Tezde, 27 AB ülkesinde ve Türkiye’de faaliyet gösteren bankalarda mali başarısızlığa neden olan faktörlerin önceden tahmin edilmesine yönelik literatürde banka başarısızlığı ile ilgili çalışmalarda sıkça kullanılan lojistik regresyon analizi uygulanmaya çalışılmıştır. Başarısız bankaları sağlam bankalardan en doğru şekilde ayırt etmeyi başaran lojistik regresyon modelini tespit etmek amacıyla bağımlı değişken olarak beş farklı “başarısızlık kriteri” belirlenmiştir. Başarısız ve başarısız olmayan bankaları birbirinden ayırabilme gücü yüksek bağımsız değişkenleri seçmek üzere her bir bağımlı değişken için beş aşamalı bir ekonometrik yöntem uygulanmıştır:
1. Aşama: Varyans analizinin (ANOVA) gerçekleştirilmesi,
2. Aşama: Çoklu doğrusal bağlantı probleminin ortadan kaldırılması, 3. Aşama: Adımsal regresyon yönteminin gerçekleştirilmesi,
4. Aşama: Lojistik regresyon modelinin kurulması,
5. Aşama: Sınıflandırma doğruluğu analizinin gerçekleştirilmesi.
Tüm örneklem içinde yer alan herhangi bir bankanın başarısız olma ihtimalini etkileyebilecek faktörler beş adet olarak bulunmuştur. Bunlardan birisi LC13’tür (Uzun Vadeli Borçlar / Sermaye). Başarısız bankaların bilanço yapısında uzun vadeli borçlar ile sermaye miktarı kıyaslandığında uzun vadeli borçların oranının başarısız bankalarda daha yüksek çıktığı görülmüştür. LE19 (Aktif Kârlılığı) faktörünün başarısızlık olasılığı üzerinde negatif bir etkisi vardır. Buna göre, başarısız bankalar başarısız olmayan bankalar ile karşılaştırıldığında daha düşük kârlılığa sahiptirler. Banka büyüklüğünü ifade eden LS2 (Toplam Aktiflerin Logaritması) ile başarısızlık olasılığı arasındaki ilişki pozitif yönlü olarak
bulunmuştur. Kısacası, tüm örneklem seti içinde yer alan başarısız bankalar sahip oldukları aktifler bakımından sağlıklı bankalara göre daha büyük bankalar olmuştur. 82 AB bankası üzerinde mali başarısızlığı öngörmeye çalışan Brossard ve diğerleri de (2007), ortalama aktif büyüme göstergesinin bankaların gelecekteki başarısızlık olasılığı üzerinde pozitif yönlü ve anlamlı bir ilişkisi olduğunu tespit etmişlerdir. Bu sonuç, çalışmada elde edilen LS2 değişkeninin başarısızlık olasılığı üzerindeki pozitif etkisi ile bağdaşmaktadır. LA3 (Yatırıma Dönüştürülen Aktifler / Toplam Aktifler) göstergesinin başarısızlık olasılığı üzerinde pozitif bir etkisi olduğu bulunmuştur. Bu etki beklenen etki ile tutarlı çıkmıştır. Başarısız bankaların bilançosunda toplam aktiflerin içinde yatırıma dönüştürülen aktiflerin payı sağlıklı bankalarınkine oranla daha yüksektir. Dolayısıyla, daha fazla yatırım yapan - daha fazla risk alan - bankalarda başarısız olma olasılığı yüksek bulunmuştur. LE11 (Faiz Gelirleri / Toplam Gelirler) ile başarısızlık arasında negatif bir ilişki olduğu ortaya çıkmıştır. Toplam gelirlerinin yarısından fazlasını faiz gelirlerinden elde edemeyen bankaların başarısızlığa uğrama olasılığı daha yüksek olmaktadır.
