第二章 文獻探討
2.1 一階段信用評等模式之相關文獻探討
信用評等模式是將借款人的相關特性，例如：財務結構、獲利能 力及償債能力等特性化計分，目的是為了估算借款人發生違約的機率 或判斷是否會違約。目前關於一階段信用評等模式的中外文獻常利用 Logit 模式、Cox 模式、區別分析、類神經網路、基因演算法、基因 規劃法或支持向量機等分類方法來構建信用評等模式，其中區別分 析、 Logit 模式及 Cox 模式所提供的分類結果屬於量化數值；類神經 網路、基因演算法、基因規劃法及支持向量機的分類結果則屬於質化 數值。
2.1.1 一階段信用評等模式之國外文獻探討
Altman [15]首先利用區別分析建立信用評等模式，他先使用因素
分析從22個財務比率中萃取出流動性、獲利能力、財務槓桿，償債能 力、以及周轉能力等四個重要財務構面，分別為營運資金/總資產、
保留盈餘/總資產、稅後息前淨利/總資產、股東權益/總負債，再將 所獲得之財務構面利用區別分析建構一個線性區別函數，以產生一個
綜合性指標，稱為Z分數 (Z-score)。在分類時Altman以歸類錯誤總合 最小點作為預測正常與違約樣本的分界點。若驗證樣本大於所求得的 Z分數則判定為正常企業，否則判定為違約企業。但Altman研究只考 慮到企業之財務比率，未考量非財務變數所造成之影響。
Mensah [28]以1972年至1980年間110家企業為研究對象，利用因素 分析方法，由與信用評等有關之38個財務比率變數中萃取出10個財務 構面，然後再利用區別分析和Logit模式建構信用評等模式，以預測 企業是否會破產。
West[34] 由 美 國 七 個 州 中 的 2900 家 銀 行 選 出 1900 家 曾 於 1980~1982年間接受聯邦準備銀行業務檢查且加以評等之銀行為研究 對象，並將銀行分為五個等級，第一、二個等級列為健全銀行，第三、
四、五等級列為問題銀行，且利用因素分析從19個財務比率變數萃取 出8個重要財務構面，然後代入Logit模式以建立商業銀行之信用評等 模式，預警模式之正確區別率高達90%以上。
Whalen 與 Thomson [35]利用1983年11月至1986年7月間之58家 銀行，利用因素分析從10個財務比率變數中萃取出2個財務構面，然 後將所萃取出之財務因素代入Logit模式，以構建信用評等模式。其 研究結果顯示銀行的資產品質與盈餘對信用評等模式具有顯著性的 影響。
Baesens [17]以八種資料庫的信用評等資料為研究的樣本，分別利 用Logit模式、區別分析、KNN(K-nearest neighbor)、倒傳遞類神經網 路、決策樹及支持向量機來建構危機預警模式。其中實證結果顯示類 神經網路與支持向量機有較佳的分類結果。
Min與Lee [27]以南韓的中小型的重工業為研究的樣本，分別利用支 持向量機、多元區別分析、邏輯斯迴歸及倒傳遞類神經網路來建構信 用評等模式。其中實證結果顯示支持向量機的預測分類結果優於 Logit模型、多元區別分析及倒傳遞類神經網路。
2.1.2 一階段信用評等模式之國內文獻探討
賴儒平[1]以1973~1981年為研究期間，挑選台灣27家上市製造業
公司為研究樣本，利用因素分析萃取出七個重要財務構面，利用區別 分析來建立台灣地區製造業的信用評等模式。
陳肇榮[2]以1978~1982年為研究期間，按照產業與規模大小，分 別選取48家財務倒閉公司與48家財務正常公司，分成原始樣本、保留 樣本及後期樣本，先利用因素分析從32個財務比率變數萃取出9個財 務構面，再利用區別分析以建立預警模式。其研究結果顯示預警模式 對原始樣本在危機的前一年正確區別率達87.5%，對保留樣本的區別 率為80%，對後期樣本的正確區別率則為75%。
簡秀瑜[4]以 1987~1989 年間倒閉之美國信儲銀行為研究對象，利
用因素分析方法，由與信用評等模式有關之 32 個財務比率變數中萃 取出 6 個財務構面，然後再分別利用區別分析、Cox 模式及 Logit 模 式，建立金融機構之信用評等模式。其中實證結果顯示相較於區別分 析及 Logit 模式，Cox 模式有較低之型 I誤差(type I error)。。
郭志安[5]以民國 71 年至民國 84 年間台灣地區股票上市公司為研 究對象，利用因素分析與 Cox 模式，建立兩種信用評等模式。其中 一種模式是應用公司被宣判倒閉前一年的財務資料，由與信用評等模 式有關之 26 個財務比率變數中萃取出 2 個財務構面；另一種模式是 公司被宣判倒閉前二年的財務資料來分析，由與信用評等模式有關之 26 個財務比率變數中萃取出 4 個財務構面來建模。其研究結果顯示 此兩種信用評等模式在預測能力上表現均相當不錯。
白欽元[3] 選取違約企業與正常企業各30家，先利用因素分析找出 一些財務構面，再應用Logit模式建構出適用於中小企業的信用評等 模式，此模式之整體預測正確率達85%以上，對違約企業預測正確率 最低亦有83.3%，且發現以因素分析後，財務比率變數之構面經過縮 減，對信用評等模式的解釋與預測能力有提高的效果。
