探討美國上市公司MD&A揭露與財務表現一致性之決定因素 - 政大學術集成

全文

(1)國立政治大學會計研究所碩士論文探討美國上市公司MD&A揭露與財務表現一致性之決定因素立. 政治大. ‧ 國. 學 ‧. Explore the Determinants of the Consistency between US Listed y. Nat. n. er. io. sit. Companies‟ MD&A Disclosure and al iv Financial n C Performance U hengchi. 研究生：李宸昕撰指導教授：周濟群博士. 中華民國 104 年 5 月.

(2) 謝辭謝辭遲遲讓人不敢下筆，因為想要好好總結研究所的日子，也想要完整感謝顛簸的一路上，給予協助的各位貴人。不成熟也好，特立獨行也好，難相處也罷，悶騷也罷，總是不願一直這樣，總是有人可以帶著你離開徘徊遊蕩，錯得夠多，也才知道怎麼做才是對的，我還不是耀眼的星星。首先當然一定要感謝指導教授周濟群老師，謝謝老師帄常教學工作這麼忙碌，還一直被我浪費韶光，給予學生這麼多的時間和空間，帄常話講不太出來是因為不知道自己之前到底在做什麼，感到很羞愧又不太敢表現出來，謝謝老師幫忙的. 政治大謝謝柏祥和長瑋，不只是你們在論文相關部分給予的幫助，也謝謝你們在有立. 一切，學生銘記於心。. ‧ 國. 學. 許多自己的事情要忙的同時，還要聽我講一些沒營養的東西，沒營養到我自己現在都不太記得跟你們講的是什麼大不了的事情了，確定會記得的當然是你們的一. ‧. 路陪伴，謝謝。. sit. y. Nat. 很早就聽聞四位學弟的各種厲害傳說，果然事實與傳說相符，名不虛傳，特. n. al. 認真的態度最是讓我欽佩，感激你們的不嫌棄。. Ch. engchi. er. io. 別感激你們在論文方面的幫忙，願意幫忙一直不知道在做什麼的學長，你們四位. i Un. v. 感謝淡水河黑白講裡的各位，跟你們認識也約莫有十個寒暑了，感謝你們聽我講一些沒營養的東西，陪我聊到半夜，加班途中被我煩，下班還自己跑來陪我聊到三更半夜，我們可能不是在 75 號公路旁的酒吧裡聊天，也可能不是在深夜的紐約和中央車站遊蕩，但我們一樣是天南地北的聊，所以，未來好幾次的十個寒暑，讓我們歡樂的帶著上去，振奮人心。最後當然是要感謝我的家人，我的爸爸媽媽老弟，當初無論如何一定要考上一間好的研究所也是因為有你們，感謝爸爸媽媽養育我這麼多年和老弟陪伴我這麼多年的老話就不需要一直重複了，我是有認真幻想過，但是沒有想到會真的發生，鼓浪嶼上的明信片可以寫到熱淚盈眶到我都不知道自己寫出來的字有多醜，.

(3) 有多麼歪斜難看，當爸爸媽媽愈來愈蒼老，白頭髮愈來愈多，我很慶幸老弟和我至少沒有長歪，未來老弟和我一定竭盡心力照顧您們，感謝我的爸爸媽媽老弟。當然在人生的旅途上給予我幫助的貴人不只如此這般，無法全部娓娓道來，而謝辭寫成這樣不尋常不僅僅是確定了謝辭沒有參考過多各式資料來源，也是想認真感謝很多人事物，總是不願一直這樣，總是有人可以帶著你離開徘徊遊蕩，錯得夠多，也才知道怎麼做才是對的，我不會是耀眼的星星，我會是耀眼的太陽。. 立. 謹誌於政治大李宸昕國立政治大學會計研究所. ‧. ‧ 國. 學. 中華民國. n. er. io. sit. y. Nat. al. Ch. engchi. i Un. v. 104 年. 5月.

