信用評等與風險評估之相關文獻

2.2.2 信用評等與風險評估之比較

一般而言，金融機構決定對企業放款的方式，大都透過內部信用評等，

可區分為風險評估模式和信用評等模式。風險評估模式，主要是預測企業 財務是否發生危機，以信用評估的方式將借款對象區分為違約與不違約，

也就是作二分類法的判別，以提供金融機構制定放款決策；信用評等模式 則可對其放款對象做出多等級判別，增加放款之彈性。兩者比較結果如表 2-1 所示。

表 2- 1 企業信用評等與授信風險評估之比較表 研究主題

比較項目 風險評估 信用評等

分類結果 二分類 順序多元分類

分類標準 客觀事實，受評單位是否違約 或是否破產之二分類問題。

主觀設定，根據客戶實際經營 狀況作為量化資料之來源，再 依專家意見主觀定義信用等 級的劃分以及設定分數級距。

決策彈性 低 高

資料來源：沈俊誠(2004)[8]

2.2.3 信用評等與風險評估之相關文獻

目前世界上知名的外部評等機構有標準普爾 (Standard & Poor’s，S&P)、

穆迪(Moody’s)和惠譽(Fitch IBCA)等公司。在國內部分，中華信用評等公 司（Taiwan Ratings）於民國 86 年 5 月正式成立，是我國第一家信用評等 公司。簡單歸納其評等準則可分為「經營風險」與「財務狀況」兩大面向，

並有次級構面如：會計制度完整性、未來發展潛力、產業競爭程度、企業 營運現況、關係企業連結、公司財務特性、緊急狀況應變能力、財務政策、

10

獲利能力、股東權益與資產結構、現金流量適足性，每一構面包含數目不 一之細項。外部評等結構相當嚴謹複雜，但其變數個數超出中小企業所能 提供之資料，且考量範圍對於銀行管理者針對中小企業做放款決策來說亦 太過繁瑣。

台灣經濟新報有感於金融環境對企業信用資訊需求大增，而資訊提供 量 卻 不 足 ， 遂 於 1991 開 始 研 發 一 套 評 估 企 業 信 用 風 險 的 指 標 (TCRI--Taiwan Corporate Credit Risk Index )。運用資料庫與推理邏輯建構 企業信用評等模式，先對企業之會計品質進行分析，再用財報計算出一綜 合評分，作為判斷企業體質之起點，再加上一些過濾門檻、前景和風險考 量，決定該公司的 TCRI。其財報選用指標變數及其權重如表 2-2 所示。然 受限於資料，僅能針對公開發行企業，包括上市、上櫃及未上市公司。

表 2- 2 TCRI 企業體質判定依據之財務指標

風險因素 財務比率 權數(W_j)

獲利能力 淨值報酬率 ROE 1/9 營業利益率 OP% 1/9 總資產報酬率 ROA 1/9 安全性 速動比率 ACID 1/9 利息支出率 INT% 1/9 借款依存度 DE 1/9 活動力 收款月數 TNAR 0.5/9

售貨月數 TNIVT 0 5/9 規模 營業收入 REV 1/9

總資產 TA 1/9 資料來源：台灣經濟新報(2004)[3]

11

Altman[24]與Edmister[29]皆採用財務比率以及多變量分析預測財務困 難公司。Altman利用逐步多元區別分析法(Stepwise Multiple Discriminant Analysis)構建模型，考慮不同22種財務比率分析項目間關連性對分析結果 的影響，選取五種最具共同預測能力的財務比率，以建立一個區別函數，

利用區別函數所求得的Z值(Z-score)來對樣本進行分類，此五種財務比率為：

營運資金/資產總額、保留盈餘/資產總額、稅前息前盈餘/資產總額、股東 權益市價/總負債帳面價值、銷貨淨額/資產總額。Edmister同樣利用逐步多 元區別分析建構風險評估模型，以區別分析值預測企業是否失敗，將所有 企業區分為失敗、非失敗及灰色地帶，灰色地帶則由分析師以專業判斷企 業是否失敗，不同之處為Altman針對大型與中型企業進行分析，Edmister 則收集小型企業的財務比率變數，進行小企業的財務危機預測。共蒐集包 括速動比率、流動比率等19種財務比率變數，並以現金流動比率、股東權 益銷售比率、營運資金銷售比率、流動資本負債比率、庫存銷售比率、速 動比率與年度平均比等7項變數構成區別方程式。

Martin[42]、Ohlson[44]、Laitinen[38]、Lau[39]皆以邏輯斯迴歸(Logistic regression)建立財務危機預警模式。Martin認為以多變量區別分析建構之預 警模式只能對樣本公司進行分類，無法衡量危機發生機率，故首先採用 Logit模型建立財務預警模式，以25個財務比率預測銀行發生危機機率，其 中總資產/風險性資產、淨利/總資產、總放款/總資產、呆帳/營業淨利、費 用/營業收入及商業放款/總放款等6項財務比率危機預測能力較顯著。

Ohlson以1970年至1976年間之105家失敗企業與2058家正常企業為研究對 象，使用九個財務比率來建立風險評估模型。結果發現企業規模、財務結 構、經營績效及流動性等四個因素與違約發生的機率有高度的相關。

Laitinen利用邏輯斯迴歸及線性迴歸來建構預警模式，選取35個財務變數及 非財務變數，非變數可略分為企業背景資料、過去交易歷史、負責人變數、

12

產業變數，財務變數除了公司本身財報還包含企業所屬集團變數，研究結 果發現財務比例變數並不如想像中重要。Lau以多元邏輯斯迴歸建立財務 預測系統，使用五種財務狀態代替一般常用的失敗、非失敗二分法，所建 模型可計算企業被歸類於五種狀態的機率。

Dutta與Shekhar[28]、Odom與Sharda[45]採用類神經網路分析信用風險。

Dutta & Shekhar是第一個應用類神經網路於債券的信用評等，研究模擬不 同數目的自變數及網路架構下，對等級分辨能力的影響，預測準確率為76

％至82％之間，自此類神經網路便成了研究信用評等的主要方法之一。實 驗一之自變數為負債與現金加資產比、負債比率、銷售淨利比、利潤銷售 比、財務強度、報酬與固定成本比、過去五年收益成長率、預計未來五年 收益成長率、營運資金與銷售比、主觀公司前景，實驗二則為實驗一前六 項變數。Odom與Sharda則為最早使用類神經網路預測財務危機者，為比較 區別分析與類神經網路故採用與Altman之研究相同變數，並認為類神經網 路之預測結果優於區別分析。

過去國內外信用評等及風險評估之研究大部分皆集中在財務報表之 財務比率分析，近來則有學者加入非財務比率變數、總體經濟面之影響等 其他因素。本研究將參考過去學者對於企業信用風險評估研究採用之變數，

予以整理後作為本研究建立授信決策解析之基礎，茲將相關國內外文獻變 數整理如表 2-3¹。

1 表 2-3 中粗體標示文字為文獻中建模之重要變數，表格內無粗體標示則為未指明重要變數或已

經由特殊方法篩選變數。

13

Shekhar (1988)

14

續表 2-3 銀行授信評估相關文獻變數選擇回顧整理

2 此研究僅針對非財務資訊列出重要變數，未提及財務因素之重要變數。

作者(年份) 研究對象 投入變數

Laitinen (1999)

15

續表 2-3 銀行授信評估相關文獻變數選擇回顧整理

作者(年份) 研究對象 投入變數

Fan, A.

Palaniswamiet, M.(2000)

16 Cheng-Ying

Wu

17

續表 2-3 銀行授信評估相關文獻變數選擇回顧整理

資料來源：本研究整理