YBTS Modelinin Geliştirilmesi ve YBTS Modelinden Elde Edilen

Yapay bağışıklık tanıma sistemi ile kurulan modelde Weka 3.6.6 programından yararlanılmıştır. WEKA, bilgisayar bilimlerinin önemli konularından birisi olan makine öğrenmesi konusunda kullanılan paketlerden birisinin ismidir. Waikato üniversitesinde açık kaynak kodlu olarak JAVA dili üzerinde geliştirilmiştir ve GPL lisansı ile dağıtılmaktadır. Waikato Environment for Knowledge Analysis kelimelerinin baş harflerinden oluşan Weka programı bir proje olarak başlayıp şu anda bütün dünyada kullanılan bir veri madenciliği uygulaması geliştirme

programıdır ve içinde sınıflandırma da 76 ve kümelenmede 6 tane olmak üzere 82 algoritma mevcuttur.

YBTS algoritmasının bağışıklık sisteminin temel prensiplerinden esinlenilerek oluşturulduğu bilinmektedir, ancak YBTS bire bir modelleme yerine çeşitli soyutlamalar sayesinde geliştirilmiş bir algoritmadır. Algoritma içerisinde kullanılan antijen terimi veri kümesindeki her bir satırı temsil etmektedir. Bir başka deyişle, çalışmamızda yer alan her bir şirkete ait oranlar (x1,x2,...,x6) ve şirketin sınıfı

(başarısız-başarılı) algoritmadaki her bir antijene karşılık gelmektedir. Veri kümesinin her bir satırı ile temsil edilen antijenlere karşı onları tanıyan antikorlar ise algoritmanın ilk aşamasında rastgele seçilmiş bir vektör olarak tanımlanmaktadır. Rastgele seçilen bu vektör, YBTS içerisinde bulunan veri kümesindeki herhangi bir satırın seçilmesi ile belirlenir. Birden fazla vektör de seçilebilirken başlangıçta bir adet vektör seçilmesi önerilmektedir. Algoritmanın başlangıcında bellek hücre havuzu bu antikorları içermekte olup eğitim aşamasının sonunda bellek hücre havuzu sonraki aşamalarda kullanılacak olan bellek hücrelerini içerecektir. Algoritmada kullanılan yapay tanıma topları içerisinde evrimleşen ve ilgili antijen ile en iyi uyuşan yapay tanıma topunun belirli kontrollere göre yerleşik bellek hücresi olarak bellek hücre havuzuna aktarılması söz konusudur. Bu sayede her bir antijen için bellek hücre havuzuna yerleşik bir bellek hücresi atanması gerçekleşmektedir. Başlangıç aşamasından sonra her bir antijen bellek hücre havuzuna (antikorlara) sunularak aralarındaki uyuşma derecesi belirlenir. Bu ölçüm vektörler arasındaki Öklit uzaklığı ile ters orantılıdır. Öklit uzaklığının 1 değerinden çıkarılması ile uyarılma derecesi belirlenmektedir. Öklit uzaklık değerinin düşük olması, uyarılma değerinin yüksek olduğu ve yüksek seviyede bir uyarılmanın olduğu anlamına gelmektedir. Bu sayede veri kümesindeki ilgili veri (antijen) ile en iyi uyuşan antikor belirlenir, bu antikor klonlama ve mutasyona maruz bırakılarak oluşan elde edilen antijene duyarlılığı en yüksek antikorlar yapay tanıma topu havuzuna eklenir. Bir sonraki aşamada yapay tanıma topu havuzu içerisinde sınırlı kaynak için yarışma başlar ve yapay tanıma toplarının kullanabileceği toplam kaynak sayısı sistem üzerinde sınırlıdır. Yapay tanıma topu havuzundaki antikorlar antijene maruz bırakılır ve uyuşma derecesine göre kaynak atamaları yapılır. Yeterli kaynağı

