2005 Gazi Üniversitesi Endüstriyel Sanatlar Eğitim Fakültesi Dergisi Sayı:16, s31-46

Transkript

1 2005 Gaz Ünverstes Endüstryel Sanatlar Eğtm Fakültes Dergs Sayı:16, s31-46 ÖZET BANKALARDA MALİ BAŞARISIZLIĞIN ÖNGÖRÜLMESİ LOJİSTİK REGRESYON VE YAPAY SİNİR AĞI KARŞILAŞTIRMASI 31 Yasemn KESKİN BENLİ 1 Bu çalışmada bankaların mal başarısızlıklarının öngörülmesne yönelk statstksel teknklerden br olan lojstk regresyon ve yapay snr ağı modelne dayanan mal başarısızlık öngörü modeller gelştrlmştr. Çalışma sonucunda yapay snr ağı modelnn mal başarısızlığı öngörme gücünün lojstk regresyon modelnden daha üstün olduğu tespt edlmştr. Dolayısıyla yapay snr ağı modelnn tüm blg kullanıcıları çn mal başarısızlığı öngörmede br araç olarak kullanılableceğ saptanmıştır. Anahtar Kelmeler: Mal Başarısızlık, Fnansal Oranlar, Lojstk Regresyon, Yapay Snr Ağı. ABSTRACT In ths artcle fnancal falure predcton models based on logstc regresson and artfcal neural network model, whch are among the multvarable statstcal technques amed at predctng the fnancal falures of banks are developed. As a result of the study, t has been observed that the power of the artfcal neural network model n terms of predctng fnancal falure was greater than the same respectve power of the logstc regresson model. Therefore, t has been determned that the artfcal neural network model could be used to predct fnancal falure for all nformaton users. Key words: Fnancal Falure, Fnancal Ratos, Logstc Regresson, Artfcal Neural Network. 1.GİRİŞ Türkye de fon akımlarının öneml br bölümü bankacılık kesm üzernden yapılmaktadır. Son yıllarda banka dışı mal kurumların sayı ve büyüklüğü artma eğlmnde olmakla brlkte, bankacılık sektörü toplam mal sektör aktfler çnde yüzde 75 cvarında paya sahp bulunmaktadır. Banka dışı dğer mal kuruluşların öneml br kısmının bankaların ştrakler olduğu göz önüne alındığında mal sektörde bankaların ağırlığının daha da yüksek olduğu görülmektedr (BDDK, 2001:2). Dünyada, 1980 l yılların başından tbaren bankacılık sektöründe yaşanan mal başarısızlık olaylarının arttığı görülmektedr. Dünyada konuya yönelk gerçekleştrlen amprk çalışmalar, genel olarak bankacılık sektöründek mal başarısızlığın, ülke ekonomlerndek makroekonomk çevrenn zayıf olduğu dönemlerde ortaya çıktığını fade etmektedr. 1 Gaz Ünverstes, Endüstryel Sanatlar Eğtm Fakültes, İşletme Bölümü, 06500, Beşevler/Ankara, ykeskn@gaz.edu.tr

2 32 Özellkle, düşük ekonomk büyüme le, enflasyon ve gerçek faz oranlarının yüksek olduğu, yetersz yasal düzenlemelern yanında doğrudan tasarruf mevduatı sgortası uygulayan ülkelerde rsk artmaktadır (Demrgüç ve Detragache, 1999). Benzer bçmde, Hutchson ve McDll (1999), fnansal lberalleşme le brlkte doğrudan tasarruf mevduat sgortası uygulamalarının ahlak çöküntü problem yaratarak banka krz olasılığını arttırdığını vurgulamaktadır ( Türkye de de, ekonomk büyümenn düşük, enflasyonun ve gerçek faz oranlarının yüksek olduğu, yetersz yasal düzenlemelern yanında, fnansal lberalleşme le brlkte doğrudan tasarruf mevduat sgortası uygulamaları gözlemlemek mümkündür. Dolayısı le bu güne kadar Türk Bankacılık Sstem çnde yer alan tüm bankalar aynı olumsuz makroekonomk koşullarla karşı karşıya kalmıştır. Ancak sstem çersnde bazı bankalar, tüm bu olumsuz makroekonomk koşullara rağmen ayakta kalmayı başarmış ve sağlıklı olarak faalyetn sürdürmüştür. Bu nedenle, mal başarısızlığa sürüklenen (Tasarruf Mevduat Sgorta Fonuna devredlen) probleml bankaların başarısızlığı, olumsuz makroekonomk koşulların yanı sıra, büyük oranda yönetmsel sorunlardan ve rsk yönetm sstemlernn yeternce uygulanamamasından kaynaklanmaktadır ( Mal başarısızlığın tahmnne yönelk olarak lk yapılan çalışmalar, tek değşkenl modellerdr (Tamar, 1966; Beaver, 1967;1968). Tek değşkenl modeller fnansal oranları tek tek ele alarak mal başarısızlığı tahmn etmeye çalıştıkları çn, ncelenen oranlara göre çelşkl sonuçlar üretmektedrler. Bu sorunun gderlmes çn olayları çok boyutlu ele alan çok değşkenl modeller kullanılmıştır. Altman (1968) çalışmasında çoklu dskrmnant analzn kullanmış; bu modelle şletmeler mal açıdan başarısız ve başarısız olmayan şletmeler şeklnde br sınıflandırma le lk yıl çn % 95 tahmn başarısı göstermştr. Çok değşkenl statstk modeller kullanan dğer öneml çalışmalar; Çoklu dskrmnant modeln kullanan Deakn (1972), Altman ve Lors (1976), Altman, Haldeman, Narayanan (1977), Taffler ve Tsshaw (1977); Lojt modeln kullanan Ohlson (1980), Zavgren (1985), Hng ve Lau (1987); Probt modelnn kullanıldığı Zmjewsk (1984); Çoklu regresyon modelnn kullanıldığı Meyer ve Pfer (1970) olarak sayılablr. Ülkemzde se mal başarısızlığın tahmnne yönelk olarak Göktan (1981), Ağaoğlu (1989), Aktaş (1993), Ganamukkala ve Karan (1996), Kısa (1997) tarafından yapılan çalışmalar le yapay snr ağı modelnn kullanıldığı Yıldız (2001), Keskn Benl (2002) ve Aktaş vd., (2003) çalışmaları öneml çalışmalar olarak sayılablr. Bu çalışmada da lojstk regresyon ve yapay snr ağı model kullanılarak, bankalarda mal başarısızlığın öngörme gücünün tespt edlmes amaçlanmıştır. Çalışma sonucunda da yapay snr ağı modelnn mal başarısızlığı öngörme gücünün lojstk regresyon modelnden daha üstün olduğu tespt edlmştr. Çalışmanın örnek setn, dönemnde Bankacılık Düzenleme ve Denetleme Kurumu tarafından Tasarruf Mevduat Sgorta Fonuna devredlen on yed özel sermayel tcaret bankası le yrm br faalyetn sürdüren özel sermayel tcaret bankası verler oluşturmaktadır.

