Kurumsal kredilerin geri ödenmeme olasılığının tahminine yönelik Bayes ağı temelli bir erken uyarı modeli

Erken uyarı sistemleri, bir problemin gerçekleşme olasılığı ve sonrasında ortaya çıkabilecek potansiyel etkilerin önceden tahmin ederek, buna yönelik uyarılar üreten sistemlerdir. Tarihin bilinen en eski dönemlerinden beri insan, doğası gereği kendini ve sahip olduğu şeyleri koruma güdüsüne sahip olmuştur. Maslov'un ihtiyaçlar piramidinde de kendini gösteren bu güdü yeme-içme gibi yaşamsal faaliyetlerin giderilmesinin ardından tamamlanması gereken ihtiyaçlar arasında ilk sıraya yerleşmiştir. Bu nedenle, insanoğlu karşılaşabileceği olumsuz durumları önceden bilmek ve önlem almak eğilimindedir. Bu açıdan bakıldığında, erken uyarı sistemlerine neden ihtiyaç duyulduğunu anlamak güç olmayacaktır. Daha detaylı bir tanımlama yapmak gerekirse, erken uyarı sistemleri, olumsuz bir durum karşısında, etkilenebilecek kişiler, toplum ve organizasyonlara gelebilecek olası zararı önlemek ya da etkisini azaltmak amacıyla hazırlıklı olmak ve doğru aksiyonu zamanında alabilmek adına anlamlı bilgiyi sağlama kapasitesi olarak ifade edilebilir. Erken uyarı sistemleri, sağlık sektöründen, acil durum afet yönetimine, çevresel faktörlerin tahmin edilmesinden finans alanına kadar bir çok alanda kendisine yer bulmuştur. Finansal alanda erken uyarı sistemleri, finansal krizlerin tahmin edilmesi ve firma başarısızlıklarının tahmin edilmesi amacıyla iki ana grup altında toplanmıştır. Etki alanı ve önemi düşünüldüğünde firmaların mali performanslarının tahmin edilmesi sadece firma açısından değil, aynı zamanda o firmanın çalışanları, yöneticileri, ortakları, müşterileri, tedarikçileri, kredi veren kurumlar, faaliyet gösterdiği sektördeki diğer kurumlar ve bütün bunların sonucunda da ülke ve hatta dünya ekonomisi açısından kritik bir öneme sahiptir. Bu nedenle, bu tez kapsamında, firmaların mali anlamda başarısız olma ihtimallerinin tahmin edilmesine yönelik bir model geliştirilmiş ve uygulaması yapılmıştır. Firma başarısızlıklarının analiz edilmesine yönelik, daha önce bu alanda yapılmış çalışmalar irdelendiğinde, tek değişkenli modeller ile başlayan çalışmalar, sonrasında doğrusal ayırma analizi, olasılık temelli yaklaşımlar ve yapay zeka temelli yaklaşımlar olmak üzere çeşitli yöntemlerin kullanılmış olduğu görülmektedir. İçerisinde bulunduğumuz çevrenin belirsizlik düzeyi dönemler itibarı ile artmaktadır ve piyasa içerisindeki rakiplerin sayısı da gün be gün artmaktadır. Bu durum göz önüne alındığında, firmalarının başarısız olma olasılıklarını önceden tahmin edebilmek, günümüzde günümüz koşulları için oldukça önemli bir problemdir. Bu nedenle, problemin çözümü için oluşturulacak modelde kullanılacak olan yöntemin hem değişen şartlara uyarlanabilmesi hem de belirsizliği modele dahil edebilmesi önemli bir başarı faktörü olmaktadır. Literatür araştırması sırasında bu alanda kullanılmış olan yöntemler incelemiş ve diğer yöntemlere kıyasla, uygulanmasının kolay ve anlaşılır olması, büyük veri kitlelerine ihtiyaç duymaması, model içerisindeki bütün ilişkilerin tanımlanabilir ve gözlemlenebilir olması, çevresel belirsizliği hesaba dahil edebilmesi ve eksik veri olması durumunda da sonuç üretebiliyor