Mehmet KAYAKUŞ, Filiz YETİZ, Mustafa TERZİOĞLU

İnternet Bankacılığı Kullanım Yoğunlunun Banka Kârlılıklarına Etkisi: Türkiye’de Faaliyet Gösteren Mevduat Bankaları Üzerine Bir Çalışma

Bankalar müşteri ihtiyaçlarını dahi iyi tespit etmek, en iyi hizmeti sunmak, potansiyel yeni müşterilere daha kolay ulaşmak için teknolojik yöntemleri daha sık kullanmaya başlamışlardır. Günümüzde teknolojik yenilikler kanalıyla sunulan hizmetlerden biri olan internet bankacılığı sayesinde müşteriler geleneksel bankacılık hizmetlerinin pek çoğunu şubelere gitmeden kısa bir süre içinde güvenli bir şekilde gerçekleştirebilmektedir. Teknolojik gelişmelere bağlı olarak internetin yaygın kullanılması bankacılık faaliyetlerini kolaylaştırmakta ve bankaların müşterilerine daha hızlı bir şekilde hizmet verebilme olanağını sağlayabilmektedir. Bu çalışmanın amacı, internet bankacılığı hizmetlerinin yaygınlaşmasının Türk bankalarının karlılığını ne yönde etkilediğini araştırmaktır. Çalışmada internet bankacılığı ile banka kârlılığı arasındaki bağıntı yapay sinir ağları (YSA), destek vektör makineleri (DVM) ve çoklu doğrusal regresyon (ÇDR) makine öğrenmesi yöntemleri kullanılarak incelenmiştir. Türk Bankacılık sektöründeki mevduat bankalarının 2011-2020 dönemi çeyrek veri aralığında, internet bankacılığı kullanan aktif müşteri ve ilgili bankaların internet sayfası ziyaretçi sayıları ile internet bankacılığında kullanılan işlemlerin hacmi (para transferi, ödemeler, yatırım, kredi kartı ve bunlar dışında kalan işlemler) giriş olarak ve Aktif Kârlılık (ROA) ve Özkaynak kârlılığı (ROE) oranları çıkış değişkenleri olarak seçilmiştir. Yapılan analiz sonucunda, internet bankacılığı banka internet sayfası, aktif müşteri sayısı ve kullanılan işlemlerin hacminin banka kârlılığı üzerinde bir etkisi olmadığı tespit edilmiştir. Bu sonuç literatürdeki farklı yöntemler kullanan bazı çalışmalar ile paralellik göstermektedir.

The Impact of Internet Banking Usage On Bank Profitability: A Study on Deposit Banks Operatingin Turkey

Banks have begun to utilize technological methods more frequently to well identify customers’ needs, to provide their customers with the best service, and to have access to potential new customers more easily. By courtesy of internet banking, which is one of the services offered through technological innovations as of today, customers can safely perform most of the conventional banking services within a short period without visiting the branches. Depending on technological developments, the widespread use of the Internet facilitates banking activities and enables banks to serve their customers even faster. This study aims to investigate the extent to which the proliferation of internet banking services affects the profitability of Turkish banks. In the study, the correlation between internet banking and bank profitability is examined using the artificial neural networks (ANN), support vector machines (SVM), and multiple linear regression (MLR) machine learning methods. In the quarter data range of deposit banks in the Turkish banking sector over the period 2011-2020, the number of active customers utilizing the Internet banking, the number of website visitors of the relevant banks, and the volume of transactions used in internet banking (money transfer, payments, investment, credit card, and other transactions) are selected as input variables, whereas Return on Assets (ROA) and Return on Equity (ROE) ratios are selected as output variables. As a result of the analysis, it is determined that the Internet banking website, the number of active customers, and the volume of transactions have no impact on the bank’s profitability. This result complies with some studies in the literature using different methods.

