makale - tbb.org.tr · finansal gelişim düzeyi Üzerindeki etkileri konulu yatay kesit veri...

MAKALE Doç. Dr. Afşin ŞahinEşik Vektör Otoregresif Model ile Türkiye Ekonomisi Para Talebi Fonksiyonu Tahmini

Doç. Dr. Soner Akkoç/ Yrd. Doç. Dr. Nilüfer Dalkılıç/ Yrd. Doç. Dr. Ayşen Altun AdaBanka İfl aslarının Öngörülmesinde Eklektik Bir Yaklaşım

Dr. Mehmet Onur YurdakulAklanan Suç Gelirlerinin Ekonomik Boyutu ve Aklama ile Mücadelede Önleyici Tedbirlerin Finansal Gelişim Düzeyi Üzerindeki Etkileri Konulu Yatay Kesit Veri Analizi

Arş. Gör. Bahadır Fatih Yıldırım/ Doç. Dr. Timur KeskintürkKredi Kartı Kullanım İstatistiklerinin Gri Tahmin ve Genetik Algoritma Tabanlı Gri Tahmin Metodu İle Tahmini: Karşılaştırmalı Analiz

Arş. Gör. Dr. Nasıf ÖzkanTürkiye’de Enfl asyon, Hisse Senedi Getirileri ve Reel İktisadi Faaliyetler Arasındaki İlişkilerin İncelenmesi Yrd. Doç. Dr. Emel Yücel/ Kenan Özdemir/ Prof. Dr. Yıldırım Beyazıt ÖnalTürkiye Katılım Bankaları ile Malezya İslami Bankalarında Etkinlik ve Performans İlişkisinin Veri Zarfl ama Yöntemiyle Analizi

SAYI 94 EYLÜL 2015

BANKACILAR Yıl/Volume : 26 Sayı/Issue : 94 – Eylül 2015/ September 2015 Yayın Türü /Type of Publication: Yerel Süreli Hakemli Yayın/ Refereed Yayın Aralığı / Frequency: 3 aylık / Quarterly (Mart / Haziran/ Eylül/ Aralık) (March/ June/ September/ December) Basım Yeri / Place : İstanbul ISSN 1300-0217 e- ISSN 1307-8631 www.tbb.org.tr Sertifika No/ Certificated Number 17188 Türkiye Bankalar Birliği adına İmtiyaz Sahibi ve Sorumlu Yazı İşleri Müdürü Doç. Dr. Ekrem Keskin Genel Yayın Yönetmeni Melike Mumcu Editörler Emre Alpan İnan Pelin Ataman Erdönmez Danışma Kurulu Prof. Dr. Erhan Aslanoğlu/ Marmara Üniversitesi Dr. İhsan Uğur Delikanlı/ KTKB Prof. Dr. Orhan Göker/ İstanbul Üniversitesi Buket Himmetoğlu/ Türkiye Bankalar Birliği Berkant Ülgen/ Türkiye Bankalar Birliği Prof. Dr. Ahmet Kırman/ Türkiye Bankalar Birliği Prof. Dr. Seza Reisoğlu/ Türkiye Bankalar Birliği Prof. Dr. Burak Saltoğlu/ Boğaziçi Üniversitesi Doç.Dr. Vedat Sarıkovanlık/ İstanbul Üniversitesi Dr. Veysi Seviğ/ Marmara Üniversitesi M. Cüneyt Sezgin/ Türkiye Garanti Bankası A.Ş. Dağıtım Sorumlusu Burak Tekmen İdare Merkezi Nispetiye Caddesi Akmerkez B3 Blok Kat:13 34340 Etiler-İSTANBUL Tel : 212-282 09 73 Faks : 212-282 09 46 E-posta: [email protected] Baskı Tarihi: Eylül 2015 Baskı-Yapım: G.M. Matbaacılık ve Tic.A.Ş. 100 Yıl Mah. MAS-SİT 1.Cad. No:88 Bağcılar 34204 İstanbul Tel: 212-629 00 24-25 Para ile satılmaz.

Bankacılar Dergisi Hakkında Bankacılar dergisi, ekonomi, finans, bankacılık konularında ve bu konularla ilgili alanlarda bilimsel özgün makalelere yer veren hakemli bir dergidir. Bankacılar, akademisyenler, araştırmacılar, uygulamada yer alan profesyoneller ve politika yapıcıları arasındaki bilgi paylaşımının artırılmasına, bankacılık mesleğinin geliştirilmesine ve literatüre katkıda bulunmayı amaçlar. Bankacılar dergisi, TÜBİTAK-ULAKBİM “Sosyal ve Beşeri Bilimler Veritabanı”nda indekslenmektedir. Yılda dört kez yayımlanır. Üç ana bölümden oluşur. Birinci bölümde, hakemler tarafından değerlendirilen, yayımlanması uygun görülen makalelere, ikinci bölümde konferans bildirisi ve konuşma metinlerine, üçüncü bölümde ise bankacılık uygulamalarına ilişkin özel araştırma yazılarına ve çevirilere yer verilir. Yayımlanmak üzere gönderilecek makalelerin, daha önce herhangi bir yerde yayımlanmamış olması ve değerlendirme süreci içerisinde başka bir yerde yayınlama girişiminde bulunulmaması gerekir. Bankacılar dergisi, kapsadığı konularla ilgili alanlarda, Türk Dil Kurumu ve dergi yazım kurallarına uygun olarak hazırlanan makaleleri kabul eder. Makaleler, “anonim yazar/anonim hakem” sistemine göre değerlendirilir. Uygun bulunan makaleler konu ile ilgili iki hakeme gönderilir. Hakem raporlarına göre makalelerin yayınlanıp yayımlanmayacağına karar verilir. Yayımlanacak makalelerde yazım kurallarına ve biçime ilişkin değişiklikler yapılabilir veya bunların yapılması yazardan istenebilir. Dergide yayımlanması talep edilen makaleler, Birlik idare adresine, posta veya e-posta ([email protected]) olarak gönderilebilir. Yayımlanması kabul edilen makalelerin basılı ve elektronik tüm yayın hakları, süresiz olmak üzere Türkiye Bankalar Birliği’ne aittir. Makaleler için yazarlara telif ücreti ödenir. Yayımlanması uygun görülmeyen yazılar geri gönderilmez. Bankacılar dergisinde yayımlanan yazılar, Türkiye Bankalar Birliği’nin resmi görüşlerini yansıtmaz; yazar ve görüş sahiplerini bağlar. Yazılardan kaynak göstererek alıntı yapılabilir.

Bankacılar Dergisi, Sayı 94, 2015

1

İçindekiler Doç. Dr. Afşin Şahin Eşik Vektör Otoregresif Model ile Türkiye Ekonomisi Para Talebi Fonksiyonu Tahmini 3 Doç. Dr. Soner Akkoç/ Yrd. Doç. Dr. Nilüfer Dalkılıç/ Yrd. Doç. Dr. Ayşen Altun Ada Banka İflaslarının Öngörülmesinde Eklektik Bir Yaklaşım 25 Dr. Mehmet Onur Yurdakul Aklanan Suç Gelirlerinin Ekonomik Boyutu ve Aklama ile Mücadelede Önleyici Tedbirlerin Finansal Gelişim Düzeyi Üzerindeki Etkileri Konulu Yatay Kesit Veri Analizi 40 Arş. Gör. Bahadır Fatih Yıldırım/ Doç. Dr. Timur Keskintürk Kredi Kartı Kullanım İstatistiklerinin Gri Tahmin ve Genetik Algoritma Tabanlı Gri Tahmin Metodu İle Tahmini: Karşılaştırmalı Analiz 65 Arş. Gör. Dr. Nasıf Özkan Türkiye’de Enflasyon, Hisse Senedi Getirileri ve Reel İktisadi Faaliyetler Arasındaki İlişkilerin İncelenmesi 81 Yrd. Doç. Dr. Emel Yücel/ Kenan Özdemir/ Prof. Dr. Yıldırım Beyazıt Önal Türkiye Katılım Bankaları ile Malezya İslami Bankalarında Etkinlik ve Performans İlişkisinin Veri Zarflama Yöntemiyle Analizi 95

2

Contents ARTICLES Assoc. Prof. Dr. Afşin Şahin Estimating Money Demand Function Using Threshold Vector Autoregressive Model For The Turkish Economy 3 Assoc. Prof. Dr. Soner Akkoç/ Assist. Prof. Dr. Nilüfer Dalkılıç/ Assist. Prof. Dr. Ayşen Altun Ada An Eclectic Approach to The Prediction of Bank Bankruptcies 25 Dr. Mehmet Onur Yurdakul The Economic Volume of The Laundered Proceeds and The Cross Country Analysis on The Effects of Preventive Measures of Anti Money Laundering to the Level of Financial Development 40

Res. Assist. Bahadır Fatih Yıldırım/ Assoc. Prof. Dr. Timur Keskintürk Credit Card Usage Prediction With Grey Model and Genetic Algrotihm Based Grey Model: Comparative Analysis 65 Res. Assist. Dr. Nasıf Özkan An Investigation of The Relationship Between Inflation, Stock Returns and Real Economic Activity In Turkey 81

Assist. Prof. Dr. Emel Yücel/ Kenan Özdemir/ Prof. Dr. Yıldırım Beyazıt Önal Investigating the Efficiency and Performance Relationship of Islamic Banks with Data Envelopment Analysis in Turkey and Malaysia 95


3

Eşik Vektör Otoregresif Model ile Türkiye Ekonomisi Para Talebi Fonksiyonu Tahmini

Doç. Dr. Afşin Şahin*

Öz Bu çalışmada aylık 1990: 01 – 2014: 10 Türkiye verisi ile yüksek ve düşük rejimlerde gelir, faiz,

döviz kuru ve enflasyon oranı şokları karşısında para talebi fonksiyonun tepkisi Eşik Vektör Otoregresif Model (TVAR) yardımıyla incelenmektedir. Çalışma bulguları, gelir ve faiz oranı yanında, enflasyon ve döviz kurunun da para talebi fonksiyonu davranışlarını açıklamakta önemli değişkenler olduğuna işaret etmektedir. Para talebi fonksiyonu doğrusal olmayan davranış sergilemekte ve tepkisi eşik değişkene ve rejime göre farklılaşmaktadır.

Bu çalışmanın bir kısmı hazırlanırken Gazi Üniversitesi Bilimsel Araştırma Projeleri Programı,

Bilimsel Araştırma Projesi No. 53/2012-01 tarafından verilen destekten faydalanılmıştır.

Anahtar Kelimeler: Para Talebi, Doğrusal Olmama, TVAR modeli. JEL Sınıflaması: E410, E520, C580.

Estimating Money Demand Function Using Threshold Vector Autoregressive

Model For The Turkish Economy

Abstract In this paper, the response of money demand to the income, interest rate, exchange rate and

inflation rate shocks have been analyzed among high and low regimes by using Threshold Vector Autoregressive Model (TVAR) for the Turkish monthly data spanning 1990: 01 – 2014: 10. The results indicate that an inflation and exchange rates are essential variables to explain the money demand function besides the income and interest rate. Money demand function exhibits a nonlinear behavior and its response diversifies according to the threshold variable chosen and the regime. Keywords: Money Demand, Nonlinearity, TVAR Model. JEL Classification: E410, E520, C580.

1. Giriş Teorik iktisat çalışmalarında Keynes’i takip edenler, klasik iktisatçıların aksine faiz

oranının para talebini etkilediğini kabul etmektedirler. Keynes, gelir düzeyiyle değiştiği kabul edilen işlem amaçlı para talebi ve belirsizlik durumunda artan ve yine gelire duyarlı ihtiyat amaçlı para talebi kavramına ilave olarak, bir de paranın fırsat maliyetine duyarlı spekülatif güdüyü eklemiştir (Mishkin, 2013, s. 535-550). Zamanla temel değişkenlere ilave olarak, özellikle gelişmekte olan ülkeler için bir risk unsuru olan döviz kuru belirtimlere dâhil edilmeye başlanmıştır. Kurdaki artış Mishkin (2013) çerçevesinde bir risk unsuru olarak algılanırsa ekonomide yerli paraya dönük nakit tercihi artacaktır. Döviz kurunun para talebini etkilemesi bir bakıma gelişmekte olan ülkelerdeki kısmi dolarizasyonla da ilgili bir hal almıştır. Mishkin (2013)’de enflasyondaki artışın para talebini benzer şekilde risk artışı kanalıyla negatif etkileyeceği kabul edilmektedir. Literatürde tartışılan bir başka konu para talebinin istikrarı ile ilgilidir. Özellikle 1990 sonrasında ekonomilerde dışa açıklığın artması, işlem maliyetleri, teknoloji ve bir takım diğer yapısal nedenlerle para talebinin istikrarsız hale geldiği kabul

* Gazi Üniversitesi, Bankacılık Bölümü Öğretim Üyesi.

Doç. Dr. Afşin Şahin

4

edilmektedir. Para ile gelir arasındaki ilişkinin önceden kestirilememesi ve para piyasasındaki dengesizliklerin artışını takiben, gelişmiş ülkelerde faiz hedeflemesi, parasal hedeflemeye tercih edilmeye başlanmıştır. Williamson (2014) ve Froyen (2013) para talebinin istikrarsız hale gelmesini takiben parasal kurallardan sapma süreçleri ve farklı parasal koşullarda merkez bankalarının belirlediği hedefler ile ayrıntılı bilgiler içermektedir.

Ekonomik durgunluk ya da kriz zamanlarında bir takım tipik ortak hareketler ve

dalgalanmalar gözlenmektedir. Bu gibi olumsuz durumlarda Krugman (2014)’in belirttiği gibi ekonomik büyüme zayıflamakta, faiz oranları artmakta ve likidite düzeyi azalmaktadır. Grafik 1.1’de panellerde sırasıyla Türkiye Ocak, 1990 ile Ekim, 2014 yıllarına ilişkin kısa dönem faiz oranları, parasal büyüme hızı, ekonomik büyüme hızı ve enflasyon oranında bu durum gözlenebilmektedir. Türkiye’de geçmişte yaşanan Nisan 1994, Kasım 2000 ve Şubat 2001 krizlerinde sanayi üretim endeksi azalmış, enflasyon ve faiz oranları yükselmiş, TL değer kaybetmiş ve finans piyasalarında yerli ve yabancı likidite azalmıştır. Durgunluk zamanlarında ekonomide satın alma gücünün azalması nedeniyle işlem amaçlı para talebi azalmaktadır. Belirsizlikleri takiben yatırımlar ve tüketim duraksayacağı için ihtiyati para talebi ise artmaktadır. Para ve mal piyasalarında talep cephesinin son derece belirsiz olduğu böyle dönemlerde merkez bankalarının gelişmelere nasıl tepki vermesi gerektiği tartışmaları hız kazanmaktadır. Bir takım iktisatçılar sıkı para politikasını, diğer bir grup iktisatçı ise genişletici para politikasını önermektedirler. Genişlemeci para politikasını savunanlar olumsuz iktisadi göstergelerden daha hızlı çıkılabileceği gerekçesi ile faiz oranlarının azaltılması ve miktarsal genişleme uygulamaları ile piyasadaki likiditenin artırılmasını önermektedirler. Para piyasasının arz cephesine dönük adımların öncesinde talep cephesinin davranışlarının bilinmesi de dengeye uzaklığın tespiti anlamında önem taşımaktadır, çünkü para talebinin istikrarlı olduğu ekonomilerde genişlemeci para politikasının daha başarılı ve etkin sonuçlar doğurduğu kabul edilmektedir. Ayrıca para politikasının etkinliği, para talebinin faiz oranı ve gelir düzeyine duyarlılığına göre değişmektedir. İktisat teorisinde para talebinin faiz oranına duyarlılığı azaldıkça ve gelire duyarlılığı arttıkça para politikasının daha etkin olduğu kabul edilmektedir.

Bu çalışmanın amacı para talebi fonksiyonun gelir, faiz, döviz kuru ve enflasyon oranına

tepkisini Eşik Vektör Otoregresif Model (TVAR) ile Türkiye ekonomisi Ocak, 1990 – Ekim, 2014 verileriyle tahmin etmektir. Eşik değişken olarak enflasyon, gelir ve faiz oranı kullanılmakta ve para talebinin farklı rejimlerdeki tepkileri değerlendirilmektedir. Çalışmanın bundan sonraki kısmı, literatürde para talebi fonksiyonunu tahmin ederken kullanılan teorik yaklaşımlar, ekonometrik yöntemler, seçilen ülke grupları ve diğer farklı bakış açılarına değinmektedir. Üçüncü bölümde çalışmada kullanılan veri seti ve yöntem tanıtılmaktadır. Dördüncü bölümde elde edilen bulgular sunulmakta ve beşinci bölümde değerlendirilmekte ve altıncı bölümde sonuç kısmı yer almaktadır.

Bankacılar Dergisi

5

Grafik 1.1. Türkiye’de Faiz, Enflasyon ve Parasal Büyüme, Aylık % Değişim

Panel A. Kısa Dönem Faiz Oranları (%) Panel B. M2Y Parasal Büyüme Hızı (%)

Panel C. Toplam Sanayi Büyüme Hızı (%) Panel D. Tüketici Fiyatları Enflasyonu (%)

Kaynak: Türkiye Cumhuriyet Merkez Bankası, EVDS

2. Literatür Taraması Para talebi fonksiyonuna ilişkin iktisat okulları arasında görüş ayrılıkları oluşmuş ve

temel makroekonomi ve parasal ekonomi ders kitapları içeriklerde önemli bir konum elde etmiştir. Ancak para talebinin gerek soyut yapısı, gerekse de diğer iktisadi değişkenlerden hangi ölçüde etkilendiğinin net olarak ortaya konulamaması, tartışmaların teorik ve ampirik boyutta devam etmesine yol açmaktadır. Bu çerçevede aşağıda teorik iktisat okullarında bugüne kadar devam eden tartışmalar hakkında kısaca bilgi verilecektir.

Para talebi teorilerinde klasik ve Keynesyen görüşlerin bakış açıları baskın durumdadır.

Klasik yaklaşımda1, Fisher ve Cambridge yaklaşımlarından oluşan klasik miktar teorisi ve devamı niteliğindeki Milton Friedman’ın öncülüğünü yaptığı modern miktar teorisi yer almaktadır. Yanlızca işlem ve ihtiyat güdüsüyle para talebini gözeten klasik iktisatçılar uzun döneme odaklanmış, paranın dolanım hızını sabit ve para talebinin faiz oranına duyarlılığının sıfır olduğu kabul etmişlerdir.

Milton Friedman’ın miktar teorisi parasal analizde önemli bir aşama kat ettirmiştir ve

parasal denge varsayımı altında bir para talebi teorisi sayılabilir. Friedman’a göre bireylerin toplam refahı beşeri sermaye, reel varlıklar, hisse senedi, tahvil ve paradan oluşmaktadır


6

(Bofinger, 2001, s. 33). Para talebi fonksiyonu istikrarlı kabul edilmiş ve buradaki istikrar kavramı daha sonraki yıllarda Dickey, Jansen ve Thornton (1994) gibi çalışmalarda parasal büyüklük ölçütünün uygunluğunun takdirinde paranın dolanım hızı, reel gelir ve fiyat düzeyi arasında en az bir kointegrasyon ilişkisi olması anlamında ekonometrik açıdan tartışılmıştır. Bu anlamda Milton Friedman’ın 1930’lu yıllardan itibaren regresyon yöntemlerinin para talebi konusuna uygulanmaya başlamasını takiben (William ve Frazer, 1967, s. vii) para teorisi ile ekonometrik konuların eşanlı modellenmesinine imkân verecek kavramlar ortaya attığı söylenebilir. İktisadi aktörlerin reel değişkenleri dikkate aldığını kabul etmişler ve parasal yanılgıyı reddetmişlerdir. Friedman’a göre nominal para stoğu parasal otoriteler tarafından belirlenirken, reel para stoğu parayı tutan hanehalkı ve işverenler yani ekonominin talep cephesi tarafından belirlenmektedir (Rossi, 2001, s. 79).

İktisadi akımlar içerisinde katılık ve aktif politikalara vurgu yapan Keynesyen teoriler,

para talebi teorileri konularında da esnek olmayan fiyat ve ücret hareketlerini göz ardı etmemişlerdir. Para talebi teorisi Keynesyen çerçevede ele alınırken paranın dolaşım hızı sabit kabul edilmemiş ve faiz oranından da etkilendiği analizlerde hesaba katılmıştır. Para talebinin faiz oranına duyarlılığının negatif olduğu ancak gelir artışı ile beraber arttığı gösterilmiştir. Böylece Keynesyen iktisatçılar, spekülatif amaçlı para talebini faiz kanalının aktarım mekanizmasına dahili ile beraber değerlendirmişlerdir.

İktisatta politika etkinliği tartışılırken, para talebinin faiz oranına duyarlılığı azaldıkça para

politikasının daha etkin olacağı, likidite tuzağı gibi uç durumlarda ise etkinliğin ortadan kalkacağı kabul edilmektedir (Dadkhah, 2009, s. 22). Düşük faiz ortamı, bireylerin gelecekte faiz oranının yükseleceği beklentisine girmelerine yol açmakta, nakit talebi artışını tetiklemektedir. Yani Keynes faiz oranlarının zamanla normal seviyesine yöneleceğini kabul etmektedir. Faiz oranının bu seviyenin altında olması durumunda, bireylerin faiz oranı ile ilgili beklentileri yukarı yönlü olmakta, tahvil talebi azalmakta ve para talebi artmaktadır. Paranın dolaşım hızının oynaklığını artıran bu durum, bireylerin gelecekte beklediği faiz oranlarının para taleplerini etkilediğine işaret etmektedir (Mishkin, 2010, s. 498-499). Parasal otoritelerin açık piyasa işlemleri ile yapılan tahvil alımları ve likidite değiştirme istekleri, veri faiz düzeyinden yüksek para talebi nedeniyle faiz oranı üzerinde etkinliğini yitirebilmektedir. Keynesyen modelde para talebinin faiz oranına duyarlılığı arttıkça, para piyasası dengesini gösteren LM eğrisi yatay eksene paralel bir doğru olmakta ve toplam arz eğrisi ise yatık hale gelmektedir. Laidler (1977)’e göre, para talebinin faiz oranına sonsuz duyarlı olduğu faiz oranının üzerindeki bir faiz oranı seviyesinde; para talebi gelir ile yükselmektedir. Ancak bu faiz oranı düzeyinde farklı gelir seviyeleri için çizilmiş eğriler yakınsamaktadır. Bu düşük faiz oranında gelir artışının para talebini artırması mümkün olmadığı için, bu faiz oranında farklı gelir düzeylerindeki eğriler kesişmekte ve sonsuz esnek olmaktadır. Keynes ayrıca para talebinin fiyatlardaki azalış ile beraber artacağını kabul etmektedir. Ona göre hanehalkının para talep ederken reel anlamda satın alabilecekleri mal ve hizmetler için gerekli miktarı gözetmektedir.

Para talebinin post-Keynesyen teorileri ise; para talebinin portföy teorileri, para talebi

işlemlerinin Baumol-Tobin, Tobin’in spekülatif para talebidir. William J. Baumol ve James Tobin işlem amaçlı para talebi kavramıyla gündeme gelmişlerdir. Para talebinin portföy teorisi yaklaşımında, paranın değer saklama aracı olduğu üzerine vurgu yapılmaktadır. Portföy teorisinde para talebi; hisse senedinin beklenen reel getirisi, tahvilin beklenen reel getirisi, enflasyon bekleyişleri ve reel refah düzeyinin bir fonksiyonu kabul edilmektedir. Para talebi, refah değişkeni dışında diğer değişkenlerdeki artışlardan negatif yönde etkilenmektedir. Temelde genel Keynesyen para talebi gösteriminden farkı, hisse senedi getirilerinin modele dâhil edilmesidir. Diğer değişkenler, örtülü olarak Keynesyen talep fonksiyonunda yer almaktadır. Baumol-Tobin2 işlem amaçlı para talebinde, işlem amaçlı para talebinin de faiz oranına duyarlı olduğu kabul edilmekte ve Keynesyen teoride vurgulanan faiz oranına

Bankacılar Dergisi

7

duyarsız işlem amaçlı para talebine ters bir görüntü göstermektedir (Mishkin, 2010, s. 503). William Baumol ve James Tobin'in geliştirdiği envanter modelinde para talebinin işlem amaçlı tutulsa bile faiz oranından etkilendiği kabul edilmektedir. Para stoku reel gelirin pozitif bir fonksiyonudur, tahvil fiyatları faiz oranı ile negatif ilişki göstermektedir ve tahvil alım satımına dönük reel işlem maliyeti ile para stoku arasında pozitif bir ilişki yer almaktadır (Parasız, 2011, s. 37). Tobin’in spekülatif amaçlı para talebinde, bireyler nakit ve tahvili beraber portföylerinde bulundurmaktadırlar. Sürekli zaman varsayımı altında inşa edilen Tobin’in para talebi modelinde reel para talebi; reel çıktı düzeyi ile pozitif, paranın reel getirisi ile pozitif, tahvilin reel getirisi ile negatif ve reel refah düzeyi ile pozitif ilişkilidir ve para talebi arttığında tahvil talebi ya da sermaye talebi azalmaktadır ve varlık piyasasında bir denge söz konusudur (Ayrıntılı açıklamalar için Tobin, 1969 ve Turnovsky, 1998, s. 28-29 incelenebilir). Tahvil talebi ile fiyatı arasında pozitif ilişki vardır ve faiz oranı ile nakit talebi arasında ise negatif ilişki söz konusudur. İnsanlar nakit ve tahvil tutmak arasında bir optimizasyona gitmektedirler.- Para talebi teorileri ile ilgili ayrıntılı bilgi için Keyder (2008), Abel ve Bernanke (2001, s. 255) ve Dwivedi (2005, s. 236-254) incelenebilir.

Para talebi fonksiyonu doğrusal ve doğrusal olmayan yöntemlerle pek çok ülke

açısından tahmin edilmeye çalışılmıştır.3 Basher ve Fachin (2014) Orta Doğu ülkeleri 1980 – 2012 yıllık panel veri ile Panel En Küçük Kareler (Panel OLS), Tamamen Değiştirilmiş En Küçük Kareler (FMOLS) ve Dağıtılmış Gecikmeli Otoregresif (ARDL) yöntemlerini kullanarak para talebinin gelir esnekliğini birimden büyük ve faiz esnekliğini sıfıra yakın negatif bulmaktadır. Foresti ve Napolitano (2014) Panel Dinamik En Küçük Kareler (PDOLS) yöntemini kullanarak 1999:M1 – 2012: M3 Avrupa Birliği üyesi ülkeleri aylık veri seti ile yaptıkları tahminde M2 para talebi gelir esnekliğinin pozitif ancak faiz ve enflasyon esnekliklerini negatif bulmaktadır. Narayan, Narayan ve Mishra (2009) Bangladeş, Hindistan, Pakistan, Sri Lanka, Nepal ülkeleri için uzun dönemde istikrarlı M2 para talebi tahmin etmektedir. Kumar (2014)’a göre teknoloji ve finansal okuryazarlık düzeylerinin aynı olmaması nedeniyle, gelişmiş ve gelişmekte olan ülkelerde para talebi fonksiyonu parametre esneklik tahminlerinde heterojenlik görülecektir.

Sarno (1999) Üstel Yumuşak Geçişli Bağlaşım Modelini (STR) İtalya para talebi

fonksiyonunu tahmin ederken uyarlama maliyetleri nedeniyle tercih etmektedir. Huang, Lin ve Cheng (2001) Tayvan ekonomisi M2 para talebi fonksiyonunu üretim, faiz oranı ve döviz kuru ile Yumuşak Geçişli Hata Düzeltme Modeli (STECM) ile tahmin etmekte ve geçiş değişkeninin altında ve üzerindeki üretim dalgalanmalarında esnekliklerin farklılaştığını göstermektedir.4 Jawadi ve Sousa (2013) benzer şekilde para talebi fonksiyonunda doğrusal olmayan davranışlara vurgu yaparak, ABD, Euro Bölgesi ve İngiltere çeyrek dönem üretim, faiz oranı, enflasyon ve reel döviz kuru verisi ile para talebi fonksiyonunu Quantile Regresyon (QR) ve STR yöntemleri ile tahmin etmektedir.

Price ve Nasim (1999) M2 para talebi fonksiyonunu Görünürde İlintisiz Regresyon

(SUR) ve Vektör Hata Hata Düzeltme Modeli (VECM) 1974 – 1994 yıllık Pakistan verisi ile tahmin ederken döviz kuru ve dünya fiyatlarını paranın fırsat maliyeti olarak kullanmaktadır. Nielsen (2008) kointegre Vektör Otoregresif (VAR) yöntemini kullanarak Danimarka 1973:Q1 – 2003: Q1 çeyrek dönem reel M3, reel ulusal harcamalar, enflasyon, faiz oranı verisi için para talebi fonksiyonu tahmin etmekte ve petrol şokunun parametre tahminlerini etkileyebileceğini göstermektedir. Sousa (2014) ABD 1947:Q1 – 2008:Q4 çeyrek dönem verisine uyguladığı Yapısal Otoregresif Model (SVAR) ile M2 para talebinin faiz oranına duyarlılığını gelir esnekliğine göre daha yüksek bulmaktadır. Austin, Ward ve Dalziel (2007) STR modelini kullanarak enflasyon oranının eşik değerinin üzerinde olduğunda gelir ve enflasyonun para talebi üzerindeki etkilerini anlamlı bulmaktadır.


8

Literatürde doğrusal olmayan VAR yöntemleri ile para talebi fonksiyonu tahmin edilmeye çalışılmıştır. Weise (1999) gelir, fiyat ve M1 değişkenlerinden oluşan Lojistik Yumuşak Geçişli Vektör Otoregresif Model’ini (LSTVAR) ABD 1960:Q2 – 1995: Q2 çeyrek dönem verisi ile tahmin etmektedir. -Bu çalışmada yararlanılan Eşik Vektör Otoregresif Modeli (TVAR)’nin Yumuşak Geçişli Vektör Otoregresif (STVAR) versiyonu literatürde yer almaktadır. Başka bir çalışmada STVAR uygulaması yapılması düşünülmektedir. Weise (1999) fiyatlardaki artışın parasal büyüklüğü yüksek büyüme rejiminde, düşük büyüme rejimine göre daha fazla artırdığını bulmaktadır. Gelirdeki artış ise yüksek büyüme rejiminde, düşük büyüme rejimine göre parasal büyüklüğü daha küçük azaltmaktadır.

Literatürde Türkiye özelinde de gerek doğrusal gerekse de doğrusal olmayan modeller

yardımı ile para talebi fonksiyonu tahmin edilmeye çalışılmıştır. Bu çalışmaların bazılarına değinilirse: Altıntaş (2008) Türkiye 1985 ile 2006 üç aylık M2 verisi ile ARDL tahmini yapmakta ve döviz kurunun ve gelirin para talebine etkisini pozitif ancak faiz oranın etkisini negatif bulmaktadır. Şahin (2013a) Türkiye 1990: M01 – 2012: M05 aylık veri setini kullanarak Eşik Değer Otoregresif Model (TAR) yardımıyla para talebini tahmin etmekte ve para talebinin yüksek ve düşük iktisadi rejimlerde heterojen bir yapıda hareket ettiğini göstermektedir. Şahin (2013a) yüksek rejimde logaritmik reel M2Y parasal büyüklüğü içsel direncini; düşük rejimdeki içsel dirençten daha yüksek bulmaktadır. Şahin (2013b) Türkiye aylık Ocak, 1990 – Mayıs, 2012 verisi ile reel altın fiyatları, reel faiz oranı, reel hisse senedi fiyatları, reel gelir, enflasyon belirsizliği ve reel M2Y değişkenleri yardımıyla Yumuşak Geçişli Bağlaşım Modeli (STR) ile para talebi belirtimi katsayılarını farklı rejimlerde tahmin etmektedir. Şahin (2013b) paranın alternatifleri arasında döviz kurunun ve enflasyonun para talebi üzerindeki etkilerinin rejimler arasında farklılık gösterdiğini ortaya koymaktadır. Bahmani, Oskooee ve Karacal (2006) Sınır Testi Kointegrasyon yaklaşımıyla reel gelir, logaritmik nominal faiz oranı, logaritmik nominal döviz kuru ve logaritmik M1 parasal büyüklükten oluşan para talebi fonksiyonunu Türkiye için tahmin etmektedir. Döviz kuru, faiz oranı ve enflasyonun para talebi üzerindeki etkilerini negatif ancak gelirin etkisini pozitif bulmaktadır.

3. Veri Seti ve Yöntem Bu çalışmada, Ocak, 1990 – Ekim, 2014 tarihleri arasında logaritmik nominal USD/TL

efektif satış kuru (LOGEXC), reel faiz oranı (RINT), logaritmik sanayi üretim endeksi (LOGIP), Tüketici Fiyatları Endeksinden hesaplanmış enflasyon oranı (ENF) ve logaritmik reel M2Y parasal büyüklüğü (LOGRM2Y) yardımıyla para talebi etki tepki fonksiyonları tahmin edilmektedir. Veriler Türkiye Cumhuriyet Merkez Bankası Elektronik Veri Dağıtım Sisteminden (EVDS) temin edilmiştir. Değişkenlerin açıklamaları ve kaynakları Ek A, Tablo A1 de sunulmaktadır.5

Parasal büyüklük olarak M2Y tanımının seçilmesinin bir takım sebepleri vardır. Hem

gelişen ülke tahminleriyle uyumlu olması, hem de diğer değişkenlerle en yüksek korelasyon katsayılarını vermesi burada birinci etmendir. Ayrıca Türkiye’de yabancı para vadeli ve vadesiz mevduatların toplam mevduatlar içindeki payı önemli düzeydedir (Grafik 1.2). Dolayısıyla Türkiye'de yabancı para vadesiz ve vadeli mevduatların parasal büyüklüğe dâhil edilerek para talebi eşitliğinin tahmin edilmesinin daha doğru olacağı söylenebilir. Para ekonomisi literatüründe para arzı ile talebi miktarının piyasada eşit olduğu varsayılmaktadır. Bazı çalışmalar her ikisinin etkilerinin aynı olduğunu göstermektedir. Örneğin Gali (1992) dört farklı iktisadi şok türetilerek reel, nominal değişkenler üzerindeki etkilerini incelemekte ve gelir düzeyinin yükselmesiyle para talebi ve arzının beraber artarak karşılıklı etkilerini nötrlediğini göstermektedir.

Bankacılar Dergisi

9

Grafik 1.2. Türkiye’de Yabancı ve TL Mevduatların Seyri

Kaynak: TCMB, EVDS

Grafik 1.3. Değişkenlerin Grafikleri

Literatürde para talebi fonksiyonel yapısı belirlemede bir takım teorik ve kullanılacak veri

seti tartışmaları halen devam etmektedir. Literatürde fonksiyonel yapı içine konulacak reel ve nominal değişken ayrımına da gidilmiştir. Örneğin Pelipas (2006) nominal ve reel parasal büyüklüklerin her ikisi için de diğer değişkenlerle kointegrasyon ilişkisi bulmaktadır. Reel faiz oranı hesaplanırken kısa dönem faiz oranlarını kullanılmıştır. Krugman ve Wells (2011)’e göre kısa dönem faiz oranları uzun dönem vadeli faiz oranlarına göre para talebi kararı açısından daha önemlidir çünkü nakit ya da alternatif varlıkların tercihleri kısa vadelidir. Ancak Krugman ve Wells (2011)’de para talebi açısından nominal faiz oranının reel faiz oranı yerine kullanılması gerektiği ifade edilmektedir çünkü enflasyon beklentilerinin işlem esnasında bilinmeyeceği ifade edilmektedir. Rao ve Singh (2006)’da reel faiz oranı yerine nominal faiz oranının kullanılmasının matematiksel eşitlik nedeniyle daha doğru olacağını belirtmektedir.

Dışa açık gelişmekte olan ülkeler için geleneksel olmayan para talebi tahminlerinin pek

çoğunda nakit tercihinin alternatif maliyetini temsilen döviz kurunun modele dâhil edildiği görülmektedir. Örneğin Oskooee ve Shabsigh (1996) M2 parasal büyüklüğünün istikrarı

Yillar

LO

GE

XC

1990 1991 1992 1993 1994 1995 1996 1997 1998 1999 2000 2001 2002 2003 2004 2005 2006 2007 2008 2009 2010 2011 2012 2013 2014

4.25

5.00

Yillar

RIN

T

1990 1991 1992 1993 1994 1995 1996 1997 1998 1999 2000 2001 2002 2003 2004 2005 2006 2007 2008 2009 2010 2011 2012 2013 2014

-100

300

Yillar

LO

GIP

1990 1991 1992 1993 1994 1995 1996 1997 1998 1999 2000 2001 2002 2003 2004 2005 2006 2007 2008 2009 2010 2011 2012 2013 2014

4.25

5.00

Yillar

EN

F

1990 1991 1992 1993 1994 1995 1996 1997 1998 1999 2000 2001 2002 2003 2004 2005 2006 2007 2008 2009 2010 2011 2012 2013 2014

-5

15

Yillar

LO

GR

M2Y

1990 1991 1992 1993 1994 1995 1996 1997 1998 1999 2000 2001 2002 2003 2004 2005 2006 2007 2008 2009 2010 2011 2012 2013 2014

5.00

6.25

Yillar

LO

GM

2Y

1990 1991 1992 1993 1994 1995 1996 1997 1998 1999 2000 2001 2002 2003 2004 2005 2006 2007 2008 2009 2010 2011 2012 2013 2014

10

18


10

açısından eşitliğe döviz kurunun dâhil edilmesi gerektiğini ve kurdaki artışın yabancı para talebini artırdığını belirtmektedir. Oomes ve Ohnsorge (2005) enflasyon ile döviz kuru arasındaki yüksek korelasyon nedeniyle paranın alternatif maliyeti olarak döviz kurunun dahil edilmesi gerektiğini iddia etmektedir.

Çalışmada yararlanılan değişkenlerin birim kök testi sonuçları öncelikle yapılmıştır.

Değişkenlere ilişkin Augmented Dickey Fuller (ADF) birim kök testleri karışık sonuçlara işaret etmektedir (Tablo 1.1). Bu sebeple doğrusal olmayan birim kök testlerine de yer verilmiştir. ADF gibi doğrusal birim kök testlerinin doğrusal dışılık söz konusu ise, Caner ve Hansen (2001) gibi TAR tabanlı doğrusal olmayan birim kök testlerine göre gücünün zayıflayacağı kabul edilmekte ve Monte Carlo deneyleri ile gösterilmektedir. Bu test durağan dışılık ve doğrusal dışılık arasında bir ayrıma gitmeye izin vermektedir. Caner ve Hansen (2001) doğrusal olmayan birim kök testi sonuçları Tablo 1,2’de sunulmaktadır. Geçiş değişkeni

gecikmeli değişim olan 1 1 1 – t t t mz y y belirtimi ile hesaplanmıştır. Geçiş değişkenin altında

yer alan gözlem sayısı (birinci rejim), geçiş değişkenlerinin üstünde yer alan gözlem sayısının (ikinci rejim) pek çok seride daha fazladır. Akomodasyon katsayıları rejimler arasında farklılaşmaktadır. Test sonuçlarına göre serilerin durağan ancak doğrusal olmayan süreç sergiledikleri kanaatine varılmıştır. Doğrusal model varyansının doğrusal olmayan model varyansına oranına dayanan Wald istatistiği testinin (WT) sıfır hipotezi doğrusal model ve alternatif hipotezi ise eşik modeldir. WT testi doğrusallık sıfır hipotezini reddetmekte ve doğrusal dışılık yakalamaktadır. R2T ve R1T eşik birim kök testi istatistikleridir ve serilerde red edilmektedir. t1 ve t2 istatistiklerinin en az biri birim kökü red etmekte ve doğrusal olmayan davranışı desteklemekte, serilerin kısmi birim köke ve doğrusal olmayan yapıya sahip olma ihtimallerini güçledirmektedir.6

VAR modellerinin varsayımlarından bir tanesi de model içinde kullanılan değişkenlerin

durağan olması koşuludur. Ancak birim kök testi belirtim sonuçlarının bir kısmı durağan (I(0)) ve bir kısmı da durağan olmayan (I(1)) davranışa işaret edebilir. Bu gibi durumlarda, Doğan, Şahin ve Berument (2015)’e göre eğer değişkenler arasında kointegrasyon ilişkisi varsa VAR modeli uygulanabilmektedir. Benzer şekilde Demiralp ve Demiralp (2014) de VAR modelinden elde edilen kalıntıların durağan olması durumunda, farklı derecede bütünleşik seriler aynı modelde yer alsa bile VAR modelinin kullanılabileceğine işaret etmektedir.

Ayrıca ele alınan dönemde, Türkiye ekonomisindeki yüksek oynaklığın çalışma

sonuçlarını güçlendireceği önermesi, Pelipas (2006)’ın oynaklığı yüksek küçük veri setinin oynaklığı düşük büyük ülke verisine göre daha fazla bilgi vereceği yorumunu takiben söylenebilir.

Tablo 1.1. ADF Birim Kök Testi Sonuçları

Değişkenler Trendli Sabitli ve Trendli Sabitsiz ve Trendsiz

LOGIP -0.8865 -3.8839 ** 1.8603 *

LOGCPI -2.8089 * -1.7950 -0.1010

LOGEXC -4.3385 *** -0.9942 3.6486 ***

RINT -4.6455 *** -6.5805 *** -3.2165 ***

LOGRM2Y -0.2872 -3.3696 * 3.8476 ***

Not: Gecikme değerleri BIC ile belirlenmiştir. ADF birim kökünün sıfır hipotezi birim kökün var olmasına dayanmaktadır. ***, ** ve ** sırasıyla %1, %5 ve %10 düzeyinde anlamlılıkları göstermektedir.

Bankacılar Dergisi

11

Tablo 1.2. Caner ve Hansen (2001) Birim Kök Testi Sonuçları, Sabitli ve Trendli

k m WT

R2T

R1T

t1

t2

Eşik

LOGIP 12 11 0.0010 *** 0.0005 *** 0.0025 *** 0.0098 *** 0.0153 *** 0.0216

LOGCPI 12 6 0.0385 ** 0.0391 ** 0.0375 ** 0.3759 0.0204 ** 0.2997

LOGEXC 12 8 0.0086 *** 0.0063 *** 0.0062 *** 0.5222 0.0036 *** 0.4032

RINT 12 9 0.0230 ** 0.0480 ** 0.0470 ** 0.7410 0.0200 ** 6.1740

LOGRM2Y 12 2 0.0050 *** 0.0030 *** 0.0840 * 0.0150 ** 0.5820 0.0449

Not: Boostrap (10000) yöntemi ile elde edilen p- değerleri tabloda yer almaktadır. m en yüksek WT kriterine göre seçilmiştir. ***, ** ve ** sırasıyla %1, %5 ve %10 düzeyinde anlamlılıkları göstermektedir.

Çalışmada öncelikle Doğrusal VAR yöntemi oluşturulurken temel para talebi eşitliği

tahmin edilmiştir. Daha sonra açıklayıcılığı artırmak adına paranın alternatif maliyetini temsil eden değişkenler ilave edilerek doğrusal VAR modeli tekrar tahmin edilmiştir. Doğrusal Olmayan VAR (TVAR) Yöntemi açıklamaları için Koop, Pesaran ve Pottner (1996), Balke (2000), Schmidt (2013) ve Avdjiev ve Zeng (2014) gibi pek çok kaynakta ayrıntılı bilgi bulmak mümkündür.7 Yer tutmaması açısından makalede yöntemlerin teknik detayları bu kaynaklardan yararlanılarak kısaca aşağıda sunulmaktadır.

1, 1 1 1, 2, 1 1 1 2,... ... (.)t t t p t p t t t t p tx Sabit A x A x Sabit B x B x I (1)

Eşitlik (1)’de xt matrisi LOGEXC, RINT, LOGIP, ENF, LOGR2MY değişkenlerinden

oluşmaktadır. A ve B sırasıyla birinci ve ikinci rejimlerin parametre polinomlarını

göstermektedir. 1,tSabit ve

2,tSabit iki farklı rejimdeki deterministik terimdir. (.)I burada

gösterge fonksiyonu olup rejimler arası farklılaşmayı sağlamaktadır. Eğer seçilen eşik değişken, eşik değerden büyük ise gösterge fonksiyonu 1 değerini almaktadır. Simertrik durum söz konusu olduğu için ikinci rejimde gösterge fonksiyonu eşik değişkeni, eşik değerin altında yer aldığında sıfır değerini almaktadır. Modellerden elde edilen kalıntılar farklı olacağı

için 1,t ve

2,t ile gösterilmiştir. Çalışmada kullanılan TVAR yöntemi parametre tahminleri ve

etki tepki fonksiyonları RATS 9.0 versiyonunda kullanılabilen çoklu grafik komutu ve etki tepki döngüleri komutları yardımı ile elde edilmiştir. Matlab ya da R programları ile de TVAR parametreleri tahmin edilebilmektedir ancak asimetrik yapı ve ayrıntılı analizi için RATS 9.0 daha kullanışlı bulunmuştur.

Literatürde Tsay (1998)’in tanıttığı Doğrusal Olmayan VAR (TVAR) yöntemi iktisatta pek

çok alana uygulanmıştır. Örneğin TVAR yönteminin maliye politikasına uygulaması için Mancebo (2014) incelenebilir. Carvalho ve Rezai (2011) TVAR modelini gelir adaletsizliği konusuna uygulamaktadır. Lee ve Wang (2012) TVAR’ı cari denge ile finans hesabı arasındaki ilişkiyi büyüme hızını eşik değişken olarak aldığı bir modele uygulamaktadır. Bildirici, Alp ve Bakırtaş (2010) üretim, bütçe açığı, cari açık, döviz kuru, petrol fiyatları ve mortage oranı arasındaki ilişkiyi TVAR ile incelemektedir. Choi ve Devereux (2006) kamu harcamalarının toplam talebi yalnızca reel faiz oranı düşük olduğunda etkilediğini TVAR ile göstermektedir.

Calza ve Sousa (2006) iki rejimli TVAR modeli ile reel kredi büyüme hızını eşik değişken

olarak aldığı çalışmasında kredilerdeki artışın üretim üzerindeki pozitif etkisinin kredi büyüme hızı yüksek iken daha fazla olduğunu göstermektedir. Çatık ve Karaçuka (2012) Türkiye’de 1986 – 2009 aylık verisi ile para politikasının kredi kanalını açıklamak amacıyla Balke (2000)’yi takiben TVAR modeli tahmin etmektedir. Çatık ve Karaçuka (2012) enflasyon oranını eşik değişken olarak kullandığı çalışmasında üretim, fiyatlar, M1, faiz oranı ve krediler sıralamasını takip etmekte ve para politikasının etkisinin farklı enflasyon rejimlerinde üretim ve


12

fiyatları farklı etkileyebileceğini göstermektedir. Çatık ve Martin (2012) TVAR modelini üretim, fiyat, faiz oranı, tüketim ve reel döviz kuruna uygulamakta ve para politikasının aktarma mekanizmasının enflasyon rejimi ile beraber değişebildiğini göstermektedir. Bildirici, Alp ve Bakırtaş (2010) bütçe açığı ve cari açığa etki eden unsurları farklı petrol fiyatları düzeylerinde TVAR ile 1968 – 2008 çeyrek dönem ABD verisi ile tahmin etmektedir. Çatık ve Önder (2013) Türkiye 1988: M1 – 2011: M3 verisi ile yüksek ve düşük petrol fiyatları düzeyinde petrol fiyatların makroekonomik değişkenlere etkilerini TVAR modeli incelemektedir. Schmidt (2013)8 TVAR modeli ile ilgili güven aralıklarını tahmin ederek literatüre katkıda bulunmaktadır. Schmidt (2013) gelişmekte olan ülkeler 1994: M1 – 2011: M3 aylık veri seti ile hisse senedi ve döviz kuru eşik değişken iken üretim, faiz, hisse senedi fiyatları ve döviz kurunun şoklar karşısında tepkilerini ele almaktadır. Avdjiev ve Zeng (2014) 1955 – 2012 ABD farklı iki büyüme rejimlerini eşik olarak belirleyerek, reel büyüme, enflasyon, faiz oranı, reel kredi büyümesi ve ABD Hazine tahvili arasında TVAR modeli tahmin etmektedir. Papadamou ve Arvanitis (2014) aylık 1982: 01 ile 2011: 12 enflasyon oynaklığı, üretim oynaklığı ve şeffaflık endeksinden oluşan veri ile TVAR modeli tahmin etmektedir. Farklı enflasyon rejimlerinde, enflasyon oynaklığı ve çıktı oynaklığının merkez bankası şeffaflığına etkilerini ele almaktadır.

4. Tahmin Bulguları TVAR modelinde Cholesky ayrıştırmada dikkat edilmesi gereken noktalardan bir tanesi

de Caldara ve Kamps (2008)’de belirtildiği gibi birinci ay sonrasında değişkenlerin birbiri ile etkileşimine imkân tanınmasıdır. Cholesky ayrıştırması ile ilgili değişken sıralaması yapılırken diğer değişkenlerden eşanlı olarak en az etkilenen değişken ilk sıraya konulmuştur. Soldaki değişkenlerin tamamından eşanlı olarak etkilenen değişken ise en sağ tarafa konulmuştur. Döviz kurunun değeri uluslararası piyasada döviz arz ve talebi neticesinde ve dışsal gelişmelerden etkilenmesi nedeniyle ilk sıraya konulmuştur.9 En sağ tarafa hem makale konusunun para talebine etki eden unsurlar olması hem de teorik parasal ekonomi literatürü ile tutarlı olması açısından parasal büyüklük değişkeni konulmuştur. Bu çerçevede para talebinin enflasyon, üretim, faiz oranı ve döviz kuru değişkenlerinden eş anlı etkilendiği kabul edilmektedir. Faiz oranının merkez bankası tarafından belirlendiği ve sağındaki değişkenleri eşanlı etkilerken, sağındaki değişkenlerden eşanlı etkilenmediği kabul edilmektedir. Para teorisi ve politikasında faiz oranının sağındaki değişkenleri eşanlı etkilediği ancak sağındaki değişkenlerden eşanlı etkilenmediği, solundaki değişkenlerden eşanlı etkilendiği kabul edilir. Bu çerçevede faiz oranı döviz kurunun sağına konulduğunda döviz kurundan eşanlı etkilenecek, sağındaki değişkenleri eşanlı etkileyecek ancak sağındaki değişkenlerden eşanlı etkilenmeyecektir. Bu sıralama Demir (2014)’in faiz oranının döviz kurundan etkilendiği bulgusu ile örtüşmektedir. Bjørnland ve Halvorsen (2014)’de Cholesky ayrıştırma yöntemini bir takım eleştiriler getirse de faiz oranının döviz kurundan etkilendiğini kısıtlar konulmuş VAR ile göstermektedir. Üretim enflasyonu etkileyecek ancak reel üretim olduğu için enflasyondan eşanlı etkilenmeyecek ancak döviz kuru, faiz oranından eşanlı etkilenecektir. Narayan, Narayan ve Mishra (2009, s. 692)’ de reel gelir, reel döviz kuru ve faiz oranının reel para talebinin Granger nedenseli olduğunu belirtmektedir. Bu varsayımlar altında döviz kuru, reel faiz oranı, üretim, enflasyon ve reel para talebi sıralaması tahmin sonuçları aşağıda sunulmaktadır.

Doğrusal VAR sonuçlarına göre döviz kurundaki artış para talebini 12 ay boyunca

artırmakta, faizdeki artışın birinci ayda tepkisi negatif ancak daha sonraki aylarda pozitif seyir izlemektedir. Gelirdeki artışın ilk ayda etkisi negatif ancak diğer aylarda pozitif, enflasyonun etkisi 12 ay boyunca negatif ve para talebinin etkisi 12 ay boyunca pozitiftir. TVAR tahmininde enflasyon değişkeni eşik değişken olarak alındığında yüksek rejimde döviz kurundaki artışın para talebine etkisi ilk ayda pozitif iken, daha sonraki dönemlerde negatif olmaktadır. Faiz oranındaki artışın para talebine etkisi 12 ay boyunca negatiftir. Gelirdeki artış para talebini 12 ay boyunca artırırken, enflasyonun etkisi ters işaretlidir. Para talebi şoklarının kendine etkisi

Bankacılar Dergisi

13

sıfırdan büyüktür. Düşük enflasyon rejimi durumunda döviz kurundaki artışın para talebine etkisi 12 ay boyunca pozitiftir. Faiz oranının etkisi ilk 8 ay pozitif iken, daha sonraki aylarda negatif olmaktadır. Gelir ve para talebinin etkisi tüm dönem boyunca pozitif iken enflasyonun etkisi azaltıcı yöndedir.

Grafik 2.1. Doğrusal VAR Sonuçları

Grafik 2.2. Eşik Değişken Enflasyon Olduğunda TVAR Modeli Sonuçları, Yüksek Rejim

Resp

on

ses o

f

LOGEXC

RINT

LOGIP

ENF

LOGRM2Y

LOGEXC

LOGEXC

RINT

RINT

LOGIP

LOGIP

ENF

ENF

LOGRM2Y

LOGRM2Y

0 1 2 3 4 5 6 7 8 9 10 11-0.02

-0.01

0.00

0.01

0.02

0.03

0.04

0.05

0.06

0 1 2 3 4 5 6 7 8 9 10 11-0.02

-0.01

0.00

0.01

0.02

0.03

0.04

0.05

0.06

0 1 2 3 4 5 6 7 8 9 10 11-0.02

-0.01

0.00

0.01

0.02

0.03

0.04

0.05

0.06

0 1 2 3 4 5 6 7 8 9 10 11-0.02

-0.01

0.00

0.01

0.02

0.03

0.04

0.05

0.06

0 1 2 3 4 5 6 7 8 9 10 11-0.02

-0.01

0.00

0.01

0.02

0.03

0.04

0.05

0.06

0 1 2 3 4 5 6 7 8 9 10 11-5

0

5

10

15

20

25

0 1 2 3 4 5 6 7 8 9 10 11-5

0

5

10

15

20

25

0 1 2 3 4 5 6 7 8 9 10 11-5

0

5

10

15

20

25

0 1 2 3 4 5 6 7 8 9 10 11-5

0

5

10

15

20

25

0 1 2 3 4 5 6 7 8 9 10 11-5

0

5

10

15

20

25

0 1 2 3 4 5 6 7 8 9 10 11-0.02

-0.01

0.00

0.01

0.02

0.03

0.04

0.05

0.06

0 1 2 3 4 5 6 7 8 9 10 11-0.02

-0.01

0.00

0.01

0.02

0.03

0.04

0.05

0.06

0 1 2 3 4 5 6 7 8 9 10 11-0.02

-0.01

0.00

0.01

0.02

0.03

0.04

0.05

0.06

0 1 2 3 4 5 6 7 8 9 10 11-0.02

-0.01

0.00

0.01

0.02

0.03

0.04

0.05

0.06

0 1 2 3 4 5 6 7 8 9 10 11-0.02

-0.01

0.00

0.01

0.02

0.03

0.04

0.05

0.06

0 1 2 3 4 5 6 7 8 9 10 11-0.2

0.0

0.2

0.4

0.6

0.8

1.0

1.2

0 1 2 3 4 5 6 7 8 9 10 11-0.2

0.0

0.2

0.4

0.6

0.8

1.0

1.2

0 1 2 3 4 5 6 7 8 9 10 11-0.2

0.0

0.2

0.4

0.6

0.8

1.0

1.2

0 1 2 3 4 5 6 7 8 9 10 11-0.2

0.0

0.2

0.4

0.6

0.8

1.0

1.2

0 1 2 3 4 5 6 7 8 9 10 11-0.2

0.0

0.2

0.4

0.6

0.8

1.0

1.2

0 1 2 3 4 5 6 7 8 9 10 11-0.020

-0.015

-0.010

-0.005

0.000

0.005

0.010

0.015

0.020

0 1 2 3 4 5 6 7 8 9 10 11-0.020

-0.015

-0.010

-0.005

0.000

0.005

0.010

0.015

0.020

0 1 2 3 4 5 6 7 8 9 10 11-0.020

-0.015

-0.010

-0.005

0.000

0.005

0.010

0.015

0.020

0 1 2 3 4 5 6 7 8 9 10 11-0.020

-0.015

-0.010

-0.005

0.000

0.005

0.010

0.015

0.020

0 1 2 3 4 5 6 7 8 9 10 11-0.020

-0.015

-0.010

-0.005

0.000

0.005

0.010

0.015

0.020

LOGEXC

0 1 2 3 4 5 6 7 8 9 10 11-0.0075

0.0000

0.0075+1 SD +2 SD -1 SD -2 SD

RINT

0 1 2 3 4 5 6 7 8 9 10 11-0.04

-0.01

0.02 +1 SD +2 SD -1 SD -2 SD

LOGIP

0 1 2 3 4 5 6 7 8 9 10 11-0.020

-0.005

0.010+1 SD +2 SD -1 SD -2 SD

ENF

0 1 2 3 4 5 6 7 8 9 10 11-0.050

0.000

0.050+1 SD +2 SD -1 SD -2 SD

LOGR2MY

0 1 2 3 4 5 6 7 8 9 10 11-0.04

-0.01

0.02 +1 SD +2 SD -1 SD -2 SD


14

Grafik 3. Eşik Değişken Enflasyon Olduğunda TVAR Modeli Sonuçları, Düşük Rejim

Eşik değişken10 olarak gelir değişkeni alındığında, yüksek rejimde döviz kuru, faiz oranı,

gelirin ve para talebinin para talebine etkisi 12 ay boyunca artırıcı yönde iken enflasyonun etkisi bu süreçte azaltıcı yöndedir. Düşük rejimde ise döviz kurundaki artışın para talebi üzerindeki etkisi ilk ayda pozitif iken, 2. ve 3. aylarda negatif ve kalan diğer aylarda pozitiftir. Faiz oranının etkisi ilk 3 ay pozitif, 4. ve 10. aylarda negatif ve diğer aylarda pozitiftir. Gelirdeki artışın para talebi üzerindeki etkileri ilk 4 ayda negatif, 5. ve 7. aylarda pozitif ve diğer aylarda negatiftir. Enflasyonun etkisi 12 ay boyunca negatiftir. Para talebinin para talebine etkisi 12 ay boyunca pozitiftir.

Grafik 4. Eşik Değişken Gelir Olduğunda TVAR Modeli Sonuçları, Yüksek Rejim

LOGEXC

0 1 2 3 4 5 6 7 8 9 10 11-0.015

0.000

0.015+1 SD +2 SD -1 SD -2 SD

RINT

0 1 2 3 4 5 6 7 8 9 10 11-0.006

0.000

0.006+1 SD +2 SD -1 SD -2 SD

LOGIP

0 1 2 3 4 5 6 7 8 9 10 11-0.020

-0.005

0.010+1 SD +2 SD -1 SD -2 SD

ENF

0 1 2 3 4 5 6 7 8 9 10 11-0.03

0.00

0.03+1 SD +2 SD -1 SD -2 SD

LOGR2MY

0 1 2 3 4 5 6 7 8 9 10 11-0.03

0.00

0.03+1 SD +2 SD -1 SD -2 SD

LOGEXC

0 1 2 3 4 5 6 7 8 9 10 11-0.015

0.000

0.015+1 SD +2 SD -1 SD -2 SD

RINT

0 1 2 3 4 5 6 7 8 9 10 11-0.015

0.000

0.015+1 SD +2 SD -1 SD -2 SD

LOGIP

0 1 2 3 4 5 6 7 8 9 10 11-0.025

-0.010

0.005+1 SD +2 SD -1 SD -2 SD

ENF

0 1 2 3 4 5 6 7 8 9 10 11-0.020

-0.005

0.010+1 SD +2 SD -1 SD -2 SD

LOGR2MY

0 1 2 3 4 5 6 7 8 9 10 11-0.020

-0.005

0.010+1 SD +2 SD -1 SD -2 SD

Bankacılar Dergisi

15

Grafik 5. Eşik Değişken Gelir Olduğunda TVAR Modeli Sonuçları, Düşük Rejim

Faiz oranı para talebi fonksiyonunda eşik değişken olarak alındığında yüksek rejim

durumunda döviz kuru, gelir ve para talebinin para talebine etkisi pozitif iken enflasyonun etkisi 12 ay boyunca negatiftir. Faiz oranının etkisi ilk 9 ay boyunca pozitif iken 10. ve 12. aylar arasında negatife dönmektedir. Düşük rejim durumunda ise döviz kurundaki artışın para talebine etkisi ilk 3 ay pozitif daha sonraki aylarda ise negatiftir. Faiz oranı, gelir, para talebi ve enflasyondaki artışın etkisi 12 ay boyunca sıfırdan büyüktür.

