信用評等相關研究探討

國內與國外學術界關於信用評等研究所著重的方向不盡相同，在 歐、美、日等國家由於信用評等制度皆已行之有年，企業股票或債券 發行之前幾乎都會接受信用評等機構公佈等級，歷史資料豐富，使得 學者研究重點大都在於利用公開的財務資料建立出一個統計分類模 式，期望以較簡明的操作變數（特別是財務比例）來模擬知名評等機 構所發佈的評等。而國內由於信用評等觀念尚在起步階段，恐無法提 供足夠的數據資料來進行與國外類似的研究，故研究方向大都放在銀 行放款授信評估，欲建立出可評估申貸企業的經營績效與違約風險。

綜觀企業信用評等的相關研究，較早期所採用的方法論大多以多 變量分析統計為主，例如複迴歸分析、區別分析法、因素分析法、Logit 與 Probit 模式，在篩選出影響變數後經由迴歸統計計算求得相對權 重，進而建立出評等模式。然而隨著軟性計算(soft computing)的發展 日漸成熟，類神經網路（neural network）､模糊理論（fuzzy theory）

等方法論已被部份學者引進至相關研究，且所建立的模式在區別績效 方面也令人滿意，茲將相關研究整理如下：

1. James O. Horrigan[7]是第一個研究預測債券 等級的學者，以

1959-1969 年不分產業的 200 家企業為研究標的，利用債權順位、

總資產、資金營運佔銷貨比例、淨資產佔總負債比、銷貨額佔淨 資產比以及淨利佔銷貨額比六個變數與複迴歸分析建立出債券 評等的預測模式，並以 1961-1964 年間不分產業的 200 家企業為 測試組，研究結果顯示該模式預測之評等與 Moody's 和 S&P's 公 佈的評等比較，可以預測 58%Moody's 評定等級與 52%S&P's 的 評定等級。

2. Kaplan 與 Urwitz[8]以 1970-1974 年間不分產業類型被 Moody's 公 司公佈評等的 207 家企業為樣本；以其中 140 家為計算樣本､67 家為測試樣本，利用 5 個財務變數與 Probit 模式和複迴歸分析建 立出兩組預測模式，結果 Probit 模式的預測正確率有 55%，複迴 歸分析模式預測正確率有 69%，而且兩模式所預測的結果皆與實 際上 Moody's 評等差異不到一個等級。

3. Ederington[9]以 1975-1979 年間 246 家被 Moody's 公司評等為 B 級以上（含）的企業，以 146 家為計算樣本、100 家為測試樣本。

他選取了債權順位、資產總額、長期負債/總資產等財務比例變 數，利用 Probit 模式、Unordered Logit 模式與線性區別分析、線 性線性迴歸建立了四種預測模式。其各模式的測試樣本預測正確 率：Probit 模式：65%、Unordered Logit 模式：70.3%、線性區別 分析：56.5%、線性線性迴歸：59.8%。其各模式的預測樣本預測 正確率：Probit 模式：78%、Unordered Logit 模式：73%、線性區 別分析：69%、線性線性迴歸：69%。

4. Dutta 與 Shekhe[10]利用類神經網路建立出信用評等模式，其輸 入變數是根據 Horrigan 和 Pinches and Mingo 研究採用的 10 個財 務因子；另外在相關性檢定後，篩掉具有相關性的因子之後，剩

下 6 個獨立財務因子為另一組輸入變數。在類神經網路架構上，

則選用兩層與三層兩種倒傳遞類神經網路。其監督式學習的目標 是以經由 S & P's 發佈評等的企業為標的進行學習與測試，這四 種模式的預測正確率以兩層類神經網路加上輸入 10 個變數的模 式最高，有 88.3%；以三層類神經網路加上 6 個輸入變數的模式 最低，為 76.55%；但相較於之前的預測模式（如 Probit 模式､Logit 模式､複迴歸分析）都令人較為滿意。

