Finansal oranlar aracılığıyla kredi değerlendirme riskinin veri madenciliği yöntemleriyle analizi

Abstract

Günümüzde finansal tablolarda gerçekleştirilen hileler, bankacılık sektöründe kredi riskinin doğru değerlendirilmesini zorlaştırmakta ve finansal istikrarı tehdit etmektedir. Klasik istatistiksel veri madenciliği yöntemleri, bu tür karmaşık hileleri tespit etmede yetersiz kalmakta ve bankaları ciddi maddi zararlara uğratabilmektedir. Bu bağlamda, çalışmanın temel amacı, veri madenciliği yöntemlerinin finansal tablolar üzerinde uygulama potansiyelini araştırarak bankaların kredi değerlendirme süreçlerinde risklerin daha etkin biçimde tespit edilmesini sağlamaktır. Tez kapsamında, Osmaniye ilinde faaliyet gösteren KOBİ niteliğindeki 112 işletmenin finansal verileri analiz edilmiş; bu işletmelerin 56'sı kredi talebi onaylanan ve borçlarını düzenli ödeyenler olarak, diğer 56'sı ise kredi talebi reddedilen ve kredi riski taşıyan işletmeler olarak sınıflandırılmıştır. Araştırmada, literatürde yaygın olarak kullanılan 13 finansal oran temel alınmış ve bu oranlara dayalı veri madenciliği modelleri oluşturulmuştur. Kullanılan analiz araçları arasında SPSS Modeler 18 ve MATLAB R2014a yazılımları yer almakta olup, C5.0, CHAID, CART (Gini ve Twoing), Random Trees, Logistik Regresyon, Discriminant Analizi, LSVM, Yapay Sinir Ağı (YSA) ve Bayesian Network algoritmaları kullanılmıştır. Her bir model için doğruluk oranları hesaplanmış ve sınıflandırma başarıları karşılaştırılmıştır. Elde edilen sonuçlara göre, kredi risksiz işletmelerin doğru sınıflandırılmasında %98,21 başarı oranı ile LSVM algoritması öne çıkarken, kredi riskli işletmelerin doğru tahmin edilmesinde %96,43 oranı ile C5.0 ve Random Trees algoritmaları en yüksek performansı göstermiştir. Analiz yöntemleri açısından performans başarıları kıyaslandığında toplam başarı oranı (kredi riskli ve kredi risksiz) açısından %96,43'lük performans başarısıyla Random Trees yöntemi en iyi performansı gösterirken, bunu sırasıyla %95,54'lük başarı performansıyla C5.0 algoritması ve %89,29'luk performansıyla YSA algoritması kaydetmiştir. Araştırmada test edilen hipotezler doğrultusunda, veri madenciliği yöntemlerinin finansal oranlar aracılığıyla kredi değerlendirme risklerini tespit etmede yüksek doğrulukla kullanılabileceği görülmüş ve bu yöntemlerin klasik istatistiksel veri madenciliği analiz tekniklerine kıyasla üstün performans sergilediği sonucuna ulaşılmıştır. Bunun yanında, yalnızca finansal oranlara dayalı verilerle oluşturulan modellerin yüksek başarı sağlaması, veri madenciliği tekniklerinin kredi risklerinin tespitinde güvenilir ve geçerli bir yöntem olduğunu ortaya koymuştur. Ayrıca çalışmada, bankaların kredi değerlendirme süreçlerine bu tür veri madenciliği tabanlı erken uyarı sistemlerinin entegre edilmesi, kredi risklerinin zamanında belirlenmesini sağlayarak kredi risk yönetiminin güçlendirilmesine katkı sunabileceği belirtilmiştir. Araştırmanın öneriler kısmında, gelecekteki çalışmalarda daha geniş veri setleriyle farklı sektörler ve bölgelerden örneklemlerin dahil edilmesi, finansal olmayan değişkenlerin (yönetim kalitesi, piyasa itibarı gibi) modele entegrasyonu ve derin öğrenme algoritmalarının (CNN, LSTM vb.) uygulanması önerilmektedir. Bu çerçevede geliştirilecek daha dinamik ve bütüncül modellerin, bankacılık sektörünün ihtiyaç duyduğu erken uyarı sistemlerinin temelini oluşturabileceği vurgulanmaktadır. Bu çalışma, bankacılık sektörü özelinde kredi risk yönetiminde yeni bir yaklaşım sunmakta ve akademik literatüre özgün bir katkı sağlamaktadır. Tezin sonuçları, özellikle kredi risklerinin önlenmesi ve tespit edilmesi noktasında hem pratik hem de teorik düzeyde önemli açılımlar içermektedir.In the current banking landscape, fraudulent activities in financial statements pose significant challenges to the reliable evaluation of credit risk and jeopardize overall financial stability. Traditional statistical and data mining approaches often fall short in detecting these sophisticated forms of fraud, potentially leading to substantial financial losses for banks. Accordingly, this study aims to explore the effectiveness of applying data mining techniques to financial statement analysis as a means of enhancing the identification of risk within the credit evaluation processes of financial institutions. Within the thesis framework, financial data for 112 Osmaniye-based SMEs were examined. These enterprises were stratified into two groups of 56: one group demonstrated creditworthiness through approved loans and consistent repayment, while the other group displayed credit risk, evidenced by loan rejections The study is based on 13 financial ratios that are widely used in the literature and data mining models are created based on these ratios. The analysis tools used include SPSS Modeler 18 and MATLAB R2014a software and C5.0, CHAID, CART (Gini and Twoing), Random Trees, Logistic Regression, Discriminant Analysis, LSVM, Artificial Neural Network (ANN) and Bayesian Network algorithms were used. Accuracy metrics were computed for each classification model, and their predictive performances were comparatively analyzed. The LSVM algorithm demonstrated the highest accuracy in identifying enterprises without credit risk, achieving a classification success rate of 98.21%. In contrast, the C5.0 and Random Trees algorithms excelled in predicting enterprises with credit risk, both attaining an accuracy of 96.43%. When evaluating the overall classification performance across both risk categories, the Random Trees algorithm emerged as the most effective, with a total success rate of 96.43%, followed by the C5.0 algorithm at 95.54%, and the Artificial Neural Network (ANN) model at 89.29%. The analysis supports the study's hypotheses, concluding that data mining approaches not only enable highly accurate credit risk detection based on financial ratios but also surpass the efficacy of classical statistical techniques used in data analysis. Furthermore, the strong predictive performance of models developed solely from financial ratio inputs underscores the reliability and validity of data mining methods in credit risk detection. The results also highlight the potential benefits of incorporating data mining–driven early warning systems into banks' credit evaluation frameworks, as such integration may enhance credit risk management by enabling the timely identification and mitigation of potential defaults. The recommendations of the study propose that future research should expand the scope by incorporating larger datasets that encompass various sectors and geographical regions. Additionally, the inclusion of non-financial variables—such as managerial competence and market reputation—into the modeling process is advised. It is also recommended that advanced deep learning techniques, including Convolutional Neural Networks (CNN) and Long Short-Term Memory (LSTM) networks, be employed. Developing more comprehensive and adaptive models within this framework is expected to provide a robust foundation for the early warning systems required by the banking industry. This research introduces an innovative perspective on credit risk management within the banking industry and offers a distinctive contribution to the existing academic literature. The findings of the study carry significant theoretical and practical implications, particularly in enhancing the detection and prevention of credit risk.