Grafik 6. Eşik Değişken Reel Faiz Oranı Olduğunda TVAR Modeli Sonuçları, Yüksek Rejim

LOGEXC

0 1 2 3 4 5 6 7 8 9 10 11-0.006

0.000

0.006+1 SD +2 SD -1 SD -2 SD

RINT

0 1 2 3 4 5 6 7 8 9 10 11-0.010

-0.004

0.002 +1 SD +2 SD -1 SD -2 SD

LOGIP

0 1 2 3 4 5 6 7 8 9 10 11-0.008

-0.002

0.004+1 SD +2 SD -1 SD -2 SD

ENF

0 1 2 3 4 5 6 7 8 9 10 11-0.06

0.00

0.06+1 SD +2 SD -1 SD -2 SD

LOGR2MY

0 1 2 3 4 5 6 7 8 9 10 11-0.04

-0.01

0.02 +1 SD +2 SD -1 SD -2 SD

LOGEXC

0 1 2 3 4 5 6 7 8 9 10 11-0.008

-0.002

0.004+1 SD +2 SD -1 SD -2 SD

RINT

0 1 2 3 4 5 6 7 8 9 10 11-0.01

0.02

0.05 +1 SD +2 SD -1 SD -2 SD

LOGIP

0 1 2 3 4 5 6 7 8 9 10 11-0.020

-0.005

0.010+1 SD +2 SD -1 SD -2 SD

ENF

0 1 2 3 4 5 6 7 8 9 10 11-0.050

0.000

0.050+1 SD +2 SD -1 SD -2 SD

LOGR2MY

0 1 2 3 4 5 6 7 8 9 10 11-0.04

-0.01

0.02 +1 SD +2 SD -1 SD -2 SD


16

Grafik 7. Eşik Değişken Reel Faiz Olduğunda TVAR Modeli Sonuçları, Düşük Rejim

TVAR modeli şokun büyüklüğü ve işaretinin değiştirilerek analiz etmeye imkân

tanımaktadır. Bu çerçevede 1 standartlık şok artırılarak 2 katına çıkarılırsa, simetrik etkilerin gözlemlendiği tespit edilmiştir. Sisteme negatif şok verildiğinde ise yukarıda açıklanan bulguların simetrik olarak tersi sonuçlara ulaşılmaktadır.

5. Değerlendirme Türk Lirası’ndaki (TL) değer kaybını takiben yabancı para cinsinden vadesiz ve vadeli

hesapların düzeyindeki değişim algı yönetimi ile de ilgilidir. İktisadi aktörler kurdaki artışı kalıcı olarak algılarlarsa faiz oranındaki artışın kuru azaltıcı etkisi zayıflayacaktır. Kurdaki bu artış TL’den yabancı paraya geçişi böyle bir durumda hızlandıracaktır. Yüksek enflasyon ortamında para talebinin döviz kuruna tepkisi, düşük enflasyon ortamındakinden daha düşük düzeydedir. Hatta yüksek enflasyon ortamında 3. aydan sonra döviz kurunun para talebine etkisi negatif olmaktadır. Enflasyon oranı yüksek iken bireyler TL yerine yabancı para tutma eğilimine girmektedirler. Ayrıca kurdaki artış düşük enflasyon ortamında beklenmedik bir durum olduğu için ileride enflasyonun yükseleceği yönünde olumsuz sinyal oluşturmakta ve belirsizlik düzeyini yükseltmektedir. Çünkü yüksek enflasyon TL’nin satın alma gücünü azaltmakta ve reel faizleri azaltmaktadır. Bu durumun ileriki safhaları dolarizasyon olarak adlandırılmaktadır. Yüksek faiz ortamında döviz kurunun para talebine etkisi düşük faiz rejimine göre daha yüksektir. Hatta 4. aydan sonra düşük faiz rejiminde para talebinin tepkisi negatif olmaktadır. Yüksek enflasyon ve düşük reel faiz ortamlarında döviz kurunun para talebine etkisi birbirini destekleyen bulgulardır.

Yüksek gelir düzeyi iktisadi aktörlerin belirsizlik algısını azaltıcı yönde değiştirmekte ve

para talebi davranışlarını etkilemektedir. Yüksek gelir düzeyinde para talebinin faiz oranına tepkisi düşük gelir düzeyine göre yüksektir. Bu bir anlamda gelişmiş ülkelerde faiz politikasının iktisadi kararlarda gelişmekte olan ülkelere nazaran daha etkili olduğu önermesini de desteklemektedir.11 Ekonomi yüksek gelir durumundayken para talebinin gelire tepkisi düşük gelir durumuna göre daha yüksektir. Bu sonuçların ilki Kumar (2014, s. 1876)’da belirtilen ekonomi geliştikçe, faiz esnekliğinin arttığı ve gelir esnekliğinin azaldığı yorumu tutarlılık göstermektedir. Yüksek enflasyon rejiminde para talebinin gelire tepkisi, düşük enflasyon rejimine göre daha düşüktür. Bu bulgu da Kumar (2014)’da belirtilen yüksek enflasyon dönemlerinde para talebinin gelir esnekliğinin daha düşük olacağını yorumu ile tutarlılık göstermektedir.

LOGEXC

0 1 2 3 4 5 6 7 8 9 10 11-0.0075

0.0000

0.0075+1 SD +2 SD -1 SD -2 SD

RINT

0 1 2 3 4 5 6 7 8 9 10 11-0.020

-0.005

0.010+1 SD +2 SD -1 SD -2 SD

LOGIP

0 1 2 3 4 5 6 7 8 9 10 11-0.015

0.000

0.015+1 SD +2 SD -1 SD -2 SD

ENF

0 1 2 3 4 5 6 7 8 9 10 11-0.020

-0.005

0.010+1 SD +2 SD -1 SD -2 SD

LOGR2MY

0 1 2 3 4 5 6 7 8 9 10 11-0.020

-0.005

0.010+1 SD +2 SD -1 SD -2 SD

Bankacılar Dergisi

17

Enflasyon oranı iktisadi aktörlerin para talebi güdülerini etkilemektedir. Yüksek enflasyon oranlarında daha az miktarda para talep edilirken, düşük enflasyon oranlarında ise bireyler göreli daha nakit kalmayı tercih etmektedir. Çünkü enflasyon oranı arttığında bireylerin satın alma güçleri azalmaktadır. Yüksek enflasyon rejiminde enflasyon para talebini düşük enflasyon rejimine göre daha fazla azaltmaktadır. Enflasyon oranı arttıkça bireylerin mal ve hizmet satın alma kabiliyetlerinin zayıflaması ve refah düzeylerinin azalması nedeniyle toplam fayda düzeyleri de azalmaktadır (Williamson, 2014 ve Walsh, 2010 fayda fonksiyonu içinde para çerçevesinde para talebi ile fayda fonksiyonu ilişkisi için incelenebilir.) Ekonomide enflasyon artışını takiben nominal faiz oranı da artmakta, yatırım talebi ve çıktı düzeyi azalmaktadır ve para talebi daha fazla azaltmaktadır. Krugman ve Wells (2011) gibi pek çok kitapta negatif eğimli toplam talep eğrisine açıklama getirmek için bu önerme bulguları desteklemektedir.

Para talebinin para talebine tepkisi Şahin (2013b) ile tutarlı olacak şekilde yüksek

enflasyon rejiminde, düşük enflasyon rejimine göre daha yüksektir. Yüksek faiz rejiminde de para talebinin para talebine tepkisi, düşük rejime göre daha yüksektir. Yüksek gelir rejiminde ise para talebinin para talebine tepkisi düşük rejime göre daha düşük düzeydedir. İktisat literatüründe teorik düzeyde para arzının sabit kabul edilerek yapıldığı bir analizde, gelir artışının para talebini artırdığı ve faiz oranını yükselttiği varsayılmaktadır (Dinler, 2014, s. 452). Ancak merkez bankalarının para talebindeki artışa karşılık para arzını yükseltme eğilimleri bu varsayımı etkisiz kılmaktadır. Para talebinin artışını takiben artırılacak para arzı miktarı faiz oranının tekrar azalmasına yol açacaktır. Para talebinden daha büyük bir para arzı artışı ise faizlerin hızlı bir şekilde düşmesine yol açacaktır. Kriz sonrası merkez bankalarının parasal genişlemeye gitmeleri ancak işlem amaçlı para talebinin durgunluk nedeniyle yeterli düzeyde artmaması faiz oranlarının çok düşük düzeyde seyretmesine yol açmıştır.

İktisat teorisinde enflasyon oranı reel varlıkların alternatif maliyetinin bir ölçütü iken, faiz

oranı finansal varlıkları elde tutmanın alternatif maliyeti kabul edilmektedir. Çalışmada elde edilen bulgular ilginç noktalara bizi götürmektedir. Örneğin para talebinin faiz oranına tepkisinin zamanla değişmesi dinamik bir sürece işaret etmektedir. Benzer bir çıkarımı Lee ve Chang (2013) İkinci Nesil Rassal Katsayı Modelini kullanarak Tayvan ekonomisi için yapmakta ve para talebinin faiz esnekliğinin zaman içinde değiştiğini göstermektedir. Enflasyon rejiminin düzeyi para politikasının etkinliğini değiştirebilmektedir.12 Yüksek enflasyon rejiminde para talebinin faiz oranına duyarlılığı, düşük enflasyon rejimine göre mutlak değer olarak daha yüksektir. Para talebinin faiz oranına duyarlılığının artması likidite tuzağında olduğu gibi para politikasının etkinliğini azaltmaktadır (Mishkin, 2010, s. 514). Düşük enflasyon rejiminde para politikası daha etkin olması, düşük enflasyon ortamında para talebinin faiz oranına duyarlığının daha düşük olma ihtimalini güçlendirmektedir. Bu sonuç aynı zamanda Şahin ve Ülke (2015) ile tutarlılık göstermektedir.

Sıralama Farklılığının Sonuçlara Etkisi VAR modelinde değişken sıralamasında kullanılan Choleski ayrıştırmasına literatürde bir

takım eleştirilerin getirildiği görülmektedir. Örneğin faiz oranı ile döviz kurunun sıralamasında hangisinin önce konulacağı konusunda bir takım tartışmalar vardır. Bjørnland ve Halvorsen (2014) Cholesky ayrıştırması yönteminin gerçekçi olmadığını ve bunun yerine işaret ve kısa dönem kısıtlar yönteminin kullanılmasını tavsiye etmekte ve iki değişken arasında karşılıklı etkileşime vurgu yapmaktadır. Demir (2014), faiz ve döviz kuru etkileşiminde Cholesky ayrıştırmasının tek yönlü etkileşime izin vermesi nedeniyle eleştirmekte ve Rigobon (2013)’u takiben değişen varyansa dayalı sıralama yöntemini kullanarak faiz oranının döviz kurundan etkilendiğini Avrupa Merkez Bankası özelinde göstermektedir. Bu çalışmada Balke (2000’de kullanılan TVAR yöntemi takip edilmiştir.


18

Çalışmada Sıralama 2 (LOGEXC RINT LOGIP ENF LOGRM2Y) sonuçları ayrıntılı yorumlanmakla birlikte alternatif sıralamalarla da tahminler yapılmıştır Ek B’de alternatif sıralamalarda 1. ay, 2 ile 6. aylarda ve 7 ile 12. aylarda, para talebinin döviz kuruna, faiz oranına, gelire, enflasyon oranına ve para talebine tepkilerinin pozitif yönde (+) ya da negatif yönde (-) olup olmadığı işaretlenmiştir. Para talebi tahmini sonuçlarına göre ilk tepkilerin karşılaştırması yanıltıcı olabilmektedir çünkü tepkinin işareti zamanla dinamik biçimde değişebilmektedir. Burada yer tutmaması açısından Sıralama 2 dışındaki etki tepki fonksiyonları talep edilmesi durumunda iletilecektir. Cholesky sıralaması farklı varsayımlarla değiştirildiğinde farklı sonuçların elde edilebildiği görülmektedir.

Bu çalışmada ayrıntılı açıklanan sıralama Doğan, Şahin ve Berument (2015)’in

benimsediği oynaklık, döviz kuru, faiz oranı, sanayi üretim endeksi, fiyatlar genel düzeyi, krediler sıralamasıyla tutarlılık göstermektedir. Ayrıca Balke (2000)’deki büyüme, enflasyon, para, krediler sıralaması ile de tutarlılık göstermektedir. Türkiye’de enflasyon oranı döviz kurundan ve faiz oranından etkilenmektedir. TVAR modelinde model içinde değişken sıralamaları literatürle tutarlı olacak şekilde beş farklı kombinasyon ile çeşitlendirildiğinde sonuçların da değişebildiği görülmektedir. Kullanılan eşik değişkene bağlı olarak da sonuçlar farklılaşabilmektedir. Talep edilmesi durumunda diğer bulguların açıklamaları ayrıntılı olarak sunulacaktır. Literatürde parasal ekonomi analizlerinde alternatif sıralamalara kısaca örnekler verilirse: Demiralp ve Demiral (2014) faiz oranı, döviz kuru, fiyatlar genel düzeyi, banka mevduatı, krediler, sanayi üretim endeksi sıralamasını benimsemekte ve faiz oranının diğer değişkenleri eşanlı etkilediğini, ancak diğer değişkenlerden eşanlı etkilenmediğini varsaymaktadır. Avdjiev ve Zeng (2014) iki eşik değer kullandığı TVAR modelinde ekonomik büyüme, enflasyon, kredi büyümesi, kredi spreadi ve faiz oranını kullanmaktadır. Avdjiev ve Zeng (2014) faiz oranını en sona koyarak merkez bankasının makroekonomik değişkenlere eşanlı tepki verdiğini varsaymaktadır. Christiano, Eichenbaum ve Evans (1997, s. 1206) reel üretim, deflatör, emtia fiyatları değişimi, faiz oranı, borçlanılmamış rezervler, toplam rezervler, M2 büyümesi sıralamasını benimsemektedir. Weise (1999) gelir, fiyat ve parasal büyüklük sıralamasını izleyerek parasal büyüklüğün diğer değişkenler üzerinde eşanlı etkisinin olmadığını varsaymaktadır. Berument, Togay ve Şahin (2011) aylık veri seti ile Türkiye analizindeki gelir, fiyat, likidite, döviz ve para sıralamasında para politikasının gelir ve fiyatlar üzerinde eşanlı etkisinin olmadığını ancak gelir ve fiyatların para politikasını eşanlı etkilediğini varsaymaktadır.

6. Sonuç Para talebi literatüründe teorik tartışmalar yapılırken Türkiye gibi gelişmekte olan ülkeler

açısından döviz kuru ve enflasyonun rolünün önemli olduğu görülmektedir. Para talebi Eşik Vektör Otoregresif Model ile tahmin edildiğinde sıradan doğrusal VAR yöntemine göre daha sağlıklı ve teorik literatürle tutarlı sonuçlar elde edilmektedir. Para talebinin TVAR modeli ile tahmininde Cholesky ayrıştırması kullanıldığında, sıralamaların sonuçları değiştirebildiği ve eşik değişken seçimine göre de sonuçların farklılaşabildiği görülmektedir. Elde edilen katsayıların ilerleyen zamanlarda işaret değiştirebildiği para talebinin önemli bir dinamik süreç gösterdiği yönünde sinyal vermektedir.

Çalışma bulguları Türkiye’de enflasyon ve döviz kurunun para talebinin faiz ve gelir

yanında önemli bir belirleyicisi olduğunu göstermektedir. Bu sebeple döviz kurunun ve enflasyon oranının istikrarlı olması, para talebinin daha istikrarlı olmasını sağlayacaktır. İstikrarlı bir para talebi fonksiyonu da para politikasının etkinliğini artıracaktır. Çalışmada para talebine gelecek şokların eşik değişkenin yüksek durumda ya da düşük durumda olup olmadığına göre tepkileri incelenmiştir. Ekonomik göstergeler sağlıklı bir yapıya işaret ederken bireylerin reel ve nominal şoklar karşısında gösterecekleri spekülatif ve işlem amaçlı para talebi güdülerinin tepki seviyeleri farklılık göstermektedir. Analize ilave olarak doğrusal

Bankacılar Dergisi

19

olmayan davranış, para talebine gelecek pozitif ve negatif şokların farklı etkilere yol açıp açmadığı; büyük ve küçük şokların para talebi üzerindeki etkilerinin aynı olup olmadığı ele alınmıştır. Parasal davranışların farklı büyüklükteki şoklara tepkisinin bilinmesi, para otoritelerinin politika tercihlerinde yardımcı olabilecektir.

Kaynakça

Abel, A.B. ve Bernanke, B.S. (2001). Macroeconomics, 4th Edition, Addision Wisley Longman, USA.

Altıntaş, H. (2008). Türkiye'de Para Talebinin İstikrarı ve Sınır Testi Yaklaşımıyla Öngörülmesi: 1985-2006. Erciyes Üniversitesi İktisadi ve İdari Bilimler Fakültesi Dergisi, 30, 15-46.

Austin, D., Ward, B., ve Dalziel, P. (2007). The Demand For Money in China 1987-2004: A Non-Linear Modelling Approach. China Economic Review, 18(2), 190-204.

Avdjiev, S. ve Zeng, Z. (2014). Credit Growth, Monetary Policy and Economic Activity in A Three-Regime TVAR Model. Applied Economics, 1-16.

Bahmani-Oskooee, M. ve Karacal, M. (2006). The Demand For Money in Turkey And Currency Substitution. Applied Economics Letters, 13(10), 635-642.

Balke, N.S. (2000). Credit and Economic Activity: Credit Regimes and Nonlinear Propagation of Shocks. Review of Economics and Statistics, 82(2), 344-349.

Basher, S.A., ve Fachin, S. (2014). Investigating Long-Run Demand For Broad Money in The Gulf Arab Countries. Middle East Development Journal, 6(2), 199-214.

Baumol, W.J. (1952). The Transactions Demand For Cash: An Inventory Theoretic Approach. Quarterly Journal of Economics, 66(4): 545-556.

Berument, M.H., Togay, S. ve Şahin, A. (2011). Identifying The Liquidity Effects Of Monetary Policy Shocks For A Small Open Economy: Turkey. Open Economies Review, 22(4), 649-667.

Bildirici, M. Alp, E. ve Bakırtaş, T. (2010). Oil Prices and Current Account Deficits: Analysis of Causality in the USA. Applied Econometrics and International Development, 10(1), 1-14.

Bjørnland, H.C. ve Halvorsen, J.I. (2014). How Does Monetary Policy Respond To Exchange Rate Movements? New İnternational Evidence. Oxford Bulletin of Economics and Statistics, 76(2), 208-232.

Bofinger, P. (2001). Monetary Policy Goals, Institutions, Strategies, and Instruments, Oxford University Press, New York.

Caldara, D. ve Kamps, C. (2008). What Are The Effects Of Fiscal Shocks? A VAR-Based Comparative Analysis: European Central Bank, No. 877: 1-28.

Calza, A. ve Sousa, J. (2006). Output And İnflation Responses To Credit Shocks: Are There Threshold Effects İn The Euro Area? Studies İn Nonlinear Dynamics & Econometrics, 10(2): 1-21.

Caner, M. ve Hansen, B. E. (2001). Threshold Autoregression With A Unit Root, Econometrica, 69(6): 1555-1596.

Carvalho, L. ve Rezai, A. (2011). Personal Income Inequality and Aggregade Demand, Department Of Economics, FEA.

Choi, W. G. ve Devereux, M. B. (2006). Asymmetric Effects Of Government Spending: Does The Level O Real İnterest Rates Matter? Imf Staff Papers, 5(7): 147-181.

Choudhry, T. (1996). Real Stock Prices And The Long-Run Money Demand Function: Evidence From Canada And The USA. Journal Of International Money And Finance, 15(1), 1-17.

Christiano, L. J., Eichenbaum, M., & Evans, C. L. (1997). Sticky Price And Limited Participation Models Of Money: A Comparison. European Economic Review, 41(6), 1201-1249.


20

Çatık, A.N. ve Karaçuka, M. (2012). The Bank Lending Channel İn Turkey: Has İt Changed After The Low-İnflation Regime? Applied Economics Letters, 19(13), 1237-1242.

Çatık, A. N. ve Önder, A. Ö. (2013). An Asymmetric Analysis Of The Relationship Between Oil Prices And Output: The Case Of Turkey. Economic Modelling, 33(0), 884-892.

Çatık, N. ve Martin, C. (2012). Macroeconomic Transitions And The Transmission Mechanism: Evidence From Turkey. Economic Modelling, 29(4), 1440-1449.

Dadkhah, K. (2009). The Evolution Of Macroeconomic Theory And Policy, Springer Publications.

Demir, İ. (2014). Monetary Policy Responses To The Exchange Rate: Empirical Evidence From The ECB. Economic Modelling, 39(0), 63-70.

Demiralp, S. ve Demiralp, S. (2014). The Rational Islamic Actor? Evidence From Islamic Banking. Koc University-TÜSİAD Working Paper Series, 1425 (December), 1-36.

Dickey, D. A., Jansen, D. W. ve Thornton, D. L. (1994). “A Primer On Cointegration With an Application To Money And İncome”. İçinde: (Ed.) Rao, Bhaskara, Cointegration For The Applied Economists, Macmillan Publications, New York, Pp. 9-43.

Dinler, Z. (2014). İktisada Giriş, Ekin Yayınları, 20. Basım.

Doğan, B., Şahin, A., ve Berument, H. (2015). Rethinking Interest Rate Volatility as A Macroprudential Policy Tool, Forthcoming in Middle East Development Journal.

Dwivedi, D.N. (2005). Macroeconomics, Theory And Policy, The Mcgraw-Hill Companies, New Delhi, 209-257.

Foresti, P. ve Napolitano, O. (2014). Money Demand in The Eurozone: Do Monetary Aggregates Matter? Engineering Economics, 25(5), 497-503.

Froyen, R.T. (2013). Macroeconomics, Theories And Policies, Tenth Edition, Pearson, Education, USA.

Gali, J. (1992). How Well Does The IS-LM Model Fit Postwar US Data? The Quarterly Journal Of Economics, 107(2), 709-738.

Huang, C.J., Lin, C. F.J., ve Cheng, J.C. (2001). Evidence On Nonlinear Error Correction İn Money Demand: The Case Of Taiwan. Applied Economics, 33(13), 1727-1736.

Hubrich, K. ve Teräsvirta, T. (2013). Thresholds And Smooth Transitions İn Vector Autoregressive Models. Advances İn Econometrics, 32, 273-326.

Jawadi, F. Ve Sousa, R.M. (2013). Money Demand In The Euro Area, The US And The UK: Assessing The Role Of Nonlinearity. Economic Modelling, 32, 507-515.

Kara, H. Ve Orak, M. (2008). Enflasyon Hedeflemesi. Ekonomik Tartışmalar Konferansı.

Keyder, N. (2008). Para, Teori, Politika ve Uygulama, Ankara.

Koop, G., Pesaran, M.H., ve Potter, S.M. (1996). Impulse Response Analysis in Nonlinear Multivariate Models. Journal Of Econometrics, 74(1), 119-147.

Krugman, P. (2014). Currency Regimes, Capital Flows And Crises. IMF Economic Review, 62(4), 470-493.

Krugman, P. ve Wells, R. (2011). Makro İktisat. Palme Yayıncılık.

Kumar, S. (2014). Money Demand Income Elasticity In Advanced And Developing Countries: New Evidence From Meta-Analysis. Applied Economics, 46(16), 1873-1882.

Laidler, D.E.W. (1977). The Demand For Money: Theories And Evidence, Second Edition, Dun-Donnelley Publishing Corp., US.

Lee, C.C. ve Chang, A.H. (2013). Revisiting The Demand For Money Function: Evidence From the Random Coefficients Approach. Quantitative Finance, 13(9), 1491-1502.

Lee, Y.M. ve Wang, K.M. (2012). Capital Mobility and Current Account Imbalance: Nonlinear Threshold Vector Autoregression Approach. International Interactions, 38(2), 182-217.

Bankacılar Dergisi

21

Mancebo, S.A.D. (2014). Non-Linearity in Relation Between Public Debt and Long-Term Interest Rates: The Role of Expectations and An Analysis of Brazil. Federal University of Rio De Janeiro Economy Institute Yüksek Lisans Tezi, Rio De Janeiro.

Mishkin, F.S. (2013). The Economics of Money, Banking and Financial Markets, 10th Edition, Pearson Education, England.

Mishkin, F.S. (2010). The Economics of Money, Banking and Financial Markets, 9th Edition, Pearson Education, England.

Narayan, P.K., Narayan, S. ve Mishra, V. (2009). Estimating Money Demand Functions For South Asian Countries. Empirical Economics, 36(3), 685-696.

Nielsen, H.B. (2008). Influential Observations In Cointegrated VAR Models: Danish Money Demand 1973-2003. Econometrics Journal, 11(1), 39-57.

Oomes, N. ve Ohnsorge, F. (2005). Money Demand and Inflation In Dollarized Economies: The Case of Russia. Journal Of Comparative Economics, 33(3), 462-483.

Oskooee, M.B. ve Shabsigh, G. (1996). Demand For Money In Japan: Evidence From Cointegration Analysis. Japan And The World Economy, 8(1), 1-10.

Papadamou, S. ve Arvanitis, V. (2014). The Effect Of The Market-Based Monetary Policy Transparency Index On İnflation And Output Variability. International Review Of Applied Economics, 29(1), 105-124.

Parasız, İ. (2011). Merkez Bankacılığı Ve Para Politikası, Ezgi Kitabevi, İstanbul, Nisan, 1. Baskı.

Pelipas, I. (2006). Money Demand and Inflation in Belarus: Evidence From Cointegrated VAR. Research in International Business And Finance, 20(2), 200-214.

Price, S. ve Nasim, A. (1999). Modelling Inflation and The Demand For Money İn Pakistan; Cointegration And The Causal Structure. Economic Modelling, 16(1), 87-103.

Rao, B.B. ve Singh, R. (2006). Demand For Money In India: 1953-2003. Applied Economics, 38(11), 1319-1326.

Rigobon, R. (2003). Identification Through Heteroskedasticity. Review Of Economics And Statistics, 85(4), 777-792.

Rossi, S. (2001). Money And Inflation: A New Macroeconomic Analysis, Edward Elgar, USA.

Sarno, L. (1999). Adjustment Costs And Nonlinear Dynamics In The Demand For Money: Italy, 1861-1991. International Journal Of Finance And Economics, 4(2), 155-177.

Schmidt, J. (2013). A Country Risk Premia, Endogenous Collateral Constraints and Non-Linearities: A Threshold VAR Approach: Working Paper.

Sousa, R.M. (2014). Wealth, Asset Portfolio, Money Demand And Policy Rule. Bulletin of Economic Research, 66(1), 95-111.

Şahin, A. (2013a). Para Talebinin TAR Modeli İle Tahmini: Türkiye Üzerine Bir Uygulama. Kamu- İş İş Hukuku ve İktisat Dergisi, 13(2), 113-127.

Şahin, A. (2013b). Estimating Money Demand Function Under Uncertainty by Smooth Transition Regression Model. Athens: ATINER'S Conference Paper Series, No: MDT2013-0382, 1-19.

Şahin, A. ve Ülke, V. (2015). Farklı Belirsizlik Düzeylerinde Faiz Oranının Makroekonomik Değişkenlere Etkileri: Türkiye Üzerine Etkileşimli Vektör Otoregresif Modeli Uygulaması. Central Bank Review, 15(1): 65-93.

Tobin, J. (1969). A General Equilibrium Approach To Monetary Theory. Journal Of Money, Credit and Banking, 1(1), 15-29.

Tobin, J. (1956). The Interest-Elasticity Of Transactions Demand For Cash. Review Of Economics and Statistics, 38(3), 241-247.

Tsay, R.S. (1998). Testing and Modeling Multivariate Threshold Models. Journal Of The American Statistical Association, 93(443), 1188-1202.


22

Turnovsky, S. (1998). Methods Of Macroeconomic Dynamics, MIT Press.

Walsh, K. (2010). Monetary Theory And Policy, The MIT Press, USA.

Weise, C.L. (1999). The Asymmetric Effects Of Monetary Policy: A Nonlinear Vector Autoregression Approach. Journal Of Money, Credit and Banking, 31(1), 85-108.

Williamson, S.D. (2014). Macroeconomics, 5th Edition, Pearson Education, USA.

William, J. ve Frazer, J. (1967). The Demand For Money, The World Publishing Company, New York.

Ek A. Tablo A1. Değişkenlerin Açıklaması

Değişken Adı Açıklama Kaynak Zaman

LOGCPI

TP.FG.J0: 0.GENEL

1990:01 - 1995:12 yılları arasındaki veriler 1987=100 temel yıllı Türkiye tüketici fiyatları endeksine aittir.

1996:01 - 2002:12 yılları arasındaki veriler 1994=100 temel yıllı Türkiye tüketici fiyatları endeksine aittir.

2003:01 - 2014:11 yılları arası veriler 2003 = 100 temel yılı Türkiye tüketici fiyatları endeksine aittir.

TCMB, EVDS

Ocak, 1990

Ekim, 2014

LOGRM2Y LOGM2Y – LOGCPI olarak hesaplanmıştır. TCMB, EVDS

Ocak, 1990

Ekim, 2014

LOGIP

1986:01 - 2000:04 TP.UR4.U01.2: % Degisim Toplam Sanayi, Sanayi Üretim Endeksi (1992=100) endeksi kullanılmıştır.

2000:05 - 2004: 12 TP.TSY01.2: % Degisim Toplam Sanayi Sektoru, Sanayi Üretim Endeksi, (1997=100) endeksi kullanılmıştır.

2005:01 - 2014:11 TP.N2SY01: Toplam Sanayi, sanayi üretim endeksi (2010=100) endeksi kullanılmıştır.

TCMB, EVDS

Ocak, 1990

Ekim, 2014

RINT TP.PY.P06.ON.1: (ON) Gerceklesen Basit Faiz Oranı – Enflasyon Oranı

TCMB, EVDS

Ocak, 1990

Ekim, 2014

LOGEXC TP.DK.USD.S.1: (USD) ABD Doları, Döviz Satış

TCMB, EVDS

Ocak, 1990 Ekim, 2014

Bankacılar Dergisi

23

Ek B: Tablo B1. Alternatif Sıralamalarda Tepki Fonksiyonlarının İşareti

a

a

a

a

a

a

b

b

b

b

b

b

c

c

c

c

c

c

d

d

d

d

d

d

e

e

e

e

e

e

f

f f

f f

f g

g

g

g

g

g

LO

EX

C

1

2

3

4

5

6

1

2

3

4

5

6

1

2

3

4

5

6

1

2

3

4

5

6

1

2

3

4

5

6

1

2

3

4

5

6

1

2

3

4

5

6

1

+

+

+

- +

-

+

+

+

- +

-

+

+

+

- +

+

+

+

+

+

+

+

+

+

+

-

+

- +

+

+

-

+

- +

+

+

-

+

+

2-6

+

+

+

-

+

- -

- +

-

+

- +

+

+

-

+

- +

+

+

-

+

- -

- +

-

+

- +

+

+

-

+

- +

-

- -

- -

7-1

2

+

+

+

- +

-

+

- +

-

+

- +

+

+

-

+

- +

+

+

-

+

- +

+

+

-

+

+

+

+

+

- +

-

+

- -

- -

-

RIN

T

1

2

3

4

5

6

1

2

3

4

5

6

1

2

3

4

5

6

1

2

3

4

5

6

1

2

3

4

5

6

1

2

3

4

5

6

1

2

3

4

5

6

1

- -

- +

-

+

+

- -

- +

-

+

+

- +

-

- +

+

-

- -

- +

+

+

-

+

- +

+

+

+

+

+

+

+

+

-

+

-

2-6

+

+

+

+

+

+

-

- -

- -

- +

+

-

- -

- +

+

-

- -

- -

- -

- +

-

+

+

+

+

+

+

+

+

- -

- -

7-1

2

+

+

+

+

+

+

- -

- -

- -

- -

- -

- -

+

+

- -

- -

+

- -

- +

-

+

- -

- -

- +

+

-

- -

-

LO

GIP

1

2

3

4

5

6

1

2

3

4

5

6

1

2

3

4

5

6

1

2

3

4

5

6

1

2

3

4

5

6

1

2

3

4

5

6

1

2

3

4

5

6

1

+

- -

+

- +

+

+

+

+

+

+

+

+

+

+

+

+

+

+

+

+

+

+

+

-

- +

+

+

+

+

+

+

+

+

+

+

+

+

+

+

2-6

+

+

+

+

+

+

+

+

+

+

+

+

+

+

+

+

+

+

+

+

+

+

+

+

+

+

+

+

+

+

+

+

+

+

+

+

+

+

+

+

+

+

7-1

2

+

+

+

+

+

+

+

+

+

+

+

+

+

+

+

+

+

+

+

+

+

+

+

+

+

- -

+

+

+

+

+

+

+

+

+

+

+

+

+

+

+

EN

F

1

2

3

4

5

6

1

2

3

4

5

6

1

2

3

4

5

6

1

2

3

4

5

6

1

2

3

4

5

6

1

2

3

4

5

6

1

2

3

4

5

6

1

- -

- -

- -

- -

- -

- -

- -

- -

- -

- -

- -

- -

- -

- -

- -

- -

- -

- -

- +

-

- -

-

2-6

-

- -

- -

- -

- -

- -

- -

- -

- -

- -

- -

- -

- -

- -

- -

- -

- -

- -

- -

+

- -

- +

7-1

2

- -

- -

- -

- -

- +

-

- -

- -

+

- +

-

- -

- -

- -

- -

- -

- -

- -

- -

- -

+

- -

- -

LO

GR

M2

Y

1

2

3

4

5

6

1

2

3

4

5

6

1

2

3

4

5

6

1

2

3

4

5

6

1

2

3

4

5

6

1

2

3

4

5

6

1

2

3

4

5

6

1

+

+

+

+

+

+

+

+

+

+

+

+

+

+

+

+

+

+

+

+

+

+

+

+

+

+

+

+

+

+

+

+

+

+

+

+

+

+

+

+

+

+

2-6

+

+

+

+

+

+

+

+

+

+

+

+

+

+

+

+

+

+

+

+

+

+

+

+

+

+

+

+

+

+

+

+

+

+

+

+

+

+

+

+

+

+

7-1

2

+

+

+

+

+

+

+

+

+

+

+

+

+

+

+

+

+

+

+

+

+

+

+

+

+

+

+

+

+

+

+

+

+

+

+

+

+

+

+

+

+

+

Not:

a:

Do

ğru

sa

l V

AR

. b

: T

VA

R Y

ükse

k R

ejim

. E

şik

: E

nfla

syo

n.

c:

TV

AR

Dü

şü

k R

ejim

. E

şik

: E

nfla

syo

n.

d:

TV

AR

Yü

kse

k R

ejim

, E

şik

: G

elir

. e

: T

VA

R D

üşü

k R

ejim

, E

şik

: G

elir

. f:

TV

AR

Yü

kse

k R

ejim

,

Eşik

: F

aiz

. g

: T

VA

R D

üşü

k R

ejim

, E

şik

: F

aiz

. S

ıra

lam

a 1

: R

INT

LO

GE

XC

EN

F L

OG

RM

2Y

LO

GIP

. S

ıra

lam

a 2

: L

OG

EX

C R

INT

LO

GIP

EN

F L

OG

RM

2Y

. S

ıra

lam

a 3

: L

OG

IP E

NF

LO

GE

XC

R

INT

LO

GR

M2

Y.

Sır

ala

ma

4:

LO

GR

M2

Y L

OG

IP R

INT

LO

GE

XC

EN

F.

Sır

ala

ma

5:

EN

F L

OG

IP I

NT

LO

GE

XC

LO

GR

M2

Y.

Sır

ala

ma

6:

LO

GR

M2

Y E

NF

RIN

T L

OG

EX

C L

OG

IP


24

Dipnotlar: 1 Bofinger (2001, s. 21)’e göre klasik miktar teorisinde sadece para arzının fiyatlar üzerindeki etkileri

incelenmiş ve doğrudan para talebi teorisi ile ilgilenilmemiştir. 2 Para talebinin envanter yaklaşımı Baumol (1952) ve Tobin (1956) tarafından geliştirilmiştir.

3 Para talebi konusunda yerli ve yabancı çok fazla yayın olduğu için burada sadece güncel ve

seçilmiş bazı literatür sonuçları kısaca sunulmaktadır. 4 Hubrich ve Teräsvirta (2013) para talebi fonksiyonu tahmininde kullanılabilecek Vektör Yumuşak

Geçişli Modelleri ayrıntılı olarak açıklamaktadır. 5 Para talebi fonksiyonuna hisse senedi fiyatları da dâhil edilebilmektedir. Örneğin Choudhry (1996)

ABD ve Kanada için reel para talebi, kısa dönem faiz oranı ve reel hisse senedi fiyatları arasında kointegrasyon ilişkisi bulmaktadır. Hisse senedi fiyatlarını dâhil etmediklerinde kointegre ilişkisi yakalayamamaktadır. Hisse senedi fiyatlarındaki artışın reel para talebini, refah ve ikame etkilerine, kullanılan parasal büyüklüğe göre farklı etkileyebileceği sonucunu bulmaktadır.

6 Caner ve Hansen (2001) birim kökü testi Matlab R2014a ile Bruce E. Hansen’in web sitesinde yer

alan kod ile tahmin edilmiştir: http://www.ssc.wisc.edu/~bhansen/progs/et_04.html. Talep edilmesi durumunda testin ayrıntılı parametre tahmin sonuçları ve farklı rejimlerdeki parametre davranışları iletilecektir.

7 Tsay (1998) C(d) Doğrusal Olmama Testi sonuçları yer tutmaması açısından dökümana

konulmamıştır. Ancak talep edilmesi durumunda sunulacaktır. C(d) testi m0= 100 ve m0 = 50 için 12 gecikmeye kadar yapılmıştır. Eşik değişkenin gecikme değeri tespit edilirken en büyük C(d) değerini veren gecikme seçilmiştir. Test ayrıca kullanılan değişkenlerin doğrusal olmadığına işaret etmektedir.

8 Julia Schmidt Matlab programı ile TVAR modeli tahmin etmektedir. Bu makaledeki analiz Matlab

kodları ile tekrarlanmıştır. Kodları paylaştığı için kendisine teşekkür ederim. 9 Serilere uygulanan Granger nedensellik sonuçları da diğer değişkenlerin döviz hareketlerini düşük

düzeyde açıkladığına işaret etmektedir. Talep edilmesi durumunda test sonuçları iletilecektir. 10

Bu çalışmada Nominal Faiz Oranı (INTt-10) için eşik değer 9.48680; Reel Faiz Oranı (RINTt-10) için 8.91246; Enflasyon Oranı (ENFt-8) için 0.42951 ve Logaritmik Sanayi Üretim Endeksi (LOGIPt-3) için 4.96888 eşik değerleri tahmin edilmektedir. Eşik nominal faiz oranı, eşik reel faiz oranı ile eşik enflasyon oranı toplamına yaklaşık olarak eşittir.

11 Kara ve Orak (2008, s. 28)’a göre finansal piyasalarda krediye erişimin kısıtlı olduğu ülkelerde para

talebinin faiz oranına duyarlılığı daha düşük iken para talebinin gelire duyarlılığı daha yüksek olabilmektedir. Bu çerçevede bakılınca TVAR sonuçlarına göre düşük faiz ortamında para talebinin faiz oranına duyarlılığının farklılaşması beklenen bir olgudur.

12 Krugman ve Wells (2011, s. 445)’de düşük enflasyon ortamında ücretlerin ve fiyatların katı olması

nedeniyle kısa dönem toplam arz eğrisi pozitif eğimli varsayılmaktadır. Ancak yüksek enflasyon dönemlerinde ise fiyat ve ücret yapışkanlıklarının hızlı uyarlama nedeniyle ortadan kalktığı ve klasik iktisatta fiyatların hızla değişerek uyarlanması varsayımına yaklaştığı ifade edilmektedir.

http://www.ssc.wisc.edu/~bhansen/progs/et_04.html


25

Banka İflaslarının Öngörülmesinde Eklektik Bir Yaklaşım

Doç. Dr. Soner Akkoç* Yrd. Doç. Dr. Nilüfer Dalkılıç**

Yrd. Doç. Dr. Ayşen Altun Ada***

Öz Gerek ülke ekonomileri gerekse yatırımcılar açısından büyük önem taşıyan banka iflaslarının

öngörüsünde, öngörü modellerinin geliştirilmesi ve birçok değişken arasından hangisinin modellemede kullanılacağı önem arz etmektedir. Bu çalışma, Türk bankacılık sektörünün iflas riskinin değerlendirilmesinde, diskriminant analizi, lojistik regresyon ve temel bileşen analizi yöntemleri ile temsil gücü yüksek değişkenler belirlendikten sonra, iflas öngörüsünde yapay sinir ağları kullanarak öngörü modelleri geliştirmeyi amaçlamaktadır. Elde edilen sonuçlar, yapay sinir ağlarının, banka iflas tahmininde etkin olarak kullanılabildiğini ve lojistik regresyon analizinin en iyi değişken seçen yöntem olduğunu göstermektedir. Anahtar Kelimeler: Değişken Seçimi, İflas Tahmini, Yapay Sinir Ağları. JEL Sınıflaması: G01, G33, C40.

An Eclectic Approach to the Prediction of Bank Bankruptcies

Abstract

Developing prediction models and determining which variables among many others will be used in modelling are very important for the prediction of bank failures, which is a significant issue for both national economies and investors. This study first identifies the highly representative variables via discriminant analysis, logistic regression and principal component analysis methods for the evaluation of the failure risk of the Turkish banking sector. Then, it aims to develop prediction models for failure predictions by using artificial neural networks. Results obtained show that artificial neural networks can be used in predicting bank failures and logistic regression analysis is the best method for selecting variables.

Keywords: Selection Variable, Bankruptcy Prediction, Neural Networks. JEL Classification: G01, G33, C40.

1.Giriş Banka iflasları ülke ekonomileri, düzenleyici ve denetleyici kurumlar ve yatırımcılar

açısından büyük önem taşımaktadır. Bankaların başarısızlığa sürüklendiğine işaret eden uyarı sinyalleri, çok daha önce ortaya çıkmaktadır (Ashoori ve Mohammadi, 2011, s. 568). Bu sebeple, söz konusu sinyaller başarısızlığın önceden tahmin edilmesine yönelik öngörü modellerinde girdi değişkenleri olarak ele alınabilmektedir. Banka iflaslarının öngörüsü ve olası kayıpları azaltmaya dönük olarak veri madenciliği ve makine öğrenme teknikleri etkin bir şekilde kullanılmaktadır (Onan, 2015, s. 9).

Öngörü modellerinin geliştirilmesinde önemli aşamalardan birisi değişken seçimidir.

Belirli bir veri setinden temsil gücü yüksek verileri seçmek önemli bir adımdır ancak seçim

* Dumlupınar Ünv, Uygulamalı Bilimler Yüksekokulu, Bankacılık ve Finans Bölümü Öğretim Üyesi. ** Dumlupınar Ünv, Uygulamalı Bilimler Yüksekokulu, Sigortacılık ve Risk Yönetimi Bölümü

Öğretim Üyesi. *** Dumlupınar Ünv, Uygulamalı Bilimler Yüksekokulu, Bankacılık ve Finans Bölümü Öğretim Üyesi.

Doç. Dr. Soner Akkoç – Yrd. Doç. Dr. Nilüfer Dalkılıç – Yrd. Doç. Dr. Ayşen Altun Ada

26

yöntemlerinden hangisinin daha iyi olduğu bilinmemektedir (Tsai, 2009, s.120). İflas tahminine ilişkin deneysel literatür 1960’lı yıllara dayanmakla birlikte son zamanlarda ivme kazanmış ve finans kurumlarının dikkatini üzerinde toplamıştır. Akademisyenler ve uygulayıcılar, bankalar ile firmalar arasındaki asimetrik bilgi sorununun, piyasa başarısızlıklarının temelinde yattığının ve izleme tekniklerinin geliştirilmesinin, borçlu tarafın manevi zararının azaltılmasını amaçlayan eksik düzenlemelere önemli bir alternatif sağlayacağının farkına varmıştır (Tseng ve Hu, 2010, s. 1846). İflas öngörü çalışmalarında hangi değişkenlerin daha başarılı olduğunu araştıran veri azaltma araştırmaları ise 2000’lerin ortalarında yapılmaya başlanmıştır.

İflas tahmininde yapay zeka teknolojilerinden biri olan “yapay sinir ağları (neural

network)” en çok kullanılan modellerdendir. Yapay sinir ağları modeli kullanarak Türkiye bankaları veri setleri üzerinde yapılan araştırmalar genellikle iflas öngörüsüne yöneliktir. Örneğin; Acar Boyacıoğlu ve Kara (2007), Yıldız ve Akkoç (2009) çalışmalarında, finansal güç ve başarı tahminlerinde kullanılacak tekniklerin belirlenmesini ve bu tekniklerin doğru sınıflandırma başarılarını değerlendirmektedirler. Acar Boyacıoğlu ve Kara (2007) yapay sinir ağları modelinin diğer çok değişkenli istatistiksek analiz teknikleri ile kıyaslandığında oldukça başarılı olduğu sonucuna ulaşırken, Yıldız ve Akkoç (2009) sinirsel bulanık ağ modeli için aynı sonuca ulaşmıştır. Keskin Benli (2005) ise lojistik regresyon ve yapay sinir ağı modeline dayanan öngörü modelleri geliştirdiği çalışmasında her iki modeli mali başarısızlığı öngörme gücü açısından karşılaştırmıştır. Elde ettiği sonuç, lojistik regresyon modelinin öngörü başarısı yüzde 76,5 iken yapay sinir ağları modelinin yüzde 82,4 olduğudur. Canbaş ve diğerleri (2005), bütünleşik erken uyarı sisteminin kurulmasına yönelik metodolojik bir çerçeve önerdikleri çalışmalarında temel bileşen analizini kullanmışlardır. Sistemin banka denetlemede etkin bir şekilde kullanılmasının banka yapılandırma maliyetini uzun vadede önemli oranda azaltabileceğini ortaya koymuşlardır. Acar Boyacıoğlu ve diğerleri (2009) çalışmalarında, tahmin performansını iyileştirmek için resmi finansal veriler kullanılarak, çeşitli özelliklere sahip 4 farklı veri kümesi geliştirmişler ve tüm veri kümelerini eğitim ve doğrulama kümesi olmak üzere ikiye ayırmışlardır. Elde ettikleri sonuçlara göre, çok katmanlı algılayıcı ve öğrenme vektör nicelemesi bankaların mali başarısızlıklarını tahmin etme konusunda en başarılı modellerdir.

Bu çalışmada ise, hem banka iflaslarının öngörüsünde yapay sinir ağlarının başarısı

ölçülmekte, hem değişken seçim yöntemlerinden hangisinin daha başarılı olduğu araştırılmakta, hem de yapay sinir ağları modelleri için en uygun parametreler tespit edilmeye çalışılmaktadır. Yapay sinir ağları modelleri geliştirilirken bazı parametrelerin başlangıç değerlerinin belirlenmesi gerekmektedir. Bu alanda henüz bir teorinin bulunmamasından dolayı söz konusu parametrelerin belirlenmesinde deneme yanılma yöntemi kullanılmaktadır. Uygun modelin bulunması onlarca denemenin yapılmasını gerektirebilmektedir. Bu durum ise oldukça zaman almaktadır. Bu çalışmada aynı zamanda iflas öngörüsünde yapay sinir ağları modelleri için öğrenme oranı, momentum katsayısı ve gizli katmandaki düğüm sayısı parametreleri için en uygun değerler araştırılmaktadır. Bu yönleri ile Türkiye bankaları için yapılan diğer çalışmalardan ayrılmaktadır.

Çalışmada, yapay sinir ağları yöntemi kullanılarak öngörü modellemesi yapılmakla

birlikte diskriminant analizi, lojistik regresyon analizi ve temel bileşen analizi yöntemleri kullanılarak değişken seçimi gerçekleştirilmektedir. Temsil gücü yüksek değişkenlerinin belirlenmesi ve modelin bu değişkenler ile oluşturulması, kurulan modelin performansını arttırabilmektedir. Söz konusu yöntemler ile temsil gücü yüksek değişkenler belirlendikten sonra, iflas öngörüsünde oldukça başarılı sonuçlar üreten yapay sinir ağları kullanılarak öngörü modelleri geliştirilmektedir. Değişken seçiminde hangi yöntemin daha başarılı olduğu ve iflasların öngörüsünde hangi değişkenlerin önemli olduğu tespit edilmeye çalışılmaktadır.

Bankacılar Dergisi

27

Çalışmanın izleyen ikinci bölümünde konu ile ilgili uluslararası çalışmalar aktarılmakta, üçüncü bölümde yapay sinir ağları modeli incelenmektedir. Dördüncü bölümde ise değişken seçiminde kullanılan yöntemler ile veri seti açıklanarak elde edilen bulgular tartışılmaktadır. Ampirik analizler değerlendirilerek çalışma sonlandırılmaktadır.

2. Literatür Taraması Cielen ve diğerleri (2004), veri zarflama analizi ve karar ağacı modelinin sınıflandırma

performansını karşılaştırdıkları çalışmalarında; iflas tahmininde Belçika bankaları için analizlerde bulunmuşlardır. Kesinlik, maliyet, yerleştirme ve anlaşılabilirlik açısından karar ağaçlarına göre veri zarflama analizinin daha iyi bir performans sergilediği sonucuna ulaşmaktadırlar. Tseng ve Lin (2005) çalışmalarında, ikili yanıt değişkenleri için kuadratik programlama yaklaşımına dayalı lojistiğin kuadratik aralık regresyon modelinin avantajlı yönlerini bir araya getiren kuadratik aralık lojistik modeli önermektedirler. Modellerini Birleşik Krallık’ta şirketlerin karşılaşacakları mali sıkıntıları tahmin etmek için kullanmışlardır ve modelin gruplar arası ayrım yapmada lojistik modele yardımcı olabileceği ve araştırmacılara daha fazla bilgi sağlayabileceği sonucuna ulaşmışlardır. Kuadratik aralık lojistik modelinin hangi şirketlerin iflas edip etmeyeceğini ve hangilerinin durumunun belirsiz olduğunu tahmin edebildiği, elde ettikleri diğer bir önemli sonuçtur. Tsai (2009), iflas tahmininde yaygın olarak kullanılan 5 adet özellik seçim yöntemini karşılaştıran bir çalışma yapmıştır. Çok katmanlı algılayıcı sinir ağlarının, tahmin modeli olarak kullanıldığı çalışmada, t-testi, korelasyon matrisi, stepwise regresyon, temel bileşen analizi ve faktör analizinin tahmin performansları karşılaştırılmıştır. Karşılaştırma yaparken Avustralya Kredi, Alman Kredi, Japon Kredi ve İflas veri seti ile UC Rekabet veri seti kullanılmıştır. Elde ettikleri sonuçlara göre, ortalama olarak t-testi diğerlerinden üstündür. Orijinal değişkenlerin azaltılma yüzdesinde bakıldığında ise, en yüksek özellik azaltım oranını yakalayan stepwise diğer testlerden daha başarılı olarak çıkmaktadır.

Chauhan ve diğerleri (2009), Amerikan Bankaları, Türk Bankaları ve İspanyol

Bankaları’na ilişkin iflas tahminine yönelik veri kümeleri ile dalgacık sinir ağı modeli eğitimi için diferansiyel gelişim algoritmasının etkinliğini test etmişlerdir. Diferansiyel gelişim eğitimli dalgacık sinir ağı, Türk bankaları veri kümeleri dışındaki tüm sorunlarda kesinlik ve hassaslık açısından alt sınır kabul eden eğitimli dalgacık sinir ağının önüne geçebilmektedir. Kurulan modellerde en yüksek başarı oranı sırası ile Türkiye, Amerika ve İspanya veri seti için gerçekleşmiştir. Lin ve diğerleri (2009), Tayvan’da faaliyet gösteren ticari bankaların performanslarının tahmini için çalışmalarında parçacık sürü optimizasyonu (PSO) uygulamışlardır. Çalışmada destek vektörü makinesi (SVM) ve karar ağacı için uygun parametre ayarları elde etmek ve sınıflandırma kesinlik oranını düşürmeksizin faydalı özelliklerden oluşan bir alt küme seçmek amaçlanmıştır. Analizler, gereksiz özelliklerin azaltılabileceğini ve sınıflandırma kesinlik oranında önemli bir artış sağlanabileceğini göstermektedir. Ravisankar and Ravi (2010), çalışmasında bankalardaki iflas tahmin hesaplamalarında kullanılan; Veri İşleme Grup Yöntemi (GMDH), Karşı Yayılım Sinir Ağı (CPNN) ve Bulanık Uyarlanabilir Rezonans Teori Haritası (fuzzy ARTMAP) tekniklerini kullanmışlardır. Bu tekniklerin her birinin verimliliği, İspanya bankaları, Türkiye bankaları, İngiltere bankaları ve ABD bankalarına ait dört farklı veri seti kullanılarak test edilmiştir. Elde edilen sonuçlar, GMDH’nin özellik seçimi bulunan veya bulunmayan tekniklerden tüm bankalar için en iyi sınıflandırma yöntemi olduğunu göstermektedir. GMDH–GMDH ve t-istatistik-GMD gibi karma tekniklerin, tüm bankaların veri setlerindeki özellik seçiminden sonra en iyi performans sağlayan teknikler olduğu görülmüştür.

Demyanyk ve Hasan (2010), Amerika Birleşik Devletleri’ndeki “yüksek eşikli ipotekli

konut kredisi (subprime mortgage)” krizine neden olan finansal ve ekonomik koşulları analiz ettikleri çalışmalarında, banka başarısızlıklarını öngörmek için yöneylem araştırma literatüründe kullanılan teknikleri incelemişlerdir. Elde ettikleri sonuçlar neticesinde, finansal


28

krizleri analiz ederken yöneylem araştırma tekniklerinin daha fazla kullanılmasını önermektedirler. Cho ve diğerleri (2010), çalışmalarında etkili bir iflas tahmini için melez bir yöntem sundukları çalışmalarında karar ağaçlarını kullanan değişken seçimi ve Mahalanobis uzaklığını kullanan durum tabanlı çıkarsamayı bir araya getirmektedirler. 1000 üretici Güney Kore firması için analizler yapmışlardır. Karar ağacı indüksiyonu ile seçilen değişkenlerin, regresyon yaklaşımlarıyla elde edilen değişkenlere kıyasla daha fazla etkileşim içinde olduğunu ve değişkenlerin birbiriyle korelasyon halinde olduğunda, Mahalanobis uzaklığının, Öklid uzaklığına göre yakınlığı daha doğru ölçtüğünü belirtmektedirler. Tseng ve Hu (2010) çalışmalarında, lojistik model, kuadratik aralık lojistik model, geriye yayılımlı çok katmanlı algılayıcı ve radyal taban fonksiyon ağı olmak üzere dört farklı teknik kullanarak İngiltere firmalarının iflas durumlarını tahmin etmeye çalışmaktadırlar. Elde ettikleri sonuçlara göre, radyal taban fonksiyon ağı diğer modellerden daha üstün performans sergilemekte, ardından geriye yayılımlı çok katmanlı algılayıcı, berraklaştırma kuadratik aralık lojistik modeli ve lojistik modeli gelmektedir. Chen ve diğerleri (2011), analizlerinde Tayvan Menkul Kıymetler Borsasında yer alan 40’ı iflas etmiş olan 160 elektronik şirketinden faydalanmıştır. Veriler, işletme başarısızlık tahmin sisteminin geliştirilmesinde kullanılmıştır ve finansal krizin başlamasından önce birinci çeyrekten dördüncü çeyreğe kadar test edilmiştir. Şirketlerin finansal başarısızlıklarını öngörülmesini sağlayacak bir model oluşturmak için adaptif ağ tabanlı bulanık çıkarım sistemi (ANFIS) kullanılmıştır. Analizler sonucunda, tek dereceli momentum yönteminin çevrimiçi öğrenme için uygun, 2 dereceli momentum modelinin aşamalı öğrenme için uygun olduğunu göstermektedir. Chen ve diğerleri (2011) çalışmalarında, uyarlamalı bulanık k-en yakın komşu (FKNN) yöntemini temel alan yeni bir iflas tahmin modeli sunmaktadırlar. 112’si iflas etmiş olan toplam 240 Polonya şirketi için yapılan analizlerde, önerilen iflas tahmin modelinin, iflas tahmini için güçlü bir erken uyarı sistemi olmaya aday olduğunu savunmaktadırlar. Aynı zamanda modelin, ayırt edici bir finansal oranlar altkümesini tespit ettiğini ve yüksek performansa sahip bilgisayar teknolojisi sayesinde oldukça etkin bir şekilde hesaplama yapabildiğini belirtmektedirler. Lin ve diğerleri (2011) çalışmalarında tahminlerdeki doğruluk oranlarını arttırabilmek adına fayda sağlayabilecek nitelikte olup henüz keşfedilmemiş mali olguların ortaya çıkarılmasını amaçlamışlardır. Taiwan Economic Journal veri tabanından yaralanmışlar ve 74 mali oran ile veri madenciliği tekniğini kullanmışlardır. İflasın öngörüsünde kendi önerdikleri modelin, tahminlerin doğruluğu açısından daha önceki araştırmacıların ortaya koyduğu modellerden daha başarılı bir performans sergilediğini iddia etmektedirler.

Sanchez-Lasheras ve diğerleri (2012) çalışmalarında, inşaat sektöründe faaliyet

gösteren İspanyol firmalarını ele alarak, firma iflaslarının öngörülmesinde kullanılacak yeni bir yaklaşım sunmaktadırlar. Sundukları melez yöntemde şirketler Kendi Kendini Düzenleyen Haritalar (SOM) kullanarak kümelere ayrılmakta ve daha sonra her küme bütün hepsini özetleyen bir yön vektörü ile değiştirilmektedir. Kümelerdeki şirketlerin yön vektörüyle değiştirilmesinin ardından Çok Değişkenli Uyarlanabilir Regresyon Eğrileri (MARS) ile bir sınıflandırma modeli kullanılmasını önermektedirler. Geriye yayılımlı yapay sinir ağı ve MARS modeli tekniklerini kullandıkları çalışmalarında, önerilen melez yaklaşımın iflas eden şirketlerin tespitinde kıyaslama tekniklerinden daha doğru sonuçlar verdiğini belirtilmektedirler. Andres ve diğerleri (2012), iflas tahmini sorununu ele aldıkları çalışmada geleneksel göstergelerin yerine multinorm analizinin sonuçlarının kullanılmasının önerildiği bir model öngörmektedirler. Standart sınıflayıcılardan yararlanmışlar ve firma performansına ilişkin güvenilir temsilciler elde edebilmek amacıyla her bir oranı, doğrusal olmayan bir endüstri normları sistemine ait sapmalarla değiştirmişlerdir. Bu model firmaların iflaslarını tahmin etmede kullanılmış ve İspanyol üretici firmaların temsili veri setleri üzerinde test edilmiştir. Elde ettikleri sonuç, yaklaşımın hem lineer hem lineer olmayan sınıflandırıcılarda tahminlerin isabet oranlarına büyük katkı sağlayacağıdır. Wang ve diğerleri (2014), çalışmalarında kurumsal iflas tahmininde kullanılabilecek bir yöntem olan FS-Boosting ile kurumsal iflas tahmininde kullanılan bagging ve boosting gibi birçok yöntemi karşılaştırmışlardır. Zaman aralıkları faklı olan ve toplam 372 firmayı içeren iki gerçek dünya

Bankacılar Dergisi

29

iflas veri seti kullanılmıştır. Elde ettikleri sonuçlar, FS-Boosting yönteminin kurumsal iflas tahmininde alternatif bir yöntem olarak kullanılabileceğini göstermiştir. Temel öğreniciler açısından daha doğru ve farklı sonuçlar verdiği, daha iyi bir performans sergilediği için yöntemi önermektedirler.

3. Yapay Sinir Ağları Yapay zeka teknolojileri değişkenler arasında doğrusal olmayan bir ilişki bulmaya

çalışırken kullanılan etkili yöntemlerdendir. Yapay zeka teknolojileri kullanılan araştırmaların çoğu, geleneksel istatistiki yöntemlere göre daha kesin tahminlerde bulunma olasılığı göstermektedirler. Yapay zeka teknolojilerinden biri yapay sinir ağları (YSA) yöntemidir (Cho ve diğerleri, 2010, s. 3483). YSA’nın iflas tahminlerinde kullanılmasına yönelik araştırmalar 1990 yılında başlamış olup, günümüzde de devam etmektedir ve iflas tahmini problemlerinde yaygın olarak kullanılmaktadır (Olson ve diğerleri, 2012: 467-468; Ashoori ve Mohammadi, 2011, s. 569). Son dönemde yürütülen ticari başarısızlık ve iflas tahmini çalışmalarında YSA modelleri kullanılarak başarılı sonuçlar elde edilmiştir. Geçmiş çalışmalar kapsamında yapılan araştırmalar, YSA modellerinin hem klasik istatistiki yöntemlere hem de diğer yapay zekâ yaklaşımlarına kıyasla daha yüksek sınıflandırma kesinliği sağladığını göstermiştir (Ashoori ve Mohammadi, 2011, s. 570).

