1.5. Bankaların Mali Başarısızlığını Öngören Çalışmalar
1.5.1. AB Ülkelerinde Bankaların Mali Başarısızlığına İlişkin Yapılmış Çalışmalar
AB bankaları üzerine yapılmış mali başarısızlık tahmin çalışmalarının ilkleri 2006 yılında Gropp ve diğerleri ile yine 2006 yılında Distinguin ve diğerleri tarafından yapılan makale çalışmalarıdır. Gropp ve diğerleri (2006), çalışmalarında 1991-2001 yılları arasındaki 59 Avrupa bankasını mali başarısızlığın öngörülmesi açısından incelemişler, bunu yaparken de piyasa değişkenlerinin mali başarısızlık üzerindeki etkisini değerlendirmişlerdir. Yazarlar, makalelerinde Fitch’de yer alan C ve daha aşağı notlandırılmış derecelendirmeleri banka başarısızlığına dair birer gösterge olarak kullanmışlardır. Banka kırılganlığını tespit etmek için temerrüde uzaklık (distance-to-default) hesaplamasını uygulamışlardır. Sonuçlar, sadece muhasebe değişkenlerini gösterge olarak kullanan tahmin yöntemlerine göre piyasa göstergelerinin de kullanılması neticesinde II. tip hataların azaldığını göstermiştir.
Cielen ve diğerleri (2004), Belçika bankalarının iflas tahmini için veri zarflama analizi, en küçük sapmalar toplamı (Minimized Sum of Deviations - MSD) ve kural atama (Rule Induction - C5.0) modellerinin performansları arasında karşılaştırma yapmışlardır. En küçük sapmalar toplamı, doğrusal programlama ve diskriminant analizi yöntemlerinin birleşimi şeklindedir. Belçika Merkez Bankası’na ait verileri kullanarak en küçük sapmalar toplamı yöntemiyle % 78,9, veri zarflama analizi yöntemiyle % 86,4 ve C5.0 yöntemiyle % 85,5 oranında doğru sınıflandırma oranları elde etmişlerdir. Sonuç olarak, veri zarflama analizi doğruluk bakımından diğer iki modele göre daha üstün performans göstermiştir.
Distinguin ve diğerleri (2006), 1995-2002 yılları arasında borsada işlem gören 64 Avrupa bankasının mali başarısızlık tahminini piyasa ve muhasebe değişkenlerini kullanarak araştırmışlardır. Piyasa temelli göstergelerin muhasebe verilerine dayalı modellere ilave katkı sağlayıp sağlamadığını test etmek için Avrupa bankaları için özel olarak tasarlanmış bir “lojistik regresyon erken uyarı modeli” geliştirmişlerdir. Daha önce literatürde elde edilen
sonuçlar ile uyumlu olarak, piyasa temelli göstergelerin modeldeki tahmin doğruluğuna etkisi, banka yükümlülüklerinin hangi piyasada işlem gördüğüne bağlı olarak değiştiği tespit edilmiştir. Ağırlıklı olarak mevduata dayanan bankalar için piyasa göstergelerinin faydalı bilgi sağlayamadığı ve bankalar tarafından ihraç edilen sermaye benzeri borç miktarının da tahminin iyileşmesine bir katkı getirmediği yönünde bulgulara ulaşılmıştır.
Brossard ve diğerleri (2007), makalelerinde 1991-2005 yılları arasındaki 82 AB bankasının mali başarısızlığını ters seçim etkisi (adverse selection effect) yaklaşımıyla öngörmeye çalışmışlardır. Yazarlar, temerrüde uzaklık göstergesini oluşturmuşlar ve bu tekniğin tahmin gücünü test etmişlerdir. Elde ettikleri bulgular doğrultusunda ortalama aktif büyüme göstergesinin bankaların gelecekteki başarısızlık olasılığı üzerinde güçlü ve istatistiksel olarak anlamlı bir pozitif yönlü etkisi olduğunu tespit etmişlerdir.
Cippolini ve Fiordelisi (2009), banka yoğunluğunun mali başarısızlık üzerindeki etkisini analiz etmek amacıyla AB ülkeleri arasında yer alan 25 ülke için 2003-2007 yılları arasında faaliyet gösteren 180 adet büyük bankayı incelemişlerdir. Çalışmada, başarısızlık kıstası olarak “hissedar değeri rasyosu” (shareholder value ratio) kullanılmış olup, bu rasyo ekonomik katma değerin (Economic Value Added - EVA) hissedarların yatırım sermayesine oranlanmasıyla hesaplanmıştır. Yazarlar, hissedar değeri rasyosunu kullanmalarının sebebini, hissedar değerinin hem bankanın ekonomik kârını hem de risk alımından etkilenen sermayenin fırsat maliyetini içermesinden dolayı kaynaklandığını ileri sürmüşlerdir. Uygulanan panel probit regresyon analiz sonuçlarına göre, banka yoğunluğunun mali başarısızlık üzerinde pozitif yönlü ve istatistiksel olarak anlamlı bir etkisi olduğu bulunmuştur.