3 33 2.YÖNTEM Bankalarda mal başarısızlığın öngörülmesnde kullanılan lojstk regresyon ve yapay snr ağı modelne lşkn teork çerçeve aşağıdak gbdr. 2.1.LOJİSTİK REGRESYON Brmlern brlkte meydana gelmeyen-brbrn engelleyen k gruptan brne sınıflandırılmasına yarayan statstksel yöntemlerden br lojstk regresyon analz olarak blnmektedr (Özdnç, 1999:105). Lojstk regresyon analz gruplandırma analzlernde sık kullanılan br statstksel teknktr. Çok değşkenl normal dağılım varsayımına htyaç göstermemes yöntemn bağıl br üstünlüğü olarak ele alınmaktadır (Özdnç, 1999:106). Lojstk regresyon yöntemnn dğer br üstünlüğü se grup üyelğne lşkn olasılıkların belrleneblmesdr. Lojstk regresyon model normal dağılım yerne lojstk kümülatf yoğunluk dağılımını kullanmaktadır (Bolak, 1986:92-93). Lojt brkml olasılık fonksyonu veya dğer adıyla lojstk regresyon foksyonu doğrusal olasılık fonksyonunun hata kavramı olan U nun brkml lojstk dağılım gösterdğn varsaymaktadır (Aktaş, 1993:46). Brkml olasılık fonksyonu aşağıdak gb fade edleblr (Aktaş, 1993:46): m Ρ = F ( β + ) = F( Ζ ) (1) 0 β j xj j= 1 Burada, F herhang br brkml olasılık fonksyonunu temsl etmektedr. Lojt fonksyonu şu şeklde fade edleblr. Ζ F( Ζ ) = 1/(1+e ) m ( β + ) = 1/ (1+e β j xj 0 ) veya (2) j = 1 F( Ζ ) = exp( Ζ ) / (1+exp( Ζ )) olarak da fade edleblr. Dolayısıyla, log F( Ζ ) /(1-F( Ζ )) = m Ζ veya Log F( Ζ )/(1-F( Ζ )) = β 0 + β j xj fadeler elde edleblr. (3) j= 1 Yukarıdak fadelerde, β model katsayıları, X se açıklayıcı değşkenlerdr. Eğer F ( Ζ ) = P = Prob (Y = 1) olarak fade edlecek olursa lojstk regresyon model çn m β 0 β Log P /(1-P ) = + eştlğne erşlecektr. j= 1 j xj

