財務比率授信決策模式

銀行一直以來都以授信業務為資金投資運用上最主要的方式，但為保 證授信的安全，銀行在評估是否承作放款之決策方式，除了以往憑藉著授 信經辦及主管經驗的累積和直覺的主觀方式作出決策外，亦有使用計量模 型作為決策的工具，進行分析。郭瑞基、蔡敏華(2003)認為放款佔銀行資 產之比重極高，所以，授信業務顯得格外重要，為避免倒帳或虧損發生，

因此，銀行資金運用於授信業務時，勢必要安全性、流動性和盈利性三者 兼顧。

邱志洲等人(2004)指出自 1960 年代以後國內外已有許多學者，即運用 計量模型來探討財務變數與企業營運之關聯，進行授信相關決策的研究。

針對企業危機之預測與診斷之技術，在學術上已有許多的分類工具被發展 出來，其工具包括了傳統統計方法、無母數方法以及人工智慧方法等。通 常，在統計方法的應用上其技術包含了羅吉斯迴歸(logistic regression)以 及區別分析(discriminant analysis)方法。其研究從最簡單的單一變數，到 多個變數組合成多變量模型，再將其他類型變數納入（如：總體經濟變數、

產業變數等）；因此，相關研究方法主要有(一)迴歸模型、(二)區別分析模 型、(三)羅吉斯模型、 (四)神經網路模型及(五)選擇權評價法等五大類，直 至今日，這方面的研究仍未衰減。

國外學者早期多利用單變量分析法來預測企業經營成敗(Beaver，

1966)，其後才採用多變量區別分析法(Altman，1968)，但是由於財務變 數的通常無法符合區別分析之常態假設，而且無法估算公司的違約機率，

只能區分正常公司與失敗公司，其鑑別效果不佳，而其對於輸入變數亦需 具有共變異性質的假設，也常被批評只能應用在單純的線性系統問題上(邱 志洲等人，2004)。

因此，有些學者建議改採羅吉斯模型，包括的 Logit 模式(Ohlson，

1980)、以及 Probit 模式(Zmijewski，1984)，以處理不連續的隨機變數情 形( 戴 錦 周 、 陳 研 研 ， 2005)， 在 參 數 估 計 上 改 採 用 最 大 概 似 估 計 法 (Maximum likelihood，ML)進行估計，進而提高財務危機預警模式的預測 能力，由於其在資料處理較為容易且成本較低，屬於有母數統計方法，與 傳統的迴歸分析相似，其差異在於探討的反應變數性質上有所差異；但因 羅吉斯迴歸在應用上必須符合傳統迴歸分析的假設，如：避免殘差項存在 自我相關，避免自變數間存在共線性問題，以及要求資料符合常態分配等 相關的統計假設，只能適用於二分類選擇模式(即機率值僅能介於 0 與 1 之 間)，對於變數間的非線性關係並不能有效的捕捉到，反而成為該方法最主 要的缺點(邱志洲等人，2004；林金賢等人，2004)。

因而，另有學者改以使用人工智慧工具，如：神經網路(neural network) 模式(Coats and Fant，1993；Neves and Vieira，2006)、模糊理論(fuzzy

theory)及專家系統等方法(expert system)，由於神經網路具有「捕捉非線 性關係之能力」、「事先毋須設定變數間的函數型式」、及「自我學習調 整的特性」等優點，遂促使其被廣泛運用到風險評估、信用評等、股價預 測、及破產預測；然而類神經網路亦有其缺點，即在建立分類模式的過程 中，需要浩費更長時間來進行學習(Craven and Shavlik, 1997；林金賢等 人，2004)。

選擇權評價法(option pricing)是 Merton 於 1974 應用 Black and Scholes 於提出的選擇權評價公式來計算公司的違約機率。其後 KMV 公司 更應用Merton 的觀念，發展出 KMV 模型，由企業負債與股價資料中萃取 出企業的破產機率(陳業寧等人，2004)。由於本研究主要是以財務比率模 式為主，因此，對此方面的文獻探討著墨較多，針對國外學者以及國內相 關研究進行探討。

