir basamakta bulunma sıklığını hesaplamaya yarayan testlerdir. Basamak testleri ActiveData programında yapılmıştır.
Test sonuçlarınca gerçekleşen basamak frekansları, Benford yasasınca beklenen basamak frekansları ile karşılaştırılarak, aradaki farkın anlamlılık derecesi MAD testine göre belirlenmiştir. Ortalama Mutlak Sapma (MAD), basamakların gözlemlenen frekans oranı ile Benford Yasasına göre beklenen frekans arasındaki ortalama mutlak farkın hesaplanmasına dayanan bir uygunluk sınaması olarak kullanılır (Drake ve Nigrini 2000:134). MAD sayıların Benford yasasına uyumunu, veri sayısını hesaba katmadan ölçen bir ölçme aracı olduğundan, aşırı güç problemi yaşamamaktadır.
MAD =∑ | |
Burada AP gerçekleşen yüzdeyi, EP beklenen yüzdeyi ve K değişken sayısını (ilk iki basamak için 90'a eşittir) temsil eder. Kayıtların sayısı (N), MAD hesaplamasında kullanılmaz.
MAD’ın üç bölümü vardır. Paydaki sapma, veri setindeki ilk basamakların gerçek ve beklenen gerçekleşme oranları arasındaki farklarının mutlak değer içinde toplamını ifade etmektedir. Payda, değişken sayısını gösterir ilk iki basamak için 90 farklı ilk iki basamak mümkündür. Sonuç ortalama mutlak sapmayı verecektir. MAD ne kadar yüksekse, gerçek ve beklenen oranlar arasındaki ortalama fark da o kadar yüksek olacaktır (Nigrini,2011:35). MAD, değerleri veri setine uygun belirlenmiş deneyimsel kritik değerlerle karşılaştırılır. En düşük MAD değerine sahip veriler, Benford yasasına en yakın uyuma sahiptir. Kritik değerlerdeki aralığı aşan farklar Benford yasasına uyumsuzdur ve hile sinyali olarak değerlendirilir.
107
2.Aşama: Kritik Değerler Tablosunun Oluşturulması
MAD değerlerinin uyum seviyesinin belirlenmesinde kullanılabilmesi için kritik değerlere ihtiyaç vardır. Çalışmada bunun için güncel ve özgün bir MAD kritik değerler tablosu oluşturulmuştur. Bu amaçla veri setinin tamamı için yıllık ve 5 yıllık bazda MAD değerleri hesaplanmış, hesaplanan bu MAD değerlerin ortalaması kritik değerler olarak kabul edilmiştir. Literatürde her basamak frekansı için ayrı bir kritik değer kullanılmaktadır. Ancak uygulamada bir veri setinin Benford yasasına uyumunun ölçülmesinde hangi basamak frekansının karşılaştırılması gerektiği veya basamak uyumlarının tutarlı olmaması durumunda yorumun nasıl yapılacağı açık değildir. Bu nedenle bu çalışmada hesaplanan üç farklı basamak değeri için hesaplanan MAD değerlerinin ortalaması alınması suretiyle tek MAD değeri oluşturulmuş, bu değere “Benford Basamak Skoru (BBS)” denmiştir.
BBS = Ortalama (1.Basmamk MAD, 2.Basmak MAD, İlk 2 Basamak MAD)
Her bir şirketin yıllık bazda finansal tablo verilerinin dijital analizi sonucu hesaplanan BBS uyumuna göre hile riski yüksek şirketler belirlenmiştir.
BBS’nin Benford yasasına uyumun ölçülmesinde etkin olup olmadığını test etmek için, BIST’te işlem gören rastgele seçilen bir şirketin, 2017 yılı çeyrek dönemlik 4 adet bilanço ve gelir tablosu dönem net karını arttıracak şekilde manipüle edilerek, orijinal finansal tablolar ile manipüle edilmiş finansal tabloların test sonuçları karşılaştırılmıştır. Manipülasyon işlemi, 4 bilanço ve gelir tablosu kalemi değiştirilerek yapılmıştır. Bu çerçevede gelir tablosunda, “Satışlar” kalemi arttırılmış, “Faaliyet Giderleri” azaltılmıştır. Bilançoda ise “Kısa Vadeli Ticari Alacaklar” kalemi ile “Borç ve Gider Karşılıkları” kalemi arttırılmıştır. Manipüle edilen ve orijinal finansal tabloların Benford analizi sonuçları Tablo 27’de verilmiştir.
