HAVA YOLU TAŞIMACILIĞI SEKTÖRÜNDE İFLAS RİSKİ - YAPAY SİNİR AĞLARI İLE AİRSCORE TAHMİNİ

Son yıllarda dünyada havacılık sektörüne olan talep, kargo ve yolcu taşımacılığının önemini arttırmış, küresel çapta yoğun bir rekabeti de beraberinde getirmiştir. Riskleri ve finansal performansı düzenli olarak değerlendirmek, havayollları gibi dışarıdan gelen etkilere duyarlı, talebi döngüsel, sabit maliyetleri yüksek bir endüstride sürdürülebilir başarıyı yakalayabilmek adına elzemdir. Amerika’da 1978 yılında havayollarının deragülasyonu ile başlayan değişim ve rekabet, sektörde iflasları da beraberinde getirmiştir. Özellikle 21. yüzyılın ilk yıllarında havacılık sektörünü etkileyen önemli gelişmeler yaşanmıştır. Bir üçüncü nesil finansal kriz modeli olan 2008 krizi de dahil olmak üzere havacılık endüstrisini küresel çapta etkileyen önemli dört olay, 11 Eylül 2001 terör saldırısı, 2003 yılındaki SARS hastalığı salgını ve 2010 yılındaki volkanik kül patlamasıdır. Bu araştırma, bahsi geçen olayların Türk Hava Yolları Anonim Ortaklığı için iflas riskini, diğer iflas tahmin modelleri arasında havacılık sektörüne özgü geliştirilmiş Airscore modeliyle ortaya koyma ve yapay sinir ağları teknikleri ile tahminleme amacını taşımaktadır. Ortaklığın, Airscore iflas tahmin modeline göre incelenen 2002 ile 2016 yılları arasındaki dönemin sağlıklı alan olarak nitelendirilen bölgede olduğu tespit edilmiştir. Bu çalışma kapsamında tüm bu yapılanlara ek olarak yapay zekâ algoritmaları yardımıyla gerçekleştirilen analizlerde, önceki bulgulara benzer şekilde takip eden üç dönem için Türk Hava Yolları A.O iflas riski açısından sağlıklı alanda olacağı tahmin edilmiştir.

BANKRUPTCY RISK OF AIR TRANSPORTATION SECTOR - AIRSCORE FORECASTING WITH NEURAL NETWORKS

In the recent years, increasing demand for air transportation in the world has increased the importance of passenger and cargo transportation services and brought intensive competition in national and international markets globally. Evaluating the financial performance and risks of enterprises regularly under destructive competition and taking necessary actions while performing business tasks by standing in a constantly changing, developing and growing market becomes mandatory in order to achieve sustainable success. The airline industry sector is structurally challenged by its very nature, facing high fixed costs, cyclical demand, intense competition, and vulnerability to external shocks like terrorist attacks, disasters, global financial crisis after economic deregulation in 1978. Especially the deregulation in 1978 of the United Stated of America’s airline industry led to a paradigm shift in the market as routes opened up, forcing the legacy carriers in the industry into a highly competitive, lowfare environment. As competition increases, it is crucial for airline firms to know, evaluate and analyze which core business areas are essential to prevent bankruptcy and to success. It appears that a number of indicators specific to airline firms have been used along with the widely used financial ratios to analyze the financial situation of companies operating in the airline sector. Airline finance managers, analysts and interested business owners can take better decisions and make correct planning and budgets via regularly calculating important financial ratios and indicators, comparing them for past periods and years, risk analyzing, creating appropriate reports, making estimations for the future periods, developing simulations for future scenarios when necessary and performing benchmarks. Since the structure of each industry and its business, its internal dynamics and its environment are different; successful risk applications and models used and developed for other sectors may not be suitable for airline firms. For this reason, airline operators should establish their own models according to airline business dynamics. Airlines often seem to avoid taking too much risk, especially focusing on decreasing financial risks and trying to limit exposure to the risks associated with business activities. The aim of this study is to estimate and assess the airline firms’ bankruptcy situation by applying feasible models, by providing information that will assist in the analysis and interpretation of financial statements of the financiers and related businesses on a growing airline sector. Also the development of the airline industry in the world and Turkey is discussed and information about the models used in analyzing the financial situation of airline companies is given and various calculations is made. Airscore model, which is a model specific to the aviation industry, is chosen from the bankruptcy prediction models and evaluated using the Turkish Airlines financial values which is open to public, and forecasted by backpropagated artificial neural network algorithms. In the application part, it is aimed to reveal and predict the bankruptcy risk on the Turkish Airlines for four important events that affect the aviation industry on a global basis since 2000 by using Airscore model which is a unique model developed only for airline sector. These four disruptive events include the terrorist attack which took place on the September 11, 2001 in New York World Trade Center; the SARS outbreak, which started in 2003 in far east; the global financial crisis in 2008 which was the worst economic disaster since the Great Depression; and the volcanic ash eruption in Iceland in 2010 resulted to cancellation of a lot of flights, re-routing of aircrafts and temporary closing of partial European airspace. In the first part of the study, air transportation definitions and concepts is discussed and basic information is given about the subject. In the second part, bankruptcy measurement methods, sector specific financial risk assessment models and risk management methods used in the model are explained. Moreover, data rates and indicators specific to airlines have been described and previous work on the subject has been addressed. In the application section, predictions are made with Airscore bankruptcy prediction model calculations and artificial intelligence algorithms, and the findings obtained in the result section were evaluated using Turkish Airlines financial and operations data between yeras 2002 and 2016. It was determined that the period between 2002 and 2016, which was analyzed according to the Airscore bankruptcy prediction model, was in the area considered as healthy. Also in this study, with the help of artificial intelligence algorithms it is predicted that for th

