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: