Finansal başarısızlık tahmin çalışmalarında karşılaşılan sorunlar genelde üç başlık altında toplanabilir. Bunlar sırasıyla finansal oranların kullanımından
kaynaklanan sorunlar, örneklem yöntemiyle ilgili sorunlar ve değişkenlerle ilgili sorunlardır.
Finansal Oranların Kullanımından Kaynaklanan Sorunlar: Finansal başarısızlık tahmin çalışmalarında karşılaşılan sorunlar en başta finansal oranların kullanılmasıyla ilgili ortaya çıkmaktadır. Finansal oranların kullanılmasıyla karşılaşılan en önemli sorun finansal oranların normal dağılıma uymaması sorunudur. Bir diğeri ise çoklu bağlantı da denilen finansal oranlar arasındaki korelasyondur. Sabit varyans eksikliği, finansal oranların zaman boyutunda istikrarsız bir yapıda olması ve finansal oranların negatif değere sahip olması da diğer sorunlar olarak karşımıza çıkmaktadır (Aktaş, 1997: 75).
Finansal oranların normal dağılmaması sorunu özellikle diskriminant analizinde geçerlidir. Diskriminant analizi, verilerin normal dağıldığını varsaymaktadır. Uygulamada, değişkenlerin çoklu normal dağılıma sahip olmadığı görülmektedir. Bu durum, anlamlılık testlerinde ve hesaplanan hata oranlarında yanlışlığa neden olabilmektedir. Çok değişkenli normal dağılım, önsel olarak tek değişkenli normal dağılımı gerektirmektedir. Bu yüzden, bazı araştırmacılar tek değişkenli normalliği test ederek çok değişkenli normalliği test etmeyi ihmal etmektedirler. Finansal başarısızlık tahmin modellerinde çoğunlukla değişken olarak kullanılan finansal oranlar, genellikle normal olmayan bir dağılım göstermektedir. Bazı çalışmalarda, model oluşturulmadan önce çeşitli dönüşümler yardımıyla tek değişkenli normal olmayan dağılım düzeltilir ya da oranlar tek değişkenli normal dağılıma yaklaştırılır. Literatürde, değişkenleri normal dağılıma yaklaştırmak için kullanılacak uygun dönüşümle ilgili genel kabul görmüş ilkeler bulunmamaktadır. Değişkenlerin dönüştürülmesi, normal dağılımla sonuçlanabilmesine karşın, çok değişkenli normallik varsayımı halen sağlanamayabilir ve dönüşüm değişkenler arası karşılıklı ilişkileri değiştirerek çok değişkenli diskriminant modelini bozabilir. Sonuç olarak, bu meselenin dikkatli bir şekilde ele alınması gerektiği açıktır. Uygulamada çoğunlukla diskriminant modelinin performansı yüksek çıktığı zaman verilerin normal dağılıp dağılmadığına bakılmamakta, sınıflandırma doğruluğu düşük olduğunda bu sorun incelenmektedir. Ayrıca, normal dağılım varsayımı
gerektirmeyen lojistik regresyon analizi ve yapay sinir ağları gibi yöntemlerin kullanılması da soruna çözüm olarak düşünülebilir (Torun, 2007: 80).
Finansal oranların kullanılmasından kaynaklanan diğer bir sorun ise çoklu bağlantı sorunudur. Çok boyutlu modellerde bağımsız değişkenler olarak kullanılan finansal oranların kendi aralarında yüksek korelasyon göstermesine çoklu bağlantı (multicollinearity) denilmektedir. Bu yüksek korelasyon, bir oranın pay veya paydasında yer alan değerin başka oranların hesaplanmasında da kullanılmasına ve bazı finansal tablo kalemlerinin diğer kalemlerle aynı yönde değişiklik göstermesine bağlanabilir. Çoklu bağlantı, çoklu regresyon modelinde, probit ve logit modellerinde katsayıların standart hatasını etkilemekte ve dolayısıyla bağımsız değişkenlerin belirginlik testlerinin yanlı çıkmasına neden olmaktadır. Bu nedenle çoklu bağlantı sorunu finansal oranlardan hangilerinin önemli olduğu konusunda doğru karar vermeyi engellemektedir. Ancak finansal analizci açısından önemli olanın modelin tahmin gücü olduğu unutulmamalıdır. Modelin tahmin gücüne olumlu katkı yaptığı sürece yüksek korelasyon içeren değişkenleri modelde bulundurmak, modelin tahmin gücünü artırmak bakımından önemlidir (Aktaş, 1997: 78).
