1 türkiye cumhuriyeti çukurova üniversitesi sosyal
advertisement
1 TÜRKİYE CUMHURİYETİ ÇUKUROVA ÜNİVERSİTESİ SOSYAL BİLİMLER ENSTİTÜSÜ EKONOMETRİ ANABİLİM DALI TÜRKİYE’DE FAALİYET GÖSTEREN TİCARİ BANKALARIN FİNANSAL RİSKLERİNİN YAPAY SİNİR AĞLARI YAKLAŞIMI İLE BELİRLENMESİ Nuri KIRAÇ YÜKSEK LİSANS TEZİ ADANA / 2011 2 TÜRKİYE CUMHURİYETİ ÇUKUROVA ÜNİVERSİTESİ SOSYAL BİLİMLER ENSTİTÜSÜ EKONOMETRİ ANABİLİM DALI TÜRKİYE’DE FAALİYET GÖSTEREN TİCARİ BANKALARIN FİNANSAL RİSKLERİNİN YAPAY SİNİR AĞLARI YAKLAŞIMI İLE BELİRLENMESİ Nuri KIRAÇ Danışman: Doç. Dr. Süleyman Bilgin KILIÇ YÜKSEK LİSANS TEZİ ADANA / 2011 3 Çukurova Üniversitesi Sosyal Bilimler Enstitüsü Müdürlüğüne; Bu çalışma, jürimiz tarafından Ekonometri Anabilim Dalında YÜKSEK LİSANS TEZİ olarak kabul edilmiştir. Başkan: Doç. Dr. Süleyman Bilgin KILIÇ (Danışman) Üye : Doç. Dr. Fatih CİN Üye : Yrd. Doç. Dr. Ersin KIRAL ONAY Yukarıdaki imzaların, adı geçen öğretim elemanlarına ait olduklarını onaylarım. …..../…..../2011 Prof. Dr. Azmi YALÇIN Enstitü Müdürü Not: Bu tezde kullanılan özgün ve başka kaynaktan yapılan bildirişlerin, çizelge, şekil ve fotoğrafların kaynak gösterilmeden kullanımı, 5846 Sayılı Fikir ve Sanat Eserleri Kanunu’ndaki hükümlere tabidir. iii ÖZET TÜRKİYE’DE FAALİYET GÖSTEREN TİCARİ BANKALARIN FİNANSAL RİSKLERİNİN YAPAY SİNİR AĞLARI YAKLAŞIMI İLE BELİRLENMESİ Nuri KIRAÇ Yüksek Lisans Tezi, Ekonometri Anabilim Dalı Danışman: Doç. Dr. Süleyman Bilgin KILIÇ Haziran 2011, 41 Sayfa Mali başarısızlık bir ülkenin ekonomisine doğrudan etki eden önemli bir faktördür. Firma sahipleri, çalışanları, müşteri ve kamu kurum ve kuruluşları firmanın mali başarısızlığa uğramasından önemli derecede etkilenmektedirler. Bu çalışmada bankacılık sektöründe yaşanan mali başarısızlıklar üzerinde durulmuştur. Bankacılık sektöründe yaşanan mali başarısızlıklar ülke ekonomilerine önemli derecede maliyetler getirmektedir. Bu nedenle bankacılık sektöründe olası mali başarısızlıkları engelleyebilecek erken uyarı sistemleri geliştirmek önemli bir hal almıştır. Bu çalışmada, 1996-2000 dönemindeki finansal değişkenler(rasyolar) kullanılarak, bankaların 2002-2009 dönemindeki finansal durumları hakkında tahmin de bulunulmuştur. Çalışma üç bölümden oluşmaktadır. Birinci bölümde, mali başarısızlığın/iflasın tanımlarına ve nedenlerine yer verilmiştir. Daha sonra, bu başarısızlıkların ülke ekonomisine etkisine ve erken uyarı sisteminin önemine değinilmiştir. Son olarak ise literatür özetine yer verilmiştir. İkinci bölümde, çalışma da kullanılacak olan modelin tanımına, tarihsel gelişimine, yapısına ve işleyişine yer verilmiştir. Son bölümde ise, uygulama da tahmin edilen modele ve bunun üzerine yapılan yorumlara yer verilmiştir. Anahtar Kelimeler: Bankacılık sektörü, Mali başarısızlık, Yapay sinir ağı. iv ABSTRACT DETERMINATION OF FINANCIAL RISK OF THE COMMERCIAL BANKS WHICH OPERATE IN TURKEY WITH THE APPROACH OF ARTIFICIAL NEURAL NETWORK Nuri KIRAÇ Master Thesis, Department of Econometrics Supervisor: Doç. Dr. Süleyman Bilgin KILIÇ June 2011, 41 Pages Financial failure is an important factor which directly affects a country’s economy. Company owners, employees, customers and public institutions significantly affected by the financial failure of the company. This study focused on the financial failure in the banking sector. Financial failures in the banking sector seriously harm to the national economies. For this reason, it is important to develop early warning systems that could prevent potential financial failures in the banking sector. In this study the financial variables (ratio) during the period 1996-2000 is used for estimating the financial conditions of banks in the period 2002-2009. The study consists of three parts. In the first part, the financial failure/definitions and causes of bankruptcy are presented. Then the effect of these failures to the national economy and the importance of early warning system have been mentioned. Finally the summary of the literature are presented. In the second part, the definition, historical development, structure and functioning of the model which will be used in the study are presented. In the last section, the estimated model in the application and comments that is made on it are presented. Keywords : Banking sector, Financial failure, Artificial neural network. v ÖNSÖZ Bu tez çalışmasında beni yönlendiren, her türlü eksikliklerimi tamamlayan ve araştırmalarımda bana her zaman yol gösteren Danışman Hocam Doç. Dr. Süleyman Bilgin KILIÇ’a ve eğitim hayatım boyunca maddi ve manevi desteklerini esirgemeyen aileme sonsuz teşekkürlerimi ve saygılarımı sunarım. İÇİNDEKİLER vi Sayfa ÖZET ................................................................................................................................i ABSTRACT ....................................................................................................................ii ÖNSÖZ ...........................................................................................................................iii KISALTMALAR LİSTESİ ..………………………………………………………..vi TABLOLAR LİSTESİ ……………………...………………………………………vii ŞEKİLLER LİSTESİ …..………………………………………………………….viii BÖLÜM I GİRİŞ 1 BÖLÜM II TÜRK BANKACILIK SEKTÖRÜNDE YAŞANAN MALİ BAŞARISIZLIKLARIN SONUÇLARI VE ERKEN UYARI SİSTEMİNİN ÖNEMİ 2.1. Mali Başarısızlık ve İflas Tanımları ...…………………………………………….3 2.2. Türk Bankacılık Sektöründe Yaşanan Mali Başarısızlıklar …...…………….........4 2.3. Türk Bankacılık Sektöründe Yaşanan Mali Başarısızlığın Nedenleri .………........6 2.4. Mali Başarısızlık ve İflas Maliyetleri, Erken Uyarı Sistemlerinin Uygulama Dönük Önem ve Yararları ………………………………………………...………..9 2.5. Literatür Özeti ..………………………………………………………...….….....10 2.5.1.Uluslararası Çalışmalar ….………………………………………......…….10 2.5.2.Türkiye’deki Çalışmalar .…………………………………………...……...11 BÖLÜM III YAPAY SİNİR AĞLARI(YSA) 3.1. YSA’nın Tanımı ve Tarihsel Gelişimi …………………………………………...15 3.2. Yapay Sinir Ağları’nın Yapısı ve İşleyişi ................................................................17 3.2.1. Biyolojik Sinir Ağının Modeli .....................................................................17 3.2.2. Yapay Sinir Hücresi(Proses Elemanı) …......................................................18 3.2.3. Yapay Sinir Ağı’nın Mimarisi .....................................................................19 vii 3.2.4. Yapay Sinir Ağı Modeli’nin Oluşturulması …............................................20 3.2.5. Modelin Eğitilmesi ......................................................................................21 3.2.5.1. İleri Besleme …...............................................................................21 3.2.5.2. Geri Yayılım ...................................................................................21 3.2.5.3. Yakınsama Kriteri ...........................................................................22 3.3.Niçin Yapay Sinir Ağı? ……………………………………....…………………..23 BÖLÜM IV UYGULAMA 4.1. Veri, Örnek ve Değişken Seçimi …..…………………………………………….25 4.2. Yapay Sinir Ağı Model Tahmin ...……….………………………………………..28 BÖLÜM V SONUÇ 35 KAYNAKÇA ………………………………………………………...……………...36 ÖZGEÇMİŞ …………………………………..……………………………………..41 viii KISALTMALAR LİSTESİ BDDK: Bankacılık Düzenleme ve Denetleme Kurumu TMSF: Tasarruf Mevduatı Sigorta Fonu YSA: Yapay Sinir Ağı ANOVA: Tek Değişkenli Varyans Analizi MB: Merkez Bankası GSYİH: Gayrisafi Yurtiçi Hasıla T.C.: Türkiye Cumhuriyeti ADALINE: Adaptif Lineer Nöron (Adaptive Linear Neuron) MADALINE: Çoklu Adaptif Lineer Nöron (Multiple Adaline) ix TABLOLAR LİSTESİ Sayfa Tablo 2.1: Dünya’da Mali Sistemi Yeniden Yapılandırma Maliyetleri ...……………10 Tablo 4.1: Rasyolar ………………………………………………………………......26 Tablo 4.2: Grup Ortalamalarının Eşitlik Testi ……………………………………….27 Tablo 4.3: Düğümler Arasındaki Bağlantı Ağırlıkları ……………………………….30 Tablo 4.4: 1996-2000 Arası Banka Başarısızlık Olasılıkları ..……………………….31 Tablo 4.5: 2002-2009 Arası Banka Başarısızlık Olasılıkları ………………………...32 Tablo 4.6: Sınıflandırma Başarısı ……………………………...…………………….34 x ŞEKİLLER LİSTESİ Sayfa Şekil 3.1: Biyolojik Nöronun Genel Yapısı ………………………………………….17 Şekil 3.2: Proses Elemanı …………………………………………………………….18 Şekil 3.3: Transfer Fonksiyonları …………………………………………………….18 Şekil 3.4: Yapay Sinir Ağı Modeli …………………………………………………...19 Şekil 3.5: Gizli Katman Sayısına Göre Yapay Sinir Ağı Modelleri ………...