Finansal Başarısızlık Tahmin Çalışmaları

Finansal başarısızlığa doğru giden bir firma, önceden bazı sinyaller ve uyarı işaretleri vermeye başlamaktadır. Firmanın bazı finansal oranlarındaki olumsuz gelişmeler, hisse senetleri fiyatlarındaki devamlı ve hızlı düşüş, firmanın bankalardaki kredi limitlerini aşarak borçlanması, kasasındaki ve bankalardaki nakit miktarının düşük seviyelere inmesi ve bu durumun uzun süre devam etmesi, ödemelerde gecikmeler gibi faktörler firmaların başarısızlığa doğru gittiklerinin temel göstergeleridir (Akgüç, 1998: 949). Bu açıdan bakıldığında firmanın finansal başarısızlığının bazı uyarı işaretleri aracılığıyla önceden tahmin edilmesi mümkündür.

Firmanın finansal başarısızlığının tahmini yapılırken genellikle bilanço ve gelir tablolarında yer alan kalemlerdeki oranlar kullanılmaktadır. Bugüne kadar araştırmacılar firmaların finansal durumunu analiz etmek için çeşitli yöntemler araştırmışlar ve yapılan çalışmalar finansal oranların firmaların başarısızlığını ortaya koyabileceğini göstermiştir.

İlgili verilere ulaşılabilirliğin artması ve istatistik alanındaki gelişmeler finansal başarısızlık tahmin modellerinin gelişimine katkı sağlamıştır. Matematik, bilişim ve yapay zeka alanındaki gelişmeler de yeni tekniklerin ortaya çıkmasını sağlamıştır. Bununla birlikte birçok araştırma başarısız firmaların sınıflandırılmasında tahmin

modellerinin denetçi ve uzman görüşlerinden daha iyi performansa sahip olduklarını da göstermiştir.

Finansal başarısızlığın tahmini konusu finans alanında önemli araştırma konularından birisi olmuştur. Finans alanında bu konuda pek çok çalışma bulunduğunda dolayı burada bu alana katkıları olan çalışmalar kronolojik bir sıra ile verilecektir.

Finansal başarısızlığın tahminine yönelik ilk çalışmalar Büyük Bunalım sonrasında yapılmıştır. Bu alandaki ilk çalışma ise Ramser ve Foster (1931), Fitzpatrick (1932), Winakor ve Smith (1935), Merwin (1942) olarak bilinmektedir (Uğurlu ve Aksoy, 2006: 277). Merwin (1942) başarısız firmaların finansal oranlarının başarılı firmalarınkinden farklı olduğunu bulmuştur (Sung vd., 1999: 71).

Beaver (1966), istatistiki tekniklerle finansal başarısızlığı inceleyen ilk araştırmacıdır. Beaver çalışmasında yöntem olarak tek değişkenli diskriminant analizi kullanmıştır. Bu analizde finansal başarısızlık tahminine yönelik değişkenler belirlenmekte ancak riski ölçmeye yönelik bir ölçek sunulamamaktadır. Neter (1967) ise başarısızlığın tahmininde çok değişkenli bir modellemenin daha doğru sonuçlar vereceğini savunmuştur (Sung vd., 1999: 71).

Finansal başarısızlık tahmin çalışmalarında dönüm noktası olan çalışma 1968 yılında Altman'ın yaptığı çalışma olmuştur. Altman'ın Z-skor modeli bu alanda yapılan çalışmalarda en çok atıfta bulunulan çalışma olmuştur. Bu çalışmadan çıkan sonuçlardan biri de firmanın muhasebe verilerinin çok değişkenli tekniklerle birleştirildiğinde, firmanın finansal durumu hakkında yararlı bilgiler sağladığıdır (Thevnin, 2003: 8).

Altman’ın çalışmasını takiben, 1980’li yıllara kadar diskriminant analizi finansal başarısızlık tahmin alanına hakim olmuştur. Farklı veriler ve farklı değişkenler üzerinde diskriminant analizini kullanan pek çok çalışma yapılmıştır. Bunlar arasında, Deakin (1972), Edmister (1972), Moyer (1977), Karels ve Prakash (1987)’in çalışmaları dikkate değerdir.

Blum (1974) değişken seçimini firmanın varlıklarının finansal varlıklar olduğuna dayandırmakta ve başarısızlık riskini beklenen nakit akımları cinsinden

ifade etmektedir. Deakin (1972) ise Beaver'ın kullandığı oranlar arasından tahmin gücü en yüksek bileşeni bulmaya çalışmıştır. Libby (1975), Deakin'in çalışmasındaki değişkenlerin kredi verme sürecinde ne kadar yararlı olabileceğini belirlemeye çalışmıştır. Deakin (1977) Libby'nin analizini kullanarak çalışmasını geliştirmiş, başarılı firmaların ne sıklıkta başarısız olarak sınıflandırıldığını ve bu sınıflandırmanın yapısını bulmaya çalışmış, denetçi görüşlerini model sonuçlarıyla karşılaştırarak tahmin gücünü belirlemeye çalışmıştır (Çakır, 2005: 25-26).

