Asimetrik Bilginin Türk Bankacılık Sektörü ve Kredi Piyasaları Üzerinde Etkisi

Transkript

1 Asimetrik Bilginin Türk Bankacılık Sektörü ve Kredi Piyasaları Üzerinde Etkisi H. Aydın Okuyan İktisadi ve İdari Bilimler Fakültesi Balıkesir Üniversitesi, Bandırma Özet Asimetrik bilgi piyasaların işleyişini bozan, etkinliğini azaltan ve zaman zaman da dürüst piyasa aktörlerinin piyasada iş görmesini güçleştiren bir unsurdur. Bu çalışmanın amacı Türk bankacılık sektöründe asimetrik bilginin kredi piyasasında sorunlara neden olup olmadığının ortaya konulmasıdır. Bu amaçla 1986: :10 dönemine ait aylık veriler kullanılmıştır. Tasfiye olacak kredilerin toplam kredilere oranı ile toplam kredilerin aktif içindeki payı oranları arasındaki ilişki nedensellik (Toda ve Yamamoto,1995) analizi yardımıyla test edilmiştir. Sonuçta tasfiye olacak alacaklardaki artışın bankaların kredi verme eğilimini olumsuz etkilediği ve kredi tayınlaması sürecinin Türk bankacılık sektöründeki varlığı ortaya konulmuştur. Anahtar Kelimeler: Asimetrik Bilgi, Bankacılık Sektörü, Toda Yamamoto Nedensellik Analizi JEL Sınıflandırması: G14, G21, C22

2 The Effect of Asymmetric Information on Turkish Banking Sector and Credit Markets H. Aydın Okuyan Faculty of Economics and Business Administration, Balıkesir Universty, Bandırma Abstract Asymmetric information is a factor that decreases the efficiency of markets. The aim of the study is to expose whether asymmetric information causes problems in credit markets. The monthly dates between 1986: :10 is analyzed with the causality tests (Toda and Yamamoto,1995) to examine the relationship between the bad credits ratio and total credits ratio. According to the causality tests a unidirectional causality which is explained by the existence of credit rationing problems. Key Words: Asymmetric Information, Banking Sector, Toda Yamamoto Causality Test JEL Classification: G14, G21, C22 2

3 1. Giriş Finans teorisi piyasaların mükemmel olduğu varsayımına dayanmaktadır. Buna göre piyasada var olan bilgi bütün yatırımcılara maliyetsiz bir şekilde ulaşmakta ve fiyatlara anında yansımaktadır. Böyle bir pazarda gerek alım satımda gerekse fonların taşınmasında devletin sınırlayıcı kuralları bulunmamakta ve ticaretin kurallarını alıcı ve satıcılar arasındaki rekabet ve ilişkiler belirlemektedir. Mükemmel bir sermaye pazarında finansal araçların fiyatları, bu araçların gerçek değerlerini ve pazardaki tüm bilgileri yansıtmaktadır. Ayrıca pazara yeni ulaşan bilgiler de derhal fiyatlara yansımaktadır (Rose, 1992: 20). Ancak gerçekte finansal piyasalar mükemmellikten oldukça uzaktır. Piyasadaki taraflar aynı bilgilere aynı anda ulaşamazlar. Yani aralarında bilgi düzeyi açısından bir asimetri bulunmaktadır. Zaman zaman taraflar arasındaki bu bilgi asimetrisi piyasanın işleyişini bozacak boyutlara varabilir. Bilgi asimetrisi Akerlof un (1970) Limonlar Sorunu ile açıklanabilir. Limon İngilizce de kötü durumdaki arabaları tanımlamak için kullanılır. Bir araba pazarında, alıcı ile satıcı arasındaki ürün kalitesi hakkındaki bilgi farklılığı, pazarın işleyişini aksatıp bazen de araba ticaretini tamamen engelleyebilir. Potansiyel alıcılar kendilerine sunulan ürünün kalitesinden emin olmadıklarından söz konusu mala yüksek fiyat ödemek istemeyeceklerdir. Bu durumda da satıcı elindeki malı değerinin altında bir fiyata satmaya yanaşmayacaktır. Araba alma riski ile baş başa kalan alıcı fiyatta indirim ister ve bu istek de satıcının satış yapma isteğini kırabilir. Böylece pazarın işleyişi aksar. Bilgi asimetrisi ile ilgili olarak kredi piyasalarında iki unsurdan söz edilebilir. Bunlar ters seçim ve ahlaki risktir. Kredi piyasalarında ters seçim problemi, taraflar arasında kredi sözleşmesi yapılmadan önce kredi verenlerin kredi verdikleri kişilerin tüm özelliklerini bilmemeleri nedeniyle ortaya çıkmaktadır. Kredi verenin, kredi alanın risk derecesi ve krediyi geri ödeme yeteneği konusunda yeterince bilgiye sahip olmaması ters seçime neden olmaktadır (Kutlar ve Sarıkaya, 2003:2). Buna göre kredi piyasalarında riskli ve geri ödeme olanağı az olan fon talep edenler, riski az olan ve geri ödeme yeteneği yüksek olan fon talep edenleri piyasadan uzaklaştıracaktır. Çünkü fon talep edenlerin her biri hakkında ayrıntılı bilgiye sahip olmayan kredi veren piyasada geri ödeme yeteneği düşük olan fon talep edenlerin varlığını da hesap ederek istediği faiz oranını yükseltecek ve/veya kredi koşullarını ağırlaştıracaktır. Bu durumda da geri ödeme yeteneği yüksek olanlar bu 3

