Bir ticari firmanın başarısızlığı alacaklıları ve hissedarları önemli ölçüde zarara uğratmaktadır. Bu sebeple, olası başarısızlığı önceden öngörebilen modeller oluşturmak zarar gören kesimlere büyük kolaylıklar sağlamakta ve uyarmaktadır. Bu çalışmada, İstanbul Borsası’nda işlem gören imalat sanayi firmalarının finansal başarısızlığını etkileyen finansal oranlarının tespit edilmesi ve finansal başarısızlığının öngörülmesi amaçlanmıştır. Bu amaç için, yapay sinir ağları ve diskriminant analizi kullanılmıştır. Çalışmada, İMKB’ da işlem gören imalat sanayi firmalarından 2008-2013 yılları arası verilerine ulaşılabilen 142 firma analize dâhil edilmiştir. Literatürde yer alan benzer çalışmalardan farklı olarak tüm başarısızlık kriterlerinin yer aldığı modelin yanında, başarısızlık kriterleri arasında yer alan üst üste 2 yıl ya da daha fazla zarar etme ve borçların öz kaynakları aşması kriterlerinin bağımlı değişken olarak ele alındığı üç ayrı model kurulmuştur. Çalışmanın sonunda, finansal başarısızlığı en iyi sınıflandıran yöntemin yapay sinir ağları olduğu tespit edilmiştir. Ayrıca finansal başarısızlığın belirlenmesinde borçların öz kaynakları aşma kriterinin finansal başarısızlık için daha etkili bir kriter olduğu belirlenmiş ve finansal başarısızlığı belirleyen en önemli finansal oranların karlılık ve finansal yapı oranları olduğu sonucuna ulaşılmıştır.
The failure of a commercial company is a significant loss to its buyers and shareholders For this reason, establishing models that can predict foreseeable failures provides great convenience and warns those who are injured. In this study, it is aimed to determine the financial ratios affecting the financial failure of the manufacturing industry firms traded on the Istanbul Stock Exchange and to predict the financial failure. For this purpose, artificial neural networks and discriminant analysis were used. Using the data between the years 2008-2013 of the manufacturing industry firms which traded in ISE, the three dependent variables models which different from similar studies in the literature next to the model, which includes all failure criterion failure discussed by the debts exceed assets criteria and overlap located between two or more years of damage to have been developed and classification success of disciriminant analysis were compared for this model. In there sult of the study, it was determined that the method that best classifies financial failure is artificial neural networks. In addition, when the financial failure is determined, it is determined that the criteria of exceeding the equity of the debts is a more effective criterion for financial failure and the most important financial ratios determining the financial failure are the profitability and financial structure ratios.