…….....20 Şekil 3.6: Oluşturulan Yapay Sinir Ağı Modeli ……………………………………...21 Şekil 3.7: Yakınsama Kriteri …………………………………………………………23 Şekil 4.1: Yapay Sinir Ağının Mimari Yapısı ………………………………………..29 Şekil 4.2: Yıllara Göre Ortalama İflas Olasılıkları …………………………………..34 BÖLÜM I GİRİŞ Genel anlamda finansal sıkıntı, mali başarısızlık ya da iflas, toplumun birçok kesimini ilgilendiren oldukça önemli bir olaydır. Ekonomik sistem içinde mali başarısızlığa uğramış firmaların sayısının artması, genel anlamda bir ekonomik krizin ve istikrarsızlığın göstergesi olarak nitelendirilebilir. Bu çalışmanın ilgi noktasını bankacılık sektöründe yaşanan mali başarısızlıklar oluşturmaktadır. Dünya’da, 1980’li yılların başından itibaren bankacılık sektöründe yaşanan mali başarısızlık olaylarının arttığı görülmektedir. Bu mali başarısızlıkların, gelişmekte olan ülke ekonomilerine getirdiği maliyetler ve çöküntü gelişmiş ülkelere oranla çok daha fazla olmuştur. Gelişmekte olan ülkelerde yaşanan mali başarısızlık olayları sonucu gerçekleştirilen mali sistemi yeniden yapılandırma uygulamaları, ülke ekonomilerine oldukça önemli maliyetler getirmiştir. Bu maliyetler sonuçta kamuya yansımış, dolayısı ile bankacılık sektörü esas işlevi olan mali aracılık fonksiyonunu etkin bir biçimde yerine getirerek ülke ekonomisine ve büyümeye katkıda bulunması gerekirken, aksine ekonomik daralmaya ve üretim kaybına neden olmuştur. Türkiye’de de diğer gelişmekte olan ülkelerde olduğu gibi, mali sistemi yeniden yapılandırma maliyetleri oldukça yüksek düzeydedir. Türk bankacılık sisteminde mali sistemi yeniden yapılandırma maliyetleri 2000-2001 kriz dönemi itibarı ile GSYİH’ya oranlandığında, yaklaşık olarak %19,3’üdür. Bu nedenle, özellikle Türkiye’de, finansal sistemin en önemli unsuru olan bankaların düzenli olarak denetlenmesi, mali başarısızlığın önceden tahminine yönelik analitik, nesnel ve etkin erken uyarı sistemlerinin geliştirilmesi, başarısızlıktan önce gerekli önlemlerin alınması hayati önem taşımaktadır. Erken uyarı sistemlerinin geliştirilmesi ve uygulanması, özellikle mali başarısızlığı önlemek konumunda olan yöneticilere ve yetkililere oldukça önemli bilgiler sağlayacaktır. Bu çalışmada da bankaların gerek yerinde denetimi ve gerekse uzaktan denetiminde, etkin bir araç olarak kullanılabilecek analitik tekniklere dayalı erken uyarı sistemleri tahmin edilmiştir. Bu nedenle, özellikle Türkiye’de, finansal sistemin en önemli unsuru olan bankaların düzenli olarak denetlenmesi, mali başarısızlığın önceden tahminine yönelik erken uyarı sistemlerinin geliştirilmesi, başarısızlıktan önce gerekli önlemlerin alınması hayati önem taşımaktadır. Bu çalışmada da bankaların gerek yerinde denetimi ve 2 gerekse uzaktan denetiminde, etkin bir araç olarak kullanılabilecek analitik tekniklere dayalı erken uyarı sistemleri tahmin edilmiştir. Çalışmada, Türk bankacılık sektörünün kendine özgü yapısından kaynaklanan temel finansal karakteristikler belirlenmiş ve bunlara ait skorlara dayanılarak erken uyarı modelleri tahmin edilmiştir. Bu çalışmanın başlangıcında Türk bankacılık sektöründe yaşanan mali başarısızlıkların nedenlerine ve erken uyarı sistemlerinin gerekliliğine değinilmektedir. Daha sonra çalışmada kullanılacak olan model hakkında temel bilgilere yer verilmiştir. Son olarak ise model tahmin edilerek bunun üzerine yorumlar yapılmış ve bankacılık sektöründe yaşanan başarısızlıkların nedenleri üzerinde tahminde bulunulmuştur. 3 BÖLÜM II TÜRK BANKACILIK SEKTÖRÜNDE YAŞANAN MALİ BAŞARISIZLIKLARIN SONUÇLARI VE ERKEN UYARI SİSTEMİNİN ÖNEMİ Bu bölümde ilk olarak iflas ya da mali başarısızlık gibi genel ifadelerin tanımına yer verilmektedir. Daha sonra, Türk bankacılık sektöründe yaşanan mali başarısızlıklara yer verilmiştir. Son olarak mali başarısızlığın nedenlerine, ülke ekonomisine etkisinin ne olduğuna ve erken uyarı sisteminin önemine değinilmektedir. 2.1. Mali Başarısızlık ve İflas Tanımları Ekonomik anlamda bir firmanın finansal sıkıntı, mali başarısızlık ya da kriz ile karşı karşıya kalması o firmanın bu noktaya gelene kadar ki bir sürecinin sonucudur. Bu konuda yapılan çalışmalar nesnel kriterler içermektedir. Bu çalışmaların birçoğunda kriter olarak iflas alınmıştır. Bu bağlamda, kriz içinde bulunan/bulunmayan ya da iflas etmiş/etmemiş kategorileri arasında birebir karşılığın olması gerekmemektedir (Foster,1986). Başarısızlık kavramının farklı dereceleri bulunmaktadır. Örneğin, eğer bir işletme cari borçlarını ödeyemiyor ise teknik açıdan nakit sıkıntısı içerisinde olduğu kabul edilir. Bu duruma göre işletmelerin vadesi gelmiş yükümlülüklerini yerine getirememesi durumu, işletmenin teknik likiditesini kaybetmesi olarak tanımlanmaktadır (Gönenli, 1994, s. 647 ). Benzer olarak Dağlı (1984), bir işletmenin toplam varlıkları toplam borçlarından fazla bile olsa, eğer vadeleri geldiğinde cari yükümlülüklerini yerine getiremiyor ise bu işletmenin teknik olarak başarısızlığa uğradığı kabul edilir ve ortaya çıkan sorun da nakit sıkıntısı olarak kendini gösterir demiştir. Literatürde genel olarak, finansal sıkıntı içerisindeki firmalara mali başarısızlığın yasal sonucu olarak adlandırılan iflas terimi kullanılmıştır. İflas, alacaklılara borçlarının ödenmemesi, tahvil faizlerinin ve anaparasının ödenmemesi, karşılıksız çek yazılması, firmaya kayyum atanması veya işletmenin üç yıl üst üste zarar etmesi şeklinde tanımlanmıştır (Aktaş, 1997, s.6). 4 Mali başarısızlığın en son evresi olan iflas, Türk Ticaret Kanunu ve İcra İflas Kanunu’na göre bir şirketin borçlarını ödeyemeyecek duruma düşmesi olarak tanımlanmıştır. Aynı zaman da bu maddelerde muhasebe kayıtlarında aktif ve borçlar arasındaki farkın, şirketin borçlarını ödeyemeyeceği anlamına gelmeyeceği belirtilmiştir. Bu çalışmanın ilgi noktasını, Türk bankacılık sektöründe yaşanan mali başarısızlıklar oluşturmaktadır. Bilindiği gibi, 1990’lı yıllarda bankacılık sektörünün düzenlenmesi ve denetlenmesinde parçalı bir yapı bulunmaktaydı. Hazine Müsteşarlığı Bankacılık Kanununun uygulanmasından, bankacılığa ilişkin ikincil düzenlemelerin hazırlanmasına, yerinde denetimlerin gerçekleştirilmesinden bankalara yönelik idari ve cezai yaptırımların uygulanmasına kadar sorumlu iken, Merkez Bankası da bankaların uzaktan gözetiminden ve tasarruf mevduatını sigorta eden Tasarruf Mevduatı Sigorta Fonu’nun (TMSF) idare ve temsilinden sorumluydu. 1999 yılında bankacılık sektörünün düzenlenmesi ve denetlenmesindeki bu parçalı yapının ortadan kaldırılmasına ve sektöre ilişkin tek bir bağımsız denetleyici ve düzenleyici kurumun kurulmasına karar verilmiştir. Buradaki temel amaç, düzenleme ve denetimin etkinliğinin artırılması ve bağımsız bir karar alma mekanizmasının oluşturulmasıdır. Bu gelişmelerin sonucu olarak, 4389 sayılı Bankacılık Kanunu ile Haziran 1999’da Bankacılık Düzenleme Ve Denetleme Kurumu’nun (BDDK) kurulmasına karar verilmiş ve kurum Ağustos 2000’de faaliyete geçmiştir. Bu şekilde yapılan düzenlemeler ile bir banka BDDK tarafından yeniden yapılandırma uygulamaları çerçevesinde TMSF’na devredilmiş ise söz konusu banka mali başarısızlığa uğramış olarak kabul edilmiştir (www.bddk.org.tr). Bir sonraki bölümde, Türk bankacılık sektöründe yaşanan mali başarısızlıklardan söz edilmektedir. 2.2. Türk Bankacılık Sektöründe Yaşanan Mali Başarısızlıklar Türk ekonomisi 1950’li yılların sonlarına doğru bir durgunluk dönemine girmiştir. Bunun üzerine 1958 yılında istikrar programı yayınlanmış ve bu programın bankacılık kesimi üzerindeki etkisi 1960’lı yılların hemen başında görülmüştür. 1960’lı yıllar, çok sayıda bankanın faaliyetlerine son verdiği, tasfiyeye girdiği dönem olmuştur. Ekonomideki bunalım ve durgunluk bankacılık sektörüne de yansımıştır (Akgüç, 1989, s.51). 5 Kısa sürede çok sayıda bankanın faaliyetini durdurması üzerine 06.12.1960 gün ve 153 sayılı yasa ile tasarruf sahiplerinin haklarını güvence altına almak için bir Bankalar Tasfiye Fonu oluşturulmuştur. Bu fonun amacı Maliye Bakanlığı’nca haklarında tedrici tasfiye kararı verilen bankaların kesin ve nihai açıklarını karşılamaktır. 1960-1968 dönemine kadar Bankaların Fon’a yatırdıkları tutar ile Fon’dan yapılan ödemeler arasındaki tutar MB tarafından karşılanmıştır. Merkez Bankası’nın bu amaçla açtığı avansların sürekli artış göstermesi üzerine 1979 yılında 28 sayılı Kanun Hükmünde Kararname ile Bankalar Tasfiye Fon’unun statüsünde köklü değişiklikler yapılmış ve bir nevi tasarruf mevduatı sigorta fonu oluşturulmuştur ( Kılıç, 2003, s.7). 1982-1983 yılları arasında faiz oranları ile ilgili olarak rekabet içine giren bankalar önemli bunalım yaşamışlardır. Bunun sonucu olarak Hisarbank, İstanbul Bankası, Ortadoğu İktisat Bankası zorunlu olarak Ziraat Bankası’na devredilmiştir. Ayrıca söz konusu bankaların her türlü yükümlülüklerinden kaynaklanacak borçların Ziraat Bankası güvencesi altında olduğu belirtilmiştir. Ancak Ziraat Bankası’nın yapacağı bu ödemeleri TMSF tarafından karşılanması gerekirken TMSF bu konuda ödeme yapmamıştır ve sonuç olarak bu ödemeler hazine tarafından karşılanmıştır. Türkiye’de 1997-2002 yılları arasında çok sayıda banka TMSF bünyesine devredilmiştir. Ege Bank, Yurtbank, Yaşarbank, Bank Kapital, ve Ulusal Bank Sümerbank bünyesine, İnterbank ve Esbank Etibank bünyesine, EGS Bank Bayındırbank bünyesine alınmıştır. Ayrıca fon bünyesindeki dört banka (Bank Ekpress, Sümerbank(birleşik), Demirbank ve Sitebank) ise yerli ve yabancı yatırımcılara satış işlemi gerçekleştirilmiştir. Toprak Bank, 30.09.2002 tarihinde Bayındırbank ile birleştirilmiştir. Daha sonra Bayındırbank 07.12.2005 tarihinde TMSF’nun almış olduğu karar ile Birleşik Fon Bankası olarak değişikliğe uğramıştır. Türkiye İmar Bankası, Bankacılık Kanunu’nun 14.maddesinin 3.fıkrası gereğince, istenen tedbirlerin kısmen ya da tamamen alınmadığı ve yükümlülüklerin vadesinde yerine getirilmemesi sebebiyle 3 Temmuz 2003 tarihinde BDDK tarafından Tasarruf Mevduatı Sigorta Fonu’na devredilerek etkinliğine son verildi. Pamukbank ise bankanın rehabilitasyon faaliyetlerine tabi tutulması ve sisteme geri kazandırılması çalışmaları kapsamında, Pamukbank’ın satış süreci başlatılmış ve bankanın tüm aktif ve pasifleri ile bilanço dışı yükümlülüklerinin Halk Bankası’na 6 devrini öngören 5230 Sayılı Kanun 31.07.2004 tarihinde yürürlüğe girmiştir. Bankanın Halk Bankası’na fiili devri ise 12.11.2004 gerçekleştirilmiştir. Bir sonraki bölümde Türk bankacılık sektöründe yaşanan mali başarısızlıkların nedenleri üzerinde durulmaktadır. 