YSA canlı varlıklardan ilham alan ve son derece karmaşık yapıdaki doğrusal olmayan

fonksiyonların modellemesini yapabilen analitik yöntemdir (Olson ve diğerleri, 2012, s. 466). Bilgiyi deneyimlerinden alır, önceki deneyimler ışığında yeni deneyimlere yönelik öngörü gerçekleştirmektedir (Ashoori ve Mohammadi, 2011, s. 569). YSA modellerinin veri uyumlaştırma kapasiteleri yüksektir ve özellikleri itibariyle, çok karmaşık düğüm bağlantılarını ve ağırlık dizilerini içermektedir (Olson ve diğerleri, 2012, s. 464). YSA uyarlanabilir öğrenme özellikleri sayesinde model sınıflandırılmasında kullanılan etkili araçtır. Yöntem gözlem sayısı konusunda da daha az kısıtlama içermektedir. YSA’yı destekleyen bir nicel teori yoktur. İşleyiş süreci, en çok etkiyi hangi değişkenin yaptığını belirlemenin güç olması gibi özellikleri ile kapalı bir kutuya benzemektedir (Tseng ve Hu, 2010: 1850). YSA, modele ilişkin önceden yapılacak herhangi bir varsayıma ihtiyaç duymamaktadır ve karmaşık, doğrusal olmayan ilişkiler konusunda çıkarımda bulunma yeteneğine sahiptir (Lin ve McClean, 2001, s. 193).

Çalışmada geri yayılımlı çok katmanlı algı yöntemi (ÇKA) sinir ağı mimarisi

kullanılmıştır. İflas tahmini gibi ikili sınıflandırma problemlerinde en çok kullanılan sinir ağı modeli çok katmanlı algı ağıdır (Ashoori ve Mohammadi, 2011, s. 569-570). 1990’lardan bu yana, geri yayılım algoritması barındıran ÇKA’nın yakınsama veya sınıflandırma özellikleri başta olmak üzere nicel iflas tahmini araştırmalarında en sık kullanılan yöntem YSA’dır (Tseng ve Hu, 2010, a.1846). ÇKA yöntemi hem tahminleme hem de sınıflandırma türü tahmin problemlerinde kullanılan güçlü fonksiyon yakınsayıcısı olarak görülmektedir. ÇKA yöntemi karmaşık, doğrusal olmayan fonksiyonları istenen kesinlik düzeyinde öğrenme yeteneğine sahiptir (Olson ve diğerleri, 2012, s. 466). YSA mimarisine ilişkin şekil aşağıda verilmiştir.


30

Şekil 1: YSA Mimarisi

Kaynak: Olson ve diğerleri, 2012, s. 466.

Bir ÇKA ağı; girdi düğümü olarak bir dizi duyumsal düğüm içeren bir girdi katmanı,

bilgisayım düğümlerinden oluşan bir ya da daha fazla gizli katman ve yine bilgisayım düğümlerinden oluşan çıktı katmanı içermektedir. Girdi düğümleri bir örneğin nitelik değerleridir; çıktı düğümleri ise örneğin ait olduğu sınıfı temsil etmektedir. Ara bağlantıların her biri, eğitim aşamasında ayarlanan basamaklı ağırlıklarla ilişkilendirilmiştir. ÇKA; girdi katmanı, çıktı katmanı ve gizli katmanlar barındıran üç katmanlı, tam bağlantılı, ileri beslemeli bir ağ olarak tanımlanır (Ashoori ve Mohammadi, 2011, s. 569-570).

4. Ampirik Çalışma Bu çalışmada diskriminant analizi, lojistik regresyon analizi ve temel bileşenler analizi

iflas öngörüsü için değişken seçim yöntemleri olarak kullanılmıştır. Böylelikle, bu yöntemler tarafından iflas eden ve etmeyen bankaların sınıflandırılmasında önem arz eden değişkenler tespit edilmiştir. Sonrasında YSA ile iflas öngörüsü gerçekleştirilmiştir. Dolayısıyla uygulama iki aşamadan oluşmaktadır.

4.1. Değişken Seçiminde Kullanılan Yöntemler Değişkenlerin ve niteliklerin seçimi, ticari başarısızlık tahmin sürecinde çok önemli bir

aşamadır (Ashoori ve Mohammadi, 2011, s.568). Çalışmada bankaların iflas öngörüsünde kullanılmak üzere 36 değişken ele alınmıştır. Bu değişkenlerin hangilerinin önemli olduğu ve hangi değişkenler ile YSA modelinin daha başarılı sonuçlar vereceğini araştırmak üzere değişken seçim yöntemleri kullanılmıştır. Bu yöntemler; diskiriminant analizi, lojistik regresyon analizi ve temel bileşen analizidir.

Gir

iş D

eğ

işke

nle

ri

Gir

di

Katm

an

ı

Giz

li K

atm

an

Çık

tı K

atm

an

ı

= Öngörü

İflas? (Evet/Hayır)

Geri Yayılım

Bankacılar Dergisi

31

4.1.1. Diskiriminant Analizi Diskriminant analizi (DA), çoğu alanda uygulanan geleneksel istatistiki bir yöntemdir

(Chen ve Hsiao, 2008, s.1148). DA, iflası etkileyen unsurların belirlenmesinde öncü bir istatistiksel yaklaşım olmuştur ve analizde, sınıflandırılacak unsurların belli başlı özelliklerine dayanan grup üyeliği tahmin edilmektedir (Lin ve McClean, 2001, s.192; Cho ve diğerleri, 2010, s. 3482).

DA, bağımsız değişkenlerin çok değişkenli normalliği ve grupların varyans-kovaryans

matrisleri eşitliği gibi belli istatistiki gereklilikler yüklemektedir (Vuran, 2009, s.50). Analiz yapılan çalışmaların çoğunu, ayrışık iki grubu ele almıştır. Bazı çalışmalar aşağıdaki lineer diskriminant analiz eşitliğini kullanmıştır (Bramhandkar, 1989, s.37):

𝑍 = 𝑊1𝑋1 +𝑊2𝑋2 +⋯+𝑊𝑛𝑋𝑛 (1) Yukarıdaki lineer sınıflandırma prosedürü, değişkenlerin varyanslarının iki grupta da

aynı olduğu ve kovaryans matrislerinin eşit olduğu durumlar için en uygundur (Bramhandkar, 1989: 37). Yöntem, farklı grupların tahmininde kullanılması ile birlikte çok kriterli gruplardan önemli kriterlerin seçilmesi işlemlerinde de kullanılmaktadır. Analizin işleyişinde grup ağırlık merkezinin varyansla gelip gelmediğini kontrol etmeye yarayan ön doğrulama yapılmaktadır. Sonrasında ayrılabilir fonksiyonlar halinde gruplandırılabilecek en fazla sayıdaki ayırt edici özelliklere sahip olan öngörücü değişkenlere ulaşılır. Son olarak ise ayrılabilir fonksiyon dikkate alınarak test verileri değerlendirilmektedir. Test verileri ardından belirli bir gruba atanmaktadırlar (Chen ve Hsiao, 2008, s. 1148).

4.1.2. Lojistik Regresyon Analizi Lojistik regresyon analizi (LRA) kümülatif lojistik olasılık fonksiyonuna dayanmaktadır

(Lin ve McClean, 2001, s.193). LRA sonucunda elde edilen lojistik puanı istatistiki olasılığa dönüştürülebildiği için, pek çok araştırmada tercih edilen bir yöntemdir (Cho ve diğerleri, 2010, s.3483). LRA çok değişkenli normal öngörücü değişkenlerden ziyade kategorik değişkenleri göz önünde bulundurmaktadır. Her bir gözlem birimi için söz konusu olay hakkında bir ya da daha fazla öngörücü değişken fonksiyonu ile gerçekleşme olasılığına ilişkin tahminler sunmaktadır (Shrev ve diğerleri, 2011, s. 248). Çoğu durumda modele ikili bağımlı bir değişkenin dâhil edilmesi uygun görülür (Lin ve McClean, 2001, s. 193). LRA genellikle, ikili sınıflandırma yapılırken kullanılan bir yaklaşımdır. Model kullanırken, tepki değişkeni iki değerli ya da ikili olarak alınır. Diğer bir deyişle, y_i=0 veya bütün i=1,...,n için sonuç 1’dir. Örneğin, gözlem sürecinin sonunda başarılı (1) ya da başarısız (0) bir durumla karşılaşılmaktadır. Bazı özelliklerin ya da olayın var olduğu “1” ya da var olmadığı “0” olarak ifade edilir. Ayrıca, iki değerli değişkenler tahmin yürütmek için de kullanılabilmektedir. Örneğin, bireyin yakın gelecekte bir ürünü satın alıp almayacağı bu yöntemle öngörülmektedir (Ravisankar ve diğerleri, 2011, s. 496).

𝑦𝑖={

1,𝑒𝑣𝑒𝑡;2,ℎ𝑎𝑦𝚤𝑟,

(2)

Analizde verilen bir eğitim veri seti için sınıf etiketlerinin olabilirliğini maksimize eden bir

dizi parametre {𝑤0,w}, kullanılır. 𝑥𝑖 ∈ 𝑅𝑑, i. veri noktasını temsil eden d özelliklerinin bir sütun

vektörünü ifade etmektedir. 𝑦𝑖∈{0, 1} ise buna karşılık gelen sınıf etiketini göstermektedir. Bir

veri noktası (eğitim) için y bilinmekte; diğer veri noktası için (test) 𝑦𝑖 bilinmemektedir. LR

modelinde, 𝑦𝑖=1 olabilirliği 𝑥𝑖 için 3. denklemde şöyledir (Ravisankar ve diğerleri, 2011,

s. 496):


32

𝜓𝑖≡p(𝑦𝑖=1|𝑥𝑖)=exp(𝑤0+𝑤

𝑡𝑥𝑖)

1+exp(𝑤𝑜+𝑤𝑡𝑥𝑖)

(3)

𝑤0∈R ve w∈ 𝑅𝑑 ‘nin sırasıyla lojistik regresyon kesişimi ve katsayı olduğu durumlarda N

bağımsız etiketli veri noktaları için {𝑥𝑖 , 𝑦𝑖}𝑛𝑖= 1ise, sınıf etiketlerinin olabilirliği (4). denklem

gibi yazılabilir (Ravisankar ve diğerleri, 2011, s. 496): 𝑙(𝑤𝑜 , 𝑤) = ∑ [(1 − 𝑦𝑖) log(1 − 𝜓𝑖) + 𝑦𝑖𝑙𝑜𝑔𝜓𝑖]

𝑛𝑖=1 (4)

Denklemdeki olabilirliğini maksimize etmek için, standart bir optimizasyon yaklaşımı

kullanılabilir. Çünkü, 4. denklemin {𝑤0,w}’a ilişkin gradyanı kolaylıkla hesaplanabilmektedir.

Lojistik regresyon parametreleri {𝑤0,w} öğrenildikten sonra, etiketsiz (test) bir 𝑥𝑖 veri

noktasının her bir sınıfa ait olma olabilirliği 3. denklem kullanılarak elde edilebilir (Ravisankar ve diğerleri, 2011, 496).

4.1.3. Temel Bileşen Analizi Temel bileşen analizi’nin (TBA) odak fikri, birbiriyle ilişkili çok sayıda değişken bulunan

veri setinin boyutunu azaltmaktır ve veri setinde bulunan varyasyonu mümkün olduğunca korumayı hedeflemektedir. Azaltma işleminde temel bileşenler olarak korelasyonsuz, ilk birkaç değişkeninde tüm orijinal değişkenlerde bulunan varyasyonu en üst düzeyde barındıran yeni bir değişken setine geçilmektedir. Temel bileşenlerin özdeğerleri ve özvektörlerini hesaplayarak lineerlikte en yüksek varyasyonu yaratan orijinal değişkenler kombinasyonu tespit edilmektedir (Tsai, 2009, s. 122). TBA, orijinal verinin sıkıştırılmış temsilden en az karesel hata ile yeniden oluşturulabileceği şekilde veri vektörlerinin daha küçük boyutlu lineer temsilini bulmaktadır. Aşağıdaki şekilde modellenmiş n d x1 veri

vektörlerinin 𝑦1, 𝑦2, . . . ,𝑦𝑛 olduğu varsayılır (Ilin ve Raiko, 2010, s. 1957);

yj ≈Wxj +m (5) W bir d x c matrisidir, 𝑥𝑗 c x 1 temel bileşen vektörleridir ve m bir d x 1 çapraz

vektörüdür. c≤d≤n olduğu varsayıldığında; temel alt-uzay yöntemleri; W, 𝑥𝑗 ve m’yi yeniden

yapılandırma hatasını minimize edilecek şekilde bulur (Ilin ve Raiko, 2010, 1957-1958).

𝐶 = ∑ ‖𝑦𝑗𝑛𝑗=1 −𝑊𝑋𝐽 −𝑚‖ 2 (6)

Matris gösteriminde veri vektörleri ve temel bileşenler dxn ve cxn matrislerinde

toplanabilir, Y = [𝑦1, 𝑦2, . . . ,𝑦𝑛] ve X = [𝑥1, 𝑥2, . . . ,𝑦𝑥𝑛] ve 𝑦𝑖𝑗, 𝑤𝑖𝑘 ve 𝑥𝑘𝑗 sırasıyla Y,W ve

X matrislerinin elamanlarını ifade etmektedir. Çapraz matrisi M, sütun olarak çapraz vektörü m’nin n sayıda kopyasını içerir. Temel alt-uzay yöntemleri, 𝑌 ≈ 𝑊𝑋 +𝑀 olacak şekilde ve minimize maliyet fonksiyonu matrisin karesi alınmış elemanlarının toplamı olmak üzere W ve X’i bulur. Geleneksel tanıma göre, W’nin sütun vektörleri karşılıklı olup birim uzunluğuna sahiptir ve her k=1,…,c için ilk k vektörleri k-boyutlu temel alt-uzayı oluşturur (Ilin ve Raiko, 2010: 1958). İlk temel bileşen, verideki mümkün olan en fazla değişkeni sağlamaktadır. İkinci temel bileşen kalan değişkenliği sağlar ve bu devam eder. Her özellik için değişkenlik düzeyi [0,1] aralığında olmaktadır. 1 özelliği en yüksek düzey değişkenliği temsil etmektedir (Tsai ve Hsiao, 2010, s. 260).

4.2. Veri Seti Bu çalışmanın veri setinde 55 banka yer almaktadır. Bu bankalardan 21 tanesi 1997 ve

2003 yılları arasında çeşitli nedenlerde mali bünyeleri bozulup Tasarruf Mevduatı Sigorta

Bankacılar Dergisi

33

Fonu’na (TMSF) devredilen bankalardan oluşmaktadır. 1997 ve 1998 yılında 1’er banka, 1999 yılında 6 banka, 2000 yılında 3 banka, 2001 yılında 8 banka, 2002 ve 2003 yılında ise 1’er banka TMSF’ye devredilmiştir. Devirlerin en çok yaşandığı yıl 2001 olmuştur. Bu çalışmada banka iflasları 1 yıl öncesinden öngörüldüğü için, bankaların iflas etmeden bir yıl önceki mali bilgilerinden yararlanılmıştır. Veri setinde 34 tane faaliyetini sürdüren banka yer almaktadır. Devirlerin en çok yaşandığı yıl 2001 yılı olduğu için, faaliyetlerini devam ettiren 34 bankanın 2000 yılı mali bilgileri veri setinde yer almaktadır. Bankaların mali durumlarını yansıtan rasyolar Türkiye Bankalar Birliği’nin resmi internet sitesinden elde edilmiştir.

Tablo 1. Finansal Rasyolar Hakkında İstatistiksel Bilgiler

Finansal Rasyolar İflas Etmemiş İflas Etmiş Test

Değerleri Ort. Std.

Sap.

Ort. Std.

Sap.

t Sig.

1. Sermaye Rasyoları (C1) Sermaye Standart Rasyosu

35,16 39,23 6,65 10,86 -3,244 0,002

(C2) (Özkaynak + Kar)/Toplam Aktifler

(Özkaynak + Kar)/T.Aktifler

16,33 10,24 -0,35 29,61 -3,019 0,004

(C3) (Özkaynak+ToplamKar)/(Mevduat+MevduatDışı

Kaynaklar)

29,56 28,57 4,33 18,32 -3,608 0,001

(C4) Net Çalışma Sermayesi/Toplam Aktifler

10,67 9,75 -10,07 35,43 -3,237 0,002

(C5) (Özkaynak+ Toplam Kar)(Toplam Aktifler+Gayrinakdi

Krediler)

7,44 7,19 1,03 10,09 -2,748 0,008

(C6) Döviz Pozisyonu/Özkaynak

236,9

9

274,59 190,9

9

282,79 -0,597 0,553

2. Aktif Kalitesi Rasyoları

(AQ1) Toplam Krediler/Toplam Aktifler

23,01 14,77 34,97 12,90 3,057 0,003

(AQ2) Takipteki Krediler/Toplam Krediler

4,76 6,72 38,31 98,48 1,990 0,052

(AQ3) Duran Aktifler/Toplam Aktifler

13,69 13,66 14,68 13,97 0,260 0,796

(AQ4) YP Aktifler/YP Pasifler

69,94 24,84 64,77 23,22 -0,769 0,445

3. Likidite Rasyoları

(L1) Likit Aktifler/Toplam Aktifler

57,03 22,65 32,45 15,71 -4,359 0,000

(L2) Likit Aktifler/(Mevduat + Mevduat Dışı Kaynaklar)

99,95 93,38 37,34 18,58 -3,026 0,004

(L3) Likit Aktifler/YP Pasifler

47,15 26,53 31,84 15,83 -2,390 0,020

4. Karlılık Rasyoları

(P1) Net Dönem Karı/Ortalama Toplam Aktifler

3,39 3,29 -10,14 28,46 -2,758 0,008

(P2) Net Dönem Karı/Ortalama Özkaynaklar

43,49 47,66 -

198,9

6

887,49 -1,599 0,116

(P3) Dönem Karı/Ortalama Ödenmiş Sermaye

75,88 120,88 -

190,9

6

667,84 -2,283 0,026

(P4) Vergi Öncesi Kar/Ortalama Toplam Aktifler

5,35 5,30 -9,63 28,77 -2,971 0,004

(P5) Takipteki Alacak Provizyonu/Toplam Krediler

1,58 2,64 19,20 55,77 1,849 0,070

(P6) Takipteki Alacak Provizyonu/Toplam Aktifler

0,36 0,61 4,86 14,60 1,805 0,077

5. Gelir - Gider Yapısı Rasyoları

(IE1) Takipteki Alacak Sonrası Net Faiz Gelirleri/Ortalama

Toplam Aktif

12,81 7,75 5,23 20,23 -1,972 0,054

(IE2) Faiz Gelirleri/Faiz Giderleri

227,3

1

79,97 143,8

4

42,10 -4,410 0,000

(IE3) Faiz Dışı Gelirler/Faiz Dışı Giderler

12,41 80,52 -30,92 91,19 -1,843 0,071

(IE4) Toplam Gelirler/Toplam Giderler

131,1

3

29,53 94,23 30,98 -4,418 0,000

(IE5) Faiz Gelirleri/Ortalama Getirili Aktifler

33,60 12,96 59,84 35,86 3,892 0,000

(IE6) Faiz Giderleri/Ortalama Götürülü Aktifler

18,00 10,94 29,95 13,36 3,614 0,001

(IE7) Faiz Giderleri/Ortalama Getirili Aktifler

15,89 6,53 44,31 29,77 5,390 0,000

(IE8) Faiz Gelirleri/Toplam Gelirler

96,68 24,35 37,43 321,12 -1,077 0,286

(IE9) Faiz Dışı Gelirler/Toplam Gelirler 3,32 24,35 62,57 321,12 1,077 0,286

(IE10)Faiz Giderleri/Toplam Giderler

57,9 12,94 70,82 11,44 3,756 0,000

(IE11)Faiz Dışı Giderler/Toplam Giderler 42,10 12,94 29,18 11,44 -3,756 0,000

6. Faaliyet Rasyoları

(A1) (Toplam Aktif Gideri+Kıdem Tazminatı)/Toplam Aktif

2,82 1,84 2,80 1,45 -0,036 0,972 (A2) (Personel Gideri+Kıdem Tazminatı)/Personel

Sayısı(MilyarTL)

26,63 15,49 10,41 5,74 -4,594 0,000

(A3) Kıdem Tazminatı/Personel Sayısı (Milyar TL) 0,65 0,58 0,20 0,22 -3,360 0,001

(A4) Faaliyet Gideri/Toplam Aktifler

3,61 2,56 3,71 1,84 0,162 0,872

(A5) Vergi Hariç Ayrılan Provizyonlar/Toplam Gelirler 1,91 1,66 5,84 12,77 1,781 0,081

(A6) Vergi Dahil Ayrılan Provizyonlar/Toplam Gelirler

5,38 5,67 6,72 12,59 0,540 0,592

Tablo 1’de, sermaye rasyoları, aktif kalitesi, likidite, karlılık, gelir–gider yapısı ve faaliyet

rasyoları olmak üzere 6 başlık altında bulunan 36 finansal rasyo çalışmanın bağımsız değişkenlerini oluşturmaktadır. Çalışmanın bağımlı değişkeni ise bankaların iflas edip etmediklerine ilişkin olarak kullanılan 0 ve 1 değerleridir. İflas eden ve faaliyetlerine devam eden bankaların finansal rasyoları arasındaki farklılık t testi ile araştırılmıştır. Buna göre 36 finansal rasyodan 21’i arasındaki farklılık yüzde 5 düzeyinde anlamlı bulunmuş ve Tablo 1’de


34

bu rasyolar italik olarak belirtilmiştir. İflas eden ve faaliyetlerine devam eden bankaların finansal rasyoları başlıklar halinde incelendiğinde; 6 sermaye rasyosundan 5’i, 4 aktif kalitesi rasyosundan 1’i, likidite rasyolarının tamamı, 6 karlılık rasyosundan 3’ü, 11 gelir – gider yapısı rasyosundan 7’si ve 6 faaliyet rasyosundan 2’si arasındaki farklılık istatistiki olarak anlamlı bulunmuştur. T testinden elde edilen bulgular doğrultusunda iflas sürecinde bankaların, özellikle likitide ve sermaye yapısı rasyolarının kötüleştiği belirtilebilir. YSA ile modelleme yapabilmek için veriler eğitim ve test seti olarak ikiye ayrılmıştır. Veriler rastgele olarak yüzde 60’ı eğitim setine yüzde 40’ı da test setine alınmıştır. Eğitim setinde 13 adet iflas eden ve 20 adet faaliyetini devam ettiren banka bulunurken, test setinde 8 adet iflas eden ve 14 adet faaliyetini sürdüren banka bulunmaktadır.

Bu çalışmada iflas eden ve faaliyetlerini sürdüren bankaları birbirinden en iyi şekilde

ayıran finansal rasyoların tespitinde; DA, LRA ve TBA veri indirgeme yöntemleri olarak kullanılmıştır. Şekil 2’de gösterildiği üzere bu yöntemler yardımıyla önemli finansal rasyolar belirlenmiş böylece 3 farklı veri seti elde edilmiş sonrasında her bir veri seti için YSA modelleri geliştirilmiş; son olarak da doğru sınıflandırma oranları elde edilmiştir.

Piramuthu (1999), Vellido vd. (1999), Yıldız (2009) gibi çalışmalara bakıldığında;

sınıflandırma problemlerin çoğunda “ileri beslemeli çok katmanlı algılayıcı”, işletme uygulamalarında öğrenme algoritması olarak da en çok “geri yayılım algoritması” kullanılmaktadır. Bu açıdan çalışmada tercih edilmişlerdir. Cybenko (1989), Hornik vd. (1989) ve Zhang vd., (1998) gibi araştırmacılar bir çok karmaşık sistem için “tek bir gizli katmanın” yeterli olduğunu belirtmelerinden dolayı geliştirilen YSA modellerinde gizli katman sayısı 1 olarak belirlenmiştir. Eğitim uzunluğu 1.000 devirle sınırlı tutulmuştur. Öğrenme oranı olarak 0,001 - 0,005 - 0,01 - 0,05 - 0,1 - 0,2 - 0,3 ve 0,4 olmak üzere 8 farklı değer kullanılmıştır. Momentum için 0,5 - 0,7 ve 0,9 değerleri kullanılmıştır. Gizli katmandaki düğüm sayısı ise 1/3n, n ve 2n olarak belirlenmiştir. Böylece her bir veri kümesi için 72 YSA modeli geliştirilmiştir.

Şekil 2: Deneysel Süreç

4.3. Bulgular Değişken seçiminde kullanılan DA sonucunda 5 değişken seçilmiştir. Başka bir ifade ile

diskriminant analizi iflas eden ve faaliyetlerini sürdüren bankaları birbirinden en yüksek doğrulukla ayıran 5 finansal rasyo tespit etmiştir. Bu değişkenler (AQ1) Toplam Krediler/Toplam Aktifler, (AQ3) Duran Aktifler/Toplam Aktifler, (L1) Likit Aktifler/Toplam Aktifler, (IE4) Toplam Gelirler/ Toplam Giderler, (A2) (Personel Gideri+Kıdem Tazminatı) / Personel Sayısı (Milyar TL)’dir. Söz konusu 5 finansal rasyo ile geliştirilen YSA modellerinin

Orijinal Veri Seri

Veri İndirgeme Aşaması

Diskriminant

Analizi

Temel

Bileşenler

Analizi

Lojistik

Regresyon

Analizi

YSA

Modelleri

Değerlendirme Aşaması

Doğru

Sınıflandırma

Oranı

Bankacılar Dergisi

35

sonuçları Tablo 2’de yer almaktadır. 5 değişken ile geliştirilen 72 YSA modeli ortalamada bankaların finansal durumlarını yüzde 92,74 oranında doğrulukla öngörmüştür.

Tablo 2: DA Tarafından Belirlenen Değişkenlerle YSA Modeli Banka İflas Öngörüsü

Öğrenme Oranı

Momentum Katsayısı

0,5 0,7 0,9

Düğüm Sayısı Düğüm Sayısı Düğüm Sayısı

2 5 10 2 5 10 2 5 10

0,001 72,73 72,73 90,91 72,73 72,73 90,91 77,27 86,36 90,91

0,005 77,27 86,36 90,91 77,27 90,91 90,91 95,45 95,45 90,91

0,01 81,82 95,45 90,91 90,91 95,45 90,91 95,45 95,45 90,91

0,05 95,45 95,45 90,91 100 95,45 95,45 100 95,45 95,45

0,1 100 95,45 95,45 100 95,45 95,45 100 90,91 95,45

0,2 100 95,45 95,45 100 90,91 100 95,45 95,45 95,45

0,3 100 90,91 100 100 90,91 95,45 95,45 95,45 95,45

0,4 100 90,91 100 100 90,91 95,45 95,45 95,45 95,45

LRA sonucunda 3 değişken seçilmiştir. Bu değişkenler (AQ1) Toplam Krediler/Toplam

Aktifler, (IE7) Faiz Giderleri / Ortalama Getirili Aktifler ve (A6) Vergi Dahil Ayrılan Provizyonlar / Toplam Gelirler rasyolarıdır. LRA tarafından belirlenen 3 finansal rasyo kullanılarak geliştirilen YSA modellerine ilişkin sonuçlar Tablo 2’de yer almaktadır. Aynı şekilde geliştirilen modellerden elde edilen en düşük öngörü oranı yüzde 72,73 olurken en yüksek öngörü oranı ise yüzde 100 olarak bulunmuştur. Ancak LRA tarafından tespit edilen değişkenler ile kurulan modellerin ortalama öngörü oranı yüzde 94,38’dir. Bu oran DA tarafından belirlenen finansal rasyolar ile geliştirilen modellerin ortalama doğru öngörü oranından daha yüksektir. Dolayısıyla iflas tahmini değişken seçiminde LRA’nin DA’nden daha başarılı olduğu belirtilebilir.

Tablo 3: LRA Tarafından Belirlenen Değişkenlerle YSA Modeli Banka İflas Öngörüsü

Öğrenme Oranı


0,5 0,7 0,9


1 3 6 1 3 6 1 3 6

0,001 81,82 90,91 90,91 90,91 72,73 90,91 90,91 86,36 90,91

0,005 90,91 86,36 90,91 90,91 86,36 90,91 90,91 90,91 95,45

0,01 90,91 86,36 90,91 90,91 90,91 95,45 95,45 95,45 95,45

0,05 95,45 95,45 95,45 90,91 90,91 95,45 95,45 90,91 95,45

0,1 90,91 90,91 95,45 90,91 90,91 95,45 100 100 100

0,2 95,45 90,91 95,45 100 95,45 100 100 100 100

0,3 95,45 95,45 100 100 100 100 100 100 100

0,4 100 95,45 100 100 100 100 100 100 100

Orijinal veri setinde yer alan 36 finansal rasyo TBA’ya tabi tutulduğunda bu rasyolar 7

faktör altında toplanmışlardır. Söz konusu 7 faktör ile geliştirilen YSA modellerinin sonuçları Tablo 4’de yer almaktadır. 7 faktör ile geliştirilen YSA modellerinin en düşük doğru sınıflandırma oranı yüzde 86,36 olarak bulunurken en yüksek doğru sınıflandırma oranı yüzde 90,91’dir. Veri indirgeme yöntemi olarak TBA’nın kullanıldığı YSA modellerinin doğru sınıflandırma oranı yüzde 88,26 olarak bulunmuştur.


36

Tablo 4: TBA Tarafından Belirlenen Değişkenlerle YSA Modeli Banka İflas Öngörüsü

Öğrenme Oranı


0,5 0,7 0,9


2 7 14 2 7 14 2 7 14

0,001 90,91 86,36 86,36 90,91 86,36 86,36 90,91 86,36 86,36

0,005 90,91 86,36 86,36 90,91 90,91 90,91 90,91 90,91 90,91

0,01 90,91 90,91 90,91 90,91 90,91 90,91 90,91 90,91 90,91

0,05 90,91 90,91 90,91 90,91 86,36 90,91 90,91 86,36 86,36

0,1 90,91 86,36 90,91 90,91 86,36 86,36 86,36 86,36 86,36

0,2 90,91 86,36 86,36 86,36 86,36 86,36 86,36 86,36 86,36

0,3 90,91 86,36 86,36 86,36 86,36 86,36 86,36 86,36 86,36

0,4 86,36 86,36 86,36 86,36 86,36 86,36 86,36 86,36 86,36

Tablo 5: Veri İndirgeme Yöntemlerinden Elde edilen Değişkenlerle Geliştirilen YSA

Modellerinin Performanslarının Karşılaştırılması

Doğru Sınıflandırma Oranı

Veri İndirgeme Yöntemi Ortalama En Düşük En Yüksek

DA %92,74 %72,73 %100

LRA %94,38 %72,73 %100

TBA %88,26 %86,36 %90,91

Tablo 5 incelendiğinde en başarılı veri indirgeme yönteminin LRA olduğu söylenebilir.

Tablo 6’da ise 3 veri indirgeme yönteminin sonuçları bir araya getirilmiştir. Böylece YSA ile iflas öngörüsünde en yüksek doğru sınıflandırmayı veren öğrenme oranı, momentum katsayısı ve düğüm sayıları tespit edilmeye çalışılmıştır. Buna göre en başarılı öğrenme oranları 0,3 ve 0,4 olarak bulunmuştur. Bu öğrenme oranlarının ortalama doğru sınıflandırma oranı yüzde 93,94’dür. En başarılı momentum katsayısı ise 0,9 olarak bulunmuştur. Bu oran kullanılarak kurulan modellerin ortalama doğru sınıflandırma oranı yüzde 92,74’dür. Ortalama doğru sınıflandırma oranı en iyi olan gizli katmandaki düğüm sayısı ise 2n olarak bulunmuştur. Başka bir ifade ile bağımsız değişken sayısının 2 katı kadar düğüm atanması ile oluşturulan modellerin ortalama doğru sınıflandırma oranı yüzde 92,68’dür. YSA ile geliştirilen bütün modellerin ortalama doğu sınıflandırma oranı yüzde 91,79’dur. Dolayısıyla YSA modellerinin banka iflaslarının yüksek doğrulukla öngörebildiği belirtilebilir.

Tablo 6: Öğrenme Oranı, Momentum Katsayısı ve Düğüm Sayısının YSA

Modelinin Ortalama Öngörü Başarısına Etkisi

Öğrenme Oranı


0,5 0,7 0,9


n1/3 n 2n n1/3 n 2n n1/3 n 2n

0,001 81,82 83,33 89,39 84,85 77,27 89,39 86,36 86,36 89,39

0,005 86,36 86,36 89,39 86,36 89,39 90,91 92,42 92,42 92,42

0,01 87,88 90,91 90,91 90,91 92,42 92,42 93,94 93,94 92,42

0,05 93,94 93,94 92,42 93,94 90,91 93,94 95,45 90,91 92,42

0,1 93,94 90,91 93,94 93,94 90,91 92,42 95,45 92,42 93,94

0,2 95,45 90,91 92,42 95,45 90,91 95,45 93,94 93,94 93,94

0,3 95,45 90,91 95,45 95,45 92,42 93,94 93,94 93,94 93,94

0,4 95,45 90,91 95,45 95,45 92,42 93,94 93,94 93,94 93,94

Bankacılar Dergisi

37

Bu çalışmanın veri indirgeme aşamasında DA, LRA ve TBA olmak üzere üç yöntem kullanılmıştır. TBA tüm değişkenleri kullanarak bir dönüşüm yaptığı için bize hangi rasyoların daha önemli olduğuna dair bir bilgi sunmamaktadır. Ancak DA ve LRA bu imkana sahiptir. DA bankaların sınıflandırılmasında aktif kalitesi rasyo grubundan 2 tane, likidite, gelir – gider yapısı ve faaliyet rasyoları gruplarından 1’er tane olmak üzere 5 finansal rasyoyu önemli bulmuştur. LRA ise aktif kalitesi, gelir – gider yapısı ve faaliyet rasyoları gruplarından 1’er tane olmak üzere 3 finansal rasyoyu önemli bulmuştur. Aktif kalitesi rasyo grubu altında yer alan Toplam Krediler / Toplam Aktifler rasyosu her iki yöntem tarafından da önemli bulunan tek rasyodur. Söz konusu süreçte kredilerin aktiflere oranının yüksekliğinin, bankaların iflas sürecine büyük miktarda etkide bulunduğu belirtilebilir. Veri setinde faaliyetlerini sürdüren bankaların için bu rasyo yaklaşık olarak yüzde 23 iken iflas eden bankalar için yüzde 35’dir. İlgili dönemde bankaların kredilerden ziyade menkul kıymetlere özellikle de devletin borçlanma senetlerine yatırım yaptığı bilinmektedir. Kredilerin aktife oranı için yüzde 30’lu rakamların, özellikle 2010’lı yıllar ile kıyaslandığında, çok da yüksek olmadığı söylenebilir. Ancak kredilerin aktife oranının yüksekliğinin yanında, takipteki kredilerin 2001 krizinde oldukça yükseldiği dolayısıyla bu durumun bankaların iflasında önemli bir rolünün olduğu belirtilebilir. Diğer taraftan faiz giderlerinin aktife oranının yüksekliği, likidite oranlarındaki ve toplam gelirin toplam gidere oranındaki düşüklük aynı zamanda beklenenin aksine personel başına düşük giderin, ilgili süreçte iflas eden bankaların belirgin özellikleri olduğu ifade edilebilir.

5. Sonuç ve Öneriler Yapay zeka teknolojilerinden biri olan yapay sinir ağları, iflas öngörüsünde 1990’lı

yıllardan bu yana kullanılmakta ve yüksek öngörü performansı ile dikkatleri çekmektedir. Bu çalışmada 1997-2003 yılları arasında Tasarruf Mevduatı Sigorta Fonu’na devredilen bankaların öngörüsü yapay sinir ağı modelleri ile öngörülmüştür. Önceki çalışmalardan farklı olarak bu çalışmada diskriminant analizi, lojistik regresyon analizi ve temel bileşenler analizi veri indirgeme yöntemi olarak kullanılmış ve hangisinin bu alanda daha iyi bir yöntem olduğu araştırılmıştır. Çalışmada banka iflas öngörüsünün yapılması ile birlikte değişken seçiminin yapılması çalışmanın özgünlüğünü oluşturmaktadır. Değişkenlerin doğru tespit edilmesi öngörüde zaman ve maliyeti düşürürken, etkin bir öngörüde bulunmayı sağlayacaktır. Yapay sinir ağı modelleri kurulurken, bu alanda bir teorinin bulunmamasından dolayı, öğrenme oranı, momentum katsayısı ve gizli katmandaki düğüm sayısı gibi parametreler için en uygun değerlerin belirlenmesi, genellikle deneme yanılma yolu ile gerçekleştirilmektedir. Bu durum oldukça zaman almaktadır. Bu çalışmada söz konusu parametreler için iflas öngörüsünde en uygun değerler de araştırılmıştır.

Yapay sinir ağı modellerinden yüzde 73,72- yüzde 100 arasından değişen, ortalamada

ise yüzde 91,79 oranında doğru sınıflandırma başarısı elde edilmiştir. Dolayısıyla önceki çalışmalara paralel olarak yapay sinir ağı modellerinin iflas öngörüsünde oldukça başarılı olduğu belirtilmelidir. Veri indirgeme yöntemi olarak kullanılan diskriminant analizi, lojistik regresyon analizi ve temel bileşenler analizinin ortalama doğru öngörü başarısı sırasıyla yüzde 92,74; yüzde 94,38 ve yüzde 88,26 olarak bulunmuştur. Dolayısıyla lojistik regresyon analizinin iflas öngörüsünde en başarılı veri indirgeme yöntemi olduğu belirtilebilir. Lojistik regresyon analizi tarafından belirlenen değişkenler Toplam Krediler/Toplam Aktifler, Faiz Giderleri/Ortalama Karlı Aktifler ve Vergi Dahil Ayrılan Provizyonlar/Toplam Gelirler rasyolarıdır. Bu değişkenlerin iflas eden ve faaliyetlerini sürdüren bankaları sınıflandırmada en önemli finansal rasyolar olduğu söylenebilir. Bu değişkenler Türk bankalarının iflas öngörüsünde uyarı sinyalleri olarak nitelendirilebilir. Türk bankaları gelecekte bu değişkenlerin izlenmesi ve yorumlanması ile başarısızlıklarını değerlendirebilirler. Çalışmadan elde edilen bir diğer sonuç ise, yapay sinir ağı modelleri kurulurken belirlenmesi gereken parametrelerden olan öğrenme oranı için en iyi değerler 0,3 ve 0,4; momentum katsayısı için en iyi değer 0,9 bulunmuştur. Gizli katmandaki düğüm sayısı için en iyi değer


38

bağımsız değişken sayısının 2 katı olarak tespit edilmiştir. Bundan sonraki çalışmalarda korelasyon matrisleri, t testi, wilks lambda, olabilirlik ölçütü gibi teknikler veri indirgeme yöntemi olarak kullanılabilir. Farklı iflas verileri ile modeller geliştirilebilir. Destek vektör makineleri, genetik algoritmalar, uyarlanabilir sinirsel bulanık çıkarım sistemi gibi farklı yapay zeka teknolojileri ile modeller geliştirilebilir. Kaynakça Acar Boyacıoğlu, M., Kara, Y. (2007). Türk Bankacılık Sektöründe Finansal Güç Derecelerinin

Tahmininde Yapay Sinir Ağları ve Çok Değişkenli İstatistiksel Analiz Tekniklerinin Performanslarının Karşılaştırılması. Dokuz Eylül Üniversitesi İktisadi ve İdari Bilimler Fakültesi Dergisi, 22(2), 197-217.

Acar, Boyacıoglu, M., Kara, Y. and Baykan, Ö.K. (2009). Predicting Bank Financial Failures Using Neural Networks, Support Vector Machines and Multivariate Statistical Methods: A Comparative Analysis in the Sample of Savings Deposit Insurance Fund (SDIF) Transferred Banks in Turkey. Expert Systems with Applications, 36(2), 3355-3366.

Andres, J.De., Landajo, M. and Lorca, P. (2012). Bankruptcy Prediction Models Based on Multinorm Analysis: An Alternative to Accounting Ratios. Knowledge-Based Systems, 30, 67-77.

Ashooria, S., Mohammadi, S. (2011). Compare Failure Prediction Models Based on Feature Selection Technique: Empirical Case from Iran. Procedia Computer Science, 3, 568–573.

Bramhandkar, A. J. (1989). Discriminant Analysis: Applications In Finance. Journal of Applied Business Research, 5(2), 37-41.

Canbas, S., Cabuk, A. and Kilic, S.B. (2005). Prediction of Commercial Bank Failure Via Multivariate Statistical Analysis of Financial Structures: The Turkish Case. European Journal of Operational Research, 166(2), 528-546.

Chauhan, N., Ravi, V. and Chandra, D.K. (2009). Differential Evolution Trained Wavelet Neural Networks: Application to Bankruptcy Prediction in Banks. Expert Systems with Applications, 36(4). 7659-7665.

Chen, L.H., Hsiao, H.D. (2008). Feature Selection to Diagnose a Business Crisis by Using a Real GA-Based Support Vector Machine: An Empirical Study, Expert Systems with Applications, 35(3), 1145–1155.

Chen, H.L., Yang, B., Wang, G., Liu, J., X.X., Wang, S.J., and Liu, D.Y. (2011). A Novel Bankruptcy Prediction Model Based on an Adaptive Fuzzy K-Nearest Neighbor Method. Knowledge-Based Systems, 24(8), 1348-1359.

Cho, S., Hong, H. and Ha., B.C. (2010). A Hybrid Approach Based on the Combination of Variable Selection Using Decision Trees and Case-Based Reasoning Using the Mahalanobis Distance: For Bankruptcy Prediction. Expert Systems with Applications, 37(4), 3482-3488.

Cielen, A., Peeters, L., Vanhoof, K. (2004). Bankruptcy Prediction Using a Data Envelopment Analysis. European Journal of Operational Research, 154, 526–532.

Cybenko, G. (1989). Approximation by Superpositions of a Sigmoidal Function. Mathematical Control Signals Systems, 2(4), 303–314.

Demyanyk, Y., Hasan I. (2010). Financial Crises and Bank Failures: A Review of Prediction Methods. Omega, 38(5), 315-324.

Hornik, K., Stinchcombe, M. and White, H. (1989). Multilayer Feedforward Networks are Universal Approximators. Neural Networks, 2(5), 359–366.

Ilin, A., Raiko, T. (2010). Practical Approaches to Principal Component Analysis in the Presence of Missing Values. Journal of Machine Learning Research, 11, 1957-2000.

Bankacılar Dergisi

39

Keskin Benli, Y. (2005). Bankalarda Mali Başarısızlığın Öngörülmesi Lojistik Regresyon ve Yapay Sinir Ağı Karşılaştırması. Gazi Üniversitesi Endüstriyel Sanatlar Eğitim Fakültesi Dergisi, 16, 31-46.

Lin, F.Y., McClean, S. (2001). A Data Mining Apprach to the Prediction of Corporate Failure. Knowlwdge-Based Systems, 14, 189-195.

Lin, S. W., Shiue, Y. R. , Chen, S. C., Cheng, H. M.(2009). Applying Enhanced Data Mining Approaches in Predicting Bank performance: A Case of Taiwanese Commercial Banks. Expert Systems with Applications,36, 11543–11551.

Lin, F., Liang, D. and Chen, E. (2011). Financial Ratio Selection for Business Crisis Prediction. Expert Systems with Applications, 38(12), 15094-15102.

Olson, D.L., Delen, D. and Meng, Y. (2012). Comparative Analysis of Data Mining Methods for Bankruptcy Prediction, Decision Support Systems, 52(2), 464-473.

Onan, A. (2015). Şirket İflaslarının Tahminlenmesinde Karar Ağacı Algoritmalarının Karşılaştırmalı Başarım Analizi. Bilişim Teknolojileri Dergisi, 8(1), 9-19.

Piramuthu, S. (1999). Financial Credit-Risk Evaluation with Neural and Neuro Fuzzy Systems. European Journal of Operational Research, 112(2), 310–321.

Ravisankar,P., Ravi, V. (2010). Financial Distress Prediction in Banks Using Group Method of Data Handling Neural Network, Counter Propagation Neural Network and Fuzzy ARTMAP. Knowledge-Based Systems, 23, 823-831.

Ravisankar, P., Ravi, V., Raghava Rao G., Bose, I. (2011). Detection of Financial Statement Fraud and Feature Selection Using Data Mining Techniques. Decision Support Systems, 50, 491–500.

Sanchez-Lasheras, F., Andresb, J.De., Lorca, P. and Cos Juezc, F. J.De. (2012). A Hybrid Device for the Solution of Sampling Bias Problems in the Forecasting of Firms’ Bankruptcy. Expert Systems with Applications, 39(8). 7512-7523.

Shreve, J., Schneider, H. and Soysal, O. (2011). A Methodology for Comparing Classification Methods Through the Assessment of Model Stability and Validity in Variable Selection. Decision Support Systems, 52(1), 247–257.

Tsai, C.F. (2009). Feature Selection in Bankruptcy Prediction. Knowledge-Based Systems, 22(2), 120-127.

Tsai, C.F., Hsiao, Y.C. (2010). Combining Multiple Feature Selection Methods for Stock Prediction: Union, Intersection, and Multi-Intersection Approaches, Decision Support Systems, 50(1), 258–269.

Tseng, F.M., Lin, L. (2005). A Quadratic Interval Logit Model for Forecasting Bankruptcy. Omega, 33(1), 85-91.

Tseng, F.M., Hu, Y.C. (2010). Comparing Four Bankruptcy Prediction Models: Logit, Guadratic Interval Logit. Expert Systems with Applications, 37(3), 1846–1853.

Vellido, A., Lisboa, P.J.G., Vaughan, J. (1999). Neura Networks in Business: A Survey of Applications (1992–1998). Expert Systems with Applications, 17(1), 51–70.

Vuran, B. (2009), Prediction of Business Failure: a Comparison of Discriminant and Logistic Regression Analyses. Istanbul University Journal of the School of Business Administration, 38 (1), 47-65.

Wang, G., Ma, J. and Yang, S. (2014). An Improved Boosting Based on Feature Selection for Corporate Bankruptcy Prediction. Expert Systems with Applications, 41(5), 2353-2361.

Yıldız, B. (2009). Finansal Analizde Yapay Zeka. Ankara: Detay Yayıncılık.

Yıldız, B., Akkoç S. (2009). Banka Finansal Başarısızlıklarının Sinirsel Bulanık Ağ Yöntemi ile Öngörüsü. BDDK Bankacılık ve Finansal Piyasalar, 3(1), 9-36.

Zhang, G., Patuwo, B.E., Hu, M.Y. (1998). Forecasting with Artificial Neural Networks: the State of the Art. International Journal of Forecasting, 14(1), 35–62.


40

Aklanan Suç Gelirlerinin Ekonomik Boyutu ve Aklama ile Mücadelede Önleyici Tedbirlerin Finansal

Gelişim Düzeyi Üzerindeki Etkileri Konulu Yatay Kesit Veri Analizi

Dr. Mehmet Onur Yurdakul*

Öz Literatürde sıkça yer bulan aklama tanımları ve yöntemlerinden de anlaşılacağı üzere finansal

piyasalar suç gelirlerinin aklanması bağlamında tehdit altındadırlar. Bu tehdidi hafifletmek, finansal piyasaların suiistimal edilmesini önlemek ve ayrıca suçluları ve suç gelirini tespit etmek amacıyla önleyici tedbirlerin uygulanması büyük önem taşımaktadır. Önleyici tedbirlerin etkili bir şekilde uygulanması finansal piyasaların ve dolayısıyla ekonominin istikrarlı bir şekilde büyümesi için de gereklidir. Çalışma sonuçları çerçevesinde etkili bir şekilde uygulanan önleyici tedbirlerin finansal gelişim düzeyini artırdığı saptanmıştır.

Anahtar Kelimeler: Aklama, Önleyici Tedbirler, FATF, Finansal Gelişim. JEL Sınıflaması: C21, F69, K14, K42.

The Economic Volume of The Laundered Proceeds and The Cross Country Analysis On

The Effects of Preventive Measures of Anti Money Laundering To The Level of Financial Development.

Abstract As understood from the literature on definition and methods of money laundering, financial

markets are under the threat of laundering proceeds of crime. It is essential to implement preventive measures for the purposes of mitigating this threat, preventing the abuse of financial markets and detecting criminals and illicit proceeds. Implementing those preventive measures are vital in the steady growth of financial markets and the economy. In the framework of the results of this paper, it is found that effectively implemented preventive measures increase financial development. Keywords: Money Laundering, Preventive Measures, FATF, Financial Development. JEL Classification: C21, F69, K14, K42.

Giriş Küreselleşme ile birlikte finansal piyasaların liberalizasyonu konusunda atılan adımlar

bir yandan piyasaların derinliğini ve finansal gelişim düzeyini iyileştirerek ekonomik büyüme ve kalkınmanın hızlanmasına hizmet ederken, diğer yandan bu süreçte işlem ve ürün çeşitliliğinin artması sonucunda suç gelirlerinin izinin sürülmesi zorlaşmaktadır. Aklamanın en çok finansal sistem içerisinde gerçekleştiği tahmin edilmekle birlikte, finansal olmayan kesimin de aklama amacıyla suiistimal edilmesi son dönemde çeşitli tipoloji çalışmalarına konu olmaktadır. Bütün bu gelişmeler özellikle sınır ötesi hareket gören suç gelirinin tespiti ve aklama ile mücadele amacıyla küresel düzeyde “önleyici tedbirler”in benimsenmesini ve uygulanmasını şart koşmaktadır. Zira suç ekonomisinin hacminin daraltılması için yalnızca adli ve polisiye tedbirlerin uygulanması yeterli olmamaktadır.

* Mali Suçları Araştırma Kurulu (MASAK), Maliye Uzmanı.

Bankacılar Dergisi

41

Birleşmiş Milletler temelli bazı uluslararası sözleşmelerde de yer bulan ancak ayrıntılı düzenlemeleri Basel Denetim ve Gözetim Komitesi yayınları ve Mali Eylem Görev Gücü tavsiyelerinde karşımıza çıkan önleyici tedbirlerin aklama (ve terörün finansmanı) ile mücadelede etkili bir şekilde uygulanması büyük bir gereklilik olarak karşımıza çıkmaktadır. Önleyici tedbirler, sadece suçluların ve suç gelirinin tespiti amacıyla değil, aynı zamanda piyasaların istikrarının sağlanması, hukuk devletine olan güvenin artması açısından da önemlidir. Önleyici tedbirlerin en önemlisi ise yükümlü grupları olarak belirlenen ve kendilerine önleyici tedbirleri uygulama ödevi getirilen kişi, kurum ve kuruluşların “müşterini tanı” ilkesi çerçevesinde müşterilerinin - gerçek faydalanıcının kimlik bilgilerini doğru bir şekilde almaları, bu bilgileri güncel tutmaları ve iş ilişkisinin mahiyetini analiz ederek müşteri risk profillerini çıkarmalarıdır. Finansal kuruluşların müşterinin tanınması noktasında kurum politika ve prosedürlerini içeren uyum programlarının olması gerekmektedir.

Bu çalışmada literatürde yer bulan aklama tanımları ve yöntemleri ile küresel-ülkesel

düzeyde aklanan suç gelirinin hacmine yönelik yapılan çalışmalara ve aklamanın ekonomik-finansal etkilerine yönelik güncel literatüre yer verilmektedir. Bunun yanında çalışmada ülkeler arası kesit veri analizi yöntemi ile önleyici tedbirlerin finansal gelişim düzeyi üzerindeki etkisinin analiz edilmesi amaçlanmaktadır. Çalışma, bu analizin bir ampirik model desteği ile yapıldığı bilinen ilk yayın olması bağlamında özgünlük taşımakta ve literatüre katkı sağlamaktadır.

1. Suç Gelirlerinin Aklanması ve Suç Ekonomisinin Boyutu

1.1. Kara Paranın (Suç Gelirlerinin) Aklanması Kavramı ve Aklamanın Aşamaları İktisadi olarak aklama, likit varlığın yasadışı kaynağını veya potansiyel getirisini,

tüketim, tasarruf ve yatırım için cari gelir haline dönüştürme amaçlı otonom ekonomik suç faaliyeti olarak tanımlamaktadır (Masciandaro, 2007, s.2). Robinson (1998), aklamayı yasadışı ya da kirli para olarak nitelendirilen suç gelirinin bir takım işlemlere tabi tutulmasının ardından temiz ve yasal para olarak görülmesinin sağlanması olarak nitelendirmektedir. Söz konusu işlemler ve eylemler, Mali Eylem Görev Gücü (Financial Action Task Force- FATF) standartlarında da ilgi kurulan Birleşmiş Milletler sözleşmelerinde ayrıntılı olarak incelenmektedir.

FATF'in aklamanın suç haline getirilmesini konu edinen 3 no'lu tavsiyesi, ülkelerin

aklamayı Viyana ve Palermo Sözleşmelerini esas alarak suç olarak kabul etmesini ve aklamanın öncül suçlarının en geniş ölçüde, bütün ağır suçları ihtiva etmesini öngörmektedir (Financial Action Task Force, [FATF], 2012, s.12). Söz konusu sözleşmelerin ilgili maddelerinde aklama suçu ile ilişkilendirilen fiillerin 4 grup altında sınıflandırıldığı görülmektedir1. Buna göre:

Suç gelirlerinin dönüştürülmesi veya transfer edilmesi,

Suç gelirlerinin gizlenmesi veya olduğundan farklı gösterilmesi,

Suç gelirinin iktisap edilmesi, bulundurulması ya da kullanılması,

Bu suçların işlenmesine iştirak etme, bu suçların işlenmesi için örgüt kurma veya anlaşma, bu suçları işlemeye teşebbüs, yardım, yataklık, kolaylaştırma veya yol gösterme

fiillerinin ulusal ceza kanunlarında suç olarak düzenlenmesi benimsenmektedir (Gökçe, 2010, s.40). Suç gelirlerinin dönüştürülmesi, transfer edilmesi, yasal kaynağının gizlenmesi veya olduğundan farklı gösterilmesi, bu gelirin iktisabı, bulundurulması veya kullanılması hukuki olarak aklama suçunu oluşturmakta ve bu suçlara iştirak ve teşebbüs hallerinin de suç olarak tanımlanması benimsenmektedir. Avrupa Birliği'nin finansal sistemin aklama ve terörün finansmanı ile suiistimal edilmesinin önlenmesini konu edinen 2005/60/EC sayılı

Dr. Mehmet Onur Yurdakul

42

"üçüncü" Aklama Direktifinin ve COM (2013) 45 sayılı Komisyon Tebliği ile yayımlanan "dördüncü" Aklama Direktifi tasarısının 1(2) no'lu maddelerinde yer verilen aklama suçu tanımında sayılan uluslararası sözleşmelerde belirtilen fiilleri kapsadığı görülmektedir.

Özünde suç gelirinin yasal bir kaynaktan elde ediliyor izlenimi vermek için çeşitli

işlemlere tabi tutulması şeklinde tanımlanabilecek aklama suçu büyük oranda finansal sistem içinde işlenmekte ve birbirini takip eden üç aşamada gerçekleşmektedir. Birinci aşama olan "yerleştirme" aşamasında nakit haldeki suç geliri finansal sisteme sokulmaktadır. Nakit paranın sisteme aktarılması aklayıcılar için fark edilme riskinin en yüksek olduğu ve bu çerçevede aklama ile mücadelede önleyici tedbirlerin en fazla odaklandığı aklama aşamasıdır. İkinci sırada gelen "ayrıştırma aşamasında ise finansal sisteme yerleştirilen suç gelirinin kaynağından uzaklaştırılması gerekir. Bu aşamada temel amaç paranın izinin sürülmesinin zorlaştırılmasıdır. Üçüncü aşama olan" bütünleştirme" sürecinde farklı tür ve hesaplara ayrıştırılan suç geliri tekrardan faillerin kontrolündeki hesaplarda toplanmakta ve bir yasal ekonomik faaliyet sonucu elde edilmiş gibi gösterilmektedir.

1.2. Sık Kullanılan Aklama Yöntemleri Aklamanın tanımından ve aşamalarından da anlaşılacağı üzere, aklama süreci ticari bir

iş görüntüsü altında ekonomik gayesi olduğu varsayılan bazı işlemlerin yapılmasını gerektirir. Aklama yöntemleri aklayıcıların hayal güçlerine paralel olarak çeşitlilik göstermekte, bu konuda sınırlayıcı bir tasnif yapılması zorlaşmaktadır. Bununla beraber FATF (2006a:1), finansal sisteme dayanan, nakit kuryelerin kullanıldığı, ticarete- malların fiziki taşımasına dayalı aklama yöntemleri olarak üçlü bir tasnif yapmaktadır. Bu yöntemlerin birbiri ile iç içe kullanıldığı aklama yöntemleri de mevcuttur. Her bir yöntemin taşıdığı riskler, maliyetler ve teknolojik gelişim düzeyi dönemsel olarak bir yöntemin diğerine göre daha çok tercih edilmesine neden olmaktadır. Krimonolojide bir suç yönteminden diğerine doğru geçişler “suçun yer değiştirmesi (crime displacement)” olarak tanımlanmaktadır (Melvin, 2014, s. 231).

Literatürde yer alan bazı çalışmalar da dönemler içerisinde aklama yöntemlerinin

değişiklik gösterdiğini ortaya koymaktadır. Örneğin Quirk (1996), aklamada nakit değer ve mevduat hesaplarının kullanımının yerini 1990'lı yıllardan itibaren finansal aracılık ürünlerinin kullanımına bıraktığını savunmaktadır. Baker (2005), sınır ötesi en fazla hareket gören yasadışı fon akımının ticaret temelli olduğunu tespit etmiştir. Dolayısıyla günümüzde finansal sistemin de kullanıldığı ticaret temelli aklama yöntemlerinin sıkça kullanıldığı sonucuna varmak mümkündür. Sınır ötesi etki doğuran aklama yöntemleri aşağıda özetlenmektedir.

Bankacılık Yolu ile Aklama: Banka hesaplarını kullanarak kimlik tespiti

yükümlülüğünden kurtulmak için, bildirim sınırına yakın miktarda para çok sayıda kişi tarafından banka hesaplarına yatırılabilir. Bu yöntem “Şirinler Yöntemi” olarak da adlandırılmaktadır. Buna ek olarak, “Parçalama Yöntemi” ile insan sayısı yerine işlem sayısını artırmak suretiyle de bildirimden kaçınmak mümkün olabilir.

Fonların sınır ötesi hareket görmesinde ise, kimlik tespiti ve sair kara para aklama ve

terörizmin finansmanı ile mücadele (anti-money laundering/ combating the financing of terrorism -AML/CFT) düzenlemeleri bakımından eş düzeyde koruma imkânı olmayan bir ülkenin bankası ya da bir kıyı bankası ile muhabir bankacılık ilişkisi kurulması bir risk unsuru olarak göze çarpmaktadır. Bunun dışında, oto finansman yöntemi ile failin bir ülkedeki banka hesabına yatırdığı yasal olmayan kaynaklardan elde edilen fonu teminat göstererek başka bir ülkede kredi çekmesi ancak kredinin geri ödenmemesi sonucunda bir anlamda yasal olarak alınan kredi ile kirli paranın yer değiştirmesi yaygın bir aklama yöntemidir. Bankacılık sektörüne ilişkin bir diğer aklama riski de organize suç örgütlerinin banka çalışanlarına nüfuz etmesidir (FATF, 1997, s.6).

Bankacılar Dergisi

43

Ticaret Temelli Kara Para Aklama Sistemleri: Özellikle gelişmekte olan ülkelerde uluslararası ticaret sisteminin kırılganlığını kullanarak yasa dışı fon akımı sağlanabilmektedir. FATF (2006a:3-7, 2008, s.3), ticaret temelli aklama tiplerini şu şekilde özetlemektedir:

Mal ve hizmetlerin fiyatlarını yüksek veya düşük faturalandırma: Düşük fiyat hâlinde ithalatçıya, yüksek fiyatlandırma hâlinde ise ihracatçıya yönelik bir kazanç aktarımı söz konusu olacaktır.

Mükerrer faturalandırma: Tek bir işlem için birden fazla fatura kesip, her fatura için de ayrı ayrı tahsilat yapılması durumudur.

Mal ve hizmetlerin miktarının kalite ve türünün farklı tanımlanması: Farklı değerdeki emtianın ticaretinin yapılarak ihracatçıya veya ithalatçıya kazanç aktarımı durumudur.

Faturalandırılan mal veya hizmete göre daha az ya da daha çok mal ve hizmet teslimi yapma: Daha çok teslim yapılması ithalatçıya, daha az teslimat yapılması ise ihracatçıya yönelik kazanç aktarımıdır.

Hayali ihracat: Sahte veya muhteviyatı itibariyle yanıltıcı belgeler düzenlemek suretiyle ihracat yapıyor görüntüsü vermek suretiyle haksız kazanç sağlanmasıdır.

Havala ve Diğer Benzer Servis Sağlayıcıları Yoluyla Aklama: Havala (hawala) özellikle

bankacılık sisteminin gelişmediği Güney Asya, Doğu Afrika ve Orta Doğu coğrafyasında sık kullanılan bir para transferi yöntemidir. Güven esasına dayalı, kayıt dışı, hızlı, vergisiz ve kambiyo rejimi kısıtlamaları olmaksızın yürütülen bir sistem olması nedeniyle aklayıcılar tarafından rağbet görmektedir (FATF, 2013a, s.18). Bu sistemde para bir bölgeden diğerine, finansal sistem dışında hizmet veren aracılar sayesinde aktarılır. A bölgesindeki brokere parasını teslim eden müşteri, B bölgesindeki brokerden aynı miktardaki parayı alır. Brokerlar arasında cari hesap ilişkisi bulunmaktadır. Böylece resmi kayıtlara ve müşteri tanı ilkesi çerçevesinde kimlik tespiti işlemlerine gerek kalmadan paranın sınır ötesi transferi gerçekleşir ve izi kaybettirilir.

