Türk Bankacılık Sisteminin Finansal Performansının ROC-ITARA-CODAS Yöntemleriyle Analizi

Abstract

Bu çalışmada amaç çeşitli “Çok Kriterli Karar Verme” (ÇKKV) yöntemlerini kullanarak, 2008 küresel finansal krizinden sonraki 11 yıllık dönem (2009-2019) için Türk bankacılık sisteminin finansal performansını ölçmek ve değerlendirmektir. Bu amaçla önerilen performans değerlendirme modelinde 14 finansal kriter kullanılmıştır. Performans değerlendirmede önerilen hibrid model çerçevesinde ilk önce finansal kriterlere ait ağırlık katsayıları ROC ve ITARA yöntemleri ile belirlenmiştir. Ardından hesaplanan ağırlıklar Bayes yaklaşımına dayalı olarak birleştirilmiş ve finansal kriterlerin nihai ağırlık katsayıları hesaplanmıştır. Ağırlıklandırma sonuçlarına göre en önemli ilk üç performans kriteri sırasıyla sermaye yeterliliği oranı, özkaynakların toplam varlıklara oranı ve donuk kredilerin toplam kredilere oranıdır. Bu aşamadan sonra bankacılık sisteminin yıllara ilişkin finansal performansını ölçmek ve değerlendirmek için CODAS yöntemi kullanılmıştır. CODAS yöntemi kullanılarak elde edilen sonuçlara göre, Türk bankacılık sisteminin seçilen finansal göstergeler açıdan en başarılı (başarısız) olduğu yıl 2009 (2018) yılıdır. Ayrıca 11 yılı kapsayan dönem için gerçekleştirilen analizler Türk bankacılık sektörünün finansal performansında önemli bir istikrarsızlığa işaret etmektedir.

Keywords

• Türk Bankacılık Sistemi
• ROC
• ITARA
• Bayes Yaklaşımı
• CODAS

Analysis of The Financial Performance of The Turkish Banking System by Using ROC-ITARA-CODAS Methods

Abstract

The aim of this study is to measure and evaluate the financial performance of the Turkish banking system for the 11-year period (2009-2019) after the 2008 global financial crisis by using various “Multi-Criteria Decision Making” (CCC) methods. For this purpose, 14 financial criteria are used in the proposed performance evaluation model. In the framework of the hybrid model proposed in the performance evaluation, the weight coefficients of the financial criteria are first determined by ROC and ITARA methods. Then, the calculated weights are combined based on the Bayesian approach and the final weight coefficients of the financial criteria are calculated. According to weighting results, the most important three performance criteria are capital adequacy ratio, the ratio of equity to total assets and the ratio of non-performing loans to total loans, respectively. After this stage, the CODAS method is employed to measure and evaluate the financial performance of the banking system over the years. According to the results obtained using the CODAS method, the year in which the Turkish banking system is most successful (unsuccessful) in terms of selected financial indicators is 2009 (2018). In addition, the analyses carried out for the 11-year period indicate a significant instability in the financial performance of the Turkish banking sector.

Keywords

• Turkish Banking System
• ROC
• ITARA
• Bayes Yaklaşımı
• CODAS

References

1. Akçakanat, Ö., Eren, H., Aksoy, E. ve Ömürbek, V. (2017). Bankacılık sektöründe ENTROPY ve WASPAS yöntemleri ile performans değerlendirmesi. Süleyman Demirel Üniversitesi İktisadi ve İdari Bilimler Fakültesi Dergisi, 22(2), 285-300.
2. Atukalp, M. E. (2020). Determining the relationship between stock return and financial performance: An analysis on Turkish deposit banks. Journal of Applied Statistics, 1-15.
3. Aydın Y. (2019). Türk bankacılık sektöründe karlılığı etkileyen faktörlerin panel veri analizi ile incelenmesi. Gümüşhane Üniversitesi Sosyal Bilimler Enstitüsü Elektronik Dergisi, 10(1), 181-189.
4. Aydın, Y. (2020a). Bütünleşik CRITIC ve MAIRCA yöntemleri ile kamu sermayeli bankalarının performans analizi. Finans Ekonomi ve Sosyal Araştırmalar Dergisi, 5(4), 829-841.
5. Aydın, Y. (2020b). A hybrid multi-criteria decision making (MCDM) Model consisting of SD and COPRAS methods in performance evaluation of foreign deposit banks. Ekinoks Ekonomi İşletme ve Siyasal Çalışmalar Dergisi, 7(2), 160-176.
6. Banu, A. R. & Santhiyavalli, G. A. (2019). TOPSIS approach to evaluate the financial performance of scheduled commercial banks in India. International Journal of Economics and Research, 21(1), 24-33.
7. Barron, F., Hutton, B. & Bruce E. (1996). Decision quality using ranked attribute weights. Management Science, 42(11), 1515–1523.
8. Bayrakdaroğlu, A. & Yalçın, N. (2013). A fuzzy multi-criteria evaluation of the operational risk factors for the state-owned and privately-owned commercial banks in Turkey. Human and Ecological Risk Assessment: An International Journal, 19(2), 443-461.