2.3. Türk Bankacılık Sektöründe Yaşanan Mali Başarısızlığın Nedenleri Banka sektöründeki mali başarısızlıkların birçok nedeni vardır. Bu nedenlerin bir kısmı bankacılık sektörünün yapısından kaynaklanırken bir kısmı da asıl neden olan ekonomideki temel göstergelerin istikrarsızlık göstermesinden kaynaklanmaktadır. Bankacılık sektöründeki mali başarısızlık nedenlerini Coşkun(2003) makroekonomik ve mikroekonomik nedenler olmak üzere ikiye ayırarak şu şekilde özetlemiştir; Makroekonomik Nedenler Bankacılık sektöründe yaşanan sorunların temel nedeninin makroekonomik istikrarsızlıklar olduğu düşünülmektedir. Varlık fiyatlarının özellikle gayrimenkul fiyatlarının altüst olması, faiz oranlarındaki önemli artışlar ya da döviz kurundaki düşüş veya süregelen durgunluk bankacılık sektörünü de etkilemektedir. Aslında belirtilen olumsuzluklar birbiri ile ilişkilidir. Bunlara ek olarak geçiş ekonomilerinde nisbi fiyatlardaki sert kaymalar veya sübvansiyonların kaldırılması bankacılık sektörünün etkisinin fazla olduğu sektörlerde daha fazla hissedilecektir. İçsel makro iktisadi bozukluklar ekonominin genişleme dönemlerinde de görülebilir. Bankalar bu dönemlerde iyimser havanında etkisi ile yeni projelere kaynak sağlar. Borçlanma sürecinde gayrimenkul sahiplerinin varlıklarının fiyatını yükseltince tüketimin refah etkisi ile birçok iktisadi faaliyetin karlılığı artar. Burada belirtilmesi gereken nokta, bankacılık sektöründe artan borçlanma ile fiyatların olması gerekenden daha fazla artması sonucu ekonomideki dalgalanmaların artmasıdır (Latter, 1997). Finansal sistem içerisindeki bankaların makroiktisadi şoklardan etkilenmeden çıkmaları oldukça zordur. Ancak bazı bankalar ciddi iktisadi şoklardan bile zarar görmeden çıkabilmiştir. 7 Mikroekonomik Nedenler Bankacılık sektörünü etkileyen mikroekonomik nedenleri şu şekilde maddeleştirebiliriz; • Yönetim, Yönetim hatası hiçbir zaman tek başına başarısızlık nedeni olarak gösterilemez ancak her başarısızlıkta yönetiminde hatası bulunmaktadır. • Yetersiz altyapı, Bankalardaki muhasebe ve denetimdeki kusurlar problemlerin algılanmasını geciktirebilmektedir. Yasal altyapıdaki sorunlar ise mülkiyet haklarından veya bankaların alacaklarının gerçekleşmemesinden kaynaklanmaktadır. • Yeniden düzenleme, Finansal sistemdeki yeniden yapılanma iddialı olduğundan birçok soruna yol açabilir. Bankacılık sektöründeki liberalleşme aşama aşama yapılmalıdır. Yeniden yapılanma ise daha fazla itina gerektirdiğinden yönetimin bu hareketin doğru gerçekleştiğinden emin olması gerekir. • Hükümet müdahaleleri, Bankaların vermiş olduğu kredilere ve koşullara hükümet müdahaleleri bankacılık sektöründe nakit krizine neden olmaktadır. • Ahlaki risk( moral hazard), Bankaların iflas ettirilmeyeceği bilinci ile zor zamanlarda finansal destek alacağını düşünerek hareket etmesidir. Ahlaki çöküntü, finansal sözleşme gerçekleştirildikten sonra gerçekleşmektedir; çünkü ödünç alan, ödünç verenin bakış açısına göre istenilmeyen aktiviteleri gerçekleştirme eğilimindedir. Türkiye’de bankacılık sisteminin risk odaklı denetlenmesine ilişkin yasal altyapının oluşturulması oldukça yenidir. Türkiye’de bankaların iç denetim ve risk yönetimi sistemi BDDK tarafından, (08.02.2001 Tarih ve 24312 Sayılı Resmi Gazetede Yayımlanan) Bankaların İç Denetim ve Risk Yönetimi Sistemleri Hakkında Yönetmelikle düzenlenmiştir. Bu yönetmelik, bankaların, karşılaştıkları risklerin 8 izlenmesini ve kontrolünü sağlamak üzere kuracakları iç denetim sistemleri ile risk yönetim sistemlerine ilişkin esas ve usulleri belirlemeyi amaçlamaktadır. Yönetmelikte, bankaların temel risklerini oluşturan kredi riski, piyasa riski, işlemin sonuçlandırılamama riski, likidite riski, operasyonel risk, mevzuata ilişkin yetersiz bilgi riski Kılıç(2003) tarafından şu şekilde açıklanmıştır; 1) Kredi riski, banka bünyesinde belirlenen kredi limitlerinin düzenli bir şekilde yeniden gözden geçirilmesi ve yeni limitler tesis edilmesi, senaryo analizleri ve saptanmış bulunan kredi limitleri dikkate alınarak, maruz kalınan kredi risk tutarlarının gözlemlenmesi faaliyetleri gerçekleştirilerek, 2) Piyasa riski, faizlerin/fiyatların dalgalanma düzeyi ve “riske maruz değervar” hesaplamaları gibi, kendi içinde tutarlı risk ölçü ve kriterleri kullanılarak, kontrolün ifasına ilişkin uygun usuller tesis edilerek ve saptanmış bulunan risk limitlerine olan uyum gözlemlenerek, banka organizasyon yapısı içinde riskin kaynaklarının araştırılması ve öğrenilmesi ve tüm organizasyon kademelerinde piyasa riskine ilişkin tutarlı bilginin sağlanması yoluyla, 3) İşlemin sonuçlandırılamaması riski, karşı tarafın faaliyetlerini ve ödeme kabiliyeti limitlerini gözlemleyerek ve karşı taraf riskini ödeme öncesi süreçte yönlendirerek, 4) Likidite riski, borçların fonlanabilme imkânının, pozisyonların likiditeleri ile uyumlulaştırılması, değişik aktif grupları ve finansal enstrümanlara ilişkin risklerin sınırlanması işlemleri çerçevesinde banka bünyesinde likidite bulundurma prensiplerinin geliştirilmesi ve bunlara uyumun kontrolü suretiyle, 5) Operasyonel risk, uygun bir iç denetim sisteminin ve bunun gerektirdiği yetkilerin banka içinde dağıtımı mekanizmasının tesisi, bankanın tüm faaliyet sistemlerinin detaylı bir şekilde test ve kontrol edilmesi, iç ve dış sistemler arasında tam bir uyumun tesisi, tamamen bağımsız bir yedekleme imkânının tesisi suretiyle, 6) Mevzuata ilişkin yetersiz bilgi riski, banka içindeki ve dışındaki, banka ile ilişkili tüm kişi ve kuruluşlarla ilişkilerde, yapılacak sözleşmelerde mevzuatın tam olarak dikkate alınması, gerekli dokümantasyonla desteklenmesi suretiyle yürütülmesi, düzenlemelere uyulmama riski ise faaliyetlerin mevzuata uygunluğunun kontrolüne ilişkin mekanizmanın yeterli bir şekilde tesisi ve uygulanması suretiyle yönetilir, şeklinde ifade edilmektedir. 9 Yukarıda çalışmalardan da anlaşılacağı gibi yönetmelik, bankaların cari olarak taşıdıkları riskler ile ileride maruz kalabilecekleri riskler için yeterli ve düzenli risk ölçüm, kontrol ve yönetim tekniklerine sahip olmalarını zorunlu hale getirmiştir. Bir sonraki bölümde mali başarısızlık ve iflasın ülke ekonomisine etkisinden ve erken uyarı sisteminin öneminden bahsedilmektedir. 2.4. Mali Başarısızlık ve İflas Maliyetleri, Erken Uyarı Sistemlerinin Uygulamaya Dönük Önem ve Yararları Erken uyarı sistemleri özellikle firma yetkililerine mali başarısızlıkları önleme adına önemli bilgiler sağlamaktadır. Mali başarısızlıklar oldukça maliyetli olduğundan dolayı firmaların erken uyarı sistemlerine ihtiyaçları vardır. Bu maliyetler, doğrudan ve dolaylı maliyetler olmak üzere ikiye ayrılmaktadır. Doğrudan maliyetler, avukatlık veya danışmanlık hizmetleri gibi profesyonellere ödenen ücretlerdir. Dolaylı maliyetler ise mahkemenin firmaya vermiş olduğu kısıtlama kararı ile yapılan satışlar ve kar kaybıdır. Eğer, erken uyarı sistemi ile mali başarısızlık önceden tahmin edilebilir ise firmanın iflası yeniden yapılanma ile önlenebilmektedir (Foster, 1986). Altman ve McGough(1974)’e göre erken uyarı sistemleri, firma denetçilerinin mali tablo hakkında ya da firmanın geleceği hakkında fikir yürütmelerine yardımcı olmaktadır. Finansal sıkıntı, kredi açanlara verilen sözler yerine getirilmediği veya ödemede güçlükle karşılaşıldığı zaman ortaya çıkar. Finansal sıkıntı, kimi zaman firmanın iflası anlamına gelirken kimi zaman da firmanın tehlike altında olduğu anlamına gelmektedir. Finansal sıkıntı maliyeti iflastan kaynaklanan ya da iflastan önce çarpık işletme kararlarından kaynaklanan maliyet olarak tanımlanmaktadır (Brealey, Myers ve Marcus; Çevirenler: Bozkurt, Arıkan ve Doğukanlı, 1997). Bir ekonomik sistemde, bankaların mali başarısızlığa uğraması, sistemdeki diğer firmaların başarısızlığından çok daha maliyetli olmakta ve yıkıcı etki yaratmaktadır. Dolayısı ile bankacılık kesimine yönelik erken uyarı sistemlerinin geliştirilmesi ve uygulanması bu maliyetlerden kaçınma açısından oldukça önemlidir (Kılıç, 2003, s.19). Banka iflaslarının 1980’li yıllardan itibaren artmaya başladığı görülmektedir. Bu banka iflaslarının sadece 5’i gelişmiş ülkelerde olup geriye kalanının tamamı gelişmekte olan ülkelerde yaşanmıştır. Aynı zaman da gelişmekte olan ülkelerde yaşanan banka iflaslarının maliyeti gelişmiş ülkelerde yaşanan iflas maliyetlerinden oldukça fazladır. 10 Bu nedenle gelişmekte olan ülkelerde banka iflas maliyetleri ülke ekonomisini oldukça fazla etkilemektedir. Tablo 2.1 Dünya’da Mali Sistemi Yeniden Yapılandırma Maliyetleri ÜLKE KRİZ DÖNEMİ MALİYET(GSYİH’NIN YÜZDESİ) Türkiye 2000-2001 19,3 Kamu Bankaları 7,4 TMSF Bankaları 11,9 İspanya 1977-1985 Japonya 1990 20 Endonezya 1997 51 Malezya 1997 20,5 Güney Kore 1997 26,5 Meksika 1995 20 Arjantin 1980-1982 55,3 Brezilya 1994-1996 15-20 Çek Cumhuriyeti 1994-1995 12 16,8 Kaynak:www.bddk.org.tr Tablo 2.1’de 1994 yılından itibaren Çek Cumhuriyeti’nde, Güney Amerika ülkelerinde, Güney Asya’da, Avrupa’da ve son olarak ülkemizde görülen bankacılık krizleri ve bu krizlerin ülke ekonomisine maliyetler GSYİH’nın yüzdesi olarak verilmektedir. Ülkemizde yaşanan 2000-2001 krizi, GSYİH’nın % 19,3’lük oranı ile ülkemize çok büyük maliyetler getirmiştir. Bu oran bize bankacılık sektöründe yaşanan mali başarısızlıkların ülke ekonomisini ne kadar etkilediğini göstermektedir. Buda bize, özellikle Türkiye’de finansal sistemin en önemli unsuru olan bankaların denetlenmesinin ve mali başarısızlıkların önceden tahmin edilmesini sağlayacak erken uyarı sistemlerinin geliştirilmesinin ne kadar önemli olduğunu göstermektedir. 