4 koşullardan borçlanmak istemediklerinden piyasadan uzaklaşacaklardır. Böylece piyasada kredi verilmesi istenmeyen bir yatırımcıya kredi verilme olasılığı yani ters seçim yapılması olasılığı yükselecektir. Son Yıllarda ABD piyasalarında gözlemlenen mortgage problemleri ters seçim sorununun bir sonucudur. Önce ödeme kapasitesi düşük kişilere konut kredisi verilmiş ve konut satın almak için başvuruda bulunanlardan sadece gelirlerini beyan etmeleri istenmiş ancak bu beyan için kanıt istenmemiştir. Bunun yanında uyarlanabilen oranlı veya alternatif A olarak adlandırılan türdeki borçlanmalarda borç talebinde bulunanlardan finansal durumlarına ilişkin daha az durum bildirim dökümanı istendiği kaydedilmiştir. Bunun sonucunda, kredilerin geri dönüşünde sıkıntı yaşayan finans kuruluşları krize girmiş ve fonlar birbiri ardına zarar etmeye başlamışlardır. Böylece finans kuruluşları birbirlerine olan güveni yitirerek kredi arzını düşürmüştür. Bu süreç düşük kalitedeki kredi isteyenlerin piyasada sayılarının artmasına ve kredi verenlerin de ters seçimde bulunmalarına neden olmuştur (Erdoğan, 2008:2). Ahlaki risk kredi alanın aldığı fonları planlanan şekilde kullanmaması olarak adlandırılabilir. Ahlaki risk kredi verenin kredi alanın faaliyetlerini gözleyemediği durumu ifade ettiğinden bu durum gizli hareket (hidden action) olarak da adlandırılır (Karacan, 2000:49). Krediyi alan taraf kredi verenin istemediği fakat hiçbir şekilde belirleyemeyeceği bazı riskli projelere girişebilir. Zaten faiz oranlarının yükseldiği dönemlerde kredi talep edenler riski yüksek projeyi tercih edeceklerdir. Çünkü projenin başarıya ulaşması halinde kredi borçlusunun getirisi anapara ve faizin üzerinde kalan kısım olacaktır. Kredi verenin getirisi ise projenin başarısından bağımsız olacak şekilde önceden belirlenmiş faizdir. Bu nedenle kredi alanın beklenen getirisi proje riskinin artan bir fonksiyonu iken, kredi verenin getirisi bu riskin azalan bir fonksiyonudur (Stiglitz, 1981: 14). Dolayısıyla kredi alan risk alma eğilimde iken, kredi veren verdiği fonun risksiz yatırıma yönlendirilmesini eğilimdedir. Ancak ahlaki riskin varlığı nedeniyle kredi veren verdiği fonların nereye yönlendirileceğini bilemeyecek ve bu riski ek ipotekler istemek ve/veya kredi koşullarını ağırlaştırmak yoluyla gidermeye çalışacaktır. 4