AB bankaları için oluşturulan lojistik analizde, başarısız bankaları bir yıl öncesinden doğru tahmin etme gücü diğer modellere nispeten daha başarılı bulunan model tüm örneklem setinde olduğu gibi yine BD1 ile uygulanan model olmuştur. Ancak, söz konusu modelin sonuçlarına göre, AB bankalarının başarısızlığını belirleyen sadece tek bir faktörün olduğu tespit edilmiştir. Bu faktör LE11 (Faiz Gelirleri / Toplam Gelirler) değişkeni olmuştur. AB içinde yer alan bankalar arasından toplam gelirlerinin yarısından fazlasını faiz gelirlerinden elde edemeyen bankaların başarısız olma ihtimali daha yüksek görülmektedir.
Elde edilen sonuçlar göstermektedir ki, makro-ekonomik faktörlerin AB bankalarındaki başarısızlık ihtimali üzerinde herhangi bir etkisi yoktur. Borsada işlem gören 64 Avrupa bankasının mali başarısızlık tahminini piyasa ve muhasebe değişkenlerini kullanarak araştıran Distinguin ve diğerleri (2006), piyasa temelli göstergelerin modeldeki tahmin doğruluğu üzerindeki etkisinin banka yükümlülüklerinin hangi piyasada işlem gördüğüne bağlı olarak değiştiğini bulmuşlardır. Yazarlar, ağırlıklı olarak mevduata dayanan bankalar için piyasa göstergelerinin faydalı bilgi sağlayamadığı sonucuna ulaşmışlardır. Gropp ve diğerleri (2006) piyasa göstergelerinin başarısızlığın tahmin edilmesinde önemli rolü olduğunu savunmuşlardır. Yazarlar, 59 Avrupa bankasını mali başarısızlığın öngörülmesi açısından incelemişler, bunu yaparken piyasa değişkenlerinin mali başarısızlık üzerindeki etkisini değerlendirmişlerdir. Sadece muhasebe değişkenlerini gösterge olarak kullanan tahmin yöntemleri yerine piyasa göstergelerinin de kullanılması neticesinde II. tip hata oranının (başarısız olmayan bir bankayı başarısız olarak sınıflandıran olasılık oranı) azaldığını gözlemlemişlerdir. AB bankalarındaki başarısızlık olasılığını tahmin etmek üzere
bir erken uyarı sistemi oluşturan Poghosyan ve Cihak (2009) makalelerinde, AB bankalarının başarısızlığını önceden belirlemek için geliştirdikleri model sonucuna göre makro-ekonomik faktörlerin oldukça küçük bir rol oynadığını tespit etmişlerdir. Buna karşın, Cippolini ve Fiordelisi (2009), AB içinde bulunan 25 ülkede bankaların başarısızlık olaylarını araştıran çalışmalarında, kişi başına GSYH ile başarısızlık olasılığı arasında negatif yönlü bir ilişki çıktığını ve iyileştirilmiş bir makro-ekonomik seviyenin bekledikleri gibi bankanın risk profilini aşağıya doğru ittiğini kaydetmişlerdir. Avrupa bankacılık sektöründe banka başarısızlığının tahmini üzerine bir erken uyarı modeli uygulayan Betz ve diğerleri (2014), muhasebe rasyolarına ek olarak ülkelerin makro-ekonomik göstergelerinin ilave edilmesiyle oluşturulan lojistik modelin performansının daha başarılı bulunduğu sonucunu elde etmişlerdir.
