İŞLETME KREDİLERİNİN EKONOMİK BELİRLEYİCİLERİNİN PARAMETRİK OLMAYAN BİR YAKLAŞIMLA ANALİZİ

Öz

Ekonomik büyüme ve kalkınma için bir araç olan işletme kredilerinin hangi ekonomik faktörlerden nasıl etkilendiğinin tespit edilmesi politika yapıcıların gelecek planları açısından önemlidir. Bu açıdan çalışmanın temel amacı işletme kredileri üzerinde döviz kurları, ticari kredi faiz oranı, reel kesim güven endeksi, kapasite kullanım oranı, ihracat ve ithalat, üretici fiyat endeksinin etkileri araştırılmıştır. 2013/01-2022/07 dönemi aylık verilerinin yer aldığı çalışmada çok değişkenli uyarlanabilir regresyon eğrileri (MARS) yönteminden yararlanılmıştır. Çalışma sonuçlarına göre dolar kuru, ticari kredi faiz oranı ve üretici fiyat endeksi değişkenleri işletme kredileri üzerinde istatistiksel olarak anlamlı etkilere sahiptir. Dolar kurunun kritik değerinin altına inmesi işletme kredilerini negatif yönde, üstünde seyretmesi ise pozitif yönde etkilemektedir. Diğer taraftan ticari kredi faiz oranının krediler üzerindeki etkisinin genel olarak olumsuz olduğu tespit edilmiştir. Üretici fiyat endeksi değerinin ise kritik değeri aşması halinde kredi taleplerini artıracağı yönünde bulgulara ulaşılmıştır. Türkiye ekonomisinde işletme kredilerini belirleyen en önemli faktörün ise dolar kuru olduğu ortaya konulmuştur.

Anahtar Kelimeler

• Banka Kredileri
• İşletme Kredileri
• Döviz Kuru
• Faiz
• Enflasyon
• Mars

ANALYSIS OF THE ECONOMIC DETERMINANTS OF ENTERPRISE CREDITS WITH A NON-PARAMETRIC APPROACH

Öz

It is important for policymakers' future plans to determine which economic factors and how affect enterprise credits, which are a tool for economic growth and development, are affected. In this respect, the main purpose of the study is to investigate the effects of exchange rates, commercial loan interest rate, real sector confidence index, capacity utilization rate, export and import, producer price index on enterprise credits. Multivariate adaptive regression splines (MARS) method was used in the study, which includes monthly data for the period 2013/01-2022/07. According to the results of the study, the variables of dollar exchange rate, commercial loan interest rate and producer price index have statistically significant effects on enterprise credits. Falling below the critical value of the dollar rate affects enterprise credits negatively, and above it positively. On the other hand, it has been determined that the effect of commercial loan interest rate on credits is generally negative. It has been found that if the producer price index value exceeds the critical value, it will increase the loan demands. It has been revealed that the most important factor determining enterprise credits in the Turkish economy is the dollar rate.