Tablo 27. BBS Etkinlik Testi
Veri Seti 1.Bsmk 2.Bsmk İlk2Bsmk BBS
Manipüle Edilen 0,0158 0,0188 0,0051 0,0132 Orijinal 0,0162 0,0177 0,0049 0,0129
108
Tablo 27’de verilen 1.Basamak testi sonuçlarına göre, manipüle edilen veri setinin MAD değeri 0,0158 ile orijinal veri setinden daha düşük çıkmıştır. Bu sonuca göre manipüle edilen veri seti Benford yasasına daha uyumlu görünmektedir. İkinci basamak ve ilk iki basamak sonuçlarına göre orijinal veri setinin MAD değerleri daha düşük çıkarak doğru sinyal vermişlerdir. BBS sonuçları ikinci basamak ve ilk iki basamak sonuçlarıyla paraleldir. Test kârın azaltılması yönünde de tekrarlanmış, deney rastgele seçilmiş 3 şirket verilerinde denenmiş ve benzer sonuçlar alınmıştır. Dolayısıyla BBS değerinin, Benford yasasına uyumu ölçmede etkin olduğu söylenebilir ancak testin daha fazla veri ile tekrarlanması faydalı olacaktır.
3.Aşama : Oran Analizi
Finansal tablolardan hile sinyali veren belirli bir finansal bilgi seti olup olmadığı araştırılmaktadır. Literatürde bu konuda geliştirişmiş farklı modeller mevcuttur. Bunlardan sıklıkla kullanılanlar; Altman Z-skor (1968), Beneish (1999), ve Spathis (2002) modelleridir. Bu modeller finansal tablolarda manipülasyonda etkili olabilecek çeşitli finansal oranlar belirlemiş ve bu oranların finansal manipülasyonu tespit gücünü regresyon analizleri ile test etmişlerdir. Çalışmada bahsi geçen 3 farklı modelde yer alan oranlar dahil, finansal tablo manipülasyonunda etkili olabilecek finansal oranlar lojistik regresyon analiziyle araştırılarak, manipülasyonu açıklama gücü en yüksek ve anlamlı olan oranlar seçilerek yeni bir model oluşturulmuştur.
Çalışmada temel alınan Probit Model Mi= βi Xi + єi şeklinde olup burada;
Mi= Dummy (kukla) değişkeni (İkili değişken; Finansal bilgi manipülasyonu yapan şirketler için 1 değeri almakta, finansal bilgi manipülasyonuna başvurmayan şirketler için 0 değerini almaktadır),
Xi = Açıklayıcı değişkenlerin oluşturduğu matrisi, єi = Hata terimini ifade etmektedir.
Lojistik regresyon analizinin temel odağı, bireylerin hangi grubun üyesi olduğunu kestirmede bir regresyon denklemi oluşturmaktır. Bu çalışmada, iki kategorili
109
(ikilem/dichotomous/binary) bağımlı değişken olarak ifade edilen belirli gruplara üye olma durumunu en iyi açıklayan bağımsız değişkenler kombinasyonunu belirlemeye yönelik ikili lojistik regresyon analizi (Binary Logistic Regression Analysis) kullanılmıştır.
Lojistik regresyon analizinde amaç, kategorik bağımlı değişkenin değerini tahmin etmek olduğundan, aslında burada yapılmaya çalışılan iki ya da daha fazla gruba ilişkin “üyelik” tahminidir. Buna göre analizin amaçlarından birinin sınıflandırma, diğerinin ise bağımlı ve bağımsız değişkenler arasındaki ilişkileri araştırmak olduğu ifade edilebilir (Çokluk,2010:1362).