5 2. Kredi Tayınlaması Kredi verenlerin beklediği getiri, verilen kredilerin geri dönme olasılığına bağlıdır. Yani kredi verenler yüksek getiri sağlayacakları krediden çok, geri alabilecekleri kredi vermeyi tercih ederler (Stiglitz, 1981: 10). Bu nedenle piyasada ters seçim ve ahlaki risk problemlerinin varlığından dolayı kredi verenler kredi tayınlamasına gitmektedir. Kredi tayınlaması, bankaların verecekleri krediyi sınırlandırmaları olarak ifade edilebilir. Kredi tayınlaması kredi talebinde bulunanların bir kısmının kredi alıp diğerlerinin kredi alamaması durumunda meydana gelir. Bankaların şüpheli alacaklarının arttığı dönemlerde kredi verme eğilimlerindeki düşüş kredi tayınlamasının bir sonucudur. Mali liberalleşmenin gerekliliğini savunan iktisatçılar özelliklede Shaw (1973) ve McKinnon (1973) kredi tayınlamasının sorumlusu olarak devlet müdahalelerini ve piyasanın baskı altında tutulmasını göstermişlerdir. Ancak çok sayıda liberalleşmiş ülkede kredi tayınlaması problemi devam etmektedir. (Atiyas, Ersel ve Öztürk, 1993:1). Türkiye de özellikle 2001 krizinden sonra bankacılık sektöründe önemli reformlar ve yasal düzenlemeler yapılmış olmasına rağmen kredi dağılımındaki çarpıklıklar tam olarak düzeltilememiştir. Stiglizt ve Weiss (1981) ters seçim nedeniyle bazen bankaların kredi talep edenlere kredi vermediklerini söylemişler, bunun gerekçesi olarak da riskli yatırımlara sahip kredi talep edenlerin yüksek faiz oranlarında krediye başvuracaklarını öne sürmüşlerdir. Bester (1985) bu görüşü, riski sevmeyen kredi talep edenlerin piyasadan uzaklaşmaları koşuluyla onaylamıştır. Kredi tayınlaması zayıf ve sınırlı olmak üzere iki çeşitte toplanabilir. Zayıf kredi tayınlamasını uygulayan bankalar verdikleri kredi miktarını belirledikleri faiz oranına göre çeşitlendirirken, sınırlı kredi tayınlaması uygulayan bankalar faiz oranını belirli bir kredi miktarına kadar belirleyecekler, bu miktarında dışında faiz oranı ne olursa olsun kredi vermeyeceklerdir (Fremier ve Gordon,1965:399). Kutlar ve Sarıkaya (2003) çalışmalarında asimetrik bilgi teorisi ve marjinal maliyet fiyatlama modeli çerçevesinde kredi tayınlaması ve faiz oranı arasındaki ilişkiyi araştırmıştır. Sonuçta Türkiye de kredi tayınlaması sürecinin yaşandığını kısmen destekler 5