9. Belke, M. & Ünal, E. A. (2017). Determinants of bank profitability: Evidence from listed and non-listed banks in Turkey. Journal of Economics Finance and Accounting, 4(4), 404-416.
10. Byeong, S. A. (2011). Compatible weighting method with rank order centroid: Maximum ENTROPY ordered weighted averaging approach. European Journal of Operational Research, 212(3), 552–559.
11. Chang, C. P. (2006). Managing business attributes and performance for commercial banks. The Journal of American Academy of Business, 9 (1), 104-109.
12. Chaudhuri, T. D. & Ghosh, I. (2014). A multi-criteria decision-making model-based approach for evaluation of the performance of commercial banks in India. IUP Journal of Bank Management, 13(3), 23-33.
13. Chen, X., Skully, M. & Brown, K (2005). Banking efficiency in China: An application of DEA to pre - and post deregulation era: 1993-2000. China Economic Review, 16, 229-245.
14. Çelen, A. (2014). Comparative analysis of normalization procedures in TOPSIS method: With an application to turkish deposit banking market. Informatica, 25(2), 185-208.
15. Çelik, M. (2018). Türkiye’de faaliyet gösteren mevduat bankalarının performans analizi: büyüklük ve sahiplik yapısı ayrımıyla bir karşılaştırma. Mehmet Akif Ersoy Üniversitesi İktisadi ve İdari Bilimler Fakültesi Dergisi, 5(2), 146-168.
16. Doğan, M. (2013). Measuring bank performance with gray relational analysis: the case of Turkey. Ege Akademik Bakış Dergisi, 13(2), 215-226.
17. Dinçer, H. ve Görener, A. (2011). Analitik hiyerarşi süreci ve VIKOR tekniği ile dinamik performans analizi: Bankacılık sektöründe bir uygulama. İstanbul Ticaret Üniversitesi Sosyal Bilimler Dergisi, 10(12), 109-127.
18. Dizgil, E. (2019). Türkiye’deki mevduat bankalarının finansal performanslarının Camels performans değerleme sistemi ile incelenmesi (2008-2017), Bitlis Eren University Journal of Academic Projection, 4(1), 144-174.
19. Du, P., Chen, Z. & Gong, X. (2020). Load response potential evaluation for distribution networks: A hybrid decision-making model with intuitionistic normal cloud and unknown weight information. Energy, 192, 1-30.
20. Ecer, F. (2015). Türkiye’deki özel bankaların finansal performanslarının karşılaştırılması: 2008-2011 Dönemi. Abant İzzet Baysal Üniversitesi Sosyal Bilimler Enstitüsü Dergisi, 13(2),171-189.
21. Ghorabaee, M. K., Zavadskas, E. K., Turskis, Z. & Antucheviciene, J. (2016). A new combinative distance-based assessment (CODAS) method for multi-criteria decision-making. Economic Computation and Economic Cybernetics Studies and Research, (3), 25-44.
22. Ghorabaee M. K., Amiri M., Zavadskas E. K., Hooshmand R. ve Antucheviciene J. (2017). Fuzzy extension of the CODAS method for multi criteria market segment evaluation. Journal of Business Economics and Management,18(1), 1-19.
23. Güneysu, Y., Er, B. ve Ar, İ.M. (2015). Türkiye’deki ticari bankaların performanslarının AHS ve GIA yöntemleri ile incelenmesi. Karadeniz Teknik Üniversitesi Sosyal Bilimler Dergisi, 9: 71-93. Hatefi, M. A. (2019). Indifference threshold-based attribute ratio analysis: A method for assigning the weights to the attributes in multiple attribute decision making. Applied Soft Computing, 74:643-651.
24. Havrylchyk, O. (2006). Efficiency of the polish banking industry: foreign versus domestic banks. Journal of Banking & Finance, 30(7), 1975-1996.
25. Henriques, I. C., Sobreiro, V. A., Kimura, H., & Mariano, E. B. (2018). Efficiency in the Brazilian banking system using data envelopment analysis. Future Business Journal, 4(2), 157-178.
26. Ho, C. T. & Wu, Y. S. (2006). Benchmarking performance indicators for banks. Benchmarking: An International Journal, 13(1-2), 147-159.