Bir finansal orana ilişkin değerlerin zaman içerisinde gösterdikleri korelasyon, zaman serisi çalışmalarında sabit varyans eksikliği (heteroscedasticity) sorunu yaratabilmektedir. Sabit varyans eksikliği modelin tahmin gücünü düşürebilmektedir. Finansal oranların zaman serisi analizinde kullanılması durumunda ortaya çıkan bu sorun yatay kesit çalışmasında ortadan kalkabilmektedir. Bir finansal başarısızlık tahmin modelinin daha sonraki yıllar için kullanılabilmesi finansal oranların zaman boyutunda kararlılık göstermesine bağlıdır. Ancak çeşitli faktörler nedeniyle finansal oranların kararlılığı zaman içerisinde bozulmaktadır. Bu nedenle finansal tahmin modelinin sık sık gözden geçirilmesi gerekmektedir. Finansal oranların kullanılmasıyla ilgili ortaya çıkan bir diğer sorun ise negatif değer sorunudur. Oran değerleri pay ve ya paydanın negatif değer aldığı durumlarda düzeltilmelidir (Aktaş, 1997: 80).
Yıllık mali tabloların düzenlenmesi ve yayınlanması zorunluluğu, genellikle firma türü ya da büyüklüğü gibi belirli bir kritere bağlıdır. Bundan dolayı, finansal oranlar kullanılarak oluşturulan modeller belirli firmaların verileriyle
sınırlanmaktadır. Ülkemizde sadece halka açık firmalar finansal tablolarını yayınlamak zorundadır ve genellikle çalışmalar bu firmalar üzerinde yapılmaktadır. Bu yüzden bir çok çalışma belirli firmalar ile sınırlıdır. Bununla birlikte finansal oranlara dayalı olarak başarısızlık tahmin modeli oluşturulduğunda, araştırmacılar finansal tabloların firmaların finansal durumunu doğru bir şekilde yansıttığını varsaymaktadırlar. Ancak finansal tabloların her zaman doğru ve güvenilir olmadığı bilinmektedir. Firmaların finansal durumlarını gizlemek için çeşitli yöntemlerle finansal tablolarını düzenlediklerini ve finansal durumunu daha olumlu göstermek istedikleri zamalar da olmaktadır Özellikle başarısız firmalarda, bir savunma mekanizması olarak bu eğilimin daha güçlü olduğu düşünülebilir. Dolayısıyla, manipüle edilmiş finansal tablolardan elde edilen finansal oranların kullanılması, başarısızlık tahmin modellerinin güvenilirliğini azaltmaktadır. Finansal oranların kullanılmasıyla ilgili bir başka sorun ise finansal tablolardan hesaplanan bazı finansal oranların uç değerlere sahip olabilmesidir. Modelde yer alan bazı oranlar için uç değerlerin (ortalamadan oldukça farklı çok yüksek ya da çok düşük değerler) varlığı, modeldeki bu orana ilişkin katsayıyı etkileyebilir. Bu problem, uç değerler yerine o oranın örnekteki ortalama değerini koyarak çözülebilmektedir. Özellikle lojistik regresyon analizinin, uç değerlere karşı duyarlı olduğu bilinmektedir. Araştırmacılar, başarısızlık tahmin modellerine sadece finansal oranları dahil ettiklerinde, dolaylı olarak tüm başarı ya da başarısızlık göstergelerinin (firma içi ve firma dışı) finansal tablolara yansıdığını varsaymaktadırlar. Bununla birlikte, başarı ya da başarısızlıkla ilgili tüm bilgilerin bilanço ve gelir tablosunda yer almadığı da ortadadır. Bu açıdan bakıldığında, finansal oranların yanlış giden bazı şeyleri gösterebileceğini fakat tek başlarına başarısızlığı tahmin edemeyeceklerini bilinmektedir. Bu nedenle, nitel ya da muhasebe dışı göstergelerin de başarısızlık tahmin modellerine dahil edilmesi gerekebilmektedir. Ayrıca, bir firma tek başına faaliyet göstermemektedir, çevresiyle sürekli olarak etkileşim içindedir. Bu nedenle, başarısızlık tahmin modellerinde dış çevre hakkındaki bilgiler de dikkate alınmalıdır. Dikkate alınması gereken en temel unsur, makroekonomik durumdur. Ancak finansal başarısızlık tahmin çalışmalarının önemli bir kısmında kullanılan yaklaşım, makroekonomik faktörlerin etkisinin firmanın finansal oranlarına yansıdığını varsayarak, söz konusu değişkenleri ayrıca kullanmamak yönündedir. Finansal oranların kullanımıyla ilgili bir diğer problem,
finansal oranların farklı bileşenlerden oluşmasıdır. Bu bileşenlerden her biri, firmanın finansal durumu hakkında farklı bir bilgi yansıtmaktadır. Başarısız ve başarılı firmalarda belirli oranların bileşenleri açık şekilde birbirinden farklı olmasına karşın, oran değerleri arasında önemli bir farklılık olmayabilir. Bu nedenle, bazı durumlarda finansal oranlar yerine, söz konusu oranların bileşenlerini kullanmak daha anlamlı olabilmektedir (Torun, 2007: 75-79).