6 bulgulara ulaşmıştır. Muslumov ve Aras (2004) çalışmalarında asimetrik bilginin Türk bankacılık sektöründe etkisini araştırmışlardır. Çalışmada yılları arasındaki çeyreklik veriler Granger (1969) tanımına dayalı Sims (1972) testi ile analiz edilmiştir. Sonuçta Türk bankacılık sektöründe asimetrik bilginin kredi tayınlaması problemini doğurduğunu ortaya koyarak Kutlar ve Sarıkaya nın (2003) bulgularını güçlendirmişlerdir. Bu çalışma model, yöntem, veri seti ve veri setinin işlenmesi açısından Muslumov ve Aras ın (2004) çalışmasından farklılık göstermektedir. Bu çalışmanın amacı Türkiye de bankacılık sektöründe kredi piyasalarında asimetrik bilginin etkili olup olmadığının ve bunun sonucunda kredi tayınlaması probleminin yaşanıp yaşanmadığının ortaya konulmasıdır. Bu amaçla çalışmanın birinci bölümünde konuya giriş yapılmış, ikinci bölümde ise kredi tayınlaması kavramına ve bu konuda yapılmış çalışmalara değinilmiştir. Çalışmanın üçüncü bölümünde veri seti ve yöntem açıklanırken, dördüncü bölümde kullanılan ekonometrik modele ve bulgulara yer verilmiştir. Çalışma Sonuç bölümü ile tamamlanmıştır. 3. Veri Seti ve Yöntem Bu çalışmada Türk bankacılık sektörü kredi piyasasında asimetrik bilginin etkili olup olmadığı tespit edilmeye çalışılmıştır. Bunun için bankacılık sektöründeki sorunlu kredi oranının toplam krediler üzerinde bir azalma yaratıp yaratmadığı ortaya konulmaya çalışılacaktır. Sorunlu kredilerdeki bir artışın bankaların kredileri sınırlamasına neden olduğunun tespit edilmesi halinde Türk bankacılık sektöründe kredi tayınlamasının varlığından söz edilebilecektir. Bu amaçla oluşturulan değişkenler bankacılık sektöründe tasfiye olacak kredilerin toplam kredilere oranı (TK) ve toplam kredilerin toplam aktifler içindeki payı (KA) dır. Veriler aylık olup 1986: :10 arasındaki dönemi kapsamaktadır. Veriler Türkiye Cumhuriyeti Merkez Bankası Elektronik Veri Dağıtım sisteminden elde edilmiştir. Seriler Tramo Seats yöntemi ile mevsimsellikten arındırılmıştır. Seriler arasındaki ilişki şekil 1 de gösterilmiştir. Şekilde görüldüğü gibi değişkenler arasında negatif ve anlamlı bir ilişki bulunmaktadır. 6

7 Şekil 1. Toplam Krediler ve Tasfiye Olacak Krediler 0,50 Toplam Kredilerin Aktiflere Oranı 0,45 0,40 0,35 0,30 0,25 0,20 0,15 y = 0,423 0,836 x 2 R = 0,699 0,10 0,00 0,05 0,10 0,15 0,20 0,25 0,30 0,35 Tasfiye Olacak Kredilerin Toplam Kredilere Oranı Değişkenler arasındaki nedensellik boyutu için kullanılan metodoloji incelediğinde Granger (1969) tarafından geliştirilen nedensellik analizinin, düzeyde durağan seriler arasındaki nedensellik ilişkisinin araştırılmasında kullanıldığı görülmektedir. Düzeyde durağan olmayan, ancak aynı derecede farkı alındığında durağan hale gelen seriler arasında eşbütünleşme olması durumunda, Engle ve Granger(1987) tarafından geliştirilen hata düzeltme modeli, nedensellik sınamalarında kullanılmaktadır. Kısıtlı bir VAR modeli olan hata düzeltme modelinde nedenselliğin sınanmasında F testi kullanılmakta ancak serilerin eşbütünleşik olması durumunda bu test istatistiği standart dağılıma uymadığı için geçerli olmayabilmektedir.(bkz. Toda ve Yamamoto,1995; Giles ve Mizra,1998; Giles Williams,1999). Toda ve Yamamoto (1995) tarafından geliştirilen gecikmesi arttırılmış VAR yöntemiyle nedensellik sınamasında ise, seriler arasındaki eşbütünleşme ilişkisi önemli olmamakla birlikte sadece modeli doğru belirlemek ve modeldeki değişkenlerin maksimum bütünleşme derecesini bilmek yeterli olmaktadır. 4. Toda-Yamamoto Nedensellik Testi ve Test Sonuçları Toda ve Yamamoto (1995) VAR modeline, serilerin maksimum bütünleşme derecesi kadar fazladan gecikme eklenerek yapılacak WALD hipotez sınamasının Ki-kare 2 ( χ ) dağılımına sahip olacağını ifade etmişlerdir. Toda ve Yamamoto (1995) yaklaşımı değişken seviyelerinde (Granger nedensellik testlerinde olduğu gibi ilk farklar yerine) standart bir VAR modeline uyar ve dolayısıyla serilerin bütünleşme derecelerinin yanlış 7