葉玫惠等人[8]以2004年至2005年間之台灣金融聯合徵信中心的信 用卡資料隨機抽取十萬筆資料為研究樣本，分別利用Logit模式及Cox 模式來建構信用評等模式。其中實證結果顯示相較於Logit模式，Cox
模式有較低之型I誤差(type I error)。
2.2 兩階段信用評等模式之相關文獻探討
吳佩珊[14] 由台灣中小企業之資料中，選取 225 個違約借款企 業與 225 個未違約借款企業，在第一階段分類時先利用 Logit 模式將 資料分作違約與未違約兩類。在第二階段分類中，再利用支持向量機 對無法判定違約或未違約之借款企業作進一步的分類。吳佩珊實證的 結果顯示利用兩階分類方法之預測違約準確率較一階分類方法佳。
Chen 和 Huang [19]從 UCI 資料庫[29] 選取 383 個違約借款者與 307 個未違約借款者，在第一階段分類時先利用類神經網路將資料分 作違約與未違約兩類。在第二階段分類中，再利用基因演算法對判定 違約的借款者作進一步的分類。實證的結果顯示利用兩階分類方法所 構建信用評等模式之預測違約準確率較一階分類方法佳。
Huang et al. [24] 從澳洲信用評等資料庫選取 383 個違約借款者與 307 個未違約借款者，在第一階段分類與第二階段分類中皆利用基因 規劃法將資料作分類。第一階段的分類是先將資料分為違約借款者與 未違約借款者兩類。第二階段分類則再對第一階段中所判定違約的借 款者再進一步進行分類。他們的實證結果也顯示利用兩階段分類方法 所構建信用評等模式之預測違約借款者之準確率較一階段分類預測
模式為佳。
上述文獻分別利用Logit模式、Cox模式、區別分析、支持向量機、
類神經網路、基因演算法及基因規劃法等方法來建構信用評等模式，
其中相較區別分析及Logit模式，Cox模式有較少的統計上的限制、較 低之型I誤差及能將不同時點對模式之影響考慮進來。支持向量機則 為近年所提出的人工智慧方法，能處理非線性資料，可提高分類上的 準確率，且模型可以有合理的解釋能力，為較新的建構信用評等模式 的方法。
2.3 線性結構關係模式 (linear structure relation, LISREL)
LISREL 主要功用是驗證以理論為基礎所建構的構面與變數間之 關係式是否合適。因此，LISREL 已廣為大量地應用在社會及行為 科學的領域中。以下兩小節中分別介紹 LISREL 之概念及 LISREL 之數學模式。
2.3.1 線性結構關係模式之介紹
LISREL 可以將以理論為基礎所建構之變數與構面(即潛在變數) 間之關係式轉換成變數間之共變異矩陣(covariance matrix)，再利用此
共變異矩陣來驗證所建構變數與構面間之關係式是否合適 [9]。其它 在建構變數與構面間之關係式的研究方法尚有因素分析及路徑分 析。其中，因素分析只能對構面與變數間之關係進行初步結構的探討 或形成理論之用，而無法檢定構面與變數間之關係是否合適；應用路 徑分析處理變數與構面間之因果關係時，以下一些缺失[10]：
1. 通常假設變數與構面間之關係式沒有誤差值存在，然而實際上每 一個變數與構面間之關係式是不可能沒有測量誤差。因此，此項 假設不符合實際情形。
2. 變數只能是等尺度變數，至於構面則無法進行檢定。
3. 變數與構面間之關係僅允許單向的因果關係，而不允許非遞回 (nonrecursuve)的關係存在。
綜合上述，LISREL 不僅結合因素分析及路徑分析的分析方法，亦 可改善這兩種方法的缺點，因此 LISREL 可視為檢驗整體理論架構的 良好工具。LISREL 目前已廣泛應用在教育、服務業或銀行等各種社 會科學之研究上，例如：在教育的研究上，Gardner et al.[22]運用 LISREL 及與衡量學習第二語言之情境相關的 18 個變數，驗證了第二 語言的精通與以往成就及動機具有因果關係。在服務業的研究上，孫 文琦等人[11] 運用 LISREL 及與衡量服務品質相關的 11 個變數，驗 證了消費者對服務人員及環境之滿意度受服務人員辦事效率及交談
應對之影響。在銀行的研究上，簡志丞[12]運用 LISREL 驗證了互動
(一) 測量模式（measurement model）又稱驗證因素分析(confirmatory factor analysis, CFA)：
單位對構面之改變量；k 1,...,p，1,...,q， q p；變數
（二）結構方程式模式（structural equation model）
結構方程式模式用以描述構面間之因果關係。此種關係之
面 (1,..., q)T 為一個q1向量且呈多元常態分配，其平均向 量 與 共 變 異 矩 陣 分 別 以Oq1和 表 之 ； 構 面 間 的 測 量 誤 差
T l) , , (1
為l1向量且呈多元常態分配，其平均向量與共變異矩 陣分別以Ol1和 表之。
2.4 存活分析
存活分析主要是探討某特定事件的解釋變數(即危險因子)與存活 時間的關聯性，存活分析過去大多應用在醫學統計與臨床實驗上 [26]。存活分析可分為無參數模式、Cox 模式及參數模式等三大類別，
存活分析主要是探討某特定事件的解釋變數(即危險因子)與存活 時間的關聯性，存活分析過去大多應用在醫學統計與臨床實驗上 [26]。存活分析可分為無參數模式、Cox 模式及參數模式等三大類別，