• Sonuç bulunamadı

FİNANSAL ERKEN UYARI SİSTEMİ GELİŞTİRİLMESİ

3. VERİ MADENCİLİĞİ

Veri Madenciliği genel anlamda; büyük miktarda veri içerisinden, gizli kalmış, değerli, kullanılabilir bilgilerin açığa çıkarılması biçiminde ifade edilmektedir. Bu ifade irdelendiğinde yakın zamana kadar pek duyulmamış bir terim olan Veri Madenciliği’nin, aslında uzun zamandır gerçekleştirilmesine karşın evrim geçirerek 1990’lardan itibaren isimlendirildiği belirginleşmektedir. Öyle ki, bu konu en iyi biçimde ‘İstatistikçiler, Veri Madenciliğini elle yaparlar.’ ifadesiyle özetlenebilir. Bu ifade her ne kadar Veri Madenciliği’nin temel mantığının Klasik İstatistik Teknikler olduğunun altını çizse de, herhangi bir istatistik yazılımı veya yöntemini Veri Madenciliği olarak ifade etmek doğru olmamaktadır. Bununla beraber Veri Madenciliği’ni, İstatistiksel Tekniklerin evrim geçirmiş hali olarak düşünmenin de mümkün olmasının yanı sıra; Veri Madenciliği’nin, aşağıda detaylandırılacak olan, kendisine has betimleyici karakteristikleri vardır (Koyuncugil, 2004).

Veri madenciliği, pek çok analiz aracı kullanımıyla veri içerisinde örüntü ve ilişkileri keşfederek, bunları geçerli tahminler yapmak için kullanan bir süreçtir. Veri madenciliğinin amacı, geçmiş faaliyetlerin analizini temel alarak gelecekteki davranışların tahminine yönelik karar verme modelleri yaratmaktır. Veri madenciliği, William Frawley ve Gregory Piatetsky-Shapiro (1991) tarafından, ‘ ... verideki gizli, önceden bilinmeyen ve potansiyel olarak faydalı enformasyonun önemsiz

4. KOBİ’ler ve Verimlilik Kongresi, İstanbul Kültür Üniversitesi, 7-8 Aralık 2007

159

olmayanlarının açığa çıkarılması...’ biçiminde yapılan bilgi keşfi tanımını destekler (Berson ve diğerleri, 2000).

Hisse senetleri, döviz kurlarına ve işletme iflaslarının tahmini, finansal risk yönetimi ve belirlenmesi, borç yönetimi, müşteri profillerinin belirlenmesi ve kara para aklama analizleri veri madenciliğinin finansal çalışmalarda kullanıldığı temel alanlardır (Kovalerchuk ve Vityaev, 2002). Veri madenciliğinin finansal araştırmalarda kullanıldığı bir çok çalışma olmakla beraber veri madenciliğinin finansal çalışmalarda başarılı olarak uygulandığı araştırmalara; hilekarlığın, işletme iflas ve başarısızlıklarının belirlendiği Tam ve Kiang (1992), Lee ve diğerleri. (1996) ve Kumar ve diğerlerinin (1997) çalışmaları, stratejik finansal karar alma uygulamalarında Nazem ve Shin’in (1999) çalışması, pazar uygulamalarında Bracham vd’nin (1996), finansal performans uygulamalarında Eklund vd. (2003), Hoppszallern (2003), Derby (2003), Chang ve diğerleri (2003), Lansiluoto ve diğerleri (2004), Kloptchenko ve diğerleri. (2004) ve Magnusson ve diğerlerinin (2005) çalışmaları örnek olarak gösterilebilir. Koyuncugil (2006) ise Bulanık Veri Madenciliği ile Hisse Senetleri Piyasası’nda işlem manipülasyonu tespitine yönelik bir erken uyarı sistemi tasarlamış ve başarıyla çalıştığını tespit etmiştir.

Veri madenciliği ile ilgili kullanılan pek çok yöntemin yanına hemen her geçen gün yeni yöntem ve algoritmalar eklenmektedir. Bunlardan bir kısmı onlarca yıldır kullanılan klasik teknikler diyebileceğimiz ağırlıklı olarak istatistiksel yöntemlerdir. Diğer yöntemlerde genellikle istatistiği temel alan ama daha çok makine öğrenimi ve yapay zeka destekli yeni nesil yöntemlerdir (Koyuncugil, 2007).