4 34 Yukarıda prob (y = 1) fades, bağımlı değşkenn değernn 1 olması olasılığını göstermektedr. Eğer mal başarısızlık = 0; mal başarı = 1 olarak alınırsa yukarıdak fade mal başarının olasılığını, ters durumda mal başarısızlığın olasılığını gösterecektr YAPAY SİNİR AĞI Son yıllarda blgsayar teknolojs büyük br hızla gelşmekte, şlem hızı ve kapastes çok yüksek blgsayarların üretm mümkün olmaktadır. Çok karmaşık hesaplamaların göz açıp kapayıncaya kadar yapılmasına olanak tanıyan bu yüksek teknolojye rağmen nsanların çok kolaylıkla yerne getrebldğ el yazısı tanıma, konuşma tanıma, görme gb şlevlern blgsayarlar tarafından otomatk olarak gerçekleştrlmes konusunda yeterszlk vardır. Bu gerçek blm adamlarını klask anlamdak blgsayarlardan farklı alternatf blg şleme sstemler gelştrmeye yöneltmş, doğal olarak bu konudak lk adımlardan br de nsan beynnn çalışmasıyla lgl brtakım byolojk bulgulardan faydalanmaya çalışmak olmuştur. Nörofzyologların, pskologların çalışmalarından elde edlen sonuçlardan faydalanarak nsan beynndek snr ağlarının yapısal ve şlevsel özellklernn baste ndrgenp matematksel olarak modellenmesne çalışılmıştır. Bu matematksel modellere snr ağları denmektedr (Sungur, 1995:). Yapay snr ağları çok değşkenl ve değşkenler arasındak karmaşık, karşılıklı etkleşmn bulunduğu veya tek br çözüm kümesnn bulunmadığı durumlarda başarılı sonuçlar üreten br yapay zeka teknolojsdr. Bu özellkler nedenyle yapay snr ağı teknolojs mal başarısızlık alanında kullanıma uygun br araç olarak görülmektedr (Salchenberger, Çınar ve Lash, 1992; Wlson ve Chong, 1995; Koh ve Tan, 1999; Yıldız, 2001:53). Yapay snr ağı araştırmaları nörofzyolog ve pskolog çn nsan beynnn şlevlern açıklayablme amacına yönelktr. Mühendsler açısından se yapay snr ağları öncelkle alternatf br hesaplama aracıdır. Ancak bu k araştırma motvasyonu arasında sıkı br bağ vardır. Nörofzyolojk bulgular yen matematksel modellern gelştrlmes çn esn kaynağı teşkl ederken gelştrlen matematksel modeller üzernde yapılan çalışmaların ve uygulamaların sonuçları da nörofzyolojk araştırmalara yön vereblecek ntelktedr. İlk tcar yapay snr ağının gelştrcs olan Robert Hecht-Nelsen (1989) yapay snr ağını dışarıdan gelen grdlere dnamk olarak yanıt oluşturma yoluyla blg şleyen, brbryle bağlantılı bast elemanlardan oluşan blg şlem sstem olarak tanımlamaktadır (Yıldız, 2001:53). Başka br fade le yapay snr ağları, her br kend belleğne sahp olan, şlem yapablen ve tek yönlü snyal kanalları le brbrlerne bağlanmış br çok bast şlem elemanından (yapay nörondan) oluşan, paralel ve dağınık tek veya çok katmanlı br blg şlem sstem olarak tanımlanır (Gülseçen, 1995:54). Br yapay snr ağının yapısında, brbrleryle bağlantılı snrlern yer aldığı grd katmanı, çıktı katmanı ve gzl katman olmak üzere temelde üç katman bulunmaktadır. Grd katmanı lk katmandır ve dışarıdan gelen verlern yapay snr ağına alınmasını sağlar. Bu verler statstkte bağımsız değşkenlere karşılık gelr. Son katman çıktı katmanı olarak adlandırılır ve blglern dışarıya letlmes şlevn yapar. Çıktı değşkenler de statstkte bağımlı değşkenlere karşılık gelr. Modeldek dğer katmanlar se grd katmanı le çıktı katmanı arasında yer alır ve gzl katman olarak adlandırılır. Gzl katmanda bulunan

5 snrlern dış ortamla bağlantıları yoktur. Yalnızca grd katmanından gelen snyaller alırlar ve çıktı katmanına snyal gönderrler. Gzl katmandak gzl nöronların sayısının seçm oldukça önemldr. Ağın büyüklüğünün tanımlanması, ağın performansının blnmes açısından önem taşımaktadır. Gzl nöronların ve katmanlarının sayısının artırılması ya da azaltılması, ağın bast ya da karmaşık br yapıda olmasını etklemektedr. Br yapay snr ağındak en öneml unsurlardan br de nöronların brbrlerne ver aktarmalarını sağlayan bağlantılardır. Herhang br () nöronundan (j) nöronuna blg leten br bağlantı aynı zamanda br ağırlık (w j ) değerne sahptr. Ağırlıklar br nöronda grd olarak kullanılacak değerlern görecel kuvvetn gösterr. Yapay snr ağı çnde tüm bağlantıların farklı ağırlık değerler bulunmaktadır. Böylelkle ağırlıklar her şlem elemanının her grds üzernde etk yaparlar (Yıldız, 2001:54). Şekl 1 de verlen yapay snr ağı yapısında X le grdler, h le gzl katmandan gelen çıktılar ve Y le de sonuçta elde edlen çıktılar gösterlmştr (Güner, 2001:17). 35 Grd X Gzl h Çıktı Y X h Y X h Y X h ŞEKİL 1. YAPAY SİNİR AĞI YAPISI Y Yapay snr ağı modelnde snrler arasındak bağlantıların ağırlık değerler uygulamanın başında SPSS paket programında rastgele olarak üretlr. Ağ, bu değerler kullanılarak test edlmektedr. Ver setnde yer alan verler rastgele olarak eğtm, geçerllk ve test set olmak üzere üç bölüme ayrılmaktadır. Eğtm set, ağın eğtmne yönelk olarak verlern ağırlıklarına uygun olan öğrenme çn kullanılmaktadır. Geçerllk set, br sınıflandırıcının ağırlıklarına uygun olarak kullanılır. Örneğn, yapay snr ağındak gzl katman sayısını seçmek çn geçerllk set kullanılır. Test set se eğtmn uygulanmasının performansını ölçmede