(4) 中文摘要本研究透過文字探勘對美國企業2004年至2014年的MD&A資訊進行分析，並搭配財務資訊相互比較，分析美國企業所揭露的MD&A語調一致性，接著透過實證研究分析造成美國企業MD&A語調一致性結果的原因。MD&A非量化資訊運用Loughran and McDonald正負向詞典、TFIDF、K-Means等技術進行分析，並結合財務資訊分析，分析美國企業2004年至2014年的MD&A資訊；再利用企業績效變異度、企業規模與企業成立年數等變數，來分析影響公司MD&A揭露誇大與否的因素。. 政治大數皆會深深影響MD&A語調的一致性。除了主要實證分析結果外，另外搭配三立研究結果顯示，企業規模、企業風險程度、分析師追蹤人數與企業成立年. ‧ 國. 學. 組穩健性測試來測試模型的敏感性。本研究希望讓資訊使用者運用企業所揭露的 MD&A資訊時，能做更多適當的調整，考慮公司MD&A的揭露是否有過度樂觀. ‧. 誇大或是過度悲觀的情勢，並且可以藉此做出正確的經濟決策。. er. io. sit. y. Nat. al. n. 關鍵字：MD&A、K-Means、文字探勘. Ch. engchi. I. i Un. v.

(5) Abstract This study presented a way to analyze the MD&A information of US listed companies from 2004 to 2014 via text mining techniques such as Loughran and McDonald Word Count and TFIDF. Then I cross compare a company‟s MD&A information with its financial information using K-Means and establish an index to capture the consistency between the two types of information. Finally, I develop empirical model with explanatory variables such as volatility of earnings, company scale, company‟s age, etc. for the consistency index.. 政治大 analyst coverage, and company‟s age are significantly related to the MD&A 立. According to the empirical results, company scale, company operating risks,. ‧ 國. 學. consistency. Three robustness checks demonstrate the similar results. The results suggest investors an additional way of using MD&A other than merely reading it.. ‧. Investors should consider whether the MD&A is overstated or understated while using. Nat. n. al. er. io. sit. y. it in their investment decisions.. Ch. engchi. Keywords: MD&A, K-Means, text mining. II. i Un. v.

(6) 目錄壹、一、二、三、貳、一、二、三、四、. 緒論................................................................................................ 1 研究背景與動機............................................................................ 1 研究問題與目的............................................................................ 3 論文架構........................................................................................ 4 文獻探討及相關工具介紹............................................................ 6 探討量化及非量化資訊之相關文獻............................................ 6 年報使用者運用 MD&A 資訊之相關文獻 ................................. 8 MD&A 資訊之相關文獻 ............................................................ 10 群集分析工具 K-Means .............................................................. 12. 五、參、一、. 文字探勘工具.............................................................................. 14 研究方法...................................................................................... 18 研究方法架構.............................................................................. 18. 二、三、四、五、六、肆、一、. 財務資料處理.............................................................................. 22 MD&A 資料與財務資料分群一致性分析 ................................ 23 建立實證研究模型...................................................................... 24 實作結果與分析.......................................................................... 32 蒐集研究樣本.............................................................................. 32. ‧. ‧ 國. 學. y. n. al. er. sit. MD&A 資料分析 ........................................................................ 32 財務資料分析.............................................................................. 33 MD&A 資料與財務資料分群一致性分析 ................................ 34 實證結果分析.............................................................................. 36 結論與建議.................................................................................. 47 研究結論...................................................................................... 47 研究限制...................................................................................... 49 研究建議...................................................................................... 49 參考文獻...................................................................................... 50. io. 一、二、. Nat. 二、三、四、五、伍、一、二、三、陸、. 政治大研究樣本...................................................................................... 20 立 MD&A 資料處理 ........................................................................ 20. Ch. engchi. i Un. v. 文獻.............................................................................................. 50 其他資料...................................................................................... 52. III.

(7) 表目錄財務資料採用之財務比率 ................................................................. 22 一致性指標 ......................................................................................... 23 一致性模型變數定義與衡量 ............................................................. 31 一致性指標敘述性統計量 ................................................................. 37 一致性指標的迴歸結果 ..................................................................... 39 一致性指標的迴歸結果 ..................................................................... 41 一致性指標的迴歸結果 ..................................................................... 43 一致性指標的迴歸結果 ..................................................................... 45. 立. 政治大. 學 ‧. io. sit. y. Nat. n. al. er. 3. 1 3. 2 3. 3 4. 1 4. 2 4. 3 4. 4 4. 5. ‧ 國. 表表表表表表表表. Ch. engchi. IV. i Un. v.

(8) 圖目錄論文架構 ........................................................................................... 5 向量空間模型 ................................................................................. 15 研究方法與流程 ............................................................................. 19 在 SAS 上 tone 欄位顯示一致性指標 ......................................... 35. 立. 政治大. 學 ‧. ‧ 國 io. sit. y. Nat. n. al. er. 圖 1-1 圖 2-1 圖 3-1 圖 4-1. Ch. engchi. V. i Un. v.