27. Işık, Ö. (2018). Türk bankacılık sektöründe etkinlik: Borsa İstanbul’da işlem gören ticari bankalardan kanıtlar. Sinop Üniversitesi Sosyal Bilimler Dergisi, 2(2), 75-100.
28. Işık, Ö. (2019). Türk mevduat bankacılığı sektörünün finansal performanslarının ENTROPİ tabanlı ARAS yöntemi kullanılarak değerlendirilmesi. Finans Ekonomi ve Sosyal Araştırmalar Dergisi, 4(1), 90-99.
29. Işık, Ö. ve Ersoy, E. (2020). Özel sermayeli mevduat bankalarında faiz gelir ve giderlerine dayalı performans analizi: CRITIC ve EDAS yöntemleri ile bir uygulama.( Ed. Karaca, S.S. ve Demireli E.), Finans Teorisine Uygulamalı Katkılar-2 (s. 69-89). Ankara: Ekin Yayınevi.
30. Karaca, S. S. & Erdoğan, S. (2018). Türk bankacılık sektörünün 2009-2016 dönemi Camels derecelendirme sistemi ile performans analizi. Uluslararası Yönetim Eğitim ve Ekonomik Perspektifler Dergisi, 6(3), 23-39.
31. Koşaroğlu, Ş. M. (2020). BİST’te işlem gören bankaların performanslarının SD ve EDAS yöntemleriyle değerlendirilmesi. Finans Ekonomi ve Sosyal Araştırmalar Dergisi, 5(3), 406-417.
32. Mandic, K., Delibasic, B., Knezevic, S. & Benkovic, S. (2014). Analysis of the financial parameters of Serbian banks through the application of the fuzzy AHP and TOPSIS methods. Economic Modelling, 43, 30-37.
33. Menicucci, E. & Paolucci, G. (2016). The determinants of bank profitability: Empirical evidence from European Banking Sector. Journal of Financial Reportingand Accounting, 14(1), 86-115.
34. Řepková, I. (2014). Efficiency of the Czech banking sector employing the DEA window analysis approach. Procedia Economics and Finance, 12(1), 587–596.
35. San, O. T., Theng, L. L., & Heng, T. B. (2011). A comparison on efficiency of domestic and foreign banks in Malaysia: A DEA approach. Business Management Dynamics, 1(4), 33-49.
36. Seçme, N. Y., Bayrakdaroğlu, A. & Kahraman, C. (2009). Fuzzy performance evaluation in Turkish banking sector using Analytic Hierarchy Process and TOPSIS. Expert Systems With Applications, 36(9), 11699-11709.
37. Siew, L. W., Fai, L. K., & Hoe, L. W. (2017). Evaluation on the financial performance of the Malaysian banks with TOPSIS model. American Journal of Service Science and Management, 4(2), 11-16.
38. Sofuoğlu, M. A. (2019). Development of an ITARA-based hybrid multi-criteria decision-making model for material selection. Soft Computing, 23:6715–6725.
39. Sureeyatanapas, P. (2016). Comparison of rank-based weighting methods for multi-criteria decision making. KKU Engineering Journal, 43(S3) :376-379.
40. Ulutaş, A., Karabasevic, D., Popovic, G., Stanujkic, D., Nguyen, P. T. & Karaköy, Ç. (2020). Development of a novel integrated CCSD-ITARA-MARCOS decision-making approach for stackers selection in a logistics system. Mathematics, 8(10), 1-15.
41. Ünvan, Y. A. (2020). Financial performance analysis of banks with TOPSIS and fuzzy TOPSIS approaches. Gazi University Journal of Science, 33(4), 904-923.
42. Vinogradova, I., Podvezko, V. & Zavadskas, E. K. (2018). The recalculation of the weights of criteria in MCDM methods using the Bayes approach. Symmetry, 10(205): 1-18.
43. Yalçıner, D. ve Karaatlı, M. (2018). Mevduat bankası seçimi sürecinde TOPSIS ve ELECTRE yöntemlerinin kullanılması. Süleyman Demirel Üniversitesi İktisadi ve İdari Bilimler Fakültesi Dergisi, 23(2), 401-423.
44. Yamaltdinova, A. (2017). Kırgızistan bankalarının finansal performanslarının TOPSIS yöntemiyle değerlendirilmesi. International Review of Economics and Management, 5(2), 68-87.
45. Yue, P. (1992). Data Envelopment Analysis and commercial bank performance: A primer with applications to missouri banks. Federal Reserve Bank of St Louis Review, January/ February, 31-45.