第二章 、 文獻探討
2.2 財務預警之研究設計
國
立 政 治 大 學
‧
N a tio na
l C h engchi U ni ve rs it y
第二章 、文獻探討
2.1 財務困境之定義
財務困境是一個廣泛的概念，它包含了許多公司所面臨不同情況的財務困 境與危機(Geng et al., 2015)，企業在面臨財務困境前，應有許多的徵兆警 訊出現，若能提前查覺到警訊，當可降低利害關係人的損失(吳娟娟, 2012)，
而 Beaver (1966)將企業無法支付已到期的財務義務定義為「失敗」，包括發生 下列事件：破產、債劵違約、銀行透支、未支付優先股股利。Altman (1968) 也提出了關於財務困境的完整描述和界定，指出破產為最接近財務困境的法律 界定。Zmijewski (1984)定義財務困境為提交破產申請的行為。在我國有些研 究依台灣證券交易所股份有限公司(以下簡稱證交所)營業細則第 49 條規定財 務狀況不良公司處以全額交割方式者，視為財務困境公司，有的研究採台灣經 濟新報資料庫(TEJ)所列事件為財務困境，而在中國的證卷交易市場中，會把 判定有財務困境的上市公司標註上特別處理的標籤(Special Treatment) (在 其名稱前加上 ST)，如果在特別處理期間財務狀況仍得不到明顯改善，證券交 易所將暫停該公司股票的交易，並向證監會提交暫停該公司股票上市的建議。
綜合以上討論，本研究採用證交所所提供 2015 到 2017 年終止上市櫃及變更交 易方法之公司的統計資料為發生財務困境之企業的定義，且加入 2015 至 2017 年發生財務舞弊弊案之上市公司加入分析樣本之中，使財務困境之定義更佳的 完整且精確。
2.2 財務預警之研究設計
2.2.1 統計模型
Beaver (1966)運用單變量統計方法(univariate analysis)，提出的單變
‧ 國
立 政 治 大 學
‧
N a tio na
l C h engchi U ni ve rs it y
數預警模型，Beaver 透過對 1954-1964 年期間成功與失敗的 79 家企業做比較，
取出 14 種財務比率進行取捨，來檢視企業失敗前數年之個別財務比率，預測 公司發生失敗的機率，然而此模型只以單一變數對公司的財務作預警，雖然簡 單易懂，但是一個企業的財務狀況是用多方面的財務指標來反映的，用單一指 標衡量可能遺失了更多有價值的財務比率，且沒辦法用單一比率就能概括企業 財務的全貌，單一比率對於解釋企業的複雜的財務狀況有不足之處。
Altman (1968)提出了多變數模型改善了 Beaver(1966)的單變量統計方 法，主要是以使用多個變數來組成鑑別函數模型來預測一家企業的財務狀況，
Altman 是第一個使用鑑別分析（discriminant analysis）研究企業失敗預警 的學者，以 1946-1965 年間 33 家破產公司，再取另外 33 家同產業且財務正常 的公司進行配對並建立模型，使用 22 個財務比率來分析公司潛在的財務危機，
萃取出 5 類具有鑑別力的財務指標分別是：流動性(liquidity)、獲利能力 (profitability) 、 財 務 槓 桿 (leverage) 、 償 債 能 力 (solvency) 和 活 動 性 (activity)，透過 5 類的財務指標建立起一個類似回歸的鑑別凾數 Z-Score model:
Z_score = 0.012𝑋𝑋1+ 0.014𝑋𝑋2+ 0.033𝑋𝑋3+ 0.0064𝑋𝑋4+ 0.999𝑋𝑋5 X1=營運資金／總資產(流動性)
X2=保留盈餘／總資產(累積獲利能力) X3=稅前息前淨利／資產總額(獲利能力) X4=權益市價／負債總額(財務槓桿) X5=銷貨收入／資產總額(活動力)
利用多個財務比率綜合分析預測企業財務失敗或破產的可能性，Altman 採二 元分類檢定法找出分界點為 2.675，即 Z score 大於 2.675 者為正常公司可能 性較高，如小於 2.675 者為失敗公司可能性較高，而 Z score 愈低破產可能性 愈大。該模型在預測公司破產的準確率達 70％-90％，在破產前一年準確率高 達 95％，即模型預測時間越接近破產時間點，模型的預測準確率就越高，而其
‧ 國
立 政 治 大 學
‧
N a tio na
l C h engchi U ni ve rs it y
缺陷為前一年預測精準度高，可是在前兩三年的預測精準度將大為下降，後續 有很多篇財務預警之研究都採用 Z-Score model 如:Tongshui and Yanli (2015) 蒐集了 2008 年中國 165 家新能源產業公司，並利用 Z-Score model 來預警中 國新能源產業的財務狀況，Altman, Iwanicz‐Drozdowska, Laitinen, and Suvas (2017)使用改良 Z-score 模型，探討歐洲國家與非歐洲國家財務預警模 型之比較。然而此模型有個很嚴格的假設，即假定自變數間必須要符合常態分 佈且變數與變數間必須假定為互相獨立的關係，並不符合真實世界的情況，故 後續學者 Meyer and Pifer (1970)採用線性機率模型(LPM)來預警公司的財務 狀況，也有學者採用非線性迴歸模式 Logit(Li, Crook, & Andreeva, 2014;
