Анализ финансовой эффективности компаний реального сектора с помощью интегрированных методов SOWIA-ELECTRE III: на примере Турции

Целью данного исследования является определение финансовых показателей компаний корпоративного сектора с использованием интегрированного метода SOWIA-ELECTRE III. В рамках данного исследования были использованы данные 10 реальных секторов, работающих на Стамбульской бирже Borsa Istanbul в период 2016–2022 гг. Отмечено, что показатели финансовой эффективности, влияющие на результаты деятельности сектора, варьируются по годам, и важными детерминантами финансовой эффективности являются ставка текущих обязательств, соотношение цены и прибыли, соотношение стоимости фирмы к EBITA и рентабельность капитала. Согласно результатам рейтинга эффективности секторов, полученным с помощью метода ELECTRE III, можно сделать вывод, что наиболее высокие показатели были достигнуты в розничной торговле в 2017–2019, 2021 и 2022 гг., в строительстве и общественных работах в 2016 г. и в производстве продуктов питания, напитков и табачных изделий в 2020 г. Кроме того, проведено сравнение рейтингов эффективности секторов с рейтингами доходности отраслевых индексов, а степень взаимосвязи определялась с помощью коэффициента ранговой корреляции Спирмена. Соответственно, коэффициенты корреляции положительны, высоки и значимы в 2017 и 2018 гг. Сделан вывод, что существует частичная связь между отраслевыми показателями и доходностью секторов. Показано, что портфельные менеджеры и инвесторы должны придавать значение анализу финансовых показателей при исследовании секторов, а руководители экономических служб учитывать то, что общие экономические условия являются важными факторами, определяющими развитие секторов.

1. Lebas M. J. Performance measurement and performance management. International Journal of Production Economics. 1995;41(1–3):23–35. DOI: 10.1016/0925–5273(95)00081-X

2. Shaverdi M., Ramezani I., Tahmasebi R., Rostamy A. A.A. Combining fuzzy AHP and fuzzy TOPSIS with financial ratios to design a novel performance evaluation model. International Journal of Fuzzy Systems. 2016;18(2):248–262. DOI: 10.1007/s40815–016–0142–8

3. Kennerley M., Neely A. Performance measurement frameworks: A review. In: Neely A., ed. Business performance measurement: Theory and practice. Cambridge: Cambridge University Press; 2004:145–155.

4. Clark B. Measuring performance: The marketing perspective. In: Neely A., ed. Business performance measurement: Theory and practice. Cambridge: Cambridge University Press; 2004:22–40.

5. Vujičić M. D., Papić M. Z., Blagojević M. D. Comparative analysis of objective techniques for criteria weighing in two MCDM methods on example of an air conditioner selection. Tehnika. 2017;72(3):422–429. DOI: 10.5937/tehnika1703422V

6. Liao H., Wu X., Mi X., Herrera F. An integrated method for cognitive complex multiple experts multiple criteria decision making based on ELECTRE III with weighted Borda rule. Omega. 2020;93:102052. DOI: 10.1016/j.omega.2019.03.010

7. Krishnan A. R., Kasim M. M., Hamid R., Ghazali M. F. A modified CRITIC method to estimate the objective weights of decision criteria. Symmetry. 2021;13(6):973. DOI: 10.3390/sym13060973

8. Tu Y., Shi H., Chen K., Liang Y., Zhou X., Lev B. Three-reference-point based group ELECTRE III method for urban flood resilience evaluation. Expert Systems with Applications. 2022;210:118488. DOI: 10.1016/j.eswa.2022.118488

9. Diakoulaki D., Mavrotas G., Papayannakis L. Determining objective weights in multiple criteria problems: The CRITIC method. Computers & Operations Research. 1995;22(7):763–770. DOI: 10.1016/0305–0548(94)00059-H

10. Das M. C., Sarkar B., Ray S. On the performance of Indian technical institutions: A combined SOWIA-MOORA approach. Opsearch. 2013;50(3):319–333. DOI:10.1007/s12597–012–0116-z

11. Roy B., Bouyssou D. Comparison of two decision-aid models applied to a nuclear power plant siting example. European Journal of Operational Research. 1986;25(2):200–215. DOI: 10.1016/0377–2217(86)90086-X

12. Chavira D. A.G., Lopez J. C.L., Noriega J. J.S., Valenzuela O. A., Carrillo P. A.A. A credit ranking model for a parafinancial company based on the ELECTRE-III method and a multiobjective evolutionary algorithm. Applied Soft Computing. 2017;60:190–201. DOI: 10.1016/j.asoc.2017.06.021

13. Kou G., Lu Y., Peng Y., Shi Y. Evaluation of classification algorithms using MCDM and rank correlation. International Journal of Information Technology & Decision Making. 2012;11(1):197–225. DOI: 10.1142/S0219622012500095

