第二章 文獻探討
3.2 存活期預測模式
以下各步驟敘述風險評估模式的構建流程。
步驟一：資料收集以及變數選擇與整理
此步驟進行方法與風險評估模式步驟一相同。
步驟二：依淨值等級進行分類
此步驟進行方法與風險評估模式步驟二相同。
步驟三：以逐步判別分析篩選重要之變數
此步驟進行方法與風險評估模式步驟三相同。
步驟四：構建存活期預測模式
分別利用自組性演算法構建存活期預測模式，並利用NeuroShell 2.0 軟體作為GMDH 之輔助分析工具，如圖 3.2 所示。
構建存活期預測模式
以逐步判別分析挑選重要 之變數
依淨值等級進行分類 資料收集以及變數選擇與
整理
圖3.2 存活期預測模式構建流程
3.3 中小企業信用評等流程
構建完成風險評估模式與存活期預測模式，即可利用兩個模式得到以下資 訊：(1)企業是否違約(2)若企業違約，其存活期長度為何。接著以上述兩個 資訊作為信用評等之判定基準。以下各步驟將敘述中小企業信用評等之評 估流程。
步驟一：資料收集以及變數選擇與整理
此步驟進行方法與風險評估模式步驟一相同。
步驟二：以風險評估模式判定該借款企業為正常或違約
將收集之資料代入以構建完成之風險評估模式，判定其為正常企業或 違約企業。
步驟三：以存活期預測模式預測違約企業之存活期
將前一步驟判定為違約的資料，代入存活期預測模式，預估其存活期。
步驟四：判定放款企業之信用評等
若在步驟二判定為正常企業，則給予信用評等 A 級，判定為違約之企 業則在預估存活期後，以陳英豪[9]所發展的 U 指標判定信用評等，U 指標 的定義如下所示。表3-1 為 U 指標值所對照之信用評等等級及放款策略說 明。
100%
U= ×
債務期限 預測存活期
表3-1 信用等級對照及說明表 信用
等級 U判定準則 建議放款策略
A 無 予以放款
B＋ 92% -100% 提高擔保品價值
B 80% - 92% 提高擔保品價值、提高利率 B－ 70％-80% 提高擔保品價值、提高利率、
縮短契約期限
C 70%以下 僅允許短期契約並提高擔保品價值或不予放款
本研究所提出之中小企業信用評等流程如圖3.3 所示。
正常 違約 以企業風險評估模式判定該借款
企業為正常或違約 資料收集以及變數的選擇
與整理
判定該借款企業信用等級 為 A
以存活期預測模式預測違 約企業之存活期
判定該借款企業信用等級為 B+、B、B-或 C 級 計算借款企業之 U 指標
圖3.3 中小企業信用評等流程
第四章 實例驗證
本研究利用國內某金融機構於民國 89 年至民國 94 年向其借款之中小 企業之實際資料為例，說明本研究所發展之中小企業信用評等流程的有效 性及可行性。
4.1 本研究方法說明
應用實例說明本研究方法之可行性，各步驟之說明如下：
步驟一：選擇變數
本研究選擇 17 個財務變數、31 個非財務變數、1 個總體經濟變數等 共50 個變數為自變數，並將企業淨值當作資料分組變數。表 4-1 為各變數 所對應之代碼及相對之評分項目，表4-2 則列出為各財務變數之計算公式。
由於有一些非財務變數難以量化，因此企業以評分員對這些變數評分 當作其變數值，評分員對評分表上各非財務變數的問題進行評分，若某一 問題評分員認為該企業有做到，則得1 分，反之則得 0 分。由於一個非財 務變數可能拆解成好幾個問題，所有問題得分的總和就是該非財務變數的 值。因此拆解變數為非財務變數所拆解成的各個問題之得分，而每個拆解 變數都是一個二維變數（binary variable）。以往金融機構在進行企業之信 用評等時，都是直接採用非財務變數的值，也就是拆解變數的加總，並不 單獨考慮各拆解變數。本研究則是將拆解變數也納入考量，以更精確的探 究拆解變數對風險評估模式之解釋能力。
