HALKA AÇIK FİNANS DIŞI ŞİRKETLERDE SÜREKLİLİK RİSKİNİN KARAR AĞACI MODELİ İLE ÖNGÖRÜLMESİ

GOING CONCERN PREDICTION VIA DECISION TREE MODELS AMONG NON-FINANCE PUBLIC COMPANIES

Özet

Bu çalışmanın amacı bir makine öğrenmesi modeli olan karar ağacının fians dışı şirketlerin süreklilik risklerinin öngörülmesine yapabileceği katkının irdelenmesidir. Çalışma kapsamında yapılan analizlere 1999-2016 döneminde Türkiye’de yerleşik, halka açık, fians sektörü dışındaki şirketler dâhil edilmektedir. Araştırmada R istatistik dilinden ve ilgili R makine öğrenmesi model kütüphanelerinden (rpart ve partykit) faydalanılmaktadır. Modelin etkinlik ölçümleri çapraz doğrulama yöntemi ile gerçekleştirilmektedir. Çalışma sonucunda veriye uygulanan karar ağacı modelinin %91 seviyesinde bir başarı ile süreklilik risklerini öngörebildiği tespit edilmektedir. Model, eldeki örneklem çerçevesinde, yüksek performansının yanında kolay anlaşılır ve uygulanabilir olmasıyla pratikte de faydalı olabileceğine işaret etmektedir. Ortaya çıkan Karar Ağacı modelinin her seviyedeki muhasebe bilgi kullanıcısı (yöneticiler, ortaklar, kredi kuruluşları, çalışanlar, potansiyel ortaklar, devlet ve toplum) tarafından işletilebilmesi ve kredi riski takip uygulamalarına eklemlenebilmesi mümkün görünmektedir

Abstract

This research aims to determine the potential of decision trees, a subclass of machine learning models, in going concern prediction among non-fiance public companies. Data used in the study to construct the model includes nonfiance Turkish companies traded publicly in 1999-2016 period. R statistical language and related machine learning libraries (rpart and partykit) are utilized to train the model. Performance of the model is estimated via cross-validation, a commonly accepted method. The study shows that, the decision tree model applied to the data attains a prediction performance of 91%. Besides being very effective machine learning models for the current scenario, decision trees also appear to be very easy to comprehend and build. It is foreseen that, decision tree models can be utilized by credit analysts at any level and be incorporated to any credit analysis software without much effort.