Havala sisteminin bir benzeri de Güney Amerika’da uygulanmaktadır. Kara Borsada

Pezo Değişimi (Black Market Peso Exchange) adı verilen sistemde Güney Amerikalı uyuşturucu tacirleri ABD’deki Dolar cinsinden satış gelirlerini ABD’deki brokerlere teslim etmekte ve bu brokerlerin yurtiçindeki (örneğin Kolombiya) banka hesaplarından farklı bir kur ile ulusal para birimi Pezo’ya çevrilen tutarı çekebilmektedirler. Dolar cinsinden uyuşturucu gelirini teslim alan brokerler daha sonra bu tutarları kimlik tespiti yükümlülüğünden kurtulmak için şirinler ya da parçalama yöntemleri ABD’deki banka hesabına yatırmakta ve ABD’den ithalat yapacak bir Kolombiyalı ihracatçı ile temasa geçerek kendi banka hesabından ithalatçının ABD Doları ihtiyacını karşılamaktadır. İthalatçı, ülke pazarında mal satışı gerçekleştirdikten sonra brokere olan borcunu yine Peso cinsinden ödemektedir (FATF, 2006a, s.7-8).

Şirket Varlıkları Kullanılmak Suretiyle Aklama: Paravan ya da göstermelik şirketlerin

kurulması yaygın bir aklama yöntemidir. Paravan şirketler herhangi bir ticaret veya imalat faaliyetinde bulunmayan ve genellikle sınır ötesi merkezlerde kurulan şirketlerdir. Göstermelik şirketler de sınır ötesinde faaliyet göstermesi için kurulabilir ancak özellikle suç gelirinin aklanmasının tespitinin zorlaştırılması bakımından nakit para akışının yoğun olduğu sektörlerde kurulmaktadır (Yurdakul, 2013, s.23).

Şirket varlıklarının aklama için kullanılması konusu ticaret temelli aklama ile de ilişkili

bir konudur. Çok uluslu şirketlerin özellikle saydam olmayan ülkelerde şube açma, iştirak edinme ya da birleşme yoluna gitmek suretiyle transfer fiyatlandırması yoluyla örtülü kazanç aktarımına sıkça başvurdukları görülmektedir. Ekonomik Kalkınma ve İşbirliği Örgütü (Organisation for Economic Co-operation and Development [OECD]) (2001 s.21-29) ve FATF (2006b, s.1-8, 2011, s.17-19) tarafından hazırlanan “şirket varlıklarının yasadışı


44

amaçlar için kullanılması" konulu raporlarda, tüzel kişilerin saydam olmayan ortaklık yapılarının profesyonel aklayıcılar tarafından kara para aklama amacıyla kullanılmalarına neden olduğu; OECD'nin (2013) "matrah aşındırma ve kâr kaydırma" konulu çalışmasında ise bu yatırımların vergisel amaçlı olarak da yapıldığı savunulmaktadır 2 . Kontrol altında tutulan bir paravan şirket aracılığı ile vergi kaçakçılığı ya da aklama suçlarının işlenmesi mümkündür3.

Yolsuzluk gelirlerinin aklanması bağlamında ise Birleşmiş Milletler (BM) Çalınmış

Malvarlıklarının Geri Alınması Girişimi (Stolen Asset Recovery Initiative - StAR) yayını “The Puppet Masters” çalışması yol göstericidir. Çalışmada incelenen yüz elli büyük uluslararası yolsuzluk dosyası çerçevesinde aklamanın temel olarak şirket varlıklarının kullanılması ile yapıldığı sonucuna ulaşılmıştır (Willebois vd., 2011 s.20). OECD (2001, 2013) ve FATF (2006,2011) çalışmalarının ön plana çıkardığı bir diğer husus ise doğrudan yabancı yatırımların (DYY) aklama amacıyla yapılmasının mümkün olduğudur. Bu konuda çalışmaları olan Perez vd. (2012:108-126), toplam dünya DYY yatırımlarının yüzde 6 ila 10’unun, ABD Dışişleri Bakanlığı, Uluslararası Narkotik ve Kolluk İşleri Bürosu (INL) Narkotik Kontrolü Strateji Raporu (2003) çerçevesinde kara para aklayıcısı olarak nitelendirilen ülkelere yönelen DYY’nin yüzde 20’sinin yasa dışı fon akımı olduğunu saptamışlardır.

Gayrimenkul Sektöründe Aklama: Emlak sektöründe gözlenen işlemler emlak satışı,

kiralanması ve emlak yönetimi şeklinde üçlü bir tasnife tabi tutulabilir. Ayrıca son dönemlerde yatırım fonlarının emlak sektörüne daha fazla ilgi duyduğu görülmektedir. Kredi ve ipotekli konut kredisi sözleşmelerine dayalı varlıkların emlak yatırım firmaları aracılığı ile türev piyasalarda satışı yapılmaktadır. Emlak sektörünün özellikle karmaşık finansman anlaşmalarına konu olması, emlak değerleme işinin manipülasyona açık olması, finansal olmayan profesyonellerin emlak satışı sürecine dâhil olması emlak sektörünü aklama ile mücadele konusunda önemli bir noktaya getirmektedir (FATF, 2007, s.5).

Nakit Kuryeler Yoluyla Aklama: Nakit değerlerin fiziki olarak ülke dışına çıkarılmasını

konu edinen bir aklama türüdür. Para ve hamiline yazılı senetler kuryeler, posta ya da kargo şirketleri kullanmak suretiyle sınır dışına çıkarılabilir (FATF, 2010, s.3). Bunun dışında değerli taş ve metallerin de kuryeler aracılığı ile yurtdışına çıkarılması mümkündür. FATF'in 32 no'lu tavsiyesi, ülkelerin nakit değerlerin fiziki taşıması yolu ile aklama ile mücadele etmek için sınırlarda yolculardan nakit beyan veya açıklama tutanakları alınmasını ve aklama şüphesi halinde yolcu beraberindeki taşınabilir nakit değerlerin alıkonulmasını düzenlemektedir.

Yeni Ödeme Sistemleri veya Sanal Para Kullanmak Suretiyle Aklama: Teknolojideki

gelişme ile beraber ödeme hizmetlerinin büyük kısmının ön ödemeli kartlar, mobil ödeme sistemleri veya internet kullanılarak gerçekleştirilebilmesi, kısaca yüz yüze olmayan dağıtım kanalları aklayıcılar için fırsata dönüşebilmektedir. Ayrıca günümüzde mübadele aracı, değer saklama aracı ya da hesap birimi fonksiyonlarını haiz dijital değer göstergesi olan sanal paranın kullanımı artmaktadır. Sanal paranın bazı durumlarda ulusal para birimlerine konvertibilitesi de mümkün olmaktadır. Internet üzerinden alım satımı yapılabilen bu dijital değerler ile özünde sanal para ihraç eden kuruluş ile yüz yüze olmayan bir iş ilişkisi kurulmuş olmaktadır. Sanal para kullanılarak yapılan para transferlerinde alıcı ve gönderici bilgileri tam, doğru ve eksiksiz olarak alınamasa da işlem gerçekleştirilmektedir4 (FATF, 2014, s.9).

1.3. Literatürde Suç Ekonomisinin ve Aklanan Suç Gelirlerinin Hacmine Yönelik Yapılan Tahminler ve Hesaplama Yöntemleri Küresel olarak aklama ile mücadele çalışmaları esasen suç geliri hacmindeki artış ile

birlikte ivme kazanmaktadır. Küresel düzeyde aklama hacminin hesaplanabilmesi ve bu tehdide karşı doğru politikaların izlenebilmesi için bir ekonomideki suç geliri tutarının da yaklaşık olarak bilinebilmesi büyük önem arz etmektedir. Bununla birlikte, tamamen yasadışı

Bankacılar Dergisi

45

sektörde elde edilen suç gelirinin izinin sürülebilmesi ve doğru tahmin edilmesi kolay olmamaktadır. Suç ekonomisinin ve aklamanın ekonomik hacminin hesaplanabilmesi için anket kullanımı, bazı varsayımlar çerçevesinde ülkelerin mevduat hacmi istatistiklerinin ya da ödemeler bilançosundaki net hata noksan kalemi verilerinin kullanılması genel olarak kullanılan yöntemler arasındadır.

FATF tarafından 1980'lerin sonunda yapılan bir çalışmada, dünya genelinde 124 milyar

ABD Doları tutarında uyuşturucu satışı olduğu, bu tutarın yüzde 50-yüzde 70’inin ise sonradan aklamaya tabi tutulduğu ve bunun da o döneme göre Dünya GSYİH’sinin yüzde 0,5’ine denk geldiği hesaplanmıştır. Uyuşturucu gelirlerinin toplam suç gelirlerinin dörtte birine denk geldiği tahmini ile aklanan suç gelirinin dünya GSYİH'sinin yüzde 2'sine denk olduğu (o dönem için 0.34 trilyon ABD Doları) tahmin edilmektedir. Birleşmiş Milletler Uyuşturucu ve Suç Ofisi (United Nations Office for Drugs and Crime [UNODC], 2011, s.18). Uluslararası Para Fonu (International Monetary Fund [IMF]) tarafından 1998 yılında yapılan tahminlere göre ise yasadışı finansal akımlar küresel GSYİH’nin yüzde 2 ila 5’ini kapsamaktadır (UNODC, 2011, s.19). Bu tutarın 2009 yılı verilerine göre 1.2 ila 2.9 trilyon ABD Doları arasında olduğu hesaplanmıştır. Söz konusu uluslararası kuruluşların yanı sıra, bazı akademisyenlerin de suç ekonomisinin ve aklamanın hacminin hesaplanmasına önemli katkıları olmuştur.

Bölgesel suç ekonomisi hacmine yönelik çalışmalar yapan Reuter ve Truman

(2004:20),vergi kaçakçılığı da dâhil ABD’deki toplam yasa dışı gelir hacminin 779 milyar ABD Doları olduğunu (2000 yılı) saptamışlardır. Schneider ise (2010), çalışmasında 20 OECD ülkesi için organize suç ekonomisi hacmini 614 milyar ABD Doları olarak hesaplamıştır. Walker (1995), Avustralya için yaptığı hesaplamada bu tutarın 4.5 milyar Avustralya Doları seviyesinde olduğunu, 3.52 ila 4.28 milyar ABD Doları seviyesinde suç gelirinin aklamaya tabi olduğunu ortaya koymuştur. Walker (2004), 2004 yılındaki analizinde ise ülkedeki suç gelirinin 2.81 ila 6.28 milyar Avustralya Doları seviyesinde olduğunu hesaplamıştır.

Küresel düzeyde suç ekonomisinin hacmi hakkında araştırma yapan Baker (2005),

yaptığı anket çalışmaları sonucunda 2005 yılında dünya genelinde sınır ötesi kirli para transferi tutarının 1 ila 1,6 trilyon ABD Doları arasında olduğunu saptamıştır. Agrawal ve Agrawal (2006:7) ise, dünya üzerinde aklanan suç gelirinin 2006 yılı itibariyle 2-2.5 trilyon ABD Doları olduğunu, sadece bankacılık sektörü kullanılarak aklanan varlıkların ise 0,5–1 trilyon ABD Doları olduğunu hesaplamışlardır.

Walker'ın Avustralya için yaptığı çalışmaların yanı sıra suç ekonomisi literatürüne asıl

katkısı küresel düzeyde aklanan suç gelirine ilişkin geliştirdiği model olmuştur. Walker (1998), bu hesaplama için ise Tinbergen (1962) tarafından geliştirilen ve daha çok uluslararası ticaret ve yabancı yatırım girişlerine yönelik analizlerde kullanılan çekim (gravity) modelinden faydalanılmasını önermiştir. Model bir ülkeden diğerine hareket gören suç gelirinin o ülkenin aklama için cazibesi ile doğru orantılı, o ülke ile olan mesafenin karesi ile de ters orantılı olarak şekillendiğini ortaya koymaktadır. Aklamanın cazibesi ise ülke GSYİH'sinin büyüklüğü ve uluslararası finansal sisteme entegre olması ile doğru; aklama ile mücadele mevzuatının ve uygulamalarının uluslararası standartlara uyumluluğu, ülkede silahlı çatışma ve yüksek yolsuzluk görülmesi ile ters orantılı olarak artmaktadır (Walker, 1998, s.7-8).

Bu çerçevede:

Aklamanın Cazibesi

= [GSYİH k.b.] * [ 3*Bankacılık Sırrı + AML Uygunluğu + SWIFT üyeliği –

3*Çatışma ortamının varlığı – Yolsuzluk Skoru + 15] formülüne dayanmaktadır. Burada:


46

GSYİH k.b. : Kişi başına ABD Doları cinsinden gayri safi yurtiçi hasıla tutarı Banka Sırrı : 0 (düzenlenme yok) ile 5 (bankacılık sırrının tam korunması), AML Uyum : 0 (sıkı bir mevzuat uyumu) ile 4 (aklamaya tolerans gösterilmesi), SWIFT üyeliği : 0 (üye olmayan ülke) ile 1 (üye ülke) Çatışma5 : 0 (silahlı çatışma ortamı yok) 0 ile 4 (çatışma ortamı), Yolsuzluk : 1 düşük, 5 yüksek şeklinde yeniden ölçeklendirilen Uluslararası Şeffaflık Örgütü Yolsuzluk Algı Endeksi verileri, Sabit terim : Tüm skorların 0'dan büyük olmasının sağlanması adına "15" sayısı

Çekim denklemi ise şu şekildedir:

X ülkesinden Y ülkesine taşınan suç gelirinin oranı

= Y ülkesinin cazibe skoru

(X ve Y ülkesi arasındaki mesafe)2

Walker bu denklem sayesinde sınır ötesi işlem olmadan işlenen aklama suçunun

boyutunun da dikkate alındığını ifade etmektedir. 226 ülke için yapılan analizde, 2.85 trilyon ABD Doları tutarında bir malvarlığı değerinin aklandığı, en fazla aklamanın Kuzey Amerika ve Avrupa ülkelerinde yapıldığı hesaplanmıştır (Walker, 1998, s.8).

Küresel Finansal Bütünlük (Global Financial Integrity) adlı düşünce kuruluşu da dünya

üzerindeki küresel kara para akımlarının hacminin tespiti amacıyla çalışmalar yapmaktadır. Kuruluş adına çalışan Kar ve Curcio (2011,s. 9), 2000 – 2008 döneminde gelişmekte olan ülkelerden çıkan yıllık yasa dışı sermaye çıkışını Dünya Bankası'nın geliştirdiği artık değer modeli (residual model-CED) ile ticaret farklılaşmasını ölçmek için Gross Exluding Reversals (GER) metodunu birlikte kullanarak hesaplamışlardır. Artık değer modeli ülkenin net dış borcundaki değişimi esas almaktadır. Buna göre:

Fon Kaynağı Fon Kullanımı

CED = [ΔDış Borç + Net Doğrudan Yatırım] - [Cari İşlemler Dengesi + Δ Rezervler]

hesabı ülkenin yurtdışına yasa dışı fon transferi hacmini verecektir.

İhracatta fiyat farklılaştırması nedeniyle kaydedilemeyen sermaye çıkışları ise GER modeli kullanılarak hesaplanmıştır. GER modelinde kullanılan ticaret istatistikleri ise IMF Ticaretin Yönü istatistiklerinden elde edilmiştir. Buna göre:

GER=[Xi] - Mj/ β + [Mi / β] - Xj

i, j : Ülkeler X : İhracat M : İthalat β : Uyarlama (Adjustment) Faktörü

olmak üzere ticari fiyat farklılaştırması tutarı panel veri sabit ve rassal etkiler metotları kullanmak suretiyle hesaplanmıştır. Sınıraşan yasadışı fon akımları tutarına CED ve GER sonuçlarının toplanması ile ulaşılmaktadır. Çalışma sonucunda 2000 – 2008 döneminde gelişmekte olan ülkelerden çıkan yıllık yasa dışı sermaye çıkışının ortalama 725 ila 810 milyar ABD Doları arasında değiştiği sonucuna varılmıştır (Kar ve Curcio, 2011, s.9).

Literatürdeki bazı çalışmalarda ise suç ekonomisinin boyutunun ve aklanan malvarlığı

değerlerinin dolaşımdaki para arzı ile ilişkilendirilerek açıklandığı görülmektedir. Quirk (1996),

Bankacılar Dergisi

47

modelinde bağımlı değişken olarak aldığı dolaşımdaki para miktarını GSYİH, reel faiz oranı, vergi hasılatı, çalışan işgücünün miktarı (veya işsiz sayısı), işlenen kayıtlı suç sayısı (veya dolandırıcılık, kalpazanlık ve uyuşturucu kaçakçılığı suçlarının sayısı) ile açıklamak suretiyle analiz yapmıştır.

Aklanan malvarlığı değeri büyüklüğüne ilişkin bir sonuç açıklamayan yazarın ulaştığı

sonuç, suç oranının artmasının dolaşımdaki para miktarını ve para talebini azaltacağı, bir başka deyişle bu sayede yasal olmayan ekonominin genişleyerek aklamanın artacağı şeklindedir. Bu çerçevede suç oranlarındaki yüzde 10 artışın para talebinin yüzde 6 ila 10 seviyesinde azaltıcı etki gösterdiği saptanmıştır. Quirk (1996), bu durumda aklama için şirinler, parçalama yöntemlerinde olduğu gibi nakit işlemlerin kullanımın azaldığı sonucuna varmıştır. Quirk'i temel alan güncel bir çalışmada ise Ardizzi v.d.(2014), suç sayısı ile mevduat hesabı hacmi arasında bir ilişki kurmaya çalışmıştır. Dolaşımdaki parayı “yasal”, “kayıt dışı” ya da “aklamaya konu suç geliri” olarak üç bileşene ayıran yazarlar, aklamanın büyük kısmının da finansal kesimde gerçekleştiği varsayımı altında, bağımlı değişken olarak dolaşımdaki parayı temsilen İtalya’nın bölgeleri itibariyle vadesiz mevduat hesap hacmi verilerini kullanmışlardır. Açıklayıcı değişkenler olarak ise, bu üçlü bileşen tasnifi ekseninde bölgesel olarak hesaplanan istatistikler modele eklenmiştir.

Çalışma sonucunda suç, işsizlik oranı, tarım ve inşaat sektörlerindeki istihdam ve vergi

kaçakçılığı artışının vadesiz mevduat hacmi üzerinde olumlu; reel faiz oranı, kişi başına gelir, elektronik ürün kullanımı verilerinin ise olumsuz yönde etki gösterdiği, şüpheli işlem bildirim sayılarının ise bir etkisinin olmadığı sonucuna varılmıştır (Ardizzi v.d., 2014, s.1567-1570). Bu sonuç Quirk'in (1996) aksine İtalya'da aklamada bankacılık sektörünün ve mevduat hesaplarının halen yoğun bir şekilde kullanıldığına bir gösterge olarak yorumlanabilir. Ardizzi v.d. (2014), tahmin edilen denklem çerçevesinde İtalya’da GSYİH’ye oran olarak yüzde 6 seviyesinde bir suç gelirinin aklandığını hesaplamışlardır.

Tablo 1: Literatürde Yasadışı Sermaye Hareketlerinin ve/veya Aklanan Malvarlığı

Değerleri Hacmi Konulu Çalışmalara Toplu Bakış

Çalışma Sahibi Yılı Kapsam Yasadışı Fon Hacmi GSYİH'ye Oranı

FATF 1988 Dünya 0.34 Trilyon Dolar (aklama) %2

IMF 1998 Dünya 0.6 – 1.5 Trilyon Dolar (aklama 2006 yılı için)

%2 - %5

Reuter ve Truman

2000 ABD 224 Milyar Dolar %1.6-%2.3

2000 ABD 779 Milyar Dolar (Vergi Kaçakçılığı Dahil)

%8

Baker 2005 Dünya 1-1.6 Trilyon Dolar -

Agrawal ve Agrawal 2006 Dünya 2-2.5 Trilyon Dolar (aklama) -

F. Schneider 2010 20 OECD Ülkesi

614 milyar ABD Doları (2006 fiyatları ile) -

Kar ve Curcio 2011 GYÜ 725-810 Milyar ABD Doları (çıkış, 2000-2008 dönemi için)

-

Walker 1995

Avustralya

4.5 milyar AUD (3,52 ila 4,28 milyar AUD aklanan tutar)

2004 6-8 Milyar Dolar (2.81 ila 6.28 milyar AUD aklanan tutar)

-

Walker 1998 Dünya 2.85 Milyar ABD Doları (aklama)

UNODC 2011 Dünya 1.2 - 2.6 Trilyon Dolar (Tüm çalışmaların ortalaması)

%2.7 - %4.4

Ardizzi vd. 2014 İtalya - %6(aklama)


48

Walker (1998) yöntemini kullanan Unger (2007),çalışmasında dünyada en fazla kara para aklanan ülkeleri şu şekilde tablolaştırılmıştır. Buna göre aklayıcılar için en cazip bölgeler geniş finansal piyasaları bulunan gelişmiş ülkeler ile off-shore merkezleri olarak göze çarpmaktadır.

Tablo 2: Dünya Üzerinde Aklanan Suç Geliri Tutarı, İlk 20 Ülke (Trilyon ABD Doları)

Sıra Ülke Dünya Üzerindeki Aklama Payı

Walker’ın 2.85 Trilyon Dolar Hesabı İçin

IMF’in 1.5 Trilyon Dolar Hesabı İçin

1 ABD %18.9 538 283.5

2 Cayman Adaları %4.9 138 73.5

3 Rusya %4.2 120 63

4 İtalya %3.7 106 55.5

5 Çin %3.3 95 49.5

6 Romanya %3.1 90 46.5

7 Kanada %3.0 85 45

8 Vatikan Şehri %2.8 81 42

9 Lüksemburg %2.8 78 42

10 Fransa %2.4 68 36

11 Bahama Adaları %2.3 66 34.5

12 Almanya %2.2 61 33

13 İsviçre %2.1 59 31.5

14 Bermuda %1.9 53 28.5

15 Hollanda %1.7 50 25.5

16 Liechtenstein %1.7 49 25.5

17 Avusturya %1.7 48 25.5

18 Hong Kong %1.6 45 24

19 Birleşik Krallık %1.6 44 24

20 İspanya %1.2 35 18

Toplam %67.1 1.911 1.006.5

Kaynak: Brigitte UNGER,,The Scale and Impacts of Money Laundering, Edward Elgar Publishing Limited, Cheltenham, UK, 2007, s.80

2. Aklamanın Ekonomi ve Finansal Piyasalar Üzerindeki Etkileri

2.1. Aklamanın Makro ve Mikro Ekonomik Etkileri Quirk (1996) ve Ardizzi vd. (2014) çalışmalarından hatırladığımız temel husus

aklamanın para talebi üzerinde etki gösterdiğidir. Bununla birlikte, etkinin yönü konusunda literatürde bir görüş birliği olmadığı görülmektedir. Quirk (1996), aklamanın elde tutulan para miktarını ve dolayısıyla para talebini azaltıcı, paranın dolaşım hızını ise artırıcı yönde etki gösterdiğini, Ardizzi vd. (2014), aklamanın mevduat hesap hacmini yükselttiğini analiz etmişlerdir. Schneider (2010) ise suç geliri artışı ile suçlarda kullanılan nakit para miktarının ve dolayısıyla para talebinin arttığını tespit etmiştir.

Ekonomiyi yasal ve yasa dışı sektörler olarak ikili bir ayırıma tabi tutan Argentiero,

Bagella ve Busato (2008) ise Fisher denklemi çerçevesinde yasal reel para arzı artışının ekonomik büyüme ile birlikte gerçekleştiği, bu durumda yasa dışı sektörde faaliyet gösterenlerin para taleplerinin ancak aklama ile karşılandığı ve aklamanın aslında para arzı ve talebi üzerinde artırıcı etki gösterdiğini saptamışlardır. Para arz ve talebindeki değişmeler iktisadi olarak faiz oranları, döviz kuru, yatırımlar ve ekonomik büyüme üzerinde de etki göstermektedir. Bununla beraber yasal olmayan ekonominin yaygınlaşması ile ekonomik göstergeler ile ilgili yorum yapmak güçleşeceğinden, aklamanın nihai etkilerinin tespiti ve buna karşın uygun politika karmasının belirlenmesi zorlaşacaktır. Örneğin Kolombiya'da 1979 yılında uyuşturucu gelirlerinin ülke ekonomisinde dolaşımda bulunan para miktarının

Bankacılar Dergisi

49

yüzde 20'sine denk geldiği hesaplanmıştır. Böyle bir ekonomide merkez bankasının etkili bir para politikası izleyemeyeceği açıktır (Keh, 1996, s.3).

Özellikle sermaye ihtiyacı bulunan gelişmekte olan ülkelerin, offshore merkezlerinde

kurulan sermaye ve ortaklık yapısı belirsiz şirketler aracılığı yapılan yatırımları çekmek adına yatırım mevzuatlarını kuralsızlaştırdıkları, aklama ile mücadele denetim ve düzenlemelerinin standartların gerisinde kalmasına göz yumdukları görülmektedir (Tanzi, 2000, s.189-191). Bu kapsamda, örneğin ticarette fiyat farklılaşmasının yaygınlaşması neticesinde yurtdışına sermaye aktarımı yapılması ödemeler dengesi istatistiklerinin geçerliliğini de etkilemektedir. Baker (2005), bu durum için Çin ve Rusya'dan örnek vermektedir. Buna göre Çin'in ihracatının normaline göre yüzde 17 daha düşük, ithalatının ise yüzde 9 daha pahalı olarak gerçekleştiği, Rus firmalarının da off-shore merkezlerinde kurulu iştirakleri aracılığı ile satış yaparak yurtdışına sermaye aktarımı yaptığı belirtilmektedir. Dolayısıyla aklama işlemleri sonucunda bir ülkenin yasa dışı sermaye girişine ya da çıkışına konu olması faiz oranı, döviz kuru, enflasyon düzeyi ve vergi hasılatı üzerinde de bozucu etki göstermektedir.

Aklamanın gelir dağılımı üzerindeki etkisi konusunda yapılmış ampirik bir çalışmaya

rastlanmamakla birlikte, aklama ile birlikte suç ekonomisinin genişlemesi sonucunda üretim kaynaklarının reel sektörden verimli olmayan alanlara kaymasının yasa dışı sektörler lehine bir gelir transferi sağlayacağını tahmin etmek güç değildir. Suçluların yakalanma ihtimalinin azalması ile yasadışı olarak faaliyet gösteren sektörlerde (narkotik, silah, sahte ve korsan ürün vb.) üretim artışı olmakta ve bu sektörlere yönelik yatırımlar verimli özel sektör yatırımları üzerinde dışlayıcı etki göstermektedir. Ayrıca negatif dışsallığı olan suç ekonomisi ürünlerinin tüketilmesinin sosyal refah üzerinde azaltıcı etkisi olacak ve bununla mücadele için daha çok bütçe kaynağının ayrılması neticesinde toplam sosyal maliyet de artacaktır. Quirk (1996), çalışmasında kamu harcamaları ile aklama arasında aynı yönde bir değişim olduğunu ortaya koymuştur.

Aklamanın yarattığı negatif dışsallıkların piyasa istikrarına zarar verdiğini, aklamanın

piyasalar üzerinde rekabeti bozucu etki göstererek pareto etkin olmayan kaynak tahsisatına neden olduğunu söylemek de mümkündür6. Aklamanın en temel mikroekonomik etkisi de rekabetçiliği azaltmasıdır. Fiorentini ve Peltzman (1997), suç örgütlerinin aklama için genellikle teknoloji hayat döngüsü içinde olgun (mature) teknoloji periyodunda olan, büyük ölçüde yeni geri dönülemez yatırımların gerekmediği, yüksek oranda kamu talebinin olduğu ve özellikle mülkiyet haklarının tanımlanması konusunda sıkıntılı olan bölgelerde kurulan sanayi tesislerini kullandığını savunmaktadırlar. Fiorentini (1997), ayrıca suç ekonomisine dahil uyuşturucu, silah vb. kaçakçılık suçları ile aklama suçunun işlendiği sektörlerin birer "oligopol" piyasası şeklinde faaliyet gösterdiğini ve rekabetçi olmayan piyasalarda faaliyet göstermenin suç faaliyetini gizlemenin yanı sıra sermayenin alternatif maliyetini azaltacağını belirtmektedirler.

Aklamanın ekonomi politikasının etkililiğini azaltıcı etkilerinin nihai sonucu uzun vadede

finansal piyasaların istikrarının ve büyümenin olumsuz yönde etkilenmesidir. Buna karşın kısa dönemde aklama ve büyüme ilişkisi için farklı yönde sonuç veren çalışmalara da rastlanmaktadır. Örneğin Stancu ve Rece (2009), 13 Avrupa ülkesi ve ABD'den oluşan veri seti çerçevesinde geliştirdikleri lineer regresyon denkleminde, aklanarak tekrardan ekonomiye dönen suç gelirlerinin kısa dönemde büyümeyi artırdığı sonucuna varmışlardır. Allridge ise (2008), gelişmekte olan ülkelerin sermaye ihtiyacını karşılamak adına yasa dışı sermaye akımları için çekim noktası olmayı isteyebileceklerini ve aklama ile mücadele için gerekli altyapıyı kurmalarının ve gerekli uluslararası işbirliğini sağlamalarının mümkün olmadığını vurgulamaktadır. Aklama ile mücadele sonucunda finansal sistemin istikrara kavuşması bir küresel kamu malı olmakla beraber, az gelişmiş ülkelerin bu düzenlemelerin finansmanına katılmak için kaynak ayırması da kolay olmamaktadır.


50

2.2. Aklamanın Finansal Sektör Üzerindeki Etkileri Ekonomi politikaları üzerindeki bozucu etkisinin yanı sıra aklamanın finansal sektörün

gelişimi ve piyasaların istikrarı üzerinde de olumsuz etkileri olacaktır. Uluslararası Ödemeler Bankası (BIS) bünyesinde faaliyet gösteren Basel Bankacılık Denetim Komitesi, sektörün suçlular tarafından suiistimal edilmesinin sektörde istikrarı azaltıcı etki gösterdiği tespiti ile bankalar ve finansal kuruluşların önleyici tedbirleri almaları gerektiğine ışık tutmuştur (Bank for International Settlements [BIS], 1998). Komitenin 1997 yılında oluşturulan ve 2006 ile 2012 yıllarında güncellenen “Bankacılıkta Etkin Gözetim ve Denetime İlişkin Temel Prensipleri” belgesinin 29’uncu prensibi de önleyici tedbirlerin alınmasını konu edinmektedir (BIS, 2012). Komite tarafından yayımlanan bir başka bildiride ise aklama ile mücadelede bankaların uygulayacağı müşterini tanı politikalarının sağlam risk yönetimi sürecinin bir parçası olduğu vurgulanmaktadır. Müşterini tanı ilkesinin yetersiz uygulanması, bankaları itibar riski, yasal risk, operasyonel risk ve yoğunlaşma riski ile karşı karşıya getirebilecektir (BIS, 2001).

Aklamanın yaygın olduğu bir ekonomide, yasadışı sermaye hareketlerinin ve dolayısıyla suçluların finansal kuruluşlara nüfuz etme girişimlerinin artması ile birlikte bu kuruluşların kendi bünyelerindeki usulsüzlüklerin kontrollerinde başarılı olma şansı da azalacak ve büyüme için çok önemli bir unsur olan yatırımcı güveni de kaçınılmaz olarak sarsılacaktır (Tanzi, 2000, s.193, Bartlett, 2002, s.14). Bu durum finansal kuruluşlar için itibar ve operasyonel risk artışı yaratmaktadır. Aklamanın bir başka etkisi de finansal kuruluşlar için yoğunlaşma riskini artırmasıdır. Yoğunlaşma riski, kredi kullandırılırken grup, sektör ve coğrafi dağılıma dikkat edilmemesi sebebiyle zarar ihtimalinin ortaya çıkması şeklinde tanımlanmaktadır (Altıntaş, 2006, s.6). Bu çerçevede bankaların tekil ya da birbiri ile bağlantılı müşterilerine büyük krediler kullandırması, kredilerin geri ödenmesinde sıkıntı yaşanması halinde banka karlılığını azaltmaktadır. Yoğunlaşma riski ile mücadele için bankaların müşterilerinin kimlik bilgilerini ve risk profillerini doğru tespit etmesi ve bu çerçevede tekil veya birbiri ile bağlantılı müşterilerine açılacak kredi miktarına da sınırlama getirilmesi öngörülmektedir. Büyük tutarlı mevduat hesapları bulunan müşterilerin mevduatlarını aniden çekmeleri ise bankalar için yoğunlaşma riski ile birlikte likidite riski yaratacaktır (BIS, 2001, s.4).

Finansal kuruluşların aklama ile mücadelede yeterli düzeyde önleyici tedbir alamaması ayrıca bu kuruluşlar ile muhabirlik ilişkisine girmek isteyecek yabancı finans kurumları için de caydırıcı etki gösterecektir. FATF'in 13 no'lu tavsiyesi finansal kuruluşların bir başka ülkede mukim finansal kuruluş ile muhabirlik ilişkisine girerken karşı ülke bankasının aklama ile mücadelede yeterli düzeyde önleyici tedbirleri alıyor olmasını gözetmesini şart koşmaktadır. Bu durumda muhabirlik ilişkisine konu ticari işler ya yapılamayacak ya da daha yüksek maliyet ile icra edilebilecektir. FATF ayrıca 19 no'lu tavsiyesinde ülkelerin aklama ve terörün finansmanı ile mücadelede riskli ülkeleri belirlemeleri ve bu ülkelerde mukim müşteriler ile iş ilişkisine girildiğinde genişletilmiş müşterini tanı ilkesinin uygulanmasını istemektedir. Bu çerçevede riskli olarak görülen bir ülkede mukim finansal kuruluş ile muhabirlik ilişkisine girilmesi zorlaşacaktır.

FATF tarafından bir ülkenin aklama ve terörün finansmanı ile mücadelede işbirliğine yanaşmadığı veya uluslararası finansal sistemin işleyişi için stratejik eksiklikleri nedeniyle tehdit oluşturduğu saptaması yapıldığında, bu durumun listelenen ülke ekonomilerine olumsuz yansıması olmaktadır. Örneğin Liechtenstein'ın 2000 yılında FATF ve OECD tarafından listelenmesini müteakip bankaların net gelirleri 549 milyon İsviçre Frangı'ndan 251 milyona, yönetilen varlık tutarı 112 milyar İsviçre Frangı'ndan 96 milyara, hükümete ödenen vergiler 64 milyon İsviçre Frangı'ndan 27 milyona düşmüştür (Uluslararası Para Fonu [IMF], 2011,s. 80-81). 1977-2006 dönemi için 46 ülkeyi kapsayan bir araştırmada ise OECD veya FATF tarafından bir ülkenin listelenmesinin bankacılık faaliyet hacmi üzerinde anlamlı bir

Bankacılar Dergisi

51

etkisi olmadığı, buna karşın Liechtenstein, İngiliz Batı Adaları vb. offshore merkezleri ile Rusya, Mısır gibi ülkelerde olumsuz etki gösterdiği saptanmıştır (Kurdrle, 2009, s.41-44).

Bir ülkenin FATF tarafından listelenmesinin yanında, finansal kuruluşların da aklama ile mücadelede önleyici tedbirleri yeterli düzeyde almaması nedeniyle yaptırımlara maruz kalması bu kuruluşların maruz kalacakları yaptırımlar nedeniyle yasal risk artışına da neden olmaktadır. OECD (2014,s.24), Gelişmekte Olan Ülkelerden Sermaye Akımları: OECD Tepkilerinin Ölçülmesi çalışmasında son dönemde ABD'nin bankalara uyguladığı ve 2 milyar ABD Dolarını bulan yüksek yaptırım tutarlarından örnekler verilmektedir.

Aklamanın yaygın olduğu bir ekonomide finansal faaliyetin ekonomideki hacmi hızlı bir şekilde artış gösterirken, büyüme oranlarının bu derece artış göstermediği de görülmektedir. Asya ülkeleri için yapılan bir araştırmada 1990–2000 yılları arasında Tayland, Malezya ve Filipinler’de nominal GSYİH sırasıyla yüzde 124, yüzde 185 ve yüzde 206 artarken, nominal mevduat hesaplarının hacmi yüzde 237, yüzde 379 ve yüzde 504 oranında artış göstermiştir (Bartlett, 2002, s.21). Aradaki farkın yasadışı sermaye akımlarının varlığı ile açıklanması muhtemeldir. Bu tespit aklama ile finansal gelişim düzeyi arasındaki ilişkinin yönü konusunda da bir merak uyandırmaktadır, zira kredi ve mevduat genişlemesi finansal gelişim düzeyinin iyileşmesine bir gösterge olarak kabul edilmektedir.

3. Aklama ile Mücadelede Önleyici Tedbirlerin Finansal Gelişim Üzerindeki

Etkileri

3.1. Önleyici Tedbirler

Önleyici tedbirler, müşterinin tanınması ve işlemlerinin takibi, işlem kayıtlarının saklanması ve gerektiğinde ibrazı, şüpheli işlemlerin iletilmesine yönelik bir bildirim sistemi kurulmasını, ve finansal kuruluşların aklama ve terörün finansmanı ile mücadelede bir “uyum programı” oluşturmasını içermektedir. Kendisine önleyici tedbirlerin uygulanması noktasında yükümlülük tesis edilen kişi ve kuruluşların uluslararası standartlar çerçevesinde bu ödevleri yerine getirmesi beklenmektedir7. Bu beklentinin yerine getirilmesi yetkili birimleri tarafından denetime tabi tutulmakta, tespit edilen aykırılıklar için ise yaptırım uygulanmaktadır.

"Müşterini tanı" tedbirleri kapsamında yükümlüler, iş ilişkisine girmeden önce ve belli bir

limitin üzerindeki işlemleri yerine getirirken müşteri ve gerçek faydalanıcı kimlik bilgilerinin tespitini ve teyidini sağlamalı, işlemleri takip ederek müşterinin iş ve risk profilini çıkarmalı ve müşteriden, coğrafi bölgeden, sektörden ya da dağıtım kanalından kaynaklanan yüksek riskli durumlar için iş ilişkisini sonlandırmaya kadar varan ilave tedbirler almalıdır8.

Müşterinin tanınmasına yönelik temin edilen bilgiler ile müşteri işlemlerine yönelik

kayıtların belli bir süre saklanması ve yetkili otoritelere istendiğinde ibraz edilmesi aklama ile mücadelede büyük önem taşımaktadır. Muhafaza işlemleri müşteri bilgilerinin takibi açısından ilgili yükümlü grubu için de faydalı bir gereklilik olmanın yanı sıra, gerektiğinde adli birimlere ve mali istihbarat birimine ibraz etmek için de kayıtların tutulması önemlidir (Aykın, 2008, s.25). FATF standardı, iş ilişkisinin ya da arızi işlemin bitiminden itibaren bu kayıtların en az beş yıl süre ile saklaması gerektiğini belirtmektedir 9 . Yetkili makamların talebi halinde bilgi ibraz edilmesinin yanında, yükümlülerin finansal işlemlerin mali istihbarat birimlerine raporlanmasına yönelik bildirim sistemi kurmaları da bir önleyici tedbir unsurudur10. Söz konusu bilgilendirme genellikle şüpheli işlem bildirimi ve nakit işlem bildirimi şeklinde iki türlü olmaktadır. Bu bildirimlerin yanı sıra, uluslararası elektronik fon transferlerinin bildirimi de aklama ve terörün finansmanı ile mücadelede kullanılan bildirim türlerindendir (Karaal, 2009, s.13).

Finansal kuruluşlar için öngörülen bir diğer önleyici tedbir ise bir uyum programı

kapsamında aklama ve terörün finansmanı ile mücadelede kurum politika ve prosedürlerinin,


52

iç denetim ve risk yönetimi sistemlerinin kurulması, çalışanların eğitiminin planlanması ve bu uygulamaların yürütülmesinden sorumlu uyum görevlisinin atanmasıdır. Alınacak tedbirlerin türü ve kapsamı, yükümlünün aklama ve terörün finansmanı riskleri ile orantılı olmalıdır11. FATF (2012) 40 tavsiye standardında önleyici tedbirler D bölümü altında, 9 ila 23 no’lu tavsiyeler arasında düzenlenmektedir. Finansal kuruluşlar ile finansal olmayan belirli iş ve meslekler (FOBİM) için geliştirilen önleyici tedbirler standartları Tablo 3'te sunulmaktadır:

Tablo 3: Özet Olarak FATF Tavsiyelerinde Önleyici Tedbirler (Bölüm D)

Tavsiye Adı Tavsiyenin İçeriği

9: Finansal Kuruluş Gizlilik Yasaları

Finansal kuruluşlara ilişkin gizlilik yasaları FATF tavsiyelerinin uygulanmasına engel olmamalıdır.

10: Müşterini Tanı İlkesi

Finansal kuruluşlar iş ilişkisi tesis edilirken veya belli bir limitin üzerindeki işlemlerin ve elektronik transferlerin

(15.000 ABD Doları/Avro tutarındaki işlemler ile 1.000 ABD

Doları/Avro tutarındaki elektronik transferler) ifası sırasında, aklama veya terörün finansmanına yönelik bir şüpheye vakıf olunması halinde müşterini tanı tedbirlerini uygulamalıdır. Bu tedbirler müşterinin-gerçek faydalanıcının kimliğinin tespit-teyit edilmesi, iş ilişkisi amacı hakkında bilgi edinilmesi, müşterinin işlemlerinin izlenmesi şeklindedir.

11: Kayıt Tutma Finansal kuruluşların işlemlerine yönelik kayıtları, kimlik vb. belge örneklerini gerektiğinde ibraz etmek için, iş ilişkisinin ya da arızi işlemin bitiminden itibaren en az beş yıl süre ile saklamaları gereklidir.

12: Siyasi Nüfuz Sahibi Kişiler

Finansal kuruluşların, müşterilerinin ya da gerçek faydalanıcının siyasi nüfuz sahibi kişi olup olmadığının tespiti için uygun risk yönetimi sistemine sahip olması, siyasi nüfuz sahibi müşteri işlemlerinin sıkı bir şekilde izlenmesi, bu kişilerin fon ve malvarlığı kaynağının tespiti için tedbir alınması, iş ilişkisi tesisinin üst düzey yönetici onayına bağlanması

13: Muhabir Bankacılık

Finansal kuruluşlar, sınır ötesi muhabir bankacılık ilişkilerinde muhatap kuruluşun aklama ve terörün finansmanı ile mücadele yönünden itibarını araştırmalı, paravan bankalar ile veya hesaplarını paravan bankalara kullandıran kuruşlar ile muhabirlik ilişkisine girmemelidir.

14: Para ve Değer Transfer Sistemi

Para veya değer transferi hizmeti sağlayan gerçek veya tüzel kişiler ile bunların acentelerinin lisanslı veya kayıtlı olmaları ve tavsiyelerinin gerektirdiği tedbirlere uyum sağlamaları gerekmektedir.

15: Yeni Teknolojiler Ülkeler ve finansal kuruluşlar, ürünler ve dağıtım kanalları çerçevesinde gelişen teknolojinin kullanımı nedeniyle ortaya çıkabilecek aklama ve terörün finansmanı risklerini tespit etmeli, bu risklere karşı gerekli tedbirleri almalıdır.

16: Elektronik Transferler

Finansal kuruluşlar elektronik transfer mesajlarında göndericiye ve alıcıya ilişkin gerekli bilgileri almalı, bu bilgiler tüm transfer mesajlarında yer almalıdır.

17: Üçüncü Tarafa Güven

Finansal kuruluşlar, kimlik bilgilerinin teyidi ve iş ilişkisinin niteliği hakkında bilgi alınması konulu müşterini tanı tedbirlerinin yerine getirilmesinde, belli şartlar dahilinde üçüncü tarafın aldığı tedbirlere güvenerek işlem yapabilirler. Üçüncü taraf, müşterini tanı ve kayıt tutma tavsiyelerine uygun faaliyet göstermeli ve gerektiğinde derhal bu bilgileri temin etmelidir.

18: İç Kontrol ve Yurtdışı Şube, Bağlı Kuruluşlar

Finansal kuruluşların aklama - terörün finansmanı ile mücadele programları uygulaması temin edilmeli, finansal gruplar için grup genelinde program uygulanmalıdır. Bu programlar finansal grubun bütün şubelerine ve hisse çoğunluğuna sahip olduğu bağlı kuruluşlarına uygulanabilir olmalıdır.

19: Yüksek Riskli Ülkeler

Finansal kuruluşlar, FATF’in sıkı müşteri tanı tedbirleri uygulanmasını gerekli gördüğü ülke menşeli gerçek ve tüzel kişiler ve finansal kuruluşlar ile yürütülen işlemlerinde sıkı müşterini tanı tedbirleri uygulamaya zorunlu tutulmalıdır. Tedbirin türü etkili ve risklerle orantılı olmalıdır.

20: Şüpheli İşlem Bildirimi

Bir finansal kuruluşun, fonların bir suç faaliyetinden elde edilen gelir olduğundan ya da terörün finansmanı ile ilgili olduğundan şüphe duyduğu veya şüphelenmesi için makul sebepleri olduğunda, bu şüphelerini mali istihbarat birimine derhal bildirmesi kanunla zorunlu tutulmalıdır.

21: Bilgi Sızdırma ve Güvenlik

Finansal kuruluşlar, yöneticileri ve çalışanları mali istihbarat birimine şüpheli işlem bildirimi gönderdikleri için bilgi ifşası kısıtlamalarını ihlal ettikleri iddiasıyla cezai ve hukuki bir sorumluluğa tabi olmazlar.

22: Finansal Olmayan Belirli İş ve Meslekler (FOBİM) Müşterini Tanı

10, 11, 12, 15, ve 17. tavsiyelerde belirtilen müşterinin tanınması ve kayıt tutma yükümlülükleri FOBİM'lere de uygulanır. Kumarhaneler, emlakçılar, değerli maden, taş ticareti ile uğraşanlar, avukatlar, noterler, muhasebeciler, trust ve şirket hizmeti sağlayıcıları da önleyici tedbir yükümlülüklerine tabidir.

23: FOBİM'ler: Diğer Başta şüpheli işlem bildirimi olmak üzere 18 ila 21 no’lu tavsiyelerde belirtilen yükümlülükler belli koşullarda FOBİM'lere de uygulanmalıdır.

Bankacılar Dergisi

53

FATF, 2012 tavsiye revizyonu ile aklama ve terörün finansmanı ile mücadelede kural temelli yaklaşım yerini risk temelli yaklaşıma bırakmış ve bu husus yeni 1 no'lu tavsiye ile düzenlenmiştir. Bu tavsiyenin önemli bir unsuru, finansal kuruluşların ürün, pazar, dağıtım kanalı veya müşteriden kaynaklanabilecek aklama ve terörün finansmanı risklerini yönetmesi gereğine yapılan vurgudur. Ülke ve finansal kuruluş nezdinde başarılı bir risk yönetimi çalışması için öncelikle risklerin dinamik bir şekilde tespiti, derecelendirilmesi, azaltılması için önlem alınması ve sonuçların izlenmesi gerekecektir. Yükümlü grubu çalışanlarının eğitim ihtiyaçları da bu çerçevede doğru analiz edilmeli ve programa bağlanmalıdır.

Risk yönetimi sürecinin başarı ile tamamlanamaması halinde, ülkeler ve finansal

kuruluşlar nezdindeki aklama ve terörün finansmanı riskleri doğru olarak analiz edilemeyeceği için basitleştirilmiş ve sıkı müşterini tanı tedbirlerinin tanımlanmasında ve uygulanmasında etkinlik sağlanamayacaktır. Önleyici tedbirlerin başarı ile uygulanamaması ise ülke ve finansal kesim bazında aklama ve terörün finansmanı risklerini artıracaktır.

3.2. Finansal Gelişim ve Aklama İle Mücadele Dünya Bankası (2014:XVII) tarafından geliştirilen tanım çerçevesinde finansal gelişim,

bilgi elde etme, sözleşme ve işlem yapma maliyetini azaltma sürecine verilen isim olarak nitelendirilmektedir. Bu kavram finansal piyasaların etkili bir aracılık faaliyeti yapmasını kolaylaştıran politikaların, faktörlerin ve kurumların var olması şeklinde de tanımlanmaktadır. (Fitzgerald, 2006:1). Dolayısıyla finansal gelişim, finansal piyasaların büyümesini destekleyecek yasal ve kurumsal mekanizmaların olmasını gerektirmekte, yatırım mevzuatının saydamlığı ve yatırımcıların korunmasına yönelik hukuki düzenlemeler ile birlikte anlam kazanmaktadır (Khurana vd.,2006 s.789). Finansal gelişim, aktörlerin faaliyet gösterdiği piyasadaki düzenleme ve denetim kalitesi, mülkiyet haklarını ve sözleşme özgürlüğünü teminat altına alan hukuk devletinin varlığı, piyasanın rekabetçi düzeyi ve dışa açıklığı kavramları ile bir bütün olarak değerlendirilmelidir (Buscemi ve Yallwe, 2011, s.9).

Finansal gelişimin en önemli faydaları maliyet tasarrufu sağlanması ve finansal işlem

sayısının ve çeşitliliğinin artmasıdır. Finansal aracılık faaliyetinin düşük maliyetle ve kapsayıcı şekilde yapılabilmesi piyasaların istikrarına ve ekonomik büyümeye olumlu yönde katkı sağlayacaktır. Finansal gelişim seviyesi ülkenin gelecekteki büyüme, sermaye birikimi ve teknolojik gelişim seviyesi hakkında da iyi bir gösterge olmaktadır (Levine, 1997,s.689).

Dünya Bankası, 1999 yılından bu yana finansal gelişimin göstergesi olarak

değerlendirilebilecek 100'den veri konusu tespit etmiş ve bu alanda bir endeks oluşturma çalışmasına başlamıştır (Beck vd, 2009, s.2). Bu bağlamda finansal gelişimin unsuru olarak değerlendirilebilecek (i) finansal derinlik, (ii) finansal hizmetlere erişim, (iii) finansal aracılıkta etkinlik, (iv) finansal istikrar konularına temas eden çeşitli istatistiki veriler yayımlanmaktadır. Söz konusu çalışmada finansal derinliğin göstergesi olarak mevduat ve kredi hesaplarının büyüklüğü vb., finansal hizmetlere erişim (finansal tabana yayılma) konusunda 1.000 kişi başına banka hesabı, 100.000 kişi başına şube sayısı sayıları, bankalardan kredi kullanan firma sayıları vb., aracılıkta etkinlik ile ilgili olarak borsa kapitalizasyonu, banka karlılığı vb., piyasa istikrarı konusunda yoğunlaşma oranı, faiz oranları, borsa volatilitesi vb. istatistikler kullanılmaktadır.

Finansal gelişimin en önemli göstergelerinden birisi de geniş para arzının GSYİH'ye

oranıdır. Çok sayıda ülke için analiz ve kıyaslama yapmak gerektiğinde, en önemli göstergenin ülkelerin M2/GSYİH rasyoları olduğu kabul edilmektedir (Yepes, 2011, s.18). M2 para arzı, dolaşımdaki para, ulusal ve yabancı para birimleri nezdinde vadesiz ve vadeli mevduat tutarlarını göstermekte olup, geniş para arzı diye de isimlendirilmektedir. Bu değerinin GSYİH'ye bölünmesi ile elde edilecek rasyo verisi finansal sistemin gelişmişliği ve derinliği hakkında yorum yapabilmemize imkân vermektedir.


54

Finansal gelişimin göstergelerinin yanı sıra, finansal gelişim düzeyini etkileyen faktörlerin neler olduğu da çeşitli çalışmalara konu olmuştur. Levine (1997, s. 707), Stulz ve Williamson (2003,s.325), Shen ve Lee (2006) vb. çalışmalarda, başlangıç GSYİH düzeyi, demokrasi ve yolsuzluk düzeyi, büyüme, nüfus değişkenleri, eğitim düzeyi, dil, din vb. sosyo-kültürel değişkenlerin de finansal gelişim düzeyi üzerinde açıklayıcı etkisi olduğu saptanmıştır.

Aklama ile mücadelenin finansal gelişim düzeyi üzerindeki etkisi ise çok boyutlu

değerlendirilmesi gereken bir konu olarak karşımıza çıkmaktadır. Özellikle önleyici tedbirlerin benimsenmesi ve uygulanması sonucunda, ülkedeki düzenleme kalitesini iyileşeceği ve finansal sistemin aklama için suiistimal edilmesini zorlaşacağı açıktır. Bu sayede finansal istikrar ve dolayısıyla finansal gelişim düzeyi iyileşecektir. Bununla beraber, özellikle "müşterini tanı" ilkesi çerçevesindeki önleyici tedbir düzenlemelerinin finansal tabana yayılma üzerinde bozucu etki göstereceğini ve finansal dışlama (financial exclusion) riskini artıracağını savunan görüşler de bulunmaktadır (FATF, 2013b, s.5; AFI, 2015).

Müşteri kimlik bilgilerinin tespitinin ve teyidinin yapılamadığı bölgelerde müşteriler

finansal sistemden tamamen dışlanmaktadır. Ayrıca müşteriden, coğrafi konumdan, ürünlerden ve dağıtım kanallarından kaynaklanan aklama (ve terörün finansmanı) risklerine karşı yeterli düzeyde risk analizi ve rehberlik çalışması bulunmayan ülkelerde, risk düzeyine göre değişen basitleştirilmiş ve genişletilmiş müşterini tanı tedbirlerinin tanımlanması ve uygulanması mümkün olmamaktadır. Bu durumda finansal kuruluşlar da itibar riskine karşı yüksek riskli olarak değerlendirdikleri müşteri grupları ile hiç iş ilişkisine girmeme ya da mevcut iş ilişkisini sonlandırma eğiliminde olabilmektedir.

Müşterilerinin kimlik tespiti ve teyidinin yapılması noktasında sorun yaşanan bir

bölgede finansal kuruluşların finansal işlemlere aracılık edememesi ise ironik bir şekilde kayıtdışı bankacılığın ve alternatif para transferi sistemlerinin gelişmesine hizmet etmektedir. Çalışmanın sık kullanılan aklama yöntemleri bölümünde irdelendiği üzere, para transferinde havala yönteminin (Latin Amerika bölgesinde kara borsada pezo değişimi yöntemi), yeni ödeme sistemlerinin ve sanal paranın kullanımının artması aklama ile mücadelede problemli alanlar olarak görülmektedir. Finansal gelişim ve aklama ilişkisi üzerine çalışan Buscemi ve Yallwe (2011), bu konuda ilişkisinde ülkelerin başlangıç koşullarının yönlendirici olduğunu belirlemişlerdir. Buna göre, finansal gelişim düzeyi yüksek veya çok düşük olan ülkelerde aklamanın finansal gelişim düzeyine bir etkisinin olmadığı, diğer gelişmekte olan ülkeler için ise aklamanın finansal gelişim üzerinde olumlu anlamda tetikleyici unsur olabildiği saptanmıştır. 12 Aslında bu sonuç aklamanın kısa vadede ekonomik büyüme artışı sağlayacağı yönünde sonuca ulaşan Stancu ve Rece (2009) ile de tutarlı görülmektedir. Buna karşın aklamanın yatırımcının güvenini zedelemesi ile uzun vadeli etkilerinin olumsuza döneceğini tahmin etmek güç değildir. Söz konusu teorik tartışma çerçevesinde bir sonraki alt bölümde aklama ile mücadelede önleyici tedbirlerin finansal gelişim üzerine olan etkisi irdelenecektir.

3.3. Aklama İle Mücadelede Önleyici Tedbirlerin Finansal Gelişim Düzeyi

Üzerindeki Etkileri Konulu Ampirik Çalışma

3.3.1. Veri ve Yöntem Önceki bölümde sunduğumuz teorik tartışma çerçevesinde kurduğumuz ampirik

modelimizde önleyici tedbirlerin finansal gelişim üzerinde etkisinin yönünün ve boyutunun hesaplanması amaçlanmaktadır. Önleyici tedbirler değişkeni için IMF (2011) Aklama ve Terörizmin Finansmanı İle Mücadele Programının Etkinliğinin Gözlenmesi Raporu kapsamında sayısallaştırılan ülke başarı puanları kullanılmıştır. IMF (2011) çalışmasında yayımlanan "finansal sektör için önleyici tedbir" puanları önleyici tedbir değişkeni için esas

Bankacılar Dergisi

55

alınmıştır. Söz konusu veriler FATF üçüncü tur karşılıklı değerlendirme raporlarının yazım dönemi olan 2004-2011 için sabit kabul edilmektedir. Çalışmada yöntem olarak ise yatay kesit veri analizi kapsamında sıradan en küçük kareler (Ordinary Least Squares- OLS) yöntemi ile regresyon denklemlerinin kurulması benimsenmiştir. Önleyici tedbirler verilerine yönelik bir zaman serisi şeklinde elde edilen gözlem değeri bulunmaması bu yöntemin tercih edilmesinde etkili olmuştur. Çalışmada kullanılan "finansal gelişim "değeri için Yepes (2011) çalışmasında olduğu üzere ülkelerin M2/GSYİH oranının esas alınması benimsenmiştir. Bu rasyo, Dünya Bankası Dünya Kalkınma Göstergeleri (World Development Indicators -WDI) endeksinden alınmıştır. Diğer açıklayıcı değişkenlerden "hukukun üstünlüğü" için Siyasi Risk Hizmetleri, Uluslararası Ülke Risk Rehberi (Political Risk Services Group -PRS- International Country Risk Guide - ICRG) endeks değerleri kullanılmıştır. Kişi başına GSYİH, ticari açıklık göstergesi olan ticaret (ihracat ve ithalat) / GSYİH, net doğrudan yabancı yatırım (DYY) girişleri/GSYİH rasyoları, nüfus ve suç oranı verileri Dünya Bankası World Development Indicators (WDI) verilerinden elde edilmiştir. Suç oranı için 100.000 nüfus başına cinayet sayısı istatistikleri esas alınmıştır.

Önleyici tedbirler ile suç oranları dışındaki açıklayıcı değişkenler ve bağımlı değişken

için 2004-2011 dönemi gözlem ortalaması hesaplanmıştır. Değişkenler ile ilgili gözlem eksikliği olması halinde, 2004-2011 döneminde mevcut olan gözlemlerin ortalamaları esas alınmıştır. Suç oranı açıklayıcı değişkeni için ise 2012 ya da son gözlem verisi kullanılmıştır. Çalışmada yüzdesel bazda yorum yapılabilmesini teminen tüm değişkenlerin doğal logaritması alınmış ve çift yönlü logaritmik model doğrultusunda analiz yapılmıştır. Bu modelde tahmini yapılan katsayılar doğrudan açıklayıcı değişken ile bağımlı değişken arasındaki esnekliği ifade etmektedir. Kullanılan değişkenlere ilişkin açıklamalar tablo 4'te, çalışma kapsamında gözlem değerleri kullanılan 112 ülkeye ilişkin bilgiler tablo 5'te, kullanılan değişkenlere ilişkin istatistiki bilgiler tablo 6'da, değişkenlerin korelasyon bilgileri ise tablo 7'de sunulmaktadır.

Tablo 4: Modelde Kullanılan Değişkenler Tablosu

Değişken Açıklama Kaynak Dönem

LnÖnl Finansal kuruluşların önleyici tedbirlere uyum düzeyinin doğal logaritması

IMF 2004-2011

LnSuç 100.000 kişi başına cinayet oranı istatistiği UNODC -Dünya Bankası (WDI)

2012 veya son gözlem

LnHuk Hukukun üstünlüğü endeks değeri doğal logaritması PRS-ICRG 2004-2011

LnGelir Kişi başına GSYİH doğal logaritması WDI 2004-2011

LnFin Finansal gelişim göstergesi olarak M2 para arzının GSYİH'ye oranı doğal logaritması (Bağımlı Değişken)

WDI 2004-2011

LnTic İhracat ve ithalat hacmi toplamının GSYİH'ye oranı doğal logaritması

WDI 2004-2011

LnDyy Net DYY girişinin GSYİH'ye oranı doğal logaritması WDI 2004-2011

LnNüf Nüfus göstergeleri verisi doğal logaritması WDI 2004-2011

FATF FATF üyesi ülke kukla değişkeni (1:üye, 0:değil) FATF -

Not i: Risk değişkenleri için yüksek değer daha olumlu durumu yansıtmaktadır. ii: Suç oranı dışındaki değişkenler için 2004-2011 ortalaması alınmıştır. Önleyici tedbir değişkeni için de 2004-2011 döneminde hazırlanan ülke raporları sonuçlarına göre hesaplanan IMF verileri kullanılmıştır.


56

Tablo 5: Örneklem Grubuna Dahil Edilen Ülkeler

Almanya, Amerika Birleşik Devletleri, Arjantin, Arnavutluk, Avustralya, Avusturya, Azerbaycan, Bahama Adaları, Bahreyn, Bangladeş, Belçika, Beyaz Rusya, Birleşik Arap Emirlikleri, Birleşik Krallık, Bolivya, Botsvana, Brezilya, Brunei, Bulgaristan, Burkina Faso, Çek Cumhuriyeti, Çin Halk Cumhuriyeti, Danimarka, Dominik Cumhuriyeti, Ekvador, El Salvador, Endonezya, Ermenistan, Estonya, Fas, Filipinler, Finlandiya, Fransa, Gambiya, Gana, Guatemala, Güney Afrika, Güney Kore, Haiti, Hırvatistan, Hindistan, Hollanda, Honduras, Hong Kong, İrlanda, İspanya, İsrail, İsveç, İsviçre, İtalya, İzlanda, Jamaika, Japonya, Kanada, Katar, Kıbrıs Rum Kesimi, Kolombiya, Kosta Rika, Letonya, Litvanya, Lübnan, Lüksemburg, Macaristan, Malavi, Malezya, Mali, Malta, Meksika, Mısır, Moğolistan, Moldova, Myanmar, Namibya, Nijer, Nijerya, Nikaragua, Norveç, Pakistan, Panama, Paraguay, Peru, Polonya, Portekiz, Romanya, Rusya, Senegal, Sırbistan, Sierra Leone, Singapur, Slovakya, Slovenya, Sri Lanka, Sudan, Surinam, Suriye, Suudi Arabistan, Şili, Tanzanya, Tayland, Trinidad ve Tobago, Tunus, Türkiye, Uganda, Ukrayna, Uruguay, Ürdün, Venezuela, Vietnam, Yemen, Yeni Zelanda, Yunanistan ve Zambiya.

Tablo 6: Kullanılan Değişkenlere İlişkin İstatistikler

# Gözlem Mean Medyan Maksimum Minimum Std. Hata

LnÖnl 112 2.048 2.197 2.872 0.513 0.553

LnSuç 112 1.252 1.030 4.504 -1.610 1.293

LnHuk 112 1.312 1.387 1.792 0.405 0.357

LNGelir 112 8.767 8.785 11.484 5.658 1.508

LnFin 112 4.108 4.064 6.399 1.053 0.739

LnTic 112 4.353 4.346 6.0096 -1.175 0.720

LnDyy 112 1.336 1.432 3.354 -1.600 0.883

LnNüf 112 16.32 16.165 21.002 12.643 1.646

Tablo 7: Korelasyon Tablosu

LnÖnl LnSuç LnHuk LnGelir LnFin LnTic LnDyy LnNüf

LnÖnl 1.00 -0.33 0.29 0.53 0.48 0.18 0.25 0.03

LnSuç -0.33 1.00 -0.72 -0.52 -0.53 -0.26 -0.11 0.03

LnHuk 0.29 -0.72 1.00 0.61 0.53 0.23 0.22 -0.19

LnGelir 0.53 -0.52 0.61 1.00 0.66 0.31 0.11 -0.26

LnFin 0.48 -0.53 0.53 0.66 1.00 0.52 0.19 -0.07

LnTic 0.18 -0.26 0.23 0.31 0.52 1.00 0.49 -0.43

LnDyy 0.25 -0.11 0.22 0.11 0.19 0.49 1.00 -0.44

LnNüf 0.03 0.03 -0.19 -0.26 -0.07 -0.43 -0.44 1.00

Çalışmada sahte regresyon riskine karşı aralarında yüksek korelasyon bulunan

değişkenlere farklı denklemlerde yer verilmesi benimsenmiştir. Doğrusal regresyon modeli varsayımlarından sapma olup olmadığı da ayrı ayrı testler ile incelenmiştir. Açıklayıcı değişkenler arasında çoklu doğrusallık sorunu olup olmadığı Varyans Şişirme Çarpanı yöntemi ile, modellerin otokorelasyon ve değişen varyans sorunu taşıyıp taşımadığı sırasıyla Breusch Godfrey – Lagrange Multiplier (BGLM) ve Breusch Pagan Godfrey (BPG) testleri ile, model spesifikasyon uzunluğunun doğruluğu Ramsey Reset (RR) testi ile hata terimlerinin normal dağılımı ise Jarque Bera (JB) testleri ile sınanmıştır.

Bankacılar Dergisi

57

3.3.2. Önleyici Tedbirlerin Finansal Gelişim Düzeyi Üzerine Etkisi Önleyici tedbirlerin finansal gelişim düzeyi üzerindeki etkileri beş ayrı denklem

çerçevesinde analiz edilmiş ve tablo 8’de sunulmuştur. Bu amaçla, sonuçları tablo 8’de

ayrıntı olarak sunulan 5 adet denklem kurulmuştur:

LnFini = ci + β1lnÖnli + β2lnHuki + β3lnGeliri + β4lnTici +ui (1) LnFini = ci + β1lnÖnli + β2lnHuki + β3lnGeliri + β4lnTici + β5lnDyyi + ui (2) nFini = ci + β1lnÖnli + β2lnHuki + β3lnGeliri + β4lnTici + β5lnNüfi + ui (3) LnFini = ci + β1lnÖnli + β2lnGeliri + β3lnTici + β4lnNüfi + β5lnSuçi +ui (4) LnFini = ci + β1lnÖnli + β2lnGeliri + β3lnTici + β4lnNüfi + β5lnSuçi + FATFi+ ui (5)

Birinci denklemimizde finansal gelişim üzerinde etki gösteren diğer kontrol değişkenleri

olarak önleyici tedbirler, hukukun üstünlüğü, kişi başına gelir, ticari açıklık (ihracat ve ithalat toplamının GSYİH’ye oranı) değişkenleri kullanılarak çıkarımlar yapılmıştır. Bu denklemden, önleyici tedbirlerin etkili uygulanmasının finansal gelişim üzerinde pozitif olarak ve yüzde5 anlamlılık düzeyinde güçlü sayılabilecek bir etki gösterdiği sonucuna ulaşılmıştır. Buna göre önleyici tedbirlerin uygulanmasındaki yüzde 1 iyileşme finansal gelişim düzeyini yüzde 0.25 oranında iyileştirmektedir.

Hukukun üstünlüğü değişkeninin de yine yüzde 5 anlamlılık düzeyinde finansal gelişim

üzerinde iyileştirici etkisi söz konusudur. Bununla birlikte beklendiği üzere ekonomik değişkenlerdeki iyileşmenin finansal gelişim üzerindeki etkileri daha anlamlıdır. Kişi başına GSYİH ve ticari açıklık değişkenlerinin finansal gelişim düzeyi üzerinde istatistiki olarak yüzde1 anlamlılık düzeyinde etkisi bulunmaktadır. Katsayı değeri itibariyle ticari açıklığın kişi başına GSYİH’ye kıyasla iki katı olumlu etkisinin olduğu görülmektedir.

İkinci denklemimiz, birinci denkleme yabancı DYY girişinin GSYİH’ye oranı

değişkeninin eklenmesi ile oluşturulmuştur. Bu sayede DYY girişinin finansal gelişim üzerindeki etkisinin analiz edilmesi amaçlanmıştır. Denklem sonuçları çerçevesinde bağımlı değişken ile normalde pozitif bir korelasyonu bulunan DYY değişkeninin, önleyici tedbirler, hukukun üstünlüğü, ticaret ve GSYİH artışı değerleri kontrol edildiğinde finansal gelişim düzeyi üzerinde yüzde 10 anlamlılık düzeyinde olumsuz etkiye sahip olduğu görülmektedir.

Bir çoğu özellikle sabit sermaye stokunu iyileştirici etki gösteren doğrudan yatırımların

açıklayıcıları arasında bulunan bu kontrol değişkenlerinin finansal gelişim düzeyi üzerinde çok güçlü ve olumlu bir etkisi olduğu değerlendirildiğinde, ortaya çıkan bu sonucun sabit sermaye stokunu artırıcı etkisi olmayan, birleşme ve devralma şeklinde görülen "brownfield" yatırımların da toplam DYY içinde önemli bir payının olması ile açıklanması mümkündür. Nitekim BM Ticaret ve Yatırım Konferansı UNCTAD (2014) tarafından yayımlanan 2014 Dünya Yatırım Raporu çerçevesinde, küresel düzeyde yıllık hacmi 1.45 trilyon ABD Doları tutarına ulaşan DYY'nin yaklaşık yüzde 35'inin brownfield karakterli olduğu görülmektedir. Bu sonucun bir diğer olası açıklaması da, Perez vd. (2012), Baker (2005), FATF(2006b, 2011), Willobois (2011) çalışmaları çerçevesinde doğrudan yatırımlar ile şirket varlıklarının kullanılmasının bir aklama yöntemi olarak kullanılmış olabileceği ve bu durumun finansal gelişimi olumsuz etkileyebileceğidir.

Üçüncü denklemimizde, birinci denkleme nüfus değişkeni eklenerek çıkarımlar

yapılmıştır. Sonuçlar çerçevesinde önleyici tedbirlerin finansal gelişim üzerindeki etkisinin anlamlılık düzeyi yüzde 10 seviyesine gerilese de, diğer kontrol değişkenlerinin açıklayıcılık düzeyi ve etki yönünde bir değişiklik olmamıştır. Nüfus artışının ise finansal gelişim üzerinde güçlü bir etkisinin olduğu görülmektedir. Gelir değişkeninin yanında nüfus değişkeninin de finansal gelişim üzerinde anlamlı bir etkiye sahip olması, bizi ülke ekonomisindeki büyümenin finansal gelişimi artırdığı sonucuna götürmektedir.


58

Dördüncü denklemde ise suç oranlarındaki değişimin finansal gelişim düzeyi üzerindeki etkisi analiz edilmiştir. Aralarındaki yüksek korelasyon nedeniyle denklemde hukukun üstünlüğü değişkeni yerine kullanılan suç oranlarının finansal gelişim üzerinde negatif yönde anlamlı etkisinin olduğu görülmektedir. Bu çerçevede suçla mücadelenin finansal gelişim üzerinde olumlu etki gösterdiği değerlendirilmektedir.

Bir sonraki denklemimizde ise FATF üyesi olmanın finansal gelişim üzerinde fark

yaratıcı etkisinin olup olmadığı analiz edilmiştir. Buna göre dördüncü denkleme eklenen FATF kukla değişkeni yüzde1 anlamlılık seviyesinde anlamlı etki göstermektedir. Dolayısıyla FATF üyesi olmak, önleyici tedbirler, kişi başına GSYİH artışı, ticari açıklık, nüfus ve suç oranı kontrol değişkenleri ile kullanıldığında dahi finansal gelişim üzerinde fark yaratıcı etkisi görülmekte ve finansal gelişimi iyileştirmektedir13. Bu denklemde nüfus değişkeninin etkisinin marjinal olarak anlamsız seviyeye gerilediği görülmektedir.

Çalışmamızda elde edilen sonuçlar çerçevesinde, önleyici tedbirlerin etkili bir şekilde

uygulanmasının bir finansal gelişim unsuru olan finansal tabana yayılma üzerinde de uzun dönemde olumlu etki göstereceği değerlendirilmektedir. 2004-2011 dönemi ortalama değerleri hesaplanan değişkenler çerçevesinde yaptığımız analizlerde, dördüncü denklem dışındaki tüm modellerde önleyici tedbirlerin finansal gelişim düzeyi üzerinde anlamlı ve olumlu bir etkisi olduğu saptanmıştır. Finansal gelişimi temsilen kullanılan M2 para arzı tanımının dolaşımdaki paranın yanında ulusal ve yabancı para birimleri nezdinde vadesiz ve vadeli mevduat tutarlarını kapsadığı düşünüldüğünde, finansal derinliğin yanı sıra, finansal tabana yayılmanın da önleyici tedbirler ile birlikte gelişim gösterdiği yorumunu yapmak mümkündür. Elde edilen bulgular, aklamanın kısa vadede bazı ülkelerde mevduat hesap hacmini ve dolayısıyla finansal gelişimi geliştireceğine yönelik sonuçlara ulaşılan Bartlett (2002), Buscemi ve Yallwe (2011) çalışmalarını desteklememektedir.

Tablo 8: Model Bazında OLS Regresyon Denklemi Sonuçları

Bağımlı Değişken: LnFin 1 2 3 4 5

Sabit Terim 0.12 -0.03 -2.22*** -1.41* -0.15

LnÖnl 0.25** 0.30*** 0.16* 0.15 0.17*

LnHuk 0.39** 0.46*** 0.01**

LnGelir 0.17*** 0.14*** 0.20*** 0.22*** 0.13**

LnTic 0.34*** 0.42*** 0.44*** 0.42*** 0.44***

LnDyy -0.12*

LnNüf 0.11*** 0.10*** 0.05

LnSuç -0.10*** -0.08*

FATF 0.39***

Betimsel İstatistikler

R Kare 0.59 0.60 0.63 0.63 0.65

DW İst. 2.33 2.39 2.23 2.22 2.13

BGLM Testi F İst. ve Prob. Değeri 2.39 0.10 2.72 0.07 1.81 0.17 1.84 0.16 1.18 0.31

BPG Testi F İst. ve Prob. Değeri 1.24 0.30 1.35 0.24 1.01 0.41 1.75 0.13 1.07 0.39

JB Testi ve Prob. Değeri 1.96 0.37 2.83 0.24 3.14 0.21 1.49 0.48 4.38 0.11

RR F İst. ve Prob. Değeri 0.33 0.57 0.19 0.67 0.05 0.82 0.00 0.99 0.03 0.87

Not: * : % 10 anlamlılık seviyesi, ** : % 5 anlamlılık seviyesi, ***: % 1 anlamlılık seviyesi

Bankacılar Dergisi

59

Sonuç Sınır aşan bir özellik gösteren ve boyutlarının Dünya GSYİH’sinin yüzde 5’ine kadar

çıktığına yönelik tahminler yürütülen suç ekonomisi ile mücadelenin en önemli unsuru suçluların suçtan elde edilen gelirlerden mahrum bırakılmasıdır. Söz konusu suç gelirini kullanabilmek amacıyla öncelikle bu geliri yasal bir kaynaktan elde ediyor izlenimi yaratması gereken suçluların başvurduğu yöntemler çeşitlilik göstermektedir. Aklama suçu yöntemlerine ilişkin incelenen literatür çerçevesinde, günümüzde banka mevduat hesaplarından çok finansal aracılık ürünlerinin kullanıldığı; ticaret ve yatırım temelli aklama yöntemlerine de özellikle suç gelirinin sınır ötesi hareketinde sık başvurulduğu anlaşılmaktadır. Suçluların tespiti ve suçtan elde ettikleri geliri kullanmalarının engellenmesi noktasında ise karşımıza FATF tarafından standardize edilen önleyici tedbir uygulamaları çıkmaktadır. Önleyici tedbir uygulamaları sayesinde aklamanın ekonomi üzerindeki olumsuz etkileri de azaltılmaktadır.

Bir ekonomide suç gelirinin ve aklama faaliyetinin yaygınlaşması ilk olarak ekonomide

paranın dolaşım hızı ve para talebi üzerinde istikrarsızlık yaratmakta ve bu çerçevede merkez bankalarına etkili bir para politikası uygulama ortamı bırakmamaktadır. Bu durumun dolaylı etkisi olarak döviz kurunun ve faiz oranlarının seyri hakkında belirsizlik doğmakta ve finansal sektörün risk algısı artmaktadır. Özellikle sermaye ihtiyacı olan gelişmekte olan ülkelerin bu amaçla yatırım mevzuatını kuralsızlaştırmaları kısa vadede finansal sektörün aktif büyüklüğü ve büyüme üzerinde olumlu etki gösterse de, sektörün aklama amacıyla suiistimal edilmesi uzun vadede kaos ortamı yaratmaktadır. Böylesi bir ortamda maliye politikasının da etkili uygulanamayacağı açıktır.

Aklamanın finansal sektör üzerindeki etkileri konusunda bir değerlendirme

yapıldığında, örneğin bir bankanın aklama için suiistimal edilmesinin bu banka için itibar riski, operasyonel risk, yoğunlaşma riski ve yasal risk faktörlerini beraberinde getireceği görülmektedir. Bunun yanında örneğin verilen bir kredinin geri ödenmemesi ya da mevduat hesaplarının aklayıcılar tarafından bir anda geri çekilmesi bankalar için kredi ve likidite riski de yaratmaktadır. Tüm bu risklerle mücadele edilmesi için önleyici tedbirlerin etkili bir şekilde uygulanması bir gereksinim olarak görülmekte, bu çerçevede riskli görülen müşteriler ile iş ilişkisine girilmesinin ve bu ilişkinin sürdürülmesinin kurallara tabi olması benimsenmektedir. Önleyici tedbirlerin etkili bir şekilde uygulanması sektörün bütününde istikrarı artıracak ve finansal gelişim üzerinde de olumlu etki gösterecektir.

Düşünsel temelini yukarıda ışık tuttuğumuz ampirik ve teorik literatürden alan

çalışmamızda, aklama ile mücadelede önleyici tedbirlerin suç oranları ve finansal gelişim üzerindeki etkileri analiz edilmiştir. Önleyici tedbirler ve finansal gelişim düzeyi ilişkisinin analizine yönelik denklem sonuçları, söz konusu tedbirlerin aynı zamanda finansal gelişim düzeyini de iyileştirici etki gösterdiğini ortaya koymaktadır. Finansal gelişimin bir unsurunun da finansal tabana yayılma olduğu ve bu değişken için temsili olarak kullanılan M2/GSYİH değerinin vadesiz ve vadeli mevduat hacmini de kapsadığı düşünüldüğünde, elde edilen sonucun önleyici tedbirlerin finansal tabana yayılma üzerinde de olumlu etki gösterdiği şeklinde yorumlanması mümkündür.

Model sonuçları çerçevesinde önleyici tedbirlerin yanında çeşitli denklemlerde kontrol

değişkeni olarak kullanılan hukukun üstünlüğü, kişi başına GSYİH, ticari açıklık, nüfus değişkenlerinin tamamının finansal gelişim düzeyi üzerinde olumlu etkisi saptanmıştır. Hukukun üstünlüğü yerine suç oranları değişkeni kullanıldığında ise, bu sefer suç oranı artışının finansal gelişimi azaltıcı etkisi görülmektedir. Önleyici tedbirler, hukukun üstünlüğü, kişi başına GSYİH ve ticari açıklık değişkenleri ile kontrol edildiğinde, salt doğrudan yatırımların finansal gelişimi iyileştirici bir etkisi saptanamamıştır.


60

Çalışmada bir ülkenin FATF üyesi olmasının finansal gelişim üzerinde fark yaratıcı bir etkisinin olup olmadığı de irdelenmiştir. Elde edilen sonuç FATF üyeliğinin finansal gelişim üzerinde olumlu etkiye sahip olduğu yönündedir. Bu çerçevede FATF tarafından geliştirilen aklama ve terörün finansmanı ile mücadele standartlarının etkili uygulanmasının yatırım için gerekli güven ortamının sağlanmasına katkı sağlayacağı ve bu doğrultuda finansal sektörün aktif büyüklüğünün de yükseleceği görülmektedir.

Son olarak, FATF'in 2012 yılındaki tavsiye revizyonu ile aklama ve terörün finansmanı

ile mücadelede risk temelli bir yaklaşımı benimsediği dikkate alındığında, ülkelerin öncelikle ulusal risk değerlendirmesi çalışmalarını tamamlayarak, riskli görülen alanlardaki eksikliklerin giderilmesi yönünde politika geliştirmeleri önem arz etmektedir. Ulusal risk değerlendirmesi tespitlerinin ışığında finansal kuruluşlar da kendi maruz kaldıkları riskleri düzenli periyotlarda tespit ve takip etmeli, bu riskleri yönetmek adına kurum programlarını güncellemelidirler. Önleyici tedbirlerin başarı ile uygulanması, aklama (ve terörün finansmanı) risklerinin doğru tespit edilmesi ve yönetilmesi ile doğru orantılı olacaktır. Çalışmamızda elde edilen bulgular çerçevesinde bu sürecin finansal gelişim düzeyi üzerinde de iyileştirici etkisi olacağı görülmekte, bu durum yapılacak çalışmaların önemi bir kez daha ortaya çıkarmaktadır.

Kaynakça

AFI (2015). “SSBs Recognizing Need to Balance Financial Integrity Against Financial Inclusion” Press Release of The Alliance for Financial Inclusion (AFI), 22 Şubat 2015 tarihinde http://www.afi-global.org/news/2015/1/30/ssbs-recognizing-need-balance-financial-integrity-against-financial-inclusion adresinden erişildi).

Agrawal, J.D., Agrawal, Aman. (2006). Money Laundering: New Forms of Crime, Victimization (Current Trends and Modus Operandi), Presentation at the National Workshop on New Forms of Crime Crime, Victimization, with Reference to Money Laundering. Indian Society of Victimology, Department of Criminology, University of Madras, India.

Alldridge, P. (2008). Money Laundering and Globalization, Journal of Law and Society 35 (4).

Altintaş, M.A. (2006), Bankacılıkta Risk Yönetimi ve Sermaye Yeterliliği (5411 Sayılı Bankacılık Kanunu, Basel-I ve Basel -II Düzenlemeleri Çerçevesinde), Ankara: Turhan.

Ardizzi, G.., Petraglia, C., Piacenza, M., Schneider, F. ve Turati, G (2014). Money Laundering as a Crime in the Financial Sector: A New Approach to Quantitative Assessment with an Application to Italy, Journal of Money, Credit and Banking, 46 (8).

Argentiero, A., Bagella, M. ve Busato, F. (2008). Money Laundering in a Two Sector Model: Using Theory for Measurement, Centre for Economic and International Studies (CEIS) Tor Vergata, Research Paper Series, 6 (8),128.

Aykın, H. (2008). "Aklama ile Mücadele Sisteminde Önleyici Tedbirler", AYDIN, S (Yay. Haz.) Karapara Aklama ve Terörizmin Finansmanı içinde (ss.3-54), Ankara: Adalet

Baker, W. R. (2005). Capitalism's Achilles Heel, Dirty Money and How To Renew the Free Market System, Wiley, John Wiley and Sons, Inc. New Jersey.

Bank for International Settlements (1998). “Prevention of Criminal Use of The Banking System For The Purpose Of Money-Laundering”, Basel Committee on Banking Supervision, 12 Temmuz 2012 tarihinde http://www.bis.org/publ/bcbsc137.pdf?noframes=1 adresinden erişildi.

Bank for International Settlements (2001). “Customer Due Diligence for Banks: Final Document”, 12 Temmuz 2012 tarihinde http://www.bis.org/publ/bcbs85.htm adresinden erişildi.

Bank for International Settlements (2012). “Core Principles for Effective Banking Supervision”, 10 Aralık 2012 tarihinde http://www.bis.org/publ/bcbs230.pdf adresinden erişildi.

http://www.afi-global.org/news/2015/1/30/ssbs-recognizing-need-balance-financial-integrity-against-financial-inclusion



http://www.bis.org/publ/bcbsc137.pdf?noframes=1

http://www.bis.org/publ/bcbs85.htm

http://www.bis.org/publ/bcbs230.pdf

Bankacılar Dergisi

61

Bartlett, B. L. (2002). The Negative Effects of Money Laundering on Economic Development, Economic Research Report for The Asian Development Bank, Regional Technical Assistance Project No 5967 on Countering Money Laundering in The Asian and Pacific Region, May.

Beck, T., Demirgüç Kunt, A. ve Levine, R. (2009). Financial Institutions and Markets Across Countries and Over Time, Data and Analysis, World Bank Policy Research Working Paper 4943.

Bureau for International Narcotics and Law Enforcement Affairs (2003). Money Laundering and Financial Crimes, International Narcotics Control Strategy Report, II, US Department of State.

Buscemi, A. ve Yallwe, A. H. (2011), Money Laundry and Financial Development, 32458, 1-26.

Dünya Bankası (2014). Global Financial Development Report: Financial Inclusion, Washington D.C.

Financial Action Task Force (1997). 1996-1997 Report on Money Laundering Typologies, FATF Secretariat, Paris, February.

Financial Action Task Force (2006a). Trade Based Money Laundering, FATF Secretariat, Paris, June.

Financial Action Task Force (2006b). The Misuse of Corporate Vehicles, Including Trust and Company Service Providers, FATF Secretariat, Paris, October.

Financial Action Task Force (2007). Money Laundering & Terrorist Financing through the Real Estate Sector, FATF Secretariat, Paris, June.

Financial Action Task Force (2008). Best Practices on Trade Based Money Laundering, Best Practice Paper, FATF Secretariat, Paris, June.

Financial Action Task Force (2010). International Best Practices on Detecting and Preventing the Illicit Cross-Border Transportation of Cash and Bearer Negotiable Instruments, FATF Guidance Document, FATF Secretariat, Paris, June.

Financial Action Task Force (2011). Laundering the Proceeds of Corruption, FATF Report, FATF Secretariat, Paris, July.

Financial Action Task Force (2012). International Standards on Combating Money Laundering and the Financing of Terrorism & Proliferation, The FATF Recommendations, FATF Secretariat, Paris.

Financial Action Task Force (2013a). The Role of Hawala and Other Similar Service Providers in Money Laundering and Terrorist Financing, FATF Report, FATF Secretariat, Paris October.

Financial Action Task Force (2013b). Anti- Money Laundering and Terrorist Financing Measures and Financial Inclusion, FATF Guidance, February.

Financial Action Task Force (2014). Virtual Currencies, Key Definitions and Potential AML/CFT Risks, FATF Report, FATF Secretariat, Paris, June.

Fiorentini, G. (1997). Oligopolistic Competition in Illegal Markets, Fiorentini, G. ve Peltzman, S. (Yay. Haz.). The Economics of Organized Crime, Centre for Economic Research Policy, Cambridge University Press, 274-291

Fiorentini, G., Peltzman, S. (1997). The Economics of Organized Crime, Centre for Economic Research Policy, Cambridge University Press, First Paperback Edition.

Fitzgerald, V. (2006), Financial Development and Economic Growth: A Critical View, United Nations Development Policy and Analysis Division, Background Paper for World Economic and Social Survey.

Gökçe, S. (2010). Uluslararası Sözleşmelerler ve Bazı Ülke Düzenlemeleriyle Karşılaştırmalı Olarak Suçtan Kaynaklanan Malvarlığı Değerlerini Aklama Suçu, MASAK Yayınları.

International Monetary Fund (2001). Financial System Abuse, Financial Crime and Money Laundering, Monetary and Exchange Affairs and Policy Development and Review Departments’ Background Paper.

International Monetary Fund (2011). Anti-Money Laundering and Combating the Financing of Terrorism (AML/CFT) Report on the Review of the Effectiveness of Program, Legal Department.


62

Kar, D. ve Curcio, K. (2011). Illicit Financial Flows From Developing Countries: 2000-2009, Global Financial Integrity Report Update With a Focus on Asia.

Karaal, H. (2009). Suç Gelirlerinin Aklanması ve Terörün Finansmanı İle Mücadelede Bildirimler, 15, MASAK Yayınları,

Keh, D. I. (1996). “Drug Money In A Changing World: Economic Reform And Criminal Finance”, UNODC Technical Series No 4, 10 Ekim 2014 tarihinde https://www.unodc.org/pdf/technical_series_1996-01-01_2.pdf adresinden erişildi.

Khurana, I. K., Martin, X. ve Pereira, R. (2006). Financial Development and the Cash Flow Sensitivity of Cash, The Journal of Financial and Quantitative Analysis, Cambridge: University Press 41 (4), 787-807.

Kurdle, R. T. (2009). Did Blacklisting Hurt the Tax Havens?, Journal of Money Laundering Control, 12 (1), 33-49.

Levine, R. (1997). Financial Development and Economic Growth: Views and Agenda, Journal of Economic Literature, XXXV (June 1997), 688-726.

Masciandaro, D. (2007). Economics: The Demand Side, Masciandaro, D., Takats, E. ve, Unger, B. (Yay. Haz.) Black Finance, The Economics of Money Laundering, Edward Elgar, içinde (ss.1-26), Cheltenham, UK, Northampton, MA, USA.

Melvin, R. J. S. (2014). A Critical Approach to Trade Based Money Laundering, Journal of Money Laundering Control, 17 (2), 230-242.

Organisation for Economic Co-operation and Development (2001). Behind the Corporate Veil, Using Corporate Entities For Illicit Purposes, OECD Steering Group on Corporate Governance, Paris.

Organisation for Economic Co-operation and Development (2013). Addressing Base Erosion and Profit Shifting, OECD Publishing, Paris.

Organisation for Economic Co-Operation and Development (2014). Illicit Financial Flows From Developing Countries: Measuring OECD Responses, OECD Publishing, Paris.

Perez, M. F., Brada J. C. ve Drabek, Z. (2012). Illicit Money Flows as Motives for FDI, Journal of Comparative Economics, 40, 108-126.

Quirk, P. J. (1996). Macroeconomic Implications of Money Laundering, IMF Working Paper 96/66.

Reuter, P. ve Truman, E. M. (2004). Chasing Dirty Money– The Fight Against Money Laundering, Peterson Institute For International Economics, November, Washington D.C.

Robinson, J. (1998). The Laundrymen: Inside Money Laundering, the World's Third Largest Business, Simon &Schuster Ltd,,Rev. Ed. London and New York.

Schneider, F. (2010). Turnover of Organized Crime and Money Laundering, Some Preliminary Empirical Findings, Public Choice.144, 473-486.

Shen, C. H. ve Lee, C. C. (2006). Same Financial Development Yet Different Economic Growth: Why? Journal of Money, Credit and Banking. 38 (7).

Stancu, I. ve Rece, D. (2009). The Relationship Between Economic Growth and Money Laundering - A Linear Regression Model, Theoretical and Applied Economics, 09(538), 09(538), 3-8.

Stulz, R. M. ve Williamson, R. (2003). Culture, Openness and Finance, Journal of Financial Economics, 70 (2003), 313-349.

Tanzi, V. (2000). Money Laundering and the International Financial System, Policies, Institutions and the Dark Side of Economics, Edward Elgar Publishing Limited, Cheltenham.

Tinbergen, J. (1962). Shaping the World Economy: Suggestions for and International Economic Policy, New York: The Twentieth Century Fund.

Unger, B. (2007). The Scale and Impacts of Money Laundering, Edward Elgar Publishing Limited, Cheltenham.

United Nations Office for Drugs and Crime (2011). Estimating Illicit Financial Flows Resulting From Drug Trafficking and Other Transnational Organized Crimes, Vienne.

Bankacılar Dergisi

63

Walker, J. (1995). Estimates of the Extent of Money Laundering in and through Australia, Prepared for the Australian Transaction Reports and Analysis Centre, John Walker Consulting Services.

Walker, J. (1998). Just How Big is Global Money Laundering, Interim Report to the FATF Ad Hoc Group on Estimating the Magnitude of Money Laundering, 4 March 1998, Paris.

Walker, J. (2004). The Extent of Money Laundering in and Through Australia in 2004, Prepared by Austrac, John Walker Crime Trends Analysis and RMIT University.

Willebois, E., Halter. E., Harrison, R., Park, J.W. ve Scharman, J.C. (2011). The Puppet Masters, How the Corrupt Use Legal Structures to Hide Stolen Assets and What to Do About It? StAR Initiative.

Yepes, C. V. (2011). Compliance with the AML/CFT International Standards: Lessons From a Cross Country Analysis, IMF Working Paper 11/177.

Yurdakul, M.O. (2013). Uluslararası Sözleşmeler ve Avrupa Birliği Hukuku Çerçevesinde Suç Kaynaklı Malvarlıklarının Geri Alınması, Ülke Uygulamaları ve Türkiye İle Mukayese, MASAK Yayınları.

Dipnotlar: 1 Aklama suçu:

1988 yılında imzaya açılan Uyuşturucu ve Psikotrop Maddeler Kaçakçılığına Karşı BM Sözleşmesi (Viyana Sözleşmesi)'nin 3'üncü maddesinde,

2000 yılında imzaya açılan Sınıraşan Organize Suçlara Karşı BM Sözleşmesi (Palermo Sözleşmesi)'nin 6'ncı maddesinde,

2003 yılında imzaya açılan BM Yolsuzlukla Mücadele Sözleşmesi (Merida Sözleşmesi)'nin 23'üncü maddesinde,

1990 yılında imzaya açılan Suç Gelirlerinin Aklanması, Aranması, Zapt Edilmesi ve Müsadere Edilmesi Hakkında 141 Sayılı Avrupa Konseyi Sözleşmesi (Strazburg Sözleşmesi)'nin 6'ncı maddesinde,

2005 yılında imzaya açılan 198 sayılı Terörizmin Finansmanı ve Suçtan Elde Edilen Gelirlerin

Aklanması, Aranması, El konması ve Müsaderesi Hakkındaki Avrupa Konseyi Sözleşmesinin

(Varşova Sözleşmesi) 9'uncu maddesinde düzenlenmektedir. 2 Raporda Barbados, Bermuda ve Virjin Adalarının birlikte Almanya'dan daha fazla DYY aldıkları ve

dünya üzerine daha fazla DYY yatırımında bulunduklarına dikkat çekilmekte, bu yatırımların "özel amaç taşıma" olasılığının dikkate alınması gerektiği vurgulanmaktadır.

3 FATF, 2012 tavsiye revizyonu sonrasında vergi suçlarını aklamanın öncül suçları arasına almıştır.

4 Dijital para, sanal para ya da elektronik para gibi kavramlara yönelik düzenlemeler birçok ülkede

gelişim aşamasında olup, bu alanda terminoloji birliği de henüz sağlanmamıştır. 5 Bankacılık Sırrı, AML Uyum ve Çatışma verileri Avustralya Stratejik Suç Değerlendirmeleri Ofisi

tarafından hazırlanan ve potansiyel güvenlik tehditleri konulu yayımlanmamış rapora dayandırılmaktadır.

6 Pareto etkinlik, bir kişinin durumunu iyileştirmenin ancak bir başkasının durumunu kötüleştirmekle

mümkün olduğu duruma denir. Refah iktisadının birinci teoremine göre her bir rekabetçi ekonomi pareto etkindir. İkinci teoreme göre ise pareto etkin kaynak tahsisatına rekabetçi piyasa mekanizması aracılığıyla ulaşılır. Dolayısıyla aksak rekabet bir piyasa başarısızlığıdır

7 Mevzuatımızda yükümlü grupları, 5549 sayılı Suç Gelirlerinin Aklanmasının Önlenmesi Hakkında

Kanunun 2(1)d maddesinde gruplar halinde, Suç Gelirlerinin Aklanmasının ve Terörün Finansmanının Önlenmesine Dair Tedbirler Hakkında Yönetmelik (Tedbirler Yönetmeliği) Md.4(1)'de ise 25 başlık altında sayılmaktadır.

8 Mevzuatımızda kimlik tespiti konulu düzenlemeler 5549 sayılı Kanunun 3’ncü maddesinde ve

Tedbirler Yönetmeliği'nin üçüncü bölümünde 5 ila 26/A no'lu maddeler arasında düzenlenmektedir. 9 Mevzuatımızda 5549 sayılı Kanunun 8’nci maddesinde ve Tedbirler Yönetmeliği'nin 46(1)

maddesinde düzenlenen muhafaza ve ibraz yükümlülüğü, söz konusu kayıtların son kayıt veya işlem tarihinden itibaren en az 8 yıl süre saklanmasını öngörmektedir.

10 Mevzuatımızda şüpheli işlem bildirimi yükümlülüğü 5549 sayılı Kanunun 4’üncü maddesinde

ve Tedbirler Yönetmeliği'nin dördüncü bölümünde 27 ila 30 no'lu maddeler arasında düzenlenmektedir.


64

11

Mevzuatımızda finansal kuruluşlar tarafından uyum programı hazırlanması ve uyum görevlisi atanmasına ilişkin hususlar 5549 sayılı Kanunun 5’nci maddesi ve Suç Gelirlerinin Aklanmasının ve Terörün Finansmanının Önlenmesine İlişkin Yükümlülüklere Uyum Programı Hakkında Yönetmelikte düzenlenmektedir.

12 Yazarlar finansal gelişimi temsilen mali hizmetlerin ihracata oranı ve özel sektöre verilen yurtiçi

kredi hacminin GSYİH’ye oranı rasyosunu kullanmışlardır. 13

Suç oranı değişkeni yerine hukukun üstünlüğü değişkeni kullanıldığında da aynı yönde sonuç elde edilmekte olup, ilgili denklemde JB istatistiği çerçevesinde hata teriminin normal dağılımı varsayımı ihlal edildiği için tabloda sunulması tercih edilmemiştir.


65

Kredi Kartı Kullanım İstatistiklerinin Gri Tahmin ve Genetik Algoritma Tabanlı Gri Tahmin Metodu İle

Tahmini: Karşılaştırmalı Analiz

Arş. Gör. Bahadır Fatih Yıldırım* Doç. Dr. Timur Keskintürk**

Öz Bu çalışmada Gri Tahmin GM(1,1) ve Genetik Algoritma tabanlı Gri Tahmin GA-GM(1,1)

yöntemleri karşılaştırılmıştır. Bu amaçla 2009/1-2014/2 dönemleri arasında yerel kredi kartlarının kullanımına ait sekiz farklı veri seti ele alınarak her iki yöntem için de modeller kurulmuştur. Modeller, elde edilen MAPE istatistiği değerleri kullanılarak karşılaştırılmıştır. Ayrıca her iki model için de 2014/3 dönemi tahmin edilmiştir. Sonuç olarak, farklı veri setlerine ait kurulan tüm modellerde GA-GM(1,1) yönteminin daha düşük hata ile tahmin yaptığı belirlenmiştir. Anahtar Kelimeler: Kredi Kartı, Gri Tahmin, Genetik Algoritma, Zaman Serisi. JEL Sınıflaması: E47, C53, C81.

Credit Card Usage Prediction With Grey Model and Genetic Algrotihm Based Grey Model: Comparative Analysis

Abstract In this study Grey Model-GM(1,1) and Genetic Algorithm based Grey Model GA-GM(1,1)

methods was compared. For this purpose, between the period 2009/1-2014/2 on the use of local credit card by taking eight different data sets and the models are established for both methods. Models were compared with values obtained MAPE statistics. It has also been estimated for the period 2014/3 for both models. As a result, all models GA-GM (1,1) method was succeed to make estimates with lower error.

Keywords: Credit Card, Grey Model, Genetic Algorithm, Time Series. JEL Classification: E47, C53, C81.

1. Giriş Kredi Kartı, bankaların ve bazı finansman kuruluşlarının müşterilerine sunduğu nakit

paraya alternatif bir ödeme aracıdır. Bankanın ya da finansman kuruluşunun müşteriye tanıdığı kredi limiti dahilinde dünyanın her yerinde nakit kullanmaksızın mal ve hizmet alımına olanak sağlayan kredi kartları ile ATM'lerden nakit para da çekilebilmektedir. Kredi kartı üzerinden yapılan harcamalar ilgili banka ya da finansman kuruluşuna aylık bazda tek seferde ya da taksitler ile ödenmek durumundadır.

Daha geniş bir tanım ile açıklanacak olursa kredi kartı; mülkiyeti kendilerinde olmak

üzere banka ya da finansal kurum/kuruluşların müşterilerine önceden belirlenen limitlerde, anlaşmalı işyerlerinden yurtiçi ve yurtdışında mal ve hizmet satın alma ile nakit ödeme

* İstanbul Üniversitesi, Ulaştırma ve Lojistik Fakültesi, Ulaştırma ve Lojistik Yönetimi A.B.D.

** İstanbul Üniversitesi, İşletme Fakültesi Sayısal Yöntemler A.B.D Öğretim Üyesi.

Arş. Gör. Bahadır Fatih Yıldırım - Doç. Dr. Timur Keskintürk

66

birimleri veya otomatik ödeme makinelerinden (ATM) nakit çekmek amacıyla verilen plastik karttır (Yılmaz, 2000, s.10)

Müşteri kredi kartı kullanarak yaptığı harcamalar sonunda kartı veren bankaya

borçlanmaktadır. Banka genel uygulamada 30'ar günlük dönemlerde hesap kesimi yapmakta ve döneme ait harcamaları ekstre olarak da bilinen hesap bildirim cetveli ile müşteriye bildirmektedir. Ekstrede belirtilen dönem borcu için müşteriye en az 10 günlük ödeme süresi tanınmakta, bu süre sonunda ödenmeyen borç için banka günlük olarak gecikme faizi işletmektedir.

Ülkemizde kredi kartlarına dair her türlü faaliyet Bankacılık Düzenleme ve Denetleme

Kurumu (BDDK) tarafından denetlenmektedir. Türkiye'de ilk kez kredi kartı kullanımı 1968'de Diners Clup ile gerçekleşmiştir. Ülkemizde kredi kartı kullanımı ilk yıllarında birkaç bin kişi ile sınırlı iken Bankalararası Kart Merkezi (BKM) istatistiklerine göre günümüzde kredi kartı sayısı 57 milyonu aşmıştır (BKM, 2014).

Kredi kartı bilinçli kullanıldığı ve ekonomi politikaları ile denetlendiği durumda

ekonomiye ve tüketici konumunda bulunan bireylere sağladığı katkılar aşağıda özetlenmiştir (Türkiye Bankalar Birliği (TBB), 2008, s. 34-36):

Kredi kartı kullanımı bireylerin fazla para taşıyarak kaybetme veya çaldırma riskini minimize etmektedir. Ayrıca dönem sonu hesap özetleri ile yapılan harcamalar listelenerek harcama alışkanlıklarının disipline edilmesini de yardımcı olmaktadır.

Kredi kartı ile sadece ülke içinde değil dünyanın her yerinde alışveriş yapılabilmektedir.

Nakit çekim imkânı sayesinde, acil paraya ihtiyaç duyulması durumunda kimseden borç almaksızın nakit ihtiyacı giderilebilir. Ayrıca ekonomik sıkıntı yaşanılan durumlarda tüketicilere vade avantajı sağlayarak destek olmaktadır.

İnternet, posta ve telefon kanalı ile güvenli alışverişe olanak sağlamaktadır.

Kredi kartı ile yapılan alışverişler sonucu, tüm para hareketleri ekonomik sisteme kayıt olmakta dolayısıyla kayıt dışı ekonomi minimize edilmektedir. Ayrıca yapılan harcamaların kayıt altına alınması vergi gelirlerinde artışa neden olmaktadır.

Kredi kartı harcamalarındaki artış istihdam üzerinde de olumlu etki oluşturmaktadır. Kredi kartı harcamalarında meydana gelecek artışların etkisi yaklaşık 2,5 yıl sürmektedir.

Kızılot, Kılıç ve Tokatlıoğlu (2010, 2011, 2014) tarafından kartlı ödeme sistemleri üzerine hazırlanan çalışmalarda kredi kartı kullanımının makroekonomik göstergelere etkileri aşağıdaki başlıklar altında özetlenmiştir:

Üretim ve büyüme: Tüketim harcamaları ile üretim arasında karşılıklı bulunan etkileşimden hareketle tüketim harcamalarındaki 1 TL’lik artışın GSYİH’yı 1,43 TL artırdığı, buna karşılık kredi kartı harcamalarındaki 1 TL’lik artışın GSYİH’yı 1,75 TL artırdığı sonucuna ulaşılmış ayrıca kredi kartları harcamalarındaki 1 TL’lik artış tüketim harcamalarını 1,24 TL artırdığı bulgusu elde edilmiştir.

Enflasyon: Merkez Bankası verilerinin kullanıldığı analizde para arzındaki yüzde 1’lik artışın enflasyonu yüzde 0,5 artırmasına karşın kredi kartı harcamalarındaki yüzde 1’lik bir artışın enflasyonu yüzde 0,13 oranında azalttığı sonucuna ulaşılmıştır.

İstihdam: Kurulan basit doğrusal regresyon modeline göre kredi kartı harcamalarındaki yüzde 1’lik bir artışın istihdamı 5.954 kişi arttırdığı sonucuna ulaşılmıştır.

Bankacılar Dergisi

67

Tasarruf: Tüketicilerin kredi kartı kullanımı nedeniyle her ay yanlarında taşımak istedikleri para talebini belirli miktarlarda azaltmalarından kaynaklı para talebinin, finans piyasasında gelişen tasarruf araçları ile değerlendirilmesinin yıllar içinde geliştiği saptanmıştır.

Tiryaki (2014) ise 1999-2014 verilerinden hareketle belirlenen bireysel ve diğer kredi göstergelerinin GSYH ve cari hesap dengesi ile ilişkisini ve bu ilişkinin yönünü analiz ettiği çalışmada bireysel krediler ile GSYH büyümesi arasında pozitif bir nedensellik tespit etmiştir. Bireysel kredi hacminin cari hesap dengesi (cari açık) üzerinde güçlü negatif nedensellik gösterdiği çalışmanın bir diğer bulgusudur.

Ülkemizde 2002 yılında kredi kartı harcamalarının GSYİH içindeki payı yüzde 7

oranında iken, 2012 yılında yüzde 25 düzeyine çıkmıştır. Kredi kartı harcamalarının GSYİH içindeki payının hızlı bir şekilde artıyor olması, tüketim harcamaları içerisinde kredi kartı kullanım oranının artıştan kaynaklanmaktadır (Kızılot vd., 2014, s 16.). Kredi kartı kullanımının sayılan tüm bu etkilerinden hareketle kart kullanım istatistiklerinin tahminlenebilmesi politika oluşturucular için önem arz eden bir konu haline gelmektedir. Bu çalışmada kullanılan yöntemler ile kredi kartı kullanım istatistiklerin sağlıklı tamhinlenmesi için alternatif modeller önerilmesi amaçlanmıştır.

2. Literatür Taraması Literatürde kredi kartı kullanımına ilişkin herhangi bir tahmin çalışması bulunmamakla

beraber, kredi kartı müşteri kaybı ve kredi kartı dolandırıcılığı üzerine tahmin çalışmaları yapıldığı görülmektedir. Youn ve Kwon (2010) küçük işletmelerin iflas tahminlemesinde elde edilemeyen kredi kartı satış bilgilerinin etkilerini, Xiong vd. (2013), bireysel iflas tahminlemede kredi kartı bilgilerini kullanmışlardır.

Nie vd. (2011), lojistik regresyon ve karar ağacı kullanarak, Sin Lin vd. (2011) kaba

küme teorisi ve akış ağ diyagramı ile kredi kartı müşteri kaybını araştırmışlardır. Ho Ha ve Krishnan (2012) çalışmalarında kredi kartı borcu geri ödemelerini tahminlemeye çalışmışlardır. Mahmoudi ve Duman (2015) Modifiye edilmiş Fisher diskriminant analiz ile kredi kartı dolandırılıcılıklarını araştırmışlar, Halvaiee ve Akbari (2013) ise kredi kartı dolandırılıcığının tespiti için Yapay Bağışıklık Sistemi metasezgiselini kullanmışlardır. Panighari vd. (2009) ise kredi kartı dolandırıcılığının tespiti için Dempster-Shafer teorisi ve Bayes öğrenme modellerini önermişlerdir.

Literatürde Gri Tahmin yönteminin her alanda sıklıkla kullanıldığı görülmektedir. Shen

ve Lu (2014), elektrik talebinin, Xie vd. (2015), Çin’in enerji talebi ve kendi kendine yeterlilik oranının tahmininde Gri Tahmin modeli yöntemini kullanmışlardır. Lei ve Feng (2012) ise rekabetçi pazarlarda kısa dönem elektrik fiyat tahminlemesini gri tahmin yöntemi ile yapmışladır. Liu X. vd. (2014), turizm talep tahmininde geliştirilmiş gri tahmin modelini kullanmışlardır. Hamzaçebi ve Es (2014), çalışmalarında Türkiye’nin yıllık enerji tüketimini tahminlemede gri tahmin yönteminden faydalanmışlardır. Enerji tüketiminin tahminlendiği diğer bir çalışmada Lee ve Tong (2011) geliştirilmiş gri tahmin yöntemini önermişlerdir. Zhao vd. (2012), Çin’de hane halkı gelirlerini tahminlemede Diferansiyel Gelişim metasezgiseli ile geliştirilmiş Gri Tahmin metodunu kullanmışlardır.

3. Gri Tahmin Modeli Prof. Ju Long Deng (1982;1989) tarafından küçük örneklem ve eksik bilgi içeren

problemlerin çözümünde kullanılmak üzere yeni bir metodoloji olarak önerilen (Liu vd., 2011, s.1) Gri Teoride ana kavramlardan birisi, bilginin az olduğu durumlar veya tamamlanmamış durumlar altında kontrol edilebilen sistemler olmasıdır (Yamaguchi vd., 2007, s. 401). Bu


68

nedenle belirsizliğin ve yarı karmaşıklığın sayısallaştırılmasında alternatif bir yöntem olarak Gri Teoriden faydalanmak mümkündür (Baş, 2010, s. 63).

Geçtiğimiz son yirmi yıl içerisinde, eski teorilerdeki çalışmaların kullanımındaki azalma

ve yeni bir teori geliştirme ihtiyacıyla gri sistem teorisinde kayda değer gelişmeler olmuştur. Gri Sistem teorisinde gerçekleşen gelişmeler gerek teorik gerekse pratik uygulama alanlarında sıkça kullanılmaya başlanmıştır (Tsai vd., 2005, s. 536). Gri sistem teorisinde yapılan çalışmalar ve gelişmelere göre teorinin çalışma alanları gruplandığında Gri Tahmin (GT)’in ayrı bir başlık olarak ele alındığı görülmektedir (Wen, 2004, s.2).

GT yönteminde gerçek hayat problemlerinde temel özellik olarak anılan yetersiz ve

eksik bilgi varsayımları altında modellemeler yapılmakta ve bu modellere göre kararlar alınmaktadır (Liu ve Lin, 2006). GT yöntemi birçok disiplinde geleceğe yönelik verilerin tahmini için kullanılmış ve başarılı sonuçlar elde edilmiştir (Akay ve Atak, 2006, s. 1671; Song, 1992). GT yöntem sayesinde basit ve küçük bir hesaplama çabası ile gerekli olan tahmin modeli oluşturulması yöntemin sağladığı avantajlar arasında sayılabilir. (Akay ve Atak, 2006, s.1671).

GT yöntemi, kümülatif üreten operatör (Accumulated Generating Operator - AGO),

tersine kümülatif operatörü (Inverse Accumulating Generating Operator - IAGO) ve gri model (Grey Model - GM) olarak isimlendirilen üç temel operatöre sahiptir. Çalışma kapsamında birinci dereceden tek değişkenli gri model GM(1,1) modeli kullanılmıştır.

GT yönteminde izlenen adımlar aşağıda özetlenmiştir (Liu ve Lin, 2006, s. 107-109;

2011, s. 197-216): Adım 1. Veri setinin oluşturulması

n örnek sayısına sahip orijinal zaman serisi aşağıdaki gibi ifade edilir,

(0) (0) (0) (0) (0)1 , 2 , 3 , ,x x x x x n (1)

AGO operatörü kullanılarak (0)x serisi kümülatif toplamlardan oluşan ve monoton olarak

artan,

(1) (1) (1) (1) (1)1 , 2 , 3 , ,x x x x x n (2)

serisine dönüştürülür. AGO operatörü ile (1)x serisi,

(1) (0)

1

k

i

x k x i

(3)

eşitliği ile elde edilir. Adım 2. Katsayıların belirlenmesi

GM(1,1) modeli orijinal formda Eşitlik (4)’te gösterildiği gibi yazılır.

(0) (1)x k a x k b (4)

Katsayıları belirlemek amacıyla (1)x serisindeki değerlerin yakın komşu ortalamalarından elde

edilen (1)z serisi,

(1) (1) (1)11 , 2,3, ,

2z k x k x k k n (5)

Bankacılar Dergisi

69

eşitliği kullanılarak oluşturulur. (1)z serisinin kullanıldığı GM(1,1) modeli temel formda yazılmış olur ve

(0) (1) , 2,3, ,x k a z k b k n (6)

şeklinde gösterilir. Eşitlik (6)’da yer alan k, zaman noktalarını; a, gelişme katsayısını; b ise

sürücü katsayısını ifade etmektedir. En küçük kareler yöntemi kullanılarak T

a b ,

1

(1) (0)

(1) (0)

(1) (0)

(1) (0)

2 1 2

3 1 3

,4 1 4

1

T Ta

B B B Yb

z x

z x

B Yz x

z n x n

(7)

denklem sisteminin çözümü ile elde edilir.

Adım 3. GT denkleminin elde edilmesi

Belirlenen a ve b katsayılarına göre, Eşitlik (6)’da yer alan diferansiyel denklemin çözülmesi ile GT denklemi elde edilmektedir.

(1) (1)ˆ 1 0 akb bx k x e

a a

(8)

Eşitlik (8)’de (1) 0x , (0) 1x alınarak işlem yapılır. (1)ˆ 1x k üzerinde tersine kümülatif

operatörü IAGO ile işlem yapılarak (0)x̂ k , k zaman noktasındaki tahmin değerleri elde

edilir. IAGO operatörü kullanılarak (0)x̂ k serisi,

(0) (1) (1)ˆ ˆ ˆ 1x k x k x k (9)

ya da

(0) (0)ˆ 1 1 1ak abx k x e e

a

(10)

eşitliği ile elde edilir. Eşitlik (10)’a göre (k+H) zaman noktasındaki tahmin değeri (Kayacan vd, 2010, s. 1786),

(0) (0) ( 1)ˆ 1 1a k H abx k H x e e

a

(11)

eşitliği ile bulunur. 4. Genetik Algoritma İle Geliştirilmiş Gri Tahmin Metodu Çözümü deterministik yöntemlerle zor veya imkansız, kabul edilebilir zaman limitleri

içerisinde hesaplanamayan zor problemlerin çözümünde kullanılabilen metasezgiseller, stokastik çözüm metotlarının en önemli alt grubunu oluşturmaktadırlar. Genetik algoritma metasezgisel bir yöntem olup 1989 yılında Goldberg’in yazmış olduğu Genetic Algorithms kitabı ile popüler olmuştur (1989). O günden bu güne birçok alanda başarı ile uygulanmıştır. Popülasyon temelli bir optimizasyon tekniğidir (Goldenberg, 1989, s.7.; Michalewicz, 1992, s.9).


70

Probleme ait değişkenler kromozom denen vektörlerde temsil edilmektedir. Her değişken için kromozomdaki bir gen tahsis edilir. Genetik algoritmaya ait akış diyagramı aşağıdaki gibidir:

Başlangıç popülasyonunun belirlenmesi

Uygunlukların hesaplanması

Seçim

Çaprazlama

Mutasyon

Durdurma kriteri sağlanmadıysa ikinci adıma dön

Algoritmayı durdur.

Başlangıç popülasyonu genellikle tesadüfi olarak belirlenmektedir. Farklı bir sezgiselin ya da lokal arama prosedürünün çıktısı da başlangıç çözümü olabilmektedir. Bazı durumlarda mevcut çözüm başlangıç çözümü olarak kabul edilmektedir. Her kromozom bir çözüm alternatifini temsil etmektedir ve değeri uygunluk değeri olarak adlandırılır. Uygunluklar hesaplandıktan sonra uygunluğu yüksek kromozomların seçilme olasılığının yüksek olduğu seçim operatörü uygulanır. Amaç, uygunluğun yüksek olduğu kromozomlardan oluşan popülasyonların elde edilmesidir. Daha kötü uygunluğa sahip kromozomlar ise iterasyonlar boyunca bu operatör sayesinde elenmektedir.

Seçim operatöründen sonra, daha uygun çözümlerin aranması amacıyla çaprazlama

ve mutasyon operatörleri uygulanmaktadır. Çaprazlama, iki kromozom kullanılarak ve karşılıklı gen değişimleri sonucu daha iyi bireyler elde etmeyi amaçlamaktadır. Mutasyon ise çok küçük olasılıklarla, genlerdeki tesadüfi değişikliklerin yapılmasıdır. Amaç, algoritmanın lokal minimumlara takılmasını engellemek, çözüm uzayının farklı alanlarında da arayışı sürdürebilmektir. Bu süreç tamamlanma kriteri (iterasyon sayısı vb.) sağlanana kadar devam ettirilir.

Genetik algoritma gri tahmin metodundaki parametrelerin tahmininde kullanılmıştır. a

ve b parametreleri gerçek değerli kodlama ile iki genden oluşan kromozomlarda temsil edilmişlerdir. GA-GM(1,1) modelinde kullanılan kromozon Şekil 1.’de gösterilmiştir.

(1) (1)ˆ 1 0akb b

x k x ea a

a b Şekil 1. GA-GM(1,1) Kromozon Yapısı

Gerçek değerli kodlamanın kullanıldığı algoritmamızda başlangıç popülasyonu GT yönteminden elde edilen değerlerle oluşturulmaktadır. Böylelikle arama süreci daha iyi bir noktadan başlatılmış olmaktadır. Seçim operatörü olarak Goldberg (1989) tarafından önerilen Rulet Tekerleği seçim yöntemi kullanılmıştır. Tek nokta çaprazlama ile kromozomlar arası bilgi alışverişi sağlanmıştır. Kromozom uzunluğu zaten 2 genden oluştuğundan alternatif bir çaprazlama operatörü denenmemiştir. Çaprazlamada belli bir çaprazlama oranı kullanılmamıştır. Popülasyon büyüklüğü kadar yeni kromozom mevcut kromozomlardan tesadüfi ebeveyn kromozomlar seçilerek üretilmiştir. Daha sonra ebeveyn ve yeni kromozomlar birleştirilerek uygunluk değerlerine göre sıralanmıştır. Son olarak bu sıralamada en iyi popülasyon büyüklüğü sayısınca kromozom yeni jenerasyon olarak seçilmiştir. Mutasyonda değişim için değerlerin oranları kullanılmıştır. Mutasyon uygulanacağı durumlarda, ilgili parametre değeri yüzde 1 arttırılmış ya da aynı oranda azaltılmıştır. İşlem kolaylığı açısından, değişken değerleri yüzde 99 veya yüzde 101 ile çarpılmıştır. Mutasyon olasılığı 0,1 olarak belirlenmiştir. Genetik algoritmanın

Bankacılar Dergisi

71

çalıştırılmasında kullanılan diğer parametreler popülasyon büyüklüğü ve iterasyon sayısıdır. Bu değerlerde sırasıyla 20 ve 10000 olarak alınmıştır. Parametrelerin belirlenmesinde özel bir çalışma yapılmamış olup, yapılan denemeler sonucunda karar verilmiştir.

5. Uygulama ve Bulgular Çalışma kapsamında ülkemizde kullanılan yerel kredi kartlarına ait çeşitli

istatistiklerden faydalanılarak tahmin modelleri oluşturulmuştur. Tahmin için kullanılacak seriler BKM tarafından yayınlanan dönemsel bilgilerden kredi kartı işlemleri istatistikleri kullanılarak oluşturulmuştur. Kullanılan istatistikler 2009 1. Çeyrek – 2014 2. Çeyrek arasında yerel kredi kartları kullanılarak yurtiçinde ve yurtdışında gerçekleştirilen işlemler ve işlem tutarlarından oluşmaktadır. İşlem adedi ve işlem tutarı bir alt kırılım ile alışveriş ve nakit çekme işlemleri başlıklarında incelenmiştir. Oluşturulan seriler Tablo 1 ve Tablo 2’de gösterilmiştir.

Tablo 1. Yerli Kredi Kartlarının Yurt İçi Kullanımına İIişkin Zaman Serileri

Dönem

Yerli Kredi Kartlarının Yurt İçi Kullanımı

İşlem Adedi İşlem Tutarı (Milyon TL)

Alışveriş Nakit

Çekme Alışveriş

Nakit Çekme

2009 1 397915907 23615680 40210,65 5335,30

2009 2 436389428 23465916 45649,42 5065,27

2009 3 452428255 21922232 46670,10 4973,48

2009 4 452375109 22031933 46859,95 5216,34

2010 1 452804350 22236317 46520,99 5069,90

2010 2 490645420 22146139 52454,02 5227,81

2010 3 498102967 20976892 54149,78 5501,73

2010 4 493974513 21910768 55500,35 5957,74

2011 1 503822937 22906220 55714,63 6308,39

2011 2 546604862 25631275 63978,39 6999,97

2011 3 549642284 24789305 67797,65 7159,95

2011 4 552978210 22364563 70881,17 6608,92

2012 1 567486202 23811839 71632,21 7130,27

2012 2 614754486 24092379 81648,31 7780,81

2012 3 605096861 20422549 84348,31 7770,19

2012 4 605569876 21433910 86207,90 8589,16

2013 1 616017269 22968621 86312,36 8868,40

2013 2 672118384 23850444 95786,74 9314,75

2013 3 665186484 22946057 99167,24 9323,60

2013 4 639788964 19493378 97857,75 9463,92

2014 1 636040585 19419180 94528,29 9731,18

2014 2 681635325 20776367 104310,99 10504,58

Kaynak: BKM, http://www.bkm.com.tr/istatistik/bankakarti_yurtici_issuer_islemleri.asp, Erişim Tarihi:12.01.2015

http://www.bkm.com.tr/istatistik/bankakarti_yurtici_issuer_islemleri.asp


72

Tablo 2. Yerli Kredi Kartlarının Yurtdışı Kullanımına İIişkin Zaman Serileri

Dönem

Yerli Kredi Kartlarının Yurtdışı Kullanımı

İşlem Adedi İşlem Tutarı (Milyon TL)

Alışveriş Nakit

Çekme Alışveriş

Nakit Çekme

2009 1 3707685 176947 664,53 47,69

2009 2 3930629 181140 718,87 48,37

2009 3 4421878 162549 754,62 44,80

2009 4 4710753 172397 840,91 49,92

2010 1 4778391 192127 859,77 51,67

2010 2 5168570 183000 916,88 50,66

2010 3 5509175 179924 953,50 50,32

2010 4 6832961 208925 1166,81 60,06

2011 1 6512095 196314 1147,59 62,76

2011 2 7068030 218451 1269,66 69,22

2011 3 7385081 199632 1324,65 69,81

2011 4 7582820 223126 1386,84 77,09

2012 1 7759829 250603 1366,94 76,28

2012 2 8128952 224976 1448,71 75,00

2012 3 8605334 206529 1413,32 73,01

2012 4 9848182 224878 1685,24 83,24

2013 1 10549422 213486 1689,42 84,13

2013 2 11476657 225159 1781,80 93,08

2013 3 12072634 218047 1870,81 89,67

2013 4 12884455 197599 2099,38 95,15

2014 1 12091780 169822 2028,22 89,55

2014 2 12957605 180431 2193,25 86,55

Kaynak : BKM, http://www.bkm.com.tr/istatistik/kredikarti_yurtici_issuer_islemleri.asp, Erişim Tarihi: 12.01.2015

Bu bağlamda oluşturulan 8 adet serisine Gri Tahmin (GM(1,1)) ve Genetik Algoritma ile geliştirilmiş Gri Tahmin (GA-GM(1,1)) yöntemleri kullanılarak işlem yapılmış, kurulan modeller ile bir sonraki dönem tahminleri gerçekleştirilmiş ve her iki yöntemi kıyaslamak üzere MAPE istatistik değerleri hesaplanmıştır.