2.3.1 國外研究部份

(一) Beaver(1966)採用單變量分析法，以個別財務比率進行預測公司 之信用危機，建構財務危機預警模型，選取從1954-1964年間的危 機公司為母體，採用採用隨機抽樣方式抽取79家公司，並另外抽 取相對79家正常公司為配對樣本，採用14個財務比率進行單變量 分析，觀察兩組之平均值差異，就公司發生危機前五年內幾個財務 比率的差異程度，發現「現金流量對負債總額之比率」是預測發生 財務危機的前一年資料的準確率最佳指標，其次為負債比率及資產 報酬率，並認為現金流量、總資產報酬率及負債比率等在短期內是 無法輕易改變，較能代表企業真正的特性，成為決定企業成敗之重 要因素。

(二) Altman(1968)首先利用逐步多變量區別分析(stepwise multiple discriminant analysis,MDA) 建立Z-score 模型，利用多項比率 預測企業未來的發展，其就1946-1965年中宣告破產的33家公司作 為研究樣本的實驗組，再利用抽樣方式抽取33家規模、產業相當 的公司為對照組，以為配對比較，選取22 種財務比率進行逐步多 元區別分析，篩選後得到五種最具共同預測能力之財務比率，利用 區別分析建立一個線性模型，並定名為Z值(Z-score)模型。其模型

如下：

Z＝1.2X1＋1.4X2＋3.3X3＋0.6X4＋0.99X5 在上式中Z ： 綜合指標分數

X1：(流動資產-流動負債)/資產總額 X2：保留盈餘/資產總額

X3：息前稅前淨利/資產總額 X4：權益市值/總負債

X5：營業收入/資產總額。

此一區別模型的區別分數為Z=2.675，做為廠商體質良好與否 之分界(cut-off point)，大於Z值即為正常公司。該研究中對破產 前一年的正確區別率達95%，前二年的正確區別率為72%具顯著 性，但發生危機的前三年其正確率則驟降至48%以下，因此，區別 分析模式僅限於短期，財務資訊超過二年以上時，預測能力將大幅 下滑，不適用使用該模型。

(三) Olhson(1980)由於多變量區別模式所建立的預測模型，解釋變數 必須符合常態分配之假設，但往往許多財務比率並不符此一特性；

因此Olhson採用限制較少之logit迴歸分析建立預測模型，並以概 似 比 率 衡 量 模 式 以 避 免 預 測 變 數 受 分 配 限 制 ， 該 研 究 利 用 1970-1976年間美國上市上櫃公司105家破產企業及2,058家正常 企業為研究對象，利用九個解釋變數【公司規模、負債比率、營運 資金比率、流動比率倒數、破產虛擬變數(總負債超過總資產設定 為1，反之則為0)、資產報酬率、營運資金比率、損益虛擬變數值(若 最後二年虧損則設定為1，反之則為0)、純益變動率】，分別建立三 個模式用來預測公司破產(bankruptcy)的機率。經由實證結果顯 示，此三個模式之正確區別力分別為 96.12%、95.55%、92.84%。

且經由研究發現企業規模(總資產/GNP物價)、財務結構(總負債/

總資產)、經營績效與流動性營運資金/總資產、流動負債/流動資 產)等四項為影響破產預測的重要因素。

(四) Zmijewski(1984)模式之預測變數包括：稅後息前資產報酬率、負 債比率及流動比率，並配合probit模式進行正確區別率之分析，結 果發現，在危機發生前一年當臨界點為0.22時之整體正確區別率為

92.45%，在危機發生前兩年當臨界點為0.18時之整體正確區別率 降為86.40%。

(五) Steenackers and Goovaerts(1989)採用逐步LR模式(stepwise logistic regression)尋找影響信用的原因，得到年齡、是否有電 話、居住現址與工作的時間長度、地區別、職業、是否在公家機關 工作、月收入、住宅所有權、之前貸款個數、貸款期間等為評等模 型的顯著變數。此模型使用原始樣本預測的正確率約為70%，但加 入被拒絕申請者的樣本後可提高預測正確率至75%。

(六) Coats and Fant(1993)指出利用神經網路(neural network，NN) 較一般傳統方法以及運用多變數區別分析(MDA)沒有使用上限制 的束縛。其以1970-1989年的資料以2：1的比例尋找出94家財務危 機企業及188家正常企業之財務資料，並以Altman(1968)的五個 研究變數進行實證研究，測試結果發現NN方法之預測能力優於傳 統MDA方法。

(七) Berger & Udell(1995)探討中小企業與銀行往來關係是否會盼響 銀行的利率訂價，及擔保品的徵提。其以1988-1989年約3,400家 中小企業進行研究，利用五大類變數(contract characteristics、

financial characteristics 、 governance characteristics 、 industry characteristics 及 information/relationship characteristics)以OLS迴歸模型進行研究，實證結果發現，企業 與銀行往來較久者，其所負擔之利率較低，且銀行比較不會徵提擔 保品。

(八) Shumway(2001)由於一般學者在研究預測企業危機時，大多以單 一期間(single period)作靜態分析，常忽略企業經過時間改變而產 生之變化，反而只攫取企業破產前之各年財務資訊，以及選取不必 要變數之偏誤，導致推估之不正確性；因而改採不連續時間的危險 模型(discrete time hazard model)採用存續時間模型(duration model)以長期間的財務資料來預測企業危機。以美國1962-1992 年3,182家共39,745個公司年財務資訊(含300家破產企業)進行研 究，得出1968年Altman與1984年Zmijewski研究的變數中，EBIT 對資產總額比率、權益市值對總負債比率、總負債對資產總額比率

及企業規模等5項變數較有解釋能力。

(九) Grunert et al.(2005)發現內部信用評模型之自變數主要均為財務 因子，而較少使用非財務因子，該研究從6家主要德國銀行資料中 發現，如果財務和非財務因素聯合使用時，將可有效提升預測的準 確 性 。 Grunert 以 1992-1996 年 間 409 筆 資 料 以 wilcoxon signed-rank test(符號等級檢定)進行分析，得到總資產對數、淨 值/總資產、流動比率、現金流量/(總負債-總資產)、資本密集程度 (固定資產/(淨值+長期負債))及ROA(淨利/總資產)等6項財務因 子，加上管理品質及市場地位等2個非財務因子後，可降低型I/II 誤 差率。

(十) Dewaelheyns and Van(2006)由於許多預測模型均假設公司 是獨立個體，但是在歐洲地區，若忽略集團因素恐將影響預測 的可靠性，該研究發現增加額外資訊可以提高預測準確性。因 此，其樣本抽取2000~2002年153家經破產宣告企業及153家財 務正常的企業，以多維度區別分析模型(MDA)及羅吉斯迴歸模 型(logistic regression)進行分析，運用總資產、速動比率、保 留盈餘/總資產、ROA、總負債/總資產及營收/總資產等六項基 本預測比率為基礎，加上歸屬集團與否(UCO)及集團成員間相 互支持程度(NCOM)兩個虛擬變數時，發現其解釋能力提升。

該研究發現有集團支持的企業存活機會較高，特別是當這些企 業營業範疇屬於集團的核心業務時。

(十一) Neves and Vieira(2006)該研究為預測公司破產應用了神經網 絡新的方法HLVQ-C，由於該方法除可減少第一類誤差(type I error)外，並有下列三大優點1.可使用更大量資料，2.可改提升

(十一) Neves and Vieira(2006)該研究為預測公司破產應用了神經網 絡新的方法HLVQ-C，由於該方法除可減少第一類誤差(type I error)外，並有下列三大優點1.可使用更大量資料，2.可改提升