Determination of Criteria Affecting the Growth Performance of Manufacturing Industry Firms in Türkiye Using Quantile Regression

Yıl 2024, Sayı: 40, 98 - 109, 26.06.2024

Aycan Kulaksız Hacıbebekoğlu , Seda Bağdatlı Kalkan

https://doi.org/10.26650/ekoist.2024.40.1381467

Öz

This study aims to examine the growth performance of firms in Türkiye’s manufacturing industry, taking into account firm characteristics, firm capacity, and human capital indicators. Data from the “Business Environment and Enterprise Performance Survey” for the 2018–2020 period, conducted jointly by the European Bank for Reconstruction and Development and the World Bank, are used. The quantile regression method was used to analyze 395 companies engaged in manufacturing activities in Türkiye that experienced increased sales revenues between 2016 and 2018. This method yields different coefficient results for different quantile points and provides various regression models (Chen, 2005; Koenker, 2005). It allows for the interpretation of growth performance at various levels. This study examined the 0.10th, 0.20th, ... 0.90th quantile results for growth performance. The study’s findings indicate that the firm’s weekly working hours have no statistically significant effect on growth performance across all quantile levels. The capacity utilization rate of firms have a positive and statistically significant impact on the growth performance of firms in the 0.70th, 0.80th, and 0.90th quantiles. Regardless of the level of growth performance, an increase in firm age resulted in a decrease in growth performance. Furthermore, an increase in nonproduction employee rates for the 0.10th, 0.20th, 0.30th , and 0.40th quantiles leads to increased growth performance. Similarly, the rate of employees with university degrees at the 0.10th quantile has a positive and statistically significant impact on firm growth performance.

Anahtar Kelimeler

Manufacturing industry, growth performance, Business Environment and Enterprise Performance Survey (BEEPS), quantile regression

Türkiye’deki İmalat Sanayi Firmalarının Büyüme Performanslarını Etkileyen Kriterlerin Kantil Regresyon ile Belirlenmesi

Öz

Bu çalışmanın amacı Türkiye’de imalat sanayinde faaliyet gösteren firmaların büyüme performanslarını firma özellikleri, firma kapasitesi ve insan sermayesi göstergelerini ele alarak incelemektir. Bu amaçla Avrupa İmar ve Kalkınma Bankası (EBRD), Dünya Bankası (WB) ile ortaklaşa yapılan “İş Ortamı ve İşletme Performansı Araştırması” (BEEPS) 2018-2020 dönemi 2019 yılı sonuçları kullanılmıştır. Türkiye’de imalat sanayinde faaliyet gösteren, 2016-2018 yılları arasında satış gelirleri artmış olan 395 firma kantil regresyon yöntemi ile incelenmiştir. Bu yöntem, farklı kantil noktaları için farklı katsayı sonucu vermekte olup, farklı regresyon modelleri sunmaktadır (Chen, 2005; Koenker, 2005). Dolayısıyla farklı büyüme performans düzeyleri için yorum yapılmasına olanak sağlamaktadır. Bu çalışmada büyüme performansı için 0.10, 0.20, . . . 0.90’ıncı kantil sonuçları incelenmiştir. Çalışmanın sonucunda, Türkiye’de imalat sanayinde faaliyet gösteren firmaların haftalık çalışma saatinin tüm kantil düzeylerinde büyüme performansı üzerinde istatistiksel olarak anlamlı bir etkisi olmadığı görülmüştür. Buna karşın firmaların kapasite kullanım oranının, firma büyüme performansı üzerinde 0.70, 0.80 ve 0.90’ıncı kantiller için pozitif ve istatistiksel olarak anlamlı bir etkisi bulunmaktadır. Firma yaşı arttığında, firmanın büyüme performans düzeyi fark etmeksizin büyüme performansında azalış görülmüştür. 0.10, 0.20, 0.30, ve 0.40’ıncı kantiller için üretim dışı faaliyetlerde çalışan oranı arttıkça büyüme performansının da artış gösterdiği ortaya çıkmıştır. Benzer şekilde 0.10’uncu kantilde üniversite mezunu çalışan oranının, firmaların büyüme performansı üzerinde pozitif ve istatistiksel olarak anlamlı etkisi olduğu sonucuna varılmıştır.