Kaynakça

Akkaya G.C. (2004). Finansal Rasyolar Yardımıyla Havayolları İşletmelerinin Performansının Değerlendirilmesi. Dokuz Eylül Üniversitesi İ.İ.B.F.Dergisi. 19(1), 15-29.

Aktaş R. (1997). Mali Başarısızlık (İşletme Riski) Tahmin Modelleri. Türkiye İş Bankası Kültür Yayınları, İstanbul.

Altman E. (2000). Predicting Financial Distress of Companies:Revisiting the Z-Score and Zeta Model. Nyu. New York. 7-36.

Atan, M. ve Güneş, B. (2004). İMKB’ye Kote Şirketlerde Bilançoya Dayalı Risk Analizi Ve Erken Uyarı Göstergelerinin Araştırılması, Dokuz Eylül Üniversitesi 4. İstatistik Günleri Sempozyumu. İzmir.

Beaver W. H. (1966). Financial Ratios As Predictors Of Failure. Journal of Accounting Research. 71-111.

Bredart, X. (2014). “Bankruptcy Prediction Model Using Neural Networks”, Accounting and Financial Research. 3(2), 124-128.

Cerit G., Deveci A. ve Esmer S. (2013). Denizcilik İşletmeleri Yönetimi. Beta Yayınları. 1.Basım, İstanbul.

Clarke J., Lee A. ve Miller B. (2004). Is Air Transportation Financially Sustainable. MIT International Center for Air Transportation.

Dilek Ö. (2007). Şehirlerarası Havayolu Talep Tahmini: Erzurum Üzerine Bir Uygulama, Atatürk Üniversitesi Sosyal Bilimler Enstitüsü. İktisat Anabilim Dalı Yüksek Lisans Tezi, Erzurum.

DPT – Devlet Planlama Teşkilatı (2001). Sekizinci Beş Yıllık Kalkınma Planı, 2001-2005: Ulaştırma Özel İhtisas Komisyonu Raporu Hava yolu Ulaştırma Alt Komisyon Raporu. DPT:2584, ÖİK:596, Ankara.

Dursun D.G. ve Birdal İ. (2011). Krizlerin Tahmin Edilebilirliği: 2008 Krizi Örneği. Yönetim: İstanbul Üniversitesi İşletme İktisadı Enstitüsü Dergisi. 70, 22.

Emrah D., Işık S. ve Sandalcı M. (2007). Günlük Buharlaşmanın Yapay Sinir Ağları Kullanarak Tahmin Edilmesi. İMO Teknik Dergi. 4119 – 4131.

Francis G., Humphreys I. ve Fry J. (2005). The Nature And Prevalence Of The Use Of Performance Measurement Techniques By Airlines. Journal of Air Transport Management. 11 (4), 207217.