Literatürde tahminde kullanılacak model oluşturulurken birden fazla analiz yöntemi

uygulanması durumunda yöntemlerin tahmin doğruluklarını saptamak ve modellerin etkinliklerini saptamak amacıyla Ortalama Mutlak Yüzde Hata (Mean Absolute Percentage Error - MAPE) istatistiği kullanıldığı görülmektedir (Çuhadar, Güngör, Göksu, 2009, s. 106-107).

Ortalama Mutlak Yüzde Hata (MAPE) istatistiği,

1

100

nt

t t

e

YMAPE

n

(12)

eşitliği kullanılarak hesaplanmaktadır. Burada ˆt t te Y Y olmak üzere,

http://www.bkm.com.tr/istatistik/kredikarti_yurtici_issuer_islemleri.asp

Bankacılar Dergisi

73

tY : t dönemindeki gözlem değerini,

ˆtY : t dönemi için hesaplanan tahmin değerini,

n : Tahmin yapılan dönem sayısını,

te : t dönemindeki tahmin hatasını göstermektedir.

MAPE istatistik değerine göre modellerin etkinliklerinin değerlendirilmesinde; Lewis

(1982) MAPE istatistiki yüzde 10’un altında olan modelleri çok iyi, yüzde 10–20 arasında olan modelleri iyi, yüzde 20–50 arasında olan modelleri kabul edilebilir ve yüzde 50’nin üzerinde olan modelleri ise yanlış ve hatalı olarak sınıflandırmıştır. Witt ve Witt (1992), MAPE istatistiki yüzde 10’un altında olan tahmin modellerini yüksek doğruluk derecesine sahip, yüzde 10–20 arasında olan modelleri ise doğru tahmin modelleri olarak 2 başlıkta gruplamışlardır.

Analize konu olan kredi kartı kullanım istatistikleri büyük rakamlardan oluşmakta ve

dönemler arası farklar aynı ölçekte olmadığından grafik üzerinde gösterimi sağlıklı olmamaktadır. Bu nedenle grafik üzerinde dikey eksende gösterilen serilerde en büyük değerle en küçük değer arasındaki fark aynı ölçekte gösterilemediği için serinin değerleri 10 tabanına göre logaritma kullanılarak logaritmik olarak ifade edilmiş (Orhunbilge, 2000, s. 43) ve bu dönüşüm ile sonucu elde edilen grafikler Şekil 2. üzerinde gösterilmiştir.

(a) Yurtiçi | İşlem Adedi | Alış Veriş b) Yurtiçi | İşlem Adedi | Nakit Çekimi

(c) Yurtiçi | İşlem Tutarı | Alış Veriş (d) Yurtiçi | İşlem Tutarı | Nakit Çekimi

8.458.508.558.608.658.708.758.808.858.90

20

09

/1

20

09

/3

20

10

/1

20

10

/3

20

11

/1

20

11

/3

20

12

/1

20

12

/3

20

13

/1

20

13

/3

20

14

/1

20

14

/3

Gözlenen

GM(1,1) Tahmin

GA-GM(1,1) Tahmin

7.20

7.25

7.30

7.35

7.40

7.45

20

09

/1

20

09

/3

20

10

/1

20

10

/3

20

11

/1

20

11

/3

20

12

/1

20

12

/3

20

13

/1

20

13

/3

20

14

/1

20

14

/3

Gözlenen

GM(1,1) Tahmin

GA-GM(1,1) Tahmin

4.304.404.504.604.704.804.905.005.10

20

09

/1

20

09

/3

20

10

/1

20

10

/3

20

11

/1

20

11

/3

20

12

/1

20

12

/3

20

13

/1

20

13

/3

20

14

/1

20

14

/3

Gözlenen

GM(1,1) Tahmin

GA-GM(1,1) Tahmin

3.40

3.50

3.60

3.70

3.80

3.90

4.00

4.10

20

09

/1

20

09

/3

20

10

/1

20

10

/3

20

11

/1

20

11

/3

20

12

/1

20

12

/3

20

13

/1

20

13

/3

20

14

/1

20

14

/3

Gözlenen

GM(1,1) Tahmin

GA-GM(1,1) Tahmin


74

(e) Yurtdışı | İşlem Adedi | Alış Veriş (f) Yurtdışı | İşlem Adedi | Nakit Çekimi

(g) Yurtdışı | İşlem Tutarı | Alış Veriş (h) Yurtdışı | İşlem Tutarı | Nakit Çekimi

Analiz sonuçlarına göre Gri Tahmin ve Genetik Algoritma ile geliştirilmiş Gri tahmin

modellerinin MAPE istatistikleri Tablo 3.’te gösterilmiştir. Şekil 2. ve Tablo 3. eşanlı incelendiğinde, MAPE istatistiklerinin daha büyük olduğu (b) ve (f) grafiklerinde gözlenen değerlerin daha oynak bir seyir izlediği, tahmin modellerinin bu oynaklığa tepkisiz kaldığı görülmektedir. Dolayısıyla bu tepkisizlik modellerin daha yüksek MAPE değerleri almasını sağlamıştır.

Tablo 3. GM (1,1) ve GA-GM (1,1) modellerinin MAPE istatistikleri

MAPE

Yerli Kredi Kartlarının Yurt İçi Kullanımı Yerli Kredi Kartlarının Yurtdışı Kullanımı

İşlem Adedi İşlem Tutarı (Milyon TL) İşlem Adedi İşlem Tutarı (Milyon TL)

Alışveriş Nakit

Çekme Alışveriş

Nakit Çekme

Alışveriş Nakit

Çekme Alışveriş

Nakit Çekme

GM(1,1) 2,35 5,80 3,88 3,33 4,61 8,36 4,40 5,77

GA GM(1,1) 2,33 5,50 3,81 3,31 4,03 7,86 3,82 5,40

Tablo 3’te yer alan istatistiklerden hareketle, ele alınan zaman serileri baz alınarak

kurulan tahmin modellerinin tamamının MAPE istatistik değerlerinin yüzde 10’nun altında yer aldığı dolayısıyla tüm modellerin, Lewis (1992) tarafından önerilen ölçeğe göre “çok iyi”; Witt

6.20

6.40

6.60

6.80

7.00

7.20

7.402

00

9/1

20

09

/3

20

10

/1

20

10

/3

20

11

/1

20

11

/3

20

12

/1

20

12

/3

20

13

/1

20

13

/3

20

14

/1

20

14

/3

Gözlenen

GM(1,1) Tahmin

GA-GM(1,1) Tahmin

5.10

5.15

5.20

5.25

5.30

5.35

5.40

5.45

20

09

/1

20

09

/3

20

10

/1

20

10

/3

20

11

/1

20

11

/3

20

12

/1

20

12

/3

20

13

/1

20

13

/3

20

14

/1

20

14

/3

Gözlenen

GM(1,1) Tahmin

GA-GM(1,1) Tahmin

2.40

2.60

2.80

3.00

3.20

3.40

3.60

20

09

/1

20

09

/3

20

10

/1

20

10

/3

20

11

/1

20

11

/3

20

12

/1

20

12

/3

20

13

/1

20

13

/3

20

14

/1

20

14

/3

Gözlenen

GM(1,1) Tahmin

GA-GM(1,1) Tahmin

0.00

0.50

1.00

1.50

2.00

2.502

00

9/1

20

09

/3

20

10

/1

20

10

/3

20

11

/1

20

11

/3

20

12

/1

20

12

/3

20

13

/1

20

13

/3

20

14

/1

20

14

/3

Gözlenen

GM(1,1) Tahmin

GA-GM(1,1) Tahmin

Bankacılar Dergisi

75

ve Witt (1994) tarafından önerilen ölçeğe göre ise “yüksek doğruluk derecesine sahip” modeller olduğu görülmektedir. Öte yandan MAPE istatistik değerleri kullanılarak modellerin kıyaslandığı durumda modeller arasında GA-GM(1,1) modellerinin daha düşük MAPE istatistik değerleri aldığı görülmektedir. Bu sonuçlara göre GA-GM(1,1) modellerinin tahmin için kullanılmasının GM(1,1) modeline nazaran daha etkin tahminlere olanak sağlayacağı söylenebilir. MAPE istatistikleri doğrultusunda doğruluk derecesi uygun sınırlar içerisinde yer alan modellere ait denklemler aşağıdaki gibi hesaplanmıştır:

Şekil 2. Analiz Bulguları

Model

GM (1,1) GA-GM(1,1)

1 0,022261932 1 0,022261930 2ˆ 19692206758 1

kx e ek

0,022437381 1 0,022437380 1ˆ 19493534018 1k

x e ek

2 0,00327363 1 0,003273630

7068426ˆ 267 1k

e ex k

0,003342268 1 0,00334 2680 26731645962ˆ 1k

x k e e

3 0,044305 1 0,00 44305ˆ 984054,8 1

kx ek e

0,04529 1 ,040 0 529ˆ 944464,1 1k

k e ex

4 0,039437 1 0,00 39437ˆ 118355,7 1

kx ek e

0,039271 1 0,00 39271ˆ 119400,3 1k

x ek e

5 0,058136 1 0,00 58136ˆ 71459650 1

kx ek e

0,064472 1 0,00 64472ˆ 59968446 1k

x ek e

6 0,006134 1 0,00 06134ˆ 30762662 1

kx ek e

0,01091 1 ,010 0 091ˆ 16512799 1k

k e ex

7 0,052508 1 0,0525080ˆ 14408,6 1

kx e ek

0,055546 1 0,0555460ˆ 12855,6 1k

x e ek

8 0,035417 1 0,00 35417ˆ 1344,369 1

kx ek e

0,04017 1 ,040 0 017ˆ 1123,905 1k

k e ex

Hesaplanan modellere göre 2014/3 dönemi için yapılan tahminler ve gerçekleşen değerler Tablo 4.’te sunulmuştur.

Tablo 4. 2014/3 dönemi için tahmin değerleri

Model Adı No Gerçekleşen

Değer GM (1,1) Tahmin

GA-GM(1,1) Tahmin

Yurtiçi | İşlem Adedi | Alış Veriş Model (1) 688980072 707511082,02 708560791,40 Yurtiçi | İşlem Adedi | Nakit Çekme Model (2) 20214171 21566790,26 20938948,07 Yurtiçi | İşlem Tutarı | Alış Veriş Model (3) 110834,06 113030,58 113270,00 Yurtiçi | İşlem Tutarı | Nakit Çekme Model (4) 11262,19 10898,06 10909,16 Yurtdışı | İşlem Adedi | Alış Veriş Model (5) 13216437 14501196,31 15465754,20 Yurtdışı | İşlem Adedi | Nakit Çekme Model (6) 183548 215318,76 227770,14 Yurtdışı | İşlem Tutarı | Alış Veriş Model (7) 2224,23 2339,82 2357,53 Yurtdışı | İşlem Tutarı | Nakit Çekme Model (8) 90,18 101,96 107,09


76

6. Sonuç Bu çalışmada kısa dönem zaman serileri üzerinde yüksek doğruluk derecesine sahip

tahminler yapmada elverişli bir model olarak kabul edilen Gri Tahmin GM(1,1) yöntemi, genetik algoritma kullanılarak geliştirilen GA-GM (1,1) yöntemi ile karşılaştırılmıştır. Karşılaştırmanın sağlıklı olabilmesi için her iki yöntemle elde edilen sonuçlardan hesaplanan MAPE istatistik değerlerinden faydalanılmıştır. Çalışmada kullanılan veri seti ülkemizde kullanım oranı her geçen gün artan ve kullanımı ile birlikte tüketiciden üreticiye bir bütün olarak ekonomiyi etkileyen kredi kartı kullanım istatistikleri tercih edilmiştir. Bu bağlamda 2009/1-2014/2 arası dört aylık dönemler kullanılarak yerel kredi kartlarının yurtiçi ve yurt dışı kullanım istatistikleri alışveriş işlem adedi, nakit çekim işlem adedi, alış veriş tutarı ve nakit çekim tutarı istatistiklerine ait 8 zaman serisi için 8’er tahmin modeli oluşturulmuştur. Elde edilen modeller kullanılarak aynı kaynakta yayımlanmış 2014/3 dönemi değerleri ile model tahmin değerleri karşılaştırılmış, ayrıca tahmin hatalarından yola çıkarak hesaplanan MAPE istatistikleri kullanılmıştır. Yapılan karşılaştırma sonucu her bir tahmin modelinde GA-GM(1,1) yönteminin GM(1,1) yöntemine üstünlük sağladığı saptanmıştır. İzleyen çalışmalarda geliştirilen GA-GM(1,1) modeli yapay sinir ağları ve Box Jenkins yöntemleri ile kıyaslanabilir. Daha uzun dönem zaman serilerinde sağlıklı sonuçlar üretip üretmediği incelenebilir.

Kaynakça

Akay, D., Atak, M., (2007). “Grey Prediction With Rolling Mechanism For Electricity Demand Forecasting of Turkey”, Energy, 32, 1670-1675.

Bankalararası Kart Merkezi (BKM), (2014). “Aylık Basın Bülteni ,Eylül 2014” 9 Mayıs 2015 tarihinde http://www.bkm.com.tr/Upload/basin/BKM%20Ayl%C4%B1k%20B%C3%BClten%20201410.pdf adresinden erişildi.

Baş, M., (2010). “İşletmelerde Finansal Başarısızlığın Öngörülmesinde Gri İlişkisel Analiz Tekniği, Tekstil ve Deri Sektöründe Bir Uygulama”, Yayınlanmamış Doktora Tezi, Dumlupınar Üniversitesi Sosyal Bilimler Enstitüsü, Kütahya.

Çuhadar, M., Güngör, İ. ve Göksu, A., (2009). “Turizm Talebinin Yapay Sinir Ağları ile Tahmini ve Zaman Serisi Yöntemleri ile Karşılaştırmalı Analizi: Antalya İline Yönelik Bir Uygulama”, Süleyman Demirel Üniversitesi İktisadi ve İdari Bilimler Dergisi, 14 (1), 99-114.

Deng, J. L. (1982). Control Problems of Grey Systems. Systems & Control Letters, 1(5), 288-294.

Deng, J. L. (1989). Introduction To Grey System Theory. The Journal of Grey System, 1(1), 1-24.

Goldberg, D.E, (1989). “Genetic Algorithms in Search Optimization and Machine Learning”, Addison Wesley Publishing Company, USA.

Guangli Nie, Wei Rowe, Lingling Zhang, Yingjie Tian, Yong Shi, (2011). “Credit Card Churn Forecasting By Logistic Regression And Decision Tree”, Expert Systems with Applications, 38, 12, 15273-15285.

Halvaiee, N. S., Akbari, M. K., (2014). “A Novel Model For Credit Card Fraud Detection Using Artificial Immune Systems”, Applied Soft Computing, 24, 40-49.

Hamzacebi, C., Es, H. E., (2014). “Forecasting The Annual Electricity Consumption Of Turkey Using An Optimized Grey Model”, Energy, 70, 1, 165-171.

Ho Ha, S., Krishnan, R., (2012). “Predicting Repayment of the Credit Card Debt”, Computers & Operations Research, 39, 4, 765-773.

http://www.bkm.com.tr/Upload/basin/BKM%20Ayl%C4%B1k%20B%C3%BClten%20201410.pdf

Bankacılar Dergisi

77

Jong Sik Yoon, Young S. Kwon, (2010). “A Practical Approach To Bankruptcy Prediction For Small Businesses: Substituting The Unavailable Financial Data For Credit Card Sales Information”, Expert Systems with Applications, 37, 5, 3624-3629.

Kaya, Feridun, (2009). “Türkiye’de Kredi Kartı Uygulaması”, İstanbul: Türkiye Bankalar Birliği.

Kızılot Ş., Kılıç, C., Tokatlıoğlu, İ., (2010). “Kartlı Ödeme Sistemleri Ekonomik Katkılar Raporu Ve 2008 Krizinde Kartlı Ödeme Sistemlerinin Olumlu Etkileri”, Gazi Üniversitesi Maliye-Vergi Hukuku Uygulama ve Araştırma Merkezi, 2010, Ankara.

Kızılot Ş., Kılıç, C., Tokatlıoğlu, İ., (2011). “Kartlı Ödeme Sistemlerinin Tasarruf Üzerine Etkileri ve Ekonomik Katkıları Raporu, 2011 Özeti”, Bankalararası Kart Merkezi, 2011, İstanbul.

Kızılot Ş., Kılıç, C., Tokatlıoğlu, İ., (2014). “Kartlı Ödemelerin Ekonomik Faydaları”, İstanbul Bilgi Üniversitesi Yayınları, 2014, İstanbul.

Lee, Y. S., Tong, L. I., (2011). “Forecasting Energy Consumption Using A Grey Model Improved By Incorporating Genetic Programming”, Energy Conversion and Management, 52, 1, 147-152.

Lei, M., Feng, Z., (2012). “A Proposed Grey Model For Short-Term Electricity Price Forecasting In Competitive Power Markets”, International Journal of Electrical Power & Energy Systems, 43, 1, 531-538.

Lewis, C.D., (1982). “Industrial and Business Forecasting Methods”, London: Butterworths Publishing.

Lin, C. S., Tzeng, G. W., Chin, Y. C., (2011). “Combined Rough Set Theory And Flow Network Graph To Predict Customer Churn In Credit Card Accounts”, Expert Systems with Applications, 38, 1, 8-15.

Liu, S., Jeffrey F, Yingjie Y., (2011). "A Brief Introduction to Grey Systems Theory" Grey Systems and Intelligent Services (GSIS), 2011 IEEE International Conference, 15-18, 1-9.

Liu, S., Lin, Y., (2006). “Grey Information: Theory and Practical Applications”, Londra, Springer.

Liu, S., Lin, Y., (2011). “Grey Systems Theory and Applications”, Berlin, Springer.

Liu, X., Peng, H., Bai, Y., Zhu, Y., & Liao, L. (2014). Tourism Flows Prediction based on an Improved Grey GM (1, 1) Model. Procedia-Social and Behavioral Sciences,138, 767-775.

Mahmoudi, N., Duman, E., (2015). “Detecting Credit Card Fraud By Modified Fisher Discriminant Analysis”, Expert Systems with Applications, 42 (5), 2510-2516.

Michalewicz, Z., (1992). “Genetic Algorithms+Data Structure=Evolution Programs”, Springer- Verlag, Berlin.

Orhunbilge, N., (2000). “Tanımsal İstatistik ve Olasılık Dağılımları”, 279, İstanbul: İstanbul Üniversitesi İşletme Fakültesi.

Panigrahi, S., Kundu, A., Sural, S., Majumdar, A. K., (2009). “Credit Card Fraud Detection: A Fusion Approach Using Dempster–Shafer Theory And Bayesian Learning”, Information Fusion, 10, 4, 354-363.

Shen, X., Lu, Z., (2014). “The Application of Grey Theory Model in the Predication of Jiangsu Province's Electric Power Demand”, AASRI Procedia, 7, 81-87.

Song, S., (1992). “The Application of Grey System Theory to Earthquake Prediction In Jiangsu Area” Journal of Grey Systems 4(4), 359–367.

Tiryaki, G., (2014). “Türkiye’de Bireysel Kredilerin Ekonomik Büyüme ve Cari Açık ile İlişkisi”, Bankacılar Dergisi, 91, 55-74.

Tsai, C. H., Chang, C.L., Chen, L. (2003). “Applying Grey Relational Analysis to the Vendor Evaluation Model”, International Journal of The Computer, The Internet and Management, 11, 3, 45-53.

Türkiye Bankalar Birliği (TBB), (2008). “Banka Kartları ve Kredi Kartları Uygulamaları Hakkında Yararlı Bilgiler”, İstanbul: Türkiye Bankalar Birliği.


78

Wen, K. L., (2004). “Grey Systems: Modeling and Prediction”, Yang’s Scientific Research Institute, Yang’s Scientific Press, 4.

Witt, S.F. and Witt, C. (1992). “Modeling and Forecasting Demand in Tourism”, Academic Press: London.

Xie, N., Yuan, C., Yang, Y., (2015). “Forecasting China’s Energy Demand and Self-Sufficiency Rate By Grey Forecasting Model and Markov Model”, International Journal of Electrical Power & Energy Systems, 66, 1-8.

Xiong, T., Wang, S., Mayers, A., Monga, E., (2013). “Personal Bankruptcy Prediction By Mining Credit Card Data”, Expert Systems With Applications, 40, 2, 665-676.

Yamaguchi, D., Li, G. D., Nagai, M., (2007). “A Grey-Rough Set Approach For Interval Data Reduction of Attributes”, Rough Sets and Intelligent Systems Paradigms, Berlin, Springer Berlin Heidelberg.

Yılmaz, E., (2000). “Türkiye’de Kredi Kartı Uygulaması ve Ekonomik Etkileri”, İstanbul: Türkmen Kitabevi.

Zhao, Z., Wang, J., Zhao, J., Su, Z., (2012). “Using A Grey Model Optimized By Differential Evolution Algorithm To Forecast The Per Capita Annual Net Income Of Rural Households In China”, Omega, 40, 5, 525-532.

Bankacılar Dergisi

79

Ek 1. Yerli Kredi Kartlarının Yurt İçi Kullanımı İstatistiklerine Ait Gözlem ve Tahmin Değerleri

Dönem

Yu

rtiç

i | İş

lem

Ad

ed

i | A

lış V

eri

ş

Yu

rtiç

i | İş

lem

Ad

ed

i | N

akit Ç

ekim

Y

urt

içi | İş

lem

Tu

tarı

| A

lış V

eri

ş

Yu

rtiç

i | İş

lem

Tu

tarı

| N

akit Ç

ekim

Gö

zle

ne

n

GM

(1,1

) T

ah

min

G

A-G

M(1

,1)

Ta

hm

in

Gö

zle

ne

n

GM

(1,1

) T

ah

min

G

A-G

M(1

,1)

Ta

hm

in

Gö

zle

ne

n

GM

(1,1

) T

ah

min

G

A-G

M(1

,1)

Ta

hm

in

Gö

zle

ne

n

GM

(1,1

) T

ah

min

G

A-G

M(1

,1)

Ta

hm

in

20

09

/1

39

79

15

90

7

43

35

42

91

4

42

61

25

64

8

23

61

56

80

2

31

77

32

7

21

92

31

97

4

02

10

,65

4

26

46

,74

4

10

75

,85

5

33

5,3

0

45

76

,71

4

73

0,0

6

20

09

/2

43

63

89

42

8

44

33

02

64

9

43

62

28

05

5

23

46

59

16

2

31

01

57

7

21

90

41

65

4

56

49

,42

4

45

78

,68

4

30

13

,69

5

06

5,2

7

47

60

,80

4

91

1,9

1

20

09

/3

45

24

28

25

5

45

32

82

09

1

44

65

69

96

5

21

92

22

32

2

30

26

07

4

21

88

51

50

4

66

70

,10

4

65

98

,14

4

50

42

,95

4

97

3,4

8

49

52

,30

5

10

0,7

5

20

09

/4

45

23

75

10

9

46

34

86

18

7

45

71

57

05

7

22

03

19

33

2

29

50

81

9

21

86

61

52

4

68

59

,95

4

87

09

,08

4

71

67

,95

5

21

6,3

4

51

51

,51

5

29

6,8

5

20

10

/1

45

28

04

35

0

47

39

19

99

2

46

79

95

14

3

22

23

63

17

2

28

75

80

9

21

84

71

70

4

65

20

,99

5

09

15

,65

4

93

93

,20

5

06

9,9

0

53

58

,73

5

50

0,4

9

20

10

/2

49

06

45

42

0

48

45

88

67

9

47

90

90

17

4

22

14

61

39

2

28

01

04

5

21

82

82

05

5

24

54

,02

5

32

22

,18

5

17

23

,43

5

22

7,8

1

55

74

,28

5

71

1,9

6

20

10

/3

49

81

02

96

7

49

54

97

53

5

49

04

48

24

1

20

97

68

92

2

27

26

52

4

21

80

92

56

5

41

49

,78

5

56

33

,20

5

41

63

,60

5

50

1,7

3

57

98

,50

5

93

1,5

6

20

10

/4

49

39

74

51

3

50

66

51

96

6

50

20

75

58

0

21

91

07

68

2

26

52

24

8

21

79

03

23

5

55

00

,35

5

81

53

,44

5

67

18

,88

5

95

7,7

4

60

31

,74

6

15

9,6

0

20

11

/1

50

38

22

93

7

51

80

57

50

2

51

39

78

57

6

22

90

62

20

2

25

78

21

4

21

77

14

07

5

57

14

,63

6

07

87

,85

5

93

94

,72

6

30

8,3

9

62

74

,37

6

39

6,4

1

20

11

/2

54

66

04

86

2

52

97

19

79

3

52

61

63

76

2

25

63

12

75

2

25

04

42

2

21

75

25

07

6

39

78

,39

6

35

41

,60

6

21

96

,79

6

99

9,9

7

65

26

,75

6

64

2,3

2

20

11

/3

54

96

42

28

4

54

16

44

62

2

53

86

37

83

0

24

78

93

05

2

24

30

87

1

21

73

36

24

6

77

97

,65

6

64

20

,10

6

51

31

,06

7

15

9,9

5

67

89

,29

6

89

7,6

9

20

11

/4

55

29

78

21

0

55

38

37

89

7

55

14

07

62

8

22

36

45

63

2

23

57

56

1

21

71

47

57

7

08

81

,17

6

94

28

,99

6

82

03

,76

6

60

8,9

2

70

62

,38

7

16

2,8

8

20

12

/1

56

74

86

20

2

56

63

05

66

2

56

44

80

16

7

23

81

18

39

2

22

84

49

0

21

69

59

07

7

16

32

,21

7

25

74

,20

7

14

21

,42

7

13

0,2

7

73

46

,46

7

43

8,2

6

20

12

/2

61

47

54

48

6

57

90

54

09

6

57

78

62

62

4

24

09

23

79

2

22

11

65

9

21

67

70

73

8

16

48

,31

7

58

61

,88

7

47

90

,88

7

78

0,8

1

76

41

,97

7

72

4,2

2

20

12

/3

60

50

96

86

1

59

20

89

51

8

59

15

62

34

7

20

42

25

49

2

21

39

06

5

21

65

82

55

8

43

48

,31

7

92

98

,50

7

83

19

,30

7

77

0,1

9

79

49

,37

8

02

1,1

8

20

12

/4

60

55

69

87

6

60

54

18

38

7

60

55

86

85

6

21

43

39

10

2

20

66

70

8

21

63

94

53

8

62

07

,90

8

28

90

,80

8

20

14

,19

8

58

9,1

6

82

69

,13

8

32

9,5

6

20

13

/1

61

60

17

26

9

61

90

47

31

0

61

99

43

85

3

22

96

86

21

2

19

94

58

8

21

62

06

68

8

63

12

,36

8

66

45

,84

8

58

83

,38

8

86

8,4

0

86

01

,75

8

64

9,8

0

20

13

/2

67

21

18

38

4

63

29

83

04

2

63

46

41

22

0

23

85

04

44

2

19

22

70

4

21

60

18

99

9

57

86

,74

9

05

70

,99

8

99

35

,12

9

31

4,7

5

89

47

,75

8

98

2,3

4

20

13

/3

66

51

86

48

4

64

72

32

48

9

64

96

87

02

6

22

94

60

57

2

18

51

05

4

21

58

31

47

9

91

67

,24

9

46

73

,94

9

41

78

,00

9

32

3,6

0

93

07

,67

9

32

7,6

7

20

13

/4

63

97

88

96

4

66

18

02

71

4

66

50

89

53

1

19

49

33

78

2

17

79

63

9

21

56

44

11

9

78

57

,75

9

89

62

,77

9

86

21

,05

9

46

3,9

2

96

82

,06

9

68

6,2

8

20

14

/1

63

60

40

58

5

67

67

00

93

8

68

08

57

19

2

19

41

91

80

2

17

08

45

7

21

54

56

91

9

45

28

,29

1

03

44

5,8

8

10

32

73

,72

9

73

1,1

8

10

07

1,5

2

10

05

8,6

7

20

14

/2

68

16

35

32

5

69

19

34

54

4

69

69

98

66

6

20

77

63

67

2

16

37

50

8

21

52

69

87

1

04

31

0,9

9

10

81

32

,08

1

08

14

5,8

8

10

50

4,5

8

10

47

6,6

4

10

44

5,3

8

20

14

/3

68

89

80

07

2

70

75

11

08

2

70

85

60

79

1

20

21

41

71

2

15

66

79

0

20

93

89

48

1

10

83

4,0

6

11

30

30

,58

1

13

27

0,0

0

11

26

2,1

9

10

89

8,0

6

10

90

9,1

6


80

Ek 2. Yerli Kredi Kartlarının Yurtdışı Kullanımı İstatistiklerine Ait Gözlem ve Tahmin Değerleri

D

önem

Yurt

dış

ı | İş

lem

Adedi | A

lış V

eriş

Yu

rtd

ışı

| İş

lem

Ad

ed

i | N

akit Ç

ekim

Y

urt

dış

ı | İş

lem

Tu

tarı

| A

lış V

eri

ş

Yurt

dış

ı | İş

lem

Tuta

rı | N

akit Ç

ekim

Gözle

nen

G

M(1

,1)

Tahm

in

GA

-GM

(1,1

) T

ahm

in

Gözle

ne

n

GM

(1,1

) T

ah

min

G

A-G

M(1

,1)

Ta

hm

in

Gö

zle

ne

n

GM

(1,1

) T

ah

min

G

A-G

M(1

,1)

Tah

min

G

özle

nen

G

M(1

,1)

Tahm

in

GA

-GM

(1,1

) T

ahm

in

20

09

/1

37

07

68

5

40

35

93

1

38

79

02

5

17

69

47

1

88

13

5

19

18

61

6

64

,53

7

37

,05

6

93

,33

4

7,6

9

46

,78

4

7,1

3

20

09

/2

39

30

62

9

42

77

51

9

41

18

00

7

18

11

40

1

89

29

3

19

26

08

7

18

,87

7

76

,78

7

32

,82

4

8,3

7

48

,47

4

8,9

8

20

09

/3

44

21

87

8

45

33

56

8

43

71

71

3

16

25

49

1

90

45

8

19

33

57

7

54

,62

8

18

,66

7

74

,56

4

4,8

0

50

,21

5

0,9

0

20

09

/4

47

10

75

3

48

04

94

4

46

41

04

9

17

23

97

1

91

63

0

19

41

09

8

40

,91

8

62

,79

8

18

,67

4

9,9

2

52

,02

5

2,8

9

20

10

/1

47

78

39

1

50

92

56

4

49

26

97

8

19

21

27

1

92

80

9

19

48

63

8

59

,77

9

09

,31

8

65

,30

5

1,6

7

53

,90

5

4,9

7

20

10

/2

51

68

57

0

53

97

40

1

52

30

52

3

18

30

00

1

93

99

5

19

56

21

9

16

,88

9

58

,33

9

14

,59

5

0,6

6

55

,84

5

7,1

2

20

10

/3

55

09

17

5

57

20

48

5

55

52

77

0

17

99

24

1

95

18

9

19

63

82

9

53

,50

1

00

9,9

9

96

6,6

8

50

,32

5

7,8

6

59

,36

20

10

/4

68

32

96

1

60

62

90

9

58

94

86

9

20

89

25

1

96

39

0

19

71

46

1

16

6,8

1

10

64

,44

1

02

1,7

3

60

,06

5

9,9

4

61

,68

20

11

/1

65

12

09

5

64

25

83

0

62

58

04

5

19

63

14

1

97

59

8

19

79

12

1

14

7,5

9

11

21

,83

1

07

9,9

3

62

,76

6

2,1

0

64

,10

20

11

/2

70

68

03

0

68

10

47

6

66

43

59

6

21

84

51

1

98

81

4

19

86

82

1

26

9,6

6

11

82

,31

1

14

1,4

3

69

,22

6

4,3

4

66

,61

20

11

/3

73

85

08

1

72

18

14

5

70

52

90

0

19

96

32

2

00

03

8

19

94

55

1

32

4,6

5

12

46

,05

1

20

6,4

5

69

,81

6

6,6

6

69

,22

20

11

/4

75

82

82

0

76

50

21

8

74

87

42

1

22

31

26

2

01

26

9

20

02

30

1

38

6,8

4

13

13

,22

1

27

5,1

6

77

,09

6

9,0

6

71

,94

20

12

/1

77

59

82

9

81

08

15

4

79

48

71

3

25

06

03

2

02

50

7

20

10

09

1

36

6,9

4

13

84

,02

1

34

7,7

9

76

,28

7

1,5

5

74

,75

20

12

/2

81

28

95

2

85

93

50

2

84

38

42

3

22

49

76

2

03

75

3

20

17

91

1

44

8,7

1

14

58

,64

1

42

4,5

5

75

,00

7

4,1

3

77

,68

20

12

/3

86

05

33

4

91

07

90

2

89

58

30

5

20

65

29

2

05

00

7

20

25

75

1

41

3,3

2

15

37

,27

1

50

5,6

9

73

,01

7

6,8

1

80

,73

20

12

/4

98

48

18

2

96

53

09

4

95

10

21

5

22

48

78

2

06

26

8

20

33

63

1

68

5,2

4

16

20

,15

1

59

1,4

4

83

,24

7

9,5

8

83

,89

20

13

/1

10

54

94

22

1

02

30

92

1

10

09

61

28

2

13

48

6

20

75

38

2

04

15

4

16

89

,42

1

70

7,4

9

16

82

,08

8

4,1

3

82

,44

8

7,1

8

20

13

/2

11

47

66

57

1

08

43

33

6

10

71

81

39

2

25

15

9

20

88

15

2

04

94

8

17

81

,80

1

79

9,5

4

17

77

,89

9

3,0

8

85

,42

9

0,5

9

20

13

/3

12

07

26

34

1

14

92

41

0

11

37

84

71

2

18

04

7

21

01

00

2

05

74

5

18

70

,81

1

89

6,5

6

18

79

,15

8

9,6

7

88

,50

9

4,1

4

20

13

/4

12

88

44

55

1

21

80

33

6

12

07

94

85

1

97

59

9

21

13

92

2

06

54

5

20

99

,38

1

99

8,8

0

19

86

,18

9

5,1

5

91

,69

9

7,8

3

20

14

/1

12

09

17

80

1

29

09

44

2

12

82

36

88

1

69

82

2

21

26

93

2

07

34

8

20

28

,22

2

10

6,5

6

20

99

,30

8

9,5

5

94

,99

1

01

,66

20

14

/2

12

95

76

05

1

36

82

19

1

13

61

37

40

1

80

43

1

21

40

02

2

08

15

5

21

93

,25

2

22

0,1

3

22

18

,87

8

6,5

5

98

,42

1

05

,65

20

14

/3

13

21

64

37

1

45

01

19

6

15

46

57

54

1

83

54

8

21

53

19

2

27

77

0

22

24

,23

2

33

9,8

2

23

57

,53

9

0,1

8

10

1,9

6

10

7,0

9


81

Türkiye’de Enflasyon, Hisse Senedi Getirileri ve Reel İktisadi Faaliyetler Arasındaki İlişkilerin

İncelenmesi

Arş. Gör. Dr. Nasıf Özkan*

Öz Bu çalışmada, hisse senedi getirileri ile enflasyon arasındaki ilişki, TCMB Beklenti Anketi’nde

yer alan beklenen enflasyon verileri kullanılarak Fisher hipotezi ve temsil etkisi hipotezi kapsamında incelenmektedir. Çalışmanın bulguları, reel hisse senedi getirileri ile enflasyon arasında negatif bir ilişki olduğunu ve bu negatif ilişkinin beklenmeyen enflasyon bileşeninden kaynakladığını ortaya koymaktadır. Buradan hareketle Fisher hipotezi ile tutarlı bir şekilde, Borsa İstanbul’un beklenen enflasyon bileşenine karşı etkin bir koruma sağladığı söylenebilir. Temsil etkisi hipotezine ilişkin bulgular ise, enflasyon ve reel iktisadi faaliyetler arasında negatif bir ilişki olduğunu açıkça göstermezken; reel iktisadi faaliyetler ile reel hisse senedi getirileri arasında pozitif bir ilişki olduğunu göstermektedir. Bu nedenle bulgular, temsil etkisi hipotezini tüm yönleriyle desteklememektedir.

Anahtar Kelimeler: Enflasyon, Beklenen Enflasyon, Reel Hisse Senedi Getirileri, Fisher Hipotezi, Temsil Etkisi Hipotezi. JEL Sınıflaması: E31, G12, G14.

An Investigation of The Relationship Between Inflation, Stock Returns and

Real Economic Activity In Turkey

Abstract In this study, the relationship between stock returns and inflation is examined by using expected

inflation data from the CBRT’s Survey of Expectations within the context of Fisher’s hypothesis and the proxy effect hypothesis. The findings of the study reveal that there is a negative relationship between real stock returns and inflation and this negative relationship arises from an unexpected component of inflation. Thus consistent with the Fisher hypothesis, it can be said that Borsa Istanbul may provide effective hedge against an expected component of inflation. The findings for the proxy effect hypothesis do not demonstrably indicate that a negative relationship between inflation and real economic activity while they indicate that there is a positive relationship between real economic activity and real stock returns. Therefore, the findings do not fully support the proxy effect hypothesis.

Keywords: Inflation, Expected Inflation, Real Stock Returns, Fisher Hypothesis, Proxy Effect Hypothesis. JEL Classification: E31, G12, G14.

1. Giriş Hisse senedi getirileri ile enflasyon ve bileşenleri (beklenen ve beklenmeyen enflasyon)

arasındaki ilişkiyi araştıran birçok ampirik çalışma, bu değişkenler arasında negatif bir ilişkinin varlığına işaret etmektedir. Bu bulgular, hisse senetlerine yatırımın enflasyona karşı etkin bir koruma sağladığını iddia eden Fisher hipotezi (Fisher, 1930) ile çelişmektedir. Bu doğrultuda Fama (1981), hisse senedi getirileri ile enflasyon arasındaki negatif ilişkiyi, geliştirdiği temsil etkisi hipotezi (proxy effect hypothesis) yardımıyla açıklamaya çalışmaktadır. Bu hipotez başta ABD olmak üzere gelişmiş ve gelişmekte olan birçok ülkede test edilmektedir. Bu çalışmalardan bazıları temsil etkisi hipotezini destekleyen (Geske ve

* Dumlupınar Ünv. Uygulamalı Bilimler Yüksekokulu, Bankacılık ve Finans Bölümü.

Arş. Gör. Dr. Nasıf Özkan

82

Roll, 1983, s. 1-33; Kaul, 1987, s. 253-276; Cozier ve Rahman, 1988, s. 759-774; Gallagher ve Taylor, 2002, s. 147-156); diğerleri ise hipotezle çelişen sonuçlar sunmaktadır (McCarthy, Najand ve Seifert, 1990, s. 251-263; Cochran ve Defina, 1993, s. 263-274; Liu, Hsueh ve Clayton, 1993, s. 261-268; Lee, 1998, s. 40-52; Porter ve Zhu, 2007, s. 71-80).

Bu çalışmada, reel hisse senedi getirileri ile enflasyon arasındaki ilişki, Türkiye

Cumhuriyet Merkez Bankası (TCMB) beklenti anketi beklenen enflasyon verileri kullanılarak yeniden incelenmektedir1. Gultekin (1983) ve Hasbrouck (1984) Livingston; Porter ve Zhu (2007) University of Michigan Inflation Expectation (UMIE) anketi beklenen enflasyon verilerini kullanarak, reel hisse senedi getirileri ile beklenen enflasyon arasında istatistiksel olarak anlamlı negatif bir ilişki olmadığını göstermektedir. Ayrıca Hasbrouck (1984), beklenen enflasyonun tahmin edilmesinde anket uygulanmasının, ekonometrik modellere göre daha etkin olduğunu belirtmektedir. Hafer ve Hein (1985) de, bu çalışmayı destekleyerek anket sonuçlarının, beklenen enflasyon değişkenine dair daha doğru bilgiler sunduğunu ileri sürmektedir (Porter ve Zhu, 2007, s. 74). Literatür incelendiğinde, Türkiye’de anket verilerini kullanarak hisse senedi getirileri ile enflasyon arasındaki ilişkiyi inceleyen herhangi bir çalışmaya rastlanamamıştır2. Tüm bu anlatılanlar doğrultusunda çalışmada, Fisher hipotezinin Borsa İstanbul’da geçerli olup olmadığı araştırılmaktadır. Böylece Borsa İstanbul’un enflasyona karşı etkin bir koruma sağlayıp sağlamadığı sorusunun cevabı yatırımcılara bildirilmektedir. Ayrıca Fama’nın (1981) temsil etkisi hipotezinin, reel hisse senedi getirileri ile enflasyon arasındaki ilişkiyi Borsa İstanbul için açıklayıp açıklamadığı test edilmektedir.

Çalışmanın ampirik bulguları, reel hisse senedi getirileri ile enflasyon arasında negatif

bir ilişkinin varlığına işaret etmektedir. Enflasyon, beklenen ve beklenmeyen enflasyon bileşenlerine ayrıldığında ise, bu negatif ilişkiye beklenmeyen enflasyon bileşeninin neden olduğu görülmektedir. Bir başka ifadeyle, Borsa İstanbul hisse senetleri piyasası etkin piyasalar hipoteziyle tutarlı bir şekilde sadece beklenmeyen enflasyon bilgilerine tepki vermektedir. Böylece, reel hisse senedi getirileri ile beklenen enflasyonun birbirinden bağımsız hareket ettiğini ileri süren Fisher hipotezini de destekleyen bulgular ortaya koyulmaktadır. Temsil etkisi hipotezine ilişkin bulgular ise, beklenenin aksine enflasyon ve reel iktisadi faaliyetler arasında bariz bir negatif ilişki olduğunu gösterememektedir. Diğer taraftan reel iktisadi faaliyetlerin, reel hisse senedi getirilerini beklendiği gibi pozitif yönde etkilediği görülmektedir.

Çalışma altı bölümden oluşmaktadır. Giriş bölümünü takip eden ikinci bölümde, hisse

senedi getirileri ile enflasyon arasındaki ilişkileri inceleyen literatür çalışmalarına yer verilmektedir. Üçüncü bölümde, çalışmanın hipotezleri oluşturulmaktadır. Dördüncü bölümde, çalışmada kullanılan veri, değişkenler ve yöntemler açıklanmaktadır. Beşinci bölümde, ampirik bulgular yorumlanmaktadır. Son bölümde ise, çalışmanın sonuçları özetlenmektedir.

2. Literatür Taraması Hisse senetlerinin, yatırımcıları enflasyona karşı koruyup korumadıkları finans

literatüründe geniş bir tartışma konusudur. Bu tartışmanın başlangıcı, 1930 yılında Irving Fisher tarafından ortaya atılan Fisher hipotezine dayanmaktadır. Bu hipoteze göre, hisse senedinden beklenen nominal getiri oranı, beklenen enflasyon oranı ile hisse senedinden beklenen reel getiri oranının toplamına eşittir ve hisse senedinden beklenen reel getiri oranı, beklenen enflasyon oranından bağımsızdır. Bu nedenle Fisher (1930), enflasyonun reel hisse senedi getirilerini etkilemediğini ve hisse senedi piyasalarının enflasyona karşı bir koruma sağladığını ileri sürmektedir (Fama ve Schwert, 1977, s. 115).

Literatürde, hisse senedi getirileri ile enflasyon ve bileşenleri (beklenen ve

beklenmeyen enflasyon) arasında negatif bir ilişkinin olduğunu tespit eden çalışmalar da

Bankacılar Dergisi

83

vardır (Bodie, 1976, s. 459-470; Jeffrey ve Mandelker, 1976, s. 447-458; Nelson, 1976, s. 471-483; Fama ve Schwert, 1977, s. 115-146; Gultekin, 1983, s. 49-65; Pindyck, 1984, s. 335-351). Bu çalışmalardan elde edilen bulgular doğrultusunda, reel hisse senedi getirileriyle enflasyon ve bileşenleri arasındaki negatif ilişkiyi açıklayabilmek için bir dizi hipotez geliştirilmiştir (Lintner, 1975, s. 259-280; Modigliani ve Cohn, 1979, s. 24-44; Feldstein, 1980, s. 839-847; Fama, 1982, s. 201-231; French, Ruback ve Schwert, 1983, s. 70-96; Geske ve Roll, 1983, s. 1-33; Kaul, 1987, s. 253-276; Pearce ve Roley, 1988, s. 965-981). Bu hipotezlerden birisi de Fama (1981) tarafından ortaya koyulan temsil etkisi hipotezidir. Fama (1981) temsil etkisi hipotezinde, hisse senedi getirileri ile enflasyon arasındaki negatif ilişkiyi para talebi ve paranın miktar teorilerini kullanarak açıklamaya çalışmaktadır. Bu hipoteze göre yükselen enflasyon oranı, para talebini ve reel iktisadi faaliyetleri azaltmaktadır. İktisadi faaliyetler azaldığında ise, bu durum işletmelerin gelecekte beklenen karlarını ve böylece işletmelerin hisse senedi fiyatlarını negatif bir şekilde etkilemektedir. Bu iddia reel getirilerin, reel faktörler tarafından belirlendiğini ifade eden Fisher hipotezini desteklemektedir. Fama’ya (1981) göre, hisse senedi getirileri ile enflasyon arasındaki negatif yönlü anormal ilişki, hem reel değişkenlerin hem de beklenen ve beklenmeyen enflasyon oranı ölçülerinin hisse senedi getirilerini açıklamak için kullanılmasıyla ortadan kalkmaktadır.

Temsil etkisi hipotezi, literatürde birçok çalışma tarafından incelenmektedir. Bu

çalışmalardan birçoğu ABD ve diğer sanayileşmiş ülkelerde (Hiraki, 1985, s. 73-87; Mandelker ve Tandon, 1985, s. 267-286; Kaul, 1987, s. 253-276; Cozier ve Rahman, 1988, s. 759-774; McCarthy vd., 1990, s. 251-263; Cochran ve Defina, 1993, s. 263-274; Liu vd., 1993, s. 261-268); bazıları ise gelişmekte olan ülkelerde bu hipotezin geçerliliğini test etmektedir. (Chatrath, Ramchander ve Song, 1997, s. 439-445; Adrangi, Chatrath ve Raffiee, 1999a, s. 266-278; Adrangi, Chatrath ve Shank, 1999b, s. 63-74; Al-Khazali, 2003, s. 287-314; Çifter, 2015, s. 55-76). Sarı ve Soytaş (2005), Ocak 1986 – Aralık 2000 dönemi verilerini kullanarak Fisher ve temsil etkisi hipotezlerini Türkiye için test etmektedir. Yazarlar enflasyonu, toptan eşya fiyat endeksini kullanarak ölçmekte ve enflasyonu beklenen ve beklenemeyen enflasyon bileşenlerine Hodrick ve Prescott (1997) tarafından önerilen Hodrick-Prescott Filter (HPF) yöntemini kullanarak ayırmaktadır. Yazarlar, incelenen dönemde enflasyon ve reel hisse senedi getirileri arasında negatif bir ilişki olduğunu belirtmekte ve bu duruma beklenmeyen enflasyon bileşeninin neden olduğunu vurgulamaktadır. Bu sonuçlar, Fisher hipotezinin Türkiye’deki geçerliliğini desteklemektedir. Diğer taraftan, çalışma temsil etkisi hipotezini destekleyen güçlü sonuçlar sunamamaktadır. Al-Khazali (2003) ise, yirmi bir gelişmekte olan ülkeyi incelediği çalışmasında, Türkiye’de uzun dönemde temsil etkisinin geçerli, kısa dönemde ise geçersiz olduğunu ileri sürmektedir. Erbaykal, Okuyan ve Kadıoğlu (2008), Ocak 1987 – Şubat 2006 dönemini kapsayan çalışmalarında, Pesaran, Shin ve Smith (2001) tarafından geliştirilen sınır testi yaklaşımını (bound testing approach) kullanarak Türkiye’de temsil etkisi hipotezinin geçerliliğine dair güçlü kanıtlar ortaya koymaktadır. Acaravcı, Acaravcı ve Öztürk (2011) de yine aynı yöntemi kullanarak 1978-2008 yılları arasındaki dönemde hisse senedi fiyatları ile enflasyon arasındaki uzun dönemli ilişkiyi incelemektedir. Yazarlar, incelenen dönemde Fisher hipotezini genel olarak destekleyen sonuçlar elde etmiş ve hisse senedi yatırımlarının enflasyona karşı koruma sağladığı sonucuna ulaşmıştır. Türkiye’de Fisher hipotezinin geçerliliğini nominal faiz oranı ile enflasyon oranı verilerini kullanarak inceleyen çalışmalara da rastlamak mümkündür (Şimşek ve Kadılar, 2006, s. 99-111; Gül ve Açıkalın, 2008, s. 3227-3231; Yılancı, 2009, s. 205-213; Büberkökü, 2014, s. 80-90).

Literatürde enflasyon, hisse senedi getirileri ve reel iktisadi faaliyetler arasındaki

ilişkileri farklı yöntemler kullanarak inceleyen çalışmalar da mevcuttur. Wei (2010), tamamıyla rasyonel dinamik bir genel denge modelinin, hisse senetlerine ait temettü geliri ile enflasyon arasındaki pozitif bir ilişkiyi ortaya koyabileceğini savunmaktadır. Simpson ve Ramchander (2012) ise, değişen parasal koşullar (parasal genişleme veya parasal daralma) altında enflasyonun hisse senedi getirileri üzerindeki asimetrik ve kesitsel etkilerini panel veri


84

regresyon modelleri yardımıyla açıklamaya çalışmaktadır. Diğer taraftan Çifter (2015), Markov değişim dinamik regresyon (Markov-switching dynamic regression, MS-DR) yaklaşımını kullanarak enflasyon ve reel hisse senedi getirileri arasındaki negatif ilişkinin rejime dayalı modeller aracılığıyla açıklanabileceğini ileri sürmektedir. Chang (2013) ise, sınır testi yaklaşımını kullanarak Japonya hisse senedi piyasasının enflasyona karşı bir koruma sağlayıp sağlamadığını araştırmaktadır.

3. Araştırmanın Hipotezleri Etkin piyasalar hipotezi, varlık fiyatlarının piyasaya açıklanmış ya da piyasa katılımcıları

tarafından beklenen bilgileri içerdiğini ileri sürmektedir. Bu hipotezin temel çıkarımı, kısa vadede varlık fiyatı değişimlerinin piyasaya gelen yeni bilgilerin ya da piyasa tarafından beklenen (tahmin edilen) haberlerin beklenmeyen bölümünün sonucu olduğu ve bu nedenle de fiyat değişimlerinin tahmin edilemeyeceğidir. Ampirik çalışmalar, varlık fiyatlarının büyük ölçüde piyasaya gelen yeni ve beklenmeyen bilgilere tepki verdiğini göstermektedir (Schwert, 1981, s. 15-29; Birz ve Lott, 2011, s. 2791-2800). Ancak, hangi bilgilerin varlık fiyatları üzerinde etkili olduğu hakkında genel bir fikir birliği de yoktur3.

Makroekonomik değişkenlere ilişkin bilgilerin hisse senedi getirisi üzerindeki etkilerini

araştıran çalışmalar incelendiğinde, piyasa tarafından beklenen ve beklenmeyen ekonomik verileri elde etmek için çoğunlukla piyasa katılımcılarının makroekonomik değişkenlerle ilgili beklentilerini sundukları anket sonuçlarının kullanıldığı görülmektedir. Çalışmalarda beklenmeyen verilerin, kamu otoritesinin (TÜİK gibi) açıkladığı makroekonomik değişkenler ile bu değişkenlere ait anket sonuçları arasındaki fark kullanılarak bulunduğu göze çarpmaktadır. Bu fark sıfıra eşit değilse, ekonomik koşullar hakkında beklenmeyen yeni bir bilgiyi ifade etmekte ve hisse senedi fiyatlarında değişikliğe yol açabilmektedir (Birz ve Lott, 2011, s. 2793). Bu nedenle piyasa katılımcılarının, enflasyon oranının bir kısmını tahmin etmeleri beklenmektedir. Enflasyon oranının beklenmeyen kısmının ise, hisse senedi piyasaları için şaşırtıcı olabileceği ve hisse senedi getirilerini etkileyebileceği düşünülmektedir. Çalışmada hisse senedi getirileri için Fisher hipotezi bağlamında, oluşturulan hipotezler aşağıdaki gibidir (Fama ve Schwert, 1977, s. 116; Chatrath vd., 1997, s. 440; Adrangi vd., 1999a, s. 269).

H1: Borsa İstanbul hisse senetleri piyasası etkindir. H2: Borsa İstanbul hisse senetleri piyasasında elde edilen reel hisse senedi getirileri

ile beklenen enflasyon oranı birbirinden bağımsız hareket etmektedir. Eğer reel hisse senedi getirileri ile enflasyonun herhangi bir bileşeni arasında

istatistiksel olarak anlamlı negatif bir ilişki söz konusuysa, bu durum Fama’nın (1981) temsil etkisi hipotezi ile açıklanabilir. Temsil etkisi hipotezi, hisse senedi getirileri ile enflasyon arasındaki negatif ilişkinin sahte olduğunu ve negatif ilişkinin, enflasyon ile reel iktisadi faaliyetler arasındaki negatif ilişkiden kaynaklandığını ileri sürmektedir (Fama, 1981, s. 545). Bu bağlamda çalışmada test edilecek diğer hipotezler aşağıdaki şekilde oluşturulmuştur.

H3: Enflasyon ve reel iktisadi faaliyetler arasında negatif biri ilişki vardır. H4: Borsa İstanbul hisse senetleri piyasasında elde edilen hisse senedi getirileri

doğrudan reel iktisadi faaliyetler ile ilişkilidir. 4. Veri ve Metodoloji Bu çalışmada, BIST 100 getiri endeksi (BIST), TÜFE endeksi (TÜFE), cari ayın TÜFE

beklentisi4 ve sanayi üretim endeksi (SÜE) verilerinden yararlanılmaktadır. BIST 100 getiri endeksi, hisse senedi getirisini; TÜFE endeksi, enflasyon oranını; cari ayın TÜFE beklentisi, beklenen enflasyon oranını ve sanayi üretim endeksi, reel iktisadi faaliyet göstergesini

Bankacılar Dergisi

85

hesaplamak için kullanılmaktadır. Veriler, aylık frekansta olup TCMB, Türkiye İstatistik Kurumu (TÜİK) ve Borsa İstanbul internet sitelerinden elde edilmiştir. Veri seti, Ocak 2003 ile Aralık 2014 tarihleri arasında geçen on iki yıllık bir dönemi kapsamaktadır.

Çalışmada ilk olarak reel hisse senedi getirileri ile enflasyon oranı arasında bir ilişki

olup olmadığı aşağıdaki model yardımıyla araştırılmaktadır.

𝑅𝑡 − 𝐼𝑁𝐹𝑡 = 𝛼 + 𝛽𝐼𝑁𝐹𝑡 + 휀𝑡 (1)

Model (1)’de Rt-INFt, t ayındaki reel hisse senedi getirisini ifade etmektedir ve t ayındaki nominal hisse senedi getirisinden, Rt, t ayındaki enflasyon oranının, INFt, çıkarılmasıyla elde edilmektedir. t ayındaki nominal hisse senedi getirisi, Rt = ln(BISTt/BISTt-1) şeklinde; t ayındaki enflasyon oranı ise, INFt= ln(TÜFEt/TÜFEt-1) şeklinde hesaplanmaktadır. Model’de β katsayısı, enflasyon oranı ile reel hisse senedi getirisi arasındaki ilişkiyi göstermektedir. Literatürde, reel hisse senedi getirileri ile enflasyon oranı arasında çoğunlukla negatif bir ilişkinin olduğu tespit edilmiştir. Bir başka ifadeyle, enflasyon oranı arttıkça (azaldıkça) reel hisse senedi getirisi düşmektedir (yükselmektedir). β katsayısı negatif ve istatistiksel olarak anlamlı çıkarsa, önceki çalışmalara paralel bir bulgu elde edilmiş olacaktır.

Fama ve Schwert (1977), Fisher hipotezi bağlamında hisse senedi piyasalarının etkin

olduğunu ve reel hisse senedi getirileriyle beklenen enflasyonun birbirinden bağımsız hareket ettiğini ileri sürmektedir. Etkin bir piyasada, hisse senedi fiyatlarının sadece beklenmeyen bilgilere tepki verdiği varsayılmaktadır. Bu doğrultuda, reel hisse senedi getirilerinin sadece beklenmeyen enflasyona tepki vermesi beklenir. Beklenen ve beklenmeyen enflasyon bileşenlerinin, reel hisse senedi getirileri ile arasında bir ilişki olup olmadığı ya da bir ilişki söz konusuysa bu ilişkinin yönünün ne olduğunu belirlemek için aşağıdaki modellere başvurulmaktadır (Fama ve Schwert, 1977, s. 116-117; Chatrath vd., 1997, s. 440; Adrangi vd., 1999a, s. 269).

𝑅𝑡 − 𝐼𝑁𝐹𝑡 = 𝛼 + 𝛽1𝐸𝐼𝑁𝐹𝑡 + 휀𝑡 (2)

𝑅𝑡 − 𝐼𝑁𝐹𝑡 = 𝛼 + 𝛽1𝐸𝐼𝑁𝐹𝑡 + 𝛽2𝑈𝐼𝑁𝐹𝑡 + 휀𝑡 (3)

Bu modellerdeki EINFt, t ayındaki beklenen enflasyon oranıdır ve TCMB’nin t-1 ayında

uyguladığı Beklenti Anketi sonuçlarından elde edilmiştir. UINFt ise, t ayındaki beklenmeyen enflasyon oranıdır ve INFt ile EINFt arasındaki farka eşittir. Model (2)’de β1 katsayısı, reel hisse senedi getirileri ile beklenen enflasyon oranı arasındaki ilişkiyi temsil etmektedir. Model (2)’de β1’in sıfıra eşit olması Fisher hipotezi ile uyumludur ve hisse senedi piyasasının beklenen enflasyona karşı etkin bir koruma sağladığı anlamına gelmektedir. Bir başka ifadeyle böyle bir bulgunun elde edilmesi halinde, H1 ve H2’yi destekleyen sonuçlar ortaya koyulacaktır. Model (3)’te ise, enflasyon bileşenleri ile reel hisse senedi getirileri arasındaki ilişki araştırılmaktadır. Model (3)’te, β1’in sıfıra; β2’nin ise sıfırdan farklı bir değere eşit olması durumunda H1 ve H2 yine kabul edilecektir. Eğer beklenen ve beklenmeyen enflasyon oranının, hisse senedi getirileriyle arasında anlamlı bir ilişki yoksa β1 ve β2 katsayılarının sıfıra eşit olması (β1=β2=0) gerekmektedir. Bu durum hisse senedi yatırımlarının, hem beklenen hem de beklenmeyen enflasyona karşı etkin bir koruma sağladığını gösterecektir.

Fama’nın (1981) temsil etkisi hipotezi, hisse senedi getirileri ile enflasyon arasındaki

negatif ilişkinin; enflasyon ile reel iktisadi faaliyetler arasındaki negatif ilişkiden kaynaklandığını ileri sürmektedir. Yazara göre, iktisadi faaliyetlerdeki bir azalma, gelecekteki şirket karlarını ve hisse senedi getirilerini olumsuz yönde etkilemektedir. Bu nedenle Model (4) ve Model (5) aracılığıyla reel iktisadi faaliyetlerin enflasyon ve hisse senedi getirileri üzerindeki etkileri araştırılmaktadır5.