olması nedeniyle, Bayes Ağları yöntemi tercih edilmiş ve problem modellenerek uygulaması yapılmıştır. Bu tez kapsmında yapılan çalışmayı literatürdeki diğer çalışmalardan ayıran en önemli özelliklerden biri, sadece firma verilerinin değil, aynı zamanda firma ortağına ilişkin performans göstergelerinin de firma perfromansına etki ettiği varsayımı ile modele girdi olarak dahil edilmiş olmasıdır. Modelde, birden fazla veri kaynağı kullanılarak, modelin veri kaynaklı hatalardan dolayı yanlış tahmin üretme olasılığı azaltılmıştır. Modelde konu edilen değişkenlerin seçimi konusunda literatür araştırmasına ek olarak, alanında uzman, farklı kurumlarda kurumsal kredilerin değerlendirilmesi görevinde çalışanların görüşlerine başvurulmuş ve bu sayede farklı bakış açıları dikkate alınarak literatürde, bu alanda daha önce kullanılmamış olan kriterler de değişken olarak modele dahil edilmiştir. Modelde, bir finans kurumunun kurumsal müşteri portföyünde yer alan 55'i başarısız olarak işaretlenmiş olan, 150 firmaya ait veriler kullanılmıştır. Firmaların başvuru tarihinden itibaren son iki tamamlanmış yıla ait bilanço ve gelir tabloları, başvuru anındaki firmanın bankalardaki çek durumu ve toplam risk derecesi, firmanın yaşı, ortağın Kredi Kayıt Bürosu'ndaki finansal siciline ilişkin göstergeler ve çevrenin belirsizlik durumunu ifade eden değişkenlerden faydalanarak bir veri seti oluşturulmuştur. Modelde kullanılan değişkenlerin, finansal oranlar ve diğer sürekli değişkenlerden oluşması sebebiyle, ilgilenilen sorulardan biri de değişkenlerin nasıl bir referans değer ile kıyaslanarak kesikli hale getirileceği olmuştur. Bunun için finansal oranlar, TCMB'nin yıllık bazda sektörler için açıklamış olduğu bilanço ve gelir tablolarından hareketle, firmaların örnek bazında sektörden yüzdesel olarak ne kadar saptıkları belirlenmiş ve küçükten büyüğe sıralanarak birikimli olasılıkları genel itibarı ile %18.5, %81.5 ve %100 olacak şekilde 3 gruba ayrılarak kesikli hale getirilmiştir. Böylelikle, hem verinin standart hale getirilmesi sağlanmış hem de kesikli hale getirilebilmiştir. Çalışma içerisinde ele alınan bir diğer problem de modelin ürettiği olasılık değerlerinin hangi eşik değerinden itibaren iyi ya da kötü olarak sınıflandırılacağına ilişkin karar verme süreci olmuştur. Literatür araştırması sırasında örnek alınan çalışmalarda kullanılmış olan 1. tip ve 2. tip hatanın en aza indirilmesine yönelik bir en iyileme çalışması ile sınıflamaya yönelik kesme değeri belirlenmiştir. Oluşturulan model, tez çalışması sırasında kullanılan yöntemin geçerliliğinin saptanması amacıyla, aynı veri seti kullanılarak lojistik regresyon yöntemi ile de oluşturularak probleme dair sonuçlar elde edilmiş ve iki farklı yöntemle elde edilen sonuçlar kıyaslanmıştır. Kıyaslamalar sonucunda iki yöntemin, performanslarının başarılı ve başarısız firmaları doğru sınıflandırma oranı bakımından birbirine yakın sonuçlar üretmiştir. Ancak Bayes ağları ile yapılan çalışma, "Başarısız" olarak işaretlenmiş olan firmaları daha yüksek bir oranla doğru olarak tahmin etmiştir. Bu nedenle, Bayes ağları ile oluşturulan modelin hatalı tahmin yapma maliyeti, lojistik regresyon yöntemi ile oluşturulan modele oranla daha düşük olmuştur.