SavedAdd your journal

Journals / Bartın Üniversitesi İktisadi ve İdari Bilimler Fakültesi Dergisi / 2020 / Cilt: 11 - Sayı: 21

Türk Bankaları İflas Riskliliklerinin Gri İlişkiler Analizi ile Değerlendirilmesi

Figen TOPRAKDELEN
Mehmet PEKKAYA
Pages
264–297
Publication Date
2020-05-31
DOI
—
🏛️Bibliographic metadata and full text access for this article are provided via DergiPark.
DergiPark Record ↗
✨

AI Summary & Key Takeaways

AI Insight
⚡ TL;DR(Too Long; Didn't Read)

Önerilen model, oldukça başarılı bulunmuş, bankaların iflas riskliliğini ölçen bir erken uyarı /kredi derecelendirme sistemi olarak değerlendirilebileceği önerilmiştir.

📌 3 Key Takeaways

🎯
Objective & Hypothesis:Öz Çalışmanın amacı, banka iflas risklilik endeksini Gri İlişkiler Analizi (GRA) ile hesaplayarak bankaları riskliliklerine göre ölçüp değerlendirilebildiğini göstermektir.
📊
Key Findings & Data:Türkiye’deki 2000 kriz dönemindeki model başarısı bankalarda test edilip 2002-2017 döneminde bankaların iflas riskliliklerine göre zaman/kesit temelli sıralanması ve değerlendirilmesi yapılmıştır.
💡
Conclusion & Impact:Önerilen model, oldukça başarılı bulunmuş, bankaların iflas riskliliğini ölçen bir erken uyarı /kredi derecelendirme sistemi olarak değerlendirilebileceği önerilmiştir.
🔬Design:Modeling & Simulation
📍Scope:2000 Verileri
⚙️Variables:Anahtar Kelimeler Bankalarda İflas Riski · Finansal Rasyo · ÇKKV

Özet

Öz Çalışmanın amacı, banka iflas risklilik endeksini Gri İlişkiler Analizi (GRA) ile hesaplayarak bankaları riskliliklerine göre ölçüp değerlendirilebildiğini göstermektir. Türkiye’deki 2000 kriz dönemindeki model başarısı bankalarda test edilip 2002-2017 döneminde bankaların iflas riskliliklerine göre zaman/kesit temelli sıralanması ve değerlendirilmesi yapılmıştır. Elde edilen GRA endeks skorlarıyla bankaların kendilerini yıllar itibariyle ve birbiriyle değerlendirilebileceği çapraz tablolar/grafikler üzerinden gösterilmiştir. Bankaların 1999-2004 arasındaki kriz döneminde oldukça riskli, 2009’a kadar kısmen riskli ve 2009 sonrasında ise riskliliğinin bağıl olarak oldukça azaldığı, birbirine göre homojenleştiği gözlenmiştir. Araştırmanın başlıca kısıtları, ilgili dönemde endeks skorlarının birbirine oldukça yakın olması ve bankaların mutlak değil bağıl olarak değerlendirilmesi olarak sıralanabilir. Önerilen model, oldukça başarılı bulunmuş, bankaların iflas riskliliğini ölçen bir erken uyarı /kredi derecelendirme sistemi olarak değerlendirilebileceği önerilmiştir.

🔖

Cite This Article

TOPRAKDELEN, F., PEKKAYA, M. (2020). Türk Bankaları İflas Riskliliklerinin Gri İlişkiler Analizi ile Değerlendirilmesi. Bartın Üniversitesi İktisadi ve İdari Bilimler Fakültesi Dergisi, Cilt: 11 - Sayı: 21, 264–297. https://ajindex.com/articles/78508

📄 Full Text PDF Viewer

📄

PDF görüntüleyici hazırlanıyor...

References (10)

  1. Africa, L. (2016). Financial Distress for Bankruptcy Early Warning by The Risk Analysis on Go-Public Banks in Indonesia. Journal of Economics. Business and Accountancy Ventura, Cilt 19, (2), 259-270.
  2. Aggarwal, R. ve Kyaw N. (2009). International Variations in Transparency and Capital Structure: Evidence from European Firms. Journal of International Financial Management and Accounting, 20(1), s. 1-34.
  3. Akhisar, İ. ve Karpak B. (2010). AHP as an Early Warning System: An Aplication in Commercial Banks in Turkey, Berlin:Springer Verlag. Altınırmak, S. ve Karamaşa Ç. (2016). Comparison of Machine Learning Techniques for Analyzing Banks’ Financial Distress. Balıkesir University The Journal of Sciences Institute, 19(36), 291-303.
  4. Altman, E. I., Haldeman R.G. ve Narayanan P. (1977). A New Model to Identify Bankruptcy Risk of Corporations. Journal of Banking and Finance, 1(1), 29-54.
  5. Arıçelik, G. (2010). Ticari Bankalarda Performans Ölçümü: Camels Analizine Dayalı Bir İnceleme. Dokuz Eylül Üniversitesi Sosyal Bilimler Enstitüsü, Yayınlanmamış Yüksek Lisans Tezi, İzmir.
  6. Aydın, D. ve Başkır M.B (2013). Bankaların 2012 Yılı Sermaye Yeterlilik Rasyolarına Göre Kümeleme Analizi ve Çok Boyutlu Ölçekleme Sonucu Sınıflandırılma Yapıları, BSAD Bankacılık ve Sigortacılık Araştırmaları Dergisi, 1(5-6), 29-47.
  7. Aytekin, S. ve Sakarya Ş. (2013). Bıst’deki Mevduat Bankalarının Finansal Performanslarının 2001 ve 2008 Finansal Krizleri Çerçevesinde Camels Derecelendirme Sistemi ile Değerlendirilmesi. Abant İzzet Baysal Üniversitesi Sosyal Bilimler Enstitüsü Dergisi, 13(2), 22-55.
  8. Babuşcu, Ş. (2005). Basel II Düzenlemeleri Çerçevesinde Bankalarda Risk Yönetimi. Ankara: Akademi Consulting& Training. Back, B., Laitinen T., Sere K. ve Wezel M.V. (1996). Choosing Bankruptcy Predictors Using Discriminant Analysis, Logit Analysis and Genetic Algorithms. Finland:Turku Senter for Computer Science. BDDK (2019); BDDK web sayfası, 28.05.2019 tarihinde https://www.bddk.org.tr, adresinden erişildi. Bordeianu, Gabriella-Daniela, Radu F., Paraschivescu M.D ve Pavaloaia W. (2011). Analysis Models of The Bankruptcy Risk. Economy Transdisciplinarity Cognition, 14(1), 248-259.
  9. Cole, R. A. ve Gunther J.W.(1998). Predicting Bank Failures: A Comparison of On- and Off-Site Monitoring Systems. Journal of Financial Services Research, 13(2), 103-117.
  10. Coşkun, S. ve Karğın S. (2016). Sınır Ötesi Birleşme ve Satın Almaların Bankaların Finansal Performansına Etkileri: Üç Banka Üzerinde Camels Analizi. Muhasebe v