Yapay Zeka Hızlı Bakış & Çıkarımlar
AI InsightBulgular – Bu çalışmada EVA’yı en anlamlı sonuçlarla açıklayan regresyon modelleri hesaplanmıştır.
📌 3 Maddede Bu Makale
Özet
Amaç – Ekonomik Katma Değeri (EVA) açıklamak için geleneksel performans değerleme yöntemlerinin gücünü analiz etmektir. Yöntem – Bu çalışmada 2008-2017 yıllarında BİST Bilişim Endeksi’ndeki firmaların mali verileri analiz edilmiştir. Analizde, geleneksel performans değerleme ölçütleri olarak şu oranlar kullanılmıştır: Aktif karlılık oranı, öz sermaye karlılık oranı, hisse başı kazanç oranı, fiyat-kazanç oranı, piyasa değeri/defter değeri oranı ve satışların getirisi oranı. BİST Bilişim Endeksi’ndeki firmalar faaliyet alanlarına göre alt sektörlere ayrılmıştır. Bu alt sektörler yazılım, iletişim ve donanım pazarlamasıdır. Regresyon analizi ve oto korelasyon testleri kullanılmış ve standart sapma hesaplanmıştır. Tüm işlemler IBM SPSS Statistics 26 ile yapılmıştır. Bulgular – Bu çalışmada EVA’yı en anlamlı sonuçlarla açıklayan regresyon modelleri hesaplanmıştır. Araştırma sonucunda yazılım alt sektörü, aktif karlılık oranı ve öz sermaye karlılık oranından oluşan model ile %71,2 oranında açıklanabilmektedir. Donanım pazarlaması alt sektörü, hisse başına kazançtan oluşan model ile %57,8 oranında açıklanabilmektedir. İletişim alt sektörü, öz sermaye karlılık oranı ve satışların getirisinden oluşan model ile %52,6 oranında açıklanabilmektedir. Yazılım alt sektöründeki firmaların 10 yıllık EVA değerlerinin standart sapmasının diğer alt sektör firmalarına göre daha düşük olduğu hesaplanmıştır. Tartışma – BİST Bilişim Endeksi’ndeki firmaları faaliyet konularına göre ayırarak analiz etmek, faaliyet alanlarının dinamiklerinden kaynaklı olarak farklı sonuçlar çıkarmıştır. Geleneksel performans değerlendirme ölçütleri ile en yüksek oranda açıklanabilen alt sektör yazılım olmuştur. Bu durum sektörel bazı özelliklerden olduğu düşünülmektedir. Yazılım firmalarının standart sapmalarının daha düşük olması ise yazılım sektörünün daha istikrarlı EVA ürettiğini ifade eder. Yatırımcılar, EVA tahmin modeliyle karmaşık hesaplamalar ile uğraşmayıp daha basit işlemler gerektiren hesaplamalar ile sonuca ulaşabilir. Karar süreçleri hızlanabilir.
Abstract
Purpose – To analyze the power of traditional performance evaluation methods to explain the Economic Value Added (EVA). Design/methodology/approach – In this study, fiscal data of companies in the BIST Informatics Index which is period between 2008-2017 years were analyzed. In the analysis the following ratios were used as traditional performance evaluation criteria: Return on assets, return on equity, earnings per share, price to earnings ratio, market to book value ratio and return on sales rate. The companies in the BIST Informatics Index are divided into sub-sectors according to by field of activity. These sub-sectors are software, communication and hardware marketing. Regression analysis and auto correlation tests were used and standard deviation was calculated. All transactions were done with IBM SPSS Statistics 26. Findings – In this study, models that explain the EVA with the most meaningful results were calculated. As a result of the research, the software sub-sector can be explained by 71.2% with the model consisting of return on assets and return on equity. The hardware marketing sub-sector can be explained by 57.8% with the model consisting of earnings per share. Communication sub-sector can be explained by 52.6% with the model consisting of equity profitability ratio and return on sales. It has been calculated that the standard deviation of the 10-year EVA values of companies in the software sub-sector is lower than that of other sub-sector companies. Discussion – Analyzing the companies in the BIST Informatics Index by analyzing them according to their fields of activity has yielded different results due to the dynamics of their fields of activity. The sub-sector software, which can be explained at the highest rate with traditional performance evaluation criteria, was software. This situation is thought to be some of the sectorial features. The lower standard deviations of software companies mean that the software industry produces more stable EVA. Investors cannot deal with complex calculations with the EVA estimation model, but can come to the conclusion with calculations that require simpler transactions. Decision processes can speed up.