5. Odom 與 Sharda[11]蒐集了 1975-1982 年間 64 家正常營運的企業 與 65 家破產企業為研究樣本，並採用 Altman 研究結果的 5 項財 務 比 例 為 輸 入 變 數 ， 以 倒 傳 遞 演 算 法 （ Back-Propagation Algorithm）建立類神經網路模式用以預測企業失敗，同時並與以 區別分析建立的預測模式做比較。在訓練樣本中，類神經網路的 預測正確率為 100%，區別分析則為 86.84%，其結果顯示類神經 網路的預測績效十分良好，並高於以區別分析建立的預測模式。

6. 張志向[12]鑑於目前國內銀行對中小企業所使用的信用評等表，

其應用上仍缺乏『抗驟變性』與『敏感性』等之缺點，利用模糊 理論，結合問卷調查與因素分析等方法，將信用因素分為財務性 與非財務性兩大類分別進行研究；最後以模糊排序法建立了財務 面信用評等模式，以及透過模糊德爾非法與模糊綜合評判建立出 非財務面的信用評等模式，最後提出新的「中小企業信用評等 表」，以，可對目前國內中小企業信用評等表做一合理的改善。

7. 施人英[13]以倒傳遞類神經網路、Ordered Logit、與多元區別分析 建立了三種信用評等預測模式；其研究樣本分為單一產業（航空 業）與綜合產業（消費性產品業）兩類，輸入變數方面在單一產 業樣本中有國家風險變數、財務風險變數、與營運風險變數，而

綜合產業則是輸入國家風險變數與財務風險變數，變數資料是利 用 S& P's 出版的 Global Sector Review 與 CARD 光碟片上所記載 美國與紐澳的信用評等和財務統計資料。研究結果發現類神經的 分類效果優於多元區別分析與 Ordered Logit 模式、單一產業樣本 比綜合產業樣本的分類效果佳，以及在輸入變數中加入營運面因 子也會提高評等的分類效果。

分析國內外相關信用評等的文獻後可以發現其研究方向大部份 是以統計分析或類神經網路等方法論，試圖找尋出某些重要的財務因 子與該公司被具公信力的評等機構公佈的信用等級之間的關係；亦即 擬以客觀的財務資料來取代複雜而費時的評等流程。然而信用評等在 國內尚在起步階段，不易獲得營造業的評等資料，如此便缺乏建立信 用分類評等的對應目標值。面對這種問題，Stewart, Lu and Larson[14]

發展一個原應用在波形分析的類神經網路模式可能可以提供一個解 決之道，該模式是混合了 SOM 網路與學習向量量化（LVQ）網路來 建構一個分類模式；先以 SOM 網路將樣本進行群集之後，再以 LVQ 網路進行各群集間異質性的學習，當網路完成學習與測試之後即可應 用於未知樣本的判別，如此即可以解決缺乏目標值的問題。

在回顧關於營造公司績效評估與企業信用評等的相關研究後，本 研究歸納出下列幾點結論：

1. 財務比率確實可有效反應出一企業體的信用狀況，而且其定量的 屬性可將人為的主觀因素降至最低，確保評等結果的穩定性與一 致性。

2. 對一企業信用作評估時，若忽略了產業間的差異性，往往會導致 評等模式的預測率偏低，因為在不同產業中，同一個評估因子所

代表的意義與正常值的範圍也不盡相同，故確實有必要建立單一 產業個別的信用評等模式。

3. 根據文獻探討，信用評等的相關研究主要是以公信評等機構所發 佈的廠商信用等級為目標值，以企業財務因子為變數，配合各種 演算方法（如：Logit 模式、多變量區別分析、Probit 模式、線性 機率模式、倒傳遞類神經網路等等）求得財務變數與企業信用評 等之間的對應規則；另外經由許多文獻研究的結論證實，以類神 經網路建構的廠商信用評等模式，其分類績效多優於其他的演算 法。

4. 因國內營造業目前缺乏具公信力的信評機構所公佈的的信用等 級作為分析的目標值，故在第一期的研究計畫中，將考慮先以 SOM 網路配合國內甲級營造公司財務資料為輸入變數，將研究樣 本予以分類並賦予信用等級後，再以 BP 網路進行信用等級分類 規則的學習，建構一個專適用於國內營造公司的信用評等模式。

因此，在第一期計畫有關 SOM 與 BP 類神經網路的相關演算細 節、第二期 BP 方法論之改善、以及第三期 DBBP 之發展與建構，

將在下一節中詳述。