Özet

 

Bu araştırmada, Türk Bankacılık Sektörü için mali başarısızlık riskinin modellenmesinde muhasebe verilerinin yanı sıra piyasa verilerinin (borsa verileri ile hesaplanan) de dikkate alınmasının anlamlı olup olmadığı incelenmiştir. Piyasa verilerinin modele dahil edilmesinin modele bilgisel değer kattığı -% 90 güven seviyesinde- gösterilmiştir.

 

Anahtar Kelimeler: Türk Bankacılık sektörü, Mali başarısızlık riski, muhasebe verileri, piyasa verileri, lojistik model.

Summary

 

This paper invastigates whether considering market data as well as accounting data in the modeling of default risk in the Turkish Banking Industry is significant.. It is shown -at  90 % confidence level- that the inclusion of market data to the model makes a contribution to the information value of the model.

 

Key words: Turkish Banking sector, default risk, accounting data, market data, logistic model.

 

 

1. Giriş

 

Bankacılık krizlerinin ağır maliyetleri, bankacılık sektörünün mali başarısızlık riskinin ölçümünün önemini arttırmaktadır. Bankaların finansal performanslarının bozulması ile ortaya çıkan mali başarısızlık riski, yayılma etkisi ile bir bankadaki mali başarısızlığın diğer bankalara da yansımasını beraberinde getirmektedir.

 

Denetleyici ve düzenleyici politikaların belirlenmesi çerçevesinde, Türk Bankacılık Sektörünün mali başarısızlık riskinin öngörüsünün gerçekçi, objektif ve düşük maliyetli olması ve erken uyarı sistemlerinin performansının arttırılması önemli bir sorun olarak karşımıza çıkmaktadır.

 

Bankaların piyasada işlem gören hisse senedi fiyatlarının, bankaların varlıklarının gelecekte beklenen değerlerine ilişkin bankalarca rapor edilen muhasebe verilerinden daha duyarlı bir barometre olması beklenmektedir.  Bu bağlamda, bu araştırmada Türk Bankacılık Sektörü için mali başarısızlık riskinin modellenmesinde muhasebe verilerinin yanı sıra piyasa verilerinin (borsa verileri ile hesaplanan) de dikkate alınmasının herhangi bir bilgisel değer sağlayıp sağlayamayacağı incelenmiştir.

2. Mali Başarısızlık Riski (Kredi Riski)

 

Mali başarısızlık veya kredi riski, çeşitli kaynaklarda farklı şekillerde tanımlanmakla beraber bu tanımlarda, vadesi gelen finansal yükümlülüklerin ödenememesi, ortak nokta olarak ortaya çıkmaktadır. Kredi riski, borçları ödeyememe riski (default risk) ve kredi spredi riski (credit spread risk) olmak üzere iki temel bileşenden oluşmaktadır.

 

Borçları ödeyememe riski, karşı tarafın söz verdiği ödemeleri potansiyel olarak-kısmen veya tamamen- yerine getirememesinden kaynaklanır. Kredi riskinin ölçümüne yönelik çok sayıda model bulunmaktadır. Başta Altman olmak üzere bir grup araştırmacı, borçları ödeyememe riskini muhasebe değişkenleriyle modellemektedir. Oranlar sistemi olarak da adlandırılan bu modellerden en önemlileri arasında Altman Modeli , Beaver Modeli, Springate Modeli, Weibel Modeli, Fulmer Modeli ve Kanada Skoru Modeli sayılabilir. (Aydın vd. , 2007)

 

3. Bankacılık Sektöründe Mali Başarısızlık Riskinin Ölçümü

 

Bankalarda mali başarısızlık tahminine yönelik literatürde çok sayıda çalışma bulunmaktadır.

 

3.1. Muhasebe Verilerini Kullanan Çalışmalar

 

Muhasebe verilerini kullanan çalışmalarda diskriminant analizi, logit ve probit regresyon modelleri, ayırt edici özellik seçimi (trait reconition) , faktör analizi ve yapay sinir ağları gibi teknikler kullanılarak, erken uyarı sistemleri geliştirilmekte veya bankalar başarılı ve başarısız olarak sınıflandırılarak ayırt edici özellikler bulunmaya çalışılmaktadır.