本研究依企業淨值之大小，將資料分為A、B、C 兩組，如表 4-3 所示
表4-1 變數說明表
財務變數代碼 評分項目
非財務 變數代
碼
評分項目
F1 自有資本率 contract 債務期限
F2 負債比率 N1 內部和諧與員工忠誠 度
財務結 構
F3 固定比率 N2 背景
F4 流動比率 N3 經營理念及能力 F5 速動比率 N4 資力
償債能 力
F6 債務償債能力 N5 財務報表可信度 F7 平均淨值週轉數 N6 重大法規
F8 平均收款天數 N7 經濟因素 經營能
力
F9 平均銷貨天數 N8 產業展望 F10 毛利率 N9 經營展望 F11 淨利率 N10 銷售 獲利能
力
F12 淨值報酬率 N11 經營團隊
F13 週轉率 N12 同業及客戶對其評價 F14 每股淨利成長率 N13 企業淨值
成長力
F15 營業額成長率 F16 杜邦比率 其他
F17 Ln(淨值/相對規模)
表4-2 財務變數公式表
表4-3 企業淨值等級對應表 淨值等級 標 準
A >100,000 仟元 B 10,001 ~ 100,000 仟元 C <10,000 仟元
步驟二：蒐集與整理資料
針對本案例，本研究共蒐集了 3636 筆中小企業資料，其中正常案件 有 3348 筆，違約案件有 288 筆，將這些中小企業之資料依淨值等級分組 後去除離群值與無效值，得到樣本結構如表 4-4 所示，為提升模式之準確 性，設定正常案件和違約案件之比值為1：1，訓練案件與測試案件之比值 亦為1：1，然後再進行後續分析。
表4-4 本案例之中小企業依淨值分組之樣本結構表 淨值等
級組別 正常案件 違約案件 A 1280 111 B 1968 155 C 90 11
步驟三：以逐步判別分析篩選重要之變數
分別對淨值等級為A 或 B 的兩個組別，利用逐步判別分析挑選出影響風險 評估模式的重要變數，得到之結果如表4-5 所示。
表4-5 各淨值等級之重要變數
淨值等級A 淨值等級B
經濟指標(X1) 淨值週轉數（X2） DSR（X3）
經營團隊-4（X4） 公司歷史（X5） 負債比率（X6） 財報可信（X7） 毛利率（X8） 內部-2（X9）
背景及經營理念（X10） 淨值報酬率（X11）
公司歷史（X1）
Ln(淨值/相對規模)（X2） 杜邦比率（X3）
同業客戶評價-4（X4） 經營團隊-3（X5） 銷售-1（X6）
步驟四：構建風險評估模式
進行篩選變數後，分別針對 2 個淨值等級之企業，構建風險評估模式，結果 如下表4-6 與 4-7 所示。
表4-6 A 淨值等級的風險評估模式
樣本類型 訓練樣本 測試樣本
分類方法 判別 GMDH SVM 判別 GMDH SVM
正常案件正確率 88% 96% 88% 52% 60% 44%
違約案件正確率 80% 96% 88% 72% 64% 72%
比較表4-6 中三種方法其測試樣本之正常案件正確率與違約案件正確率後，發現 判別分析與SVM 都容易出現正常案件正確率與違約案件正確率差異很大的現 象，由於對金融機構來說正常與違約案件的判別正確率都同等重要，不應出現正
確率差異過大的情形，因此判定GMDH 方法所建之風險評估模式較佳。方程式 如下（方程式中的變數以表4-5 之變數代號表示），由於GMDH 在構建方程式 時會再進行一次變數篩選，因此方程式中不一定會包含所有的變數。此外由於風 險評估模式是一個二分類模式，需設定cut-off point 以判定其分類。
Y=-0.31×X +0.27×X +2.1+0.13×X9+0.13×X11-7.5E-002×X +1.4×X3-0.95×X -0.