2.5. Literatür Özeti 2.5.1. Uluslararası Çalışmalar Alfaro, Garcia, Gamez ve Elizondo(2008), son yıllarda kurumsal başarısızlık tahmini için yapay sinir ağlarının yaygın bir şekilde kullanıldığını ve kurumsal 11 başarısızlık tahminlerinde yapay sinir ağlarının doğrusal olmayan ilişkileri algılamada daha doğru sonuçlar verdiğini öne sürmektedir. Yazarlar, Avrupa’daki bazı firmalar için adaboost tekniği ile yapay sinir ağlarını karşılaştırmış ve yapay sinir ağlarının hata tahmininde %30 daha başarılı olduğunu öne sürmüştür. Min ve Lee (2005), son yıllarda makine öğrenme tekniklerinin( machine learning techniques) geleneksel istatistik yöntemlerinden daha iyi performans gösterdiğini ve iflas tahmininde daha açıklayıcı olması nedeniyle destek vektör makinelerinin(support vector machines) tercih edilebileceğini öne sürmüştür. Yazarların yapmış olduğu çalışmada destek vektör makineleri, çoklu diskriminant analizi ve lojistik regresyon modeline göre 3 kat daha başarılı olmuştur. Shin, Lee ve Kim (2005), iflas tahmininde destek vektör makineleri ile yapay sinir ağlarını karşılaştırmıştır ve sonuç olarak yapay sinir ağlarının destek vektör makinelerine göre daha iyi sonuçlar verdiğini öne sürmüştür. Shin ve Lee (2002)’in iflas tahmini için yapmış olduğu bir çalışmada, geçmiş finansal verileri kullanarak başarısızlık tahmini yapmanın önemli bir konu olduğunu vurgulanmıştır. İflas tahmini ile alakalı ilk çalışmalarda çoklu diskriminant analizi, logit ve probit gibi istatistiksel teknikler kullanılmıştır. Ancak son zamanlarda YSA’nın da yoğun bir şekilde kullanıldığını vurgulamıştır. Ancak, yapay sinir ağları ile elde edilen kuralların kullanıcılar tarafından algılanmasının zor olduğunu savunmaktadır. Çalışma da, genetik algoritmanın uzmanlar tarafından daha anlaşılır sonuçlar verdiği vurgulanmaktadır. Yim ve Mitchell (2005), ülke risk derecelendirmesini tahmin etmede hibrid sinir ağını kullanmış ve bu modeli geleneksel istatistiksel teknikler ve YSA modelleri ile karşılaştırmıştır. Sonuç olarak hibrid sinir ağının diğer tüm modellerden daha iyi bir performans gösterdiği sonucuna varmışlardır. Aynı zaman da araştırmacılar ve politikacılar için hibrid sinir ağının ülke risk analizi için yararlı bir araç olabileceğini öne sürmüşlerdir. 2.5.2. Türkiye’deki Çalışmalar Canbaş ve Erol 1985 yılındaki çalışmalarında ABD’deki bankaların sorunlarını ve özelliklerini belirleyen analizleri (Altman 1968, Sinkey 1975, 1977, 1978, 1979) Türkiye’ye uygulayarak, Türkiye’deki bankaların sorunlarının tanımlanmasını ve özelliklerinin saptanmasını amaçlamışlardır. Çalışmada tek değişkenli varyans analizi 12 kullanılarak örnekteki sorunlu ve sorunsuz banka gruplarının birbirinden farklı olup olmadığının ortaya konulabileceği belirtilmiştir. Ağaoğlu’nun 1989’da yaptığı çalışmada bankacılık sektöründe faaliyette bulunan bankaların performansları ve taşıdıkları risk boyutları analiz edilmiştir. 19601987 döneminde Türkiye’de faaliyet göstermiş 36 başarılı ve 15 başarısız banka incelemeye alınmış ve çalışma sonucunda başarılı bankaların %94, başarısız bankaların ise %93 oranında doğru sınıflandığı görülmüştür. Kılıç (2003), temel bileşenler analizi ile logit, probit ve diskriminant analizlerini kullanarak banka iflaslarını bir yıl öncesinden tahmin edebilecek bir model geliştirmiştir. Buna benzer olarak 2006 yılında Shin ve Kılıç temel bileşenler analizi ile sinir ağlarını kullanarak aynı konu üzerine farklı bir çalışma yapmışlardır. Canbaş, Çabuk ve Kılıç (2005) temel bileşenler ve logit analizlerini kullanarak 25 ticari banka üzerine bir çalışma yaparak bu bankaların iflas edip-etmeme olasılıklarını tahmin etmişlerdir. Boyacıoğlu, Kara ve Baykan (2009); banka başarısızlıklarının bir bütün olarak ekonomik sistemi tehdit ettiğini öne sürmüştür. Yazarlar bankaların finansal başarısızlık tahmininin, ekonomik sistem üzerine gelen olumsuz etkileri azaltmak için önemli olduğunu düşünmektedir. Çalışma da bir Türk bankasının batma riski çeşitli sinir ağı teknikleri, destek vektör makineleri(support vector machines) ve çok değişkenli istatistiksel yöntemler ile tahmin edilmeye çalışılmıştır. Sinir ağları kategorisinde; çok katmanlı algılayıcı, rekabetçi öğrenme, kendi kendine planlama ve vektör niceleme kullanılmıştır. Sonuç olarak, çok katmanlı algılayıcı(multi-layer perceptron) ve vektör nicelemenin (learning vector quantization) banka başarısızlık tahmininde en başarılı modeller olduğu görülmüştür. Akkuş, Türkan ve Tatlıdil (2010) yapmış oldukları bir çalışmada, 2007 yılında faaliyet gösteren ticari bankaların mali performanslarına göre gruplandırılmasında Diskriminant Analizi ve Sıralı Lojistik Regresyon Analizi’nin birbirine yakın sonuçlar verdiğini ancak daha az varsayımlar gerektirmesi, yorum bakımından daha avantajlı olması, veri yapısına uygun tüm bilgiyi kullanabilme özelliğine sahip olması ve gözlemleri gruplara atamadaki üstünlükleri dikkate alındığında Sıralı Lojistik Regresyon Analizi’nin daha iyi sonuçlar verdiğini savunmuşlardır. Kurtaran Çelik (2010), Türkiye’de finansal sistemin en önemli unsuru olan bankaların finansal başarısızlıklarının öngörülmesine yönelik erken uyarı modelleri oluşturulmasını amaçlamıştır ve bu amaç ile Diskriminant Analizi ve Yapay Sinir 13 Ağları’nı karşılaştırmıştır. Sonuç olarak bu iki yönteminde yüksek başarı sağladığı görülmüştür. 14 BÖLÜM III YAPAY SİNİR AĞLARI (YSA) Bu bölüm çalışmamızın temelini oluşturan Yapay Sinir Ağları teknolojisine dair temel bilgileri içermektedir. Yapay Sinir Ağları ya da kısaca YSA, insan beyninin çalışma sisteminin benzetimi düşüncesi ile ortaya çıkmıştır. Yapay zekâ, insanın zeka davranışlarının otomasyonunu araştıran, bilgilerin saklanmasında işlenmesinde veri yapıları, algoritmalar, programlama dilleri ve teknikleri gibi bilgi işlem yöntemleri kullanan bilgisayar biliminin bir alt dalıdır (Akpınar, 1994, s.43). Yapay zeka, insanlar tarafından başarılı bir şekilde gerçekleştirilen işlerin bilgisayarlar tarafından daha iyi yapılmasını sağlamak amacıyla yapılan çalışmaları ifade etmek için kullanılan bir terimdir (Aydın, 2000, s.2). Bu şekilde insan gibi düşünen ve davranan sistemler oluşturulmaya çalışılmıştır. Bu doğrultuda yapay sinir ağları çok farklı alanlarda çalışma konusu haline gelmiştir. İlk olarak tıp alanında insan beynindeki birimlerin (nöronların) matematiksel modellenmesiyle başlamış olan çalışmalar daha sonraki dönemlerde matematik, fizik, mühendislik, ekonomi, finans gibi çok farklı alanlara yönelmiştir. Yapay zeka çalışmalarının sonucunda ortaya çıkan ve bu çalışmalara katkıda bulunan çeşitli alanlardan bir tanesi de Yapay Sinir Ağları’dır. Yapay Sinir Ağları beyin nöronlarını taklit ederek biyolojik sinir sistemini bilgisayar ortamına aktarmaktadır. Bu sayede girdiler ile öğrenmeyi sağlayan Yapay Sinir Ağları birçok farklı alanda kullanıldığı gibi istatistik ve ekonomi alanında da kullanılmaktadır. Özellikle ‘Evrensel Fonksiyon Yakınsayıcı Yöntem’ olarak tanınmalarından dolayı tahmin ve öngörü gibi verinin içerdiği yapının tanımlanmasını gerektiren alanlarda sıkça kullanılmaktadır (Yurtoğlu, 2005). Bu bölümde, YSA hakkında temel ve teorik bilgilere yer verilmiştir. Bölüm 3.1’ de YSA’nın tanımlarına ve tarihsel gelişimine değinilmiştir. Bölüm 3.2’de YSA’ nın yapısı ve işleyişi anlatılmaktadır. Bölüm 3.3’ de YSA çeşitleri verildikten sonra niçin YSA kullanıldığına değinilmiştir. Son olarak bölüm 3.4’de niçin YSA’nın kullanıldığına dair bilgilere yer verilmiştir. 15 3.1. Yapay Sinir Ağı’nın Tanımı ve Tarihsel Gelişimi Yapay sinir ağları (YSA), insan beyninin bilgi işleme teknolojisinden esinlenerek geliştirilmiş bir bilgi işlem teknolojisidir. YSA ile basit biyolojik sinir sisteminin çalışma şekli simüle edilir (benzetilir). Simüle edilen sinir hücrelerinin içerdiği nöronlar çeşitli şekillerde birbirlerine bağlanarak ağı oluştururlar. Bu ağlar öğrenme, hafızaya alma ve veriler arasındaki ilişkiyi ortaya çıkarma kapasitesine sahiptirler. YSA, insan doğasını araştırma ve taklit etme çabalarının en son ürünlerinden bir matematiksel yöntem olarak ortaya çıkmıştır. Bilim adamları, beynin nörofiziksel yapısını göz önüne alarak beynin davranışlarını tam olarak modellemeye çalışmışlardır (Ertunç, 2006). YSA'lar, ağırlıklandırılmış şekilde birbirlerine bağlanmış birçok işlem biriminden (nöronlar) oluşan matematiksel sistemlerdir. Bu işlem birimi, diğer nöronlardan sinyalleri alır; bunları birleştirir, dönüştürür ve sayısal bir sonuç ortaya çıkartır. Genel olarak, işlem birimleri gerçek nöronlara karşılık gelirler ve bir ağ içinde birbirlerine bağlanırlar; bu yapı da sinir ağlarını oluşturmaktadır (Çakır, Ertunç ve Ocak, 2009). Sinirsel hesaplamanın merkezinde dağıtılmış, adaptif ve doğrusal olmayan işlem kavramları vardır. YSA'lar, geleneksel işlemcilerden farklıdır. Geleneksel işlemcilerde, tek bir merkezi işlem birimi her hareketi sırasıyla gerçekleştirirken YSA'lar her biri büyük bir problemin bir parçası ile ilgilenen, çok sayıda basit işlem birimlerinden oluşmaktadır. En basit şekilde, bir işlem birimi, bir girdiyi bir ağırlık kümesi ile ağırlıklandırır, doğrusal olmayan bir şekilde dönüşümünü sağlar ve bir çıktı değeri oluşturur. Sinirsel hesaplamanın gücü, toplam işlem yükünü paylaşan işlem birimlerinin birbirleri arasındaki yoğun bağlantı yapısından gelmektedir (Yurtoğlu, 2005). Birçok YSA'da, benzer karakteristiğe sahip nöronlar tabakalar halinde yapılandırılırlar ve transfer fonksiyonları eş zamanlı olarak çalıştırılırlar. Hemen hemen tüm ağlar, veri alan nöronlara ve çıktı üreten nöronlara sahiptirler. YSA'nın ana öğesi olan matematiksel fonksiyon, ağın mimarisi tarafından şekillendirilir. YSA'ların davranışları, ilk olarak nöronların transfer fonksiyonlarından, birbirlerine nasıl bağlandıklarından ve bu bağlantıların ağırlıklarından etkilenmektedir. Buraya kadar ki bölümde Yapay Sinir Ağları ile ilgili genel bir bilgi verilmiştir. Ancak YSA’ları tanımlama konusunda şimdiye kadar herkes tarafından kabul edilebilir 16 bir tanım ortaya konulmamıştır. Bugüne kadar yapılan tanımlamalardan birkaç tanesini şu şekilde sıralayabiliriz; Yapay sinir ağları karmaşık yapıda içsel ilişkilere sahip ya da arasındaki ilişkileri bilinmeyen problemlere çözüm bulabilmek için geliştirilen bir yapay zeka tekniğidir (Çakar, Türker ve Toraman, 1996). Yapay sinir ağları, çok değişkenli ve değişkenler arasındaki karmaşık karşılıklı etkileşimin bulunduğu veya tek bir çözüm kümesinin bulunmadığı durumlarda başarılı sonuçlar üreten bir yapay zeka teknolojisidir (Salchenberger, Çınar ve Lash, 1992). Haykin (1999) tarafından yapılan tanımlama ise şu şekildedir: “Bir sinir ağı, basit işlem birimlerinden oluşan, deneyimsel bilgileri biriktirmeye yönelik doğal bir eğilimi olan ve bunların kullanılmasını sağlayan yoğun bir şekilde paralel dağıtılmış bir işlemcidir”. Yapay sinir ağı teknolojisinin tarihsel gelişimini şu şekilde özetleyebiliriz; Yapay sinir ağlarının insan beynini modellemesi, dijital bilgisayarların modellenmesi gerçeğinde de var olan insan beyni gibi işleyen makineler oluşturma isteği ile ortaya çıkmıştır. 