Altman變數組合、Zmijewski變數組合、與Shumway變數組合之比較

由比較表8、表11、與表14、我們可知，當分別使用三組解釋變數組合時，離散型卡氏模式 及離散型倖存模式對公司發生財務危機的預測能力，較羅吉特模式及機率單位模式有較小樣本

圖3 最適判斷值、樣本內誤差率—Shumway變數組合

表13 最適判斷值、機率估計值的平均值與標準差—Shumway變數組合 離散型

卡氏模式

離散型

倖存模式 羅吉特模式 機率單位模式

最適判斷值

pˆ

平均值 0.0474 0.0515 0.1258 0.1243

標準差 0.1295 0.1368 0.1859 0.1801

表14 樣本外誤差率的比較—Shumway變數組合

型I誤差率 型II誤差率

離散型卡氏模式 0.2000 0.2257

離散型倖存模式 0.1800 0.2233

羅吉特模式 0.4400 0.2542

機率單位模式 0.4800 0.2399

外型I誤差率，且其樣本外型II誤差率並未太大，顯示動態預測模式較靜態預測模式有更好的財 務危機預測能力。

另外，當分別使用四種模式時，Shumway變數組合對公司發生財務危機的預測，並沒有比 Altman變數組合及Zmijewski變數組合有較好的樣本外預測能力。所以在本研究中，市場導出變 數並未顯示出優點。由於台灣股票市場有漲跌幅7﹪的限制，未來如何調整台灣股票市場的市場 導出變數，將是一個重要的研究主題。

最後，在考慮型I誤差較型II誤差有更高成本的情況下，藉由表8、表11、與表14比較，我們 結論使用Altman變數組合，再配合離散型倖存模式，有較好的公司財務危機預測效果。

5. 結論

學者Lane, et al. (1986) 最早將卡氏模式應用於金融機構倒閉之預測，後續有學者將其應用至 商業抵押違約貸款預測，以及公司信用風險管理等問題。然而學者在應用卡氏模式至財務金融 學領域時，並未考慮到實證資料取得的時間點為離散型時間，例如年資料、季資料、月資料等，

而將時間變數以連續型變數方式處理。本文的主要目的是建立二種離散型財務危機模式 (離散型 卡氏模式、離散型倖存模式)，將時間變數取為離散型變數，使得時間變數更能符合資料的取得 狀況。另外，本文使用倖存分析的取樣方法，收集公司隨時間變化的解釋變數向量，包含財務 比率變數與市場導出變數，用來分析及預測公司在未來時間點發生財務危機機率，因此這二種 模式為動態預測模式。

由於不同產業會面臨不同的風險與競爭力，因此公司雖然有類似的財務資料，但其所面臨的 財務危機程度，在不同產業有不同的表現。例如電子業為新興產業，其所面臨的產業風險與競 爭力是不同於傳統產業。依據本文我們所收集到資料，也顯示電子業相對於傳統產業而言，其 公司發生財務危機比率遠比傳統產業低。因此我們在本文的實證研究中，將研究公司依據產業 特性分為傳統產業及電子業，加入了產業效應變數，實證研究結果顯示產業效應確實存在。

本文在實證研究中，研究樣本的選取是以民國70年1月至88年12月底為取樣期間，收集此期 間股票才上市的傳統產業與電子業公司，及其股票上市後的年資料，但對於在取樣期間內，公 司的存續期間未跨越一個日曆年度的年底，不列入研究樣本，因為若公司的存續期間未跨越一 個日曆年度的年底，其在取樣期間內無年資料可使用。總共收集310家樣本內公司，取得所需解 釋變數資料，分別計算離散型卡氏模式、離散型倖存模式、羅吉特模式、以及機率單位模式的 參數最大概似估計值，進而估計公司在取樣期間內發生財務危機的機率，找出公司發生財務危 機的最適判斷值，用以建立公司發生財務危機的預警模式。另一方面，為了衡量財務危機預測 方法的績效，我們將樣本外期間取為民國89年1月至92年12月底。依據選定的樣本外期間，將在 取樣期間結束時仍未發生財務危機的公司 (正常公司)，與在樣本外期間股票才上市的傳統產業

及電子業公司，且公司的存續期間須跨越一個日曆年度的年底，合稱為樣本外公司，總計有471 (base-line hazard function)。根據(A1)，可得到第

i

)]}

)]

Allison, P. D., “Discrete-time Methods for the Analysis of Event Histories,” Sociological Methodology, Vol. 13, 1982, pp. 61-98.

Altman, E. I., “Financial Ratios, Discriminant Analysis, and the Prediction of Corporate Bankruptcy,”

Journal of Finance, Vol. 23, No. 4, 1968, pp. 589-609.

Begley, J., Ming, J., and Watts, S., “Bankruptcy Classification Errors in the 1980s: An Empirical Analysis of Altman’s and Ohlson’s Models,” Review of Accounting Studies, Vol. 1, No. 4, 1996, pp.

267-284.

Chava, S. and Jarrow, R. A., “Bankruptcy Prediction with Industry Effects,” Review of Finance, Vol. 8, No. 4, 2004, pp. 537-569.

Cox, D. R., “Regression Models and Life-tables (with Discussion),” Journal of Royal Statistical

Society, Series B, Vol. 34, No. 2, 1972, pp. 187-220.

Cox, D. R. and Oakes, D., Analysis of Survival Data, 1st ed., New York: Chapman & Hall, 1984.

Frydman, H., Altman, E. I., and Kao, D., “Introducing Recursive Partitioning for Financial Classification: the Case of Financial Distree,” Journal of Finance, Vol. 40, No. 1, 1985, pp. 269-291.

Koh, H. C. and Tan, S. S., “A Neural Network Approach to the Prediction of Going Concern Status,”

Accounting and Business Research, Vol. 29, Issue 3, 1999, pp. 211-216.

Lane, W. R., Looney, S. W., and Wansley, J. W., “An Application of the Cox Proportional Hazards