Poghosyan ve Cihak (2009) da AB bankacılık sektörü içinde banka başarısızlığı nedenlerini inceleyen yazarlar arasında yer almaktadır. Yazarlar, 1996-2007 yılları arasında AB içinde bulunan 25 ülkedeki 5.708 bankayı analiz etmişlerdir. Mali yönden başarısız bankaları tanımlamak amacıyla NewsPlus/Faktiva veri tabanında 5.708 banka için “kurtarma”, “mali destek”, “likidite yardımı”, “devlet desteği”, “birleşmiş” gibi sözcüklerin taraması yapılarak toplamda 79 adet mali başarısızlık olayı ve 54 tane de başarısız banka belirlenmiştir. Lojistik regresyon analizi sonuçlarına göre sağlıklı bankaları zayıf bankalardan ayırt etmede en iyi olan gösterge gruplarının sermaye yeterliliği, aktif kalitesi ve kârlılık olduğu tespit edilmiştir.
Betz ve diğerleri (2014), çalışmalarında Kıbrıs, Estonya, Litvanya ve Romanya hariç 20 AB ülkesi içinde yer alan ve toplam aktifleri 1 milyar avroyu geçen 546 bankayı başarısızlık tahmini gerçekleştirmek üzere lojistik regresyon analizi ile test etmişlerdir. Yazarlar, 2000-2013 yılları arasında banka ve ülke düzeyinde elde ettikleri veri seti ile
bankaya özgü hassas göstergeler, makro-finansal dengesizlikleri açıklayan göstergeler ve bankacılık sektörüne ilişkin göstergeler olmak üzere üç farklı grupta göstergeler geliştirmişlerdir. Lojistik regresyon analizi sonuçlarına göre, farklı gruplarda toplanan tüm göstergelerin modelin performansını olumlu yönde arttırdığı ve mevcut finansal kriz sırasında banka başarısızlığının öngörülmesi açısından modelin yararlı olduğu gözlemlenmiştir.
Aşağıda, Tablo 1.2’de AB ülkelerinde banka başarısızlığının tahmin edilmesini konu eden ampirik çalışmalar ile Tablo 1.3’te bu çalışmalarda kullanılan bağımlı ve bağımsız değişkenler yer almaktadır.
Tablo 1.2 AB Ülkelerinde Banka Başarısızlığının Tahmin Edilmesiyle İlgili Ampirik Çalışmalar
Yazar Adı Örneklem
Veri Seti Zaman Aralığı
Veri Kaynağı Kullanılan Analiz Tekniği Cielen ve diğerleri (2004) 367 banka 1994-1996 Belçika Doğrusal programlama modeli, Veri zarflama analizi, Kural atama modeli (C5.0) Gropp ve
diğerleri (2006)
103 banka 1991-2001 AB içinde yer alan 15 ülke Temerrüde uzaklık (distance to default) Distinguin ve diğerleri (2006) 64 banka (borsada işlem gören)
1995-2002 AB içinde yer alan 14 ülke Lojistik regresyon erken uyarı modeli Brossard
ve diğerleri (2007)
82 banka 1991-2005 AB içinde yer alan 18 ülke Temerrüde uzaklık (distance to default) Cippolini
ve Fiordelisi (2009)
180 banka 2003-2007 AB içinde yer alan 25 ülke Panel probit regresyon modeli
Poghosyan ve Cihak (2009)
5.708
banka 1997-2008 AB içinde yer alan 25 ülke Lojistik regresyon modeli Betz ve
diğerleri (2014)
546 banka 2000-2013 AB içinde yer alan 20 ülke Lojistik regresyon modeli
Tablo 1.3 AB Ülkeleri Çalışmalarında Kullanılan Bağımlı ve Bağımsız Değişkenler
Yazar Adı Kullanılan Bağımlı Değişkenler Kullanılan Bağımsız Değişkenler
Cielen ve diğerleri (2004)
Başarısız şirketler, 1994, 1995 ve 1996 yıllarında Belçika Ticaret Odası tarafından iflasları ilan edilmiş veya bu dönemde Belçika Merkez Bankası verilerinde iflas antlaşması imzalayan şirketleri kapsamaktadır.