6 36 kullanılır. Ver setnn % 80 n eğtm set, % 10 unu geçerllk set, % 10 unu da test set oluşturmaktadır. Verler karar ya da önerlere eşt katkıda bulunduğundan ölçü brm etksnden arındırılmak çn standartlaştırılır. Kullanılan paket program lk aşamada verler standartlaştırır. Daha sonra geçş fonksyonu seçlr. Bu çalışmada geçş fonksyonu sgmod fonksyon olarak seçlmştr. Gerçek çıktı değerler le arzu edlen çıktı değerler arasındak farklılık ölçülür ve sonuca göre ağ modelnn bağlantı ağırlıkları değşr. Bağlantı ağırlıkları sonucu oluşan ger dönüş geçş çıktı katmanlarının bağlantıları le başlayan ve grd katmanlarının bağlantıları le sona eren ağın üretlmesyle gerçekleşr. Br katmandak snr sayısı ağlar tarafından otomatk olarak seçleblr ya da bağlantılı olarak düzenleneblr. Br çok durumda snrlern sayısını artırmak eğtm verler üzerndek çoklu katman ağlarının performansını gelştrr. Br problemdek gzl katmanların sayısının etksn değerlendrmek çn geçerllk verlernn performansına bakılır. Ağ yapısının performansını ölçmek çn mutlak hata ortalaması (M.H.O) ve hata kareler ortalaması (H.K.O) kullanılmaktadır. Buna göre mutlak hata ortalaması ve hata kareler ortalamasının en küçük olduğu değer, alınması gereken gzl katman sayısını belrlemektedr. Başarısızlıktan br yıl önces çn gzl katman sayısı 1 olarak bulunmuştur. Ağın eğtm çn terasyon gerçekleştrlmştr. Yapay snr ağı analz sonucunda eğtm, geçerllk ve test set çn doğru sınıflandırma tabloları elde edlmştr. Bu sonuçlar brleştrldğnde yapay snr ağı uygulamasına göre başarısızlıktan br yıl önces çn sınıflandırma tablosu elde edlmş olur. 3. DEĞİŞKENLERİN TANIMI VE VERİ KAYNAKLARI Çalışmanın örnek setn otuz sekz adet özel sermayel tcaret bankası oluşturmaktadır Temmuz ayı sonuna kadar toplam on sekz banka Bankacılık Düzenleme ve Denetleme Kurumu tarafından Tasarruf Mevduat Sgorta Fonuna devredlmştr. T.M.S.F. na devredlen Ulusal Banka nın verlerne ulaşılamadığından çalışma otuz sekz adet özel sermayel tcaret bankası le sürdürülmüştür dönemnde fona devredlen on yed banka, devredlş tarhler le brlkte Tablo 1 de verlmştr (BDDK, 2001:15; ( )). Yrm br banka se faalyetn sürdüren bankalar olarak belrlenmştr.

7 37 Tablo 1. Çalışmada Kullanılan Bankalar FAALİYETİNİ SÜRDÜREN FONA DEVREDİLME YIL 1 BANKALAR TARİHİ 1-Adabank A.Ş Akbank T.A.Ş Alternatf Bank A.Ş Anadolubank A.Ş Brleşk Türk Körfez Bankası A.Ş Fba Bank A.Ş Fnans Bank A.Ş Koçbank A.Ş MNG Bank A.Ş Oyak Bank A.Ş Pamukbank T.A.Ş Şekerbank T.A.Ş Tekstl Bankası A.Ş Toprakbank A.Ş Turksh Bank A.Ş Türk Dış Tcaret Bankası A.Ş Türk Ekonom Bankası A.Ş Türkye Garant Bankası A.Ş Türkye İmar Bankası T.A.Ş Türkye İş Bankası A.Ş Yapı ve Kred Bankası A.Ş TAS.MEVD.SİG.FONU.DEVR.BNK.. 1-Bank Ekspres A.Ş. 12 ARALIK Bank Kaptal Türk A.Ş. 27 EKİM Demrbank T.A.Ş. 6 ARALIK Egebank A.Ş. 22 ARALIK Eskşehr Bankası T.A.Ş. 22 ARALIK Etbank A.Ş. 27 EKİM Interbank 7 OCAK Sümerbank A.Ş 22 ARALIK Türk Tcaret Bankası A.Ş. 6 KASIM Yaşarbank A.Ş. 22 ARALIK Yurt Tcaret ve Kred Bankası A.Ş. 22 ARALIK Bayındırbank A.Ş. 9 TEMMUZ Ege Gym Sanaycler Bankası A.Ş. 9 TEMMUZ İktsat Bankası T.A.Ş. 15 MART Kentbank A.Ş. 9 TEMMUZ Stebank A.Ş 9 TEMMUZ Mll Aydın Bankası T.A.Ş. 9 TEMMUZ