Ohlson, 1980)與 Probit(Zmijewski, 1984)來改善非常態分配的問題。
Ohlson (1980)以九個財務比率為解釋變數建立 Logistic regression model 將 1970-1976 之資料分成三組，分別檢定發現三組資料的準確度均達 92%以 上，Logit 模型的最大優點是，不需要嚴格的假設條件，克服了線性方程受統 計假設約束的局限性，使此模型成了大眾研究財務預警方面較常使用的模型，
但其計算過程比較複雜，計算過程有很多近似的處理，所以會稍微的影響準確 度。Zmijewski (1984)使用 Probit 模式分析，來預測公司破產之可能性。Logit 模型假設事件符合 Logit 分配，而 Probit 模型則假設事件發生機率符合標準 常態分配，因 Probit 模型轉換程序較為複雜，所以在過往的研究中採取 Logit 模型預測公司財務狀況較為多數。
2.2.2 機器學習分類器
財務預警除了統計模型外，隨著近年來深度學習與資料探勘技術的興起，機 器學習與人工智慧也逐漸運用在財務預警的研究之中，許多研究利用各種分類演 算法訓練分類器，用以分類財務預警之公司，過往有些研究使用支援向量機 (SVM)(Fan & Palaniswami, 2000; Van Gestel et al., 2006)來分類有問題的
‧ 國
立 政 治 大 學
‧
N a tio na
l C h engchi U ni ve rs it y
公司，有些研究則使用決策樹的分式作為分類的演算法(Frydman, Altman, &
KAO, 1985)，因決策樹的分類易於理解分析，且資料的前處理也較為簡單，而近 年來也有很多研究採用多個決策樹的方式建立起一個隨機森林(Random
Forest)(杨翰林, 王开骏, & 谢幽篁, 2014; 盂杰, 2014)進行財務預警分類，
因財務預警系統的分析多為小樣本的分析且有很多的自變量，所以適合採用 bootstrap 的隨機抽樣分析，對於很多自變數的資料集可以產生高精準度的分 類，在 Hooda, Bawa, and Rana (2018)使用十種演算法分類財務預警之公司的 比較中也顯示出決策樹與隨機森林擁有良好的分類準確度。因此本研究也採用隨 機森林(Random Forest)的方式建立財務預警模型。
然而因深度學習近幾年的興起，類神經網路的演算法也逐漸的應用於財務領域 之中，Odom and Sharda (1990) 最早用於建構預測公司破產模型，採 Altman (1968)五個具顯著解釋能力的財務比率，建構類神經網路分析模式，研究企業破 產前一年的預測能力，Tam and Kiang (1992)也採用人工神經網路模型進行財務 預警研究，選取各 59 家財務失敗與正常的企業並使用 19 個財務比率，透過輸入 層、隱藏層、輸出層建立模型，模擬人腦的判斷做出準確的預測，能夠處理資料 遺漏和錯誤，而在 20 世紀後有許多學者(Chen & Du, 2009; Dhar, Mukherjee, &
Ghoshal, 2010)修改了類神經網路之模型，調整隱藏層神經元的數量與學習率，
最佳化預警的結果，因為類神經網路擁有平行處理和學習的能力，不用進行一些 統計上的假設前提滿足時才能分析，但是其處理過程如同黑箱，無法顯現個別變 數的影響力。
2.2.3 ZETA 信用風險模型
近年來最為廣泛使用的模型為(Altman, 1968)所提出的 Z-Score 模型，在 上述的討論中，Altman(1968)選出五個具顯著解釋能力的財務比率，建構模型進 行預測，然而近年來破產公司的規模急劇增大，原先的 Z-Score 模型已無法符合
‧ 國
立 政 治 大 學
‧
N a tio na
l C h engchi U ni ve rs it y
現今的金融環境，於是 Altman (2000)提出了 Z-Score 模型的改良模型 ZETA 信 用風險模型（ZETA Credit Risk Model）為 Z-Score 模型的第二代改良模型，財 務比率由原始模型的 5 個增加到了 7 個，並將公司的規模考慮進模型之中，使應 用範圍更廣更進一步接近現實狀況
ZETA = a𝑋𝑋1+ 𝑏𝑏𝑋𝑋2+ 𝑐𝑐𝑋𝑋3+ 𝑑𝑑𝑋𝑋4 + 𝑒𝑒𝑋𝑋5+ 𝑓𝑓𝑋𝑋6+ 𝑔𝑔𝑋𝑋7
模型中的 a、b、c、d、e、f、g，分別是 ZETA 模型中其變數各自的係數，X1 至 X7 分別表示 7 大類財務比率，7 類財務比率指標為：資產收益率、收益穩定性指 標、債務償付能力指標、累計盈利能力指標、流動性指標、資本化程度的指標、
規模指標。ZETA 模型在破產前 5 年即可有效地劃分出將要破產的公司，其中破 產前 1 年的準確度大於 90%，破產前 5 年的準確度大於 70%。ZETA 模型不僅適用 於製造業，而且同樣有效地適用於各個產業。
本研究採用了 ZETA 模型的 7 大類財務指標比率，使模型更接近真實的金融 環境，更提高模型的預測精準度，其缺陷為前一年預測精準度高，可是在長期的 預測精準度將大為下降。