Gerede E. (2002). Havayolu Taşımacılığında Küreselleşme Ve Havayolu İşbirlikleri–THY AO.’da Bir Uygulama. Anadolu Üniversitesi Sosyal Bilimler Enstitüsü (Yayımlanmamış Doktora Tezi). Eskişehir.

Gerede E. (2006). Sivil Havacılık Faaliyetlerin Sınıflandırılması Ve Türkiye’de Hava Taşımacılığı Faaliyetlerinin Tanımlanmasına İlişkin Sorunlar. HaSeM’06 Kayseri VI. Havacılık Sempozyumu. Nevşehir, 197-203.

Göçen S., Yirik Ş. ve Yılmaz Y. (2011). Türkiye’de Krizler Ve Krizlerin Turizm Sektörüne Etkileri. Süleyman Demirel Üniversitesi İİBF Dergisi. 16(2), 493-509.

Gritta R.D., Adrangi B., Davalos S. ve Bright D. (2008). A Review of the History of Air Carrier Bankruptcy Forecasting and the Application of Various Models to the US Airline Industry: 1980-2005. Södertörn Academic Studies. 193-214.

Gudmundsson S. (1999) Airline Failure And Distress Prediction: A Comparison Of Quantitative And Qualitative Models. Transportation Research. Part E 35, 155-182.

Gudmundsson, S. (2002). Airline Distress Prediction Using Non-Financial Indicators”, Journal of Air Transportation. 7(2), 3-23.

Karaer B. (2015). Havayolu İşletmeciliğinde Yakıt Maliyetleri Ve Yönetimi. Gazi Üniversitesi Sosyal Bilimler Enstitüsü. İşletme Anabilim Dalı İşletme Bilim Dalı Doktora Tezi, Ankara.

Lee, J.-S. ve Jang, S. (2007). The Systematic-risk Determinants Of The US Airline Industry. Tourism Management 28(2), 434-442.

Liedtka S. L. (2002). The İnformation Content Of Nonfinancial Performance Measures İn The Airline Industry, Journal of Business Finance and Accounting. 29(7) – (8), 306-686.

Özdemir F.S., Choi Frederick D.S. ve Beyazıtlı E. (2012). Finansal Başarısızlık Tahminleri Yönüyle Ufrs Ve Bilginin İhtiyaca Uygunluğu. İsmmmo Mali Çözüm Dergisi. İstanbul.

Sevim, C., Öztekin, A., Bali, O., Gümüş, S. ve Güresen, E., (2014). Developing An Early Warning System To Predict Currency Crises. European Journal of Operational Researh. 237, 10951104.

Stepanyan A. (2014). Traditional Ratio Analysis in the Airline Business: A Case Study of Leading U.S Carriers. International Journal of Advances in Management and Economics. 3(2), 175189.

Tan, C. N. W. ve Dihardjo, H. , (2001). A study On Using Artificial Neural Networks To Develop An Early Warning Predictor For Credit Union Financial Distress With Comparison To The Probit Model. Managerial Finance. 27, 56-77.

Tunahan H., Esen S. ve Takıl D. (2016). Havayolu Şirketlerinin Finansal Risk Düzeylerinin Bulanık Mantık Yöntemi İle Karşılaştırmalı Analizi. Journal of Accounting, Finance and Auditing Studies. 2(2), 239-264. Ulaştırma ve Altyapı Bakanlığı. (2017).

Ulaşan ve Erişen Türkiye 2017: Havacılık ve Uzay Teknolojileri. http://www.udhb.gov.tr/images/faaliyet/a5ec26a31a72281.pdf (Erişim tarihi: 01.03.2018).

Uysal B. (2010). Sermaye Yapısını Belirleyen Faktörler:Sektörel Bir İnceleme. T.C Ankara Üniversitesi Sosyal Bilimler Enstitüsü. İşletme Anabilim Dalı Yüksek Lisans Tezi. Ankara.

Wald A. Ve Fay Christoph, G.R. (2010). Introduction to Aviation Management, LIT Yayınclık. Münster.

Wensveen, J. G. (2007). Air Transportation: A Management Perspective. Aldershot: Ashgate.

Wilamowski ve B.M., Chen, Y. (1999). Efficient Algorithm For Training Neural Networks With One Hidden Layer. International Joint Conference on Neural Networks. 3, 1725-1728.

Kaynak Göster