Türkiye’deki başarısız bankaların bir yıl öncesinden tahmin edilmesi için de BD1’e göre gerçekleştirilen lojistik model daha anlamlı sonuçlar verebilmektedir. Buna göre, Türkiye’deki bankaların başarısızlığına etki edebilen iki faktör ortaya çıkmıştır. Birincisi, LE2 (Net Faiz Marjı), ikincisi de LMF3’tür (Hisse Senedi Fiyatları Büyüme Oranı). Bunlar, tüm örneklem seti ve AB bankaları için elde edilen sonuçlara bakıldığında, oldukça farklı faktörlerdir. LE2 (Net Faiz Marjı) değişkeninin başarısızlık olasılığı üzerinde pozitif yönlü bir etkisi vardır. Beklenen etki ise negatiftir. Net faiz marjı, bankanın fonlarını etkin bir şekilde yatırıma dönüştürüp dönüştüremediğinin göstergesidir. Bu göstergenin negatif olması bankanın yatırımlardan elde ettiği gelirinin faiz giderlerinden düşük olduğu anlamına gelmekte ve dolayısıyla optimal kararlar veremediğini işaret etmektedir. Oysaki net faiz marjı arttıkça bankanın başarısızlığa uğrama olasılığı azalmalıdır. LMF3 (Hisse Senedi Fiyatları Büyüme Oranı) değişkeni ile başarısızlık olasılığı arasında negatif bir ilişki çıkmıştır. Bu etki beklendiği gibidir. Bankanın hisse senedi fiyatlarındaki büyüme oranı arttıkça başarısız olma olasılığı azalacaktır. Zira hisse senedi fiyatı o bankanın piyasa değerini yansıtmaktadır. Piyasa değeri artış gösteren bir banka mali yönden başarılı bir bankadır. Türkiye’de bulunan bankalarda başarısızlık olasılığını arttıran LMF3 faktörünün makro-ekonomik bir gösterge olduğu göz önüne alındığında, Türkiye bankalarının hayatta kalabilmesi için banka dışında meydana gelen etkenlerin oldukça önemli olduğu kanısına varılmaktadır.
Tezde gerçekleştirilen analiz sonuçları değerlendirildiğinde, Türk bankalarının başarısızlık olasılığını etkileyen faktörler ile AB bankacılık sektöründeki başarısızlık belirleyicileri arasında önemli farklılıklar olduğu tespit edilmiştir. Özellikle, sermaye kalitesi, aktif kârlılığı gibi göstergelerin Türk bankalarındaki başarısızlık olasılığını etkilemediği sonucuna ulaşılmıştır. Bunun sebebi, Türkiye’de bankacılık düzenlemeleri ve denetimiyle ilgili AB bankacılık sisteminden daha farklı uygulamaların gerçekleşmesidir. Türk Bankacılık
Sistemi’nde denetim ve gözetim etkinliğinin artırılması ve bağımsız karar mekanizmalarının oluşturulması amacıyla, 2000 yılında şeffaf bir yapıda çalışması öngörülen BDDK kurulmuştur. Ayrıca, Merkez Bankası ve Sermaye Piyasası Kanunları’nda da enflasyonla mücadeleyi güçlendirmek, finansal raporlamanın temeli olan muhasebe standartlarının uluslararası ölçütlere yaklaştırılması amacıyla düzenlemeler yapılmıştır. Tüm bu uygulamalar sonucunda Türkiye’deki bankacılık sisteminin yapısı güçlendirilmiş ve yüksek sermaye yeterlilik rasyolarına sahip olmuştur.
Tezde, Türk bankaları için elde edilen bulgular ile hiç uyuşmayan bir sonuç Toktaş ve Demirhan’a (2004) ait makalede bulunan bulgulardır. Söz konusu makalede, Türkiye’de faaliyet gösteren bankalar için başarısızlığı bir yıl öncesinden tahmin etmek amacıyla yapay sinir ağı yöntemi uygulanmıştır. Elde edilen sonuçlara göre; sermaye yeterliliği, aktif kalitesi, likidite, kârlılık ve gelir-gider yapısı Türkiye’deki bankaların başarısızlık olasılığını etkileyen göstergeler olarak bulunmuştur. Türkiye’deki banka başarısızlığının tahmini üzerine gerçekleştirilen bir diğer çalışma Canbaş ve diğerleri (2005) tarafından yapılmış olup, yazarlar CAMELS kriterlerinin