8 38 Faalyetn sürdüren bankalar 1, fona devredlen bankalar se 0 le fade edlmştr. Eğer br banka bankacılık düzenleme ve denetleme kurumu tarafından yenden yapılandırma uygulamaları çerçevesnde Tasarruf Mevduat Sgorta Fonu (TMSF) bünyesne devredlmş se söz konusu banka mal başarısızlığa uğramış olarak kabul edlmştr. Çalışmada (-1) bankanın TMSF ye devredlmeden öncek lk yılıdır. Yan mal başarısızlığa düşmeden br yıl öncey göstermektedr. Bu nedenden dolayı da çalışmada, fona devredlmeden br yıl öncesne at fnansal oran verler dkkate alınarak erken uyarı sstemler gelştrlmş, lojstk regresyon ve yapay snr ağı model le bu sstemlern tahmn gücü (-1) yılı çn sınanmıştır. Çalışmada kullanılan verler Türkye Bankalar Brlğ web stesnden elde edlmştr ( 2005). Türkye Bankalar Brlğ, Türk bankacılık sektöründen faalyet gösteren bankalara at dönemn kapsayan 49 adet fnansal oran yayınlamaktadır. Çalışmada analze dahl edlecek oranların seçmnde, tek değşkenl varyans analz test uygulanarak elde edlen 12 oran seçlmştr ( ( )). Dğer oranlar analz dışı bırakılmıştır. Çünkü bu oranlar br yıl önces dkkate alındığında k grup arasında farklılık göstermemektedr. Dğer br değşle k grubu brbrnden ayırt etme özellğne sahp değldr ( ( )). Buna göre çalışmada kullanılan fnansal oranlar Tablo 2 de verlmştr. Tablo 2. Çalışmada Kullanılan Fnansal Oranlar X 1 - Sermaye Standart Rasyosu X 2 - (Özkaynak + Kâr) / T.Aktfler X 3 - (Özkaynak + Toplam Kâr) / (Mevd. + Mev.Dışı Kay.) X 4 - Net Çalışma Sermayes / T.Aktfler X 5 - (Özkaynak + Toplam Kâr) / (T.Aktfler + Gayrnakd Kredler) X 6 - Lkt Aktfler / T.Aktfler X 7 - Lkt Aktfler / (Mevduat + Mev.Dışı Kay.) X 8 - Faz Gelrler / Faz Gderler X 9 - Faz Gderler / Ort.Götürülü Aktfler X 10 - Faz Gderler / Ort.Getrl Aktfler X 11 - Faz Gderler / T.Gderler X 12 - Personel Gder + Kıdem Tazm.) / Personel Sayısı (Mlyar TL) Lojstk regresyon analznde SPSS statstk paket programından, yapay snr ağı analz çn de Neural Connecton Verson 2.0 paket programdan yararlanılmıştır. Lojstk regresyon analznde forward-condtonal yöntem kullanılarak on k fnansal oran çersnden statstksel olarak anlamlı tahmn gücü olan oranlar seçlmştr. Fakat aynı durum yapay snr ağı teknolojs çn kullanılamamıştır. Çünkü, mal başarısızlığın öngörülmesnde yapay snr ağı teknolojs kullanılırken elde edlen modele lşkn katsayılar (bağımsız değşkenler) ağın çndek ağırlıklar üzernde kaldığı çn ağırlıklar yorumlanamamıştır. Bu nedenle katsayılara dayalı olarak br tahmn model kurulamamıştır bu da yapay snr ağı modelnn br dezavantajı olarak söyleneblr.

9 39 4.AMPİRİK SONUÇLAR Başarısızlıktan br yıl önces verler kullanılarak yapılan lojstk regresyon analznde elde edlen modelde X 10 fnansal oranı yer almıştır. Elde edlen lojstk regresyon model şöyledr: Lojstk Regresyon Model = LogP /(1-P ) = Z = X 10 Buradan, P = 1/(1+e -Z ) bulunur. Lojstk regresyon modeln kullanarak mal başarı olasılıklarını bulablmek çn bankaların tümünün X 10 fnansal oranları hesaplandıktan sonra eştlğn sağ tarafındak katsayılar le çarpıldıktan sonra Z değerler bulunmalıdır. Daha sonra elde edlen Z değerler yukarıda açıklanan P denklemdek yerne konularak P mal başarı olasılıkları her banka çn bulunablecektr. Kopuş değer 0.50 olarak alındığında P değer kopuş değernden büyükse banka 1 (başarılı), küçükse 0 (başarısız) kabul edlr. Daha sonra bu tahmn değerler gerçek değerler le karşılaştırılır ve gerçek değer 1 olanlar 1, 0 olanlar 0 tahmn edlmşse bu tahmnler doğru, dğer durumlar yanlış kabul edlr. Modeln mal başarıyı tahmn gücü Tablo 3 de görüldüğü gbdr. Tablo 3. Br Yıl Önces İçn Lojstk Regresyon Model Başarısı Gerçek Tahmn Başarısız (0) Başarılı (1) Toplam Başarı oranı % Başarısız (0) Başarılı (1) Toplam Kopuş noktası 0.50 olarak alındığında başarısız bankalar çn % 76.5 doğru sınıflandırma yapan lojstk regresyon model, başarısız bankalardan dört tanesn başarılı olarak yanlış tahmn etmştr. Bu bankalar, Bank Expres A.Ş., Bayındırbank A.Ş., Kentbank A.Ş. ve Sümerbank A.Ş. dr. Başarılı bankalar çn se % 90.5 doğru sınıflandırma yapan lojstk regresyon model, başarılı bankalardan k tanesn başarısız olarak yanlış tahmn etmştr. Bu bankalar Türksh Bank A.Ş. ve Türkye İmar Bankası T.A.Ş. dr. Modeln genel performansı % 84.2 olarak bulunmuştur. Hatalı tahmn edlen banka sayısı 6 olarak bulunmuştur. Başarısızlıktan br yıl önces verler kullanılarak yapılan yapay snr ağı analznde problemn model 12 grd katmanından ve 1 çıktı katmanından oluşmaktadır. Gzl katman sayısını belrlemek çn uygulamada önce gzl katman sayısı 1 alınarak model çn hatalar hesaplanmıştır. Daha sonra gzl katmanların sayısı artırılmış ve geçerllk verlerne lşkn hata kareler ortalaması (H.K.O) ve mutlak hata ortalaması (M.H.O) hesaplanmıştır. Bu sonuçlar Tablo 4 de verlmştr.