14. Orakçı E., Özdemir A. Telafi edici çok kriterli karar verme yöntemleri ile Türkiye ve AB ülkelerinin insani gelişmişlik düzeylerinin belirlenmesi. Afyon Kocatepe Üniversitesi İktisadi ve İdari Bilimler Fakültesi Dergisi. 2017;19(1):61–74. DOI: 10.5578/jeas.49652

15. Madhu P., Dhanalakshmi C. S., Mathew M. Multi-criteria decision-making in the selection of a suitable biomass material for maximum bio-oil yield during pyrolysis. Fuel. 2020;277:118109. DOI: 10.1016/j.fuel.2020.118109

16. Güler E., Avcı S., Aladağ Z. Türkiye’de illerin deprem hasar görebilirlik sıralamasında çok kriterli karar verme tekniklerinin başarısının copeland yöntemi ile değerlendirilmesi. Endüstri Mühendisliği. 2021;32(3):414–437.

17. Top M., Bulut T. Yeni birçok kriterli karar verme yöntemi: Bulut Endeks-Beta (Be-B). Verimlilik Dergisi. 2022;3:393–414. DOI: 10.51551/verimlilik.1031366

18. Akbulut O. Y. Finansal performans ile pay senedi getirisi arasındaki ilişkinin bütünleşik CRITIC ve MABAC ÇKKV teknikleriyle ölçülmesi: Borsa İstanbul çimento sektörü firmaları üzerine ampirik bir uygulama. Pamukkale Üniversitesi Sosyal Bilimler Enstitüsü Dergisi. 2020;(40):471–488. DOI: 10.30794/pausbed.683330

19. Orçun Ç. Enerji sektöründe WASPAS yöntemiyle performans analizi. Bolu Abant İzzet Baysal Üniversitesi Sosyal Bilimler Enstitüsü Dergisi. 2019;19(2):439–453. DOI: 10.11616/basbed.v19i47045.537839

20. Yalçın N., Bayrakdaroğlu A., Kahraman C. Application of fuzzy multi-criteria decision making methods for financial performance evaluation of Turkish manufacturing industries. Expert Systems with Applications. 2012;39(1):350–364. DOI: 10.1016/j.eswa.2011.07.024

21. Yavuz H., Öztel A., Yaşar Ö. Z. Bulanık VIKOR yöntemi ile finansal performans analizi: Türk kimya sektöründe bir uygulama. Yönetim ve Ekonomi Dergisi. 2020;27(3):535–555. DOI: 10.18657/yonveek.602919

22. Uygurtürk H., Korkmaz T. Finansal performansın TOPSIS çok kriterli karar verme yöntemi ile belirlenmesi: Ana metal sanayi işletmeleri üzerine bir uygulama. Eskişehir Osmangazi Üniversitesi İktisadi ve İdari Bilimler Dergisi. 2012;7(2):59–115.

23. Soy Temur A. Borsa Istanbul Turizm endeksi (XTRZM) firmalarının Entropi temelli ARAS, COPRAS ve TOPSIS yöntemleri ile finansal performans analizi. Verimlilik Dergisi. 2022;2:183–212. DOI: 10.51551/verimlilik.907897

24. Lima A., Soares V. Financial ratios applied to portfolio selection: Electre III methodology in buy-and-hold strategy. Revista Organizações em Contexto. 2013;9(17):281–319. DOI: 10.15603/1982–8756/roc.v9n17p281–319

25. Boonjing V., Boongasame L. Combinatorial portfolio selection with the ELECTRE III method: Case study of the stock exchange of Thailand. Afro-Asian Journal of Finance and Accounting. 2017;7(4):351–362. DOI: 10.15439/2016F228

26. Safaei Ghadikolaei A., Khalili Esbouei S., Antucheviciene J. Applying fuzzy MCDM for financial performance evaluation of Iranian companies. Technological and Economic Development of Economy. 2014;20(2):274–291. DOI: 10.3846/20294913.2014.913274

27. İç Y. T., Çelik B., Kavak S., Baki B. An integrated AHP-modified VIKOR model for financial performance modeling in retail and wholesale trade companies. Decision Analytics Journal. 2022;3:100077. DOI: 10.1016/j.dajour.2022.100077

28. Aduba J. J. Framework for firm-level performance evaluations using multivariate linear correlation with MCDM methods: Application to Japanese firms. Asia-Pacific Journal of Regional Science. 2022;6(1):1–44. DOI: 10.1007/s41685–021–00213–8

29. Karaoğlan S., Şahin S. BIST XKMYA İşletmelerinin finansal perfomanslarının çok kriterli karar verme yöntemleri ile ölçümü ve yöntemlerin karşılaştırılması. Ege Akademik Bakış. 2018;18(1):63–80. DOI: 10.21121/eab.2018135912

30. Kayahan Karakul A., Özaydın G. TOPSIS ve VIKOR yöntemleri ile finansal performans değerlendirmesi: XELKT üzerinde bir uygulama. Dumlupınar Üniversitesi Sosyal Bilimler Dergisi. 2019;(60):68–86.