 

Bankalarda mali başarısızlık tahminine yönelik muhasebe verileriyle yapılmış araştırmalardan bazılarının bulguları aşağıda özetlenmiştir:

 

Rusya’da yürütülen bir çalışmada, ticari bankaların mali başarısızlığının tahmini amacıyla logit (lojistik regresyon) modeli ve değiştirilmiş ayırt edici özellik (trait recognition) yaklaşımı -1991-2004 dönemi verileri ile- uygulanmıştır. Her iki yaklaşımın da doğruluk derecesinin gerçek mali başarısızlık zamanına yaklaşıldıkça arttığı gözlenmiştir. Değiştirilmiş ayırt edici özellik yaklaşımının geleneksel ayırt edici özellik yaklaşımına ve logit modele göre, örneklem dışında, daha yüksek tahmin gücüne sahip olduğu bulunmuştur. Bankaların mali başarısızlık tahmininde likiditenin yanı sıra varlık kalitesinin ve sermaye yeterliliğinin önemli unsurlar olduğu vurgulanmıştır.(Lanine vd. 2006).

 

ABD’nde yapılan bir çalışmada, büyük ölçekli ticari bankaların mali başarısızlık tahmininde kullanılan bilgisayar temelli erken uyarı modellerinin etkinliği amprik olarak araştırılmıştır. 1989-1992 döneminde varlıkları 250 milyon USD üzerinde olan 1000’den fazla banka içinden 50’den fazla başarısızlığa uğrayan bankanın ele alındığı çalışmada bu bankaların belirlenmesine yönelik lojistik regresyon ve ayırt edici özellik seçimi (trait recognition) modelleri geliştirilmiştir. Bankaların mali başarısızlık riski ile ilgili iki veya üç değişken arasındaki etkileşimlerin değerli bilgiler içerdiği ve bu bilgilerin yar aldığı ayırt edici özellik seçimi modelinin tahmin gücünün görece daha iyi olduğu sonucuna ulaşılmıştır. (Kolari vd., 2002)

 

Venezüella’da yapılan bir çalışmada 1994-1995 yıllarında Venezüella’da sistemin yarısından fazlasının çökmesine neden olan bankacılık krizlerinin tahmininde kullanılabilecek finansal göstergelerin belirlenmesine yönelik oransal hazard modeli (Cox modeli) kullanılmıştır. Yüksek kar üretme kabiliyetinin ve düşük riske sahip hazine bonolarına yatırım yapılmasının bankaların mali başarısızlıktan kaçınmalarında önemli etkenler olduğu bulunmuştur. (Molina, 2002)

 

Tayland bankalarına ait verilerle (1993-1996) gerçekleştirilen bir çalışmada başarılı finans şirketlerinin başarılı olanlardan ayırt edilmesi amacıyla CAMELS kriterleri ile çok değişkenli lojistik regresyon modeli oluşturulmuştur. Modelin tahmin gücünün yüksek ve yanlış sınıflama maliyetinin düşük olduğu bulunmuştur. Başarısız finans şirketlerinin daha düşük karlılığa ve düşük derecelendirme notuna bağlı olarak düşük dış borçlanmaya sahip olduğu, daha küçük ölçekli şirketler olduğu gözlemlenmiştir. Ayrıca, 1996 yılındaki mali denetçi raporlarının incelenen bankaların ayırt edilmesinde başarılı olmadığı bulunmuştur. (Persons, 1999)

Türkiye’de 1997-2003 yıllarında mali başarısızlık yaşayan 21 bankayı kapsayan 40 bankadan oluşan örneklemin finansal oranları çok değişkenli istatistik tekniklerinden temel bileşenler analizi ile incelenerek bankaları başarılı veya başarısız olarak sınıflamakta kullanılmak üzere erken uyarı sistemini oluşturan logit ve probit modeller geliştirilmiştir.  Çalışmada bulunan sınıflayıcı temel finansal özellikler CAMELS Derecelendirme sistemi ile birebir örtüşmemektedir. Geliştirilen erken uyarı sisteminin CAMELS’a alternatif veya CAMELS’ın tamamlayıcısı olarak kullanılması önerilmiştir. (Canbaş vd., 2005)

 

3.2. Muhasebese Verilerinin ve Piyasa Verilerinin Performansı Karşılaştıran Çalışmalar 

 

Bongini, bankaların kırılganlığının öngörülmesinde muhasebe verilerini, borsa verilerini ve kredi derecelendirme verilerini karşılaştırmıştır. Doğu Avrupa ülkelerinde 1996-1998 dönemi için yapılan çalışmada göstergelerden hiçbiri logit regresyon modelinde tek başına yeterli bulunmamakla beraber öngörü gücü itibarıyla göstergeler hisse senedi verileri, bilanço verileri ve kredi dereceleri olarak sıralanmıştır. Nitekim, borsa bazlı bilginin değişen finansal koşullara diğerlerine göre daha hızlı tepki verdiği tespit edilmiştir. Sonuç olarak, finansal kuruluşların kırılganlıklarının değerlendirilmesinde, özellikle bilgi işlem maliyetlerinin yüksek olması durumunda veya piyasa fiyatlarının bankacılık sistemi üzerindeki örtülü garantiyi iskonto ettiği durumlarda, birden fazla göstergenin birlikte kullanılmasının önemli olduğu vurgulanmıştır. .(Bongini vd., 2002)