1. Özkaynak / Toplam Aktifler
2. Dağıtılmamış Kârlar / Toplam Aktifler 3. Vergi ve Sosyal Sigorta Giderleri / Kısa Vadeli Borçlar
4. Nakitler / Vadeli Dönen Aktifler 5. Devam Eden İşler, Tamamlanmış Ürünler ve Devam Eden Sözleşmeler / Dönen Aktifler
6. Kredi Kuruluşlarına Bir Yıl İçinde Ödenecek Miktar / Kısa Vadeli Borçlar 7. Vergi Öncesi İşletme Faaliyetlerinden Gelen Nakit Akışı / Toplam Aktifler 8. Temettü Öncesi Nakit Akışı / Toplam Borçlar
9. Cari Oran= Dönen Aktifler / Kısa Vadeli Borçlar
10. Asit Test = Bir Yıl İçinde Alacak Miktarı + Yatırımlar + Nakitler / Bir Yıl İçinde Ödenecek Miktar
11. Harici Giderler / Toplam Aktifler
Gropp ve diğerleri (2006)
Fitch/IBCA tarafından yapılan kredi derecelendirmeleri dikkate alınmış olup C ve C’nin altında not alan bankalar başarısız olarak tayin edilmiştir. 1. Temerrüde uzaklık 𝐷𝐷 ≡ 𝑑 σA√T− 𝜀 = ln (VD ) + (r −A σA 2 2 ) T σt√T
2. İkinci dereceden tahvil ve risksiz borçlanma oranı arasındaki fark
𝑆 = 𝑌𝐵𝑖𝑡𝑇 − 𝑌𝐶𝑡𝑇
𝑌𝐵𝑖𝑡𝑇 = t zamanında i bankasının T süreli
ikinci dereceden tahviline (Bi) ait getiri
𝑌𝐶𝑡𝑇= t zamanında bankanın bulunduğu
ülke olan C’de T süreli benzer devlet tahviline ait getiri
Geliştirilen Hipotezler:
Hipotez 1: Temerrüde uzaklık ile ikinci
dereceden tahvil ve risksiz borçlanma oranı arasındaki fark, bankaların finansal durumundaki zayıflığı öngören erken uyarı göstergeleridir.
Hipotez 2: Temerrüde uzaklık değerinin
ikinci dereceden tahvil ve risksiz borçlanma oranı arasındaki farka göre daha iyi öngörme yeteneği vardır.
Hipotez 3: İkinci dereceden tahvil ve
risksiz borçlanma oranı arasındaki fark devlet tarafından örtülü, açık veya kısmen desteklenen bankaların kırılganlığını öngörmede temerrüde uzaklık ölçüsüne göre daha zayıf bir göstergedir.
Distinguin ve diğerleri (2006)
Fitch/IBCA tarafından yapılan kredi derecelendirmeleri dikkate alınmış olup C ve C’nin altında not alan bankalar başarısız olarak tayin edilmiştir.
1. Toplam Sermaye Fonları / Toplam Aktifler
2. Değer Kaybetmiş Krediler / Brüt Krediler
3. Maliyetin Gelire Oranı
4. Ortalama Hisse Senedi Getirisi 5. Likit Aktifler / Mevduatlar ve Borçlar 6. Aktiflerin Büyüme Oranı
7. Temerrüde Uzaklık Göstergesi Brossard ve
diğerleri (2007)
Fitch/IBCA tarafından yapılan kredi derecelendirmeleri dikkate alınmış olup C ve C’nin altında not alan bankalar başarısız olarak
1. Toplam Sermaye Fonları / Toplam Aktifler
2. Değer Kaybetmiş Krediler / Brüt Krediler
tayin edilmiştir. 3. Maliyetin Gelire Oranı
4. Ortalama Hisse Senedi Getirisi 5. Likit Aktifler / Toplam Mevduatlar ve Borçlar
6. Aktiflerin Büyüme Oranı 7. Temerrüde Uzaklık Göstergesi
Cippolini ve Fiordelisi (2009)
Hissedar Değeri Rasyosu = Ekonomik Katma Değer / Hissedarların t-1 Zamanında Yaptığı Yatırım Miktarı Ekonomik Katma Değer t-1,t =
π t-1,t – k x K t-1
π t-1,t = Net işletme kârı + Ar&Ge
harcamaları + Eğitim harcamaları + İşletme kiralama harcamaları + Kayıp kredi karşılıkları – Net borç silme + Genel risk önlemleri – Net borç silme
k = Yatırılmış sermayenin tahmini maliyeti
K t-1 = Sermayenin defter değeri +
Sermayelendirilmiş Ar&Ge harcamaları + Sermayelendirilmiş eğitim harcamaları – Temsili amorti edilmiş Ar&Ge harcamaları – Temsili amorti edilmiş eğitim harcamaları + Beklenen kira sözleşmelerinin temsili şimdiki değeri – Temsili amorti edilmiş işletme kira sözleşmeleri + Net kayıp kredi rezervi + Genel riziko rezervi
1. Banka yoğunluğunu ölçmek amacıyla her ülke için ve belirli bir zaman
aralığında pazar paylarının (aktiflerin) karelere bölünmüş değerlerinin toplamı alınarak elde edilen Herfindahl-
Hirschman endeksi (HHI) 2. Gelir çeşitlendirme rasyosu 3. Aktif büyüklüğü
4. Banka büyüklüğü (toplam aktiflerin logaritması)
5. Kişi başı GSYH’nin logaritması
Poghosyan ve Cihak (2009)
Başarısız bankaları tanımlamak amacıyla NewsPlus/Faktiva veri tabanında “kurtarma”, “mali destek”, “likidite yardımı”, “devlet desteği”, “birleşmiş” gibi sözcüklerin taraması yapılarak başarısızlık olayları belirlenmiştir.