Bütün bu sorunlara rağmen finansal tahmin çalışmalarında finansal oranların kullanımının önemi büyüktür. Özellikle yalın muhasebe verileri ile çalışmaya kıyasla en önemli yararı farklı büyüklükte, farklı sektörde ve farklı risk sınıfında olan firmaları aynı örnek içerisinde incelenmesi mümkün kılmasıdır.
Örneklem Yöntemiyle İlgili Sorunlar: Finansal başarısızlık tahmin modellerinde, modelin oluşturulmasında kullanılan başarısız ve başarılı örneklerin, firmaların tüm popülasyonunu temsil edici nitelikte olması gerekmektedir. Aynı zamanda bazı istatistiki yöntemler, tesadüfi örnekleme varsayımına dayanmaktadır. Buna karşılık, geleneksel istatistiki yöntemler kullanılarak oluşturulan tahmin modellerinin büyük çoğunluğunda, tesadüfi olmayan bir örnekleme kullanıldığı görülmektedir. Bunun sonucunda da örneğin bileşimi, popülasyonunkinden farklı olabilmektedir (Torun, 2007: 66). Bir başka deyişle örneklem grubunun popülasyonu temsil edebilmesi, ancak, örneklemin belli bir büyüklükte olması ve popülasyondan rassal olarak seçilmesi ile mümkündür. Fakat bu koşullar finansal başarısızlık tahmin çalışmalarında genellikle sağlanamamıştır. Bu koşulların sağlanamamasının nedenlerinden biri, genelde istatistik tutulmadığı iç.in gerçek yaşmadaki (popülasyondaki) finansal başarısızlık oranının bilinmemesidir. Bununla birlikte, finansal başarısızlığa uğramış firmalar ile ilgili bilgilerin elde edilmesindeki zorluk da bir diğer nedendir. Üçüncü bir neden ise araştırma maliyetlerini artırmamak için finansal başarısızlığa uğramış firmaların oranının gerçek yaşamdakine kıyasla daha yüksek alınması gerekliliğidir (Aktaş, 1997: 82).
Eğer modelin oluşturulmasında kullanılan örnekler tesadüfi olarak belirlenmemişse, model parametrelerinin ve başarısızlık olasılıklarının taraflı olacağı ve sınıflandırma sonuçlarının da bu durumdan etkileneceği beklenebilir. Bazı araştırmacılar, tesadüfi olmayan örneklere dayanan başarısızlık tahmin modellerinde,
elde edilen sınıflandırma doğruluğunun genelleştirilemeyeceğini ileri sürmektedir. Söz konusu araştırmacılar, modelin raporlanmış sınıflandırma doğruluğunun olay sonrası doğruluk olduğunu ve tahmin bağlamında modelin olay öncesi performansından çok farklı olabileceğini vurgulamaktadırlar (Balcaen ve Ooghe, 2004: 22). Bunun tam aksine, Zmijewski (1984) tesadüfi olmayan örneklerin kullanımının, toplam doğruluk oranlarını önemli derecede etkilemediğini bulmuştur (Zmijewski, 1984: 80).