(9) 壹、緒論一、研究背景與動機伴隨資訊科技日新月異的發展，人們已經可以輕易地從日常生活中取得許多需要的資料，無論是量化資訊或是非量化的資訊，然而也由於資料量的日漸龐大，如何從龐大的資料中萃取出人們需要的部分，便成為一項重要的工作。一間公司的財務報導，同時包含數字形式和文字形式的量化與非量化資訊。數字形式的量化資訊，例如財務報表（包括附註）上揭露的各項會計科目金額，. 治政非量化資訊則包含許多項目，通常與會計科目金額相關，包括企業經營計畫、企大立業召開法人說明會、公開說明書等項目。 ‧ 國. 學. 由於數字形式的量化資訊經過會計師查核，可靠度較文字形式的非量化資訊. ‧. 高，非量化資訊相較於量化資訊在格式上也較無結構（unstructured），在內容上. sit. y. Nat. 通常較無一定格式，組成文件亦不易命名與切割（Zhou 2007）。過去學術界的研. io. er. 究因此多集中於量化資訊為分析的對象，較少觸及非量化資訊的相關議題，但是量化資料所提供的資訊往往是有限的，需搭配非量化資訊相互佐證，才可讓投資. al. n. iv n C 人得到完整的財務資訊，財務報表中的量化會計資訊與企業財報附註或企業年報 hengchi U 中的非量化資訊，兩者間應該具有相輔相成的效果，管理階層的文字敘述所提供的訊息，對機構投資者來說應該是如同會計數字一樣具有利用價值的（Schipper 1991,Roger and Grant 1997）。近年由於文字探勘（text mining）的快速發展，已逐漸成為處理非量化資訊的新技術，從非結構化的文件當中，發掘出在文件中有意義且重要的資訊，透過擷取特徵、分析文件的過程，萃取出隱性資訊加以處理，並儲存利用。目前對於較無結構且數量也眾多的非量化資訊研究已有一定程度，許多研究已經可以結合實證分析來探討非結構化的軟資訊，（Li 2010；Brown and Tucker 2011；Ernstberger. 1.

(10) and Grning 2013）。非量化資訊中最讓投資者重視的莫過於管理階層的討論與分析（Management Discussion and Analysis, MD&A），因為 MD&A 具有讓投資者對企業鑑往知來的效果，但是相較於傳統的財務報表，MD&A 內容不需要經過會計師的查核，且是以文字的方式呈現，比貣以數字為方式呈現的財務報表，更難確認其有無虛報隱瞞的情事，揭露的內容取決於管理階層的偏好。再者， MD&A 揭露內容的層面廣，包括報告期內公司的投資情況、經營情況、計畫進度情況、預測或計畫內容的調整等，在如此多樣的揭露項目下，投資者難以把握 MD&A 報告所表達的重點，做出良好的決策，也因此早有學者對於 MD&A 等. 治政文字類型的資訊揭露品質提出質疑，例如 Hildebrandt 大and Snyder（1981）曾使用立簡單正負向詞頻 word-count 方法，利用 24 份小量樣本，研究發現企業編製年報 ‧ 國. 學. 中的致股東報告書（letter to stockholders）中，不論當年度企業績效如何，致股. ‧. 東報告書的語調皆偏向正面，也因此提出了「Pollyanna Hypothesis」1的說法，說. sit. y. Nat. 明企業在使用文字類型的資訊時，可能會傾向使用過多正向詞彙。許多學者也提. io. er. 出，由於 MD&A 編製內容的相對彈性，而可能導致相對的資訊品質風險（Abrahamson and Amir 1996; Clarkson, Kao, and Richardson 1994; Schroeder and. n. al. Gibson 1990）。. Ch. engchi. i Un. v. 依據上列敘述，我們可以合理假設企業嘗試在 MD&A 等文字資訊中使用過度樂觀誇大或悲觀的詞彙，可能包含一些原因，例如風險偏好、公司規模和當期績效等，本研究希望透過實證研究來探討之。在資訊快速發展的現代，資訊的取得容易，但是資料量卻也日漸龐大，如何有效處理如 MD&A 這一類同時具備歷史性與前瞻性的非量化資訊，汲取資訊使用者所需部分，並且與量化的財務資訊相互比較輔佐，應該是一項重要的課題。. 1. Pollyanna 是 Disney 創造出來的虛擬小女孩，因為其無論碰到如何艱難的困境，都仍能維持樂觀歡樂的性格，在 Hildebrandt and Snyder（1981）的研究中，引申為企業管理當局在面對要求誠實允當表達的資本市場上，可能存在過度樂觀誇大的情形。 2.