Anahtar Kelimeler

• Banking Credit,
• Business Credit
• Exchange Rate
• Inflation rate
• MARS

Kaynakça

1. ALBULESCU, C. T., (2009), Forecasting Credit Growth Rate in Romania: From Credit Boom To Credit Crunch?, Munich Personal RePEc Archive, MPRA Paper No. 16740.
2. ARSLAN, Z. ve GÖÇMEN YAĞCILAR, G. (2021) Türk Bankacılık Sektöründe Performansın Belirleyicileri, Üçüncü Sektör Sosyal Ekonomi Dergisi, 56(3), 2111-2131 DOI: 10.15659/3.sektor-sosyal-ekonomi.21.09.1650.
3. AVCI, T. (2020). Makroekonomik Faktörler ve Banka Kredilerinin Enflasyon Üzerindeki Etkisi: Türkiye Örneği. Finans Ekonomi ve Sosyal Araştırmalar Dergisi, 5 (1), 98-107. DOI: 10.29106/fesa.690721
4. AYDIN, Y. (2019). Türk Bankacılık Sektöründe Karlılığı Etkileyen Faktörlerin Panel Veri Analizi ile İncelenmesi. Gümüşhane Üniversitesi Sosyal Bilimler Dergisi, 10 (1), 181-189. Erişim : https://dergipark.org.tr/en/pub/gumus/issue/44146/486202
5. BABILLA, K. T. U. Bank‐lending channel of monetary policy transmission in WAEMU: An estimated DSGE model approach. International Journal of Finance & Economics. DOİ: 10.1002/ijfe.2729
6. BARAJAS, A., CHAMİ, R., ESPİNOZA, R. A., ve HESSE, H. (2010). Recent credit stagnation in the MENA region: What to expect? What can be done?. What Can Be Done. IMF Working Paper No. 10/219 Erişim: https://papers.ssrn.com/sol3/papers.cfm?abstract_id=1750707.
7. BAOKO, G., ACHEAMPONG, I. A., ve IBRAHIM, M. (2017). Determinants of bank credit in Ghana: A bounds-testing cointegration approach. African Review of Economics and Finance, 9(1), 33-61.
8. BERNANKE, B. S. ve BLINDER, A. (1988). Credit, Money and Aggregate Demand, The American Economic Review, 78(2), 435-439. DOİ: 10.3386/w2534