31. Ekizler H. Dokuma, giyim eşyası ve deri sanayi sektöründeki işletmelerin performanslarının değerlendirilmesi: VIKOR ve TOPSIS yöntemleri. Ömer Halisdemir Üniversitesi İktisadi ve İdari Bilimler Fakültesi Dergisi. 2020;13(1):24–39. DOI: 10.25287/ohuiibf.556233

32. Söylemez Y. Finansal performans değerlendirmesinde TOPSIS ve gri ilişkisel analiz yöntemlerinin karşılaştırılması. Yönetim ve Ekonomi Araştırmaları Dergisi. 2020;18(3):61–79. DOI: 10.11611/yead.771575

33. Bozdoğan T., Odabaş A., Shegiwal A. H. Analysis of financial performance of foreign banks having branches in Turkey by TOPSIS and ELECTRE methods. Alanya Akademik Bakış Dergisi. 2021;5(2):1049–1067. DOI: 10.29023/alanyaakademik.871031

34. Akgün A. BIST enerji şirketlerinin CRITIC ve CODAS bütünleşik yaklaşımı ile finansal açıdan değerlendirilmesi. Selçuk Üniversitesi Sosyal Bilimler Enstitüsü Dergisi. 2022;(48):338–356. DOI: 10.52642/susbed.1111547

35. Öndeş T., Özkan T. Bütünleşik CRITIC-EDAS yaklaşımıyla Covid-19 pandemisinin bilişim sektörü üzerindeki finansal performans etkisi. Gümüşhane Üniversitesi Sosyal Bilimler Enstitüsü Elektronik Dergisi. 2021;12(2):506–522.

36. Türegün N. Financial performance evaluation by multi-criteria decision-making techniques. Heliyon. 2022;8(5): e09361. DOI: 10.1016/j.heliyon.2022.e09361

37. Chen Z., Wang X., Peng J., Zhang H., Wang J. An integrated probabilistic linguistic projection method for MCGDM based on ELECTRE III and the weighted convex median voting rule. Expert Systems. 2020;37(6):e12593. DOI: 10.1111/exsy.12593

38. Ömürbek N., Eren H. Promethee, Moora ve Copras yöntemleri ile oran analizi sonuçlarinin değerlendirilmesi: Bir uygulama. Mehmet Akif Ersoy Üniversitesi Sosyal Bilimler Enstitüsü Dergisi. 2016;8(16):174–187. DOI: 10.20875/sb.69615

39. Narayanamoorthy S., Brainy J. V., Shalwala R. A., Alsenani T. R., Ahmadian A., Kang D. An enhanced fuzzy decision making approach for the assessment of sustainable energy storage systems. Sustainable Energy, Grids and Networks. 2023;33:100962. DOI: 10.1016/j.segan.2022.100962

40. Zhong S., Chen Y., Miao Y. Using improved CRITIC method to evaluate thermal coal suppliers. Scientific Reports. 2023;13(1):195. DOI: 10.1038/s41598–023–27495–6

41. Roy B. The outranking approach and the foundations of Electre methods. Theory and Decision. 1991;31(1):49–73. DOI: 10.1007/BF00134132

42. Fancello G., Carta M., Fadda P. A decision support system based on Electre III for safety analysis in a suburban road network. Transportation Research Procedia. 2014;3:175–184. DOI: 10.1016/j.trpro.2014.10.103

43. Şener S. Legatum refah endeksi göstergeleri ve verileri kullanılarak refahın çok kriterli karar verme yöntemleri ile değerlendirilmesi. Eskişehir Osmangazi Üniversitesi İktisadi ve İdari Bilimler Dergisi. 2022;17(1):46–70. DOİ: 10.17153/oguiibf.981581

44. Micale R., Giallanza A., Russo G., La Scalia G. Selection of a sustainable functional pasta enriched with Opuntia using ELECTRE III methodology. Sustainability. 2017;9(6):885. DOI: 10.3390/su9060885

45. Leyva-López J.C., Solano-Noriega J.J., Gastélum-Chavira D.A., Gaxiola-Valenzuela T. A personnel selection model for a software development company based on the ELECTRE III method and a Variant of NSGA-II. Innovar: Revista de Ciencias Administrativas y Sociales. 2022;32(85):117–132. DOI: 10.15446/innovar.v32n85.100657

46. Vasegaard A. E., Picard M., Hennart F., Nielsen P., Saha S. Multi criteria decision making for the multi-satellite ımage acquisition scheduling problem. Sensors. 2020;20(5):1242. DOI: 10.3390/s20051242