THE IMPACT OF ECONOMIC AND EDUCATIONAL FACTORS ON PROTESTED BILLS: THE CASE OF TURKEY

Öz

This study analyses the effect of economic welfare and educational attainment on the amount of protested promissory notes in Turkey with province-based data for 2015-2022. In the study, gross domestic product (GDP) per capita and the number of postgraduate graduates are used as independent variables, and the effect of these variables on the amount of protested promissory notes is analysed by the panel data analysis method. According to the results of the analysis, the increase in GDP per capita and the increase in the number of graduate graduates statistically significantly reduced the amount of protested bills. In addition to the panel data analysis, a multilayer Long Short Term Memory (LSTM) architecture is designed to predict the number of bills to be protested with an error rate of approximately 7.7%. While increasing economic prosperity strengthens individuals' payment capacity, increasing the number of individuals with postgraduate degrees supports more informed financial management and planning skills. It contributes to a reduction in payment problems. The study's findings suggest that economic growth and education level play an important role in reducing the number of protested bills.

Anahtar Kelimeler

• GDP
• Panel data
• Bonds
• Master's degree
• Economics
• LSTM
• Artificial Intelligence

EKONOMİK VE EĞİTİMSEL FAKTÖRLERİN PROTESTO EDİLEN SENETLER ÜZERİNDEKİ ETKİSİ: TÜRKİYE ÖRNEĞİ

Öz

Bu çalışmada, ekonomik refah ve eğitim düzeyindeki artışın Türkiye’de protesto edilen senet miktarına olan etkisi 2015-2022 yılları arasındaki il bazlı verilerle incelenmiştir. Çalışmada bağımsız değişkenler olarak kişi başına düşen gayrisafi yurt içi hasıla (GSYİH) ve yüksek lisans mezunlarının sayısı kullanılmış, panel veri analizi yöntemi ile bu değişkenlerin protesto edilen senet miktarı üzerindeki etkisi analiz edilmiştir. Analiz sonuçlarına göre, hem kişi başına düşen GSYİH’nin artışı hem de yüksek lisans mezunlarının sayısındaki yükseliş, protesto edilen senet miktarını istatistiksel olarak anlamlı bir şekilde azaltmaktadır. Panel veri analizine ek olarak çalışmada çok katmanlı Uzun Kısa Süreli Bellek (LSTM) mimarisi tasarlanarak yaklaşık %7,7 hata oranı ile protesto edilecek senet sayısı tahmini yapılmıştır. Ekonomik refahın artması bireylerin ödeme kapasitelerini güçlendirirken, yüksek lisans mezunu bireylerin artışı, daha bilinçli finansal yönetim ve planlama becerilerini desteklemekte ve ödeme problemlerinin azalmasına katkı sağlamaktadır. Araştırmanın bulguları, ekonomik büyüme ve eğitim düzeyinin protesto edilen senetlerin azaltılmasında önemli bir rol oynadığını göstermektedir.

Anahtar Kelimeler

• GSYİH
• Panel veri
• Senet
• Yüksek lisans
• Ekonomi
• LSTM
• Yapay Zeka

Kaynakça

1. Achim, M. V. ve Borlea, S. N. (2020). Economic and Financial Crime. Springer International Publishing.
2. Açıkgöz, E. (2012). Finansal Sıkıntıyı Belirleyen Faktörlerin Tespiti: İMKB imalat sektörü uygulaması. (Doktora Tezi) Bülent Ecevit Üniversitesi Sosyal Bilimler Enstitüsü, Zonguldak.
3. Asongu, S. (2012). Financial Determinants of Consumer Price Inflation. What Do Dynamics in Money, Credit, Efficiency and Size Tell Us?. What Do Dynamics in Money, Credit, Efficiency and Size Tell Us.
4. Freed, P. G. ve Hackney, J. (2024). Financial Literacy and Financial Crime: A Regression Discontinuity Approach. Available at SSRN 5097569.
5. Graves, A. ve Graves, A. (2012). Long Short-Term Memory. Supervised Sequence Labelling with Recurrent Neural Networks, 37-45.
6. Groen, J. J. (2004). Corporate Credit, Stock Price İnflation And Economic Fluctuations. Applied Economics, 36(18), 1995-2006.
7. Hochreiter, S. ve Schmidhuber, J. (1997). Long Short-Term Memory. Neural Computation, 9(8), 1735-1780.
8. Kaptan, Ö. B. (2011). Bireysel Kredilerin Risk ve Tüketici Davranışı Açısından Analizi (Doctoral dissertation, Ankara Universitesi (Turkey)).

9. Kutsal, A. (1982). Karşılıksız Çekler ve Protestolu Senetler Konusunda Neler Yapılabilir?. Erciyes Üniversitesi İktisadi ve İdari Bilimler Fakültesi Dergisi, 2(3), 131-137.
10. Machin, S., Marie, O. ve Vujić, S. (2011). The Crime Reducing Effect of Education. The Economic Journal, 121(552), 463-484.
11. Senal, S., Ateş, B. A. ve Kendir, E. (2022). Covid-19 Pandemi Sürecinin Banka Kredileri ve Bankaların Protestolu Senetleri Üzerine Etkileri. Çankırı Karatekin Üniversitesi İktisadi ve İdari Bilimler Fakültesi Dergisi, 12(2), 1-36.
12. Sunny, M. A. I., Maswood, M. M. S. ve Alharbi, A. G. (2020, October). Deep Learning-Based Stock Price Prediction Using LSTM and Bi-Directional LSTM Model. In 2020, 2nd Novel İntelligent and Leading Emerging Sciences Conference (NILES) (pp. 87-92).
13. Rakshit, B. ve Neog, Y. (2020). Does Higher Educational Attainment İmply Less Crime? Evidence From The Indian States. Journal of Economic Studies, 48(1), 133-165.
14. Rehman, F. U. ve Ahmad, E. (2022). The Effect of Climate Patterns on Rice Productivity in Pakistan: an Application of Driscoll and Kraay Estimator. Environmental Science and Pollution Research, 29(35), 53076- 53087.
15. Tong, H. ve Wei, S. J. (2008). Real Effects of The Subprime Mortgage Crisis: İs İt A Demand or A Finance Shock? (No. w14205). National Bureau of Economic Research.
16. Ülgen, H., Helvacı, M., Kaya, A. ve Ertan, N. F. N. (2019). Kıymetli Evrak Hukuku (Vol. 12). Vedat Kitapçılık.