1943 yılında bir nörobiyolojist olan Warren McCulloch ve bir istatistikçi olan Walter Pitts, “Sinir Aktivitesinde Düşüncelere Ait Bir Mantıksal Hesap” başlıklı bir makale ile ilk dijital bilgisayarlara ışık tutmuştur. 1959’da Stanford Üniversitesi’nden Bernard Widrow, “ADALINE” (Adaptive Linear Neuron) olarak adlandırılan bir adaptif lineer elemanı geliştirmiştir. Adaline ve iki tabakalı biçimi olan “MADALINE” (Multiple Adaline) ses tanıma, hava tahmini, karakter tanıma ve adaptif kontrol gibi çok çeşitli uygulamalar için kullanılmıştır. Widrow, telefon hatları üzerinde yansımaları elemine etmeye yarayan adaptif filtreleri geliştirmede, adaptif lineer eleman algoritmasını kullanmıştır. Bu çalışma ile birlikte yapay sinir ağları ilk defa gerçek bir probleme uygulanmıştır. Yapay sinir ağları ile ilgili 1969-1982 yılları karanlık bir dönem olarak görülmektedir. 1969 yılında Minsky ve Papert’in yapmış olduğu çalışma ile yapının XOR lojik problemlerine çözüm getiremediği ispatlanmıştır. Bu gelişme yapay sinir ağlarına olan ilgiyi azaltmış ve karanlık dönemin başlangıcı olmuştur. 1987 yılında ilk yapay sinir ağları sempozyumu yapılmış ve sonrasında uygulamalar artmaya başlamıştır. Günümüzde bu alanda birçok araştırma grubu bulunmakta ve farklı alanlardan farklı uygulamacılar bu konuda çalışmaktadır (Haykin, 1999). 17 3.2. Yapay Sinir Ağları’nın Yapısı ve İşleyişi İnsan beyninin işleyişini taklit eden modellerin geniş bir sınıfında, sinir ağı modellerinin çeşitleri vardır. Bu sınıflar aşağıdaki maddelere bağlı olarak birbirlerinden farklılık gösterir; • Problem türleri (Tahmin, Sınıflandırma, Gruplandırma) • Modelin yapısı • Model oluşturma algoritması 3.2.1.Biyolojik Sinir Ağının Modeli Beyin, milyarlarca nörondan(sinir hücresi) oluşmaktadır. Bir nöron; çekirdek, hücre gövdesi, akson ve dendritlerden meydana gelmektedir. Dendrit hücre çekirdeğinin yer aldığı hücre gövdesine bağlıdır. Şekil 3.1’de de görüldüğü gibi hücre gövdesine uzayan akson son kısmında dallara ayrılır. Bu dalların uçları, diğer nöronların dendritlerine veya gövdesine bağlıdır. Bu bağlantı noktalarına sinaps denir. Tipik bir hücrenin aksonu diğer hücrelerle birkaç bin bağlantı yapabilir. Böylece beyinde yaklaşık 60 trilyon bağlantı oluşmaktadır (Bayrakçı,1997). Şekil 3.1. Biyolojik nöronun genel yapısı Not: http://heart.cbl.utoronto.ca/~berj/projects.html adresinden edinilmiştir. Dendrit- Girdi sinyalleri alır. Hücre Gövdesi- Girdi sinyalleri işler. Akson-Girdi sinyallerini çıktı sinyallerine çevirir. Sinaps- Nöronlar arasındaki elektrokimyasal bağlantıları sağlar. 18 3.2.2.Yapay Sinir Hücresi (Proses Elemanı) Yapay sinir hücresi diğer bir ifade ile proses elemanı şekil 3.2’de de görüldüğü gibi; girdiler, ağırlıklar, toplama fonksiyonu, transfer fonksiyonu ve çıktı olmak üzere beş öğeden oluşmaktadır. Şekil 3.2’de girdi değerler , ,…, ve ilgili ağırlıkları da , ,…, ile adlandırılmıştır. Bu girdi değerlerinin her biri ilgili ağırlıkları ile çarpılıp toplanarak transfer fonksiyonuna iletilmiştir. Daha sonra transfer fonksiyonu da bu girdi değerini çıktıya dönüştürür. I= Toplama Fonksiyonu F= Transfer Fonksiyonu Şekil 3.2. Proses elemanı Transfer fonksiyonu için çeşitli seçenekler vardır. Bunları şekil 3.3’de şu şekilde görebiliriz. Şekil 3.3. Transfer fonksiyonları 19 3.2.3.Yapay Sinir Ağı’nın Mimarisi Ağ yapısı girdi, gizli ve çıktı katmanlarından oluşmaktadır. Ağa bilgi ve örnek girişi girdi seti ile sonuç ise çıktı seti olarak ifade edilmektedir. Ağdaki proses elemanı, gizli katman sayısı çözülecek problemin modellenmesine göre değişiklik göstermektedir (Aydoğan, Çömlekçi ve Albayrak, 2000). Şekil 3.4. Yapay sinir ağı modeli 1-Girdi Katmanı= Dışarıdan aldığı bilgileri ara katmanlara transfer eder. 2-Gizli Katman= Girdi katmanından gelen bilgileri işler ve çıktı katmanına iletir. 3-Çıktı Katmanı=Gizli katmandan gelen bilgileri işler ve dış dünyaya gönderir. 20 Şekil 3.5. Gizli katman sayısına göre yapay sinir ağı modelleri Şekil 3.5’ de de görüldüğü gibi gizli katman sayısı sıfır, bir ya da birden fazla olabilmektedir. Yapay sinir ağlarında dikkat edilmesi gereken birkaç kural vardır. Bu kuralları şu şekilde sıralayabiliriz; • Aynı katmandaki düğümler birbirleri ile bağlantı kuramaz. • Bir katmandaki düğümler sadece bir sonraki katmanla bağlantı kurabilir. • Bağlantılar da katman atlanamaz. 3.2.4. Yapay Sinir Ağı Modeli’nin Oluşturulması Oluşturulacak olan model de girdi değerleri ise Y=f( , , , , , çıktı değeri Y ve model ) ’dir. Dolayısı ile girdi sayısı 3 ve çıktı sayısı ise 1 olarak kabul edilmiştir. Gizli katman ve gizli katmandaki düğüm sayısı belirli bir strateji olmadan deneme yanılma yöntemi ile belirlenir. Yapı tanımlandıktan sonra ağırlıkları nasıl alacağımıza karar veririz. 21 Şekil 3.6. Oluşturulan yapay sinir ağı modeli Şekil 3.6’da, W=( , ,…, ) olmak üzere 8 tane ağırlık vardır. Eğitici veri:(Yi,X1i,X2i,…,Xpi) i=1,2,…,n olmak üzere seçilen W ağırlıklarına göre W’nun fonksiyonu olan ( , ,…, ) ’i tahmin ederiz. Daha sonra hata tahminini şu şekilde minimize edebiliriz; E=∑ 3.2.5. Modelin Eğitilmesi 3.2.5.1. İleri Besleme İleri besleme yöntemi ile modelin eğitilmesi rastgele ağırlıklar ile başlar. Daha sonra bu yöntem ile ilk gözlem sinir ağları sistemine gönderilir ve ağırlıklar yeniden belirlenerek hatanın azalması sağlanır. Aynı şekilde ikinci gözlemde sinir ağlarına gönderilir ve bu şekilde bir döngü oluşturulur. Aynı şekilde ne kadar çok eğitim döngüsü yapılırsa genel hata tahmini de o kadar azalır. 3.2.5.2. Geri Yayılım Geri yayılım ağırlıkların nasıl ayarlanması gerektiğine karar verir. Her ağırlık diğer ağırlıklar ile hata tahminini paylaşır. Aynı zaman da küçük bir hata küçük bir düzenlemeyi büyük bir hata da büyük bir düzenlemeyi gerektirir. Geri yayılım da ağırlıkların ayarlanması için kullanılan formül şu şekildedir; 22 - i tane gözlem tahmini W’nun bir fonksiyonudur. Dolayısı ile E hata tahmini de W’nun bir fonksiyonudur. Bu bilgiler ışığında hata tahmini formülünü şu şekilde ifade edebiliriz; ( )) − E(W)=∑( Eğim iniş metodu ile formülü şu şekilde yenileyebiliriz; = ∗ + ( / ) , = 0 ile 1 arasında öğretici parametre Bu formülün daha farklı varyasyonu da vardır, o da şu şekildedir; ( ) = ( )+ Yukarıdaki denklemde, ∗ / ( ) ( )+ ∗ ( ( ) − ( )) = 0 ile 1 arasında momentum’dur. Ağ yapısı, gizli katmana ve gizli katmanlardaki düğüm sayısına karar verir. Öğretici parametre ve momentum rastgele ağırlıklar ile ağı eğitmeye başlar. İlk gözlem ağa iletilir ve bu gözlem üzerinden hata tahmini yapılır. Daha sonra hata geri gönderilerek ağırlıklar tekrardan ayarlanmaktadır. Bu şekilde tüm gözlemler ile aynı uygulama yapılır ve yakınsama onayı alınarak eğitime son verilmektedir. 3.2.5.3.Yakınsama Kriteri Toplam hata tahminindeki azalma küçük ve ağırlıklardaki değişiklik az ise, bu bize ağ eğitiminin hatayı minimize ettiği noktada olduğunu göstermektedir. Hata azalmaya devam ediyor ise bu bizim çok iyi bir eğitici veri aldığımızı gösterir. Ancak bir noktadan sonra eğitime son verilmez ise ağ ezberlemeye başlar ve genelleme gücünü kaybeder. Bunu anlamı şudur; Eğitici veri setinden bir X değeri ağa gönderildiği zaman ağ şiddetle Y değerini tahmin eder ancak daha önce hiç görmediği bir X değeri gönderilir ise tahmin etmesi zor olur. 23 Veri seti, eğitici veri ve test edici veri olmak üzere ikiye ayrılmaktadır. Eğitici veri, modelin yapılandırılmasında kullanılır. Test edici veriler ise modelin daha önce görmediği veriler üzerindeki performansı test etmektedir. Şekil 3.7. Yakınsama kriteri Genel olarak eğitici veri üzerindeki hata azalarak devam eder ancak test üzerindeki hata Şekil 3.7’de görüldüğü gibi bir noktaya kadar azalır ve o noktadan sonra artarak devam eder. 3.3. Niçin Yapay Sinir Ağı? YSA’nın hesaplama ve bilgi işleme gücünü; paralel dağılmış yapısından, öğrenebilme ve genelleme yeteneğinden aldığı söylenebilir. Genelleme, eğitim ya da öğrenme sürecinde karşılaşılmayan girişler için de YSA’nın uygun tepkiler üretmesi olarak tanımlanır. Bu üstün özellikleri, YSA’nın karmaşık problemleri çözebilme yeteneğini gösterir. YSA; Ergezer, Dikmen ve Özdemir(2003)’e göre aşağıdaki özellikleri sebebi ile birçok bilim dalında etkin rol oynamaktadır. Doğrusal Olmama: YSA’nın temel işlem elemanı olan hücre, doğrusal değildir. Dolayısıyla hücrelerin birleşmesinden meydana gelen YSA da doğrusal değildir ve bu özelik tüm ağa yayılmış durumdadır. Bu özelliği ile YSA, doğrusal olmayan karmaşık problemlerin çözümünde en önemli araç olmuştur. Öğrenme: YSA’nın arzu edilen davranışı gösterebilmesi için amaca uygun olarak ayarlanması gerekir. Bu, hücreler arasında doğru bağlantıların yapılması ve bağlantıların uygun ağırlıklara sahip olması gerektiğini ifade eder. YSA’nın karmaşık yapısı nedeni ile bağlantılar ve