9. BERNANKE, B. S. ve GERTLER, M. (1995). Inside the Black Box: The Credit Channel of Monetary Policy Transmission. Journal of Economic Perspectives, IX, 4, 27-48.
10. BERROSPİDE, J. M., ve EDGE, R. M. (2010). The effects of bank capital on lending: What do we know, and what does it mean?. CAMA Working Paper Series 26/2010 https://papers.ssrn.com/sol3/papers.cfm?abstract_id=1670506
11. BOEHMKE, B. ve GREENWELL, B. (2020). Hands-on machine learning with R. New York: Chapman and Hall/CRC.
12. BÖLÜKBAŞ, M. (2019). Türkiye’de Enflasyon Cari Açık ve Bankacılık Sektörü Kredileri: 2006-2018 Dönemi İçin Bir İnceleme. Sosyal Bilimler Araştırma Dergisi, 8 (2), 77-92. Erişim: https://dergipark.org.tr/en/pub/ssrj/issue/45017/539932
13. BROCK, W. A., DECHERT, W. D., SCHEINKMAN, J. A., ve LEBARON, B. (1996). A test for independence based on the correlation dimension. Econometric Reviews, 15(3), 197–235.
14. BROOKS P.K. (2007) The Bank Lending Channel of Monetary Transmission: Does It Work in Turkey? IMF Working Paper, WP/07/272. Erişim: https://papers.ssrn.com/sol3/papers.cfm?abstract_id=1075888
15. CECCHETTI, S. G. (1999). Legal structure, financial structure, and the monetary policy transmission mechanism. Erişim: https://www.nber.org/papers/w7151. DOI 10.3386/w7151
16. CHERNYKH, L., ve THEODOSSIOU, A. K. (2011). Determinants of bank long-term lending behavior: Evidence from Russia. Multinational Finance Journal, 15(3/4), 193-216. Erişim: https://papers.ssrn.com/sol3/ papers.cfm?abstract_id=2622922
17. CHEN, Y.-J., LIN J.-A., CHEN, Y.-M. ve WU, J.-H. (2019). Financial forecasting with multivariate adaptive regression splines and queen genetic algorithm-support vector regression. IEEE Access, 7, 112931-112938. DOİ:10.1109/ACCESS.2019.2927277
18. DAĞIDIR, C. (2010). Türk Bankacılık Sektöründe Karlılık ve Makroekonomik Değişkenlerle Ilişkisi. Ekonomi Bilimleri Dergisi, 2(1), 25-33. Erişim https://dergipark.org.tr/en/download/article-file/56630
19. DE ANDRÉS, J, LORCA, PEDRO, DE COS JUEZ, FRANCISCO J., ve SÁNCHEZ-LASHERAS, F. (2011). Bankruptcy forecasting: A hybrid approach using Fuzzy c-means clustering and Multivariate Adaptive Regression Splines (MARS). Expert Systems with Applications 38 (2011) 1866–1875. DOİ:10.1016/j.eswa.2010.07.117
20. DEPREN, S.K. ve KARTAL, M.T. (2020). Prediction on the volume of non-performing loans in Turkey using multivariate adaptive regression splines approach, Int J Fin Econ. 2020;1–11.
21. DİKBAŞ, Ü., KASAP, R. ve ÜNSAL, M.G. (2022). Beklenen Enflasyon Verilerinde Kaos Varlığının İncelenmesi, Yönetim ve Ekonomi, Cilt:29 Sayı:3, 567-581.
22. DİNÇER, H., HACIOĞLU, Ü. ve YÜKSEL, S. (2017). Determining influencing factors of currency exchange rate for decision making in global economy using MARS method. In A. Presenza and L. R. Sheehan (Eds.), Geopolitics and strategic management in the global economy (pp. 261-273). DOİ:10.4018/978-1-5225-2673-5.ch013
23. DHARMADASA, P. D. C. S. (2021). Short and Long Term Determinants of Bank Credit Growth in Sri Lanka. South Asian Journal of Finance, 1(1), 1. DOI: 10.4038/sajf.v1i1.24
24. DOĞANALP, N. (2022). Parasal Aktarım Mekanizması Kanallarından Faiz ve Kredi Kanalının VAR Yöntemiyle İncelenmesi: Türkiye Örneği. Avrupa Bilim ve Teknoloji Dergisi, (33), 138-144. DOI: 10.31590/ejosat.1038909.
25. FRIEDMAN, J.H. (1991). Multivariate adaptive regression splines. The Annals of Statistics, 19(1), 1-67. doi:10.1214/aos/11763 47963
26. GHOSH ve GHOSH (1999), “East Asia in The Aftermath: Was There A Crunch?”, IMF Working Paper No. 99/38, International Monetary Fund.
