第二章 文獻探討
第二節 財務危機預警模型
企業經理人與投資人都希望藉由一些方法能夠預測企業財務危機，因此許 多學者提出很多財務危機之預警模型，由於研究文獻繁多，在此僅介紹本研究中 將會進行比較之文獻，其餘文獻以表格整理之。
（一）單變量模型（Beaver,1966）： 1、研究目的：
找出預測公司失敗的最佳單一財務比率。
2、危機定義：
首先將企業失敗(failure)作明確定義，Beaver 認為企業未宣告破產倒閉之 前，往往負債已經大於資產總額，因此，Beaver 主張當企業無法在到期時 償付財務上的義務即屬失敗，將失敗公司定義為以下情形之一者：巨額銀 行透支、優先股股利未付、公司債違約及宣告破產者。
3、樣本設計：
使用一比一配對樣本，以一家失敗公司，挑選產業相同且規模相近的一家 正常公司配對。
4、變數選取：
從 29 項財務比率中選取六個，包含現金流量對總負債比率、本期純益對總 資產比率、總負債對總資產比率、營運資金對總資產比率和流動比率。
5、使用模型：
使用單變量分析法構建預警模型，將各樣本財務比率按照大小排列，以無 母數統計(M-W-W,Mann-Whitney-Wilcoxen)檢定法，找出各比率分類錯誤最 低比率的臨界點。
6、研究結果：
現金流量對總負債比率為最佳預測比率，失敗前一年正確區別率達 87%。另
外顯著的變數還有：稅後淨利對總資產比率、總負債對總資產比率、流動 比率。
7、缺點：
公司財務狀況很難以單一財務比率來評估，不同公司之間更難以單一財務 比率來比較。
（二）多變量模型-Z-score 模型（Altman,1968）:
1、研究目的：
以各財務比率建構出財務預警判別方程式。
2、危機定義：
以符合美國破產法宣告破產為財務危機公司認定標準。
3、樣本設計：
採用一比一配對樣本，以一家破產公司配對一家同產業，規模相近的正常 公司。
4、變數選取：
利用因素分析法，將 22 個變數，利用因素分析法粹取出最能代表的五組獨 立因素－流動力、獲利力、償債能力、財務槓桿和週轉率當作自變數。
5、使用模型：
採用多元區別分析(MDA, Multiple Discriminant Analysis)，將樣本五個 解釋能力最強的財務比率利用逐步多元區別分析形成 Z-score 模型，如下 所示：
Z=0.012X1+0.014X2+0.033X3+0.0064X4+0.999X5 其中，X1：營運資金/總資產
X2：累積獲利性（保留盈餘/總資產）
X3：資產報酬率（稅前息前盈餘/總資產）
X4：資本化（優先股、普通股市場權益/總負債）
X5：總銷貨/總資產
再依 M-W-W 檢定法找出兩組樣本 Z 分數的臨界點，其 Z 分數臨界點的值為 2.675，也就是說樣本公司的 Z 分數大於 2.675 者，則為正常公司，如果 Z 分數小於 2.675 者，則該公司即是危機公司，而且 Z 分數愈低，表示其發 生危機的機率愈大。
6、研究結果：
以破產前一年財務資料正確區別率為 95%最佳，型一誤差為 5%。利用樣本 外 25 家破產公司測試，正確區別率為 93.5%，以樣本外 66 家正常公司測 試正確區別率為 79%。
7、缺點：
多元區別分析模型必須假設自變數符合多元常態分布且危機與正常公司兩 群自變數之變異－共變異矩陣應無顯著差異，顯然實際上並非如此完美，
使得實證結果推論令人存疑，此外，該研究僅使用年度財務報表數據，顯 然不具時效性。
（三）多變量模型-Logit 迴歸法（Ohlson,1980）： 1、研究目的：
以使用限制較少的 Logit 迴歸法預測破產機率。
2、危機定義：
以公司在法律上是否符合破產，作為認定標準。