 

Pettway’in çalışmasında bankalar için muhasebe verilerinin yanı sıra piyasa verilerinin de kullanıldığı bir erken uyarı sistemi geliştirilmiş ve bu sistem başarısız olmuş bankalar üzerinde test edilmiştir. Yatırımcıların algılamaları hisse senedi fiyatlarına yansıdığı için, piyasa verilerinin erken uyarı sistemleri için yararlı bilgiler içerdiği vurgulanmıştır. Önerilen sistemin kullanılmış olması durumunda çalışmadan önceki son dönemde başarısız olan 6 büyük bankanın 1 yıl önceden saptanabilmiş olacağı sonucuna varılmıştır. (Pettway 1980)

 

4. Çalışmanın Yöntemi

 

Bu araştırmada Türk Bankacılık Sektörü için mali başarısızlık riskinin modellenmesinde muhasebe verilerinin yanı sıra piyasa verilerinin (borsa verileri ile hesaplanan) de dikkate alınmasının herhangi bir bilgisel değer katıp katmayacağı incelenmiştir.

 

Araştırmada Türk Bankacılık Sektörü’ndeki 1998-1999’da faaliyet gösteren halka açık 14 bankanın verileri - 1998 yılı Mart, Haziran, Eylül, Aralık ve 1999 yılı Mart, Haziran, Eylül olmak üzere toplam 7 dönem*- kullanılmıştır. (Bankalara ilişkin muhasebe verileri 1998 yılından itibaren 3 aylık dönemlerde raporlanmaya başlanmıştır) . Çalışmada yer alan bankalar Tablo 1’de yer almaktadır.

 

Tablo 1. 1998-1999 Döneminde Halka Açık Bankalar

 

Akbank T.A.Ş.             1

Alternatif Bank A.Ş.

Demirbank T.A.Ş.

Eskişehir Bankası T.A.Ş.

Finans Bank A.Ş.

Şekerbank T.A.Ş.

Tekstil Bankası A.Ş.

Toprakbank A.Ş.

Türk Dış Ticaret Bankası A.Ş.

Türkiye Garanti Bankası A.Ş.

Türkiye İş Bankası A.Ş.

Türkiye Sınai Kalkınma Bankası A.Ş.

Türkiye Tütüncüler Bankası Yaşarbank A.Ş.

Yapı ve Kredi Bankası A.Ş.

 

Bu bankalardan Eskişehir Bankası T.A.Ş. ve Türkiye Tütüncüler Bankası Yaşarbank A.Ş. mali başarısızlığa uğramış ve yönetimleri Tasarruf Mevduatı Sigorta Fonu’na (TMSF)  devredilmiştir.

 

*Esbank ve Yaşarbank Aralık 1999’da TMSF’ye devroldukları için Aralık 1999 analize dahil edilmemiştir.

Araştırmada kullanılan veriler Tablo 2’de gösterilmiştir.

 

 

 

Tablo2. Araştırmanın Verileri

 

M1	E	Net Dönem Karı (Yıllık Baza Göre Düzeltilmiş)/Toplam Aktifler
M2	M	Faiz Dışı Gelirler/Faiz Dışı Giderler
M3	L	Likit Aktifler/Toplam Aktifler
M4	C	Özkaynak/T. Aktifler
M5	A	T. Krediler/T. Aktifler
P1	GET	Endeks Getirisi İle Hs Getirisi Arasındaki Fark (3 Aylık Kümüle)
P2	PD/DD	Özkaynakların Piyasa Değeri/Özkaynakların Defter Değeri
P3	GET SS		(3 Aylık Dönemdeki) Günlük Getirilerin Standart Sapması

 

Araştırmada, öncelikle TMSF’ye devir olup olmama (1 veya 0) bağımlı değişken, muhasebe verileri bağımsız değişken olarak bir lojistik regresyon modeli (1. Model) oluşturulmuştur.  Daha sonra, bu modele piyasa değişkenleri bağımlı değişken olarak ilave edilerek (2. Model) piyasa değişkenlerinin modeli geliştirmede katkı sağlayıp sağlamadığı LM (Lagrange Multiplier) testi ile sınanmıştır. (Breusch vd., 1980)

 

LM test istatistiği= 2 (Kısıtsız modelin log L değeri- kısıtlı modelin log L değeri)

(Test istatistiği ki-kare dağılmaktadır)

 

Lojistik regresyon yöntemi ile oluşturulan modellerin hesaplanmasında Stata 10 paket programı kullanılmıştır.

