財務基本面分析

證券分析的目的，在於檢驗證券的內含價值(Intrinsic Value)與市場價格 (Market Price)背離程度，透過發現內含價值是被高估或低估，以決定哪些證券真 正值得投資。評價證券目前的真實價值，即是財務基本面分析(Fundamental Analysis)的工作[16,54]。

財務基本面分析與技術面分析都是證券投資上重要的分析工具。基本面分析 主要研究目前的總體經濟環境適不適合進行股票投資活動？哪一類產業正處於 蓬勃的成長期？哪幾家公司的營收與獲利成長性最被看好？綜合言之，基本面分 析著眼的是評判公司的「質」；技術面分析研究的則是股票的歷史線圖，注重股 票成交價格與數量的趨勢變化，透過價與量的關係決定股價的買賣時點，意即技 術面分析研究的重點在於股價的「勢」[45]，兩者之間存時而互用、時而各行其 事的複雜關係，要能在證券投資獲得優異績效或是超額報酬，結合「基本面選股，

技術面操作」兩種策略才是獲利之道。

「財務報表分析」一直是財務基本面分析領域中熱門的研究議題。透過財務 報表分析可以評判出企業的財務體質，搭配總體面分析、產業面分析與技術面分 析，更可以設計投資策略[74]。此外，透過「財務報表分析」更可以進行「公司 財務績效評估」，建構「獲利預測模式」或「企業財務預警模式」，甚至是進行「每 股盈餘預測」等不同的應用，但本質上都是為了瞭解公司財務體質[82]。

然而根據統計，一份財務報表可以歸納出近兩百種財務比率指標[33]，一般 人如何整合這麼複雜的財務比率資訊，並且在避免以偏概全的情況下進行客觀的

財務報表分析，這正是屬於多準則決策的問題的範疇。

2.2.1 財務報表分析應用

「企業財務績效評估」、「企業財務預警模式」均為財務報表分析的應用面之 一。透過這兩種模式的建構，瞭解企業的財務績效及獲利能力高低，判斷企業的 財務狀況是否處於危警狀況，進而瞭解企業的財務體質狀況，作為輔助投資的參 考。

過往財務績效評估模式與財務預警模式的建構，可歸納出下列三種主要的方 法：(1)多變量統計方法，(2)軟性計算方法，(3)多準則決策方法。

以多變量統計方法所建構的模式，以「區別分析」(Disciminant Analysis)及 其延伸的方法為主流(見附表 1-1)。但該方法有其嚴格的假設：(1)高績效與低績 效之間是可以線性分割的。(2)假設變數之間的關係是獨立的。(3)資料量必須為 常態分配。

Deakin(1976)針對 1955-1973 年間 Compustat 資料庫上 1800 家製造業企業，

選取 11 項財務比率來進行資料態樣的探討。研究結果顯示：財務比率的原始資 料型態不易符合一般的常態性分配假設；不過在經過開平方跟或取自然對數之轉 換後，則可接受「經轉換的財務比率為近似常態分配」的結論[64]。

根據上述研究針對長期財務資料的研究成果，利用「區別分析」所建構的模 式已經違反了其假設，可能不適合用來建構財務績效評估模式。

此外，透過「集群分析」與「區別分析」的方法所建構的模式，僅能將研究 樣本進行大略的分群，例如：「高績效」、「一般績效」、「低績效」三群。決策者 僅能瞭解粗略企業能力分類，卻無法瞭解企業財務體質的實際能力高低程度。

在軟性計算方法方面，以「類神經網路」及其延伸的方法為主流(見附表 1-2)

。

但是由於類神經網路的運算結果主要是依據不同類型網路的參數設定，不同 的設定會有不同的結果，而多數的研究採用試誤的過程調整參數，可能在準確率 的衡量會比一般多變量統計方法表現更好[106,31]；但參數的設定可能不具合理 的經濟意義，且試誤法的成本效益可能並不適用於實務，因此可能也不適合用來 建構財務績效評估模式。

透過多準則方法來建構財務績效評估是比較近年來比較熱門的研究，尤其是 灰關聯分析方法兼具處理非常態分配資料與小樣本的特性，因此有越來越多財務 績效評估模式的研究均是透過灰關聯分析方法來建構(見表 2-2)。