olmayanlar yapay tanıma topu havuzundan çıkartılır. Durma kriteri sağlanmadıysa hayatta kalan her antikorun mutasyona uğramış yeni antikorlar üretmesine izin verilir ve bu işlem durma kriteri sağlanana kadar devam eder. Durma kriteri antikorların olduğu yapay tanıma toplarının ilgili antijen tarafından yeterince uyarılıp uyarılmadığını kontrol etmektedir. En yüksek uyarılma değerine sahip yapay tanıma topu aday bellek hücresi olarak belirlenir ve bu aday bellek hücresinin antijenle uyum derecesi daha önce ki adımlarda belirlenen en iyi uyuşan bellek hücresinin antijenle uyuşma derecesinden yüksek ise bu aday bellek hücresinin bellek havuzuna alınması işlemi gerçekleşir. Bu şekilde eğitim verilerinden elde edilen bellek hücre havuzu belirlendikten sonra test aşamasında test verisine sunulur ve k tane en fazla uyarılan bellek hücresinin etiketlerinin çokluğuna göre sınıf etiketi belirlenir.

Yapay bağışıklık tanıma sistemi ile finansal başarısızlık tahmininde kullanılan parametreler çekirdek hücre sayısı (eğitim başlangıcında kullanılan çekirdek hücrelerin sayısı), duyarlılık eşiği (bellek hücresi seçimi için kullanılan duyarlılık eşik ölçüsü), klonlama oranı (bir yapay tanıma topunun üretmesine izin verilen mutasyona uğramış klonların sayısını belirleyen değer), hipermutasyon oranı (mutasyona uğramış klonların sayısını belirleyen değer), uyarım değeri (eğitimi durdurmada kullanılan uyarma eşiği), kaynak sayısı (sistemde izin verilen kaynakların sayısı), mutasyon oranı (özellik mutasyonu için mutasyon oranı) ve k değeri (çoğunluk oylaması için kullanılan k değeri)’dir.

Tablo 3.6. YBTS uygulamasında parametreler ve değerleri Kullanılan Parametreler Değerleri

Çekirdek Hücre (Seed Cell) 1

Duyarlılık Eşiği (Affinity Threshold) 0,2

Klonlama Oranı (Clonal Rate) 10

Hipermutasyon Oranı (Hypermutation Rate) 2,0 Uyarım Değeri (Stimulation Value) 0,8

Kaynak Sayısı (Resource) 200

Mutasyon Oranı (Mutation Rate) 0,1

k 1

Çekirdek hücreleri, sistemdeki başlangıç bellek hücrelerini ve antikorları oluşturmaktadır. Bu hücreler eğitim antijenleri arasından rastgele seçilmektedir. Çekirdek hücre sayısı arttığı zaman bellek hücreleri ve antikorlar eğitim antijenine benzer yapıda oluşmaktadır. Aynı zamanda çekirdek hücre sayısı arttığı zaman sistemdeki bellek hücresi sayısı da artmaktadır. Bu durum test verilerinin sınıflandırma doğruluğunu olumsuz yönde etkilemektedir. Bu çalışmada çekirdek hücre sayısı 1 (bir) olarak kabul edilmiştir.

Duyarlılık eşiği, bellek hücresi seçimini direkt olarak etkileyen bir parametredir. YBTS’de ortalama duyarlılık eşiği, eğitim antijenleri arasındaki ortalama duyarlılığı ifade etmektedir. Duyarlılık eşik ölçüsü değeri, YBTS’de ortalama duyarlılık eşiği değeri ile çarpılarak bellek seçimi gerçekleştirilmektedir. Tek bir antijen için başlangıçta belirlenen mcilk ve eğitimin sonunda oluşan mcaday

arasındaki duyarlılığa göre bellek hücresi seçilmektedir. Duyarlılık eşik ölçüsü parametre değeri arttıkça, sistemde kalan bellek hücresi sayısı azalmaktadır. Ayrıca duyarlılık eşik ölçüsü küçük değerler aldığı zaman sınıflandırma doğruluğunda büyük değişiklikler olmamıştır; duyarlılık eşik ölçüsü, büyük değerler aldığı zaman sınıflandırma doğruluğunda büyük azalmalar gözlemlenmiştir. Bu çalışmada duyarlılık eşik ölçüsü olarak 0,2 kullanılmıştır.