10 40 Tablo 4. Gzl Katman Sayısının Belrlenmesnde Başarısızlıktan Br Yıl Önces İçn Oluşturulan Modellern Sonuçları Model H.K.O M.H.O Başarısızlıktan br yıl önces çn Tablo 4 ncelendğnde, 1 gzl katmanlı modeln (12-1-1) hata kareler ortalamasının olduğu görülmektedr. Gzl katman sayısı arttırıldığında hata kareler ortalaması değerler 5. gzl katmana kadar artmakta, 5. gzl katmanda düşmektedr. Mutlak hata ortalamasına baktığımızda se artmaktadır. Buna göre başarısızlıktan br yıl önces çn tahmn modelnn oluşturulmasında hata kareler ortalaması ve mutlak hata ortalamasının en düşük olduğu katman olan 1 gzl katmanlı model ( model) en küçük hata değerne sahp olduğundan model olarak seçlmştr. Gzl katmanların sayısı arttırıldığında her br yen gzl katman ver setndek özellklerden brn daha göstermeye başlayacağından geçerllk setndek ağ performansı da artar. Çok sayıda tabaka eklendğnde performansta br azalma görüleblr. Bunun neden genel güçtek kayıptır ve bu durumda ağ verlerden gürültü öğrenmeye başlar. Geçerllk set üzernde hata ölçümler yapılarak aşırı öğrenmenn tehlkes azaltılmış olur (Neural Connecton Verson ; Güner, 2001:47). Ağın eğtm çn terasyon gerçekleştrlmştr. Matrste satırlar bankaların mevcut durumunu gösterrken sütunlar modeln yaptığı sınıflamaları göstermektedr. Son sütun se modeln sınıflamada bulunduğu örneklem çn doğru tahmn başarısını göstermektedr. Son sütunun en altındak değer se modeln genel performansıdır. Ver setnn % 80 n eğtm set, % 10 unu geçerllk set, % 10 unu da test set oluşturmaktadır. Buna göre 30 banka eğtm setne, 4 banka geçerllk setne ve 4 banka da test setne tab tutulmuştur. Başarısızlıktan br yıl önces tahmn modelnn oluşturulmasında 1 gzl katmanlı model eğtm, geçerllk ve test setne tab tutularak sınıflandırma tabloları belrlenmştr. Sonuçlar aşağıdak tablolarda verlmştr.

11 41 Tablo 5. Başarısızlıktan Br Yıl Önces İçn Oluşturulan Modeln Eğtm Set İçn Sınıflandırması (12-1-1) Gerçek Tahmn Başarısız (0) Başarılı (1) Toplam Başarı oranı % Başarısız (0) Başarılı (1) Toplam Kopuş noktası 0.50 olarak alındığında eğtm set çn genel performans % olarak bulunmuştur. Tablo 6. Başarısızlıktan Br Yıl Önces İçn Oluşturulan Modeln Geçerllk Set İçn Sınıflandırması (12-1-1) Gerçek Tahmn Başarısız (0) Başarılı (1) Toplam Başarı oranı % Başarısız (0) Başarılı (1) Toplam Kopuş noktası 0.50 olarak alındığında geçerllk set çn genel performans % 100 olarak bulunmuştur. Tablo 7. Başarısızlıktan Br Yıl Önces İçn Oluşturulan Modeln Test Set İçn Sınıflandırması (12-1-1) Gerçek Tahmn Başarısız (0) Başarılı (1) Toplam Başarı oranı % Başarısız (0) Başarılı (1) Toplam Kopuş noktası 0.50 olarak alındığında test set çn genel performans % 100 olarak bulunmuştur.

12 42 Eğtm, geçerllk ve test setler çn elde edlen sonuçlar brleştrldğnde yapay snr ağı uygulamasına göre Tablo 8 elde edlmş olur. Tablo 8. Başarısızlıktan Br Yıl Önces İçn Oluşturulan Modeln Yapay Snr Ağı Uygulamasına Göre Sınıflandırması (12-1-1) Gerçek Tahmn Başarısız (0) Başarılı (1) Toplam Başarı oranı % Başarısız (0) Başarılı (1) Toplam Tablo 8 ncelendğnde model, başarılı bankalar çn % 90.5 doğru sınıflandırma yapmıştır, başarılı bankalardan k tanesn başarısız olarak yanlış sınıflandırmıştır. Başarısız bankalar se % 82.4 oranında doğru olarak tahmn edlmştr. Başarısız bankalardan üç tanes başarılı olarak yanlış sınıflandırmıştır. Modeln başarısızlıktan br yıl önces çn genel performansı % 87 olarak bulunmuştur. Bankaların heps çn br çıktı değer hesaplanmıştır. Modeln başarısını saptarken her banka çn hesaplanmış çıktı değerlernn kopuş değer olarak ele alınan 0.50 değer le karşılaştırılması gerekmektedr. İncelenen banka çn tahmn değer kopuş değernden küçükse söz konusu banka 0 (başarısız), büyükse 1 (başarılı) olarak yorumlanır. Daha sonra bu tahmn değerler gerçek değerler le karşılaştırılır ve gerçek değer 1 olanlar 1, 0 olanlar 0 tahmn edlmşse bu tahmnler doğru, dğer durumlar yanlış kabul edlr. Buna göre başarısız bankalardan Bank Expres A.Ş., Bayındırbank A.Ş., ve Kentbank A.Ş. başarılı olarak yanlış tahmn edlmştr. Başarılı bankalardan Toprakbank A.Ş. ve Türkye İmar Bankası T.A.Ş se başarısız olarak yanlış tahmn edlmştr. Hatalı tahmn edlen banka sayısı 5 olarak bulunmuştur. Lojstk regresyon ve yapay snr ağı modellernn doğru sınıflandırma tahmn gücü karşılaştırıldığında Tablo 9 elde edlmştr. Tablo 9. Gelştrlen Modellern Doğru Sınıflandırma Tahmn Gücü Lojstk Regresyon Yapay Snr Ağları Başarısız % Başarılı % Genel % Başarısız % Başarılı % Genel % Tablo 9 a göre genel sınıflandırma başarılarını nceledğmzde yapay snr ağı modelnn doğru sınıflandırma oranı % 87 dr, lojstk regresyon modelnn se % 84.2 dr. Yapay snr ağı model, lojstk regresyon modelnden daha yüksek doğru sınıflandırma yapmıştır. Elde edlen sonuçlar daha önce yapılan bu konudak çalışmaları destekler