8 belirlenmesi ihtimalinden kaynaklanan riskleri en aza indirir (Mavrotas ve Kelly,2001). Tasfiye olacak kredilerin toplam kredilere oranı (TK) ve toplam kredilerin aktiflere oranı (KA) serilerinden oluşan iki değişkenli VAR modeli aşağıdaki şekilde oluşturulmuştur. k d max k d max t = + α1 itk t i + α 2 jtk t j + φ1i KAt i + φ2 j KAt j i= 1 j= k + 1 i= 1 j= k + 1 TK α 0 + δ1d94 + δ 2D01 + µ 1 (1) t k d max k d max t = + β1 i KAt i + β 2 j KAt j + δ1itk t i + δ 2 jtk t j i= 1 j= k + 1 i= 1 j= k + 1 KA β 0 + δ1d94 + δ 2D01 + µ 2 (2) t k VAR modelindeki gecikme sayısını, d max ise modele giren değişkenlerin maksimum bütünleşme derecesini ifade etmektedir. Bu yaklaşımın temel düşüncesi, VAR modelindeki gecikme sayısını modele giren değişkenlerin maksimum bütünleşme derecesi kadar arttırmaktır. Eğer denklem (1) de φ1 i 0 ise, toplam kredilerin aktif içindeki oranı tasfiye olacak kredilerin toplam krediler içindeki oranının nedenidir denir. Denklem (2) de δ1i 0 ise, bu sefer takipteki kredilerin toplam krediler içindeki payı, toplam kredilerin aktifler içindeki oranının nedenidir denilebilir. Toda Yamamoto (1995) nedensellik sınamasının ilk şartı, modelde yer alan değişkenlerin maksimum bütünleşme derecesini doğru belirlemektir. Ayrıca yapılan Chow testi sonucunda serilerde 1994 ve 2001 yıllarında kırılmalar meydana geldiği tespit edildiğinden modele krizlerin etkisini gidermek amaçlı kukla değişkenler ( δ 1 D94, δ 2 D01) eklenmiştir 1. Maksimum bütünleşme derecesini belirleyebilmek için Dickey ve Fuller(1981) tarafından geliştirilen Genişletilmiş Dickey-Fuller (ADF) ve Philips ve Peron(1988) tarafından geliştirilen birim kök testlerinden faydalanılmıştır. Dickey ve Fuller(1981) a göre hata terimlerinin beyaz gürültü (white noise) olduğu yani; ardışık bağımsızlık, normal dağılım ve sabit varyansa sahip olduğu kabul edilmektedir. Philips ve Peron(1988) ise 1 Bu testin sonucu yazardan istenebilir. 8

9 Dickey ve Fuller(1981) testinin tersine hata terimleri arasında zayıf bağımlılığa ve heterojenliğe izin vermektedir ( Kutlar, 2000:170). Her iki testte de gecikme uzunluklarının belirlenmesi için Akaike bilgi kriterinden yararlanılmıştır. Tablo 1. ADF ve PP Birim Kök Testlerinin Sonuçları Genişletilmiş Dickey Fuller (ADF) Testi Philips Peron (PP) Testi Değişkenler Trendsiz Trendli Trendsiz Trendli KA -1,360-1,055-1,262-0,958 KA -7,435* -7,499* -18,744* -18,763* TK -1,404-1,421-1,622-1,650 TK -16,692* -16,661* -16,799* -16,772* Mc Kinnon (1990) kritik değerleri %1 ve %5 düzeyinde sırasıyla trendsiz modelde , , trendli modelde ve dir. * %1 de anlamlıdır. Yapılan ADF ve PP testi sonuçlarına göre her iki seride birinci farkı alındığında durağan çıkmıştır. Bu durumda modelde yer alan değişkenlerin maksimum bütünleşme derecesi (d max =1) olarak bulunmuştur. İkinci olarak VAR modelinde kullanılacak gecikme sayısının belirlenmesi gerekmektedir. Bunun için maksimum gecikme uzunluğu 16 olarak seçilmiş olup LR (Likelihood Ratio), FPE (Final Prediction Error), AIC (Akaike), SC (Schwarz) ve HQ (Hannan Quinn) gibi kritik değerleri en küçük yapan gecikme uzunluğu belirlenmeye çalışılmıştır. Tablo 2. VAR Modelinde Uygun Gecikme Uzunluğunun Belirlenmesi Gecikme Sayısı LR FPE AIC SC HQ 0 NA 6.02e e e * e-09* * * e e * 5.16e e e e *En düşük bilgi kriterini sağlayan gecikme uzunluğunu göstermektedir. Tablo 2 deki sonuçlara bakıldığında FPE, AIC ve HQ bilgi kriterlerinin 3 gecikmeyi işaret ettiği görülmektedir. Ayrıca modelin hata terimlerinin grafikleri 9