27. GÖÇER, Y. D. D. İ. (2015). Bankacılık Sektörü Kredi Hacmi Genişlemesinin İşsizlik Üzerindeki Etkileri: Çoklu Yapısal Kırılmalı Eştümleşme Analizi . ISGUC The Journal of Industrial Relations and Human Resources , 17 (2) , 109-129 . Erişim: https://dergipark.org.tr/en/pub/isguc/issue/25445/268489
28. GÜNDOĞDU, F., ve HAYATİ, A. K. S. U. (2011). Mevduat Bankaciliğinda Karlilik Ve Makroekonomik Değişkenler İlişkisi: Türkiye Üzerine Bir Uygulama. Atatürk Üniversitesi İktisadi ve İdari Bilimler Dergisi, 25. Erişim: https://dergipark.org.tr/en/download/article-file/30444
29. GRODZICKI, M., HAŁAJ, G., ve ZOCHOWSKI, D. (2010). Commercial Bank Lending Policy and Loan Supply. Erişim: http://www.grzegorzhalaj.pl/LoanSupplySurveys.pdf
30. HAYKIR, Ö., ve AYDİN, M. (2019). Türkiye’de Banka Kredilerinin İhracat Üzerine Etkileri; Ekonometrik Analiz. Nevşehir Hacı Bektaş Veli Üniversitesi SBE Dergisi, 9(2), 515-533. Erişim: https://dergipark.org.tr/en/pub/nevsosbilen/issue/51363/596505
31. IMRAN, K., & NISHAT, M. (2013). Determinants of bank credit in Pakistan: A supply side approach. Economic Modelling, 35, 384-390. DOİ:10.1016/j.econmod.2013.07.022
32. KAPLAN, H. E. (2020). Banka Mevduatları ve Sanayi Üretimi İlişkisi: Parasal Aktarım Mekanizması Üzerine Bir Nedensellik İncelemesi. Gaziantep University Journal of Social Sciences, 19(4), 1717-1734. DOİ:10.21547/jss.756259
33. KARADAĞ, H. (2021). Türkiye Ekonomisinde Bankalar Tarafından Verilen Konut Kredileri, Konut Satışları ve İşsizlik Arasındaki İlişki (2010:Q1-2020:Q3) . Journal of Social Policy Conferences , (80) , 403-422. Erişim: https://dergipark.org.tr/en/pub/iusskd/issue/64056/891765
34. KARAHAN, Ö. ve GÜRBÜZ, Y. E. (2017). Türkiye’de Bireysel Banka Kredileri ve Enflasyon İlişkisi. Uluslararası Yönetim İktisat ve İşletme Dergisi, ICMEB17 Özel Sayısı, 410-416. Erişim: https://dergipark.org.tr/en/pub/ijmeb/issue/54601/744480
35. KARTAL, M.T. (2019). Türkiye’de kredi faizlerini etkileyen faktörlerin belirlenmesi: MARS yöntemiyle bir analiz. Bankacılar Dergisi, 108, 24-41. Erişim: https://www.tbb.org.tr/tr/bankacilik/ arastirma-ve- yayinlar/bankacilar-dergisi/43?year=2022
36. KARTAL, M.T. (2020). Determining affecting macroeconomic indicators on interest rates in emerging countries: A comparative examination upon China, Brazil, and Turkey with multivariate adaptive regression splines (MARS). Journal of Empirical Economics and Social Science, Volume: 2, Issue: 1, pp. 23-41.
37. KARTAL M.T. (2022). The role of consumption of energy, fossil sources, nuclear energy, and renewable energy on environmental degradation in top-five carbon producing countries, Renewable Energy, 184, 871-880.
38. KARTAL, M.T., DEPREN KILIÇ, S. ve DEPREN, Ö. (2018). Türkiye’de döviz kurlarını etkileyen makroekonomik göstergelerin belirlenmesi: MARS yöntemi ile bir inceleme. MANAS Sosyal Araştırmalar Dergisi, 7(1), 209-229. Erişim : https://dergipark.org.tr/tr/pub/mjss/
39. KASHYAP, A. K.,ve STEIN, J. C. (1995, June). The impact of monetary policy on bank balance sheets. In Carnegie-rochester conference series on public policy (Vol. 42, pp. 151-195). North-Holland. DOİ:10.1016/0167-2231(95)00032-U
40. KOÇ, H., DÜNDER, E.ve KOÇ T. (2019). Multivariate adaptive regression splines (MARS) method for unemployment in OECD countries. Erciyes Üniversitesi Fen Bilimleri Enstitüsü Dergisi, 35(3), 46-51.Erişim: https://dergipark.org.tr/tr/pub/erciyesfen/
41. LADIME, J., SARPONG-KUMANKOMA, E., ve OSEI, K. A. (2013). Determinants of bank lending behavior in Ghana. Journal of Economics and Sustainable Development, 4(17), 42-47.
