Makine ve ekipman imalatı sektöründe izolasyon ormanı ve yeniden örnekleme yöntemleri kullanılarak finansal başarısızlığın tespit edilmesi
Detecting financial failure in the machinery and equipment manufacturing sectorusing isolation forest and resampling methods
- Tez No: 860353
- Danışmanlar: PROF. DR. MEHMET AKİF BAKIR
- Tez Türü: Yüksek Lisans
- Konular: İstatistik, Statistics
- Anahtar Kelimeler: Belirtilmemiş.
- Yıl: 2024
- Dil: Türkçe
- Üniversite: Gazi Üniversitesi
- Enstitü: Fen Bilimleri Enstitüsü
- Ana Bilim Dalı: İstatistik Ana Bilim Dalı
- Bilim Dalı: Belirtilmemiş.
- Sayfa Sayısı: 114
Özet
Girişimler dönem dönem finansal başarısızlık/iflas ile karşı karşıya gelmektedir. Finansal başarı durumunun öngörülebilmesi sayesinde girişimler erken dönemlerde önlem alabilir ve finansal sıkıntı dönemini daha kolay geçirebilirler. Literatürde finansal başarı durumunun öngörülmesi amacıyla yapılmış çok fazla çalışma bulunmaktadır. Bu çalışmada ise finansal başarı durumunun öngörülmesi üzerine makine öğrenmesi tabanlı bir uygulama yapılmıştır. Çalışma kapsamında Türkiye'de 2010-2020 yılları arasında Makine ve Ekipman İmalatı Sektörü'nde faaliyet gösteren girişimler kullanılmıştır. Çalışmanın ilk aşamasında, girişimlere ait finansal oranlar hesaplanmış ve daha sonra izolasyon ormanı yöntemi kullanılarak finansal başarılı/finansal başarısız şeklinde etiketlenmiştir. Veri etiketleme işleminin sonrasında dengesiz veri problem ile karşılaşıldığı için bu soruna çözüm olarak yeniden örnekleme yöntemleri kullanılmıştır. Yeniden örnekleme yöntemi ile üç farklı veri seti elde edilmiş ve her bir veri seti için XGBoost algoritması eğitilerek her algoritmanın performansı değerlendirilmiştir. Yeniden örnekleme yöntemlerinin performansları karşılaştırıldığında eğitim sonucunda en iyi öngörünün elde edilmesini sağlayan yöntem sentetik azınlık aşırı örnekleme (SMOTE) yöntemi olarak belirlenmiştir. Bu yöntem ile oluşturulan veri seti kullanılarak eğitilen XGBoost modelinin finansal başarısızlığı: bir yıl öncesinde %78, iki yıl öncesinde %81 ve üç yıl öncesinde %83 doğru sınıflandırdığı sonucuna ulaşılmıştır. Çalışmayı literatür çalışmalarından ayıran finansal başarı durumu bilinmeyen girişimler üzerinde çalışılarak veri etiketleme işleminin yapılması ve yeniden örnekleme yöntemlerinin kullanılmasıdır. Ayrıca çalışma literatür kapsamında incelenen diğer çalışmalar ile karşılaştırıldığında veri seti boyutunun oldukça büyük olduğu söylenebilmektedir.
Özet (Çeviri)
Startups face financial failure/bankruptcy from time to time. By predicting financial success, enterprises can take precautions in the early stages and get through the period of financial distress more easily. There are many studies in the literature on predicting financial success. In this study, a machine learning-based application on predicting financial success has been made. Within the scope of the study, enterprises operating in the Machinery and Equipment Manufacturing Sector in Turkey between 2010 and 2020 were used. In the first stage of the study, the financial ratios of the enterprises were calculated and then labeled as financial success/financial failure using the isolation forest method. Since the unbalanced data problem was encountered after the data labeling process, resampling methods were used as a solution to this problem. Three different data sets were obtained by resampling method and the performance of each algorithm was evaluated by training the XGBoost algorithm for each data set. When the performances of the resampling methods were compared, it was determined that the synthetic minority oversampling (SMOTE) method provided the best prediction. It was concluded that the XGBoost model trained using the dataset created with this method correctly classified financial failure: 78% one year ahead, 81% two years ahead and 83% three years ahead. What distinguishes this study from other studies in the literature is the use of data labeling and resampling methods by working on startups with unknown financial success status. In addition, when the study is compared to other studies examined in the literature, it can be said that the data set size is quite large.
Benzer Tezler
- Organize sanayi bölgelerinde kümelenme eğilimi ve işletme performansı üzerine etkileri: TR32 bölgesinde bir uygulama
Clustering trends in organized industrial zones and its effects on business performance: An application in the TR32 region
ZEKİYE ÇAMLICA
Doktora
Türkçe
2019
İşletmeAydın Adnan Menderes Üniversitesiİşletme Ana Bilim Dalı
DOÇ. DR. HÜSEYİN ŞENKAYAS
- Finansal tablolardan teşvik edilmesi gereken alt sektörlerin belirlenmesi: Makine sektörü çalışması
Identifying the subsectors to be incentivized based on financial accounts: Machinery sector study
YILMAZ ŞAHİN
- Konya ilinde tarım makinaları imalatı yapılan orta ölçekli işletmelerin iş sağlığı ve güvenliği açısından incelenmesi
Evaluation of work safety in medium scale enterprises manufacturing agricultural machinery in province of Konya
MİNE ÇETİNKAYA
Yüksek Lisans
Türkçe
2019
ZiraatSelçuk ÜniversitesiTarım Makineleri ve Teknolojileri Mühendisliği Ana Bilim Dalı
PROF. DR. TAMER MARAKOĞLU
- Hazır yemek imalatı sektöründe çalışanların risk değerlendirmesi algıları ve uygulama kültürleri
Risk assessment perceptions and practice cultures of employees in the ready meal manufacturing industry
MUSTAFA HAKAN BEKTAŞ
Yüksek Lisans
Türkçe
2024
Gastronomi ve Mutfak SanatlarıYozgat Bozok Üniversitesiİş Sağlığı ve Güvenliği Ana Bilim Dalı
DOÇ. DR. VUGAR ALİ TÜRKSOY
- Döner tablalı elektrohidrolik yürüteç tasarımı ve prototip imalatı
Turntable electrohydraulic wiring design and prototype manufacturing
RASİM ORHAN
Yüksek Lisans
Türkçe
2017
Makine MühendisliğiNamık Kemal ÜniversitesiMakine Mühendisliği Ana Bilim Dalı
YRD. DOÇ. DR. SONER ÇELEN