10 incelendiğinde FPE, AIC ve HQ bilgi kriterlerinin önerdiği 3 gecikmenin otokorelasyon problemine neden olmadığı görülmüştür. Bu nedenle modelin gecikme uzunluğunun 3 olarak alınması uygun bulunmuştur. Böylelikle VAR modelinin gecikme sayısını da belirledikten sonra bu gecikme sayısına modele giren değişkenlerin maksimum bütünleşme derecesi olan 1 i ekleyerek k + d max = (3+1) = 4. dereceden VAR modeli çerçevesinde nedensellik analizini yapılmıştır. Tablo 3 de nedensellik analizinin sonuçları yer almaktadır. Tablo 3. Nedensellik Analizi Sonuçları Nedensellik Yönü 2 χ P değeri KA TK 1,680 0,641 TK KA 19,282 0,000* * %1 de anlamlılığı gösterir. Tablo 3 deki sonuca göre toplam kredilerin aktif içindeki payından tasfiye olacak kredilerin toplam kredileri içindeki payına doğru bir nedenselliğe rastlanmazken, takipteki kredilerin toplam içindeki payından toplam kredilerin aktif içindeki payı oranına doğru bir nedenselliğe rastlanmıştır. Yani tasfiye olacak kredilerin toplam krediler içindeki payı bankaların kredi verme eğiliminin nedenidir denilebilir. Değişkenler arasında negatif bir ilişki olduğu ise regresyon sonuçları ile ortaya konulmuştur. Buna göre, tasfiye olacak kredilerinin toplam krediler içindeki payı yükselen bir banka verdiği kredileri kısıtlama eğilimine girmektedir. Bunun sonucu olarak da aktifler içindeki toplam kredilerin payı azalmaktadır. Bu sonuçlar kredi tayınlaması sürecinin Türk bankacılık sektöründe yaşandığını göstermektedir. Bu sonuç Müslümov ve Aras ın (2004) bulgularını desteklemektedir. 5. Sonuç Piyasalarda asimetrik bilginin varlığı hatalı fiyatlamalara ve yanlış seçimlere yol açmaktadır. Asimetrik bilginin yoğun olarak bulunduğu bir piyasa etkinlikten ve tam rekabet koşullarından giderek uzaklaşmaktadır. Bu çalışmada konu edilen kredi piyasalarında ise asimetrik bilgi, fonların doğru şekilde aktarımını engelleyerek hem tasarrufların etkin kullanımını hem de yatırımların etkin şekilde finanse edilmesini zorlaştırır. Fonların doğru şekilde fiyatlanarak fon talep edenlere ulaştırılması ancak 10

