Yapay Zeka Hızlı Bakış & Çıkarımlar
AI InsightArdından veri zarflama tekniği ile bankaların etkinlik skorları hesaplanmış ve etkinlik sınırında olmayan bankalar için iyileştirme hedefleri sunulmuştur.
📌 3 Maddede Bu Makale
Özet
Finansal krizlerin birçok ülke tarafından yoğun olarak yaşandığı günümüzde kaynakların verimli kullanılması ülke ekonomileri için çok önemli bir duruma ulaşmıştır. Bu nedenle, kaynakları kısıtlı olan tüm sektörlerin verimli bir şekilde faaliyette bulunması ve etkinliğini geliştirmesi gereklidir. Bunun yanında, bankacılık sektöründeki yoğun rekabet, bankaları kaynaklarını en verimli şekilde kullanmaya zorlamaktadır. Bunun için, bankaların sektör içindeki performanslarını değerlendirmeleri ve etkin duruma ulaşmak için referans almaları gereken bankaları bilmeleri gerekmektedir. Bu çalışmada, Türkiye Bankacılık Sektöründe faaliyet gösteren ve aktif büyüklüğü 35 milyarın üzerinde olan on bir banka verimlilik açısından doğrusal programlama optimizasyonuna dayalı veri zarflama tekniği ile incelenmiştir. Bu amaçla ilgili bankaların finansal raporlarından 4 adet girdi faktörü (mevduat, faiz giderleri, personel sayısı ve şube sayısı) ve 3 adet çıktı faktörüne (net kar, krediler ve faiz gelirleri) ilişkin veri setleri elde edilmiştir. Ardından veri zarflama tekniği ile bankaların etkinlik skorları hesaplanmış ve etkinlik sınırında olmayan bankalar için iyileştirme hedefleri sunulmuştur.
Abstract
Nowadays, as financial crisis begin to be faced by many countries, using resources productively has become a very important issue. Thus, sectors with limited resources should operate productively and increase their efficiency. Also, the intense competition within the banking sector force banks to use their resources productively. So, banks should evaluate their performances and know about the banks to follow up being as reference. In this study, 11 banks within the banking sector with total assets value of more than 35 billion have been analyzed using data envelopment analysis which depends on lineer programming optimization. For this purpose, data for 4 input factors (deposits, interest expenses, number of employees and number of branches) and for 3 output factors (net profit, credits and interest revenue) have been collected. Then, using data envelopment analysis, efficiency scores for banks have been computed and improvement targets have been suggested for non-efficient banks