ağırlıklar önceden ayarlı olarak verilemez ya da 24 tasarlanamaz. Bu nedenle YSA, istenen davranışı gösterecek şekilde ilgilendiği problemden aldığı eğitim örneklerini kullanarak problemi öğrenmelidir. Genelleme: YSA ilgilendiği problemi öğrendikten sonra eğitim sırasında karşılaşmadığı test örnekleri için de arzu edilen tepkiyi üretebilir. Örneğin, karakter tanıma amacıyla üretilmiş bir YSA, bozuk karakter girişlerinde de doğru karakterleri verebilir ya da bir sistemin eğitilmiş YSA modeli, eğitim sürecinde verilmeyen giriş sinyalleri için de sistem ile aynı davranışı gösterebilir. Uyarlanabilirlik: YSA, ilgilendiği problemdeki değişikliklere göre ağırlıkları ayarlar. Yani, belirli bir problemi çözmek amacıyla eğitilen YSA, problemdeki değişimlere göre tekrar eğitilebilir ve değişimler devamlı ise gerçek zamanda da eğitime devam edilebilir. Bu özelliği ile YSA, uyarlamalı örnek tanıma, sinyal işleme, sinyal tanıma ve denetim gibi alanlarda etkin olarak kullanılmaktadır. Hata Toleransı: YSA, çok sayıda hücrenin çeşitli şekillerde bağlanmasından oluştuğu için paralel dağılmış bir yapıya sahiptir ve ağın sahip olduğu bilgi, ağdaki bütün bağlantılar üzerine dağılmış durumdadır. Bu nedenle, eğitilmiş bir YSA’nın bazı bağlantılarının hatta bazı hücrelerinin etkisiz hale gelmesi, ağın doğru bilgi üretmesini önemli ölçüde etkilemez. Bu nedenle, geleneksel yöntemlere göre hatayı tolere etme yetenekleri son derece yüksektir. İstatistiksel varsayımlardan bağımsız oluşu: YSA parametrik olmayan bir yöntem olup tüm istatistiksel varsayımlardan bağımsızdır. Bilindiği gibi birçok istatistiksel model katı istatistiksel varsayımlara dayanır. Örneğin, regresyon modelinin en önemli varsayımları bağımlı değişkenin normal dağılım göstermesi, hata terimlerinin ortalama sıfır ve sabit varyansa sahip olacak şekilde birbiri ile korelasyon göstermemesi gerekir. Bu varsayımlar karşılanmadığı zaman tahmin edilen test istatistikleri yanlı, tutarsız ve etkinlikten uzaktır. Dolayısı ile tahmin edilen model geçersiz olur. YSA, parametrik olmayan bir yöntem olduğu için verilerin geldiği ana kütlenin dağılımı hakkında varsayımlar yapmaz. Özet olarak, YSA geleneksel istatistiksel yöntemlere göre bu yönü ile daha avantajlıdır. 25 BÖLÜM IV UYGULAMA 4.1. Veri, Örnek ve Değişken Seçimi Bu çalışma da 1996-2009 yılları arasında Türk bankacılık sektöründe faaliyet gösteren ticari bankalar ele alınmıştır. Bu dönem içerisinde yıldan yıla banka sayısında önemli değişiklikler gözlenmektedir. Bu süreç içerisinde en çok 1997 yılında 46 banka sektörde faaliyet göstermiştir. Türkiye Bankalar Birliği tarafından 1992 yılında, Türk bankacılık sektöründe faaliyet gösteren her bir banka için yayınlanmaya başlayan finansal rasyolar başlangıçta eksik olmasına rağmen zaman içerisinde daha da açıklayıcı hale gelmiştir. 1996 yılında birkaç banka için finansal rasyolar da eksiklikler söz konusu olmuştur. 1999 ve 2000 yıllarında Türkiye Bankalar Birliği, Türk bankacılık sektöründe faaliyet gösteren her bir banka için yılda bir kez olmak üzere 49 finansal rasyo yayınlamıştır. Buna Tasarruf Mevduatı Sigorta Fonu’na devredilen bankalarda dahil edilmiştir. 2002 yılından itibaren de Türkiye Bankalar Birliği her bir banka için 66 finansal rasyo yayınlamaya başlamıştır. Sonrası için bir uyum göstermemektedir. Ancak Tablo 4.1’de, 1999-2000 ve 2002 sonrası yayınlanan rasyolar gösterilmektedir. 2001 yılı Türkiye’nin mali ve ekonomik krizlerinin yılı olmuştur. Türk lirası oldukça değer kaybetmiş, faiz oranı ve enflasyon artmaya başlamıştır. Bu durumlar üzerine büyük bir reform paketi bankacılık sektörünün bir parçası olarak düzenlenmiştir. Verilerimize dâhil edilen 22 başarısız bankanın 14 tanesi 2000 yılının son ayları ile Temmuz 2003 arasında başarısız olmuştur. Aynı zaman da 2001 yılında finansal rasyoları Türkiye Bankalar Birliği yayınlamamıştır. Bu sebepten dolayı çalışmamıza 2001 yılı dâhil edilmemiştir. 26 Tablo 4.1 Rasyolar Kod Rasyo kategorileri ve isimleri Kod Rasyo kategorileri ve isimleri Şube oranları, Milyon TL Varlık maliyeti % R1 Toplam Krediler / Toplam Aktifler R20 Şube Başına Toplam Aktif R2 Takipteki Krediler (net) / Toplam Krediler R21 Şube Başına Toplam Mevduat R3 Duran Aktifler / Toplam Aktifler R22 Şube Başına TL Mevduat Likidite % R23 Şube Başına YP Mevduat R4 Likit Aktifler / Toplam Aktifler R24 Şube Başına Personel (kişi) R5 Likit Aktifler / (Mevduat + Mevduat Dışı Kaynaklar) R25 YP Likit Aktifler / YP Pasifler R26 R6 Şube Başına Kredi Karlılık % R7 R8 R9 Şube Başına Net Kar Faaliyetteki Oranlar Net Dönem Karı (Zararı) / Toplam Aktifler R27 (Personel Gideri + Kıdem Tazminatı) / Personel Sayısı (Bin YTL) Net Dönem Karı (Zararı) / Öz kaynaklar R28 Kıdem Tazminatı / Personel Sayısı (Bin YTL) Vergi Öncesi Kar / Toplam Aktifler R29 (Personel Gideri + Kıdem Tazminatı) / Toplam Aktifler R10 Gelir Gider Yapısı % Faiz Gelirleri / Toplam Gelirler R11 Faiz Gelirleri / Faiz Giderleri R12 Faiz Dışı Gelirler / Diğer Faaliyet Giderleri R13 Toplam Gelirler / Toplam Giderler R14 Sektör İçerisindeki Pay Toplam Aktifler R15 Toplam Krediler R16 Toplam Mevduat Toplam Varlıklar R17 Toplam Aktifler R18 Toplam Krediler R19 Toplam Mevduat 27 Bu çalışma da banka başarısızlık tahmini için en uygun finansal oranlar, tek değişkenli varyans analizi(ANOVA) ile belirlenmiştir. ANOVA testine ait yokluk hipotezi herhangi bir rasyoya ait ortalama için iflas eden ve iflas etmeyen bankalar arasında bir fark yoktur hipotezini ileri sürer. Yapılan ANOVA testi sonucunda 29 rasyonun 18 tanesine ait ortalama %5 ve 11 tanesine ait ortalama da %1 anlamlılık düzeyinde, istatistiksel olarak birbirinden farklı çıkmıştır. Diğer bir ifade ile bu rasyolar için %5 güven düzeyinde ANOVA testine ait yokluk hipotezi reddedilmiştir. Her yıl için seçilen rasyoların anlamlılık seviyesi ve F istatistiğine göre ANOVA test sonuçları Tablo 4.2‘de verilmiştir. Başarısız olan ve olmayan bankaları iyi derecede birbirlerinden ayırt edebilecek finansal rasyolar bulunmaktadır. Tablo 4.2 Grup Ortalamalarına Ait Eşitlik Testi İflas Etmeyen Kod Ort. Std. Sapma İflas Eden Grup ortalamalarına ait eşitlik testi Toplam Ort. Std. Sapma Ort. Std. Sapma Wilks' Lambda F(1,215) Anlamlılık R1 34.1036 14.6621 30.3384 13.8037 33.5657 14.5716 0.9918 1.7805 0.1835 R2 5.7667 23.1804 160.217 364.230 27.8311 147.717 0.8655 33.4078 0.0000** R3 8.8675 9.3281 16.4104 13.2735 9.9451 10.2954 0.9340 15.2003 0.0001** R4 44.5053 17.9357 33.7179 16.5820 42.9643 18.1115 0.9564 9.8110 0.0020** R5 56.8031 28.9613 32.6135 17.9779 53.3474 28.9007 0.9138 20.2758 0.0000** R6 45.4642 21.3907 25.9413 16.4373 42.6753 21.8244 0.9016 23.4751 0.0000** R7 3.4737 -31.8493 44.9519 -1.5724 21.1828 0.6579 111.780 0.0000** R8 40.3776 135.732 -464.725 2512.25 -31.779 961.121 0.9660 7.5616 0.0065** R9 4.7863 -31.5578 45.1532 -0.4058 21.6515 0.6534 114.058 0.0000** R10 100.604 21.2771 60.4223 265.402 94.8643 101.830 0.9808 4.1986 0.0417* R11 239.405 345.099 116.362 62.6488 221.828 323.124 0.9822 3.9048 0.0494* R12 -0.3365 123.079 -47.3023 114.7195 -7.0459 122.774 0.9820 3.9412 0.0484* R13 131.984 37.1055 68.0839 53.0882 122.855 45.5298 0.7577 68.7581 0.0000** R14 2.2697 0.9579 0.7894 2.0823 3.1751 4.6115 0.0329* 4.1249 5.1964 3.3797 0.9790 28 Tablo 4.2 (Devamı) R15 2.2337 3.3960 0.8852 0.8878 2.0410 3.1954 0.9781 4.8152 0.0293* R16 2.3573 3.8761 1.3202 0.9174 2.2092 3.6217 0.9899 2.1909 0.1403 R17 6.5566 10.2492 11.3657 16.4547 7.2436 11.4202 0.9782 4.7948 0.0296* R18 6.8147 11.4505 16.0254 29.7893 8.1306 15.6838 0.9576 9.5259 0.0023** R19 6.8158 11.5265 10.6503 13.4050 7.3636 11.8557 0.9871 2.8028 0.0956 R20 110.839 257.948 50.4794 38.1760 102.216 240.080 0.9922 1.6849 0.1957 R21 62.8361 169.369 47.1761 35.9900 60.5990 157.413 0.9988 0.2621 0.6092 R22 20.6444 56.9123 23.8176 25.7226 21.0977 53.5470 0.9996 0.0929 0.7608 R23 42.1918 117.309 23.3586 14.6471 39.5013 108.903 0.9963 0.7939 0.3739 R24 36.1951 98.7178 22.4984 7.6157 34.2384 91.5299 0.9972 0.5939 0.4418 R25 35.8399 91.8582 12.9239 8.8547 32.5662 85.4542 0.9912 1.9190 0.1674 R26 4.2098 14.8976 -15.932 23.0329 1.3323 17.7110 0.8409 40.6825 0.0000** R27 53.1214 25.9585 56.7137 12.9024 53.6346 24.5325 0.9974 0.5686 0.4516 R28 1.3451 1.8359 1.3076 1.4451 1.3397 1.7824 0.9999 0.0117 0.9140 R29 2.5742 2.0631 3.4525 2.3327 2.6997 2.1204 0.9789 4.6354 0.0324* * ve ** ifadeleri sırasıyla %5 ve %1 anlamlılık düzeylerini göstermektedir 4.2. Yapay Sinir Ağı Model Tahmini Yapay sinir ağı modelinde girdi olarak kullanacağımız rasyolar, başarısız olan ve olmayan bankaları iyi derecede ayırt edebilme yeteneğine sahip olan rasyolardan oluşmaktadır. Bu çalışmada girdi olarak kullanacağımız rasyoların anlamlılık seviyesi %1 olarak belirlenmiştir. Tablo 4.2 ‘de de görüldüğü gibi %1 anlamlılık düzeyine sahip olan 11 tane rasyo bulunmaktadır. Şekil 4.1’deki yapay sinir ağı mimarisinde görüldüğü gibi gizli katmanda 4 tane düğüm bulunmaktadır. Aynı zaman da her bir düğüm arasındaki bağlantıyı sağlayan toplam 58 tane ağırlık bulunmaktadır. Şekil 4.1’deki yapay sinir ağı mimarisinde gizli katmandaki aktivasyon fonksiyonu hiperbolik tanjant ve çıktı katmanında ki aktivasyon fonksiyonu softmax olarak belirlenmiştir. 