CAMEL Göstergeleri:
1. Toplam Özkaynak / Toplam Aktifler 2. Kredi Kayıp Karşılıkları / Toplam Krediler
3. Toplam Maliyetler / Toplam Gelirler 4. Vergi Öncesi Kâr / Toplam Özkaynak 5. Likit Aktifler / Toplam Aktifler Diğer Göstergeler:
1. Mevduat Sahibinin Disiplini (Ortalama Mevduat Oranı = Faiz Harcamaları / Mevduatlar)
2. Bankalar arasında bulaşma etkisi (etkisiz değişken ile bulunuyor; benzer bir bankada başarısızlık varsa etkisiz bulaşma değişkeni 1 değerini alıyor. Benzer banka kriteri ise, bankanın aynı ülkede ve aynı büyüklükte olmasıdır)
3. Makro-ekonomik çevre (IMF istatistikleriyle elde edilen ülke derecelendirmesi, enflasyon oranı, kişi
başına GSYH ile ölçülen yönetimin kalitesi)
4. Banka Piyasası Yoğunluğu (BankScope verilerinden bulunuyor)
5. Finansal Piyasa (DataStream’den indirilen hisse senedi verileri)
6. Bankanın riskini ölçen Z-skor formülü
Betz ve diğerleri (2014)
İflas, tasfiye, Moody’s ve Fitch tarafından kredi derecesinin “temerrüde düştü” olarak
belirtilmesi, devlet müdahalesiyle birleştirilmesi, devlet tarafından sermaye enjeksiyonu veya aktif teminatı yapılması gibi durumlar söz konusu ise o banka başarısız olarak sınıflandırılmıştır.
Sermaye Yeterliliği “C”
1. Toplam Özkaynak / Toplam Aktifler 2. Sermaye Yeterlilik Rasyosu (Tier 1) 3. Gelir Getirmeyen Aktifler / Toplam Aktifler
Aktif Kalitesi “A”
4. Kayıp Kredi Rezervi / Gelir Getirmeyen Aktifler
5. Aktif Kârlılığı (ROA)
6. Kredi Kayıp Karşılıkları / Toplam Ortalama Krediler
Yönetim “M”
7. Gelir Maliyeti (İşletme Giderleri / İşletme Gelirleri)
8. Özkaynak Kârlılığı (ROE) Kârlılık “E”
9. Net Faiz Marjı [(Net Faiz Geliri - Faiz Gideri) / Net Gelir]
10. Faiz Giderleri / Toplam Pasifler Likidite “L”
11. Mevduatların Fonlara Oranı [Toplam Mevduatlar / (İşletme Faaliyetlerinden Elde Edilen Fonlar + Diğer Faaliyetlerden Elde Edilen Fonlar)]
12. Net Kısa Vadeli Borçlanma [(Kısa Vadeli Borç - Net Nakit) / Toplam Pasifler]
Piyasa Riskine Duyarlılık “S”
13. İşlem Gelirlerinin Payı (İşlem Hesabı Geliri / İşletme Gelirleri)
Bankacılık Sektörü Göstergeleri 14. Toplam Aktiflerin GSYH’ye Oranı 15. Çekirdek Olmayan Pasifler (Toplam Pasifler - Ödenmiş Sermaye & Yedek Akçeler - Mevduatlar)
16. Borcun Özkaynaklara Oranı (Toplam Pasifler - Ödenmiş Sermaye & Yedek Akçeler) / (Ödenmiş Sermaye & Yedek Akçeler)
17. Toplam Kredilerin Mevduatlara Oranı 18. Tahviller ve Bonoların Toplam Pasiflere Oranı
19. Konut Kredilerinin Toplam Kredilere Oranı
Makro-finansal Göstergeler 20. Reel GSYH Büyüme Oranı 21. Enflasyon
Büyüme Oranı
23. Konut Fiyatları Endeksi Büyüme Oranı
24. Uzun Vadeli Devlet Tahvili Getirisi 25. Uluslararası Yatırım Pozisyonunun GSYH’ye Oranı
26. Devlet İç Borcunun GSYH’ye Oranı 27. Özel Sektör Kredi Dağılımının GSYH’ye Oranı