Klonlama oranı parametresi, bir yapay tanıma topunun üretmesine izin verilen, mutasyona uğramış klonların sayısını belirleyen değerdir. Antijene yanıt oluştuktan sonra bir yapay tanıma topunun (klonlama oranı*uyarılma değeri) sayısına kadar mutasyona uğramış klon üretmesine izin verilir. Bu çarpım aynı zamanda bir yapay tanıma topuna kaynakların atanmasında da kullanılmaktadır. Bu çalışmada klonlama oranı olarak 10 kullanılmıştır.

Uyarım değeri parametresi, belirli bir eğitim antijeninin eğitimini durdurma kriteri olarak kullanılmaktadır. Eğitimin durdurulup durdurulmayacağı kontrol edilirken bir s vektörü hesaplanmaktadır. Bu vektör her bir sınıfa ait antikorların ortalama duyarlılık değerlerini içermektedir. s vektörünün her bir elemanı, uyarma eşiği parametresinden büyük olduğu durumda eğitim durmaktadır (si ≥ uyarma eşiği).

Uyarma eşiği parametresi, antikor popülasyonunun ne kadar uyarılacağını belirlemektedir. Yapılan bu çalışmada uyarma değeri 0,8 olarak kabul edilmiştir.

Kaynak sayısı parametresi, sistemde bulunacak antikor sayısını direkt olarak etkilemektedir. Kaynak sayısı parametre değeri arttıkça, sistemde bulunan bellek hücreleri ve antikorların çeşitliliği artmaktadır. Çeşitlilikteki bu artış sınıflandırma doğruluğunda artışı garanti etmemektedir. Eğitim sürecinde aynı sınıftaki antikorlar için tahsis edilen kaynak sayısı, izin verilen kaynak sayısından fazla olduğu durumlarda, en az kaynağa sahip antikorlardan başlanarak sistemden antikorlar çıkarılmaktadır. Bu çalışmada kaynak sayısı olarak 200 kullanılmıştır.

Mutasyon oranı parametresi, antikor popülasyonunun çeşitliliğini etkilemektedir. Mutasyon oranı parametre değeri büyük olduğu durumlarda, sistemin sınıflandırma doğruluğu ve çalışma zamanı negatif yönde etkilenmektedir. Özellikle YBTS’de mutasyon işleminin rastgele yapılması ile hedef arama uzayından uzaklaşma olduğu için sınıflandırma doğruluğu negatif yönde etkilenmektedir. Mutasyon oranı arttıkça eğitimi durdurma kriteri olan uyarma eşiği değerinin, antikorlar arasındaki ortalama uyarma değerinden küçük olma ihtimali azaldığı için çalışma süresi artmaktadır. Bu çalışmada kullanılan mutasyon oranı 0,1’dir.

Eğitim aşaması tamamlandıktan sonra geliştirilen bellek hücreleri sınıflandırmada kullanılmak için uygun duruma gelmektedir. Sistemin son

aşamasında k en yakın komşu yöntemi uygulanmaktadır. Test verilerinin hangi sınıfta olduğu bellek hücreleri kümesi üzerine k en yakın komşu yönteminin uygulanması ile belirlenmektedir. Bir verinin sistem tarafından sınıflandırılmasına test verisini en fazla uyaran k adet bellek hücrelerinin çıkışlarının bir çoğunluk oylaması kullanılarak karar verilmektedir. YBTS’de çoğunluk oylaması yapılırken eşitlik olması durumunda test verisinin sınıfı olarak, en küçük indisli sınıf değeri atanmaktadır. Bu çalışmada k değeri olarak 1 kullanılmıştır.

