Machine learning – based financial fraud detection: Evidence from healthcare and related firms in Türkiye | Makine öğrenmesi temelli finansal hile tespiti: Türkiye’de sağlık ve ilişkili firmalar üzerine bir uygulama

Finansal hileler ve muhasebe düzensizlikleri, finansal şeffaflığı zayıflatarak kurumsal yönetişimi olumsuz etkilemekte ve ekonomik kaynakların etkin dağılımını bozabilmektedir. Son yıllarda firma düzeyinde finansal verilerin artan erişilebilirliği, karmaşık hile kalıplarının tespitinde makine öğrenmesi tekniklerinin kullanımını mümkün kılmıştır.

Bu çalışma, Türkiye’de faaliyet gösteren sağlık ve sağlıkla ilişkili sektörlerdeki firmalarda finansal hile riskinin belirlenmesinde makine öğrenmesi yöntemlerinin etkinliğini incelemeyi amaçlamaktadır. Analizde 2021–2025 dönemine ait firma düzeyinde finansal veriler (15 firmadan 279 firma-çeyrek gözlem) kullanılmış; Lojistik Regresyon, Naive Bayes, k-En Yakın Komşu, Destek Vektör Makineleri, Karar Ağacı ve Random Forest olmak üzere altı gözetimli makine öğrenmesi algoritması, firma düzeyinde beş katlı çapraz doğrulama, hiperparametre optimizasyonu ve sınıf dengesizliğinin açıkça yönetildiği bir prosedürle değerlendirilmiştir.

Hile riski göstergeleri, Beneish modeli temelinde hesaplanan finansal oranlar ve hedef sızıntısını önlemek amacıyla hile riski etiketinden bağımsız tutulan ek finansal değişkenler kullanılarak oluşturulmuştur. Bulgular, modeller arasında açık bir ödünleşim olduğunu göstermektedir: Random Forest en yüksek doğruluk ve özgüllük oranına (sırasıyla %72,4 ve %86,7) ulaşırken en düşük duyarlılığa (%21,3) sahiptir; Karar Ağacı ise daha düşük genel doğruluk oranına (%51,6) rağmen en yüksek duyarlılığa (%60,7) ve F-skoruna (0,354) ulaşmaktadır.

Hiçbir algoritma tüm değerlendirme kriterlerinde üstünlük sağlamamaktadır. Budanmış karar ağacı bulguları, brüt kâr marjı değişimi ve çeyreklik net kâr marjı değişiminin bu örneklemde yüksek hile riskiyle en tutarlı şekilde ilişkili finansal sinyaller olduğunu göstermektedir. Sonuçlar, veri odaklı analitik yaklaşımların finansal izleme açısından hem potansiyelini hem de sınırlılıklarını ortaya koymakta; model seçiminin, hedeflenen uygulamada yanlış negatif ile yanlış pozitif hataların göreli maliyetine bağlı olması gerektiğini vurgulamaktadır.