PDF

___

Abubakar, A., Shagari, J. N. & Olusegun, K. L. (2015). The relationship between electronic banking and liquidity of deposit money banks in Nigeria. International journal of Economics, Commerce And Management, 3(9), 830-847.
Alam, S. S., Khatibi, A., Santhapparaj, A. S. & Talha, M. (2007). Development and prospects of internet banking in Bangladesh. Competitiveness Review: An International Business Journal, 17(1/2), 56-66.
Amral, N., Ozveren, C. & King, D. (2007). Short term load forecasting using multiple linear regression. 42nd International Universities Power Engineering Conference, Brighton, United Kingdom
Bandyopadhyay, G. & Chattopadhyay, S. (2007). Single hidden layer artificial neural network models versus multiple linear regression model in forecasting the time series of total ozone. International Journal Of Environmental Science & Technology, 4(1), 141-149.
Dawson, C. W. & Wilby, R. (1998). An artificial neural network approach to rainfall-runoff modelling. Hydrological Sciences Journal, 43(1), 47-66.
Ding, X. & Liu, Y. (1993). Predicting power transformer resonant frequencies using ANN. NAPS, 2, 15-20.
Erol, İ., Çınar, S. & Duramaz, S. (2015). Bankaların yeni gelir kaynağı: Elektronik bankacılık işlem ücretleri, Türk bankacılık sektöründe banka kârlılığı üzerindeki etkisi. Abant İzzet Baysal Üniversitesi Sosyal Bilimler Enstitüsü Dergisi, 15(2), 1-21.
Floros, C. (1970). Internet banking websites performance in Greece. The Journal of Internet Banking and Commerce, 13(3), 1-8.
Gutu, L. M. (2014). The impact of internet technology on the Romanian banks performance. Proceedings of International Academic Conferences.
Hsu, K. l., Gupta, H. V. & Sorooshian, S. (1995). Artificial neural network modeling of the rainfall‐runoff process. Water Resources Research, 31(10), 2517-2530.
Jayawardhena, C. & Foley, P. (2000). Changes in the banking sector–the case of internet banking in the UK. Internet Research: Electronic Networking Applications And Policy, 10(1), 19- 30.
Karabulut, R. & Şeker, K. (2018). Belirlenmiş değişkenlerin vergi gelirleri üzerindeki etkisi: çoklu doğrusal regresyon analizi. Süleyman Demirel Üniversitesi İktisadi Ve İdari Bilimler Fakültesi Dergisi, 23(3), 1049-1070.
Kathuo, S. Rotich, G., & Anyango, W. (2015). Effect of mobile banking on the financial performance of banking institutions in Kenya. Strategic Journal Of Business & Change Management, 2(2), 1440-1457.
Khashei, M. & Bijari, M. (2010). An artificial neural network (p,d,q) model for timeseries forecasting. Expert Systems With Applications, 37(1), 479-489.
Khrawish, H. A. & Al-Sa’di, N. M. (2011). The impact of e-banking on bank profitability: evidence from Jordan. Middle Eastern Finance And Economics, 13(1), 142-158.
Lee, K., Cha, Y. & Park, J. (1992). Short-term load forecasting using an artificial neural network. IEEE Transactions On Power Systems, 7(1), 124-132.
Luu, K., Ricanek, K., Bui, T. D. & Suen, C. Y. (2009). Age estimation using active appearance models and support vector machine regression. IEEE 3rd International Conference On Biometrics: Theory, Applications, And Systems, 1-5.
Mata, J. (2011). Interpretation of concrete dam behaviour with artificial neural network and multiple linear regression models. Engineering Structures, 33(3), 903-910.
Pala, E. & Kartal, B. (2010). Banka müşterilerinin internet bankacılığı ile ilgili tutumlarına yönelik bir pilot araştırma. Yönetim ve Ekonomi, 17(2), 43-61.
Sadr, S. M. H. (2013). Consideration the effect of e-banking on bank profitability; Case study selected Asian countries. Journal of Economics And Sustainable Development, 4(11), 112- 117.
Siaw, I. & Yu, A. (2004). An analysis of the impact of the internet on competition in the banking industry, using Porter's five forces model. International Journal of Management, 21(4), 514.
Sulaiman, A., CH, L. & Wee, A. (2005). Prospects and challenges of e‐banking in Malaysia. The Electronic Journal Of Information Systems İn Developing Countries, 22(1), 1-11.
Thulani, D., Tofara, C. & Langton, R. (1970). Adoption and use of internet banking in Zimbabwe: an exploratory study. The Journal of Internet Banking And Commerce, 14(1), 1-13.
Tunay, K. B., Tunay, N. & Akhisar, I. (2015). Interaction between internet banking and bank performance: the case of Europe. Procedia-Social And Behavioral Sciences, 195, 363-368.
Uğur, U. & Berberoğlu, M. (2018). İnternet bankaciliği hizmetlerinin banka performansi üzerine etkisi. Uluslararası İktisadi ve İdari İncelemeler Dergisi, (20), 51-62.
Vapnik, V. (1995). The nature of statistical learning theory. Springer-Verlag.
Vapnik, V., Golowich, S. E. & Smola, A. J. (1997). Support vector method for function approximation, regression estimation and signal processing. Advances in Neural Information Processing Systems, 281-287. The MIT press.
Vapnik, V. (1998). Statistical learning theory. Wiley. 1(624).
WebsiteIQ. (2020). Website Traffic Statistics. https://www.websiteiq.com/
Yang, H., Chan, L. & King, I. (2002). Support vector machine regression for volatile stock market prediction. International conference on intelligent data engineering and automated learning, 391-396, Berlin, Germany.
Zhang, Y., Ding, X., Liu, Y. & Griffin, P. (1996). An artificial neural network approach to transformer fault diagnosis. IEEE transactions on power delivery, 11(4), 1836-1841.

Turkish Studies - Economics, Finance, Politics-Cover

ISSN: 2667-5625
Yayın Aralığı: Yılda 4 Sayı
Başlangıç: 2006
Yayıncı: ASOS Eğitim Bilişim Danışmanlık Otomasyon Yayıncılık Reklam Sanayi ve Ticaret LTD ŞTİ