38×X3×X -0.85×X3×X8+0.83×X ×X +0.56×X ×X ×X 0.9×X +0.2×X ×X
Y=-1.3E+004×X1+2.2E+003×X5+1.7E+002×X6-0.87×X -2.3E+003×X -2.3E+002
×X +98×X +1.3E+004×X1×X5+7.7×X1×X （cut-off value=-0.4）
（1）A 淨值等級企業：
步驟六：判定借款企業之信用評等
執行完上述步驟之後，即完成信用評等模式之構建，現由實例中隨機抽取一 筆資料，解釋如何利用此信用評等模式判定該筆資料信用評等，該筆資料各變數 之值如表4-9：
表4-9 挑選案例之變數值
變數名稱 變數值 變數名稱 變數值 變數名稱 變數值
是否違約 是 DSR 4.30 銷售加分-1 1
淨值等級 A 淨值收款數 2.00 銷售加分-2 1
存活期 9 收款天數 2.00 經營團隊 3
借款期限 12 銷貨天數 2.00 經營團隊-1 1
公司歷史 3.00 毛利率 0.00 經營團隊-2 1
內部員工忠誠 4 淨利率 0.00 經營團隊-3 1
內部-1 1 淨值報酬率 0.62 經營團隊-4 0
內部-2 1 每股淨值成長率 1.96 同業客戶評價 4
內部-3 1 營業額成長率 2.00 同業客戶評價-1 1
內部-4 1 法規政策 2 同業客戶評價-2 1
背景及經營理念 4 經濟因素 2 同業客戶評價-3 1
資力 0 產業展望 3 同業客戶評價-4 1
財報可信 3 產業展望-1 1 同業客戶評價-5 0
自有資本率 1.00 產業展望-2 0 週轉率 273.76
負債比率 1.00 產業展望-3 1 杜邦比率 7.07
固定比率 0.50 產業展望-4 1 經濟指標 14.98848
流動比率 0.50 經營展望 2 Ln(淨值/相對規
模)
-11.6347
速動比率 1.41 銷售 4
首先判斷資料是否違約，將資料代入A 淨值等級之風險評估模式，得到 Y 值為-0.7535，小於 cut-off value（-0.4），因此判定為違約，必須再計算其存活期 以判定其信用評等。將資料代入A 淨值等級之存活期評估模式，得到 Y 值為 7.02，此即為存活期預測值。將之帶入 U 指標之公式，可得 U=7.02/12=0.585，
由表3-1 之信用等級對照表判定該筆資料為C 級。
4.2 實例驗證結論
本研究在實例驗證後得到以下兩點結論：
1、利用 SVM 與判別分析構建風險評估模式，常常會發生正常樣本判別正 確率與違約樣本判別正確率一高一低的情形。由於GMDH 可使用 cut-off point 去控制兩類判別正確率，因此可有效改善這個問題。
2、本研究將非財務變數拆解成數個變數，由逐步判別分析發現許多變數 在未拆解前是不顯著的變數，但拆解後卻變為顯著變數，顯示將非財務變 數拆解後，可提升風險評估模式的解釋能力。
第五章 結論與建議
以下兩小節分別說明本研究之結論及建議。
5.1 結論
本研究之貢獻可彙整如下：
1、過去之中、外文獻大部分都是以上市上櫃公司的資料進行分析，而本 研究以中小企業之資料為例，因此其分析流程可有效套用至佔台灣為數甚 多的中小企業身上，因此本研究結果甚具應用價值。
2、本研究結合風險評估模式、存活期預測模式與 U 指標，另提出一套有 效的中小企業信用評等流程，可改善過去類似研究中未考慮借款期限的缺 點。
3、本研究在構建風險評估模式之前，先以逐步判別分析法篩選重要變數，
可有效改善模式過度適配的問題。
4、在風險評估模式的部分，本研究採用支向機、判別分析、以及自組性 演算法進行分析，並比較其優劣。由於這三種方法皆可得出分類之方程 式，因此對金融機構而言，其實際應用價值較使用倒傳遞類神網路、核心 法等方法高。
5.2 建議
本研究可能之後續研究有以下幾點：
本研究可能之後續研究有以下幾點：