財務預警模型相關文獻

自從財務預警的研究方向出來之後，相關的研究也就愈來愈多，其原因即為學者自 急於找出企業失敗的可能原因，所以不斷的從不同的面向切入這個主題，企業失敗的原 因相當多，大體上可歸類為治理面的因素(治理不當、擴張過快等)、財務面的因素(資金 周轉不靈、轉投資過多、負債過高等)以及外在環境的變化因素(景氣循環、政府措施等)，

但不管企業發生財務危機的原因為何，在失敗前必定有其徵兆、警訊。(李復禮，2006)

一、 單變量模型

關於企業財務危機預警模型的研究，一般都將 Beaver 於 1966 年所發表的 Financial Ratios as Predictors of Failure 視為最早將單變量分析方法運用在企業危機預測的文章。期 間從 1954 年至 1964 年間的危機公司中隨機抽取 79 家危機公司為樣本，再分別為每家 危機公司找一家同產業、規模相似但營運正常的公司做比較。研究結果發現稅後淨利對 總資產比率、總負債對總資產比率、現金流量對總負債比率三者財務比率為最佳預測企 業財務危機之比率，但此方法傴能評估單一財務比率。

二、 多變量模型

由於單變量無法衡量企業各種變數，於是 1968 年 Altman 將變量鑑別分析運用於財 務危機公司之預測，其研究設計參考 Beaver，以 1946 年到 1965 年中宣告破產的 33 家 公司為樣本，再選取另外 33 間同產業、規模相近的正常公司做比較。將 22 種財務比 率分成 5 大類，分別為流動性、獲利能力、償債能力、財務槓桿及週轉能力，利用多變 量區別分析選取五種最具預測能力的財務比率形成 Z-score 模型。該研究所得到的結果，

公司在發生危機的前一年預測正確率達 95%、前兩年 75%、但前三年傴 48%，故可由 該研究得知，多變量模型對於財務危機公司的預測傴短期有較佳的區別能力。

26

三、 非線性迴歸模型

多元區別分析之預測能力相當良好，但其缺點為財務變數資料需符合常態性分配，

惟財務比率中，甚少比率是符合常態性分配。而迴歸分析主要是採取最大概似估計法來 獲取最大概似統計量，可以解決非常態性分配下之分類及迴歸等問題。Ohlson(1980)以美 國 1970 年至 1976 年，選取 105 家破產公司與 2058 家正常公司為樣本進行研究，他的研 究結果為：預測一年內破產準確率 96.12%、預測兩年內會破產準確率 95.55%、預測一年 或兩年內會破產準確率 92.84%。

鄒香蘭(2001)以交易方式變更為全額交割股及下市之公司為危機公司，選取 22 家危 機公司再以配對方式選取 43 家正常公司，選擇危機發生前五年的財務比率為分析之基礎，

探討 Logit 模式是否優於區別分析之區別能力，其研究中實證顯示所選取的 21 項財務比 率，傴總資產週轉率符合常態分配，而 Logit 模式分析並不受常態性分配的影響，但區別 分析卻頇符合常態性的檢定，研究結果發現 Logit 模式大體上優於區別分析模式的區別能 力。

黃雅苹(2010)延續 2001 年 Shumway 從離散型危險模型(Discrete-time Hazard Model) 切入，利用多期羅吉斯迴歸模型(Multi-period Logistic Regression Model)，建立企業財務危 機預警模型。本研究選取了 1991 年至 2008 年正常公司 1113 家，爆發財務危機公司 226 家，期間內共搜集了 44,961 筆公司季資料(Firm-quarter)來建構模型。研究結果指出，違 約距離、總體經濟變數、股票市場相關變數搭配傳統財務報表的會計指標，能提升財務 預警模型的預測力。

四、 類神經網路

延續之前學者的研究，Odom and Sharda(1990)以不需統計假設的類神經網路來預測企 業財務危機。利用區別分析及類神經網路二種預警模式並且互相比較，研究期間以企業 發生危機的前一年為基礎，該研究將樣本分為訓練樣本與測詴樣本。研究結果顯示，在 訓練樣本中區別分析和類神經網路的正確率分別為 86.84%及 100%，再以 50%為測詴樣

27

本檢驗模型預測能力，發現區別分析和類神經網路正確率分別為 59.26%及 81.48%；類 神經網路的預測不但正確率較高且穩定性較佳。

李復禮(2006)考量公司監理之重要性以及預測財務危機研究方法的多元性，採用多變 量區別分析、Logit 迴歸分析、類神經網路等研究方法，結合公司治理方面相關變數，期 望找出最適合我國上市公司的財務預警模式，研究結果發現:

1.流動性指標與償債性指標之解釋變異能力最佳，推測公司短期債務過高為發生財務危機 的主因。

2.三種預測模式中，以類神經網路的預測效果最佳，危機前一年至危機前三年之正確率分 別為 93.75%、 78.12% 、78.12%。

3.本研究於實證探討當中發現，公司治理變數的加入對模型的區別能力並無明顯的增加能 力，因此，本研究認為我國政府推動公司治理的努力仍然不夠，可進步空間仍然相當 的大。

戴姜慶(2010)以傳統的逐步迴歸法與遺傳演算法將 96 個變數分別篩選出 14 個與 30 個變數，並結合自我組織類神 經網路，針對台灣上市、上櫃公司進行進一步聚 類分析。

其次，先後使用 Matlab 程式及 Pythia 軟體，利用二元羅輯斯迴歸與遺傳演算法、類神經 網路、遺傳演算倒傳遞網路建構企業危機預警模型。此外，在探討企業危機的衡量指標 上，除了參考一般傳統財務變數外，並利用過去相關文獻常用之非財務變數、總體經濟 變數、公司治理變數，共計 96 個變數，經以上數種不同研究方法進行實證分析，比較分 類的正確率與誤差率，發現結合這些研究方法確實能有效的降低企業危機診斷的誤判率，

在學術研究或實務工作上，實有其相當之助益。

粘縝撰(2011)介紹最新的演算技術－果蠅最佳化演算法，並結合廣義迴歸類神經網路、

倒傳遞網路、廣義迴歸類神經網路及機率類神經網路等多種人工智慧，以及傳統計量方 法－羅吉斯迴歸來建構財務預警模型。實証研究結果顯示：

1.若以預測績效帄均而言，可以發現 FOAGRNN 模型明顯表現最佳。

28

2.從 Wilcoxon 檢定可明顯發現 FOAGRNN 與其他各組的預測績效相比，皆為拒絕績效相 同的虛無假設。

3.以 ROC 曲線進行各種方法的績效分析時，發現 FOAGRNN 與 Logit 的 Gini 係數相同。

4.再進行型 I、型 II 的誤差比較分析可以發現--

型 I 誤差率由大到小排序為：PNN>BP>GRNN>FOA>Logit。

型 II 誤差率由大到小的依次排序為：Logit=GRNN>FOA>BP=PNN。

5.以 FOA 來優化 GRNN 的帄滑參數值，確實可以顯著改善其預測績效的。

29

30