研究者僅需要定義財務報表上的各種財務比率及其衡量公式，並且取得所有 財務比率的衡量值，即可透過簡易的運算流程，得到企業財務績效的灰關聯度；

灰關聯度越高者即代表財務績效能力越高，進而得到較高的灰關聯序，投資人亦 僅需透過灰關聯序即可判斷出欲分析的企業其財務績效的能力排序。

過往的研究也提出不同的模式衡量標的，但並不統一，大概可以分為兩類：

一類是傳統的統計學結果，包括因素分析或多變量分析的解釋變異排序[7,49]；

另外一類則是透過一些公開刊物的衡量指標，包括美國《商業週刊世界科技 100 強》的指標[47]。而多數的結果均證實，灰關聯分析的結果與這些直接或間接的 衡量指標均有相關。

上述所提及的財務績效能力排序結果雖然簡單明瞭，但是僅能提供決策者最 後的運算結果，決策者所得到的資訊恐嫌不足，因為決策者並無法瞭解屬性之間 的抵換計算過程，甚至很有可能因此發生以偏概全的謬誤。但倘若決策者欲仔細 參閱企業在原始財務比率，可能會產生財務比率資訊過多，造成決策者認知超 載，無法做出客觀決策的情況。

2.2.2 小結

為了解決上述所提及的問題，讓決策者可以在得知灰關聯分析的最後結果 時，且可同時瞭解分析的企業在不同的財務評估屬性或是財務評估構面下的能力 表現，本研究擬提出一套「視覺化多準則決策評估模式」來加以解決。

「視覺化多準則決策評估模式」將灰關聯分析的結果透過視覺化方式呈現，

並估算出各個財務評估構面的「理想點」，決策者僅需透過觀察點與點之間的距 離長短，即可以瞭解欲分析的企業在不同的財務評估構面下的優勢程度；亦可以 透過「參考刺激體」機制的制定，同時瞭解該企業的財務體質的能力總評。

「視覺化多準則決策評估模式」的主要運算核心以多準則決策方法中的灰關 聯分析為基礎，輔以資料視覺理論中的多向度展開法，將將灰關聯分析的結果投 射到二維空間上。本研究將於第三章介紹這兩種機制的詳細運算流程，並於第四 章詳述「視覺化多準則決策評估模式」之研究架構，且將該模式應用在企業的財 務基本面分析，作一實證。

表 2-2 多準則決策方法應用在財務基本面分析

0.7629，GRA：0.7666，DA：0.7518

灰關聯模式在不經指標篩選的情況下，預測正確

Spearman 等級相關法

Spearman 等級相關法

表 2-2 多準則決策方法應用在財務基本面分析(續)

學者 研究主題 比較模式 研究變數 灰關聯權重 統計檢定 結論 張力友

(2002) [19]

台灣電子業績效 評比

灰關聯分析 資料包絡法

16 個變數 熵權重方法 Spearman 等級相關法

兩種模式的相關係數高達 0.9，透過 t 檢定，

可推論灰關聯分析與資料包絡法結果相近。

黃旭男 (2003) [38]

預測企業未來績 效排名

灰關聯分析 3 個投入變數 4 個產出變數

熵權重方法 Wilcoxon Signed-Rank

s

將投入及產出項目當作評估指標，其中產出項 目視為一區間灰數，預測值與實際值的檢定結 果無顯著差異。

宋文傑 (2003) [5]

台灣通訊產業財 務績效評估

灰關聯分析 因素分析 區別分析

39 個變數透過因 素分析法篩選成 4 構面 26 個變數

特徵向量法 Spearman 等級相關法

兩種模式的相關係數透過 t 檢定，可推論灰關 聯分析與因素分析結果相近。

透過區別分析區分高、中、低績效，分類正確 率都有 97％以上。

陳錦芬 (2003) [34]

台灣地區銀行業 經營績效評估

灰關聯分析 6 構面 36 個變數 熵權重方法 無 針對 87-91 年台灣 29 家商業銀行作經營績效評 估，並透過熵權重值，找出影響力較大的因子。

資料來源：本研究整理