Örneklem ile ilgili bir diğer sorun ise örneklem büyüklüğünün yetersizliğidir. Bir modelin tahmin gücü ile örnek hacmi arasında önemli bir ilişki bulunmaktadır. Modellerin örnek hacmi yetersizliğine karşı duyarlılıkları farklıdır. Örneğin, örnek büyüklüğü hangi diskriminant analizinin kullanılacağını gösteren en önemli etkendir. Parametre sayısı az ve kovaryans farkları önemsiz ise doğrusal ya da kuadratik modelden hangisinin tercih edileceği konusu önemini kaybedecektir. Ancak örneklem büyüklüğünün yeterli olduğu durumlarda hangi analizin kullanılacağı konusu öne çıkmaktadır. Probit ve logit modelleri de örnek hacminin yetersizliğine duyarlıdır. Çünkü bu modellerde tahmin edilmesi gereken parametre sayısı doğrusal diskriminant analizine göre daha fazladır (Aktaş, 1997: 84).
Finansal başarısızlığın tahmini alanında yapılan çalışmaların büyük bir kısmında, başarısız ve başarılı firmaların eşleştirilmiş örneği (her bir başarısız firma için bazı kriterler dikkate alınarak eşleştirilmiş başarılı bir firma seçilmesi) kullanılmıştır. Bu durumda, modelin oluşturulmasında kullanılan örneğin yarısı başarısız firmaların verilerini, yarısı da başarılı firmaların verilerini kapsamaktadır. Eşleştirme, genellikle büyüklük, sektör ve yaş kriterleri dikkate alınarak yapılmaktadır. Eşleştirmenin sağladığı en önemli yararlardan biri, tahmin gücü olduğuna inanılan fakat tahminci değişkenler içerisinde yer almayan bazı değişkenlerin, araştırmacılar tarafından kontrol edilmesine olanak tanımasıdır. Eşleştirmenin en önemli nedeni; başarısız firmaların genellikle daha küçük olması ve belirli başarısız sektörlerde yoğunlaşmasıdır. Bu nedenle, tesadüfi örnekleme kullanıldığında, başarısız ve başarılı firma grupları arasında büyüklük ve sektör açısından muhtemelen büyük farklılıklar bulunacaktır (Bishop vd., 2003; 4). Bununla birlikte eşleştirme rassal örnekleme yapmaya engel olduğundan dolayı genelleme
yapmaya olanak vermemektedir. Aynı zamamda eşleştirme yöntemi, eşleştirme kriterlerinin etkin bir şekilde kontrolüne de imkan vermemektedir. Eşleştirme ile ilgili bir diğer sorun ise, eşleştirme yöntemiyle kontrol edilen değişkenler, gerçekte finansal başarısızlığın önemli bir göstergesiyseler bu durumda model sonuçları bunları göstermeyecektir (Aktaş, 1997: 85).
Değişkenler İle İlgili Sorunlar: Finansal başarısızlık tahmin çalışmalarında en sık karşılaşılan sorunlardan biri değişkenler ile ilgili sorunlardır. Öncelikle bağımlı değişken olarak firmaların başarılı ve başarısız olması durumu tam olarak net değildir. Modellerde başarısız ve başarılı kabul edilen firmaların birbirinden tamamen farklı olduğu kabul edilmiştir. Ancak gerçek hayatta başarılı ve başarısız firmaları ayırmak bu kadar kolay değildir. Bu tür çalışmalarda en büyük sorun başarısız firmaları belirlemek ile başlamaktadır. Bu tamamen araştırmacının yaptığı başarısızlık tanımıyla ilgilidir. Birinci bölümde de anlatıldığı gibi finansal başarısızlığın değişik tanımları mevcuttur. Bu tanımlardan bir veya bir kaçını başarısızlık kriteri olarak belirlemek tamamen araştırmacıya kalmıştır. Genellikle yapılan çalışmalarda finansal başarısızlık olarak firmaların iflas etmiş olması dikkate alınır. Ancak bu iflas başarısızlık sürecinin bir sonucu olarak karşımıza çıkmaktadır. Aynı zaman da her başarısız firmanın sonu iflas olmamaktadır. Bununla birlikte bazı araştırmacılarda iflas tanımının çok dar olduğunu ve daha geniş bir kavram olan finansal başarısızlık kavramını kullanmanın uygun olacağını söylemektedir. Finansal başarısızlık kavramı da araştırmacının keyfiyetine göre belirlenen bir kavramdır. Genellikle çalışmalarda kullanılan finansal başarısızlık kriterleri varlıkların azalması, üst üste zarar açıklama, sermayenin azalması vb. olabilmektedir.