3、樣本設計：
選取 105 家破產公司與 2058 家正常公司為樣本，不採配對方式。
4、變數選取：
憑經驗選取 9 個變數，如表 2.2 所示：
表 2.2：Ohlson 於研究中所採用之變數
變數名稱 計算方式 備註
SIZE Iog(總資產/GNP 物價水準指數) 指數以 1968 年為基期，其值為 100。
TLTA 總負債/總資產 WCTA 營運資金/總資產 CLCA 流動負債/流動資產 OENEG 1：總負債>總資產
0：總負債<總資產
類別型變數
NITA 淨收入/總資產
FUTL 營運活動提供現金流量/總負債 INTWO 1：過去兩年淨收入為負
0：過去兩年至少有一年淨收入不為負
類別型變數
CHIN (NIt - NIt-1) / (∣NIt∣+∣NIt-1∣) NIt：最近一期淨收入 NIt-1：上一期淨收入
此變數用來衡量淨收入的變動 程度
5、使用模型：
由於 MDA 模型假設眾多，財務變數難以符合模型假設，Ohlson 是首位將 Logit 模型應用在預測公司財務危機上，此模型並不指定破產與非破產公 司臨界點，而是算出破產機率。
6、研究結果：
認為公司規模(SIZE)、經營績效(NITA,FUTL)、財務結構(TLTA)和流動性 (WCTA ,CLCA)與破產機率有顯著相關，所建立的三個模型－預測一年內會
破產、預測兩年內會破產和預測一年或兩年內會破產，以機率 0.5 為分界 點時準確率分別為 96.12%、95.55%和 92.84%，以模型一預測結果準確率最 高，且變數的係數符號與預期假設相同。
（四）類神經網路(Odom & Sharda,1990) 1、研究目的：
以不需統計假設的類神經網路預測企業財務危機。
2、危機定義：
延續 Altman 在 1968 年研究，以符合美國破產法宣告破產為財務危機公司 認定標準。
3、樣本設計：
以 1975 年至 1982 年間 65 家發生財務危機的公司為樣本，並且將樣本分為 訓練樣本和測試樣本，同時建立前一年的區別分析模型和類神經網路模 型，並且將之做一比較。
4、變數選取：
延續 Altman 在 1968 年研究中提出的五個變數。
5、使用模型：
將樣本分為訓練樣本和測試樣本，同時建立前一年的區別分析模型和類神 經網路模型，並且將之做一比較。
6、研究結果：
研究結果顯示，在訓練樣本中，區別分析和類神經網路模型的正確區別能 力分別為 86.84%、100%，再以 50%為測試樣本檢驗模型預測能力，發現區 別分析和類神經網路模型正確率分別為 59.26%、81.48%，且發現類神經網 路模型較區別分析模型有較佳的穩定性。
除了上述四位學者的財務預警模型之外，還有許多學者以不同的研究樣 本、抽樣方法與研究方法進行各種財務預警模型的研究，茲將這些研究整理如表
2.3 所示。 Zmijewski
1988 選擇基礎及選擇本 Sharda
1990 企業破產的預測 失敗廠商：65 家
（呈上頁）
藍國益 1995 企業財務危機預警 模型之研究-考慮股 權結構影響
失敗合作社：23 家 正常合作社：23 家
配對抽樣 Logit 分析 50％～80％
蔡秋田 1995 運用類神經網路預 測上市公司營運困 難之研究
失敗合作社：19 家 正常合作社：29 家
配對抽樣 Logit 分析 倒傳遞網路
68％～79％
78％～81％
戴鳳鈴 1996 類神經網路與 Logit 模型對財務危機預 測能力之比較研究
失敗合作社：25 家 正常合作社：25 家
配對抽樣 Logit 分析 倒傳遞網路
55％～80％
60％～80％
資料來源：本研究整理