CLASSIFICATION OF BANKS BY CLASSICAL AND FUZZY APPROACHES

Abstract

Significant parts of the financial sector need to have sufficient capital to fulfill the basic functions of the banks. Regardless of the capital source, all banks have international standards that they must comply with in terms of capital adequacy. Provision of these standards leads to similar characteristics according to the capital adequacy of the banks. It may not always be possible to group banks with similar characteristics with exact divisions. At this point, the fuzzy clustering method, which allows banks to be assigned to different groups with specific membership grades, is at the forefront. Classical and fuzzy clustering approaches are used comparatively in this study which aims to group banks by capital adequacy ratios. In the study, 46 banks were grouped by Ward, K-Average and Fuzzy C-Average methods according to capital adequacy ratios for 2015. As a result, three sets of similar structures were obtained for each method. When the cluster structures were examined, it was observed that the clusters were heterogeneous in terms of capital resources. However, since the capital adequacy is taken into consideration instead of the capital resources while the grouping is carried out, it is a common result that the obtained clusters contain different types of banks. When membership ratings are examined, it is observed that the rest of the few except a few banks generally have a high membership level for a cluster. However, the membership grades for all the clusters of some banks are close to each other. Therefore, it is concluded that the clustering situation of these banks is more blurred than the other banks.

Keywords

• Clustering Analysis,Fuzzy Clustering Analysis,Capital Adequacy

BANKALARIN KLASİK VE BULANIK YAKLAŞIMLARLA SINIFLANDIRILMASI

Öz

Finansal sektörün önemli bir parçası olan bankaların temel fonksiyonlarını yerine getirebilmek için yeterli düzeyde sermayeye sahip olmaları gerekmektedir. Sermaye kaynağından bağımsız olarak tüm bankaların sermaye yeterliliği bakımından uyması gereken uluslararası standartlar bulunmaktadır. Bu standartların sağlanması, bankaların sermaye yeterliliklerine göre benzer özellikler göstermesine sebep olmaktadır.  Benzer özelliklere sahip bankaların, kesin ayrımlarla gruplandırılması her zaman mümkün olmayabilir. Bu noktada, bankaların farklı gruplara belirli üyelik dereceleri ile atanmasına imkan veren bulanık kümeleme yöntemi ön plana çıkmaktadır. Bankaların sermaye yeterlilik oranlarına göre gruplandırılmasının amaçlandığı bu çalışmada, klasik ve bulanık kümeleme yaklaşımları karşılaştırılmalı kullanılmıştır. Çalışmada 46 banka, 2015 yılına ait sermaye yeterliliği oranlarına göre, Ward, K-Ortalamalar ve Bulanık C-Ortalamalar yöntemleriyle gruplandırılmıştır. Sonuç olarak, her yöntem için benzer yapıda üç küme elde edilmiştir. Küme yapıları incelendiğinde, kümelerin sermaye kaynağı bakımından heterojen yapıda oldukları gözlemlenmiştir. Bununla birlikte, gruplandırma yapılırken sermaye kaynakları yerine sermaye yeterlilikleri dikkate alındığından, elde edilen kümelerin farklı türde bankalar içermesi olağan bir sonuçtur. Üyelik dereceleri incelendiğinde ise, az sayıda banka dışında geriye kalanların genellikle bir küme için yüksek üyelik derecesine sahip oldukları gözlenmiştir. Ancak, bazı bankaların tüm kümeler için üyelik dereceleri birbirine yakın bulunmuştur. Dolayısıyla, bu bankaların kümelenme durumlarının diğer bankalara göre daha bulanık bir yapıda olduğu tespit edilmiştir. 