Ohlson (1980) finansal başarısızlığın tahmini için lojistik regresyon yaklaşımını kullanmıştır. Lojistik regresyon analizinin tercih edilmesinin nedeni çok değişkenli diskriminant analizi ile ilgili sınırlayıcı varsayımlardan ve problemlerden kaçınmaktır. Ohlson’un çalışmasından sonra, bir gözlemin bir gruba ait olma koşullu olasılığını sağlayan logit ve probit analizi kullanılarak çeşitli tahmin modelleri geliştirilmiştir. Bunların en önemlileri; Mensah (1983), Zmijewski (1984), Korobov ve Stuhr (1985), West (1985), Zavgren (1988), Keasey ve Watson (1987)’un çalışmalarıdır.

Literatürde diskriminant analizi, lojistik regresyon analizi ve probit analizi gibi istatistiki yöntemlerin finansal başarısızlık tahmini alanındaki performanslarını karşılaştıran çok sayıda çalışma bulunmaktadır. Collins ve Green (1982), Gentry, Newbold ve Whitford (1987), Harris (1989), Aktaş (1991), Theodossiou (1993) ve Uğurlu ve Aksoy (2006)’un çalışmaları bunlardan bazılarıdır (Torun, 2007: 23).

Her ne kadar açıklayıcı değişkenler ve sınıflandırma arasında bir ilişki kurulabiliyorsa da ayırım analizinin bir takım problemleri vardır (Altman ve Hotchkiss, 2006: 245). Bu problemlere karşı karar ağacı ve yinelemeli bölümleme olarak iki yöntem öne sürülmüştür. Karar ağacı analizi ayrık alt kümeler arasındaki entropiyi maksimize etmeyi amaçlarken, yinelemeli bölümleme hatalı sınıflandırmanın beklenen maliyetini minimum düzeye indirmeye çalışır (Çakır, 2005: 27). Frydman, Altman ve Kao (1985) yinelemeli bölümleme yöntemiyle bir ayırım ağacı oluşturmuştur. Messier ve Hansen (1988) de karar ağacı tekniğini geliştirerek finansal başarısızlık tahmininde bulunmuştur.

1980'li yıllardan itibaren yaşanan teknolojik gelişmeler sonucu yapay zeka kavramı ortaya çıkmış ve bir çok alanda kullanılmaya başlamıştır. Finansal başarısızlık tahmini alanında yapay sinir ağlarını kullanan ilk çalışma Odom ve Sharda (1990) tarafından yapılmıştır. Söz konusu çalışmada geri yayılım algoritması kullanan bir yapay sinir ağı kullanılmıştır. Bu çalışma, yapay sinir ağı yönteminin finans problemlerine uygulanabilirliğini göstermek amacıyla basit bir şekilde yapılmıştır. Bu nedenle Odom ve Sharda yapay sinir ağının girdileri olarak Altman’ın modelinde yer alan beş finansal oranı kullanmışlardır. 1991 yılında Raghupathi ve arkadaşları yaptıkları çalışmada geri yayılım algoritması kullanan bir yapay sinir ağı modeli kurmuşlardır. Yine Cadden'in yaptığı çalışama da ise yapay sinir ağlarının diskriminant analizinden daha iyi sonuçlar verdiği tespit edilmiştir (Torun, 2007: 24-25).

Diğer bir grup çalışma da genetik algoritma sınıflandırma problemini çözmede kullanılmıştır. Back ve arkadaşları (1998), başarısızlık tahmininde genetik algoritmaları kullanmış ve sonuçları yapay sinir ağınınkilerle karşılaştırarak ümit verici sonuçlar bulmuştur.

Literatürde finansal başarısızlığın tahmininde kullanılan bu yöntemleri, karşılaştıran çeşitli çalışmalarda yapılmıştır. Bu çalışmalardan diskriminant analizi, lojistik regresyon analizi ve probit analizi gibi istatistiki yöntemlerin karşılaştırmasını yapan çalışmalara örnek olarak Collins ve Green (1982), Gentry, Newbold ve Whitford (1987), Theodossiou (1991) ve Aktaş (1991), Uğurlu ve Aksoy (2006)’un çalışmaları gösterilebilir (Torun, 2007: 23). Elde edilen sonuçlar, çeşitli istatistiki yöntemler arasında çok küçük farklar bulunduğunu göstermektedir. Bu nedenle, çeşitli istatistiki tekniklerle ilgili sınırlayıcı varsayımlar ve istatistiksel hususların, sadece tahmin gücünü dikkate alan kullanıcılar açısından çok fazla önem taşımadığı söylenebilir (Keasey ve Watson, 1987: 91).

Geleneksel istatistiki yöntemlerle yapay sinir ağları yaklaşımını karşılaştıran çalışmalara da literatürde rastlamak mümkündür. Coats ve Fant (1993), Pompe ve Feelders (1997), Jain ve Nag (1997), Hekanaho ve arkadaşları (1998), Zhang ve diğerleri (1999), Yıldız (1999), Zapranis ve Ginoglou (2000), Keskin (2002), Torun (2007), Vural (2007) ve Doğrul (2009)'un çalışmaları örnek olarak gösterilebilir.

2.2. FİNANSAL BAŞARISIZLIĞIN TAHMİNİNDE KULLANILAN YÖNTEMLER Finansal başarısızlığın tahmininde 1968 yılından önce tek değişkenli, bu yıldan sonra yapılan çalışmalar da ise çok değişkenli yöntemler kullanılmıştır. Bu yöntemlerin sınıflandırılmasında 10 değişik kategori kullanılmıştır (Al-Darayseh, 1990; Lombard, 1998; 11).