29 Hata r2 r3 r4 Hata r5 H(1:1) r6 İflas=0 H(1:2) r7 İflas=1 H(1:3) r8 H(1:4) r9 r13 r18 r26 Şekil 4.1. Yapay sinir ağının mimari yapısı Sinaptik Ağırlık > 0 Sinaptik Ağırlık < 0 Tablo 4.3’te her bir düğüm arasındaki bağlantıların ağırlıkları verilmiştir; 30 Tablo 4.3 Düğümler Arasındaki Bağlantı Ağırlıkları Tahmin Gizli Katman 1 Tahmin Edici H(1:1) H(1:2) H(1:3) (Hata) Katmanı r2 -,691 ,930 r3 2,428 r4 1,935 ,601 r5 -,616 -,266 -,979 2,335 r6 -,419 -2,255 -,189 -,907 ,594 r8 r9 1,864 ,909 r13 r18 -1,186 ,456 r26 Gizli -4,459 H(1:4) Girdi r7 ,280 Çıktı Katmanı -1,009 ,457 -,605 -1,549 ,192 -,850 1,516 1,410 -,996 -1,151 ,105 -,761 -,473 ,662 -1,392 -,542 -,052 -,133 -2,269 -,012 -1,118 [iflas=1] -,092 1,988 ,324 -,215 [iflas=0] 3,041 -,200 (Hata) -,124 ,420 -,210 Katman 1 H(1:1) -2,182 2,074 H(1:2) -3,137 3,603 H(1:3) -1,569 ,822 H(1:4) 2,434 -2,457 Tablo 4.4’te YSA modeli ile elde edilen 1996-2000 yılları arasındaki bankaların başarısızlık olasılıkları ve her bir bankanın yıllara göre başarısız olma olasılıklarının ortalaması verilmiştir. Aynı zaman da Tablo 4.4’te çalışma aralığımız olan 1996-2009 yılları arasında iflasa uğramış olan bankaların isimleri ve iflas etme tarihlerine yer verilmiştir. Ayrıca Tablo 4.4’te genel ortalama, iflas eden bankaların ortalaması ve iflas etmeyen bankaların ortalamasına da yer verilmiştir. 31 Tablo 4.4 1996-2000 Arası Banka Başarısızlık Olasılıkları BANKA Adabank A.Ş. Akbank T.A.Ş. Alternatif Bank A.Ş. Anadolubank A.Ş. Arap Türk Bankası A.Ş. Denizbank A.Ş. Fiba Bank A.Ş. Finans Bank A.Ş. HSBC Bank A.Ş. Koçbank A.Ş. MNG Bank A.Ş. Osmanlı Bankası A.Ş. Oyak Bank A.Ş. Şekerbank T.A.Ş. Tekstil Bankası A.Ş. Türk Dış Ticaret Bankası A.Ş. Türk Ekonomi Bankası A.Ş. Turkish Bank A.Ş. T.C. Ziraat Bankası Türkiye Garanti Bankası A.Ş. Türkiye Halk Bankası A.Ş. Türkiye İş Bankası A.Ş. Türkiye Vakıflar Bankası T.A.O. Yapı ve Kredi Bankası A.Ş. Bank Ekspres A.Ş. Bank Kapital Türk A.Ş. Bayındırbank A.Ş. Demirbank T.A.Ş. Ege Giyim Sanayicileri Bankası A.Ş. Egebank A.Ş. Eskişehir Bankası T.A.Ş. Etibank A.Ş. İktisat Bankası T.A.Ş. Interbank Kentbank A.Ş. Milli Aydın Bankası T.A.Ş. Pamukbank T.A.Ş. Sitebank A.Ş. Sümerbank A.Ş. Toprakbank A.Ş. Türk Ticaret Bankası A.Ş. İFLAS Aralık 1998 Ekim 2000 Temmuz 2001 Kasım 2000 Temmuz 2001 Kasım 1999 Kasım 1999 Ekim 2000 Mart 2001 Ocak 1999 Temmuz 2001 Temmuz 2001 Haziran 2002 Temmuz 2001 Aralık 1999 Kasım 2001 Aralık 1997 1996 0,0383 0,0000 0,0001 YOK 0,0000 YOK 0,0000 0,0001 0,0000 0,0000 0,0000 0,0001 0,0000 0,0051 0,0002 0,0001 0,0006 0,2236 0,0000 0,0186 0,0073 0,0000 1997 0,0253 0,0001 0,1838 0,0000 0,0016 0,0016 0,0001 0,0154 0,0000 0,0003 0,0000 0,0014 0,0006 0,0037 0,0003 0,0004 0,0028 0,0162 0,0017 0,0008 0,0094 0,0003 1998 0,0296 0,0000 0,2425 0,0000 0,0001 0,1222 0,0002 0,0048 0,0002 0,0002 0,0000 0,0001 0,0021 0,0402 0,0004 0,0000 0,0017 0,0001 0,0001 0,0005 0,0114 0,0029 1999 0,0001 0,0000 0,0007 0,0016 0,0000 0,0264 0,0000 0,0004 0,0000 0,0001 0,0020 0,0001 0,0259 0,0822 0,1432 0,0000 0,0001 0,0001 0,0000 0,0002 0,0108 0,0000 2000 0,0000 0,0000 0,0163 0,0005 0,0000 0,0781 0,0000 0,0045 0,0000 0,3352 0,0339 0,0001 0,2879 0,3431 0,0002 0,0003 0,0010 0,0000 0,0001 0,0001 0,0116 0,0001 ORT. 0,0187 0,0000 0,0887 0,0005 0,0003 0,0571 0,0001 0,0050 0,0000 0,0672 0,0072 0,0003 0,0633 0,0948 0,0289 0,0002 0,0012 0,0480 0,0004 0,0040 0,0101 0,0007 0,0002 0,0038 0,1596 0,0008 0,1626 0,0920 0,0001 0,0008 0,1364 0,0130 0,0573 0,1910 0,0000 0,0093 0,9976 0,0089 0,0013 0,0582 0,0000 0,0011 YOK 0,0319 0,0851 0,1388 0,0001 0,0001 YOK 0,9996 0,1870 0,9151 0,0001 0,0030 0,4312 0,2109 0,0987 0,2790 0,0002 0,0096 0,1109 0,0258 0,0002 0,0110 0,0055 0,0041 0,0151 0,0000 0,3723 0,0006 0,5037 0,0032 0,0032 0,0203 0,0000 0,0005 0,0124 0,0014 0,0050 0,0116 0,0000 0,1830 0,0018 0,9509 0,0123 0,9815 0,9996 0,2603 0,0022 0,9991 0,0028 0,1456 0,0110 0,0004 0,9824 0,0042 YOK 0,0257 0,9998 0,9998 0,3248 0,0072 1,0000 0,2240 0,2261 0,0174 0,0555 1,0000 0,0582 YOK 0,9361 YOK YOK 1,0000 1,0000 YOK 0,4315 0,9589 0,0377 0,9712 YOK 0,1681 YOK 0,1955 0,4985 0,5326 0,3222 0,2020 0,5056 0,1330 0,2679 0,0185 0,2054 0,6344 0,0466 0,7273 32 Tablo 4.4 (Devamı) Türkiye Emlak Bankası A.Ş. Türkiye İmar Bankası T.A.Ş. Türkiye Tütüncüler Bankası Yaşarbank A.Ş. Ulusal Bank T.A.Ş. Yurt Ticaret ve Kredi Bankası A.Ş. Temmuz 2001 Temmuz 2003 0,0001 0,0371 0,0003 0,0004 0,9999 0,2075 0,1499 0,0291 0,0310 0,0139 0,0280 0,0504 0,0118 Şubat 2001 0,0000 0,0109 0,0000 0,9994 0,0000 1,0000 0,0000 YOK 0,5055 0,9810 0,1962 0,0113 0,0118 0,9997 0,9999 0,5056 0,0442 0,0423 0,1770 0,1705 0,2823 0,1581 0,0210 0,0131 0,0194 0,0006 0,0001 0,0108 0,0749 0,0764 0,3570 0,3604 0,6867 0,3079 Aralık 1999 Aralık 1999 ORTALAMA ORTALAMA(İFLAS ETMEYEN) ORTALAMA(İFLAS EDEN) Tablo 4.5’te YSA modeli ile elde edilen 2002-2009 yılları arasındaki bankaların başarısızlık olasılıkları ve her bir bankanın başarısız olma olasılıklarının ortalaması şu şekilde gösterilmektedir; Tablo 4.5 2002-2009 Arası Banka Başarısızlık Olasılıkları BANKA 2002 2003 2004 2005 2006 2007 2008 2009 ORT. 0,0022 0,0002 0,0001 0,0002 0,0002 0,0002 0,0017 0,0002 0,0006 0,0037 0,0011 0,0022 0,0027 0,0005 0,0004 0,0027 0,0002 0,0017 0,1284 0,0086 0,0005 0,0001 0,0003 0,0003 0,0019 0,0002 0,0175 0,0000 0,0000 0,0002 0,0000 0,0000 0,0000 0,0000 0,0000 0,0000 0,0000 0,0000 0,0000 0,0000 0,0000 0,0001 0,0014 0,0001 0,0002 0,0916 0,0089 0,0010 0,0006 0,0006 0,0002 0,0004 0,0002 0,0129 0,0079 0,0029 0,0004 0,0020 0,0027 0,0009 0,0008 0,0002 0,0022 0,0129 0,0019 0,0001 0,0002 0,0001 0,0002 0,0010 0,0002 0,0021 T.C.Ziraat Bankası A.Ş. Türkiye Halk Bankası A.Ş. Türkiye Vakıflar Bank. T.A.O. Adabank A.Ş. Akbank T.A.Ş. Alternatif Bank A.Ş. Anadolubank A.Ş. Şekerbank T.A.Ş. 33 Tablo 4.5 (Devamı) Tekstil Bankası A.Ş. Turkish Bank A.Ş. 0,0019 0,0120 0,0015 0,0031 0,0013 0,0032 0,0044 0,0006 0,0035 0,0000 0,0000 0,0000 0,0004 0,0000 0,0001 0,0009 0,0008 0,0003 0,0058 0,0027 0,0011 0,0005 0,0013 0,0028 0,0028 0,0008 0,0022 0,3416 0,1761 0,0078 0,0002 0,0003 0,0001 0,0014 0,0000 0,0660 0,0001 0,0000 0,0000 0,0000 0,0000 0,0003 0,0003 0,0001 0,0001 0,0023 0,0067 0,0018 0,0568 0,0036 0,0046 0,0013 0,0001 0,0096 0,0001 0,0002 0,0002 0,0441 0,0117 0,0689 0,0015 0,0001 0,0159 0,0002 0,0002 0,0002 0,0001 0,0004 0,0002 0,0002 0,0001 0,0002 0,0128 0,0003 0,0018 0,0003 0,0002 0,0021 0,0011 0,0001 0,0023 0,0000 0,0001 0,0000 0,0000 0,0000 0,0000 0,0000 0,0000 0,0000 0,0249 0,0206 0,0113 0,1209 0,0015 0,0027 0,0156 0,0010 0,0248 0,0032 0,0004 0,0002 0,0001 0,0001 0,0003 0,0021 0,0002 0,0008 0,0008 0,0020 0,0009 0,0017 0,0017 0,0016 0,0018 0,0015 0,0015 0,0001 0,0001 0,0001 0,0001 0,0006 0,0004 0,0005 0,0001 0,0003 0,2075 0,0066 0,0016 0,0008 0,0052 0,0084 0,0059 0,0016 0,0297 0,0000 0,0000 0,0434 0,1600 0,0443 0,0190 0,0125 0,0220 0,0377 0,0002 0,0001 0,0002 0,0013 0,0185 0,0135 0,0108 0,0032 0,0060 0,0339 0,0101 0,0031 0,0158 0,0038 0,0052 0,0029 0,0013 0,0095 Türk Ekonomi Bankası A.Ş Türkiye Garanti Bankası A.Ş. Türkiye İş Bankası A.Ş. Yapı ve Kredi Bankası A.Ş. Arap Türk Bankası A.Ş. Citibank A.Ş. Denizbank A.Ş. Deutsche Bank A.Ş. Eurobank Tekfen A.Ş. Finans Bank A.Ş. Fortis Bank A.Ş. HSBC Bank A.Ş. ING Bank A.Ş. Millennium Bank A.Ş. Turkland Bank A.Ş. ORTALAMA Tablo 4.6’da görüldüğü gibi yapay sinir ağı modeli eğitim sürecinde, başarılı olan bankaların %100’ünü tahmin etmiştir. Aynı zaman da başarısız olan bankaların ise %77,4’ünü doğru tahmin etmiştir. Tablo 4.6’da görüldüğü gibi yapay sinir ağı modeli test sürecinde ise başarılı olan bankaların tamamını doğru tahmin ederek %100’lük bir başarı göstermiştir. 34 Tablo 4.6 Sınıflandırma Başarısı Tahmin Örnek Gözlem 0 Eğitim 0 186 0 100,0% 1 7 24 77,4% 88,9% 11,1% 96,8% 0 200 0 100,0% 1 0 0 ,0% 100,0% ,0% 100,0% Toplam Yüzde Test Toplam Yüzde 1 Doğruluk Yüzdesi Şekil 4.2, 1996-2009 yılları arasında yapay sinir ağı modelince tahmin edilen banka başarısızlık olasılıklarını göstermektedir. Finansal sistemi ve özellikle bankaları daha da dikkatli inceleyerek 2001 krizinden sonra yapılandırılan ekonomik ve finansal önlemler bu alanda önemli bir şans olarak görülmektedir. Şekil 4.2’den de anlaşılacağı üzere, Türkiye’de makroekonomik koşulların kötüleşmesine, işsizlik, enflasyon, dünyayı saran küresel mali kriz ve son yıllarda ki istikrarsız siyasi ortama rağmen ticari bankaların başarısızlık riskinden oldukça uzak olduğu görülmüştür. 0,6 0,5 0,4 0,3 0,2 0,1 0 1996 1997 1998 1999 2000 2002 2003 2004 2005 2006 2007 2008 2009 Ortalama İflas ortalaması Şekil 4.2. Yıllara göre ortalama iflas olasılıkları İflas etmeyenlerin ortalaması 35 BÖLÜM V SONUÇ Bu çalışma ile karar vericilerin bankalar üzerine yapılan araştırmaları takip ederek, bankaların finansal durumlarındaki değişiklikler hakkında önemli bilgilere sahip olabilecekleri görülmektedir. Aynı zamanda finansal rasyolar kullanılarak gelişmiş bilgilere ulaşılabildiği görülmüştür. Dolayısıyla erken uyarı sistemlerinin, bankaların iç yönetimi ve banka denetim kurumları için önemli bir parça haline gelebileceği görülmüştür. Ekonomik koşulların bankaların başarısızlık olasılığını etkilediği görülmektedir. Banka krizleri; makroekonomik ortamın zayıf, büyümenin az ve enflasyonun yüksek olduğu dönemlerde meydana gelmektedir. Buna ek olarak, yüksek reel faiz oranlarının da bankacılık sektöründe sistematik sorunlara sebep olduğu görülmektedir (DemirgüçKunt ve Detragiache, 1998). Aynı zaman da (Hutchison ve McDill, 1999), moral hazard sorununun da bankaların başarısız olma olasılığını arttırdığını belirtmiştir. Yukarıdaki makroekonomik sorunların tümü Türkiye de 1994-2003 yılları arasında 25 bankanın başarısız olmasına neden olmuştur. Bu nedenle, Türkiye de olumsuz makroekonomik koşulların bankaların başarısız olmasına önemli bir sebep olduğu görülmektedir. Bu olumsuz makroekonomik koşullar ve olumsuz küresel finans ortamının banka başarısızlık olasılığını arttırdığı söylenebilir. Buna rağmen, Türkiye de 2003 yılından sonra hiçbir banka başarısız olmayarak tüm bu olumsuzluklara karşı ayakta kalabilmiştir. 