13 ntelktedr (Aktaş vd., 2003; Keskn Benl, 2002; Yıldız, 2001). Dolayısıyla yapay snr ağı model tüm blg kullanıcıları çn mal başarısızlığı öngörmede br araç olarak kullanılablecektr. Yapay snr ağı modelnn başarısız bankaları doğru tahmn etme gücü % 82.4, lojstk regresyon modelnn se % 76.5 olarak bulunmuştur. Buradan da görüldüğü üzere yapay snr ağı modelnn başarısız bankaları doğru tahmn başarısı lojstk regresyon modelne göre yüksek çıkmıştır. Buna göre, uygulamalarda genellkle lojstk regresyon modeller mal başarısızlık tahmnnde kullanılırken ve yüksek doğru tahmn değerlerne ulaşırken, yapay snr ağı modelnn de bankalar çn yapılacak mal başarısızlık tahmn çalışmalarında kullanılableceğ söyleneblr. Kullanılan modellerde hatalı tahmn edlen banka sayılarına bakıldığında, yapay snr ağı modelnde 5 ken, lojstk regresyon modelnde 6 dır. Bu sonuç ta yapay snr ağı modelnn daha az hata payı le tahmn gücüne sahp olduğunu göstermektedr. Her k modelde de başarısız bankalardan Bank Expres A.Ş., Bayındırbank A.Ş., ve Kentbank A.Ş. başarılı olarak hatalı tahmn edlmştr. Yne başarılı banka olarak belrledğmz Türkye İmar Bankası T.A.Ş. her k modelde de başarısız olarak hatalı tahmn edlmştr. 5. SONUÇ Bu çalışmada, dönemnde Bankacılık Düzenleme ve Denetleme Kurumu tarafından Tasarruf Mevduat Sgorta Fonuna devredlen on yed özel sermayel tcaret bankası le yrm br faalyetn sürdüren özel sermayel tcaret bankası verler kullanılmıştır. Mal başarısızlıklarının öngörülmesne yönelk statstksel teknklerden br olan lojstk regresyon ve yapay snr ağı modelne dayanan mal başarısızlık öngörü modeller gelştrlerek, modellern mal başarısızlığı tahmn gücü karşılaştırılmıştır. Buna göre genel sınıflandırma başarılarını nceledğmzde yapay snr ağı modelnn doğru sınıflandırma oranı % 87 dr, lojstk regresyon modelnn se % 84.2 dr. Yapay snr ağı modelnn başarısız bankaları doğru tahmn etme gücü % 82.4, lojstk regresyon modelnn se % 76.5 olarak bulunmuştur. Yapay snr ağı modelnn mal başarısızlığı öngörme gücünün lojstk regresyon modelnden daha üstün olduğu tespt edlmştr. Kullanılan modellerde hatalı tahmn edlen banka sayılarına bakıldığında se, yapay snr ağı modelnde 5 ken, lojstk regresyon modelnde 6 dır. Bu sonuç ta yapay snr ağı modelnn daha az hata payı le tahmn gücüne sahp olduğunu desteklemektedr. Çalışma sonuçlarına göre uygulamalarda genellkle lojstk regresyon modeller mal başarısızlık tahmnnde kullanılırken ve yüksek doğru tahmn değerlerne ulaşırken, yapay snr ağı modelnn de bankalar çn yapılacak mal başarısızlık tahmn çalışmalarında kullanılableceğ söyleneblr. 43

14 44 KAYNAKLAR AĞAOĞLU, A. (1989). Türkye de Banka İşletmelernn Ekonomk Analz ve Gelşme Eğlmler, (Yayımlanmamış Doktora Tez), Ankara: Ankara Ünverstes Sosyal Blmler Ensttüsü. AKTAŞ, R. (1993). Endüstr İşletmeler İçn Mal Başarısızlık Tahmn, Ankara, Türkye İş Bankası Kültür Yayınları Yayın No:323. AKTAŞ, R., DOĞANAY, M.M., YILDIZ, B.(2003). Mal Başarısızlığın Öngörülmes: İstatstksel Yöntemler ve Yapay Snr Ağı Karşılaştırılması, Syasal Blgler Fakültes Dergs, 58 (4): ALTMAN, E.I. (1968). Fnancal Ratos, Dscrmnant Analyss and The Predcton of Corporate Bankruptcy, The Journal of Fnance, XXIII (4): ALTMAN, E.I., LORIS, B. (1976). A Fnancal Early Warnng System for Over The Counter Broker- Dealers, The Journal of Fnance, XXXI (4): ALTMAN, E.I., HALDEMAN, R.G., NARAYANAN, P. (1977). Zeta Analyss, Journal of Bankng and Fnance, 1: Bankacılık Düzenleme ve Denetleme Kurumu. (2001). Bankacılık Sektörü Yenden Yapılandırma Programı, 15 Mayıs: BEAVER, W.H. (1967). Fnancal Ratos as Predctors of Falure, Emprcal Research n Accountng: Selected Studes 1966, Journal of Accountng Research/Supplement, V, January: BEAVER, W.H. (1968). Market Prces, Fnancal Ratos and Predcton of Falure, Journal of Accountng Research, Sonbahar: BOLAK, M. (1986). Fnansal Başarının Ölçülmes çn Çok Değşkenl Br Analz Yöntem ve Sektörel Br Uygulama, (Yayımlanmamış Doktora Tez), İstanbul: İstanbul Teknk Ünverstes. CANBAŞ, S., ÇABUK, A., KILIÇ, S.B. (2005). Bankaların Fnansal Yapısının Çok Değşkenl İstatstksel Yönteme Dayalı Analz ve Mal Başarısızlık Tahmn: Türkye Uygulaması, ( ( ). DEAKIN, E.B. (1972). A Dscrmnant Analyss of Predctors of Busness Falure, Journal of Accountng Ressearch, X, Sprng: DEMİRGÜÇ-KUNT, A., DETRAGİACHE, E. (1999). The Determnants of Bankng Crses n Developng and Developed Countres, IMF Staff Papers, 45 (1), Mart.