YBTS ile yapılan finansal tahmin çalışmasında izlenen yol aşağıdaki diyagramda gösterilmiştir. Öncelikle eğitim verileri YBTS sistemine dahil edilerek finansal başarısız ve başarılı firmalar ile ilgili bellek hücreleri elde edilmiş daha sonra ise elde edilen bu bellek hücreleri ile test verileri k en yakın komşuluk algoritmasına göre sınıflandırılmıştır.

Eğitim Verisi Test Verisi

Bellek Hücresi SONUÇ (0 veya 1)

Kullanılan bu parametreler sonucunda eğitim verisi olan mevcut yıl verilerinin duyarlılık eşiği 0,178 ve toplam hafıza hücresi ataması 40 olarak gerçekleşmiştir. Eğitim verisinin değerlendirilmesi sonucunda sınıflandırıcı hafıza hücresi olarak toplam 65 sınıflandırıcı hafıza hücresi oluşmuş bunların 33 tanesi başarısız firmaları ve 32 tanesi de başarılı firmaları sınıflandırma da kullanılmıştır.

Tablo 3.7. YBTS modeli ile bir yıl önceden başarısızlık tahmini

Gerçek Grup Tahmin Edilen Grup Üyeliği Toplam Başarısız (0) Başarılı (1)

Başarısız (0) 59 6 65 Başarılı (1) 9 56 65 % Başarısız 90,76 9,23 100 % Başarılı 13,84 86,15 100

Kullanılan bu parametrelerle uygulanan YBTS modeli ile yapılan finansal başarısızlık tahmini, bir yıl önceden tahmin için, 130 firmadan oluşan veri setinde 115 firmayı doğru tahmin ederek %88,46 oranında başarı göstermiştir. Finansal başarısızlığın bir yıl önceden tahmin edilmesinde YBTS modeli ile başarısız 65 firmadan 59'u ve başarılı 65 firmadan de 56'sı doğru tahmin edilmiştir. Böylece bir yıl önceden başarısızlık tahmini %90,76 ve başarılı tahmini ise %86,15 oranında gerçekleşmiştir. Bir başka deyişle, başarısız firmaları başarılı olarak sınıflandırma hatası olan Tip 1 hatası %9,23 ve başarılı firmaları başarısız olarak sınıflandırma hatası olan Tip 2 hatası ise %13,84 olarak gerçekleşmiştir.

Tablo 3.8. YBTS modeli ile iki yıl önceden başarısızlık tahmini

Gerçek Grup Tahmin Edilen Grup Üyeliği Toplam Başarısız (0) Başarılı (1)

Başarısız (0) 56 9 65 Başarılı (1) 17 48 65 % Başarısız 86,15 13,84 100 % Başarılı 26,15 73,84 100

YBTS modeli kullanılarak iki yıl önceden finansal başarısızlık tahmini sonuçlarına baktığımız da yine finansal başarısızlığın yüksek oranda doğru tahmin edildiği ancak başarılı firmaların doğruluk tahmininin düştüğü görülmektedir. 130 firmadan oluşan veri setinde toplam 104 firma doğru sınıflandırılarak %80 oranında doğru tahminde bulunulmuştur. İki yıl önceden finansal başarısızlığın tahminininde başarısız 65 firmadan 56'sı doğru tahmin edilerek %86,15 oranında ve başarılı 65 firmadan 48’i doğru tahmin edilerek %73,84 oranında doğru tahmin

gerçekleştirilmiştir. Tip 1 hata oranı %13,84 ve Tip 2 hata oranı ise %26,15 olarak gerçekleşmiştir.

Tablo 3.9. YBTS modeli ile üç yıl önceden başarısızlık tahmini

Gerçek Grup Tahmin Edilen Grup Üyeliği Toplam Başarısız (0) Başarılı (1)

Başarısız (0) 45 20 65 Başarılı (1) 18 47 65 % Başarısız 69,23 30,76 100 % Başarılı 27,69 72,30 100

Üç yıl önceden finansal başarısızlığın tahmininde, YBTS modeli kullanıldığında doğru tahmin oranlarının özellikle başarısız firmaları sınıflandırma kategorisinde önemli oranda düştüğü görülmektedir. Üç yıl önceden finansal başarısızlığın tahmininde Tip 1 hata oranı %30,76'ya ve Tip 2 hata oranı ise %27,69’a yükselmiştir. Üç yıl önceden finansal başarısızlığın tahmininde başarısız 65 firmadan 45'i ve 65 başarılı firmadan 47'si doğru tahmin edilerek %69,23 ve %72,30’luk doğru tahmin oranına ulaşılmıştır. Üç yıl önceden yapılan tahminlerde 130 firmadan 92’si doğru sınıflandırılarak %70,76 doğru tahminde bulunulmuştur.

SONUÇ VE DEĞERLENDİRME

Faaliyetlerini teorik olarak sonsuza kadar sürdürecekleri kabul edilen firmalar, gerek firma içinden gerekse dış çevreden kaynaklanan nedenlerden dolayı, hayat seyirleri içerisinde, finansal başarısızlıkla karşı karşıya kalabilmektedirler. Firmalarda belirlenen amaçların gerçekleştirilmesi ve firma faaliyetlerinin devamlılığı açısından, karşılaşılacak olan finansal güçlüklerin önlenmesi gerekmektedir. Firmalarda çeşitli şekillerde ortaya çıkan başarısızlık, literatürde ekonomik ve finansal başarısızlık olmak üzere iki ana grupta toplanmaktadır. Ekonomik başarısızlık, firma gelirlerinin maliyetleri karşılayamaması anlamına gelmektedir. Finansal başarısızlıksa, nakit akımlarının cari yükümlülükleri karşılayamaması durumu olarak açıklanmaktadır.

Finansal başarısızlık; Firmanın nakit dengesizliği içerisine girmesi sebebiyle ödemelerini yapamaması yani satıcılara ve kreditörlere borçlarını ödeyememesi, borç yapılandırmasına gidilmesi, negatif sermayeye düşmesi, kârların azalması ve negatif kârların oluşması, karşılıksız çek yazılması, iki yıl veya üç yıl üst üste zarar edilmesi, cari aktif yönetiminin borç yönetimi şekline dönüşmesi şeklinde tanımlanmaktadır. Ancak bu çalışmada finansal başarısızlık kavramını “firmanın üç yıl üst üste zarar etmiş olması veya borsa da tahtasının kapanması” şeklinde sınırlandırmak suretiyle çalışmada kullanılacak modellerin uygulanabilirliği sağlanmıştır. Bu sınırlandırmaya firmanın iflas etmesi ve tasfiyeye girmesi dahil edilmemiştir. Çünkü iflas ve tasfiye, finansal başarısızlığın nedeni değil sonucudur.

Bireysel ve sosyal etkilere sahip finansal başarısızlığın önceden doğru olarak tahmin edilebilmesi, finans alanının önemli bir araştırma konusu olmuş, bu konuda çok sayıda araştırma yapılmıştır. Finansal başarısızlıkta ilk olarak yapılması gereken, finansal başarısızlığın nedenlerinin belirlenmesidir. Firmalar çok farklı nedenlerden dolayı sıkıntıya düşerek borçlarını ödeyememe ve iflas gibi durumlarla karşılaşabilirler. Bu nedenle firmalar hangi sebeplerden dolayı finansal başarısızlığa düştüklerini araştırmalı sonra başarısızlıktan çıkış için gerekli çözüm yollarını ortaya koymalıdırlar.

Firmaları finansal başarısızlığa götüren nedenler firma dışından ve firmadan kaynaklanmaktadır. Firmalar, içinde faaliyet gösterdikleri çevreden etkilenen ve bu çevreyi etkileyen iktisadi birimler olduğundan, firmada finansal başarısızlığına neden olabilecek faktörlerden bazıları, firmanın kontrolü dışında gelişen firma dışı faktörlerdir. Bunlar faiz oranlarını, firmaların içinde bulunduğu ekonomik yapıyı, ekonomik durgunluğu, kredi koşullarını, enflasyonu ve açık piyasa işlemlerini içeren ekonomik faktörler ile teknolojik, hukuki-politik ve doğal çevreden doğan faktörlerdir. Özellikle, küreselleşmenin etkisiyle artan finansal liberilizasyonun bütün ekonomileri dışsal etkilere karşı savunmasız bırakması firmaları dünyanın herhangi bir yerinde ortaya çıkan krizlere karşı daha kırılgan hale getirmiştir. Firmaların kontrolleri dışında olan bu faktörlerle ilgili verdiği tepkilerin etkin sonuçlar vermesi için öngörü potansiyellerinin yüksek olması gerekmektedir. Bu noktada, yaşanılacak her hangi bir finansal baskı ve başarısızlığın öngörülebilmesi firmaların kriz yönetimini başarıyla uygulayabilmelerine bağlıdır. Firmaların finansal başarısızlıklarını etkileyen nedenlerden bir diğeriyse iç kaynaklı olup firmaların kontrolü altındadır. Bunlar beşeri sermayenin zayıflığı, yönetim yetersizliği, aşırı borçlanma, yetersiz firma sermayesi, nakit akışındaki dengesizlik, teknoloji yetersizliği, pazar bölümündeki zafiyet ve marjinal müşterilere sahip olma, firma büyüklüğü ve yaşı vb. faktörlerdir. Bu faktörler firma yöneticilerinin kontrolü altında olup herhangi bir sorunda yapılacak müdahale daha hızlı olmakta ve etkin bir şekilde sonuçlanmaktadır.

Firmaların finansal başarısızlık nedenlerinin belirlenmesi kadar önemli bir konu da başarısızlığı önlemek için alınacak ön önlemlerdir. Bunlar, beşeri sermayenin güçlendirilmesi, yönetimin kaliteli hale getirilmesi, teknolojik yatırımların zamanında yapılması, nakit, alacak, stok ve cari borçların yönetiminde yeni politikalar geliştirilmesi, nakit bütçesine ve aktiflerin etkin kullanılmasına ağırlık verilmesi vb. tedbirlerdir. Bu faaliyetlere rağmen finansal başarısızlık ortadan kaldırılamıyorsa bu kez daha üst önemlere başvurulur. Bunlar da alacaklıların anlaşma yoluyla ıskontolu tahsili, borçların yine ıskontolu veya faiz azaltılarak ödenmesi, borçların yeniden yapılandırılması, üretimde ve hizmette etkin kullanılmayan aktiflerin paraya çevrilmesi, firmanın sermaye yapısının yeniden

düzenlenmesi, firmanın başka bir firma ile birleşmesi, küçülme ve tasfiye olarak sıralanabilir.

Bilgi işlem teknolojilerindeki gelişmeler ve ülkeler arası ticaretin artması firmaların daha dinamik bir ortamda faaliyetlerini sürdürmelerini gerekli kılmıştır. Firmalar ülkeler için üretim, istihdam ve katma değer kaynağı olduklarından bunların zorda kalmaları ve batmaları istenmez. Ayrıca önemli bir firmanın batması ve tasfiyesi doğrudan sosyal barışı ve devlet gelirlerini de etkiler. Çok sayıda küçük firmanın batması da benzer bir etkiyi meydana getirir.

Firmaların yaşayacağı olası finansal başarısızlıkların önceden görülmesi, zamanında önlem alabilmek için firma yöneticilerine avantaj sağlar. Böyle bir öngörü kredi kurumlarının karar alma sürecini hızlandırarak daha isabetli kararların alınmasına da yardımcı olur. Aynı zamanda yatırımcılar açısından da isabetli kararların alınması açısından geleceğin doğru bir şekilde görülebilmesinin ve tahmin edilebilmesinin önemi büyüktür. Yine geleceğin öngörülebilir olması uygulanan makro ekonomik politikalara da etkinlik kazandırır.

Firmaların finansal başarısızlıklarının tahminine yönelik uygun bir model geliştirmeyi amaçlayan çok sayıda çalışma yapılmıştır. Bu çalışmalarda, farklı varsayımlara ve farklı hesaplama yöntemlerine göre analizler yapılmıştır. Yapılan analizler incelendiğinde genel olarak tek değişkenli ve çok değişkenli istatistikî analizler yapıldığı görülmekte, değişken olarak ise ağırlıklı olarak finansal oranları ile birlikte pazar değişkenlerinin kullanıldığı görülmektedir.

Tek değişkenli istatistikî yöntemlerle yapılan çalışmalarda basit regresyon analizi ve tekli diskriminant analizi kullanılmıştır. Bu çalışmalarda tek bir finansal oran ele alınarak finansal başarı ve başarısızlık sınıflandırılması yapılmıştır. Ancak firmaların yapısı gereği tek bir finansal oranın finansal başarı ya da başarısızlığı sınıflandırmada yeterli olmadığı görüşünü savunan araştırmacılar; analizlerini çok değişkenli istatistiki modellerle yapmaya başlamışlardır. Literatürde en çok kullanılan çok değişkenli istatistiki modeller ise çok değişkenli diskriminant analizi, lojistik ve probit regresyon modelleridir. Son yıllarda özellikle bilişim teknolojileri ve yapay zeka modelleri çalışmalarının gelişmesine paralel olarak bu tür geleneksel

istatistiki modellerin yanına yapay sinir ağları, sınıflama ve regresyon ağaçları, bulanık mantık ve genetik algoritmalar ile finansal başarısızlık tahmini yapan çalışmaların sayısı da artmaktadır. Her durumda mükemmel tahmin başarısı üreten bir modelin de henüz geliştirilememiş olması, farklı veri setleri ve farklı analiz yöntemleri kullanılarak yapılan çalışmaların devam etmesini ve finansal başarısızlık tahmin çalışmalarının önemini kaybetmemesini sağlamaktadır.

Finansal başarısızlığın tahmini ile ilgili ilk çalışmalar, başarılı ve başarısız firmalar arasındaki farkı belirleyen oranları belirlemek amacıyla yapılmıştır. Paul J. FitzPatrick'in 1932 yılında yaptığı çalışma finansal oranlar kullanılarak yapılan finansal başarısızlık tahminine yönelik ilk çalışmalardandır. 1966 yılında Beaver de çalışmasında tek değişkenli model kullanarak firma başarısızlığını bir ile beş yıl öncesinden tahmin etmeye yarayan finansal oranları bulmaya çalışmıştır. Ancak finansal başarısızlık tahmin çalışmalarında dönüm noktası kabul edilecek çalışma, Altman'ın 1968 yılında yaptığı ve çoklu diskriminant analizini kullanarak geliştirdiği Z-skor modeli çalışmasıdır. Altman’ın bu çalışması yıllar boyunca pek çok çalışmada kullanılmıştır. 1977 yılında Altman ve diğerleri Z skor modelini yeniden düzenleyerek daha iyi performans gösteren Zeta modelini oluşturmuşlardır. 1980'li yıllarda araştırmacılar finansal başarısızlık tahmin çalışmalarında lojistik ve probit regresyon analizi gibi koşullu olasılık modellerini kullanmaya başlamışlarıdır. 1980 yılında Ohlson'un ve 1982 yılında Zavgren'in yaptığı çalışmalar finansal başarısızlığın tahmininde lojistik regresyon modelini kullanan ilk çalışmalardır. Bu dönemde zaman serileri ve piyasa değişkenleri ile yapılan finansal başarısızlık