Evaluation of the Performance of Selected Commercial Banks Traded on BIST by LODECI and ARLON Methods

Öz

This study uses a multi-criteria decision-making (MCDM) model integrating the LODECI and ARLON methods to evaluate the performance of selected commercial banks listed on Borsa Istanbul (BIST). While the weights of the criteria are obtained with the LODECI method, banks are evaluated according to their performance with the ARLON method. Within the scope of the study, the performance of 10 commercial banks in 2023 was evaluated based on their values in 8 financial performance criteria. According to the results of the LODECI method, the most important criterion was determined as Off-Balance Sheet Accounts while the least important criterion was determined as Number of Branches. According to the results of the ARLON method, T.C. Ziraat Bank was determined as the bank with the highest performance, while ING Bank was determined as the bank with the lowest performance. In order to determine whether ARLON method gives accurate results, ARLON method was compared with ARAS, MOORA-Reference, WASPAS, GRA and TOPSIS methods. The ARLON method showed high agreement with the compared methods and was found to provide accurate results. In addition, sensitivity analysis revealed that the ARLON method is sensitive to changes in criteria weights.

Anahtar Kelimeler

• BİST
• Commercial Banks
• LODECI
• ARLON and Performance Analysis

BİST’te İşlem Gören Seçili Ticari Bankaların LODECI ve ARLON Yöntemleriyle Performansının Değerlendirilmesi

Öz

Bu çalışma, Borsa İstanbul’da (BİST) işlem gören seçili ticari bankaların performansını değerlendirmek amacıyla LODECI ve ARLON yöntemlerini entegre eden çok kriterli karar verme (ÇKKV) modeli kullanmıştır. LODECI yöntemi ile kriterlerin ağırlıkları elde edilirken ARLON yöntemi ile bankalar performanslarına göre değerlendirilmiştir. Çalışma kapsamında, 2023 yılına ait 10 ticari bankanın performansı 8 finansal performans kriterindeki değerleri baz alınarak değerlendirilmiştir. LODECI yönteminin sonuçlarına göre en önemli kriter Bilanço Dışı Hesaplar kriteri olarak belirlenirken en az öneme sahip kriter ise Şube Sayısı (Adet) olarak belirlenmiştir. ARLON yönteminin sonuçlarına göre T.C. Ziraat Bankası en yüksek performansa sahip olan banka olarak belirlenirken, ING Bank en düşük performansa sahip banka olarak belirlenmiştir. ARLON yönteminin doğru sonuçlar verip vermediğini tespit etmek için ARLON yöntemi ARAS, MOORA-Referans, WASPAS, GİA ve TOPSIS yöntemleriyle karşılaştırılmıştır. ARLON yöntemi, karşılaştırılan yöntemlerle yüksek uyum göstermiş ve doğru sonuçlar sunduğu tespit edilmiştir. Ayrıca ARLON yönteminin kriter ağırlıklarındaki değişikliklere duyarlı olduğu duyarlılık analizi ile tespit edilmiştir.Anahtar Kelimeler: BİST, Ticaret Bankaları, LODECI, ARLON ve Performans Analizi

Anahtar Kelimeler

• BİST
• Ticaret Bankaları
• LODECI
• ARLON ve Performans Analizi

Kaynakça

1. Abdel-Basset, M., Mohamed, R., Elhoseny, M., Abouhawash, M., Nam, Y., ve AbdelAziz, N. M. (2021). EfFcient MCDM model for evaluating the performance of commercial banks: A case study. Computers, Materials and Continua, 67(3), 2729-2746. DOI: 10.32604/cmc.2021.015316
2. Agnusdei, L., Krstić, M., Palmi, P., ve Miglietta, P. P. (2023). Digitalization as driver to achieve circularity in the agroindustry: A SWOT-ANP-ADAM approach. Science of The Total Environment, 882. DOI: 10.1016/j.scitotenv.2023.163441
3. Akbulut, O. Y. (2020). Gri entropi temelli PSI VE ARAS ÇKKV yöntemleriyle Türk mevduat bankalarının performans analizi. Finans Ekonomi ve Sosyal Araştırmalar Dergisi, 5(2), 171-187. DOI: 10.29106/fesa.690432.
4. Akçakanat, Ö., Eren, H., Aksoy, E., ve Ömürbek, V. (2017). Bankacılık sektöründe ENTROPI ve WASPAS yöntemleri ile performans değerlendirmesi. Süleyman Demirel Üniversitesi İktisadi ve İdari Bilimler Fakültesi Dergisi, 22(2), 285-300. DOI: 10.29232/sduiibfd.349082
5. Banu, A. R., ve 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. DOI: 10.9790/487X-2101022433.
6. Chaudhuri, T. D., ve 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. DOI: 10.2139/ssrn.2546647
7. Çilek, A. ve Şeyranlıoğlu, O. (2024). Do ESG risk ratings affect financial performance? Evidence from selected BIST banking sector companies with LODECI AND CRADIS methods. Current Applied Studies in the Field of Finance, 63-87, DOI: 10.33705/casfin.1158.
8. Ecer, F. (2013). Türkiye'deki özel bankaların finansal performanslarının karşılaştırılması: 2008-2011 dönemi. Abant İzzet Baysal Üniversitesi Sosyal Bilimler Enstitüsü Dergisi, 13(2), 171-189. DOI: 10.29106/aibusebd.360036

9. Ho, C. T., ve Wu, Y. S. (2006). Benchmarking performance indicators for banks. Benchmarking: An İnternational Journal, 13(1/2), 147-159, DOI:10.1108/14635770610644646.
10. Hwang, C. L., Yoon, K., Hwang, C. L. ve Yoon, K. (1981). Methods for multiple attribute decision making. Multiple attribute decision making: methods and applications a state-of-the-art survey. 58-191. DOI: 10.1007/978-3-642-48318-9_3.
11. Gazel, Y. H., Altınırmak, S., ve Karamaşa, Ç. (2021). Türkiye’de faaliyet gösteren ticari bankaların çok kriterli karar verme yöntemlerine göre performanslarının sıralanması. Sosyoekonomi, 29(48),161-180. DOI:10.17233/sosyoekonomi.2021.02.09
12. Gökdemir, T., ve Emel, G. G. (2023). Bıst banka’da işlem gören bankaların Covid-19 pandemi dönemindeki finansal performanslarının farklı kriter ağırlıklandırma yöntemleri ile analizi. Business & Management Studies: An International Journal, 11(3), 1163-1190. DOI: 10.15295/bmij.v11i3.2249.
13. Kahreman, Y. (2024). Toplumsal mutluluğun kaynağı ekonomik performans mı? Yönetişim performansı mı?. Nevşehir Hacı Bektaş Veli Üniversitesi SBE Dergisi, 14(3), 1620-1644.
14. Kara, K., Yalçın, G. C., Simic, V., Baysal, Z., ve Pamucar, D. (2024a). The alternative ranking using two-step logarithmic normalization method for benchmarking the supply chain performance of countries. Socio-Economic Planning Sciences, 92. DOI: 10.1016/j.seps.2024.101822
15. Kara, K., Yalçın, G. C., Ergin, E. A., Simic, V., ve Pamucar, D. (2024b). A neutrosophic WENSLO-ARLON model for measuring sustainable brand equity performance. Socio-Economic Planning Sciences, 94. DOI: 10.1016/j.seps.2024.101918
16. Karaş, Z. (2024). Türk bankacılık sektöründe çoklu kriterli karar verme yaklaşımları ile finansal performans değerlendirmesi. Elektronik Sosyal Bilimler Dergisi, 23(90), 798-820, DOI: 10.17755/esosder.1429337.
17. Keshavarz-Ghorabaee, M., Amiri, M., Zavadskas, E. K., Turskis, Z., ve Antucheviciene, J. (2021). Determination of objective weights using a new method based on the removal effects of criteria (MEREC). Symmetry, 13(4), 525. DOI: 10.3390/sym13040525.
18. Koşaroğlu, Ş. M. (2020). Bist’te İşlem gören bankalarin performanslarinin SD ve EDAS yöntemleriyle değerlendirilmesi. Finans Ekonomi ve Sosyal Araştırmalar Dergisi, 5(3), 406-417. DOI: 10.29106/fesa.758281
19. Laha, S., ve Biswas, S. (2019). A Hybrid unsupervised learning and multi-criteria decision making approach for performance evaluation of ındian banks. Accounting, 5(4), 169-184. DOI: 10.5267/j.ac.2018.11.001.
20. Mandic, K., Delibasic, B., Knezevic, S., ve 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. DOI: 10.1016/j.econmod.2014.07.036.
21. Pala, O. (2024). Assessment of the social progress on European Union by logarithmic decomposition of criteria importance. Expert Systems with Applications, 238, 121846. https://doi.org/10.1016/j.eswa.2023.121846.
22. Pala, O., Atçeken, Ö., Omurtak, H., ve Şimşir, B. (2024). BİST çimento sektöründe LODECI ve CRADIS ile finansal performans analizi. Alanya Akademik Bakış, 8(3), 956-970, DOI: 10.29023/alanyaakademik.1452960.
23. Reig-Mullor, J., ve Brotons-Martinez, J. M. (2021). The evaluation performance for commercial banks by intuitionistic fuzzy numbers: The case of Spain. Soft Computing, 25(14), 9061-9075. DOI: 10.1007/s00500-021-05847-6.
24. Stankevičienė, J., ve Mencaitė, E. (2012). The evaluation of bank performance using a multicriteria decision making model: A case study on lithuanian commercial banks. Technological and Economic Development of Economy, 18(1), 189-205, DOI: 10.3846/20294913.2012.668373.
25. Türkiye Bankalar Birliği (2024). https://www.borsaistanbul.com/tr/sayfa/194/yetki-verilenlere-iliskin-bilgiler?groupId=3 Erişim Tarihi:06.06.2024
26. Yazdi, A. K., Hanne, T., ve Gómez, J. C. O. (2020). Evaluating the performance of Colombian banks by hybrid multicriteria decision making methods. Journal of Business Economics and Management, 21(6), 1707-1730. DOI:10.3846/jbem.2020.11758.
27. Yüksel, S., Dinçer, H., ve Emir, Ş. (2017). Comparing the performance of Turkish deposit banks by using DEMATEL, Grey Relational Analysis (GRA) and MOORA approaches. World Journal of Applied Economics, 3(2), 26-47. DOI: 10.22440/wjae.3.2.2.
28. Zopounidis, C., ve Doumpos, M. (2002). Multi‐criteria decision aid in financial decision making: Methodologies and literature review. Journal of Multi‐Criteria Decision Analysis, 11(4‐5), 167-186. DOI: 10.1002/mcda.333.