Anahtar Kelimeler

İmalat sanayi, büyüme performansı, İş Ortamı ve İşletme Performansı Araştırması (BEEPS), kantil regresyon

Kaynakça

• Alan O. Sykes. (1993). An introduction to regression analysis (Law & Economics Working Paper No.20). Chicago: Coase-Sandor Institute for Law & Economics. Erişim adresi: https://chicagounbound.uchicago.edu/cgi/viewcontent.cgi?article=1050&context=law_and_economics google scholar
• Aksoy, F. (2023). Kantil regresyon analizi: yoksulluk üzerine bir uygulama. (Yüksek Lisans Tezi). Uludağ Üniversitesi Sosyal Bilimler Enstitüsü, Bursa. google scholar
• Alakaya, D. (2019). Kantil regresyon ve doğrusal regresyon yöntemlerinin performansını etkileyen faktörlerin incelenmesi. (Yüksek Lisans Tezi). Mersin Üniversitesi Sağlık Bilimleri Enstitüsü, Mersin. google scholar
• Albeni, M. ve Doğan, B. (2015). Türk imalat sanayisinde yenilikçi faaliyetlerin firma performansına etkisi. Akdeniz İİBF Dergisi. 15(31), 25-44. Erişim adresi: https://dergipark.org.tr/tr/pub/auiibfd/issue/32336/359313 google scholar
• Altın Yavuz, A. & Gündoğan Aşık, E. (2017). Quantile Regression. International Journal of Engineering Research and Development, 9(2), 137-146. https://doi.org/10.29137/umagd.352530 google scholar
• Aslan M. ve Sığınç, H. (2022). Pazarlama harcamalarının firma karlılık ve büyüme performansına etkisi. Dicle Üniversitesi Sosyal Bilimler Enstitüsü Dergisi. 0(30), 311- 327. Erişim adresi: https://dergipark.org.tr/tr/pub/diclesosbed/issue/70823/1091791 google scholar
• Avrupa İmar ve Kalkınma Bankası (EBRD). (2018-2020). 2018-2020 İş Ortamı ve İşletme Performansı Araştırması (BEEPS). Erişim adresi: BEEPS | 2018-2020 (beeps-ebrd.com) google scholar
• Baştürk, F. H. ve Ödül, Y. (2008). Firma büyüklüğü ile firma büyümesi arasındaki ilişkinin Gibrat Yasası çerçevesinde ele alınması. Muhasebe ve Finansman Dergisi, (39), 142-154. Erişim adresi: https://dergipark.org.tr/tr/pub/mufad/issue/35613/395730 google scholar
• , Buchinsky, M. (1998). Recent advances in quantile regression models: a practical guideline for empirical research. The Journal of Human Resources. 33(1), 88-126. https://doi.org/10.2307/146316 google scholar
• Cade, B. S., & Noon, B. R. (2003). A gentle introduction to quantile regression for ecologists. Frontiers in Ecology and the Environment, 1(8), 412-420. https://doi.org/10.1890/1540-9295(2003)001[0412:AGITQR]2.0.CO;2 google scholar
• Cameron A.C., & Trivedi P.K. (2005). Microeconometrics: Methods and Applications. Cambridge, Cambridge University Press. google scholar
• Chen, C. & Wei, Y. (2005). Computational issues for quantile regression. The Indian Journal of Statistics, 67(2), 399-417. https://doi.org/10.2307/i25053424 google scholar
• Chen, L., (2005), An introduction to quantile regression and the QUANTREG procedure. Statistics and Data Analysis, 213-230. google scholar
• Coad, A. & Hölzl, W. (2010). Firm growth: empirical analysis (Papers on Economics and Evolution No. 1002). Jena: Max Planck Institute of Economics. Erişim adresi: https://www.econstor.eu/bitstream/10419/32646/1/622801546.pdf google scholar
• Çağlar E. ve Koyuncu E. (2018). Toplam Faktör Verimliliği için Politika Çerçevesi Geliştirilmesine Destek Projesi BEYAZ KİTAP. Miki Matbaacılık San. ve Tic. Ltd. Şti. Ankara. Erişim adresi: https://www.undp.org/sites/g/files/zskgke326/files/migration/tr/Beyaz-Kitap-TR-FINAL.pdf google scholar
• Çağlayan, E. ve Arıkan, E., (2011). Determinants of House Prices in Istanbul: A Quantile Regression Approach, Quality & Quantity: International Journal of Methodology, 45(2): 305-317. https://doi.org/10.1007/s11135-009-9296-x google scholar
• Çınar, U. K. (2019). En küçük kareler regresyonuna alternatif bir yöntem: kantil regresyon. Avrasya Uluslararası Araştırmalar Dergisi, 7(18), 57-71. https://doi.org/10.33692/avrasyad.595467 google scholar
• Depren, Ö., Kartal, M. T., & Kılıç Depren, S., (2021). Macroeconomic determinants of interest rates in BRICST, MINT, and fragile five countries: evidence from quantile regression analysis. Studies in Business and Economics, 16(1), 51-67. google scholar