Türk ticari bankalarına özgü finansal özellikleri temsil etmediği yönünde bir sonuç elde etmişlerdir. Yazarlar, bunun Türkiye’de bankacılık düzenlemeleri ve denetimiyle ilgili uygulanan farklı uygulamalardan dolayı meydana geldiği tespitinde bulunmuşlardır. Türk bankalarının başarısızlık tahminine yönelik ampirik bir uygulama yapan bir diğer çalışma ise Doğanay ve diğerlerine (2006) aittir. Ampirik uygulamada birden çok yöntem gerçekleştiren yazarlar, en iyi sonuçların lojistik regresyon analizi yöntemi ile ortaya çıktığını savunmuşlardır. Lojistik regresyon modeline göre; (1) toplam kredilerin toplam aktifler içindeki oranı, (2) duran aktiflerin toplam aktifler içindeki oranı ve (3) toplam gelirlerin toplam giderler içindeki oranı bankanın başarısızlık durumunu etkileyen göstergeler olarak bulunmuştur. Toplam kredilerin toplam aktifler içindeki parasal miktarı arttıkça başarısızlık olasılığının da arttığını ifade etmişlerdir. Başarısızlığa uğrayan bankaların çoğunun o bankadaki hisselerin çoğunluğuna sahip hissedarlara yüksek miktarlarda kredi sağladığını vurgulamışlardır. Duran aktiflerin toplam aktifler içindeki oranını gösteren katsayının negatif yönde olması, bu katsayının azaldıkça bankanın başarısızlığa uğrama olasılığının artacağı anlamına gelmektedir. Yazarlar, bununla ilgili, başarısız bankaların ağırlıklı olarak devlet borçlanma senetlerine yatırım yaptığını ve likit aktiflerin miktarının çok yüksek olduğunu belirtmektedirler. Toplam gelirlerin toplam giderler içindeki oranı azaldıkça bankanın başarısız olma ihtimali artmaktadır. Başarısız bankalar özellikle yüksek faaliyet giderleri ile dikkat çekmektedir.
Gerek AB bankaları, gerek Türk bankaları, gerekse tüm örneklem seti için elde edilen sonuçlar değerlendirildiğinde, bankalarda mali başarısızlığın belirlenmesinde önemli rol
oynadığı düşünülen tahsili geçmiş alacaklarla veya takipteki kredilerle ilgili göstergelerin mali başarısızlık durumunun tahmini konusunda yetersiz kaldıkları görülmektedir. Bu demektir ki, bu çalışmada gerçekleştirilen erken uyarı modelinde takipteki kredilere dayanan değişkenlerin kullanılması başarısız bankaların önceden belirlenmesi konusunda herhangi bir etki göstermemektedir.
AB bankaları için gerçekleştirilen lojistik regresyon analiz sonuçları
değerlendirildiğinde, bağımsız değişkenler arasında LC3 (Sermaye / Toplam Aktifler) ve LA14 (Kayıp Kredi Rezervi / Toplam Krediler) değişkenlerinin birden fazla modelde anlamlı çıktığı tespit edilmiştir. Sermaye yeterliliği ve aktif kalitesini temsil eden bu iki değişkenin banka başarısızlığını tahmin etmede iyi birer gösterge oldukları kanaatine ulaşılmıştır.
Türk bankaları için uygulanan analiz sonuçlarına bakıldığında, LE2 (Net Faiz Marjı) değişkeninin iki farklı modelde anlamlı bulunduğu görülmüştür. Ancak, değişkenin yönü her iki modelde de pozitif çıkarak beklenen doğrultuda olmamıştır.
Yönetim yeterliliğini temsilen seçilen beş bağımsız değişken arasından sadece LM4 (Toplam Faiz Dışı Harcamalar / Toplam Aktifler) değişkeni bağımlı değişkenin açıklanmasında etkin rol oynamıştır. Tüm örneklem seti için BD4’e göre uygulanan lojistik regresyon modeli sonucunda LM4 ile başarısızlık olasılığı pozitif yönlü bir ilişki içindedir. Bu sonuç beklenen etki ile tutarlı çıkmıştır. Faiz dışı harcamaların toplam aktifler içindeki payı yükseldikçe başarısızlık olasılığının da yükselmesi beklenmektedir.