Anahtar Kelimeler

• Kümeleme Analizi,Bulanık Kümeleme Analizi,Sermaye Yeterliliği

Kaynakça

1. Abonyi, J., & Feil, B. (2007). Cluster Analysis for Data Mining and System Identification. Berlin: Birkhauser Verlag AG.
2. Akgül, F. G., & Başkır, B. M. (2013). Bankaların 2008-2012 Yılları Arasında Aktif Büyüklüklerini Etkileyen Kriterler Bakımından Hiyerarşik Kümeleme ve PAM Algoritması ile Sınıflandırılması. Bankacılık ve Sigortacılık Araştırma Dergisi, 48-63.
3. Alam, P., Booth, D., Lee, K., & Thordarson, T. (2000). The Use of Fuzzy Clustering Algorithm and Self-Organizing Neural Networks for Identifying Potentially Failing Banks: An Experimental Study. Expert Systems with Application, 185-199.
4. Aldenderfer, M. S., & Blashfield, R. K. (1984). Cluster Analysis. California: SAGE Publications.
5. Alpar, R. (2011). Uygulamalı Çok Değişkenli İstatistiksel Yöntemler. Ankara: Detay Yayıncılık.
6. Altaş, D. (2006). Türk Bankacılık Sektörünün İstatistik Tekniklerle Analizi (2000 Krizi Öncesi ve Sonrası). İstanbul: Derin Yayınları.
7. Arı, E. S., Özköse, H., Doğan, A., & Calp, M. H. (2016). İstanbul Borsası’nda İşlem Gören Firmaların Finansal Performanslarının Kümeleme Analizi ile Değerlendirilmesi. Bilişim Teknolojileri Dergisi , 33-39.
8. Arnaboldi, F., & Claey, P. (2008). Internet Banking in Europe: a comparative analysis. Research Institute of Applied Economics , 1-28.