Değişkenler ile ilgili bir diğer sıkıntı ise çalışmalarda kullanılacak veri setindeki değişkenlerin seçimi ile ilgili sıkıntıdır. Değişkenlerin seçimi esnasında popülaritesi yüksek veya daha önce yapılmış çalışmalarda kullanılan değişkenlerin seçilmektedir. Buradaki en önemli sorun seçilen değişkenlerin istatistiki yöntemlerle belirlenirken, bu değişkenlerin başarısızlıkla ilgili olup olmadığına bakılmamasıdır.
Değişkenlerin istatistiki yöntemlerle seçilmesinin ilk olumsuz sonucu, başarısız ve başarılı firmalar arasında hangi değişkenlerin en iyi ayrımı yaptığı konusunda bir fikir birliği bulunmamasıdır. Literatürde yer alan ampirik çalışmalarda, en iyi
tahminci değişkenler konusunda birliktelik yoktur. İyi sınıflandırma sonuçlarına sahip, her biri farklı sayıda ve farklı değişkenlerden oluşan çok sayıda başarısızlık tahmin modeli vardır. İkinci olumsuz sonuç, değişkenler istatistiki olarak seçildiğinde, modeldeki değişkenler genellikle kullanılan örneğe bağlı olmaktadır. Bu nedenle de istatistiki bulgular kimi zaman genelleme yapmak için uygun olmayabilir. Değişkenlerin istatistiki olarak seçilmesinin bir diğer olumsuz sonucu da, başarısızlık tahmin modelinin bazı katsayılar için sezgilerin karşıtı işaretler gösterebilmesidir. Bu modeller, kestirim örneklerindeki firmaları en iyi şekilde sınıflandıran bir değişkenler kombinasyonu kullanmaktadırlar. Söz konusu modeller, değişkenlerin finansal durumla ilgili önemini ihmal etmektedirler. Bazen finansal oranlar arasındaki yüksek korelasyon, bazı değişkenlerin katsayılarına beklenmedik işaretler atanmasına neden olabilmektedir. Bu durum, iyi bir tahmin modelinin dikkatli bir şekilde seçilmiş bazı değişkenleri kapsaması gerektiği ve bu değişkenlerin sezgisel olarak doğru olan yönde kullanılması gerektiği genel görüşüyle çelişmektedir (Torun, 2007: 73).
Geçerlilik Sorunu ve Durağan Olmama: Çok boyutlu modellerin tahmin gücü modelin elde edildiği örnek üzerinde ölçüldüğünde sonuçlarda yanlılık (gerçek durumun yansıtılmaması) ortaya çıkmaktadır. Uygulama sonuçları ile gerçek durum arasındaki bu olası sapma iki neden dayanmaktadır. Birincisi, örneklemin popülasyonu temsil etmemesi diye tanımlanan örnekleme hatasıdır. En iyi modeli elde etme süreci yanlılığın diğer kaynağını oluşturmaktadır. Çok sayıda değişkenden en iyi olanlarını ayıklama sürecinde, kullanılan çok boyutlu analize bağlı olarak yanlı sonuçlar elde edilmektedir. Modelin gerçek tahmin gücünü ölçen geçerlilik testi mutlaka yapılması gereken bir testtir.(Aktaş, 1997: 92).
Kurulan modelin tahmin bağlamında kullanılması, değişkenler arası ilişkilerin zaman içerisinde kararlı olmasını ve gelecekte model tarafından sınıflandırılacak olan firmalardaki ilişkilerin, örnekteki firmalarla aynı olmasını gerektirir. Bunlardan birincisi, bağımsız değişkenler ve bağımlı değişken arasındaki ilişkinin zaman içerisinde kararlı olması gerektiği anlamına gelir. Buna durağanlık varsayımı denir. İkinci olarak, eğer modeldeki bağımsız değişkenler arasında ilişkiler varsa, bu ilişkiler durağan olmalıdır ve diğer örneklerde de tekrarlanmalıdır. Durağan olmama
probleminin, bağımsız değişken değerlerinin ortalama yapısının, modeli oluşturma dönemi ve tahmin dönemi arasında önemli derecede farklı olduğu anlamına gelen veri istikrarsızlığıyla yakından ilgili olduğu açıktır (Balcaen ve Ooghe, 2004: 25).