Likidite grubuna ait rasyoların banka başarısızlığının tahmini için önemli olmadıkları sonucu çıkarılmıştır. Tüm örneklem ve Türkiye bankaları için uygulanan lojistik regresyon modellerinde hiçbir likidite rasyosu modele giremezken, AB bankaları için uygulanan lojistik regresyon modeline LL2 (Toplam Krediler / Toplam Sermaye) ve LL4 (Vadesiz Mevduatlar / Toplam Mevduatlar) olmak üzere iki likidite rasyosu girebilmiştir. Bu iki rasyo negatif
bulunmuş, ancak bağımlı değişkeni açıklayabilmeleri açısından anlamlı çıkmamışlardır. Benzer şekilde, Maghyereh ve Awartani’nin (2014) çalışmasında bankalararası oran, likit aktiflerin toplam mevduatlara oranı ve net kredilerin mevduatlara oranı olmak üzere tüm likidite rasyolarının negatif bulunduğu, ancak bu göstergelerin model özelliklerinde anlamlı çıkmadığı gözlenmiştir (Maghyereh ve Awartani, 2014: 139). Bu sonuçlar, AB ülkelerinde banka likiditesi ile başarısızlık olasılığı arasında anlamlı bir ilişki bulamayan Poghosyan ve Cihak’a (2011) ait çalışma ile de tutarlı çıkmıştır.
Piyasa riskine karşı duyarlılığı temsil eden ve bankanın aktifler bakımından büyüklüğünü ölçen LS2 (Toplam Aktiflerin Logaritması) göstergesi, tüm örneklem için uygulanan lojistik regresyon modelinde pozitif ilişkili ve anlamlı çıkmıştır. LS2, AB ve Türkiye bankaları için uygulanan modellere girememiştir. Tezde, tüm örneklem içindeki
bankalar arasından sahip oldukları aktifler bakımından daha büyük olan bankaların başarısızlığa uğrama olasılığının daha yüksek çıktığı bulunmuştur. Aynı şekilde, Stern ve Feldman (2004) ile Louzis ve diğerleri de (2012), daha büyük bankaların başarısızlığa kapılma ihtimalinin daha yüksek olduğunu kaydetmişlerdir. Yazarlar, bu sonucu “batamayacak kadar büyük kıstası” (too big to fail criteria) ile açıklamışlardır. Düzenleyiciler, finansal piyasalarda paniğin oluşmasına izin vermemek için en büyük ve en güçlü bankaların başarısız olmasına engel olmaya çalışmaktadırlar. Bu şekildeki bir düzenleyici politika ile hükümetler başarısızlık olaylarına karışmakta ve bu da risk alma konusunda dikkatsizliği teşvik ettiği için işletmelerin faaliyetleri açısından ahlaki tehlike oluşmasına neden olmaktadır. Oysa yazarlar, özellikle ahlaki tehlikenin büyük bankaları aşırı risk almaya, düşük kaliteli mudilere kredi vermeye ve kaldıraç oranını arttırmaya teşvik edeceğini umuyorlardı. Tezde çıkan sonuç ile tam aksi bir sonuç, Bahreyn, Kuveyt, Umman, Katar, Suudi Arabistan ve Birleşik Arap Emirlikleri içindeki banka başarısızlıklarını araştıran Maghyereh ve Awartani (2014) tarafından gerçekleştirilen çalışmada kaydedilmiştir. Yazarlar, büyük bankalarda başarısız olma olasılığının daha düşük çıktığını bulmuşlardır. Benzer şekilde, Latin Amerika ve Doğu Asya’da banka başarısızlığının tahmin edilmesi üzerine çalışan Arena (2008) da banka büyüklüğü ile başarısızlık olasılığı arasında negatif yönlü bir ilişki tespit etmiştir. Calomiris ve Mason (2003), çalışmalarında büyük bankaların genellikle daha çeşitlendirilmiş olduklarını ve öz sermayeye daha fazla erişebildiklerini vurgulamışlar ve tüm bunların büyük bankaların şoklara karşı direnme yeteneklerini arttırdığını ifade etmişlerdir. Tayland’daki finans kuruluşları içinde başarısızlığı etkileyen faktörleri inceleyen Persons (1999), firma büyüklüğünün başarısızlık üzerinde negatif bir etkisi sonucuna ulaşan bir diğer akademisyen olmuştur. İlgili çalışmasında, beklenen etki ile tutarlı olarak, başarısız olan finans kuruluşlarının hayatta kalanlara nispeten daha küçük olduğu tespit edilmiştir.