42. LE, H. N. Q., NGUYEN, T. V. H., ve SCHINCKUS, C. (2022). Bank lending behaviour and macroeconomic factors: A study from strategic interaction perspective. Heliyon, e 11906. DOİ:10.1016/j.heliyon.2022.e11906
43. LEVINE, R. (2005). Finance and Growth: Theory and Evidence, Handbook of Economic Growth, Chapter 12, Editor(s): Philippe Aghion, Steven N. Durlauf, Elsevier, Volume 1, Part A, 2005 Pages 865-934, ISSN 1574-0684, ISBN 9780444520418, DOİ:10.1016/S1574-0684(05)01012-9.
44. LIN, C.-J.ve LEE T.-S. (2013). Tourism demand forecasting: Econometric model based on multivariate adaptive regression splines, artificial neural network and support vector regression. Advances in Management & Applied Economics, 3(6), 1-18. Erişim: http://www.scienpress.com/
45. MAITI, M., ESSON, I. A., ve VUKOVIĆ, D. (2020). The impact of interest rate on the demand for credit in Ghana. Journal of Public Affairs, 20(3), e2098. DOİ:10.1002/pa.2098
46. MILBORROW S. (2020). Earth: Multivariate adaptive regression spline, R package, Version 5.3.0. Erişim: http://www.milbo.users.sonic.net/earth/
47. MISHKIN, F. S. (1995). Symposium on the Monetary Transmission Mechanism. Journal of Economic Perspectives, IX, 4, 3-10. DOI: 10.1257/jep.9.4.3
48. MISHKIN, F. S. (2001). The Transmission Mechanism and the Role of Asset Prices in Monetary Policy. NBER Paper, No.8617. DOI 10.3386/w8617.
49. NALIN, H. T. ve TAŞDELEN, S. (2016). Bankalarda Kredi Arzını EtkileyenFaktörler . Finans Politik ve Ekonomik Yorumlar, (615) , 65-75 . Erişim: https://dergipark.org.tr/en/pub/fpeyd/issue/48030/607404
50. NORAWATI, S., ZULHER, Z., KASMAWATI, K., ve RATNASIH, C. (2022). The effectiveness of the determinants of banking credit growth. Accounting, 8(3), 287-292. DOI: 10.5267/j.ac.2021.12.001
51. OKTAR, S. ve YÜKSEL, S. (2015). Bankacılık krizlerinin erken uyarı sinyalleri: Türkiye üzerine bir uygulama. İstanbul Ticaret Üniversitesi Sosyal Bilimleri Dergisi, 38, 37-53. Erişim : http://acikerisim.ticaret.edu.tr/
52. OKTAR, S. ve YÜKSEL, S. (2016). Bankaların türev ürün kullanımını etkileyen faktörler: MARS yöntemi ile bir inceleme. Finans Politik & Ekonomik Yorumlar, 53(620), 31-46. Erişim: http://www.ekonomikyorumlar.com.tr/
53. OLOKOYO, F. (2011). Determinants of Commercial Banks’ Lending Behavior in Nigeria. International Journal of Financial Research, 2(2), 61-72. Erişim: https://core.ac.uk/download/pdf/12356256.pdf
54. QI, X., WANG, H., PAN, X., CHU, J. ve CHIAM, K. (2020). Prediction of interfaces of geological formations using the multivariate adaptive regression spline method. Underground Space, 6, 252–266. DOİ:10.1016/j.undsp.2020.02.006
55. PARK, H., RUIZ, C.,ve TRESSEL, T. (2015). Determinants of long-term versus short-term bank credit in EU countries.World Bank Policy Research Working Paper No:7416. Erişim: https://openknowledge.worldbank.org/handle/10986/22858
56. PRASAD, E., ROGOFF, K., WEI, S. J., ve KOSE, M. A. (2005). Effects of financial globalization on developing countries: some empirical evidence. In India’s and China’s recent experience with reform and growth (pp. 201-228). Palgrave Macmillan, London
57. RABAB’AH, M. (2015). Factors affecting the bank credit: An empirical study on the Jordanian commercial banks. International journal of Economics and Finance, 7(5), 166-178. DOİ::10.5539/ijef.v7n5p166
58. ROUNAGHI, M. M., ABBASZADEH, M. R. ve ARASHI, M. (2015). Stock price forecasting for companies listed on Tehran stock exchange using multivariate adaptive regression splines model and semi-parametric splines technique. Physica A: Statistical Mechanics and its Applications, 438, 625-633.