36 KAYNAKÇA Ağaoğlu, A. (1989). Türkiye’de banka işletmelerinin ekonomik analizi ve gelişme eğilimleri. Yayımlanmamış Doktora tezi, Ankara Üniversitesi, Ankara.. Akgüç, Ö. (1989). Yüz soruda türkiye’de bankacılık. Gerçek Yayınevi 2. Baskı, İstanbul. Akkuş, Ö, Türkan, S. ve Tatlıdil, H. (2010). Sıralı bağımlı değişken modeli ve diskriminant analizi’nin ticari bankaların mali performanslarına göre sınıflandırılmasında kullanımı. Süleyman Demirel Üniversitesi İ.İ.B.F Dergisi, C.15,S.2, 319-332. Akpınar, H. (1994). Yapay sinir ağları gelişim ve yapılarının incelenmesi. İstanbul Üniversitesi İşletme Fakültesi Dergisi, 23 (1), 41-74. Aktaş, R . (1997). Mali başarısızlık (işletme riski) tahmin modelleri. İş Bankası Kültür Yayınları, Doğuş Matbaacılık. İstanbul. Alam, P., Booth, L.K. and Thordarson, T. (2000). The use of fuzzy clustering algorithm and self-organizing neural networks for identifying potentially failing banks: an experimental study. Expert Systems with Applications 18, 185199. Alfaro, E., Garcia, N., Gamez, M. ve Elizondo ,D. (2008). Bankruptcy forecasting:An ampirical comparison of adaboost and neural networks original research article. Decision Support Systems, Volume 45, Issue 1, 110-122. Altman, E.I., ve McGough, T.P. (1974). Evoluation of a company as a going concern. The Journal of Accountancy, December, 50-57. Aydoğan, T., Çömlekçi, S. ve Albayrak, M. (2000). Yapay sinir ağlarında öğrenme yeteneğinin uygulanması. Süleyman Demirel Üniversitesi, Fen Bilimleri Enstitüsü Dergisi, 4 (1), 5-10. Aydın, Y.S. (2000). Visual prolog ile programlama. Sistem Yayıncılık, Yayın No:253, s.337, İstanbul. BDDK, (2010). Bankacılık Düzenleme ve Denetleme Kurumu Tarihçesi. http://www.bddk.org.tr/WebSitesi/turkce/Kurum_Bilgileri/Kurum_Bilgil eri.aspx, Erişim Tarihi 15 Temmuz 2010. Banking Regulation and Supervision Agency (2003). Banking sector restructuring program (BRSA). Progress Report, 23. 37 Bayrakçı, A. O. (1997). Hisse senedi fiyatının tahmininde yapay sinir ağı yaklaşımı. Yayımlanmamış Yüksek lisans tezi. Osmangazi Üniversitesi, Eskişehir. Brealey, R., A., Myers, S., ve Marcus, A. (1997). İşletme finansının temelleri. Çevirenler:Bozkurt, Ü., Arıkan, T., ve Doğukanlı, H., Literatür Yayıncılık. Boyacioglu M. A., Kara Y., Baykan Ö. K. (2009). Predicting bank financial failures using neural networks, support vector machines and multivariate statistical methods: A comparative analysis in the sample of savings deposit ınsurance fund (SDIF) transferred banks in turkey original research article. Expert Systems with Applications, Volume 36, Issue 2, Part 2, 3355-3366. Büyüköztürk, S. (2002). Sosyal bilimler için veri analizi el kitabı, PegemA Yayıncılık, Ankara. Canbaş, S., ve Erol, C. (1985). Türkiye’de ticaret bankaları sorunlarının saptanması: erken uyarı sistemine giriş. Türkiye Ekonomisi ve Türk Ekonomi İlmi, Sayı: 1, Marmara Üniversitesi Türkiye Ekonomisi Araştırma Merkezi, İstanbul. Canbaş, S., Çabuk, A. and Kılıç, S. B. (2005). Prediction of commercial bank failure via multivariate statistical analysis of financial structures: the turkish case. European Journal of Operational Research 166 (2), 528-546. Cole, R., A. and Gunther, J. W. (1998). Predicting bank failures: A comparison of onand off-site monitoring systems. Journal of Financial Services Research, 13 (2), 103-117. Çakar, T., Türker, A. K. ve Toraman, A. (1996). İmalat sistemlerinin tasarlanmasında yapay sinirsel ağların kullanılması. Birinci Ulusal Zeki İmalat Sistemleri Sempozyumu ZİS’da Sunulan Bildiri,10s. Çakır, Ş.,Ertunç, H.M ve Ocak, H. (2009). Yapay sinir ağları kullanılarak karbonat kayalarındaki dokunun tanımlanmasına bir örnek: Akveren formasyonu. Uygulamalı Yerbilimleri, Sayı:2, 71-79. Coşkun, M. N. (2003). Gelişmekte olan ülkelerde bankacılık krizleri, Gazi Üniversitesi İktisat Bölümü, 3-4, Ankara. Dağlı, H. (1994). İşletme başarısızlıkları ve alınması gereken önlemler. Verimlilik Dergisi. MPM Yayınları, Sayı:1. 38 Demirgüç-Kunt, A. and Detragiache, E. (1998). The determinants of banking crises in developing and developed countries. IMF Staff Papers, 45 (1). Ergezer, H., Dikmen, H. ve Özdemir, H. (2003). Yapay sinir ağları ve tanıma sistemleri. PİVOLKA, 2 (6), 14-17. Ertunç, H. M. (2006). Prediction of the pool boiling criticial heat flux using artificial neural network, IEEE Transactions on Components and Packaging Technologies, Vol.29, No.4,770-777. Foster, G. (1986). Financial statament analysis. Prentice Hall International Editions. Gönenli, A. (1994). İşletmelerde finansal yönetim. İşletme Fakültesi, İstanbul. Haykin, S. (1999). Neural networks a comprehensive foundation. Prentice Hall Internation, Inc. Hutchison, M. and McDill, K. (1999). Are all banking crises alike? The Japanese experience in international comparison. NBER Working Paper. 7253. Jo, H. and Han, I. (1996). Integration of case-based forecasting, neural network, and discriminant analysis for bankruptcy prediction. Expert Systems with Applications, 11, 415-422. Keasey, K. and McGuinness, P. (1990). The failure of UK industrial firms for the period 1976-1984, logistic analysis and entropy measures. Journal of Business Finance and Accounting, 17, (1), 119-135. Kılıç, S. B. (2003). Mali başarısızlık tahmininde çok değişkenli istatistiksel yöntemlerin ve çok kriterli analize dayalı bir modelin kullanılması: Türk bankacılık sisteminde bir uygulama (Using multivariate statistical methods and a model of multicriteria analysis in predicting financial failure: An application in the Turkish banking sector. Unpublished Ph.D. thesis. Çukurova University, Adana. Kolari, J., Glennon, D., Shin, H. and Caputo, M. (2002). Predicting large US commercial bank failures. Journal of Economics & Business, 54, 361387. Kurtaran Çelik, M. (2010). Bankaların finansal başarısızlıklarının geleneksel ve yeni yöntemlerle öngörüsü. Yönetim ve Ekonomi, cilt:17, Sayı:2, Celal Bayar Üniversitesi İ.İ.B.F. Kurtuluş, K. (1985). Pazarlama Araştırmaları. İstanbul Üniversitesi Yayınevi, No:2789. 39 Lam, K.F. and Moy, J. W. (2002). Combining discriminant methods in solving classification problems in two-group discriminant analysis. European Journal of Operational Research, 138, 294-301. Latter, T. (1997). Causes and management of banking crisis. Center for Central Banking Studies Bank of England. No:12. Min, J. H. ve Lee, Y-C. (2005). Bankruptcy prediction using support vector machine with optimal choice of kernel function parameters original recearch article. Expert System With Applications, Volume 28, Issue 4, 603-614. Meyer, P.A. and Piffer, H.W. (1970). Prediction of bank failures. Journal of Finance, 25, 853-868. Pantolone, C. and Platt, M.B. (1987). Predicting commercial bank failure since deregulation. New England Economic Review, 37-47. Özdamar, K. (2002). Paket programlar ile istatistiksel veri analizi. Kaan kitabevi. Eskişehir. Patır, S. (2009). Faktör analizi ile öğretim üyesi değerleme çalışması. Atatürk Üniversitesi İİBF Dergisi, Cilt:23, Sayı:4, 69s. Rose, P.S. and Kolari, J. W. (1985). Early warning systems as a monitoring device for bank conditions. Quarterly Journal of Business and Economics, 24 (1), 43-60. Salchenberger, L. M.,Çınar, M. ve Lash, N. A. (1992). Neural networks: A new tool for predicting thrift failure. Decision Sciences, XXIII (4), 899-916. Shannon, C.E., Weaver W. (1949). The mathematical theory of communication. Chicago and London: University of Illinois Press. Shin, K.S. ve Lee, Y-J. (2002). A genetic algorithm application in bankruptcy prediction modeling original research article. Expert System with Applications, Volume 23, Issue 3, 321-328. Shin, K.S., Lee, T.S. ve Kim H-J. (2005). An application of support vector machines in bankruptcy prediction model original research article. Expert System with Applications, Volume 28, Issue 1, 127-135. Shin, S.W. and Kılıç, S. B. (2006). Using PCA-Based neural network committee model for early warning of bank failure. Lecture Notes in Computer Science Book Series; Advances in Natural Computation 4221/2006, 289-292. Shin, S.W., Lee, K.C. and Kılıç, S. B. (2006). Ensemble prediction of commercial bank failure through diversification of ınput features. Lecture Notes in 40 Computer Science Book Series; Advances in Artificial Intelligence 4304/2006, 887-896. Sinkey, J. (1975). A multivariate statistical analysis of the characteristics of problem banks. Journal of Finance, 30 (1), 21-38. Tam, K. Y. and Kiang, M. Y. (1992). Managerial applications of neural networks: The case of bank failure predictions. Management Science, 38 (7), 926-947. University of Toronto, (2011). Cellular Bioelectricity Laboratuar. http://heart.cbl.utoronto.ca/~berj/projects.html, Erişim Tarihi 12 Kasım 2010. Yim, J. ve Mitchell, H .(2005). Comparison of country risk models:hybrid neural networks, logit models, discriminant analysis and cluster techniques original research article. Expert System With Applications, Volume 28, Issue 1, 137-148. Yurtoğlu, H. (2005). Yapay sinir ağları metodolojisi ile öngörü modellemesi: bazı makroekonomik değişkenler için Türkiye örneği. DPT Uzmanlık tezi, Yayın No:2683, 3-4. Zavgren, C. V. (1985). Assessing the vulnerability to failure of American industrial firms. A logistic analysis. Journal of Business Finance and Accounting, 12 (1), 19-45. 41 ÖZGEÇMİŞ KİŞİSEL BİLGİLER Adı Soyadı : Nuri KIRAÇ Doğum Tarihi : 18.11.1986 Doğum Yeri : Sivas/ Merkez Email adresi : [email protected] EĞİTİM DURUMU 2008-2011 : Yüksek Lisans, Çukurova Üniversitesi Sosyal Bilimler Enstitüsü Ekonometri Anabilim Dalı / Adana 2004-2008 : Lisans, Erciyes Üniversitesi Fen-Edebiyat Fakültesi Matematik Bölümü / Kayseri 2000-2003 : Lise, Mersin Toroslar Lisesi / Mersin