Durağan olmama ve veri istikrarsızlığı, finansal başarısızlık tahmin modellerinde ciddi sorunlar ortaya çıkarabilmektedir. İlk olarak, kurulan model, zayıf tahmin yeteneğine sahip olabilir. Böyle bir model, sonraki zaman dönemlerinden örnekler üzerinde uygulandığında performansı büyük ölçüde azalacaktır. Bu nedenle, oluşturulan modellerin sonraki dönemdeki yeni örnekler üzerinde test edilmesi son derece önemlidir (Torun, 2007: 81).
ÜÇÜNCÜ BÖLÜM
FİRMALARDA FİNANSAL BAŞARISIZLIK TAHMİNİ ÜZERİNE İMKB'DE BİR UYGULAMA Buraya kadar finansal başarısızlığın tanımı ve finansal başarısızlığa sebep olarak faktörler incelenmiş, ekonomik krizlerin finansal başarısızlığa etkisi üzerinde durulmuş ve finansal başarısızlığı önlemek için alınması gereken önlemler açıklanmıştır. Sonra finansal başarısızlığın tahmininde kullanılan yöntemler anlatılmış, finansal başarısızlık üzerine yapılan çalışmalar incelenmiş ve finansal başarısızlık tahmin çalışmalarında karşılaşılan sorunlar gözden geçirilmiştir. Burada finansal başarısızlık tahmini üzerine İMKB'dan seçilen örneklem ile bir uygulama yapılmıştır. Yapılan uygulamada kullanılan modeller teorik olarak anlatılmış ve analiz sonuçları açıklanmıştır.
3.1. UYGULAMANIN AMACI
Küreselleşme ile birlikte finansal liberilizasyonun arttığı son yirmi yılda ulusal ekonomimiz, dünyanın herhangi bir yerinde meydana gelen finansal krizlerden daha fazla etkilenen bir yapıya bürünmüştür. Uluslararası entegrasyonun her anlamda arttığı bu yıllarda kendi iç nedenlerinden ve dışsal nedenlerden etkilenerek yaşadığımız 1994, 1997, 2000, 2001 içsel krizler ve Haziran 2007’de ABD’de başlayan Eylül 2008’de dev finans şirketlerinin iflası ile sonuçlanan ve etkileri günümüzde de devam eden morgage krizi ve nihayet 2011 yılında AB ülkelerinde yaşanan borç krizi gibi krizlerle karşı karşıya kaldık ve gelecekte de kalacağız. Bu tür krizlerde finansal başarısızlığa uğrayan ve faaliyetlerini durdurmak zorunda kalan firmaların varlığı, finansal başarısızlık tahmin çalışmalarına olan ilgiyi daha da artırmıştır. Finansal yapısı bozulan ve finansal başarısızlığa doğru giden firmalar sadece yakın çevrelerine değil aynı zamanda bulundukları ekonomiler için de sorun olmaktadır. Finansal başarısızlık tahmininin öneminin giderek artması araştırmacılar tarafından en iyi modelin kurulması için çalışmalar yapılmasına yol açmıştır. Ancak her zaman, her durum ve koşulda, her sektör için en doğru sonuçları veren bir model geliştirilememiş, mevcut modellerde farklı durumlarda farklı sonuçlar vermiştir. En doğru sonucu veren en uygun modelin geliştirilememiş olması araştırmacıları yeni
modeller geliştirmeye ve daha önceki tahmin modelleri ile yeni modelleri karşılaştırmaya yöneltmiştir.
Bu uygulamanın amacı; firmalarda finansal başarısızlık tahminlerinde kullanmak amacıyla yapay zeka modelleri olan sinirsel bulanık ağ ve yapay bağışıklık tanıma sistemi ile firma başarısızlığa düşmeden bir yıl, iki yıl ve üç yıl önceden firmanın finansal başarısızlık derecesinin sınıflandırmasını yapmaktır. Sinirsel bulanık ağ modeli daha önce yapılan çalışmalarda uygulanmış ancak yapay bağışıklık tanıma sistemi ile finansal başarısızlık tahmini ilk defa uygulanmıştır. Böylece finansal başarısızlık tahmininde insan zekası ve bağışıklık sistemi referans alınarak oluşturulan modellerle tahmin yapılması hedeflenmiştir. Çünkü bu modeller öğrenme yolu ile problemi tanımlayarak yüksek doğruluk derecesinde sınıflandırma yapabilen modellerdir.