11 tarafların birbirleri hakkında tam ve doğru bilgiye sahip olması ile mümkün olmaktadır. Aksi halde yatırımlar uygun koşullarla finanse edilemeyecek ve ulusal ekonominin büyümesini olumsuz yönde etkileyecek sonuçlar ortaya çıkacaktır. Bu çalışmada Türk bankacılık sektöründe asimetrik bilgiden kaynaklanan sorunların yaşanıp yaşanmadığı ortaya konulmaya çalışılmıştır. Bu amaçla yapılan analiz sonucunda asimetrik bilginin Türk bankacılık sektöründe varolduğu ve bunun sonucunda bankaların kredi tayınlaması yoluna gittikleri ortaya konulmuştur. Kredi tayınlaması uygulamasının özellikle kriz dönemlerinde krizin işletmelerde dolayısıyla ulusal ekonomide yaratacağı zararı artıran bir uygulama olduğu söylenebilir. Bu olumsuz sonuçlardan kaçınmak ancak asimetrik bilginin azaltılması ile mümkün olabilir. Müslümov ve Aras ın (2004) belirttiği gibi asimetrik bilgi sorununun azaltılması için tek bir çözüm söz konusu değildir. Literatürde asimetrik bilginin azaltılması için kredi talep edenler hakkında bilgi toplamakla görevli kredi kuruluşlarının kurulması ve teminat ve sözleşme bağlayıcılığı ile kredinin geri dönüşünün güvence altına alınması gibi tedbirler sıralanmaktadır. Asimetrik bilginin mümkün olduğunca azaltılması bankacılık sistemi ve kredi piyasası dolaylı olarak da ulusal ekonomi için önemli bir unsurdur. KAYNAKLAR Akerlof, G.. (1970). The Market For Lemons: Quality Uncertainity and the Market Mechanism. The Quarterly Journal of Economics, 84(3): Atiyas, İ., Ersel H., ve Öztürk E.. (1993), Türk Bankalarında Müşteri Deseni ve Kredi Tayınlaması. T.C.M.B. Araştırma Genel Müdürlüğü Tartışma Tebliği, No: 9301/A Bester, H.. (1985). Screening vs. Rationing in Credit Markets with Imperfect Information, The American Economic Review. 75: Dickey, D.A., W.A., Fuller (1981). Likelihood Ratio Statistics for Autoregressive Time Series with A Unit Root. Econometrica, 49 (4): Engel, R.F., Granger, C.W.J. (1987). Co-integration and Error Correction Representation Estimation and Testing. Econometrica, 55(2): Erdoğan, M.. (2008). Bankacılık Sektöründe Asimetrik Bilgi: Sorunlar ve Çözüm Önerileri. Dumlupınar Üniversitesi Sosyal Bilimler Dergisi, 20: 1 20 Freimer, M., Gordon M.J.. (1965). Why Bankers Ration Credit. The Quarterly Journal of Economics, 54:

12 Giles, J.A., Mirza, S., (1998). Some Pretesting Issues on Testing for Granger Non- Causality. Econometric Working Papers, EWP9914, Department of Economics, University of Victoria, Canada. Giles, J.A., Williams, C.I., (1999). Export-led Growth: A Survey of the Empirical Literature and Some Non-Causality Results. Econometric Working Paper EWP9901, Department of Economics, University of Victoria, Canada. Granger, C.W.J. (1969). Investigating Causal Relations by Econometric Models and Cross-Spectral Methods. Econometrica, 37 (3): Karacan A.İ.. (2000). Bankacılık ve Kriz: Bir Yazın Taraması. İstanbul: Creative Kutlar, A., (2000). Ekonometrik Zaman Serileri. Ankara: Gazi Kitapevi Kutlar A., Sarıkaya, M.. (2003). Asimetrik Enformasyon ve Marjinal Maliyet Fiyatlama Modeli Çerçevesinde Türkiye de Kredi Tayınlaması ve Faiz Oranlarının Tahmini. Cumhuriyet Üniversitesi İİBF Dergisi, 4(1):1-18 Mavrotas, G., Kelly, R., (2001). Old Wine In New Bottle: Testing Causality Between Savings And Growth. The Manchester School Supplement, Mc Kinnon, R.I.. (1973). Money and Capital in Economic Development. The Brooking Institution: Washinngton D.C. Muslumov A., Aras G.. (2004). Kredi Piyasalarında Asimetrik Bilgi Ve Bankacılık Sistemi Üzerine Etkileri. İktisat İşletme ve Finans, 19 (222): Phillips, P.C.B., Perron, P. (1988). Testing For A Unit Root In Time Series Regression. Biomètrika, 75 (2): Rose, P. S.. (1992). Money and Capital Markets. 4th ed., Boston: Irwin Shaw, E.S.. (1973). Financial Deepening In Economic Development. Oxford University Press: New York No:678 Stiglitz, J.E.. (1981). Information and Capital Markets, NBER Working Paper Series, Stiglizt J.E., Weiss A.. (1981). Credit Rationing in Markets With Imperfect Information. The American Economic Review, 71: Toda, H.Y., Yamamoto, T., (1995). Statistical Inference In Vector Auto Regressions With Possibly Integrated Process. Journal of Econometrics,