Veri madenciliğinde kullanılan klasik yöntemlerin başlıcaları; • Regresyon

• K - En Yakın Komşuluk • Kümeleme

olarak sayılabilir (Berson vd. 1999).

Yeni nesil yöntemlerin başlıcaları ise; • Karar Ağaçları,

• Birliktelik Kuralları, • Sinir Ağları,

olarak sıralanabilir (Berson vd. 1999).

Ayrıca diğer veri madenciliği yöntemlerinin başlıcaları da; • Temel Bileşenler Analizi,

• Diskriminant Analizi, • Faktör Analizi, • Kohonen Ağları,

• Bulanık Mantığa Dayalı Yöntemler, • Genetik Algoritmalar,

• Bayesci Ağlar,

• Pürüzlü (Rough) Küme Teorisine Dayalı yöntemler, olarak sıralanabilir (Chen 2001).

Yukarıda sayılan yöntemlerin dışında birden fazla tekniği içine alan hibrid yöntemler ve zaman serilerine dayalı yöntemlerden de veri madenciliği yöntemi olarak faydalanılmaktadır. Özet olarak, bilgi keşfine yarayan her yöntem veri madenciliği yöntemi olarak kullanılabilmektedir (Kovalerchuk ve Vityaev 2002).

4. METODOLOJİ

Çalışmamız kapsamına 2006 yılında İMKB’de işlem gören KOBİ’ler alınmıştır. Araştırmada kullanılan verilere İMKB’nin web sayfasından (http://www.imkb.gov.tr/) ulaşılmış, İMKB’de işlem gören tüm şirketlerin 2006 yılı bilanço ve gelir tablolarına ilişkin veriler elektronik olarak elde edilmiştir. 2006 yılında İMKB’de işlem gören şirket sayısı 333 adettir. Araştırmanın yürütüldüğü tarihlerde İMKB’de işlem gören 276 şirketin verisine ulaşmak mümkün olmuştur. IMKB’de işlem gören şirketler arasından

KOBİ olarak tanımladığımız mikro, orta ve küçük ölçekli işletmelerin seçilebilmesi için Avrupa Birliği’nin (AB) KOBİ tanımlaması kullanılmıştır. Ülkemizde yıllardır KOBİ tanımlaması konusunda büyük bir karmaşa yaşanmaktadır. En son yasal düzenleme ile KOBİ’ler ikiyüz elli kişiden az yıllık çalışan kişiyi istihdam eden, ya da mali bilançosu yirmi beş milyon Yeni Türk Lirasını aşmayan işletmeler olarak tanımlanmıştır. Avrupa Birliği’nin (AB) KOBİ tanımlaması ise 50 Milyon Euro ve 250 çalışan sınırı olarak alınmıştır. Bu sınıflandırmayı Tablo 1’de görmek mümkündür.

Çalışmada, AB KOBİ tanımı kriterlerinden yıllık ciro tutarı dikkate alınmak suretiyle ile şirketler sınıflandırılmıştır. Sınıflama işlemi gerçekleştirilirken şirketlerin yıllık ciro tutarları T.C. Merkez Bankası yıllık ortalama döviz kurları dikkate alınarak (http://www.tcmb.gov.tr/) Euro cinsine çevrilmiş ve şirketler mikro, küçük, orta ve büyük işletmeler olmak üzere dört sınıfta gruplanmıştır. Bu şirketlerden mali sektör dışında kalan ve verisi analize elverişli olan 87 KOBİ araştırma kapsamına alınmış.

Tablo 1. AB KOBİ Sınıflaması

İşletme Türü Çalışan Sayısı Yıllık Ciro Euro (€) Euro (€) Bilanço

Mikro İşletmeler 1-9 2 milyon € 2 milyon €

Küçük İşletmeler 10-49 10 milyon € 10 milyon €

Orta Büyüklükteki İşletmeler 50-249 50 milyon € 43 milyon €

Büyük İşletmeler >250 >50 milyon € >43 milyon €

Çalışmada finansal başarısızlığı ya da riski önlemek için geliştirilecek erken uyarı sistemin geliştirilmesi 3 aşamalı olarak gerçekleştirilmiştir. Birinci aşamada, şirketlerin 2006 yılı bilanço ve gelir tablolarından faydalanarak şirketlerin Tablo 2’de yer verilen oranları tespit edilmiştir. İkinci aşamada, şirketlerin finansal başarısızlık ya da finansal risk durumlarını tespit etmek amacıyla oran analizi yöntemi ile şirketlerin finansal performans durumları tespit edilmiştir. Erken uyarı sistemi için erken uyarı sinyalini verecek finansal performansı kötü olan KOBİ’ler başarısız/riskli olarak nitelendirilmiştir. Üçüncü aşamada, görsel, kolay anlaşılır, kolay yorumlanabilir ve kural çıkarımına izin vermesi nedeniyle veri madenciliği yöntemlerinden karar ağaçları ile finansal erken uyarı sistemini geliştirilmiş ve erken uyarı sinyallerini tespit edilmiştir.

Veri madenciliğinde farklı amaçlarla kullanılan çeşitli yöntemler bulunmaktadır. Karar ağacı adından da anlaşıldığı gibi ağaç olarak görünen, tahminsel bir modeldir. Karar ağaçları algoritmaları uygulama bakımından bir hedef değişken ve hedef değişkeni açıklamaya yönelik kullanılacak açıklayıcı değişkenler olmak üzere iki grup değişken ile gerçekleştirilmektedir. Çalışmamızda hedef değişken finansal performans durumu ya da başka ifade ile başarı durumu olurken, finansal performans, Tablo 2’de tanımlarıyla birlikte yer verilen finansal değişkenler ile açıklanmıştır. Dolayısıyla, finansal performans göstergesi hedef değişken; finansal değişkenler de açıklayıcı olarak yer almıştır ve açıklayıcı değişkenler bize aynı zamanda başarısızlığa etki eden değişkenleri de vermiştir.Ağacın her dalı bir sınıflandırma sorusu ve yaprakları da veri setinin bu sınıflandırmaya ait parçalarıdır. Ağaç yapısından ve kolay kural çıkarımına imkân tanıması nedeniyle karar ağaçları anlaşılabilir modeller kurmak için oldukça faydalı bir tekniktir. Karar ağacı teknolojisi veri setlerinin ve iş problemlerinin keşfi için kullanılabilir. Bu genellikle ağacın her bir bölümündeki tahmin edicilere ve değerlerine bakarak yapılabilir. Sıklıkla bu tahmin ediciler kullanılabilir içerik sağlayabilir veya cevaplanması gereken sorular önerebilir. Eğer ağaç tek bir kayıt kalana kadar büyümesine devam ederse, pek çok soru ve dal yaratılacağı tasavvur edilebilir. Ağacı bu kadar büyütmek hem hesaplama açısından pahalı hem de gereksizdir. (Berson vd., 2000).

4. KOBİ’ler ve Verimlilik Kongresi, İstanbul Kültür Üniversitesi, 7-8 Aralık 2007

161

Tablo 2. Araştırmada Kullanılan Değişkenler ve Tanımları Değişkenler Tanımlar

Özsermayenin Karlılığı Net Kar / Özsermaye

Varlık Karlılığı Net Kar/ Toplam Varlık

Net Kar Marjı Net Kar/ Net Satışlar

Özkaynak Devir Hızı Net Satışlar/ Özsermaye

Varlık Devir Hızı Net Satışlar / Ortalama Varlıklar

Stok Devir Hızı Net Satışlar / Ortalama Stoklar

Duran Varlık Devir Hızı Net Satışlar / Ortalama Duran Varlıklar Maddi Duran Varlıkların Uzun Vadeli

Yabancı Kay. O. Maddi Duran Varlık/Uzun Vadeli Yab. Kay.

Alacakların Ortama Tahsil Süresi Ortalama Alacaklar/ (Net Satışlar/360) Dönen Varlık Devir Hızı Net Satışlar / Ortalama Dönen Varlıklar Duran Varlıkların Yabancı Kaynaklara Oranı Duran Varlıkların Yabancı Kaynaklara Oranı Maddi Duran Varlıkların Özkaynaklara Oranı Maddi Duran Varlık/Özkaynak

Uzun Vadeli Yabancı kaynağın Devamlı

Sermaye Oranı Uzun Vadeli Yab. Kay./ Devamlı Sermaye

Uzun Vadeli Yabancı kaynağın Toplam

Yabancı Kay. Or. Uzun Vadeli Yab. Kay./ Toplam Yab. Kay.

Kısa Vadeli Yabancı Kaynağın Toplam

Yabancı Kay. Or. Kısa Vadeli Yab. Kay./ Toplam Yaba. Kay.

Yabancı Kaynağın Özkaynağa Oranı Borç/Özsermaye Özkaynakların Toplam Varlıklara Oranı Özsermaye/Toplam Varlık Yabancı Kaynağın Toplam Varlığa Oranı Borç/Toplam Varlık Kısa Vadeli Alacakların Toplam Varlıklara

Oranı Kısa Vadeli Alacak/Varlık

Stokların Dönen Varlıklara Oranı Stoklar/ Dönen Varlıklar

Nakit Oran Hazır Değerler (Kasa+ Bankalar+ Ser. Men. Kıy.)/ Kısa Vad.YabKay Likidite Oran (Kasa+Bankalar+Serbest Men. Kıy.+ Alacaklar)/ Kısa Vad. Yab. Kay.

Cari Oran Dönen Varlıklar/ Kısa Vadeli Yab. Kay.

Son 30 yılda pek çok karar ağacı öğrenim metodu geliştirilmiştir (Quinlann, 1993; Mitcheel, 1997) ve kredi başvurusunda risk değerlendirmesi gibi finansal ve bankacılık uygulamalarında başarılı olarak kullanılmaktadır (Kovalerchuk ve Vityaev, 2000). En sık kullanıma sahip karar ağacı modelleri ID3 ve daha gelişmiş modeli C4.5, Sınıflandırma ve Regresyon Ağaçları (Classification and Regression Trees-CART) (Breiman vd., 1984) ve Otomatik Ki-kare Etkileşim Keşfedicisi (Dedektörü)- OKEK(D)(Chi-Square Automatic Interaction Detector-CHAID) dir (Ribic ve Miller, 1998).

Çalışmada karar ağaçlarının kullanılması KOBİ’lerin finansal başarı/risk durumuna göre profillerilmesine de olanak sağlamış ve bize erken uyarı sinyali sağlamıştır. KOBİ profilleri ve erken uyarı sinyali Karar Ağacı yöntemlerinden CHAID ile belirlenmiştir. CHAID ile diğer yöntemler arasındaki en önemli farklılıklarından birisi, ağaç türetimidir. ID3, C4.5 ve CART ikili ağaçlar türetirken, CHAID ikili olmayan çoklu ağaçlar türetir (Berson vd., 2000). CHAID’in analiz aracı olarak seçilme nedenlerinin başında sürekli ve kategorik tüm değişken tipleriyle çalışabilmesi gelmektedir. Bununla beraber, sürekli tahmin edici değişkenler otomatik olarak analizin amacına uygun olarak kategorize edilmektedir. CHAID, Ki-Kare metriği vasıtasıyla, ilişki düzeyine göre farlılık rastlanan grupları ayrı ayrı sınıflamakta ve ağacın yaprakları, ikili değil, verideki farklı yapı sayısı kadar dallanmaktadır (SPSS, 2001).

yazılımı ile CHAID algoritması kullanılarak Şekil 1’deki karar ağacı elde edilmiştir. Karar ağacının oluşturulmasında kullanılan CHAID algoritması aşağıda verilmektedir:

1. Her bir tahmin edici değişken X için, X’in, Y hedef değişkenini dikkate alan en az öneme sahip kategori çiftini bul (bu, en büyük p değerine sahip olandır). Yöntem, Y’nin ölçüm düzeyine bağlı olarak p değerlerini hesaplayacaktır.

a. Eğer Y sürekli ise F testini kullan.

b. Eğer Y isimsel ise X’in kategorileri satırlarda ve Y’nin kategorileri sütunlarda olacak biçimde iki yönlü çapraz tablo düzenle. Pearson ki-kare testini veya olabilirlik oranı testini kullan.

c. Eğer Y sıralı ise bir Y birliktelik modeli (Clogg ve Eliaisin, 1987; Goodman, 1979; Magidson,1992) uydur. Olabilirlik oranı testini kullan.