• Dorak, Ö. (2017). Kantil regresyon ve en küçük kareler yöntemlerinin karşılaştırılması: bir uygulama denemesi. (Yüksek Lisans Tezi). Anadolu Üniversitesi Sosyal Bilimler Enstitüsü, Eskişehir. google scholar
• Durmuş, B., İşçi Güneri, Ö. & İncekırık, A. (2022). Sayma verileri ile kantil regresyon: aşırı yayılım veri örneği. Bilecik Şeyh Edebali Üniversitesi Fen Bilimleri Dergisi, 9 (1), 286-303. https://doi.org/10.35193/bseufbd.1018339 google scholar
• Erkan, M.K. (2015). Firma büyüme performansının dinamikleri. (Doktora Tezi). Sakarya Üniversitesi Sosyal Bilimler Enstitüsü, Sakarya. google scholar
• Evans D.S. (1987). The relationship between firm growth, size, and age: estimates for 100 manufacturing industries. The Journal of Industrial Economics, 35(4), 567-581. https://doi.org/10.2307/2098588 google scholar
• Gemici, E. ve Polat, M. (2019). Firma büyümesi ile karlılık arasındaki ilişki: Türkiye örneği. Pamukkale Üniversitesi Sosyal Bilimler Enstitüsü Dergisi, (37), 111-120. https://doi.org/10.30794/pausbed.458303 google scholar
• İşçi Güneri, Ö., İncekırık, A. ve Durmuş, B. (2021). “Aykırı değer durumunda bazı sağlam regresyon yöntemlerinin karşılaştırılması. New Era International Journal of Interdisciplinary Social Researches, 6 (11), 33-51. http://dx.doi.org/10.51296/newera.133 google scholar
• Seo J.H., Perry V.G., Tomczyk D., & Solomon G.T., (2014). Who benefits most? The effects of managerial assistance on high- versus low-performing small businesses, Journal of Business Research, 67(1), 2845-2852. https://doi.org/10.1016/j.jbusres.2012.07.003 google scholar
• Judge, G. G., Griffiths, W. E., Hill, R. C., Lütkepohl, H., Lee, T. C. (1985). The Theory and Practice of Econometrics. Canada, John Wiley and Sons. google scholar
• Karaöz, M. ve Demirgil, Y. (2009). Firma büyüme performansını etkileyen faktörler. Süleyman Demirel Üniversitesi İktisadi ve İdari Bilimler Fakültesi Dergisi, 14 (2), 47-68. Erişim adresi: https://dergipark.org.tr/tr/pub/sduiibfd/issue/20830/223107 google scholar
• Koenker, R. (2005). Quantile Regression. Cambridge, Cambridge University Press. google scholar
• Koenker, R., & Bassett, G. (1978). Regression Quantiles. Econometrica, 46(1), 33. https://doi.org/10.2307/1913643 google scholar
• Koenker, R., & Hallock K., F. (2001). Quantile regression an introduction. Journal of Economic Perspectives, 15(4), 143-156. https://doi.org/10.1257/jep.15.4.143 google scholar
• Kul, S. (2014). İstatistik Sonuçlarının Yorumu: P-değeri ve Güven Aralığı Nedir?. Türk Toraks Derneği Dergisi, 11-13. https://doi.org/10.5152/pb.2014.003. google scholar
• Kulaç, E. (2019). Çok değişkenli verilerin grafiksel sunumu. (Yüksek Lisans Tezi). Sivas Cumhuriyet Üniversitesi Sosyal Bilimler Enstitüsü, Sivas. google scholar
• Lee, C.-Y. (2010). A theory of firm growth: Learning capability, knowledge threshold, and patterns of growth. Research Policy, 39(2), 278-289. https://doi.org/10.1016/j.respol.2009.12.008 google scholar
• Schumpeter, Joseph A. (1942). Capitalism, Socialism and Democracy. New York: Harper and Brothers. google scholar
• Uyar, U., Kangallı Uyar, S.G. ve Gökçe, A. (2016). Gösterge faiz oranı dalgalanmaları ve BİST endeksleri arasındaki ilişkinin eşanlı kantil regresyon ile analizi. Ege Akademik Bakış, 16(4), 587-598. https://doi.org/10.21121/eab.2015119947 google scholar
• Ünvan Y. A. ve Demirel O. (2020). Kandaki kolesterol miktarına etki eden etkenlerin en küçük kareler yöntemine alternatif kantil regresyon ile incelenmesi. Süleyman Demirel Üniversitesi Sağlık Bilimleri Dergisi, 11(2), 199-205. Erişim adresi: https://dergipark.org.tr/tr/download/article-file/1147737 google scholar
• Vupa, Ö. ve Gürünlü Alma, Ö. (2008). Regresyon analizinde kullanılan en küçük kareler ve en küçük medyan kareler yöntemlerinin karşılaştırılması. Süleyman Demirel University Faculty of Arts and Science Journal of Science, 3(2), 219-229. https://doi.org/10.29233/sdufeffd.134658 google scholar