59. SHARMA, P. ve GOUNDER, N. (2012). Determinants of Bank Credit in Small Open Economies: The Case of Six Pacific Island Countries (December 11, 2012). Available at SSRN: https://ssrn.com/abstract=2187772 or DOİ:10.2139/ssrn.2187772
60. SHIJAKU, G. ve KALLUCI, I. (2013). Determinants of bank credit to the private sector: The case of Albania. Published in:MPR paper https://mpra.ub.uni-muenchen.de/79092/
61. SEPHTON, P. (2001). Forecasting recessions: Can we do better on MARS? Review Federal Reserve Bank of Saint Louis, 83(2), 39-49. Erişim: https://files.stlouisfed.org/
62. SEKMEN, T., ve TOPUZ, S. G. (2020). Türkiye'de kredi büyümesinin belirleyicilerinin zamanla değişen nedensellik testiyle analizi. Business and Economics Research Journal, 11(4), 969-988. DOİ:10.20409/berj.2020.293
63. STIGLITZ, J. E., ve WEISS, A. (1981). Credit rationing in markets with imperfect information. The American economic review, 71(3), 393-410. Erişim https://www.jstor.org/stable/1802787
64. ŞAHBAZ KILINÇ, N. ve KILINÇ, E. C. (2020) Türkiye’de banka kredi kanalının etkinliği. Afyon Kocatepe Üniversitesi Sosyal Bilimler Dergisi, 22(2), 418-431. Erişim: https://acikerisim.kku.edu.tr/ xmlui/handle/20.500.12587/14015
65. TAN, M. T. B. P. (2012). Determinants of credit growth and interest margins in the Philippines and Asia International Monetary Fund.
66. TAŞ, S., ÖRNEK, İ., ve UTLU, S. (2012). Banka Kredi Kanalı Ve Türkiye Uygulaması. Journal of the Cukurova University Institute of Social Sciences, 21(1). Erişim: https://web.p.ebscohost.com/ehost/pdfviewer/pdfviewer?vid=0&sid=876421a6-5fa1-40bc-b30d ad53c33a0445%40redis
67. TAŞSEVEN, Ö. ve YILMAZ, N. (2021). Türkiye Ekonomisinde Banka Kredisi, İhracat Ve Ekonomik Büyüme Arasındaki Nedensellik İlişkisi. Akademik Hassasiyetler, 8 (16), 429-455. Erişim: https://dergipark.org.tr/en/pub/akademik-hassasiyetler/issue/64679/955347
68. YILDIZ, M. ve ÖZDEMİR, L. (2022). Determination of the sensitivity of stock index to macroeconomic and psychological factors by MARS method. In S. Grima, E. Özen and R.E.D. Gonzi (Eds.), Insurance and risk management for disruptions in social, economic and environmental systems: Decision and control allocations within new domains of risk (pp. 81-105). Bingley: Emerald Publishing.
69. YİĞİTBAŞ, Ş. B. (2015). Türkiye'de özel işletme kredilerinin belirleyicileri. Akademik Bakış Uluslararası Hakemli Sosyal Bilimler Dergisi, (47), 287-297. Erişim: https://dergipark.org.tr/en/pub/abuhsbd/issue/ 32940/36595
70. YÜKSEL, S. (2016). Bankaların takipteki krediler oranını belirleyen faktörler: Türkiye için bir model önerisi. Bankacılar Dergisi, 98, 41-56. Erişim adresi: https://www.tbb.org.tr/tr/bankacilik/arastirma-ve-yayinlar/bankacilar-dergisi/43?year=2022
71. YÜKSEL, S. ve ÖZSARI, M. (2017). Türkiye Cumhuriyet Merkez Bankası’nın döviz rezervlerine etki eden makroekonomik faktörlerin belirlenmesi. Finans Politik & Ekonomik Yorumlar, 54(631), 41-53. Erişim adresi: http://www.ekonomikyorumlar.com.tr/
72. ZENGİN, S., YÜKSEL, S. ve KARTAL, M.T. (2018). Understanding the factors that affect foreign direct investment in Turkey by using MARS method. Finansal Araştırmalar ve Çalışmalar Dergisi, 10(18), 177-192. DOİ:10.14784/marufacd.460693 İnternet Kaynakları
73. BANK FOR INTERNATIONAL SETTLEMENT (BIS) https://stats.bis.org/statx/srs/tseries/CRE A.4T.P.B.M.USD. A?t=f2.5&c=&p=2017&i=49.1. (Erişim 28.11.2022).
74. TÜRKİYE CUMHURİYET MERKEZ BANKASI (TCMB) (2022) https://evds2.tcmb.gov.tr/index.php? /evds/dashboard/4769 (Erişim 20.08.2022).
75. TÜRKİYE İSTATİSTİK KURUMU (TUIK) (2023) https://data.tuik.gov.tr/Bulten/Index?p=Dis-Ticaret-Istatistikleri-Eylul-2022 (Erişim 27.01.2023)