15 GANAMUKKALA, V.C., KARAN, M.B. (1996). Predcton of Fnancally Unsuccessful Companes Usng MDA and MRA Technques: An Emprcal Study on Istanbul Stock Exchange, METU Studes n Development, XXIII (3): GÖKTAN, E. (1981), Muhasebe Oranları Yardımıyla ve Dskrmnant Analz Teknğn Kullanarak Endüstr İşletmelernn Mal Başarısızlığının Tahmn Üzerne Amprk Br Araştırma, (Yayınlanmamış Doçentlk Tez), Ankara. GÜLSEÇEN, S. (1995). Yapay Snr Ağları le Fnansal Uygulamalar ve Dövz Kuru Tahmn İçn Br Öner, 4.Türk Yapay Zeka ve Yapay Snr Ağları Sempozyumu Bldrler, Hazran. (TAINN 95): GÜNERİ, N. (2001). Öğrenc Başarısızlıklarının Analznde Snr Ağları Yaklaşımının Lojstk Regresyon Analz İle Karşılaştırılması, (Yayınlanmamış Yüksek Lsans Tez), Ankara: Ankara Ünverstes. HECHT-NEILSEN, R. (1989). Neurocomputng, Massachusetts, Addson-Wesley Pub. Comp. HING, A., LAU, L. (1987). A Fve-State Fnancal Dstress Predcton Model, Journal of Accountng Research, XXV (1): HUTCHISON, M., MCDILL, K. (1999). Are All Bankng Crses Alke? The Japanese Experence In Internatonal Comparson, NBE Workng Paper, 7253, Temmuz. KESKİN BENLİ, Y. (2002). Fnansal Başarısızlığın Tahmnnde Yapay Snr Ağı Kullanımı ve İMKB de Uygulama, Muhasebe Blm Dünyası Dergs, 4 (4): KISA, T. (1997). Bankaların Mal Başarısızlığını Tahmnne Yönelk Çok Boyutlu Model, (Yayınlanmamış Doktora Tez), Ankara: Gaz Ünverstes Sosyal Blmler Ensttüsü. KOH, H.C., TAN, S.S. (1999). A Neural Network Approach to the Predcton of Gong Concern Status, Accountng and Busness Research, XXIX (3): MEYER, P.A., PİFER, H.W. (1970). Predcton of Bank Falures, Journal of Fnance, XXV (4): OHLSON, J.A. (1980). Fnancal Ratos and the Probablstc Predcton of Bankruptcy, Journal of Accountng Research, XVIII (1): ÖZDİNÇ, Ö. (1999). Derecelendrme Sürecnde Ekonometrk Br Değerlendrme, Ankara, Sermaye Pyasası Yayın Kurulu Yayın No:130, Mayıs. SALCHENBERGER, L.M., ÇINAR, M., LASH, N.A. (1992). Neural Networks: A New Tool for Predctng Thrft Falure, Decson Scences, XXIII (4): SUNGUR, M. (Ed.) (1995). Mühends Gözüyle Yapay Snr Ağları, Ankara, ODTÜ. 45

16 46 TAFFLER, R.J., TISSHAW, H. (1977). Gong, Gong, Gone- Four Factors Whch Factors Whch Predct, Accountancy, Mart: TAMARI, M. (1966). Fnancal Ratos as a Means of Forecastng Bankruptcy, Management Internatonal Revew, WILSON, N., CHONG, K.S. (1995). Neural Network Smulaton and Predcton of Corporate Outcomes: Some Emprcal Fndngs, Internatonal Journal of the Economcs of Busness, II (2): YILDIZ, B. (2001). Fnansal Başarısızlığın Öngörülmesnde Yapay Snr Ağı Kullanımı ve Halka Açık Şrketlerde Amprk Br Uygulama, İstanbul Menkul Kıymetler Borsası Dergs, V (17): ZAVGREN, C.V. (1985). Assessng the Vulnerablty to Falure of Amercan Industral Frms: A Logstc Analyss, Journal of Busness Fnance and Accountng, XII (1): ZMIJEWSKI, M.E. (1984). Methodologcal Issues Related to the Estmaton of Fnancal Dstress Predcton Models, Journal of Accountng Research, Supplement: