BANKACILIK SEKTÖRÜNDE SORUNLU KREDİ OLUŞUMUNUN TESPİTİNE BİLİMSEL YAKLAŞIM

Year 2019, Volume: 3 Issue: 1, 1 - 18, 15.03.2019

Mustafa Ceran Serpil Ergün Bülbül

Abstract

SCIENTIFIC APPROACH TO THE DETERMINATION OF PROBLEM LOANS IN BANKING INDUSTRY

Abstract

Dijitalleşmenin iş dünyasındaki önemi son zamanlarda artmaktadır. Yapay
zekâ tabanlı uygulamaların kullanımı yaygınlaşmakta ve sektör içi rekabette
başarının sağlanmasında bu uygulamalar ön plana çıkmaktadır. Bankacılık
sektörünün de sorunlu kredi oluşumuna engel olmak adına, söz konusu trende
uyarak, kredi analizi ve tahsisi süreçlerini dijital yapılarla kuvvetlendirmesi
gerekmektedir. Bu sayede, olumsuz sonuçların meydana gelmesi öncesinde bertaraf
edilmesi mümkün hale gelecektir. Bu çalışmada; kredilerin sorunlu hale gelmesi,
bu kredileri kullanan işletmelerin finansal başarısızlıklarıyla
ilişkilendirilmekte ve sorunlu kredi oluşumunun tespitine ilişkin
uygulanabilecek bilimsel çalışmalar değerlendirilmektedir. Sonuçta, “yapay
sinir ağlarının” sorunlu kredi oluşumunun tespitinde başarılı bir bilimsel
yöntem olacağı ve bu yöntemin işletmelerin finansal verilerinin bir işleme
sürecinden geçirilerek gerçekleştirilmesiyle daha başarılı çıktılar üreteceği
öne sürülmektedir

Keywords

Finansal Başarısızlık, Kredi Analizi ve Tahsisi, Sorunlu Krediler, Yapay Sinir Ağı Modelleri

References

• Aktaş, R. (1991). Endüstri İşletmeleri İçin Mali Başarısızlık Tahmini – Çok Boyutlu Model Uygulaması. Yayınlanmamış Doktora Tezi, Ankara Üniversitesi Sosyal Bilimler Enstitüsü İşletme Anabilim Dalı.
• Aktaş, R., Doğanay, M. ve Yıldız, B. (2003). Mali Başarısızlığın Öngörülmesi: İstatistiksel Yöntemler ve Yapay Sinir Ağı Karşılaştırması. Ankara Üniversitesi SBF Dergisi, Cilt 58, No.4: 1-24.
• Altman, E. (1968). Financial Ratios, Discriminant Analysis And The Prediction of Corporate Bankruptcy. The Journal of Finance, XXIII (4): 589-609.
• Altman, E. (1983). Corporate Financial Distress: A Complete Guide to Predicting, Avoiding and Dealing With Bankruptcy. New York: John Wiley & Sons.
• Beaver, W. (1966). Financial Ratios as Predictors of Failure. Journal of Accounting Research, 4(3): 71-111.
• Bülbül, S.E. (1999). İstatistiksel Başarısızlık Zamanı Modelleri ve Finansal Analizlerde Uygulaması. Yayınlanmamış Doktora Tezi, Marmara Üniversitesi, Sosyal Bilimler Enstitüsü, Ekonometri Anabilim Dalı, İstatistik Bilim Dalı.
• Belli, Y.K. (2005). Bankalarda Mali Başarısızlığın Öngörülmesi Lojistik Regresyon ve Yapay Sinir Ağı Karşılaştırması. Gazi Üniversitesi Endüstriyel Sanatlar Eğitim Fakültesi Dergisi, Sayı16: 31-46.
• Budak, H. ve Erpolat, S. (2012). Kredi Riski Tahmininde Yapay Sinir Ağları ve Lojistik Regresyon Analizi Karşılaştırması. Online Academic Journal of Information Technology, 3(9): 23-30.
• Coats, P.K. ve Fant, L.F. (1993). Recognizing Financial Distress Patterns Using A Neural Network Toll. Financial Management, 22(3): 142-155.
• Ergin, E. (2009). İşletmelerde Finansal Başarısızlık Olasılığının Erken Tanısı: İMKB Uygulaması. Yayınlanmamış Doktora Tezi, Kocaeli Üniversitesi İşletme Anabilim Dalı Muhasebe Finansman Programı.
• Hsieh, N. (2005). Hybrid Mining Approach In The Design Of Credit Scoring Models. Expert Systems With Applications, 28: 655-665.
• Jacobs, J.J. (2007). The Application Of Failure Prediction Models On Non-Listed Companies. Tshwane University of Technology Faculty of Management Sciences Business School: 65-71.
• Mcnelis, P.D. (2005). Neural Networks in Finance: Gaining Predictive Edge In The Market. USA: Elsevier Academic Press.
• Ohlson, J. (1980). Financial Ratios And The Probabilistic Prediction of Bankruptcy. Journal of Accounting Research, 18(1): 109-131.
• Öcal, N. (2016). Firma Derecelendirmesi ve Borsa İstanbul’da İmalat Sektörü İçin Model Önerisi, İktisadi Araştırmalar Vakfı İktisadi İşletmesi, Yayın No.26: 153-204. Salchenberger, L.M., Cinar, E.M. ve Lash N.A. (1992). Neural Networks: A New Tool For Predicting Thrift Failures. Decision Sciences, 23(4): 899-916.
• Sönmez, F. (2015). Kredi Skorunun Belirlenmesinde Yapay Sinir Ağları ve Karar Ağaçlarının Kullanımı: Bir Model Önerisi, ABMYO Dergisi, Sayı 40: 1-22.
• Tamari, M. (1966). Financial Ratios as a Means of Forecasting Bankruptcy. Management International Review, 6(4): 15-21.
• Terzi, S. (2011). Finansal Rasyolar Yardımıyla Finansal Başarısızlık Tahmini: Gıda Sektöründe Ampirik Bir Araştırma. Çukurova Üniversitesi İİBF Dergisi, 15(1): 1-18. Tsai, C. ve Chen M. (2010). Credit Rating By Hybrid Machine Learning Techniques. Applied Soft Computing, 10: 374-380.
• Ünal, T. (1986). Firma Başarısızlıklarının Belirlenmesinde Bir Erken Uyarı Modeli, Yayınlanmamış Doktora Tezi, İstanbul Teknik Üniversitesi. https://books.google.com.tr/books?id=s7zonQEACAAJ&dq=irma+ba%C5%9Far%C4%B1s%C4%B1zl%C4%B1klar%C4%B1n%C4%B1n+belirlenmesinde+bir+erken+uyar%C4%B1+modeli&hl=tr&sa=X&ei=RwuIVb_LNISWsgG4zoLYCg&ved=0CBsQ6AEwAA, (22.06.2015). Wılson, R.L. ve Sharda, R. (1994). Bankruptcy Prediction Using Neural Networks. Decision Support Systems, 11(5): 545-557.
• Yazıcı, M. (2007). Bankalarda KOBİ Kredilerini Değerlendirmeye İlişkin Bir Yaklaşım: Yapay Sinir Ağları. Yayınlanmamış Doktora Tezi, Kadir Has Üniversitesi Sosyal Bilimler Enstitüsü Finans ve Bankacılık Doktora Programı.
• Zeytinoğlu, E. ve Akarım, Y.D. (2013). Financial Failure Prediction Using Financial Ratios: An Empirical Application On Istanbul Stock Exchange. Journal of Applied Finance & Banking, 3(3): 107-116.