Tezde, her ülkeye ilişkin bankacılık sektöründeki dengesizlikleri dikkate almak amacıyla 6 farklı bankacılık sektörü göstergesi kullanılmıştır. Bunlar; LBS1 (Toplam Aktiflerin GSYH’ye Oranı), LBS2 (Çekirdek Olmayan Pasiflerin Büyüme Oranı), LBS3 (Borcun Özkaynaklara Oranı), LBS4 (Toplam Kredilerin Mevduatlara Oranı), LBS5 (Tahviller ve Bonoların Toplam Pasiflere Oranı) ve LBS6’dır (Konut Kredilerinin Toplam Kredilere Oranı). LBS1 değişkeninin, tüm örneklem seti ve AB bankaları için gerçekleştirilen lojistik regresyon modelinde BD2’ye göre elde edilen sonuçlarda, açıklanan değişken ile anlamlı ve pozitif yönlü bir ilişkiye sahip olduğu tespit edilmiştir. Beklenen etki ise negatif yönlü olması şeklindedir. Buna göre, toplam aktiflerin GSYH’ye oranı arttıkça bankalarda başarısızlık olasılığının azalması beklenmektedir. LBS4 değişkeni de aynı şekilde tüm örneklem seti ve AB bankaları için gerçekleştirilen modellerde anlamlı çıkmış olmakla
birlikte, BD5’e göre elde edilen analiz sonuçlarında etki sahibi olmuştur. LBS4 değişkeninin başarısızlık olasılığı üzerindeki etkisi pozitiftir. Bu, beklenen etki ile tutarlıdır. Başarısız bankalar sağlıklı bankalar ile kıyaslandığında, toplam kredilerin mevduatlara oranı daha yüksek çıkmaktadır. Tezde her iki bankacılık göstergesine ait kaydedilen bulgular, Betz ve diğerlerinin (2014) elde ettiği bulgular ile bağdaşmaktadır. Yazarlar, LBS4 ile ilgili olarak, bireysel mevduatların bankanın aktif büyümesine yetişememesi durumunda pasiflerin bileşiminden bir kredi patlamasının ortaya çıkabileceğini ve bankaların kredilerini finanse etmek için diğer finansman kaynaklarına - çekirdek olmayan pasiflere - yüklenebileceğini ifade etmişlerdir.
Bankaların bulunduğu ülkelerdeki makro-finansal dengesizlikleri tespit etmek ve hisse senedi fiyatları ile milli gelirde yaşanan konjonktürel dalgalanmaları kontrol etmek için tezde 8 farklı ülkeye özgü makro-finansal gösterge kullanılmıştır. Bunlar; LMF1 (Reel GSYH Büyüme Oranı), LMF2 (Enflasyon Büyüme Oranı), LMF3 (Hisse Senedi Fiyatları Büyüme Oranı), LMF4 (Konut Fiyatları Büyüme Oranı), LMF5 (Uzun Vadeli Devlet Tahvili Getirisi), LMF6 (Uluslararası Yatırım Pozisyonunun GSYH’ye Oranı), LMF7 (Devlet İç Borcunun GSYH’ye Oranı) ve LMF8’dir (Özel Sektör Kredi Dağılımının GSYH’ye Oranı). LMF3 göstergesi, Türkiye için gerçekleştirilen ve BD1’e göre elde edilen sonuçlarda istatistiksel olarak anlamlı çıkmıştır. LMF3 değişkeninin başarısızlık olasılığı üzerinde negatif yönlü bir etkisi olduğu ortaya çıkmıştır. Bu yönde bir etki beklendiği gibidir. Bankanın hisse senedi fiyatlarındaki büyüme oranı arttıkça başarısız olma olasılığının da azalacağı beklenmektedir. LMF7 ile başarısızlık olasılığı arasındaki ilişki negatif yönlü bulunmuştur. Ancak, beklenen etki pozitiftir. Devlet iç borçlanması arttıkça başarısızlık olasılığının da artması beklenmektedir.
Tezde, ülke düzeyindeki kurumsal gelişmenin başarısızlık üzerinde etkisi olup olmadığını gözlemlemek amacıyla LID1 (Kurumsal Gelişme Endeksi) göstergesinden yararlanılmıştır. Ancak, söz konusu gösterge, gerek tüm örneklem seti, gerek AB bankaları gerekse Türk bankaları için uygulanan hiçbir modelde anlamlı çıkmamıştır.