統計方法

Beaver(1966)最早使用單變量區別分析(Univariate discriminant analysis)針 對美國的企業進行財務危機預測，期間以1954 至 1964 年失敗企業 79 家及成 功企業79 家為樣本，研究結果發現現金流量/總負債為最佳的衡量的財務指 標。然而影響企業失敗的原因一般而言並不單純，若採用單一變財務變數解釋 企業危機與否並不周延。

Altman(1968)利用多變量區別分析（Multiple Discriminant Analysis）進行危 機預測，期間利用1964 至 1965 年破產及正常美國企業各 33 家為樣本，並選 用了22 個財務比率進行分析，發展出 Z-Score 模式，運用營運資金/總資產、

保留盈餘/總資產、稅前息前盈餘/總資產、股東權益市值/總負債及銷貨收入/

總資產所組成之財務比率對於財務危機之企業具良好之預測能力。公式如下列 所示，再利用Z-Score 所得數值判斷公司是否面臨破產，當值越小其破產機率 就越高，反之值越大公司則較健全，而臨界值落在Z-Score=2.675。在後續的 研究中，(Kirkos & Spathis, 2007; Merkevičius, Garšva, & Girdzijauskas, 2006)學

11

者也將Z-Score 做為預測變數。

1 2 3 4 5

Z-Score=1.2X + 1.4X + 3.3X + 0.6X +0.999X X

X

X

X

X

Orgler(1970) 採用複迴歸模式針對金融機構於企業放款授信之研究，自變 數(X)是指評分的項目，依變數(Y)則設為 0(違約)與 1(不違約)，並以迴歸係數 找出抵押貸款/非抵押貸款、逾期放款、會計師查核與否、淨利、營運資金/流 動資產、Criticized Loan 顯著之財務變數。再利用最小平方法來估計模型的參 數，以決定每個評分項目的權重，研究結果表示運用授信模型，可降低其時間 成本。而此模型具有簡易及方便之特性，但在實際操作上，其缺點是估計值會 落在0 與 1 以外。

Ohlson(1980)以羅吉斯迴歸，以美國 1970 至 1976 年，破產公司 105 和 2058 家正常公司做為研究樣本，並採用了9 個財務比率進行公司的破產預測。其研 究結果發現營運資金/總資產、總資產/GNP 物價指數後取對數、總負債/總資 產、流動負債/流動資產、稅後淨利 / 總資產之財務比率能有效預測破產之企 業，並改善複迴歸模型估計落到0 與 1 以外的缺點，而該模型對於破產預測能 力可高達84%的正確性。上述統計方法所採用之財務比率如表 2-4 所示。然而 統計方法在財務危機預測上各有其優缺點，如表2-5 所示，而這些方法存在著 一些基本假設條件，例如在一般的情況下其統計方法需財務變數必需滿足常態 分配的假設條件，才能有效提升財務危機預測之準確度，但根據過去的研究結 果顯示，並非所有財務變數皆能滿足此一條件，因此在於財務危機預測上統計 方法漸漸的被表現較佳的人工智慧技術所取代(Min & Lee, 2005)。

12

13