86

𝐼𝑁𝐹𝑡 = 𝛼 + ∑ Ψ𝑖

𝑘

𝑖=−𝑘

𝐺𝐼𝑃𝑡+𝑖 + 휀𝑡 (4)

𝑅𝑡 − 𝐼𝑁𝐹𝑡 = 𝛿 + ∑ γ𝑖

𝑘

𝑖=−𝑘


Model (4) ve Model (5)’te GIP, iktisadi faaliyetlerdeki büyüme oranını ifade etmekte ve

sanayi üretim endeksi kullanılarak hesaplanmaktadır (GIPt= ln(SÜEt/SÜEt-1). Model (4) ve Model (5)’da, GIP’ın öncül ve gecikmeli değerleri de modellere bağımsız değişken olarak dahil edilmektedir6. Model (4)’te yer alan ᴪi katsayısının istatistiksel olarak anlamlı bir şekilde negatif; Model (5)’te yer alan γi katsayısının ise, istatistiksel olarak anlamlı bir şekilde pozitif çıkması beklenmektedir. Böylece, temsil etkisi hipotezi kabul edilecek diğer bir ifadeyle de H3 ve H4’ü destekleyici bulgular ortaya koyulacaktır.

Temsil etkisi hipotezini doğru bir şekilde test edebilmek için öncelikle iktisadi

faaliyetlerdeki büyümenin enflasyon üzerindeki muhtemel etkilerinin arındırılması gerekmektedir. Bu nedenle arındırılmış enflasyon oranı değişkeninin reel hisse senedi getirileri ile modellenmesi gerekmektedir (Chatrath vd., 1997, s. 441; Adrangi vd., 1999a, s. 274).

𝑅𝑡 − 𝐼𝑁𝐹𝑡 = 𝛼 + ∑ 𝛽𝑖

𝑘

𝑖=−𝑘

𝐺𝐼𝑃𝑡+𝑖 + 𝜃𝑖𝜉𝑡𝑗 + 휀𝑡 , 𝑗 = 1, 2, 3 (6)

Model (6)’da kullanılan arındırılmış enflasyon değişkeni, ξtj, Model (7, 8 ve 9)’dan elde

edilen kalıntı değerlerine eşittir. Bir başka ifadeyle, enflasyon (INFt), beklenen enflasyon (EINFt) ve beklenmeyen enflasyon (EINFt) değişkenlerinin, reel iktisadi faaliyetler (GIPt+i) değişkeni ile regresyona tabi tutulduğunda elde edilen regresyon kalıntılarıdır. Model (6)’da temsil etkisi hipotezini destekleyen sonuçların ortaya koyulabilmesi için θi’nin sıfıra eşit olması gerekmektedir.

𝐼𝑁𝐹𝑡 = 𝛼𝐼 + ∑ ϕ𝐼

𝑘

𝑖=−𝑘

𝐺𝐼𝑃𝑡+𝑖 + 𝜉𝑡𝐼 (7)

𝐸𝐼𝑁𝐹𝑡 = 𝛼𝐼𝐼 + ∑ ϕ𝐼𝐼

𝑘

𝑖=−𝑘

𝐺𝐼𝑃𝑡+𝑖 + 𝜉𝑡𝐼𝐼 (8)

𝑈𝐼𝑁𝐹𝑡 = 𝛼𝐼𝐼𝐼 + ∑ ϕ𝐼𝐼𝐼

𝑘

𝑖=−𝑘

𝐺𝐼𝑃𝑡+𝑖 + 𝜉𝑡𝐼𝐼𝐼 (9)

5. Ampirik Bulgular Çalışmada ilk olarak Augmented Dickey-Fuller (ADF) ve Phillips-Perron (PP) testleri

yardımıyla regresyon analizinde kullanılan değişkenlerin birim köke sahip olup olmadıkları test edilmiştir. Tablo 1 Panel A, BIST 100 getiri endeksi (BISTt), sanayi üretim endeksi (SÜEt) ve tüketici fiyat endeksi (TÜFEt) serilerinin düzeyde birim kök içerdiğini göstermektedir. Diğer taraftan, reel hisse senedi getirisi (Rt-INFt), sanayi üretimindeki büyüme oranı (GIPt), enflasyon oranı (INFt), beklenen enflasyon oranı (EINFt) ve beklenmeyen enflasyon oranı (UINFt) Tablo 1 Panel B’de gösterildiği gibi birim kök içermemektedir. Bu sonuçlar, regresyon modellerinde kullanılan tüm değişkenlerin durağan olduğunu ve sahte regresyon sorununa yol açmadığını bildirmektedir.

Bankacılar Dergisi

87

Tablo 1: ADF ve PP Birim Kök Test Sonuçları

Değişken ADF PP

Panel A: Düzey Serileri BISTt

(a) -0.6182 -0.5813

BISTt(b)

-2.8154 -2.8945 BISTt

(c) 1.3649 1.4099

SÜEt

(a) -1.5060 -2.3982

SÜEt(b)

-3.2704*

-7.1843***

SÜEt(c)

1.0878 1.8303 TÜFEt

(a) 2.7223 3.9466

TÜFEt(b)

-1.1790 -1.6211 TÜFEt

(c) 7.2294 19.4690

Panel B: Yüzde Değişim Serileri Rt-INFt

(a) -11.9094

*** -11.9154

***

Rt-INFt(b)

-11.9377***

-11.9402***

Rt-INFt

(c) -11.8179

*** -11.8303

***

GIPt

(a) -2.4497 -33.7599

***

GIPt(b)

-2.5078 -46.4906***

GIPt

(c) -2.1159

** -22.4224

***

INFt

(a) -8.8340

*** -13.9292

***

INFt(b)

-8.8381***

-23.7913***

INFt

(c) -0.9403 -6.2678

***

EINFt

(a) -3.6668

*** -6.2023

***

EINFt(b)

-3.8371** -8.2677

***

EINFt(c)

-1.7673* -4.1845

***

UINFt

(a) -11.2129

*** -11.1997

***

UINFt(b)

-11.5021***

-11.4929***

UINFt

(c) -11.1561

*** -11.1458

***

BISTt, SÜEt ve TÜFEt sırasıyla BIST 100 getiri endeksi, sanayi üretim endeksi ve tüketici fiyat endeksini temsil etmektedir. Rt, hisse senedi getirisidir ve ln (BISTt/BISTt-1) şeklinde hesaplanmaktadır. INFt, enflasyon oranıdır ve ln (TÜFEt/TÜFEt-1) şeklinde hesaplanmaktadır. Rt-INFt ise, hisse senedi getirisinden enflasyon oranının çıkartılmasıyla elde edilen reel hisse senedi getirisidir. EINFt, beklenen enflasyon oranıdır ve TCMB’nin Beklenti Anketi’nden alınmıştır. UINFt, beklenmeyen enflasyon oranıdır ve INFt-EINFt şeklinde hesaplanmaktadır. (a) ve (b) Augmented Dickey-Fuller (ADF) ve Phillips-Perron (PP) testlerinde kullanılan regresyonların sırasıyla sabit, sabit ve eğilim katsayısı içerdiğini (c) ise, hem sabit hem de eğilim katsayısı içermediğini göstermektedir.

***,

**,

* sırasıyla

%1, %5 ve %10 düzeyinde anlamlılığı ifade etmektedir.

Tablo 2, Rt-INFt ile INFt, EINFt ve UINFt değişkenleri arasındaki ilişkiyi göstermektedir

(Model 1, 2 ve 3). Bir başka ifadeyle Fisher hipotezi bağlamında, hisse senedi getirileriyle enflasyon arasındaki ilişkiye ait sonuçlar bu tabloda sunulmaktadır (Model 2 ve 3). Model (1)’e ilişkin sonuçlar, reel hisse senedi getirileriyle enflasyon arasındaki ilişki hakkında ipucu vermekte ve sonraki testler için bir nirengi noktası oluşturmaktadır. Model (1) için rapor edilen sonuçlara göre, Rt-INFt ile INFt arasında istatistiksel olarak anlamlı negatif bir ilişki söz konusudur (β = -2.3369, t-istatistiği = -2.4890 ve R2 = 0.0421). Bu sonuç, reel hisse senedi getirilerinin enflasyondan bağımsız olmadığı anlamına gelmektedir. Ancak, Rt-INFt ile INFt arasındaki bu negatif ilişkinin, esas olarak enflasyonun beklenmeyen enflasyon bileşeninden kaynaklandığı söylenebilir. Model (3)’te, UINFt’nin katsayısı istatistiksel olarak anlamlı bir şekilde negatif bulunmuştur (β2 = -3.1428 ve t-istatistiği = -2.9893). EINFt’nin katsayısı ise, hem Model (2)’de hem de Model (3)’te negatif ancak istatistiksel olarak anlamlı değildir (sırasıyla β1 = -1.2260; t-istatistiği = -0.7234 ve β1 = -1.0711; t-istatistiği = -0.6812). Bu bulgu, Borsa İstanbul’un beklenen enflasyona karşı etkin bir koruma sağladığı anlamına gelmektedir. Ayrıca, Borsa İstanbul’un etkin piyasalar hipotezi ile tutarlı bir şekilde hareket


88

ettiği görülmektedir. Bir başka ifadeyle etkin piyasalar hipotezinin ileri sürdüğü gibi Borsa İstanbul, beklenmeyen enflasyon oranına tepki verirken, beklenen enflasyon oranına tepki vermemektedir. Diğer taraftan Borsa İstanbul’un her iki enflasyon bileşenine karşı etkin bir koruma sağladığı (β1 = β2 = 0) söylenemez (F-istatistiği = 5.2507). Özetle, H1 ve H2 kabul edilmiş ve reel hisse senedi getirileri ile beklenen enflasyon oranı arasında anlamlı bir ilişki olmadığını ifade eden Fisher hipotezini destekleyen sonuçlara ulaşılmıştır. Literatürde, birçok çalışmada da benzer sonuçlar elde edilmiştir (Chatrath vd., 1997, s. 439-445; Adrangi vd., 1999b, s. 63-74; Sarı ve Soytaş, 2005, s. 181-192; Porter ve Zhu, 2007, s. 71-80).

Tablo 2: Hisse Senedi Getirileri ve Enflasyon

Sabit INFt EINFt UINFt R2

(1) 0.0251***

(2.6373) -2.3369

**

(-2.4890) - - 0.0421

(2) 0.0184 (1.4278)

- -1.2260

(-0.7234) - 0.0043

(3) 0.0153 (1.2137)

- -1.0711

(-0.6812) -3.1428

***

(-2.9893) 0.0494

Bütün değişkenler Tablo 1’de tanımlandığı gibidir. ***

, ** sırasıyla

%1 ve %5 düzeyinde anlamlılığı göstermektedir. Parantez

içindeki değerler katsayıların t-istatistikleridir. Model (2 ve 3), Newey-West’in değişen varyans ve otokorelasyona tutarlı kovaryans matrisleri kullanılarak en küçük kareler yöntemi ile tahmin edilmiştir.

𝑅𝑡 − 𝐼𝑁𝐹𝑡 = 𝛼 + 𝛽𝐼𝑁𝐹𝑡 + 휀𝑡 (1)

𝑅𝑡 − 𝐼𝑁𝐹𝑡 = 𝛼 + 𝛽1𝐸𝐼𝑁𝐹𝑡 + 휀𝑡 (2)

𝑅𝑡 − 𝐼𝑁𝐹𝑡 = 𝛼 + 𝛽1𝐸𝐼𝑁𝐹𝑡 + 𝛽2𝑈𝐼𝑁𝐹𝑡 + 휀𝑡 (3)

Tablo 3, temsil etkisi hipotezi bağlamında oluşturulan H3 ve H4’e ilişkin test sonuçlarını

göstermektedir. Tablo 3 Panel A’da INFt ve GIPt arasındaki ilişkiyi analiz eden Model (4)’e ilişkin regresyon sonucu yer almaktadır. INFt üzerinde GIPt bağımsız değişkeninin beşinci öncül ve gecikmeli değerlerinin pozitif bir etkiye sahip olduğu görülmektedir. Bu değişkenlere ilişkin katsayılar istatistiksel olarak sırasıyla %1 ve %5 düzeyinde anlamlıdır (ᴪ5 = 0.0428; t-istatistiği = 4.1136 ve ᴪ-5 = 0.0229; t-istatistiği = 2.1323). Diğer taraftan GIPt’nin üçüncü öncül değişkeni, INFt üzerinde %1 düzeyinde istatistiksel olarak anlamlı ve negatif etkiye sahiptir (ᴪ3 = -0.0317; t-istatistiği = -3.5555). Diğer regresyon katsayıları incelendiğinde ise, bazılarının negatif, bazılarının ise pozitif işaretli değerler aldığı görülmektedir. Ancak, bu katsayılar istatistiksel olarak anlamlı değildir. Bu bulgular, enflasyon ve reel iktisadi faaliyetler arasında negatif bir ilişki olduğunu iddia eden temsil etkisi hipoteziyle çelişmektedir ve H3’ü desteklememektedir. Sarı ve Soytaş (2005), 1986-2000 dönemini kapsayan çalışmalarında bu değişkenler arasında negatif bir ilişki olduğunu göstermektedir. Tablo 3 Panel B’de ise, Rt-INFt ile GIPt arasındaki ilişkiyi analiz eden Model (5)’e ilişkin regresyon sonucu sunulmaktadır. Yalnız GIPt+3 değişkenine ilişkin katsayı pozitiftir ve yüzde 1 düzeyinde istatistiksel olarak anlamlıdır. GIPt’ye ilişkin diğer tüm katsayılar da beklenildiği gibi pozitiftir ancak istatistiksel olarak anlamlı değildir. Bu bağlamda, diğer çalışmalarda göz önünde bulundurularak (Chatrath vd., 1997, s. 439-445; Sarı ve Soytaş, 2005, s. 181-192) bu sonucun genel olarak temsil etkisi hipoteziyle tutarlı olduğunu yani H4’ü desteklediğini söyleyebiliriz.

Temsil etkisi hipotezine ilişkin elde edilen bulguların doğruluğunu kontrol etmek

amacıyla Model (6) kurulmuştur. Model (6)’daki arındırılmış enflasyon (ξt) bağımsız değişkeni, INFt, EINFt ve UINFt değişkenlerinin Model (7, 8 ve 9)’da GIPt+i değişkeni ile regresyona tabi tutulması sonucunda elde edilmiştir. Arındırılmış enflasyon değerleri bu modellerin kalıntılarından oluşturulmuştur. Tablo 4, Model (6)’ya ilişkin bulguları göstermektedir. Tablo 4’te birinci sütun (I), Rt-INFt ile arındırılmış enflasyon ve GIP’in eş zamanlı, öncül ve gecikmeli değerleri arasındaki ilişkiyi göstermektedir. Buradan hareketle INFt ve GIPt arasındaki ilişkinin kontrol altına alınmasından sonra bile, temsil etkisi hipotezinin aksine, enflasyon ve reel hisse senedi getirileri arasındaki negatif ilişkinin devam ettiği sonucuna ulaşılmaktadır (θtI = -2.5244 ve t-istatistiği = -2.7275). Tablo 4’te ikinci (II) ve

Bankacılar Dergisi

89

üçüncü sütun (III), sırasıyla Rt-INFt ile arındırılmış beklenen ve beklenmeyen enflasyon değişkenleri ve GIPt’nin eş zamanlı, öncül ve gecikmeli değerleri arasındaki ilişkiyi göstermektedir. Bulgular, reel hisse senedi getirileri ile beklenen enflasyonun birbirinden bağımsız olduğunu belirtmektedir. Çünkü arındırılmış beklenen enflasyon oranının katsayısı istatistiksel olarak anlamsız çıkmıştır (θtII = 0.1179 ve t-istatistiği = 0.0397).

Tablo 3: Temsil Etkisi Hipotezinin Test Sonuçları

Panel A. Enflasyonist Eğilimler ve Reel

İktisadi Faaliyetler Model (4)

Panel B. Hisse Senedi Getirileri ve Reel

İktisadi Faaliyetler Model (5)

α/δ 0.0065***

(8.7707) 0.0038

(0.4621) GIPt-6 0.0194

(1.6304)

GIPt-5 0.0229**

(2.1323)

GIPt-4 0.0078 (0.6787)

GIPt-3 -0.0139

(-1.4355) 0.0155

(0.1582) GIPt-2 -0.0105

(-0.8538) 0.0935

(0.6201) GIPt-1 -0.0093

(-0.7702) 0.1642

(0.9897) GIPt -0.0049

(-0.3645) 0.1480

(0.9794) GIPt+1 -0.0005

(0.0543) 0.1694

(1.3605) GIPt+2 -0.0066

(-0.7152) 0.2562

(1.4878) GIPt+3 -0.0317

***

(-3.5555) 0.3216

***

(2.6244) GIPt+4 0.0073

(0.6831)

GIPt+5 0.0428***

(4.1136)

GIPt+6 0.0187 (1.6107)

R

2 0.3354 0.0729

Bütün değişkenler Tablo 1’de tanımlandığı gibidir. GIPt bağımsız değişkeninin öncül ve gecikmeli değerleri, minimum Akaike Bilgi Kriteri (AIC)’ne göre belirlenmiştir.

*** ve

** sırasıyla %1 ve %5 düzeyinde anlamlılığı göstermektedir. Parantez içindeki

değerler katsayıların t-istatistikleridir. Modeller (4 ve 5), Newey-West’in değişen varyans ve otokorelasyona tutarlı kovaryans matrisleri kullanılarak en küçük kareler yöntemi kullanılarak tahmin edilmektedir.

𝐼𝑁𝐹𝑡 = 𝛼 + ∑ Ψ𝑖

𝑘

𝑖=−𝑘


𝑅𝑡 − 𝐼𝑁𝐹𝑡 = 𝛿 + ∑ γ𝑖

𝑘

𝑖=−𝑘


Bu durum, Tablo 2’de sunulan bulgular ile tutarlıdır. Arındırılmış beklenmeyen

enflasyon oranı katsayısı negatiftir ve yüzde 10 düzeyinde istatistiksel olarak anlamlıdır (θtIII = -2,4531 ve t-istatistiği = -1.9617). Yine Tablo 2’de olduğu gibi Tablo 4’te de, enflasyon ve reel hisse senedi getirileri arasındaki negatif ilişkinin büyük ölçüde reel hisse senedi getirileri ile beklenmeyen enflasyon arasındaki ilişki tarafından açıklandığı görülmektedir. Ayrıca, Tablo 3’te gösterildiği gibi GIPt+3 değişkeninin katsayısı tüm modeller için pozitiftir ve yüzde 1 düzeyinde istatistiksel olarak anlamlıdır.


90

Tablo 4: Reel Getiriler, Enflasyon ve Reel İktisadi Faaliyetler

I II III

α 0.0050 (0.6087)

0.0007 (0.0925)

0.0038 (0.4564)

GIPt-3 0.0293 (0.2931)

0.0058 (0.0566)

0.0155 (0.1567)

GIPt-2 0.1178 (0.7387)

0.1389 (0.9227)

0.0935 (0.6070)

GIPt-1 0.1939 (1.1079)

0.2078 (1.2245)

0.1642 (0.9603)

GIPt 0.1881 (1.1640)

0.1451 (0.9565)

0.1480 (0.9384)

GIPt+1 0.1951 (1.5623)

0.2103*

(1.8742) 0.1694

(1.3110) GIPt+2 0.2831

(1.6137) 0.3694

**

(2.1724) 0.2562

(1.4526) GIPt+3 0.3499

***

(3.0392) 0.4044

***

(3.4906) 0.3216

***

(2.6653) θ -2.5244

***

(-2.7275) 0.1179

(0.0397) -2.4531

*

(-1.9617) R

2 0.1205 0.0884 0.0976

Bütün değişkenler Tablo 1’de tanımlandığı gibidir. ***

ve * sırasıyla %1 ve %10 düzeyinde anlamlılığı göstermektedir. Parantez

içindeki değerler katsayıların t-istatistikleridir.

𝑅𝑡 − 𝐼𝑁𝐹𝑡 = 𝛼𝐼 + ∑ 𝛽𝑖𝐼

𝑘

𝑖=−𝑘

𝐺𝐼𝑃𝑡+𝑖 + 𝜃𝑖𝐼𝜉𝑡𝐼 + 휀𝑡

𝐼𝑁𝐹𝑡 = 𝛼𝐼 + ∑ ϕ𝐼

𝑘

𝑖=−𝑘

𝐺𝐼𝑃𝑡+𝑖 + 𝜉𝑡𝐼

(I)

𝑅𝑡 − 𝐼𝑁𝐹𝑡 = 𝛼𝐼𝐼 + ∑ 𝛽𝑖𝐼𝐼

𝑘

𝑖=−𝑘

𝐺𝐼𝑃𝑡+𝑖 + 𝜃𝑖𝐼𝐼𝜉𝑡𝐼𝐼 + 휀𝑡

𝐸𝐼𝑁𝐹𝑡 = 𝛼𝐼𝐼 + ∑ ϕ𝐼𝐼

𝑘

𝑖=−𝑘

𝐺𝐼𝑃𝑡+𝑖 + 𝜉𝑡𝐼𝐼

(II)

𝑅𝑡 − 𝐼𝑁𝐹𝑡 = 𝛼𝐼𝐼𝐼 + ∑ 𝛽𝑖𝐼𝐼𝐼

𝑘

𝑖=−𝑘

𝐺𝐼𝑃𝑡+𝑖 + 𝜃𝑖𝐼𝐼𝐼𝜉𝑡𝐼𝐼𝐼 + 휀𝑡

𝑈𝐼𝑁𝐹𝑡 = 𝛼𝐼𝐼𝐼 + ∑ ϕ𝐼𝐼𝐼

𝑘

𝑖=−𝑘

𝐺𝐼𝑃𝑡+𝑖 + 𝜉𝑡𝐼𝐼𝐼

(III)

6. Sonuç Bu çalışmada, Türkiye’de hisse senedi getirileri ile enflasyon arasındaki ilişki

incelemektedir. Literatürdeki birçok çalışmaya paralel olarak, Ocak 2003 - Aralık 2014 döneminde reel hisse senedi getirileriyle enflasyon arasında negatif bir ilişki olduğu ortaya koyulmaktadır. Ancak, enflasyon, TCMB’nin Beklenti Anketi sonuçları kullanılarak beklenen ve beklenmeyen enflasyon bileşenlerine ayrıldığında, reel hisse senedi getirileri ile beklenen enflasyon arasında istatistiksel olarak anlamlı bir ilişki olmadığı görülmektedir. Diğer taraftan, reel hisse senedi getirileri ile beklenmeyen enflasyon arasındaki negatif ilişki aynı şekilde devam etmektedir. Bu bulgular reel hisse senedi getirilerinin, beklenen enflasyondan bağımsız hareket ettiğini ileri süren Fisher hipotezini (Fisher, 1930) desteklemekte ve Borsa İstanbul’un etkin piyasalar hipoteziyle tutarlı olarak beklenmeyen bilgilere tepki verdiğini göstermektedir.

Çalışma, hisse senedi getirileri ile enflasyon arasındaki negatif ilişkiyi, enflasyon ile reel

iktisadi faaliyetler ve reel hisse senedi getirileri ile reel iktisadi faaliyetler arasındaki ilişkileri göz önünde tutarak açıklamaya çalışan temsil etkisi hipotezi (Fama, 1981) perspektifinden de incelemektedir. Bu bağlamda, enflasyon ve reel iktisadi faaliyetler arasında negatif; reel

Bankacılar Dergisi

91

iktisadi faaliyetler ile reel hisse senedi getirileri arasında pozitif bir ilişki olup olmadığı araştırılmaktadır. Araştırma bulgularına göre, enflasyon ve reel iktisadi faaliyetler arasında bariz bir negatif ilişki olup olmadığı gösterilememektedir. Diğer taraftan, reel iktisadi faaliyetler ile reel hisse senedi getirileri arasındaki ilişki pozitif bulunmuştur. Ayrıca, reel hisse senedi getirileri ile beklenmeyen enflasyon bileşeni arasındaki negatif ilişki olduğu da yapılan analizler sonucunda görülmektedir. Tüm bu bulgular, temsil etkisi hipotezini kısmen destekler niteliktedir.

Çalışmada enflasyon, hisse senedi getirileri ve reel iktisadi faaliyetler arasındaki ilişkiler

incelenirken enflasyonu temsilen tüketici fiyat endeksi, hisse senedi getirisini temsilen BIST 100 getiri endeksi verileri kullanılmaktadır. İleride yapılacak çalışmalarda enflasyonu temsilen üretici fiyat endeksi, hisse senedi getirisini temsilen ise sektörel endeksler (BIST SINAİ, BIST MALİ gibi) ya da bireysel hisse senedi getirileri tercih edilebilir. Ayrıca incelen dönem için enflasyon, beklenen ve beklenmeyen enflasyon bileşenlerine, literatürde sıkça başvurulan ekonometrik yöntemler kullanılarak ayrılıp sonuçlar karşılaştırmalı olarak tartışılabilir.

Kaynakça

Acaravcı, S. K., Acaravcı, A. ve Öztürk, İ. (2011). Stock Returns and Inflation Nexus in Turkey: Evidence from Ardl Bounds Testing Approach. Economic Computation and Economic Cybernetics Studies and Research, 45(3): 143-154.

Adrangi, B., Chatrath, A. ve Raffiee, K. (1999a). Inflation, Output, and Stock Prices: Evidence from Two Major Emerging Markets. Journal of Economics and Finance, 23(3): 266-278.

Adrangi, B., Chatrath, A. ve Shank, T. M. (1999b). Inflation, Output and Stock Prices: Evidence from Latin America. Managerial and Decision Economics, 20(2): 63-74.

Al-Khazali, O. M. (2003). Stock Prices, Inflation, and Output: Evidence from the Emerging Markets. Journal of Emerging Market Finance, 2(3): 287-314.

Birz, G. ve Lott, J. R. (2011). The Effect of Macroeconomic News on Stock Returns: New Evidence from Newspaper Coverage. Journal of Banking & Finance, 35(11): 2791-2800.

Bodie, Z. (1976). Common Stocks as a Hedge against Inflation. The Journal of Finance, 31(2): 459-470.

Büberkökü, Ö. (2014). Yükselen Piyasa Ekonomilerinde Nominal Faiz Oranları Ile Enflasyon Arasındaki İlişkinin Incelenmesi: Panel Koentegrasyon Testlerinden Kanıtlar. Bankacılar Dergisi, 25(88): 80-90.

Chang, H.-F. (2013). Are ‘Stock Returns’ a Hedge against Inflation in Japan? Determination Using Adl Bounds Testing. Applied Economics Letters, 20(14): 1305-1309.

Chatrath, A., Ramchander, S. ve Song, F. (1997). Stock Prices, Inflation and Output: Evidence from India. Applied Financial Economics, 7(4): 439-445.

Chen, N.-F., Roll, R. ve Ross, S. A. (1986). Economic Forces and the Stock Market. The Journal of Business, 59(3): 383-403.

Cochran, S. J. ve Defina, R. H. (1993). Inflation's Negative Effects on Real Stock Prices: New Evidence and a Test of the Proxy Effect Hypothesis. Applied Economics, 25(2): 263-274.

Cozier, B. V. ve Rahman, A. H. (1988). Stock Returns, Inflation, and Real Activity in Canada. The Canadian Journal of Economics, 21(4): 759-774.

Çifter, A. (2015). Stock Returns, Inflation, and Real Activity in Developing Countries: A Markov-Switching Approach. Panoeconomicus, 62(1): 55-76.

Deacon, M. ve Derry, A. (1994). Deriving Estimates of Inflation Expectations from the Prices of Uk Government Bonds. London: Bank of England.


92

Demiralp, S. ve Yılmaz, K. (2010). Para Politikası Beklentilerinin Sermaye Piyasaları Üzerindeki Etkisi. [TÜSİAD-Koç University Economic Research Forum working paper series]. (No. 1008).

Erbaykal, E., Okuyan, H. A. ve Kadıoğlu, Ö. (2008). Real Macro Economic Variables and Stock Prices: Test of Proxy Hypothesis in Turkey. Yeditepe International Research Conference on Business Strategies, Istanbul, Turkey.

Fama, E. F. (1981). Stock Returns, Real Activity, Inflation, and Money. The American Economic Review: 545-565.

Fama, E. F. (1982). Inflation, Output, and Money. The Journal of Business, 55(2): 201-231.

Fama, E. F. ve Schwert, G. W. (1977). Asset Returns and Inflation. Journal of Financial Economics, 5(2): 115-146.

Feldstein, M. S. (1980). Inflation and the Stock Market. The American Economic Review, 70(5): 839-847.

Fisher, I. (1930). The Theory of Interest. New York: MacMillan.

French, K. R., Ruback, R. S. ve Schwert, G. W. (1983). Effects of Nominal Contracting on Stock Returns. The Journal of Political Economy, 91(1): 70-96.

Gallagher, L. A. ve Taylor, M. P. (2002). The Stock Return–Inflation Puzzle Revisited. Economics Letters, 75(2): 147-156.

Geske, R. ve Roll, R. (1983). The Fiscal and Monetary Linkage between Stock Returns and Inflation. The Journal of Finance, 38(1): 1-33.

Gultekin, N. B. (1983). Stock Market Returns and Inflation: Evidence from Other Countries. The Journal of Finance, 38(1): 49-65.

Gül, E. ve Açıkalın, S. (2008). An Examination of the Fisher Hypothesis: The Case of Turkey. Applied Economics, 40(24): 3227-3231.

Hafer, R. W. ve Hein, S. E. (1985). On the Accuracy of Time-Series, Interest Rate, and Survey Forecasts of Inflation. The Journal of Business, 58(4): 377-398.

Hasbrouck, J. (1984). Stock Returns, Inflation, and Economic Activity: The Survey Evidence. The Journal of Finance, 39(5): 1293-1310.

Hiraki, T. (1985). Testing the Proxy Effect Hypothesis of Inflation on Stock Returns for the Japanese Market. Quarterly Journal of Business and Economics, 24(2): 73-87.

Hodrick, R. J. ve Prescott, E. C. (1997). Postwar Us Business Cycles: An Empirical Investigation. Journal of Money, credit, and Banking, 29(1): 1-16.

Jeffrey, F. J. ve Mandelker, G. (1976). The Fisher Effect for Risky Assets: An Empirical Investigation. The Journal of Finance, 31(2): 447-458.

Kaul, G. (1987). Stock Returns and Inflation: The Role of the Monetary Sector. Journal of Financial Economics, 18(2): 253-276.

Lee, U. (1998). A Test of the Proxy-Effect Hypothesis: Evidence from the Pacific Basin Countries. Quarterly Journal of Business and Economics, 37(3): 40-52.

Lintner, J. (1975). Inflation and Security Returns. The Journal of Finance, 30(2): 259-280.

Liu, Y. A., Hsueh, L. P. ve Clayton, R. J. (1993). A Reexamination of the Proxy Hypothesis. Journal of Financial Research, 16(3): 261-268.

Mandelker, G. ve Tandon, K. (1985). Common Stock Returns, Real Activity, Money, and Inflation: Some International Evidence. Journal of International Money and Finance, 4(2): 267-286.

Mccarthy, J., Najand, M. ve Seifert, B. (1990). Empirical Tests of the Proxy Hypothesis. Financial Review, 25(2): 251-263.

Modigliani, F. ve Cohn, R. A. (1979). Inflation, Rational Valuation and the Market. Financial Analysts Journal, 35(2): 24-44.

Bankacılar Dergisi

93

Nelson, C. R. (1976). Inflation and Rates of Return on Common Stocks. The Journal of Finance, 31(2): 471-483.

Newey, W. K. ve West, K. D. (1987). A Simple, Positive Semi-Definite, Heteroskedasticity and Autocorrelation Consistent Covariance Matrix. Econometrica, 55(3): 703-708.

Pearce, D. K. ve Roley, V. V. (1985). Stock Prices and Economic News. The Journal of Business, 58(1): 49-67.

Pearce, D. K. ve Roley, V. V. (1988). Firm Characteristics, Unanticipated Inflation, and Stock Returns. The Journal of Finance, 43(4): 965-981.

Pesaran, M. H., Shin, Y. ve Smith, R. J. (2001). Bounds Testing Approaches to the Analysis of Level Relationships. Journal of Applied Econometrics, 16(3): 289-326.

Pindyck, R. S. (1984). Risk, Inflation, and the Stock Market. The American Economic Review 74(3): 335-351.

Porter, D. C. ve Zhu, J. (2007). Efficient Markets, Real Stock Returns and Expected Inflation: Evidence Using the Michigan Inflation Expectation. Journal of International Finance & Economics, 7(1): 71-80.

Sarı, R. ve Soytaş, U. (2005). Inflation, Stock Returns, and Real Activity in Turkey. The Empirical Economics Letters, 4(3): 181-192.

Schwert, G. W. (1981). The Adjustment of Stock Prices to Information About Inflation. The Journal of Finance, 36(1): 15-29.

Simpson, M. W. ve Ramchander, S. (2012). Asymmetric and Cross-Sectional Effects of Inflation on Stock Returns under Varying Monetary Conditions. Applied Financial Economics, 22(4): 285-298.

Şimşek, M. ve Kadılar, C. (2006). Fisher Etkisinin Türkiye Verileri Ile Testi. Doğuş Üniversitesi Dergisi, 7(1): 99-111.

Wei, C. (2010). Inflation and Stock Prices: No Illusion. Journal of Money, Credit and Banking, 42(2-3): 325-345.

Yılancı, V. (2009). Fisher Hipotezinin Türkiye İçin Sınanması: Doğrusal Olmayan Eşbünleşme Analizi. Atatürk Üniversitesi İktisadi ve İdari Bilimler Dergisi, 23(4): 205-213.

www.tcmb.gov.tr.

Dipnotlar 1 Deacon ve Derry (1994), enflasyon beklentilerini elde etmenin en az iki yolunun bulunduğunu

vurgulamaktadır. Yazarlar, birinci yöntemin piyasa katılımcılarına periyodik tarihlerde anketler uygulayarak onların görüşlerini doğrudan almak olduğunu; ikinci yöntemin ise, bu beklentilerin çeşitli finansal enstrümanların (devlet tahvili, döviz opsiyonları gibi) piyasa fiyatlarından yararlanılarak ekonometrik modellerle türetilebileceğini belirtmektedir.

2 Demiralp ve Yılmaz (2010) yaptıkları çalışmada, TCMB para politikası ile ilgili beklentilerin sermaye

piyasaları üzerindeki etkisini TCMB beklenti anketi verilerini kullanarak incelemektedir. 3 Pearce ve Roley (1985), hisse senedi fiyatlarının para politikalarına ait bilgilere tepki verirken;

enflasyon, işsizlik ve sanayi üretimine ait bilgilere tepki vermediği sonucuna ulaşmıştır. Chen, Roll ve Ross (1986) ise, sanayi üretimindeki büyümenin hisse senetleri getirilerini açıklamakta güçlü bir değişken olduğu sonucuna ulaşmıştır.

4 Cari ayın TÜFE beklentisi (uygun ortalama-%), TCMB Beklenti Anketi sonuçlarının sunulduğu

TCMB Elektronik Veri Dağıtım Sistemi’nden (EVDS) elde edilmiştir. TCMB Beklenti Anketi’nin amacı, tüketici enflasyonu, döviz kuru, cari işlemler dengesi, GSYH büyüme hızı ve faiz oranları gibi temel makroekonomik değişkenlere ilişkin finansal ve reel sektörde karar alıcı ve uzman kişilerin beklentilerinin izlenmesidir. 2001 Ağustos ayından bu yana yürürlükte olan Beklenti Anketi, 2013 Ocak ayına kadar her ayın birinci ve üçüncü haftalarında uygulanmaktayken, bu tarihten sonra ayda bir defa TCMB Genel Ağ ortamında uygulanmaya başlanmıştır (www.tcmb.gov.tr).


94

Çalışmada 2013 Ocak ayı öncesindeki aylar için, cari ayın TÜFE beklentisi olarak üçüncü hafta sonuçları kullanılmaktadır.

5 Model (4 ve 5)’in test istatistikleri literatüre paralel olarak (Chatrath vd., 1997, s. 439-445; Adrangi

vd.,1999a, s. 266-278; Adrangi vd., 1999b, s. 63-74; Sarı ve Soytaş, 2005, s. 181-192; Porter ve Zhu, 2007, s. 71-80) Newey-West’in değişen varyans ve otokorelasyona tutarlı kovaryans matrisleri kullanılarak en küçük kareler yöntemi ile tahmin edilmektedir (Newey ve West, 1987, s. 703-708).

6 Tüm regresyonlar için GIPt’nin öncül ve gecikmeli değerleri Akaike Bilgi Kriteri (Akaike Information

Criterion-AIC) değerine göre belirlenmektedir.


95

Türkiye Katılım Bankaları ile Malezya İslami Bankalarında Etkinlik ve Performans İlişkisinin Veri

Zarflama Yöntemiyle Analizi

Yrd. Doç. Dr. Emel Yücel* Kenan Özdemir**

Prof. Dr. Yıldırım Beyazıt Önal***

Öz Bu çalışmada katılım bankaları ile İslami bankaların performanslarını etkileyen faktörler banka

etkinliği temelinde araştırılmaktadır. İslam bankacılığı alanında gelişmiş bir sektöre sahip olan Malezya’daki bankalar esas alınarak, Türkiye’de faaliyette bulunan katılım bankalarının performansları incelenmiştir. Bu amaca yönelik olarak, veri zarflama analizi (VZA) ve regresyon analizlerinden yararlanılmıştır. Elde edilen bulgular, bankaların performansını etkileyen faktörlerin iki ülke açısından farklılık gösterdiğini ortaya koymuştur. Türkiye’deki katılım bankalarında performansın sermaye yeterliliğinin güçlendirilmesi yoluyla arttığı, Malezya’daki İslami bankalarda ise faaliyetlerde etkinlik sağlanarak performansın artırıldığı sonucuna ulaşılmıştır.

Anahtar Kelimeler: Katılım Bankacılığı, İslami Bankacılık, Performans, Etkinlik, Veri Zarflama Analizi. JEL Sınıflaması: G2, G21.

Investigating the Efficiency and Performance Relationship of Islamic Banks with

Data Envelopment Analysis in Turkey and Malaysia

Abstract In this study the performance of participation banks and Islamic banks are investigated on the

basis of bank efficiency. The performance of Islamic banking industry of Turkey analyzed based on Malaysian banks which are developed in the field of Islamic banking. For this purpose data envelopment analysis (DEA) and regression analysis are implemented. The findings show that the determinants of bank performance are different in terms of the two countries. In conclusion Turkish participation banks raise their performance by strengthening capital adequacy while Malaysian Islamic banks raise their performance by high level of efficiency. Keywords: Participation Banking, Islamic Banking, Performance, Efficiency, Data Envelopment Analysis. JEL Classification: G2, G21.

1. Giriş Finansal işlemlerinde faiz unsurunu kullanmayan ve kar-zarar ortaklığı ilkesine göre

çalışan İslami bankacılık, Türkiye’de katılım bankacılığı olarak adlandırılmaktadır. Türkiye’de 5411 sayılı Bankacılık Kanunu’nun 3. maddesinde katılım bankaları, “Bu kanuna göre özel cari ve katılma hesapları yoluyla fon toplamak ve kredi kullandırmak esas olmak üzere faaliyet gösteren kuruluşlar ile yurtdışında kurulu bu nitelikteki kuruluşların Türkiye’deki şubeleri” şeklinde tanımlanmaktadır. İslami bankacılık (Islamic Banking) olarak ifade edilen sektör, 2014 yılı İslami Bankacılık Konferansı’nda (The World Islamic Banking Conference)

* Çukurova Üniversitesi Kozan İşletme Fakültesi İşletme Bölümü Öğretim Üyesi. ** Çukurova Üniversitesi Sosyal Bilimler Enstitüsü İşletme Doktora Programı. *** Çukurova Üniversitesi İktisadi İdari Bilimler Fakültesi İşletme Bölümü Öğretim Üyesi.

Yrd. Doç. Dr. Emel Yücel - Kenan Özdemir - Prof. Dr. Yıldırım Beyazıt Önal

96

katılım bankacılığı (Participation Banking) olarak adlandırılmıştır. Bu bağlamda çalışmada; katılım bankacılığı ve İslami bankacılık kavramları zaman zaman birbirlerinin yerine kullanılmıştır.

Katılım bankacılığı ve İslami bankacılık, Türkiye’de ve dünyada hızla gelişen ve önemli

fırsatlar barındıran sektörler olarak öne çıkmaktadır. Batı Avrupa’da ilk İslami banka 2004 yılında Londra’da kurulmuştur. Bunun devamında Amerika, Fransa, Hollanda ve Almanya’da çeşitli bankalar yatırımcılarına faizsiz finansal araçlar sunmaya başlamıştır. Benzer şekilde sektör, Türkiye’de de büyük bir gelişim içerisindedir. Diğer yandan Malezya, dünyanın en gelişmiş İslami finans merkezleri arasında yer almaktadır. Burada ilk İslami banka 1983 yılında hükümet tarafından kurulmuştur. 10 yıl sonra ise hükümet, faizsiz bankacılık planını tanıtarak, Malezya’nın dünyada tam anlamıyla İslami bankaların konvansiyonel bankalarla yan yana faaliyet göstermelerine izin veren ilk ülke olmasını sağlamıştır (Laldin, 2008, s.3). Malezya’da İslami bankaların bankacılık sektörü içerisindeki payı 2013 yılı itibariyle yüzde 20,7 seviyesinde gerçekleşmiştir. Türkiye ile kıyaslandığında Malezya’daki İslami bankaların bankacılık sektörü içerisindeki payı, toplam varlıkları, mevduatları ve dağıttıkları krediler oldukça yüksektir (The World Islamic Banking Competitiveness Report 2015-15, 2014, s. 62). Malezya, 2013 yılında 119,7 milyar dolar sukuk ihracı ile dünya sukuk ihracının yüzde 69’unu gerçekleştirerek bu anlamda dünya lideri konumuna yerleşmiştir (Malaysia International Islamic Financial Center, 2014, s. 1). Bu sektör, işlemlerin faizsizlik prensibine uygun yürütülmesi, fon toplama ve fon dağıtma yöntemleri açısından Malezya ve Türkiye’de benzerlik göstermektedir. Her iki ülkede de İslami ve konvansiyonel bankacılık hizmetleri bir arada yürütülmektedir. Ancak, İslami bankacılık hizmetleri için konvansiyonel bankacılık hizmetlerinden ayrı hukuki düzenlemeler yapılmıştır. İslami bankacılık faaliyetleri, Türkiye’de 5411 sayılı Bankacılık Kanunu çerçevesinde devam ederken; Malezya’da ise İslami Finansal Hizmetler Kanunu 2013 çerçevesinde devam ettiği Malezya Merkez Bankası (Bank Negara Malaysia) tarafından yapılan bildiride ifade edilmiştir.

Günümüzde artan rekabetle birlikte, firmaların başarılarının değerlendirilmesinde

performans ölçümü önemli bir unsur olarak öne çıkmaktadır. Bankaların gösterdiği performans, yalnız banka yönetimi ve hissedarları açısından değil, bankaya güvenerek varlıklarını yatıran mevduat sahipleri ve faaliyette bulunulan ekonomideki finansal sistemin devamlılığı açısından son derece önemlidir. Literatürde, banka performansını etkileyen faktörleri inceleyen çalışmalara sıklıkla rastlanmaktadır. Bu çalışmada ise, Türkiye ve Malezya’daki katılım bankacılığı sektörlerinin performansı incelenmiş, aralarında bir farklılık olup olmadığı, eğer bir fark var ise söz konusu farklılığı ortaya çıkaran faktörlerin neler olduğu bankaların etkinlik değerleri dikkate alınarak araştırılmıştır. Banka etkinliğinin hesaplanmasında, veri zarflama analizi yöntemi kullanılmıştır. Söz konusu ilişkilerin açığa çıkarılmasında her iki ülkenin 2009-2013 dönemine ait verilerinden yararlanılarak en küçük kareler tahmin yönteminin kullanıldığı panel verilerle regresyon analizleri gerçekleştirilmiştir. Araştırma modelinde bağımlı değişken banka performansı olup, performans ölçüsü olarak ortalama varlıkların karlılığı (Return on Average Assets-ROAA) kullanılmıştır. Performanstaki değişimleri açıklayabilecek faktörler ise, bankaya özgü faktörler, faaliyette bulunulan ekonomiye ilişkin faktörler ve banka etkinliği aracılığıyla incelenmiştir.

Çalışmanın giriş bölümünde, katılım bankacılığı ve İslami bankacılık açıklanmıştır.

İkinci bölümde, literatürdeki çalışmalara yer verilmiştir. Üçüncü bölümde, araştırma sürecinde yararlanılan panel verilerle regresyon analizi ve veri zarflama analizi yöntemleri açıklanmıştır. Dördüncü bölümde, analizlere konu veri setinin oluşturulması süreci, değişken tanımları ve çalışmanın kısıtları sunulmuştur. Beşinci bölümde, tanımlayıcı istatistikler, fark analizi ve regresyon analizlerinin sonuçları raporlanarak değişkenlere ait ilişkiler ortaya konulmuştur. Sonuç bölümünde, elde edilen bulgular özetlenerek değerlendirilmiştir.

Bankacılar Dergisi

97

2. Literatür Literatürde, ticari bankalar esas alınarak banka performansı ve bunu etkileyen faktörleri

inceleyen yerel ve yabancı çalışmalar bulunmaktadır. Bununla birlikte, katılım bankalarında performansın belirleyicilerini inceleyen çalışmaların çok yeni olduğu dikkati çekmektedir.

Katılım bankalarının performansını inceleyen çalışmaların, sıklıkla Ortadoğu

ülkelerinde faaliyet gösteren katılım bankalarını esas aldıkları görülmektedir. Bashir (2000), Ortadoğu ülkelerindeki katılım bankalarının performansını 1993-1998 dönemi üzerinden araştırmıştır. Performans göstergesi olarak varlıkların karlılığı, özsermayenin karlılığı, faiz dışı gelir/toplam varlıklar oranı ile vergi öncesi gelir/toplam varlıklar oranı kullanılmıştır. Yazar, sermaye yeterliliği ve krediler/toplam varlıklar oranındaki artışın performansı artırdığı sonucuna ulaşmıştır. Hassan ve Bashir (2003) ise, katılım bankalarının performansını ve etkinliğini belirleyen faktörleri 1994-2001 dönemi üzerinden araştırmışlardır. Regresyon analizleri sonucunda, bankaların borçlanma oranları arttığında performansın azaldığı tespit edilmiş, faaliyette bulunulan ekonomideki enflasyon oranı ile performans arasında negatif ilişki olduğu saptanmıştır. Körfez ülkelerindeki katılım bankaları ile ticari bankaların performanslarını karşılaştırmalı olarak analiz eden Alkassim (2005), ticari ve katılım bankaları açısından elde edilen bulguların farklılık gösterdiğini belirtmiştir. Buna göre, ticari bankalarda banka büyüklüğü ile karlılık arasında negatif ilişki elde edilirken, katılım bankalarında pozitif ilişki olduğu saptanmıştır. Yine ticari bankalarda sermaye yeterliliği oranı ile performans arasında negatif ilişki bulunurken, katılım bankalarında bu ilişkinin pozitif yönlü olduğu ortaya konulmuştur. Sufian ve Zulkhibri (2011), Ortadoğu ve Kuzey Afrika ülkelerindeki katılım bankalarını incelerken ekonomik serbestlik ile karlılık arasındaki ilişkiye odaklanmıştır. Regresyon analiziyle elde edilen bulgular, krediler/toplam varlıklar, özel karşılıklar/toplam krediler, genel yönetim giderleri/toplam varlıklar oranları arttığında banka performansının azaldığı, sermaye yeterliliği, ekonomik büyüme ve enflasyonun artması halinde ise banka performansının bu artıştan olumlu etkilendiği saptanmıştır. Suudi Arabistan’daki katılım bankalarını 1990-2008 dönemi üzerinden inceleyen Mabadesh (2012), özel sektör kredileri ve yabancı mevduat oranındaki artışın banka performansını artırdığını, bunun aksine maliyet/gelir oranı, mevduatlar/gayrisafi yurt içi hasıla oranı, borsanın sermaye yeterliliği ve banka riskinin artması halinde performansın azaldığını saptamıştır. Benzer şekilde Smaoui ve Salah (2012), körfez ülkelerinde faaliyet gösteren 44 katılım bankasında performansı belirleyen unsurları araştırmışlar, sermaye yeterliliği, enflasyon ve banka büyüklüğündeki artışla birlikte performansın yükseldiğini tespit etmişlerdir. Özel karşılıklar/toplam krediler oranı ve banka etkinliğindeki artışın performansa olumsuz etki yaptığını belirtmişlerdir. Ürdün’deki katılım bankalarının performansı ise, Al-Qudah ve Jaradat (2013) tarafından 2000-2011 dönemine ait verilerle incelenmiştir. Analiz sonucunda, kaldıraç ve likidite arttıkça banka performansının azaldığı, buna karşın sermaye yeterliliği, banka ölçeği, Amman Borsa Endeksi, lisanslı inşaat metrekaresi ve para arzı ile performans arasında anlamlı pozitif ilişki olduğu ortaya konulmuştur. Almanaseer (2014), Bahreyn, Kuveyt, Katar, Suudi Arabistan ve Birleşik Arap Emirlikleri’nde bulunan 24 katılım bankasında performansı etkileyen faktörleri finansal kriz çerçevesinde araştırmıştır. Analizler sonucunda, finansal krizin katılım bankalarının performansını olumsuz yönde etkilediği saptanmış, ekonomik büyüme ile performans arasında negatif ilişki olduğu belirlenmiştir.

Endonezya’da faaliyet gösteren Bank Muamalat Indonesia’nın performansını etkileyen

faktörler, 1996-2001 dönemi için Izhar ve Asutay (2007) tarafından araştırılmıştır. Performans kriteri olarak varlıkların karlılığının kullanıldığı çalışmada, mevduatlar/toplam varlıklar oranı, toplam krediler/toplam varlıklar oranı, toplam borç/toplam varlıklar oranlarındaki yükselmenin banka performansını azalttığı bulgusuna ulaşmışlardır. Buna karşın, kredi gelirleri/toplam krediler oranı, sermaye yeterliliği ve genel yönetim giderleri/toplam varlıklar oranlarının artmasının banka performansına olumlu katkı sağladığı ortaya konulmuştur. Akhtar ve Sadaqat (2011) ise, Pakistan’daki katılım bankalarının


98

performansını etkileyen faktörleri 2006-2009 dönemi için regresyon analiziyle incelemişlerdir. Bulgular, katılım bankalarında toplam borç/özkaynak oranı, faaliyet gelirleri/toplam varlıklar oranı ile sermaye yeterliliği arttığında banka performansının arttığını göstermiştir. Buna karşın, bankalarda takipteki krediler/toplam krediler oranı ile banka ölçeğinin artması halinde ise performansın azaldığı tespit edilmiştir. Katılım bankalarında risk ile performans ilişkisi inceleyen Ariffin ve Tafri (2014), araştırmayı 2004-2011 dönemi üzerinden gerçekleştirmiştir. Varlıkların ve özsermayenin karlılığı şeklinde iki farklı performans ölçüsünün kullanıldığı çalışmada, bankanın kredi riski arttığında banka performansının azaldığı bulgusuna ulaşılmıştır.

Malezya’da faaliyet gösteren katılım bankalarının performansını inceleyen Idris ve

diğerleri (2011), Malezya Borsası’nda işlem gören 9 katılım bankasının 2007-2009 dönemi verilerinden yararlanmışlardır. Çalışmada, performans ölçüsü olarak varlıkların karlılığı kullanılmış olup, kredi riski artan bankada performansın azaldığı, buna karşın banka ölçeği arttıkça performansın da arttığı bulgusuna ulaşmışlardır. Malezya’yı konu alan Chua (2013), 6 katılım bankasının karlılığının etkileyen bankaya özgü ve banka dışı faktörleri 2007-2011 dönemi için değerlendirmiştir. Regresyon analizi sonucunda, katılım bankalarında likidite arttığında banka performansının azaldığı, sermaye yeterliliği, ekonomik büyüme ve banka ölçeğindeki artışın performansı artırdığı bulgularına ulaşılmıştır. Malezya’daki yerel ve yabancı katılım bankalarını araştıran Muda ve diğerleri (2013), 2007-2010 dönemi üzerinden gerçekleştirdikleri regresyon analizleri sonucunda, banka etkinliği ve banka büyüklüğünün performansa pozitif yönde etki yaptığını, diğer yandan, enflasyon ile performans arasında negatif ilişki olduğunu saptamışlardır.

Türkiye’de banka performansını inceleyen çalışmaların genellikle ticari bankalar

üzerinde yoğunlaştığı görülmekle birlikte, son yıllarda katılım bankalarını konu edinen çalışmalara da rastlanmaktadır. Sarıtaş ve Saray (2012) ise, Türkiye’de faaliyet gösteren mevduat bankaları, kalkınma ve yatırım bankaları ve katılım bankalarının karlılıklarını oran analizi aracılığıyla araştırmışlardır. Çalışmanın sonucunda, 2009 yılında katılım bankalarının en yüksek net kar / özkaynak oranını elde ettiği bulgusuna ulaşılmıştır. Katılım bankaları ile ticari bankaların karlılıklarını karşılaştıran Soylu ve Durmaz (2012), bağımlı değişken olarak varlıkların karlılığını kullandıkları çalışmanın sonucunda ticari bankaların performanslarının katılım bankalarından daha iyi olduğu bulgusuna ulaşmışlardır. Karlılık ile özsermaye/ toplam varlıklar, likit varlıklar/pasifler ve faiz geliri/toplam varlıklar oranları arasında pozitif yönlü ilişki elde edilirken, giderler/toplam varlıklar oranı ile karlılığın negatif yönlü ilişkiye sahip olduğu tespit edilmiştir. Türkiye’de faaliyet gösteren ticari bankalar ve katılım bankalarının finansal performansları arasında fark olup olmadığı Doğan (2013) tarafından analiz edilmiştir. Bankaların performansları karlılık, likidite, risklilik, borç ödeme gücü ve sermaye yeterlilik oranlarıyla ölçülmüştür. Yapılan analizde katılım bankaları ile ticari bankaların karlılıkları arasından anlamlı bir fark olmadığı, katılım bankalarının likiditesinin göreceli olarak daha az olduğu ve ticari bankaların sermaye yeterliliklerinin ise daha yüksek olarak tespit edildiği belirtilmiştir. Erol ve diğerleri (2014), Türkiye’de faaliyet gösteren 4 katılım bankası ile 19 ticari bankanın performanslarını karşılaştırmıştır. Lojistik regresyon analizi 2001-2009 dönemi için yapılmıştır. Yazarlar, katılım bankalarının ticari bankalara kıyasla kazançların yönetiminde daha başarılı oldukları bulgusuna ulaşmışlardır. Özel ticari bankaların sermaye yeterliliği ve piyasa riski oranları açısından daha başarılı oldukları ortaya konulmuştur.

Katılım bankalarının performansını inceleyen çalışmalardan elde edilen bulgular genel

olarak değerlendirildiğinde, banka büyüklüğü ve sermaye yeterliliğinin artırılmasının performansı arttırmada önemli unsurlar olabileceği görülmektedir. Diğer yandan çalışmaların büyük çoğunluğunda, bankanın kredi riskinin artması, maruz kalınan maliyetlerdeki yükselme ve takipteki kredi oranlarının artması halinde performansın bu değişimlerden olumsuz etkilendiği anlaşılmaktadır. Ekonomik büyüme ve enflasyon değişkenleri ile banka performansı arasında pozitif ve negatif ilişki belirten çalışmalara rastlanmaktadır.

Bankacılar Dergisi

99

3. Araştırma Yöntemi, Veri Seti ve Değişken Tanımları Araştırma sürecinde, Türkiye ve Malezya’daki katılım bankalarına ait dengeli panel

verilerin kullanıldığı en küçük kareler tahmin yöntemiyle regresyon analizleri yapılmıştır. Bankaların etkinlik değerlerinin hesaplanmasında, veri zarflama analizi yönteminden yararlanılmıştır. Araştırma modelinde bağımlı değişken, banka performansı olup, bağımsız değişkenler ise, banka büyüklüğü, sermaye yeterliliği, aktif yapısı, maliyet yapısı, enflasyon, ekonomik büyüme ve banka etkinliği değişkenlerinden oluşmaktadır. Araştırma modeli aşağıdaki gibidir;

Performansj,t = α + β1

(Banka Büyüklüğüj,t

) + β2

(Sermaye Yeterliliğij,t) + β3

(Aktif Yapısıj,t

) (1)

+β4

(Maliyet Yapısıj,t

) + β5

(Enflasyonj,t) + β6

(Ekonomik Büyümej,t)+ β7

(Etkinlikj,t) + εj,t

Eşitlikte, t yılında j firmasına ait değişkenlere ilişkin değerler yer almaktadır. α, sabit terimi ve εj,t hata terimini ifade etmektedir. Zaman serileri ve kesit gözlemlerin

birleştirilmesiyle elde edilen panel veriler kullanılarak, tekrar eden yatay kesit gözlemler üzerinden değişim dinamikleri incelenebilmektedir. Panel veri analizinde, zaman serileri analizine göreceli olarak kısa zaman serisi ve/veya yetersiz kesit gözlemlerin olması durumunda dahi analiz yapılabilmektedir (Gujarati, 2004, s. 637). Diğer yandan küçük panel veri seti, benzer daha büyük panel veri setine oranla, verilerin toplulaştırılmasının yol açabileceği sorunları engelleyerek daha güvenilir sonuçlar sunabilmektedir (Baltagi, 2005, 6). Panel veri analizlerinde, sabit etkiler veya rassal etkiler modellerinden hangisinin kullanılacağı kararı, hata terimi ve bağımsız değişkenler arasındaki ilişki incelenerek verilmektedir. Söz konusu ilişkinin olmaması halinde, rassal etkiler modeli, aksi durumda sabit etkiler modeli uygun görülmektedir (Gujarati, 2004, s. 650). Sabit etkiler modeline göre panel regresyon eşitliği aşağıda gösterilmektedir (Gujarati, 2004, s. 642).

𝑌𝑖𝑡 = 𝛽1𝑖 + 𝛽2𝑖𝑡𝑋2𝑖𝑡 + 𝛽3𝑋3𝑖𝑡 + 𝑣𝑖𝑡 (2)

Modelde, her bir yatay kesitin kendine ait bir sabit değeri vardır. Eşitlikte, β1i, her bir

bankanın bireysel etkilerini göstermektedir. Sabit etkiler ve rassal etkiler modelleri arasından hangisinin kullanılacağına sıklıkla Hausman testi yapılarak karar verilmektedir. Bu test ile spesifik etkiler ve açıklayıcı değişkenler arasındaki ilişki belirlenebilmektedir (Hausman, 1978, s. 1251). Panel veriler kullanılarak yapılan regresyon analizlerinin geçerli ve güvenilir olabilmesinin koşulu, en küçük kareler tahmin yönteminin varsayımlarının sağlanmasıdır. Bu çerçevede, birimlere ait gözlenemeyen bireysel etkileri gösteren F testi sonuçları ve Hausman test istatistikleri hesaplanarak Tablo 5’te sunulmuştur. Araştırılması gereken önemli bir konu da, bağımsız değişkenler arasında güçlü doğrusal ilişkinin (multicollinearity) olup olmadığıdır. Söz konusu doğrusal ilişkinin varlığı halinde verilerde çoklu doğrusal bağlantı problemi ortaya çıkmaktadır. Belirtilen problemin yaşanmaması için, varyans artış faktörü (Variance Inflation Factors-VIF) yöntemiyle çoklu doğrusal bağlantıya yol açan değişkenler belirlenerek modeller oluşturulmuştur. Çoklu doğrusal bağlantı, VIF değerlerinin 2’den büyük olması halinde ortaya çıkmaktadır. Bu çalışmada sunulan modellerde ortalama VIF değerleri, 1.12 ile 1.58 arasında gerçekleşmiştir. Bu veriler ışığında modelde yer alan değişkenler arasında çoklu doğrusal bağlantı bulunmamaktadır. Bağımsız değişkenler arasındaki korelasyon katsayılarının 0.80’den küçük olması da, VIF test sonuçlarını desteklemektedir. İncelenen diğer önemli bir unsur, tahmin edilen katsayıların standart hatalarının doğru tahmin edilmemesine yol açan ve elde edilen bulguların güvenilirliğini azaltan değişen varyans (heteroskedasticity) problemidir. Değişen varyans probleminin olup olmadığı, Breusch-Pagan/Cook-Weisberg testi aracılığıyla araştırılmıştır. Test sonuçlarında, değişen varyans probleminin varlığı belirlenen modellerde White düzeltmesi uygulanmıştır (White, 1980, s. 828).


100

Bankaların etkinlik değerleri, Veri Zarflama Analizi yöntemiyle hesaplanmıştır. Yöntem, üretilen mal ve hizmetin birbirlerine benzer olan karar birimleri arasında göreli etkinliklerini iki açıdan ölçebilmektedir. Bunlardan ilki Charnes, Cooper ve Rhodes (1978) tarafından geliştirilmiş olup, CCR modeli olarak ifade edilmektedir. Bu model ile etkinlik analizi ölçeğe göre sabit getiri varsayımı altında yapılmakta ve elde edilen etkinlik değeri teknik etkinlik olarak adlandırılmaktadır. CCR modeli, karar birimlerinin ölçekleriyle etkinlikleri arasında önemli bir ilişkinin bulunmadığını varsaymakta, tüm karar birimlerinin optimum ölçek düzeyinde faaliyet gösterdiği durumlarda tatmin edici sonuçlar vermektedir. Aksi durumlarda, bu yöntemle elde edilen etkinlik değerinin doğruluğu tartışılmaktadır (Sufian, 2007, s. 60). Modelin girdi odaklı matematiksel sunumu aşağıda gösterilmektedir (Charnes ve diğ., 1978, s.430);

𝑚𝑎𝑥ℎ𝑜 =∑ 𝑢𝑟𝑦𝑟𝑜

𝑠𝑟=1

∑ 𝑣𝑖𝑥𝑖𝑜𝑚𝑖=1

(3)

∑ 𝑢𝑟𝑦𝑟𝑗

𝑠𝑟=1

∑ 𝑣𝑖𝑥𝑖𝑗𝑚𝑖=1

≤ 1 ; 𝑗 = 1, … , 𝑛 (4)

𝑢𝑟 , 𝑣𝑖 ≥ 0 ; 𝑟 = 1, … , 𝑠 ; 𝑖 = 1, … , 𝑚 (5)

Eşitlik 3, 4 ve 5’de, ℎ𝑜 karar biriminin etkinliğini, s çıktı sayısını, 𝑢𝑟 r çıktısının ağırlığını,

𝑦𝑟𝑜 karar biriminde üretilen r çıktısının miktarını, 𝑦𝑟𝑗 j karar biriminde üretilen r çıktısının

miktarını, m girdi sayısını, 𝑣𝑖 i girdisinin ağırlığını, 𝑥𝑖𝑜 o karar biriminde kullanılan i girdisinin

miktarını, 𝑥𝑖𝑗 j karar biriminde kullanılan i girdisinin miktarını ifade etmektedir.

İkinci veri zarflama modeli, Banker, Charnes ve Cooper (1984) tarafından CCR

modelinin varsayımları esnetilerek geliştirilmiş olup, BCC modeli olarak adlandırılmaktadır. Bu yöntem, ölçeğe göre değişken getiri varsayımına dayanmakta ve etkinlik analizinde karar birimlerinin ölçeklerini dikkate almaktadır. BCC modeli ile elde edilen etkinlik değeri ise, saf teknik etkinlik olarak adlandırılmaktadır (Rosman ve diğ., 2014, s.8). Saf teknik etkinlik değeri, ölçek etkisinden arındırılmış olup, modelin matematiksel gösterimi aşağıdaki gibidir (Banker ve diğ., 1984, s.1085);

max ∑ 𝑢𝑟𝑦𝑟𝑜 − 𝑢𝑜

𝑠

𝑟=1

(6)

∑ 𝑢𝑟𝑦𝑟𝑗 − ∑ 𝑣𝑖𝑥𝑖𝑗 − 𝑢𝑜 ≤ 0, 𝑗 = 1, … . , 𝑛

𝑚

𝑖=1

𝑠

𝑟=1

(7)

∑ 𝑣𝑖𝑥𝑖𝑜 = 1, 𝑢𝑟,𝑣𝑖 ≥ 0 (8)

𝑚

𝑖=1

CCR ve BCC modellerinin her ikisinde de etkinlik ölçümü girdi odaklı ve çıktı odaklı

yaklaşım çerçevesinde gerçekleştirilebilmektedir. Girdi odaklı etkinlik ölçümü, belirli bir çıktı bileşiminin en az girdi ile ne şekilde üretilebileceğini ölçmektedir. Çıktı odaklı etkinlik ölçümü ise belirli bir girdi bileşimi kullanılarak en fazla ne kadar çıktı bileşimi elde edilebileceğinin araştırılmasında kullanılmaktadır (Kaya, 2010, s. 81). Bu çalışmada etkinlik değerleri girdi odaklı yaklaşım çerçevesinde hesaplanmıştır. Ayrıca, etkinlik değerlerinde yıllar itibariyle meydana gelen değişim malmquist toplam faktör verimliliği (MTFV) endeksi ile ölçülmüştür. MTFV, iki firma arasında ya da bir firmanın iki zaman dilimi arasındaki verimlilik farklarını tanımlamakta, girdi veya çıktı odaklı olarak hesaplanabilmektedir (Lorcu, 2010, s.279). Bu yöntem ile teknik etkinlikteki değişim ve saf teknik etkinlikteki değişim ölçülebilmektedir.

Bankacılar Dergisi

101

Etkinlik değerlerinin hesaplanması sürecinde ihtiyaç duyulan girdi-çıktı bileşenlerinin seçimi, aracılık yaklaşımı temelinde gerçekleştirilmiştir. Banka etkinliğini ölçen çalışmalarda sıklıkla kullanılan bu yaklaşım, bankaların yükümlülükleri karşılığında birikim sahiplerinden fon toplayarak aracılık hizmetini gerçekleştirdikleri varsayımına dayanmaktadır (Sufian ve diğ. 2013, s. 83). Bu çalışmada, aracılık yaklaşımıyla uyumlu olarak girdi değişkenleri; personel giderleri, sabit varlıklar ve toplam mevduat olarak kullanılmıştır. Çıktı değişkenleri ise, toplam krediler ve toplam gelirlerden oluşmaktadır.

Analizlere konu veri seti, bankaların 2009-2013 dönemine ait mali tablolarındaki veriler

kullanılarak hazırlanmıştır. Türkiye ve Malezya’daki katılım bankalarına ilişkin denetimden geçmiş mali tablolar, bankaların internet sitelerinde yayınlanmaktadır. Türkiye açısından analiz döneminde faaliyette bulunan katılım bankalarının tamamı araştırmaya dahil edilmiştir. Malezya’da analiz döneminde faaliyette bulunan, mali yıl bitiş tarihi Türkiye ile uyumlu olan 9 İslami banka analizler için uygun görülmüştür. Regresyon analizlerinde Stata 13 paket programı, veri zarflama analizinde Deap 2.1 Version yazılım programı kullanılmıştır.

Araştırma modelinde bağımlı değişken olarak yer alan banka performansı, bankanın

ortalama aktif karlılığı (Return on Average Assets-ROAA) aracılığıyla ölçülmüştür. Oran, “vergi öncesi kar/ortalama toplam varlıklar” şeklinde hesaplanmış olup, banka yönetiminin bankanın varlıklarından kar elde etme becerisini ve performansını göstermektedir. Başka bir ifadeyle, her bir birimlik varlıktan elde edilen karı ve banka varlıklarının gelir elde etmede ne kadar verimli kullanıldığı hakkında fikir vermektedir (Dietrich ve Wanzenried, 2011, s. 311). Banka büyüklüğü, toplam varlıkların doğal logaritması alınarak hesaplanmıştır. Toplam varlıklar değeri, Türkiye ve Malezya’nın yıllık tüketici fiyat endeksi (TÜFE) kullanılarak enflasyondan arındırılmıştır. Elde edilen bu değerler her iki ülkenin yılsonu döviz kuru dikkate alınarak dolara çevrilmek suretiyle analize tabi tutulmuştur. Türkiye için TÜFE ve döviz kuru verileri Türkiye Cumhuriyet Merkez Bankası (TCMB) internet sitesinden, Malezya için TÜFE verileri Dünya Bankası internet sitesinden elde edilmiştir. Malezya’daki yılsonu döviz kuru verisine ise Malezya Merkez Bankası (Bank Negara Malaysia) internet sitesinden ulaşılmıştır. Literatürde banka büyüklüğü ile performans ilişkisi konusunda pozitif ve negatif bulgulara ulaşan çalışmalar görülmektedir. Bankanın ölçek ekonomisi faydalarını elde etmesi ve bankacılık ürünlerini çeşitlendirerek riski azaltabilme olanağı söz konusu olduğunda banka büyüklüğü ile performans arasında pozitif ilişki olması beklenmektedir. Ancak, ölçeğin büyük olmasının beraberinde getirdiği bürokrasi ve karmaşık sistem yönetiminden kaynaklanan maliyetler dikkate alındığında bu ilişki negatif yönlü olabilmektedir (Roman ve Tomuleasa, 2012, s. 376). Sermaye yeterliliği, “özkaynak/toplam varlıklar” oranı aracılığıyla ölçülmüştür. Sermaye yeterliliği, bankanın ödeme gücünün bir göstergesi olarak kabul edilmektedir. Banka sermayesi, bankaların güvenli bir şekilde büyümelerini sağlamakta ve belirsizlik riskinden kaynaklanabilecek ani kayıp ve zararları önleyebilmektedir (Djalilov ve Piesse, 2011, s. 12). Sermaye yeterliliği oranı yüksek olan bankalar, düşük olanlara kıyasla daha güvenli ve daha az riskli olarak değerlendirilmektedir. Ayrıca düşük risk, bankanın kredibilitesini artırarak fon maliyetlerini düşürmektedir. Bu açılardan sermaye yeterliliği ile

performans arasında pozitif yönlü ilişki beklenmektedir. Aktif yapısı, “takipteki krediler/toplam

krediler” oranı kullanılarak ölçülmüştür. Oran, bankanın dağıttığı kredilerden geri ödemesi gerçekleşmeyen kredi oranı hakkında bilgi vermektedir. Gelire dönüşmeyen şüpheli varlıkların olması, bankanın bu durumu telafi edebilmek için karının bir kısmını karşılık olarak ayırmasına neden olmakta ve daha düşük performans seviyelerinin oluşmasına yol açabilmektedir. Maliyet yapısı, “toplam gider/toplam gelir” oranı şeklinde hesaplanmıştır. Bu oran, gelirlerin giderleri karşılama oranını göstermekte, bankaların maliyetlerini düşük tutma anlamında ne derece etkin yönetildiği hakkında fikir vermektedir. Oranın düşük olması bankanın maliyetlerini yönetmede başarılı olduğu anlamına gelmekte daha yüksek performans seviyelerine ulaşılabilmesine imkan sağlamaktadır. Enflasyon, yıllık tüketici fiyatları endeksi üzerinden dikkate alınmıştır. Faaliyette bulunulan ekonomideki enflasyon seviyesinin, bankaların karlılık ve maliyet yapılarına etkisi olabileceği düşünülmektedir.


102

Enflasyon, işgücü maliyetinin artmasına neden olarak karlılığı negatif yönde etkileyebileceği gibi, aynı zamanda enflasyondaki artışın faiz oranlarının artmasına neden olarak banka performansına olumlu etki yapması muhtemel görülmektedir. Ekonomik büyüme, yıllık reel gayri safi yurtiçi hasıladaki yüzde değişim şeklinde hesaplanmıştır. Ekonomik büyümenin müşterilerin kredi talebini ve buna bağlı olarak banka karlılığını etkilemesi beklenmektedir. Banka etkinliği, veri zarflama analizi yöntemi kullanılarak belirlenmiştir. İlk olarak, banka ölçeğini dikkate almayan CCR modeliyle teknik etkinlik değerleri hesaplanmıştır. İkinci olarak ise banka ölçeğini dikkate alan BCC modeliyle saf teknik etkinlik değerleri elde edilmiştir. Malmquist endeksi aracılığıyla teknik etkinlik ve saf teknik etkinlik değerlerinde yıllar itibariyle meydana gelen değişimler belirlenmiştir. Girdi odaklı yaklaşıma göre etkinlik, belirli bir miktar girdi ile elde edilecek maksimum çıktı miktarının, gerçekte elde edilen çıktı miktarına oranlanmasıdır. Başka bir ifadeyle belirli bir miktar çıktıyı elde etmek için kullanılacak minimum girdi miktarının, o çıktıyı elde etmek için gerçekte kullanılan girdi miktarına oranlanmasıdır (Doğan, 2013, s. 34). Bu açıdan bankaların yüksek etkinlik değerlerine sahip olması, göreli olarak daha az girdiyle daha çok çıktı elde ettikleri anlamına gelmektedir. Bu doğrultuda banka etkinliğindeki artışın performansa olumlu katkı sağlaması beklenmektedir.

4. Bulgular Ampirik çalışmanın ilk aşamasında değişkenlere ilişkin tanımlayıcı istatistikler ve

korelasyon analizleri gerçekleştirilmiştir. Katılım bankalarının performansını etkileyebilecek faktörlerin korelasyon ilişkisi, her iki ülke açısından analiz edilerek değerlendirilmiştir. Araştırmaya konu ülkelerdeki katılım bankalarının temel özelliklerine ilişkin değişkenler arasındaki farklılıkların istatistiksel açıdan anlamlı olup olmadığı, Mann Whitney U testi aracılığıyla incelenmiştir. Son olarak, katılım bankaları açısından performansı etkileyen faktörler, regresyon analizleri yapılarak araştırılmıştır. Bu aşamada, en küçük kareler tahmin yönteminden yararlanılmıştır. Gerçekleştirilen regresyon analizleri sonuçları raporlanarak, elde edilen bulgular değerlendirilmiştir.

Araştırma modelinde yer alan bağımlı ve bağımsız değişkenlere ilişkin tanımlayıcı

istatistikler, Türkiye ve Malezya’daki katılım bankalarının tamamı için 2009-2013 dönemi üzerinden hesaplanmış ve Tablo 1’de sunulmuştur.

Tablo 1. Tanımlayıcı İstatistikler

Ortalama Ortanca Minimum Maksimum Standart Sapma

Banka Performansı 0.0108 0.0113 0.0384 -0.0709 0.0141 Banka Büyüklüğü 19.1796 18.9012 25.3666 15.6659 2.0240 Sermaye Yeterliliği 0.1010 0.0960 0.1964 0.0319 0.0421 Aktif Yapısı 0.0387 0.0248 0.2874 0.0045 0.0444 Maliyet Yapısı 0.7636 0.6947 2.2047 0.4849 0.2329 Enflasyon 0.0360 0.0211 0.0887 0.0058 0.0280 Ekonomik Büyüme 0.0415 0.0520 0.0916 -0.0483 0.0383 Teknik Etkinlik 0.4923 0 1 0 0.5038 Teknik Etkinlik Değişimi 0.2769 0 1 0 0.4510 Saf Teknik Etkinlik 0.7535 1 1 0 0.4341 Saf Teknik Etkinlik Değişimi 0.1077 0 1 0 0.3124

Not: Gözlem sayısı 65’dir.

Tablo 1’de analizlere konu veri setinde yer alan katılım bankalarının performans düzeyi

ortanca yüzde 1.1 civarında elde edilmiştir. Katılım bankaların büyüklük açısından önemli farklılıklar içerdiği anlaşılmaktadır. Sermaye yeterliliği oranı, yüzde 3.1 ile yüzde 19.6 arasında değişim göstermekte olup, ortanca değerin yüzde 9.6 seviyelerinde olduğu tespit edilmiştir. Aktif yapısı değişkeni, toplam krediler içerisindeki takipteki kredi oranı hakkında bilgi vermektedir ve söz konusu katılım bankalarında ortanca yüzde 2.4 dolaylarında olduğu belirlenmiştir. Bankaların maliyet yapısı hakkında fikir veren toplam gider/toplam gelir oranı ise, ortanca yüzde 69.4 seviyelerinde olarak belirlenmiştir. Enflasyon oranı ve ekonomik

Bankacılar Dergisi

103

büyüme değerleri her iki ülkenin piyasa yapısına ilişkin kanıtlar sunmaktadır. Banka ölçeğinin hesaplamalarda göz önünde tutulması yoluyla elde edilen saf teknik etkinlik değeri yüzde 75.3 seviyelerinde olup, banka ölçeğinin göz ardı edilmesi durumunda elde edilen teknik etkinlik değeri yüzde 49.2 seviyelerinde daha yüksek olarak tespit edilmiştir.

5.1. Katılım Bankalarının Temel Özellikleri ve Mann Whitney U Testi Banka performansı ve bunu etkileyen faktörlerin Türkiye ve Malezya açısından farklılık

gösterip göstermediği Mann Whitney U testi aracılığıyla analiz edilmiştir. Elde edilen test sonuçları Tablo 2’de yer almaktadır.

Tablo 2. Mann Whitney U Test Sonuçları

Türkiye Malezya

Ortalama Ortanca Ortalama Ortanca Ortalama Farkı

Banka Performansı 0.0213 0.0213 0.0061 0.0080 0.0152 (0.000)***

Banka Büyüklüğü 17.5460 18.3752 19.9056 19.3123 -2.3596 (0.000)***

Sermaye Yeterliliği 0.1115 0.1103 0.0963 0.0767 0.0152 (0.026)**

Aktif Yapısı

0.0345 0.0305 0.0406 0.0212 -0.0061 (0.034)**

Maliyet Yapısı

0.7508 0.6708 0.7693 0.7466 -0.0185 (0.096)*

Enflasyon 0.0754 0.0750 0.0185 0.0171 0.0569 (0.000)***

Ekonomik Büyüme 0.0387 0.0412 0.0428 0.0520 -0.0041 (0.797)

Teknik Etkinlik 0.65 1 0.4222 0 0.2278 (0.093)*

Teknik Etkinlik Değişimi 0.10 0 0.3556 0 -0.2556 (0.035)**

Saf Teknik Etkinlik 0.85 1 0.7111 1 0.1389 (0.234)

Saf Teknik Etkinlik Değişimi 0 0 0.1556 0 -0.1556 (0.064)*

Not: Türkiye için Gözlem sayısı 20, Malezya için 45 olarak gerçekleşmiştir. ***, ** ve * ilgili katsayının %1, %5 ve %10 önem düzeyinde istatistiksel açıdan anlamlı olduğunu göstermektedir.

Tablo 2’de araştırma modelinde yer alan değişkenlerin, Türkiye ve Malezya’daki katılım

bankaları arasında istatistiksel açıdan anlamlı farklılıklara sahip olduğu görülmektedir. Türkiye’deki katılım bankalarının performans seviyeleri, Malezya’daki katılım bankalarına oranla istatistiksel açıdan anlamlı derecede daha yüksektir. Diğer yandan banka büyüklüğü dikkate alındığında, Malezya’daki katılım bankalarının Türkiye’dekilere kıyasla daha büyük oldukları tespit edilmiştir. Her iki ülke sermaye yeterliliği açısından karşılaştırıldığında ise, Türkiye’deki katılım bankalarının sermaye yeterliliği oranlarının, Malezya’dakilere kıyasla daha yüksek olduğu tespit edilmiştir. Test sonuçlarında öne çıkan önemli bir diğer bulgu ise, aktif yapısı değişkeni açısından elde edilmiştir. Malezya’daki katılım bankalarının takipteki kredi oranları, Türkiye’dekilere oranla daha yüksek olarak saptanmıştır. Malezya’da katılım bankalarının dağıttığı kredi hacminin Türkiye’ye kıyasla oldukça yüksek olduğu bilinmektedir (The World Islamic Banking Competitiveness Report, 2014, s. 70). Malezya’daki takipteki kredi oranının Türkiye’ye kıyasla daha yüksek olması, kredi hacminin büyüklüğü göz önünde bulundurulduğunda kredibilitesi düşük kesimlerin de sisteme dahil olduğunu düşündürmektedir. Diğer yandan toplam gider/toplam gelir oranı, Malezya’da daha yüksek olarak tespit edilmiştir. Bu oran bankanın elde ettiği gelire karşılık ne kadar gidere katlandığı hakkında fikir vermekte olup, Malezya’daki katılım bankalarının faaliyetleri sürecinde Türkiye’ye oranla daha yüksek maliyetlere maruz kaldıkları anlaşılmaktadır. Her iki ülkede faaliyette bulunulan piyasanın genel yapısı hakkında fikir veren enflasyon oranları


104

incelendiğinde ise, Türkiye’nin enflasyon oranı yüzde 7.5 iken, Malezya’nın yüzde 1.8 seviyesinde bulunmuştur. Bu anlamla iki ekonominin anlamlı derecede farklı olduğu dikkati çekmektedir. Buna karşın, ülkeler arasında ekonomik büyüme hızı açısından anlamlı bir fark olmadığı saptanmıştır. Etkinlik hesaplamalarında banka ölçeği dikkate alınarak elde edilen saf teknik etkinlik değeri açısından iki ülke arasında istatistiksel açıdan anlamlı bir fark elde edilememiştir. Banka ölçeği dikkate alınmadığında ise, istatistiksel açıdan anlamlı bir fark olduğu anlaşılmıştır. Türkiye’de teknik etkinlik değeri istatistiksel açıdan düşük önem seviyesine sahip olsa da Malezya’dan daha yüksektir. Buna göre banka ölçeği, özellikle etkinliğin değerlendirildiği çalışmalarda dikkate alınması gereken önemli bir faktör olarak öne çıkmaktadır. Teknik etkinlik ve saf teknik etkinlikteki değişim incelendiğinde ise, Malezya’da söz konusu değişimin istatistiksel açıdan anlamlı derecede Türkiye’den daha yüksek olduğu saptanmıştır. Etkinlikteki değişimin Malezya’da daha yüksek olması buradaki katılım bankalarının etkin sınıra yaklaşma hızlarının daha yüksek olduğu anlamına gelmektedir ve Türkiye’deki katılım bankalarına kıyasla etkinliği artırmada daha başarılı olduklarını göstermektedir.

5.2. Araştırma Modelindeki Değişkenlere Ait Korelasyon İlişkisi Araştırma modelindeki değişkenlere ait korelasyon analizi, birbiriyle ilişkili olan banka

faaliyetleri hakkında bilgi vermektedir. Korelasyon ilişkileri iki ülke açısından hesaplanarak, ülkeler arasında farklılıklar olup olmadığı araştırılmıştır. Türkiye’de katılım bankaları verileriyle elde edilen korelasyon analizi sonuçları Tablo 3’te görülmektedir.

Tablo 3. Türkiye Verileriyle Korelasyon Analizi Sonuçları

Banka Performansı

Banka Büyüklüğ

ü

Sermaye Yeterliliği

Aktif Yapısı

Maliyet Yapısı

Enflasyon Oranı

Ekonomik Büyüme

Teknik Etkinlik

Saf Teknik Etkinlik

Banka Büyüklüğü -0.7083 (0.000)***

Sermaye Yeterliliği 0.6954 (0.000)***

-0.6182 (0.004)***

Aktif Yapısı 0.1934 (0.414)

-0.3561 (0.123)

0.4374 (0.054)*

Maliyet Yapısı -0.0538 (0.822)

0.1764 (0.457)

-0.3193 (0.170)

-0.2112 (0.371)

Enflasyon Oranı -0.3274 (0.159)

0.0758 (0.751)

-0.1506 (0.526)

-0.2975 (0.203)

0.009 (0.970)

Ekonomik Büyüme -0.3018 (0.196)

0.2463 (0.295)

-0.1777 (0.454)

-0.4467 (0.048)**

0.0295 (0.902)

0.3349 (0.149)

Teknik Etkinlik 0.0517 (0.829)

-0.1243 (0.602)

0.4358 (0.055)*

0.2355 (0.318)

-0.302 (0.196)

-0.1299 (0.585)

0.0306 (0.898)

Saf Teknik Etkinlik 0.2127 (0.368)

-0.3655 (0.113)

0.4712 (0.036)**

0.4011 (0.079)*

0.0987 (0.679)

-0.0348 (0.884)

-0.0934 (0.695)

0.5725 (0.008)***

Teknik Etkinlik Değişimi 0.0506 -0.0987 -0.0641 -0.1637 0.6751 0.1557 0.1806 -0.4543 0.1400 (0.832) (0.679) (0.788) (0.490) (0.001)*** (0.512) (0.446) (0.044)** (0.556)

Not: Gözlem sayısı 20’dir. ***, ** ve * ilgili katsayının %1, %5 ve %10 önem düzeyinde istatistiksel açıdan anlamlı olduğunu göstermektedir.

Tablo 3’te katılım bankalarının performansları ile banka büyüklüğü arasında istatistiksel

açıdan anlamlı negatif korelasyon ilişkisi bulunmaktadır. Bu bulgu, Mann Whitney U test sonuçlarıyla uyumlu olup, banka ölçeği büyüdükçe performans seviyelerinin azalacağı anlamına gelmektedir. Diğer önemli bir bulgu ise, sermaye yeterliliği, banka performansıyla pozitif korelasyon ilişkisine sahip iken, banka büyüklüğüyle negatif korelasyon içermesi şeklinde ortaya çıkmıştır. Katılım bankalarının aktif yapısı incelendiğinde, takipteki kredi oranı ile sermaye yeterliliği arasında pozitif korelasyon olduğu belirlenmiştir. Banka etkinliği ile sermaye yeterliliği arasında anlamlı pozitif korelasyon olduğu saptanmış olup, etkinlik ile sermaye yeterliliğinin aynı yönde değişim gösterdiği anlaşılmaktadır. Korelasyon analizi sonuçlarına göre, banka performansını etkileyen faktörler arasından banka büyüklüğü ve

Bankacılar Dergisi

105

sermaye yeterliliği öne çıkmaktadır. Malezya verileriyle hesaplanan korelasyon analizi sonuçları Tablo 4’te görülmektedir.

Tablo 4. Malezya Verileriyle Korelasyon Analizi Sonuçları

Banka Performansı

Banka Büyüklüğü


Aktif Yapısı

Maliyet Yapısı

Enflasyon Oranı

Ekonomik Büyüme

Teknik Etkinlik

Saf Teknik Etkinlik

Saf Teknik Etk.

Değişimi

Banka Büyüklüğü

-0.0640 (0.676)


-0.4114 (0.005)***

0.4042 (0.006)***

Aktif Yapısı -0.7480 (0.000)***

-0.1128 (0.461)

0.5123 (0.000)***

Maliyet Yapısı

-0.3976 (0.007)***

0.0251 (0.870)

0.1933 (0.203)

0.1682 (0.269)

Enflasyon Oranı

-0.1735 (0.255)

-0.2241 (0.139)

-0.0796 (0.603)

0.1338 (0.381)

0.1064 (0.487)

Ekonomik Büyüme

-0.0638 (0.677)

-0.1768 (0.245)

-0.0472 (0.758)

0.0937 (0.540)

0.0865 (0.572)

0.6249 (0.000)***

Teknik Etkinlik

0.4067 (0.006)***

-0.2255 (0.137)

0.0309 (0.840)

-0.0746 (0.626)

-0.5581 (0.000)***

0.0917 (0.549)

0.0725 (0.636)

Saf Teknik Etkinlik

0.3479 (0.019)**

0.2659 (0.078)*

0.0613 (0.689)

-0.2240 (0.139)

-0.2464 (0.103)

-0.0819 (0.593)

-0.0430 (0.779)

0.5449 (0.000)***

Teknik Etk. Değişim

-0.0303 (0.844)

0.0929 (0.544)

0.0628 (0.682)

-0.0071 (0.963)

0.1973 (0.194)

-0.0290 (0.849)

0.3189 (0.033)**

-0.1650 (0.279)

-0.0387 (0.801)

Saf Teknik Etk. Değişimi

-0.0257 (0.867)

-0.1959 (0.197)

0.0870 (0.569)

0.0972 (0.526)

0.0489 (0.749)

-0.1369 (0.370)

0.0979 (0.522)

-0.1186 (0.438)

-0.2676 (0.076)*

0.5778 (0.000)***

Not: Gözlem sayısı 45’dir. ***, ** ve * ilgili katsayının %1, %5 ve %10 önem düzeyinde istatistiksel açıdan anlamlı olduğunu göstermektedir.

Tablo 4’te Malezya’daki katılım bankalarının büyüklüğü ile performans seviyeleri

arasında istatistiksel açıdan anlamlı bir korelasyon ilişkisi olmadığı görülmektedir. Katılım bankaların sermaye yeterlilik oranları, banka ölçeğiyle doğru orantılı banka performansı ile ters yönlü olarak değişim göstermektedir. Katılım bankaların aktif yapılarına bakıldığında, takipteki kredi oranı arttıkça, banka performansının azaldığı belirlenmiş olup, takipteki kredi oranı ile sermaye yeterliliği arasındaki korelasyon ilişkisi ise pozitif olarak elde edilmiştir. Malezya’daki katılım bankalarının elde ettikleri gelirin, bu geliri elde edebilme sürecinde katlandıkları giderleri karşılama oranı yani katılım bankalarının maliyet yapısı ile performansları arasında istatistiksel açıdan anlamlı negatif korelasyon ilişkisi olduğu saptanmıştır. Ayrıca, ekonomideki büyüme ile enflasyon oranı aynı yönde değişim göstermektedir. Katılım bankalarının etkinlikleri teknik etkinlik ve saf teknik etkinlik olmak üzere iki farklı şekilde hesaplanmış ve banka performansı arasındaki korelasyon ilişkisi araştırılmıştır. Her iki yöntemle hesaplanan etkinlik değerleri ile banka performansı arasında istatistiksel açıdan anlamlı pozitif korelasyon ilişkisi varlığı tespit edilmiştir. Bu, katılım bankalarının etkinlik seviyelerini artırmaları halinde karlılığın da artacağı anlamına gelmektedir. Banka etkinliği açısından elde edilen önemli bir bulgu da, ölçek faktörünü dikkate almayan teknik etkinlik ile katılım bankalarının maliyet yapısı arasında anlamlı negatif korelasyon ilişkisinin bulunmasıdır. Bu bulgu, katılım bankalarının teknik etkinliklerini artırmaları halinde toplam gider/toplam gelir oranının düşeceğini göstermektedir. Malezya verileri üzerinden bu bulgunun elde edilmiş olması, bu ekonomide faaliyet gösteren katılım bankalarında söz konusu etkinin istatistiksel açıdan anlamlı düzeyde olduğuna işaret etmektedir. Banka ölçeğini dikkate alan saf teknik etkinlik değeri ile banka büyüklüğü arasında pozitif korelasyon olduğu tespit edilmiştir. Bu, banka ölçeğinin etkinlik hesaplamalarında önemli bir faktör olduğunu desteklemektedir.

Türkiye ve Malezya verileriyle incelenen korelasyon ilişkileri, iki ülke arasında farklılık

göstermektedir. Buna göre, Türkiye’de katılım bankalarının büyüklüğü, performans ile


106

istatistiksel açıdan anlamlı negatif korelasyon ilişkisine sahip iken, Malezya’da anlamlı bir ilişki elde edilememiştir. Buna ek olarak, Türkiye’de katılım bankalarının sermaye yeterliliği oranı ile performansın aynı yönlü, Malezya’da ise ters yönlü bir korelasyon ilişkisi içerdiği saptanmıştır. Türkiye’de takipteki kredi oranı ile performans arasında anlamlı ilişki elde edilememiş olmasına karşın, Malezya’da katılım bankaların takipteki kredi oranının aratması halinde performansın azaldığını ifade eden negatif korelasyon bulgusuna ulaşılmıştır. Gelirlerin giderleri karşılama oranı incelendiğinde ise Türkiye’de anlamlı korelasyon ilişkisi elde edilememiş olup, Malezya’da bu ilişkinin yönü negatif olarak saptanmıştır. Türkiye’de etkinlik ile sermaye yeterliliği oranı arasında anlamlı pozitif korelasyon olduğu saptanmıştır. Ayrıca Türkiye’de takipteki kredi oranının artması ile saf teknik etkinlik değeri arasında anlamlı pozitif yönlü ilişki olduğu saptanmıştır. Malezya’da ise etkinlik ile banka performansı ve banka büyüklüğü arasında pozitif yönlü ilişkili bulunmuştur. Bu veriler ışığında, Malezya’da katılım bankalarının etkinliğinin artmasında banka ölçeği önemli bir değişken olarak öne çıkmaktadır. Türkiye’de ise, sermaye yeterliliğinin etkinlik açısından önemli bir unsur olması muhtemel görülmektedir. Türkiye açısından diğer önemli bir husus ise, takipteki kredi oranının artması ile etkinliğin artması şeklinde elde edilen bulgudur. Ayrıca Malezya’da banka ölçeği dikkate alınarak hesaplanan saf teknik etkinlik ölçüsü ile banka büyüklüğü arasında pozitif korelasyon olduğu belirlenmiştir. Malezya’da katılım bankalarının etkinliğinin banka ölçeği ile doğru orantılı olarak arttığı saptanmıştır.

5.3. Regresyon Analizi Sonuçları Analize konu katılım bankalarında performansı etkileyen faktörler regresyon analizleri

yapılarak araştırılmıştır. Araştırma modelinde bağımlı değişken, bankanın ortalama aktif karlılığı (Return on Average Assets-ROAA) olarak kullanılmıştır. Regresyon analizine konu modeller oluşturulurken, değişkenler aşamalı olarak modele dahil edilmiştir. Bu aşamada ilk olarak, performans ile bankaya özgü faktörler arasındaki ilişki araştırılmıştır. Daha sonra katılım bankalarının faaliyette bulundukları ekonomiye özgü faktörler modele dahil edilmiştir. Son olarak etkinliği ölçen değişkenler modele dahil edilerek katılım bankalarında performansı etkileyen faktörler aşamalı olarak araştırılmıştır. Regresyon analizi sonuçları Tablo 5’te yer almaktadır.

Tablo 5’te regresyon analizlerindeki modellerin istatistiksel açıdan anlamlı F

istatistiklerine ve yüksek açıklama gücüne sahip oldukları görülmektedir. Analiz sonucunda, Türkiye ve Malezya’daki katılım bankalarının büyüklüğü ile performansı arasında istatistiksel açıdan anlamlı negatif ilişki bulgusuna ulaşılmıştır. Bu, banka büyüklüğünde meydana gelebilecek bir artışın, banka performansında azalmaya neden olacağı anlamına gelmektedir. Sermaye yeterliliği ile performans arasında pozitif yönlü ilişki bulunmuş olup, bu ilişki Türkiye’de daha çok ön plana çıkmaktadır. Aktif yapısı ile performans ilişkisi incelendiğinde ise, katılım bankalarının takipteki kredi oranının artması durumunda banka performansının azaldığı anlamına gelen istatistiksel açıdan anlamlı negatif ilişki olduğu tespit edilmiştir. Bu bulguya, Malezya’daki katılım bankaları üzerinden ulaşılmıştır. Bu oranın kredi riski açısından gösterge olabileceği düşünüldüğünde katılım bankaların batık kredilerinin artmasının performansa olumsuz etki yapacağı söylenebilir.

Katılım bankalarının faaliyette bulundukları ekonomik yapının banka performansına

etkisi olabileceği düşüncesinden hareketle, enflasyon ve ekonomik büyüme kontrol değişkenleri olarak araştırma modellerine dahil edilmiştir. Analizler sonucunda, enflasyon ile banka performansı arasında anlamlı negatif ilişki tespit edilmiştir. Enflasyon oranlarındaki artışın maliyetlerde artışa yol açmasının katılım bankalarının performansları üzerinde olumsuz etkiye yol açtığı anlaşılmaktadır. Ekonomik büyüme ile performans arasında her iki ülke verileriyle gerçekleştirilen analizler sonucunda, istatistiksel açıdan anlamlı bir ilişki elde edilememiştir.


107

Tablo 5. Türkiye ve Malezya’da Banka Performansını Etkileyen Faktörlerin Regresyon Analizi Sonuçları

T

ürk

iye

M

ale

zya

R

OA

A

RO

AA

R

OA

A

RO

AA

R

OA

A

RO

AA

R

OA

A

RO

AA

R

OA

A

RO

AA

R

OA

A

RO

AA

R

OA

A

Ban

ka B

üyü

klü

ğü

-0

.0021

(0

.01

5)*

*

-0.0

022

(0

.00

5)*

**

-0.0

034

(0

.00

0)*

**

-0.0

020

(0

.02

2)*

*

-0.0

034

(0

.00

0)*

**

-0.0

019

(0

.03

2)*

*

-0.0

038

(0

.00

0)*

**

-0.0

170

(0

.00

0)*

**

-0.0

143

(0

.00

6)*

**

-0.0

009

(0

.02

9)*

*

-0.0

093

(0

.07

3)*

-0.0

069

(0

.28

9)

-0.0

110

(0

.00

8)*

**

Serm

aye Y

ete

rlil

iği

0.1

812

(0

.01

0)*

*

0.1

726

(0

.00

7)*

**

0.1

883

(0

.00

6)*

**

0.1

916

(0

.00

9)*

**

0.0

395

(0

.53

5)

-0.0

507

(0

.52

5)

-0.0

568

(0

.48

3)

Ak

tif

Yap

ısı

-0.0

851

(0

.30

8)

-0.1

285

(0

.10

4)

-0.0

753

(0

.43

0)

-0.1

339

(0

.13

3)

-0.0

745

(0

.46

3)

-0.1

189

(0

.22

1)

-0.3

662

(0

.00

0)*

**

-0.3

976

(0

.00

0)*

**

-0.3

984

(0

.00

0)*

**

-0.2

148

(0

.00

5)*

**

-0.3

699

(0

.00

0)*

**

-0.2

284

(0

.00

3)*

**

-0.3

706

(0

.00

0)*

**

Maliyet

Yap

ısı

0.0

0295

(0

.30

7)

0.0

026

(0

.32

7)

0.0

007

(0

.83

2)

0.0

027

(0

.33

9)

0.0

0095

(0

.77

2)

-0.0

173

(0

.02

7)*

*

-0.0

240

(0

.01

1)*

*

-0.0

197

(0

.03

4)*

*

-0.0

038

(0

.67

6)

-0.0

073

(0

.52

3)

-0.0

004

(0

.96

7)

-0.0

083

(0

.49

9)

En

flasyo

n

-0

.1684

(0

.04

2)*

*

-0.1

848

(0

.07

1)*

-0.1

821

(0

.07

6)*

-0.7

278

(0

.00

0)*

**

-0.6

304

(0

.01

5)*

*

-0.1

947

(0

.05

1)*

-0.3

713

(0

.13

0)

-0.1

656

(0

.07

3)*

-0.4

036

(0

.08

8)*

Eko

no

mik

Bü

yü

me

-0.0

264

(0

.18

1)

-0.0

270

(0

.19

6)

-0.0

121

(0

.76

1)

-0.0

112

(0

.76

2)

Tekn

ik E

tkin

lik

-0

.0005

(0

.84

3)

0.0

10

(0

.02

3)*

*

0.0

111

(0

.02

1)*

*

T

ekn

ik E

tk.

Değ

işim

0.0

013

(0

.68

9)

0.0

032

(0

.08

2)*

0.0

017

(0

.54

7)

0.0

033

(0

.03

9)*

*

Saf

Tekn

ik E

tkin

lik

-0.0

003

(0

.92

5)

-0.0

025

(0

.42

9)

0.0

091

(0

.00

0)*

**

0.0

090

(0

.00

0)*

**

Saf

Tekn

ik E

tk.

Değ

işim

0.0

042

(0

.33

8)

0.2

464

(0

.00

7)*

**

Sab

it T

eri

m

0.0

394

(0

.06

5)*

0.0

565

(0

.00

8)*

**

0.0

976

(0

.00

0)*

**

0.0

387

(0

.06

3)*

0.0

975

(0

.00

0)*

**

0.0

420

(0

.05

3)*

0.1

055

(0

.00

0)*

**

0.3

980

(0

.00

0)*

*

0.3

382

(0

.00

2)*

**

0.0

341

(0

.00

3)*

**

0.2

112

(0

.05

7)*

0.0

272

(0

.12

3)

0.0

441

(0

.32

6)

Dü

zelt

ilm

iş R

2

0.6

6

0.7

3

0.6

0

0.7

0

0.6

0

0.7

0

0.7

3

0.7

6

0.7

7

0.6

5

0.8

2

0.6

6

0.8

1

F İ

sta

tisti

ği

29.2

0

(0.0

00

)***

39.4

3

(0.0

00

)***

21.2

3

(0.0

07

)***

32.5

4

(0.0

00

)***

21.1

5

(0.0

00

)***

29.6

8

(0.0

00

)***

11.2

7

(0.0

00

)***

11.1

2

(0.0

00

)***

19.5

1

(0.0

00

)***

14.8

6

(0.0

00

)***

15.4

9

(0.0

00

)***

19.6

7

(0.0

00

)***

13.7

8

(0.0

00

)***

Hau

sm

an

Test

7.7

4

(0.1

02

)

2.6

3

(0.7

56

)

5.1

0

(0.4

03

)

3.7

5

(0.5

85

)

0.9

3

(0.9

68

)

9.9

1

(0.1

28

)

25.4

0

(0.0

00

)***

40.4

9

(0.0

00

)***

54.2

0

(0.0

00

)***

5.6

5

(0.4

64

)

45.1

3

(0.0

00

)***

5.3

5

(0.6

17

)

30.7

8

(0.0

00

)***

F t

esti

1.4

9

(0.2

68

)

0.9

0

(0.4

72

)

1.4

8

(0.2

74

)

1.1

8

(0

.36

1)

0.3

9

(0.7

65

)

2.3

0

(0.1

39

)

3.0

5

(0.0

11

)**

3.8

6

(0.0

03

)***

4.3

1

(0.0

02

)***

5.3

5

(0.0

00

)***

5.7

6

(0.0

00

)***

5.6

8

(0.0

00

)***

5.3

3

(0.0

00

)***

No

t: G

özle

m s

ayıs

ı T

ürk

iye

için

20

, M

ale

zya

için

45

’dir

. **

*, *

* ve

* ilg

ili k

ats

ayın

ın %

1,

%5

ve

%1

0 ö

ne

m d

üze

yin

de

ista

tistikse

l a

çıd

an

an

lam

lı o

ldu

ğu

nu

gö

ste

rme

kte

dir

.


108

Etkinlik değerleri ile performans arasında anlamlı pozitif yönlü ilişki bulunmaktadır. Bankaların teknik etkinlik ve saf teknik etkinlik açısından etkin olmaları, göreli olarak daha az girdi ile daha fazla çıktı ürettikleri anlamına gelmektedir. Bu çalışmada etkinlik analizinde kullanılan değişkenler açısından değerlendirilecek olur ise, teknik etkin ve saf teknik etkin olan katılım bankaları göreli olarak daha az sabit varlık, personel giderleri ve toplam mevduat ile daha fazla kredi dağıtmışlar ve daha fazla gelir elde etmişlerdir. Bu da daha yüksek karlılık seviyelerine ulaşılmasına olanak sağlamaktadır. Bu açıdan bakıldığında Malezya’nın daha yüksek etkinlik değerleri elde etmesi, Türkiye’ye kıyasla daha az personel giderleri, sabit varlık ve toplam mevduat ile daha fazla kredi dağıttığı ve daha fazla toplam gelir elde ettiğini göstermektedir. Malezya’nın sukuk ihracı konusunda dünya lideri olması, buradaki katılım bankalarının mevduat toplama dışında sukuk ile yüksek miktarlarda fon toplayabildiği hakkında fikir vermektedir. Mevduat toplama ile sukuk ihracı kıyaslandığında, sukuk ihracı ile daha az personel ve şube ile bir fon toplanabilir. Malezya’da sukuk ihracının yüksek olmasının, Malezya’nın etkinlik değerlerinin Türkiye’den daha yüksek olarak elde edilmesinde rol oynadığı düşünülebilir. Bu doğrultuda, Türkiye’deki katılım bankalarının fon toplama anlamında ürün çeşitliliğini artırmalarının ve sukuk gibi araçlara yönelmelerinin etkinliklerini artırmalarına katkı sağlayabileceği düşünülebilir. Malezya bulgularında banka etkinliği ölçümünde kullanılan personel giderleri, sabit varlıklar ve toplam mevduat girdileri dikkate alındığında, regresyon analizi sonuçlarında öne çıkan toplam gider/toplam gelir oranı ile performans arasındaki ters yönlü ilişki bulgusu birbirini önemli ölçüde desteklemekte ve Malezya’daki katılım bankalarının maliyet etkinliği sağlayarak önemli performans seviyelerine ulaştıkları konusunda fikir vermektedir.

5. Sonuç Bu çalışmada Türkiye’deki katılım bankaları ve Malezya’daki İslami bankalar esas

alınarak, katılım bankaları ve İslami bankalarda performansı etkileyen faktörler banka etkinliği temelinde incelenmiştir. Regresyon analizleri, 2009-2013 dönemi üzerinden gerçekleştirilmiş olup, performans ölçüsü olarak bankaların ortalama varlık karlılığından yararlanılmıştır. Performanstaki değişimleri açıklayabilecek faktörler ise, bankaya özgü faktörler, faaliyette bulunulan ekonomiye özgü faktörler ve banka etkinliği şeklinde kullanılmıştır. Analizler sonucunda, performansın banka büyüklüğü ile negatif ilişkiye sahip olduğu belirlenmiştir. Literatürde benzer bulguya ulaşıldığı görülmektedir (Pasiouras ve Kosmidou, 2007; Kosmidou ve diğ., 2008). Performans ile takipteki kredi oranı arasında negatif yönlü ilişki saptanmıştır. Benzer şekilde, maliyetlerin artması halinde banka performansının olumsuz etkilendiği sonucuna ulaşılmıştır. Buna karşın, sermaye yeterliliğindeki artışın performansa olumlu etki yaptığı tespit edilmiştir. Benzer bulguya, Demirgüç-Kunt ve Huizinga (1999), Moussa (2012), Dietrich ve Wanzenried (2014) çalışmalarında da rastlanmaktadır. Faaliyette bulunulan ekonomideki büyüme ile performans arasında anlamlı bir ilişki elde edilememiş olmasına karşın, enflasyon oranındaki artıştan katılım bankalarının olumsuz yönde etkilendiği sonucuna ulaşılmıştır. Etkinlik değerlerine bakıldığında ise, etkinlik değişkenlerinin tamamı ile karlılık arasında istatistiksel açıdan anlamlı pozitif ilişki elde edilmiş olup, literatürde Guillen ve diğerleri (2014) çalışmalarında benzer bulguya ulaşıldığı görülmektedir. Etkinliğin, bankaların minimum girdiyle maksimum çıktı elde etmedeki başarısını gösterdiği düşünüldüğünde, etkinlik değerleri yüksek olan bankaların göreli olarak daha az girdiyle daha fazla çıktı ortaya koyabildikleri anlaşılmaktadır. Bu çalışmada kullanılan girdi ve çıktı değişkenleri temelinde, etkin olan katılım bankaları göreli olarak daha az sabit varlık, toplam mevduat ve personel giderleriyle daha fazla kredi dağıtmışlar ve daha fazla toplam gelir elde etmişlerdir. Söz konusu etkinliğin bütün olarak katılım bankalarının performansına olumlu katkı sağladığı ortaya konulmuştur. Diğer yandan malmquist endeksiyle elde edilen teknik etkinlikteki değişim ve saf teknik etkinlikteki değişim değerleri de karlılığı pozitif yönde etkilemektedir. Teknik etkinlik değişimi ve saf teknik etkinlik değişimi değerlerindeki değişimin karlılığı olumlu yönde etkilediği tespit edilmiştir.

Bankacılar Dergisi

109

Çalışmadan elde edilen sonuçlar genel olarak değerlendirildiğinde; Türkiye katılım bankaları ve Malezya İslami bankalarının performanslarının birbirinden farklı unsurlara göre değişim gösterdiği, performansı etkileyen dinamiklerin farklı olduğu görülmektedir. İki ülke arasında bu farklılıkların kaynağı incelendiğinde, bankalara özgü faktörler öne çıkmaktadır. Bulgulara göre, banka performansının artırılması konusunda; Türkiye’deki katılım bankalarında sermaye yeterliliğinin güçlendirilmesi kaldıraç görevi üstlenirken, Malezya’daki İslami bankalarda faaliyetlerdeki etkinlik seviyesinde sağlanan artışın kaldıraç görevi üstlendiği belirlenmiştir. Dolayısıyla İslami bankacılık uygulamalarının gelişmiş bir örneği olan Malezya için elde edilen sonuçların, Türkiye’de faaliyet gösteren katılım bankaları açısından yol gösterici nitelikte olduğu anlaşılmaktadır. Bu bağlamda, Türkiye’deki katılım bankalarının sermaye yeterliliğini güçlendirmelerinin yanı sıra, banka etkinliğini artırmaları için faaliyetlerinde etkinliği artırıcı uygulamalara yer vermelerinin gerekliliği ortaya çıkmaktadır. Bu çalışmadan elde edilen bulguların katılım bankalarında etkinliğin artırılmasına odaklanacak çalışmalara ışık tutması ümit edilmektedir.

Kaynakça

Akhtar, M. F., Ali, K. ve Sadaqat, S. (2011). Factors Influencing The Profitability of Islamic Banks of Pakistan. International Research Journal of Finance and Economics, 66, 125-132.

Almanaseer, M. (2014). The Impact of The Financial Crisis on The Islamic Banks Profitability-Evidence From GCC. International Journal of Financial Research, 5(3), 176-187.

Alkassim, F. A. (2005). The Profitability of Islamic and Conventional Banking in The GCC Countries: A Comparative Study. Journal of Review of Islamic Economics, 13, 5-10.

Al-Qudah, A. M. ve Jaradat, M. A. (2013). The Impact of Macroeconomic Variables and Bank Characteristics on Jordanian Islamic Banks Profitability: Empirical Evidence. International Business Research, 6(10), 153-162.

Ariffin, A. F. ve Tafri, F. H. (2014). The Impact of Financial Risks on Islamic Banks Profitability. In International Conference on Business, Sociology and Applied Sciences, Kuala Lumpur-Malaysia, 26-27 March.

Baltagi, B. H. (2005). Econometric Analysis of Panel Data. Third Edition, England, John Wiley&Sons.

Banker, R. D., Charnes, A. ve Cooper, W. W. (1984). Some Models For Estimating Technical and Scale Inefficiencies in Data Envelopment Analysis. Management Science, 30(9), 1078-1092.

Bank Negara Malaysia (2013). “Financial Services Act 2013 and Islamic Financial Act 2013 Come Into Force”, 14 Mayıs 2015 tarihinde http://www.bnm.gov.my/index.php?ch=en_press&pg=en_press_all&ac=2837 adresinden erişildi.

Bashir, A. M. (2000). Determinant of Profitability and Rate of Return Margins in Islamic Banks: Some Evidence From Middle East. In ERF Seventh Annual Conference, Amman-Jordan, 26-29 October.

Charnes, A., Cooper, W. W. ve Rhodes, E. (1978). Measuring The Efficiency of Decision Making Units. Europen Journal of Operational Research, 2, 429-444.

Chua, Z. (2013). Determinants of Islamic Banks Profitability in Malaysia. Available at SSRN 2276277.

Demirgüç-Kunt, A. ve Huizinga, H. (1999). Determinants of Commercial Bank Interest Margins and Profitability: Some International Evidence. The World Bank Economic Review, 13(2), 379-408.

Dietrich, A. & Wanzenried, G. (2011). Determinants of Bank Profitability Before and During The Crisis: Evidence From Switzerland. International Financial Markets Institutions & Money, 21, 307-327.

Dietrich, A. ve Wanzenried, G. (2014). The Determinants of Commercial Banking Profitability in Low, Middle and High-Income Countries. The Quarterly Review of Economics and Finance, 54, 337-354.


110

Djalilov, K. ve Piesse J. (2011). Measurement and Determinants of Efficiency in Central Asian Banks. In European Conference on Banking and The Economy, Winchester-UK, 29 September.

Doğan, M. (2013). Katılım ve Geleneksel Bankaların Finansal Performanslarının Karşılaştırılması. Muhasebe ve Finansman Dergisi, 175-188.

Erol, C., Baklaci, H. F., Aydoğan, B. ve Tunç, G. (2014). Performance Comparison of Islamic (participation) Banks and Commercial Banks in Turkish Banking Sector. Euromed Journal of Business, 9(2), 114-128.

Guillen, J., Rengifo, E. W. ve Ozsoz, E. (2014). Relative Power and Efficiency as a Main Determinant of Banks Profitability in Latin America. Borsa İstanbul Review, 14, 119-125.

Gujarati, D. N. (2004). Basic Econometrics.Fourth Edition, TheMcGraw-HillCompanies.

Hassan, K. M. ve Bashir, A. H. M. (2003). Determinants of Islamic Banking Profitability. In 10th ERF Annual Conference, Morocco (pp. 16-18).

Hausman, A. J. (1978). SpecificationTests in Econometrics. Econometrica, 46(6), 1251-1271.

Idris, A. R., Asari, F. F. A. H., Taufik, N. A. A., Salim, N. J., Mustaffa, R. ve Jusoff, K. (2011). Determinant of Islamic Banking Institutions Profitability in Malaysia. World Applied Sciences Journal, 12, 1-7.

Izhar, H. ve Asutay M. (2007). Estimating The Profitability of Islamic Banking: Evidence From Bank Muamalat Indonesia. Review of Islamic Economics, 11(2), 17-29.

Kaya, Ö. (2010). Katılım Bankacılığının Gelişimi ve Türk Bankacılık Sistemi İçerisindeki Etkinliğinin Araştırılması. Yüksek Lisans Tezi, İstanbul Üniversitesi, İstanbul.

Kosmidou, K., Tanna, S. ve Pasiouras, F. (2008). Determinants of Profitability of Domestic UK Commercial Banks: Panel Evidence From The Period 1995-2002. Economics, Finance and Accounting Applied Research Working Paper Series, No: RP08-4.

Laldin, M. A. (2008). Islamic Financial System: The Malaysian Experience and The Way Forward, Humanomics, 24, 3-21.

Lorcu, F. (2010). Malmquist Toplam Faktör Verimliliği Endeksi: Türk Otomotiv Sanayi Uygulaması. İstanbul Üniversitesi İşletme Fakültesi Dergisi, 39(2), 276-289.

Mabadesh, A. (2012). The Determinants of Saudi Islamic Bank Profitability. Global Advances Research Journal of Manegement and Business Studies, 1(10), 339-344.

Malaysia International Islamic Financial Center (2014). “Global Sukuk Begins 2014 with Momentum”, 14 Mayıs 2015 tarihinde http://www.mifc.com/?ch=28&pg=72&ac=65&bb=uploadpdf adresinden erişildi.

Moussa, M. M. (2012). Bank-Spesific and Macroeconomic Determinants of Bank Profitability: Case of Study. Master Thesis, Eastern Mediterranean University, Gazimağusa, Cyprus.

Muda, M., Shaharuddin, A. ve Embaya, A. (2013). Comparative Analysis of Profitability Determinants of Domestic and Foreign Islamic Banks in Malaysia. International Journal of Economics and Financial Issues, 3(3), 559-569.

Pasiouras, F. ve Kosmidou, K. (2007). Factors Influencing The Profitability of Domestic and Foreign Commercial Banks in The European Union. Research in International Business and Finance, 21, 222-237.

Roman, A. ve Tomuleasa, I. (2012). Analysis of Profitability Determinants: Empirical Evidence of Commercial Banks in The New EU Member States. (20 Ocak 2015) http://icfb.rs.opf.slu.cz/sites/icfb.rs.opf.slu.cz/files/39_roman.pdf.

Rosman, R., Wahab, N. A. ve Zainol, Z. (2014). Efficiency of Islamic Banking During The Financial Crisis: An Analysis of Middle Eastern and Asian Countries. Pasific-Basin Financial Journal, 28, 76-90.

Sarıtaş, H. ve Saray, C. (2012). Türk Bankacılık Sektörünün Karlılık Performansının Analizi Pamukkale Üniversitesi Sosyal Bilimler Enstitüsü Dergisi, 11, 23-37.

Bankacılar Dergisi

111

Smaoui, H. ve Salah I. B. (2012). Profitability of Islamic Banks in The GCC Region. Global Economy and Finance Journal, 5(1), 85-102.

Soylu, A. ve Durmaz N. (2012). Profitability of Interest-Free vs. Interest-Based Banks in Turkey. MPRA Working Paper, No:36376.

Sufian, F., Kamarudin, F. ve Noor, N. H. H. M. (2013). Assessing The Revenue Efficiency of Domestic and Foreign Islamic Banks: Empirical Evidence From Malaysia. Jurnal Pengurusan, 37, 77-90.

Sufian, F. (2007). The Efficiency of Islamic Banking Industry: A Non-Parametric Analysis With Non-Discretionary Input Variable. Islamic Economic Studies, 14(2), 53-78.

Sufian, F. ve Zulkhibri, M. (2011). The Nexus Between Economic Freedom and Islamic Bank Performance in The MENA Banking Sectors. 8th International Conference on Islamic Economics and Finance.

The World Islamic Banking Competetiveness Report 2014-15 (2014). In 21th Annual The World Islamic Banking Conference, Ernst and Young Company, Bahrain, 1-3 December.

White, Halbert. 1980. “A Heteroskedasticity-Consistent Covariance Matrix Estimator And A Direct Test For Heteroskedasticity.” Econometrica, 817-838.

Ağustos 2015

Dr. Murat Türker

Finansal Güvenlik Sistemi Erken Uyarı Modeli:

Türk Bankacılık Sektörü Üzerine Bir Uygulamave Politika Önerileri

Yazım Kuralları

1. Bankacılar dergisinde yayımlanmak üzere gönderilecek makaleler, word formatında arial

yazı karakterinde, 11 punto ile tek aralıklı ve paragraflar arasında bir satır boşluk bırakılmak üzere Türkçe yazılmalıdır.

2. Kapak sayfasında, yazının başlığı, yazar(lar)ın bağlı bulundukları kuruluşlar ve ünvanları, iletişim kurulacak yazarın adı ve iletişim bilgileri bulunmalıdır.

3. Makalenin ilk sayfasında makalenin adı, öz/ abstract (en fazla 100 kelime), en az üç tane anahtar kelime Türkçe ve İngilizce olarak yazılmalı ve makaleye uygun JEL sınıflama numaraları verilmelidir. (http://www.aeaweb.org/journal/jel_class_system.php)

4. Yazı içinde kullanılan birinci düzey, ikinci ve üçüncü düzey başlıklar koyu harflerle yazılmalıdır. Başlıklar ile izleyen metin arasında bir satır boşluk verilmelidir. Başlıklardan sonra paragraf başı yapılmalıdır.

5. Yazı içinde yer alan tablo ve şekiller arial yazı karakterinde 10 punto ile hazırlanmalı, başlık ve sıra numarası verilmeli, kaynakları ise alta yazılmalıdır. Denklemlere sıra numarası verilmelidir.

6. Dipnotlar atlama yapılmadan numaralandırılmalı ve ayrı bir sayfada “Dipnotlar” başlığı altında toplanmalıdır.

7. Kaynaklara göndermeler dipnotlarla değil, metin içinde açılacak ayraçlarla yapılmalıdır. 8. Metinde gönderme yapılan veya yapılmayan tüm kaynaklar, kaynakçada yer almalıdır.

Kaynaklar ayrı bir sayfada alfabetik sırayla yazılmalıdır. 9. Metin içi gönderme, dipnotlar ve kaynakça belirtilen kurallar çerçevesinde ve American

Psychological Association (APA) (http://www.apastyle.org/learn/tutorials/basics-tutorial.aspx) sistemine göre yapılmalıdır.

Kaynakça ve Gönderme Örnekleri

Bir ve Birden Fazla Yazarlı Kitaplar Arıcan, E., Yücememiş, B.T, Karabay, M.E. ve Işıl, Gökhan (2011). Türk Bankacılık Sektöründe Ölçek Ekonomileri ve Rekabet Gücü Maliyet Etkinliği ve Ölçek Ekonomilerine İlişkin Bir Uygulama. İstanbul: Türkiye Bankalar Birliği. İlk Gönderme (Arıcan, Yücememiş, Karabay ve Işıl, 2011, s. 78) İkinci ve Sonraki Göndermeler (Arıcan ve diğerleri, 2011, s.80) Tüzel Kuruluş Tarafından Yayınlananlar Türkiye İstatistik Kurumu. (2009). Türkiye istatistik yıllığı. Ankara: Türkiye İstatistik Kurumu. İlk Gönderme (Türkiye İstatistik Kurumu [TÜİK], 2009, s.27) İkinci ve Sonraki Göndermeler (TÜİK, 2009, s.38) Çeviri Kitaplar Sicilia, D.B ve Cruikshank, J.L. (2000). Greenspan Etkisi: Dünya Piyasalarını Harekete Geçiren Sözler (E. Salman, Çev.). İstanbul: Literatür Yayıncılık (Orijinali 2000 yılında yayımlanmıştır). Gönderme (Sicilia ve Cruikshank, 2000, s.78) Kitaptan Bir Bölüm Esen, H. (2009) Kart Çıkaran Kuruluşların Yükümlülükleri. T.Ö. Kiraz (Yay. Haz.). 5464 Sayılı

Banka Kartları ve Kredi Kartları Kanununun Değerlendirilmesi ve Uygulamadan Doğan Sorunlar içinde (ss.21-47). İstanbul: Akademi.

Makaleler Birgili, E., Tuna, G. ve Tuna V.E. (2011). Portföy Seçiminde Riski Sevmeyen Yatırımcılar İçin Hisse Senedinin Ait Olduğu Sektör ve İlgili Firmanın Kuruluş Tarihi Önemli midir? . Finans Politik ve Ekonomik Yorumlar Dergisi, 48(558), 23-35. Internet adresleri Tuna, K. (2005), “Bankacılık Kanununda Kurumsal Yönetim”, 20 Mayıs 2006 tarihinde http://bsy.marmara.edu.tr/TR/konferanslar/2005/2005tebligleri/9.doc adresinden erişildi. Bankacılık Düzenleme ve Denetleme Kurumu (2011) “İnteraktif Aylık Bülten Ağustos 2011” 20 Ekim 2011 tarihinde http://ebulten.bddk.org.tr/AylikBulten/Basit.aspx adresinden erişildi.

TÜRKİYE BANKALAR BİRLİĞİNispetiye Caddesi, Akmerkez B3 Blok Kat: 13Etiler 34340 İstanbulTel: 0212 282 09 73 Faks: 0212 282 09 46e-posta: [email protected]

makale - tbb.org.tr · finansal gelişim düzeyi Üzerindeki etkileri konulu yatay kesit veri...

Documents