2. En büyük p değerine sahip X’in kategori çifti için, p değerini önceden belirlenmiş alfa düzeyi

α

birleş ile kıyasla.

a. Eğer p değeri

α

birleş’den büyük ise bu çifti bir tek kategori altında birleştir.

X’in yeni kategori kümesi için süreci Adım 1’den başlat. b. Eğer p değeri

α

birleş’den küçük ise Adım 3’e git.

3. X’in ve Y’nin kategori kümesi için uygun Bonferroni düzeltmesini kullanarak, düzeltilmiş p değerini hesapla.

4. En küçük düzeltilmiş p değerine sahip X tahmin edici değişkenini seç (en önemli olan).

Bunun p değerini önceden tanımlanmış alfa düzeyi

α

böl ile kıyasla.

a. Eğer p değeri,

α

böl değerinden küçük veya eşit ise düğümü X’in kategori

kümesini temel alarak böl.

b. Eğer p değeri,

α

böl değerinden büyük ise düğümü bölme. Bu düğüm uç

düğümdür

Ağaç büyütme sürecini durma kuralları görülene kadar sürdür (SPSS, 2001).

5. BULGULAR

Çalışmamızda, araştırma kapsamındaki 87 KOBİ’den 36 şirketin finansal performansının iyi olduğu, 51 şirketin ise finansal performansının kötü olduğu başka bir ifade ile KOBİ’lerin % 58,62’sinin finansal olarak başarısız olduğu belirlenmiştir. Şekil 1’de de görülebileceği gibi CHAID karar ağacı ile KOBİ’ler 5 farklı profilde gruplanmıştır. KOBİ’leri klasik performans analiz ve ölçüm yöntemleri ile finansal performans düzeylerine göre “başarılı” yada “başarısız” olmak üzere iki grupta toplamak mümkünken, bu çalışma ile CHAID karar ağacı algoritmasından yararlanarak KOBİ’lerin 5 farklı profilde gruplandırması söz konusu olmuştur. Profiller, finansal olarak başarısız olan KOBİ’lerin hangi finansal göstergeler üzerine yoğunlaşacakları yanında, KOBİ’lerin finansal anlamda başarı için de yol çizmektedir.

CHAID yönteminin gereği olarak karar ağacı başka bir ifade ile KOBİ’lerin profillendirilmesi finansal performans durumu ile istatistiksel olarak en güçlü ilişkisi olan özsermaye karlılık oranı (p=0,000) ile başlamıştır. Özsermaye karlılık değerlerine göre ağacın dalları dört ana dala, daha sonra ise performans durumu ile istatistiksel olarak güçlü ilişkisi olan başka bir değişken olan varlıkların karlılığına göre de iki dala ayrılmıştır. CHAID, çalışma kapsamındaki KOBİ’ler için bir erken uyarı sistemi oluşturduğu gibi erken uyarı sinyallerini de sağlamıştır. Şekil 1 incelendiğinde özsermaye karlılığının bir erken uyarı sinyali olarak kullanılabileceği görülmektedir.

4. KOBİ’ler ve Verimlilik Kongresi, İstanbul Kültür Üniversitesi, 7-8 Aralık 2007

163

Şekil 1. CHAID Karar Ağacı ile Elde Edilen Profiller

Düğüm (Node) 3 kapsamında profillendirilen KOBİ’ler incelendiğinde KOBİ’lerin özsermaye karlılığının % 3 ile % 19 arasında değiştiği ve tamamının performansının iyi olduğu, buna karşın Düğüm 2 profillerinde yer alan KOBİ’lerin özsermaye karlılığının % 3 ile % 2,6 arasında değiştiği ve % 66,67’sinin finansal performansının kötü olduğu görülmektedir. Bu durumda çalışma kapsamındaki KOBİ’ler için özsermaye karlılığının % 3’ün altına düşmesini bir erken uyarı sinyali olarak kabul etmek mümkündür. Ayrıca bulgularımız erken uyarı sinyali yanında önemli bir bilgi daha sunmaktadır. KOBİ’ler özsermaye karlılık oranlarını % 3’ün altına düşürseler dahi % 2,6’nın da altına düşmemek kaydıyla varlıkların karlılıklarını % 1’in üstüne çıkardıklarında finansal performans düzeylerini kötüden iyi duruma geçirebileceklerdir.

Benzer Belgeler