 

5. Bulgular  ve Sonuç

 

Lojistik regresyon yöntemi ile oluşturulan modellerine ilişkin bulgular Tablo 3 ve Tablo 4’te  gösterilmiştir:

 

 

 

 

 

 

 

Tablo 3. Muhasebe Verilerini Kullanan Model

 

logit tmsf m1 m2 m3 m4 m5

 

Lojistic regresyon                                    Gözlem sayısı          =     98

                                                                   LR chi2(5)                 =   53.70

                                                                   Prob > chi2                           =   0.0000

Log likelihood =  -13.34107                   Pseudo R2                           =   0.6681

------------------------------------------------------------------------------

        tmsf |  Katsayı   Standart Hata   z    P>|z|     [% 95 Güven Aralığı]

-------------+----------------------------------------------------------------

          m1 |  -.3967583   .2892435    -1.37   0.170    -.9636652    .1701486

          m2 |  -.0147211   .0056581    -2.60   0.009*   -.0258108   -.0036314

          m3 |  -.1204036   .1003727    -1.20   0.230    -.3171304    .0763233

          m4 |   .5421063   .3175121     1.71   0.088*    -.080206    1.164419

          m5 |  -.0526305    .072707    -0.72   0.469    -.1951335    .0898726

       _sabit |   .5108336   6.198243     0.08   0.934     -11.6375    12.65917

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

Tablo 4. Muhasebe ve Piyasa Verilerini Kullanan Model

 

logit tmsf p1 p2 p3 m1 m2 m3 m4 m5

 

Lojistic regresyon                                    Gözlem sayısı          =     98

                                                                   LR chi2(8)                 =     60.08

                                                                   Prob > chi2                           =     0.0000

Log likelihood = -10.150227                  Pseudo R2                           =     0.7475

------------------------------------------------------------------------------

        tmsf |  Katsayı   Standart Hata   z    P>|z|     [% 95 Güven Aralığı]

-------------+----------------------------------------------------------------

          p1 |  -.0200136    .040476    -0.49   0.621    -.0993451    .0593178

          p2 |   .0004563   .0002257     2.02   0.043*     .000014    .0008986

          p3 |  -66.45422   72.51564    -0.92   0.359    -208.5823    75.67383

          m1 |  -.3284116   .3398865    -0.97   0.334     -.994577    .3377537

          m2 |  -.0241474   .0093582    -2.58   0.010*  -.0424891   -.0058056

          m3 |  -.1474486   .1302705    -1.13   0.258     -.402774    .1078769

          m4 |   1.067883   .5412879     1.97   0.049*    .0069781    2.12878

          m5 |  -.1160922   .1047243    -1.11   0.268    -.3213481    .0891637

       _sabit |  -.1658949   8.610185    -0.02   0.985    -17.04155    16.70976

 

Birinci modelde, % 5 anlamlılık düzeyinde, M2 ve M4 değişkenlerinin anlamlı olduğu ve modelin bir bütün olarak anlamlı olduğu görülmektedir.

 

İkinci modelde de, % 5 anlamlılık düzeyinde benzer şekilde M2 ve M4 değişkenlerinin anlamlı olduğu, ayrıca P2 değişkenin de anlamlı olduğu ve yine modelin bir bütün olarak anlamlı olduğu görülmektedir.

 

İkinci modele ilişkin Pseudo R-kare değerinin, Model 1’e göre daha yüksek olduğu gözlenmektedir. İkinci model birinci modele 3 adet değişken ilave edilerek oluşturulduğundan, birinci model kısıtlı model ve ikinci model kısıtsız model olarak tanımlanarak kısıtların anlamlı olup olmadığını belirlemek üzere LM (Lagrange Multiplier) testi uygulanmıştır.

 

Hesaplanan test istatistiği (6,38) , % 10 anlamlılık düzeyindeki (bağımsızlık derecesi ilave edilen değişkeni sayısı-3- olmak üzere) ki kare kritik değerinden(6,25) büyüktür, ancak % 5 anlamlılık düzeyindeki ki kare kritik değerinden (7,82) büyük değildir.

 

Sonuç

 

Sonuç olarak, ikinci modelde piyasa verilerinin muhasebe verilerine ilave edilmesinin modele bilgisel değer kattığı -% 90 güven seviyesinde- söylenebilir.

 

Türk Bankacılık sektöründe mali başarısızlık riskinin modellenmesinde ve öngörülmesinde geleneksel olarak kullanılan muhasebe verilerinin yansıra borsa temelli piyasa verilerinin de kullanılmasının faydalı olabileceği önerilmektedir.