9. Aşan, Z. (2015). Kredi Kartı Kullanan Müsterilerin Sosyo Ekonomik Özelliklerinin Kümeleme Analiziyle İncelenmesi. Dumlupınar Üniversitesi Sosyal Bilimler Dergisi, 256-267.
10. Aydın, D., & Başkır, B. M. (2013). Bankaların 2012 Yılı Sermaye Yeterlilik Rasyolarına Göre Kümeleme Analizi ve Çok Boyutlu Ölçekleme Sonucu Sınıflandırılma Yapıları. Bankacılık ve Sigortacılık Araştırmaları Dergisi, 29-47.
11. Babuska, R. (2001). Fuzzy and Neural Controls DISC Course Lecture Notes. Delft, Netherlands.
12. Başkır, B. (2011). Bulanık Kalite Fonksiyon Yayılımı Yaklaşımının İyileştirilmesi ve Uygulamaları. Yayınlanmamış Doktora Tezi. Ankara: Ankara Üniversitesi FBE.
13. Bezdek, J. (1981). Pattern Recognition with Fuzzy Objective Function Algorithms. New York: Plenum Press, Springer.
14. Boyacıoğlu, M. A., & Kara, Y. (2007). Türk Bankacılık Sektöründe Finansal Güç Derecelerinin Tahmininde Yapay Sinir Ağları ve Çok Değişkenli İstatistiksel Analiz Tekniklerinin Performansılarının Karşılaştırılması. Dokuz Eylül Üniversitesi İktisadi ve İdari Bilimler Fakültesi Dergisi, 197-217.
15. Bülbül, Ş. (2001). Çok Değişkenli İstatistiksel Yöntemler İle Bankaların Mali Yapılarının Analizi. İstanbul: Marmara Üniversitesi İstatistik ve Ekonometri Araştırma ve Uygulama Merkezi.
16. Cai, F., Le-Khac, N.-A., & Kechadi, M.-T. (2012). Clustering Approaches for Financial Data Analysis: a Survey. Proceedings of the International Conference on Data Mining (DMIN). Las Vegas, Nevada, USA: CSREA Press.
17. Černohorská, L., Černohorský, J., & Teplý, P. (2007). The Banking Stability in The Czech Republic Besed on Discriminant and Cluster Analysis. Anadolu University Journal of Social Sciences, 85-96.
18. Chatfield, C., & Collins, A. J. (1980). Introduction to Multivariate Analysis. London: Chapman and Hall.
19. Döring, C., Lesot, M.-J., & Kruse, R. (2006). Data analysis with fuzzy clustering methods. Computational Statistics & Data Analysis, 192 – 214.
20. Emir, Ş., Dinçer , H., & Hacıoğlu, Ü. (2016). Fuzzy c-means Clustering of Turkish Deposit Banks with Banking Efficiency Factors. Global Business and Economics Research Journal, 57 – 73.
21. Giray, S., Yorulmaz, Ö., & Ergüt, Ö. (2016). Ülkelerin Gini Katsayısı, Göç, Suç ve Mutluluk Değişkenleri Açısından Bulanık ve Dayanıklı Kümeleme Metotları İle SınıflandırılmasıGelişmişlik . Journal of Awareness, 1-16.
22. Göçmen Yağcılar, G. (2011). Türk Bankacılık Sektörünün Rekabet Yapısının Analizi. Ankara: BDDK.
23. Gökgöz, İ. H., Altınel, F., Gökgöz, P. Y., & Koç, İ. (2013). Classification of Turkish Commercial Banks Under Fuzzy c-Means Clustering. BDDK Bankacılık ve Finansal Piyasalar, 13-36.
24. Güneş, M., & İncekırık, A. (2016). Ege Bölgesinde Faaliyet Gösteren KOSGEB Kapsamındaki Farklı Ölçeklerdeki şirketlerin (KOBİ) Bulanık Kümeleme Analizi ile Gruplandırılması. Pamukkale Üniversitesi Mühendislik Bilimleri Dergisi, 314-323.
25. Izenman, A. J. (2008). Modern Multivariate Statistical Techniques: Regression, Classification and Manifold Learning. New York: Springer.
26. Johnson, R. A., & Wichern, D. W. (1998). Applied Multivariate Statistical Analysis. New jersey: PRENTICE HALL.
27. Kaufman, L., & Rousseeuw, P. J. (1990). Finding Groups in Data An Introduction to Cluster Analysis. New Jersey: John Wiley & Sons, Inc.
28. Keçek, G., & Cinser, V. (2008). Türkiye’de Faaliyette Bulunan Ticaret Bankalarının Performanslarına Göre Sınıflandırılmasında Etkili Olan Değiskenlerin Belirlenmesi ve Bir Uygulama Denemesi. Dumlupınar Üniversitesi Sosyal Bilimler Dergisi, 189-206.
29. Khattree, R., & Naik, D. N. (2000). Multivariate Data Reduction and Discrimination with SAS Software. Noth Carolina: SAS Institute Inc.
30. Koç, S., Bağcı, A., & Işık, K. C. (2016). Kalkınma ve Yatırım Bankalarının Performansları Açısından Değerlendirilmesi: Türkiye Ölçeği (2002-2012). Çankırı Karatekin University Journal of The Faculty of Economics and Administrative Sciences, 1-30.
31. Lattin, J. M., Carroll, J. D., & Green, P. E. (2003). Analyzing Multivariate Data. Toronto: Thomson.
32. Mansoori, E. G. (2011). FRBC: A Fuzzy Rule-Based Clustering Algorithm. IEEE Transactions on Fuzzy Systems, 960-971.
33. Naes, T., & Mevik, B.-H. (1999). The Flexibility of Fuzzy Clustering Illustrated by Examples. Journal of Chemometrics, 435–444.
34. Özdamar, K. (2013). Paket Programlar ile İstatistiksel Veri Analizi 2. Ankara: Nisan Kitabevi.
35. Özden, Ü. H. (2009). Türkiye'de Mevduat Bankalarının Performansları Çok Kriterli Karar Verme Yöntemleri ile Analizi. Ankara: Detay Yayıncılık.
36. Saçcı, Ö. Ü., & Sayılgan, G. (2014). Türk Bankacılık Sektöründe Sistemik Öneme Sahip Yerel Bankaların Belirlenmesinde Gösterge Bazlı Bir Yöntem Önerisi. BDDK Bankacılık ve Finansal Piyasalar, 13-37.
37. Sarıgül, H. (2014). Kümeleme Analizi İle İllerin Bankacılık Hizmetlerine Erişim ve Kullanım Göstergelerinin Karşılaştırılması. Bankacılar Dergisi, 41-62.
38. Sharma, S. (1996). Applied Multivariate Techniques. New York: John Wiley & Sons, Inc.
39. Timm, N. H. (2002). Applied Multivariate Analysis. New York: Springer.
40. Tunay, K., & Silpar, A. (2006). Türk Ticari Bankacılık Sektöründe Karlılığa Dayalı Performans Analizi-I. Türkiye Bankalar Birligi Arastırma Tebligleri Serisi, 1-43.
41. Türkşen, B. (2005). An Ontological and Epistemological Perspective of Fuzzy Set Theory. Elsevier B. V.
42. Yang, M. (1993). A Survey of Fuzzy Clustering. Mathl. Comput. Modelling, 1-16.
43. Yılmaz, Z., & Uzgören, E. (2013). Türkiye’de İllerin Temel Bankacılık Faaliyetleri Yönünden Kümeleme Analizi Yöntemiyle Sınıflandırılması. Dumlupınar Üniversitesi Sosyal Bilimler Dergisi EYİ Özel Sayısı, 535-554.
44. Zadeh, L. (1965). Fuzzy Sets. Information and Control, 338-353.