The role of board characteristics in capital structure decisions: Econometric and machine learning evidence from Turkish listed firms

---

Tezin Türü: Yüksek Lisans

Tezin Yürütüldüğü Kurum: Yıldız Teknik Üniversitesi, Sosyal Bilimler Enstitüsü, İktisat, Türkiye

Tezin Onay Tarihi: 2021

Tezin Dili: İngilizce

Öğrenci: ALİCAN YILDIRIM

Danışman: Hüseyin Taştan

Açık Arşiv Koleksiyonu: AVESİS Açık Erişim Koleksiyonu

Özet:

Bu tezde, Türkiye'deki halka açık finans dışı sektörde yer alan firmaların sermaye yapılarına ilişkin dört soruya cevap aranmıştır: 1) Sermaye yapısı literatüründe öne çıkan ödünleşme ve finansman hiyerarşisi teorilerinden hangisi bu firmaların sermaye yapısı kararlarını açıklamakta başarılıdır? 2) Yönetim kurulu bağımsızlığı, yönetim kurulu büyüklüğü ve kurul içerisindeki kadın üyelerin oranı gibi kurumsal yönetişim kalitesi göstergeleri sermaye yapısı kararlarında belirleyici bir rol oynuyor mudur? 3) Sermaye yapısı kararları, ağaç bazlı makine öğrenmesi yöntemleri kullanılarak doğrusal modellerden daha başarılı bir şekilde öngörülebilir mi – eğer öyle ise en başarılı yöntem hangisidir? 4) Sermaye yapısını makine öğrenmesi yöntemleriyle öngörürken yönetim kurulu özelliklerini de dikkate almak öngörü performansını nasıl etkiler? 257 firmanın 2009-2019 yıllarını kapsayan bilanço ve gelir tabloları kullanılarak yapılan ekonometrik tahmin sonuçları, ödünleşme ve finansman hiyerarşisi teorilerinin hiçbirinin sermaye yapısı kararlarını tek başlarına tamamen açıklayamadığını göstermektedir. Teorik olarak sermaye yapısını etkileyeceği öngörülen firma karakteristiklerinden kârlılık, firma büyüklüğü ve likiditenin kaldıraç oranları üzerinde istatistiksel olarak anlamlı bir etkisi olduğu bulunmuştur. Ayrıca, bazı tahmin sonuçları yönetim kurulu büyüklüğü ve kaldıraç oranları arasında pozitif ve anlamlı bir ilişki olduğunu göstermektedir. Diğer yönetim kurulu karakteristikleri ve kaldıraç oranları arasında güçlü bir anlamlı ilişki bulunamamıştır. Sermaye yapısı makine öğrenmesi yöntemleriyle öngörüldüğünde, ağaç bazlı makine öğrenmesi yöntemlerinden rassal ormanlar ve boosting algoritmalarının doğrusal modellerden genel olarak daha başarılı öngörü performansı sergilediği bulgusuna erişilmiştir. Son olarak, yönetim kurulu özelliklerinin dikkate alınmasının öngörü performansını iyileştirmediği tespit edilmiştir.