(11) 本研究希望能給資訊使用者更多證據與建議，進而從財務資料中獲得比以往更有效的成果。. 二、研究問題與目的美國 SEC 在 2006 年提出一分報告（Glassman 2006），顯示出對於 MD&A 品質的顧慮，雖然 MD&A 的揭露品質已經逐年改善，但仍然有內容失焦甚至可能未誠實揭露等問題，MD&A 的經濟效果已幾乎確定，但對於 MD&A 資訊品質方面的研究相對較少。本研究會透過電腦輔助文字探勘技術（包括 VSM 與 TFIDF），分析美國上. 政治大而建立指標衡量兩者間的一致性程度，分析美國上市公司資料的 MD&A 是否存立. 市公司揭露的 MD&A 文字資訊內容，與財務報表的會計數字作相互的比較，進. ‧ 國. 學. 在誇大、樂觀或保守等情形，並且發展實證模型與假說，探討可能的決定因素。本研究之研究目的如下：. ‧. 1. 藉由 MD&A 文字資訊內容與財務數字資訊的分析結合，幫助使用者分析. sit. y. Nat. MD&A 語調的一致性與探討形成原因。. n. al. er. io. 2. 嘗試利用電腦輔助文字探勘技術協助投資人於較短時間內統整企業資訊，對. i Un. v. 於公司的 MD&A 能有更好的掌握，進而制訂相對應的決策，能更全面的掌握財務報表資訊。. Ch. engchi. 3.

(12) 三、論文架構第壹章、緒論研究背景與動機，研究問題與目的及論文架構。第貳章、文獻探討簡介相關文獻，並且介紹使用之相關工具。第參章、研究方法研究步驟、研究樣本以及研究工具的相關說明。第肆章、實作結果與分析. 政治大. 實際操作第參章之研究方法，並分析研究得出的結果。. 立. 第伍章、結論與建議. ‧ 國. 學. 由第參章之研究方法及第肆章之實作結果來統整彙總，提出結論和後續的研究建議。. ‧. 第陸章、參考文獻. n. al. er. io. sit. y. Nat. 本研究參考之文獻與其他資料。. Ch. engchi. 4. i Un. v.

(13) 研究背景與動機. 研究問題與目的. 相關文獻探討. 建立研究架構. 立. 政治大資料蒐集. ‧ 國. 學. Nat. 實作結果與分析. n. al. er. io. sit. y. ‧. 研究方法. Ch. engchi. 結論與建議. 參考文獻. 圖 1-1 論文架構. 5. i Un. v.

(14) 貳、文獻探討及相關工具介紹一、探討量化與非量化資訊之相關文獻美國企業財務報導主要已經是以電子方式儲存於網際網路的資料庫內，使得一般人士已經可以很容易取得相關資訊。一份財務報導包含量化資訊與非量化資訊，量化資訊是以數字方式來呈現，可靠度高且易於比較，例如財務比率、價格和會計報表項目；非量化資訊包含許多重要的企業資訊，例如管理階層的討論與分析（MD&A）、致股東報告書、公開說明書等等。對機構投資者而言，有愈來愈重視非量化資訊的態勢，因為其包含了許多重. 政治大. 要的企業資訊，但是由於其格式非結構化，難以擷取內容而導致衡量的困難，過. 立. 去較少研究針對此類非量化資訊進行探討。Petersen（2004）提出如 MD&A 這類. ‧ 國. 學. 非結構化的資訊稱為軟資訊（soft information），用以區別結構化的量化資訊（硬資訊 hard information）。. ‧. Nat. io. sit. 結構化的軟資訊，並配合實證分析證明這些資訊的益處。. y. 由於文字探勘技術近年的快速發展，許多會計研究已經可以找到方法衡量非. n. al. er. Antweiler and Frank (2004)利用貝氏分類器（Naïve Bayes classifier），採用. Ch. i Un. v. 監督式學習的方式，分析雅虎財經的討論區部分文字訊息，發現這些討論區的文. engchi. 字訊息確實對股票的價格和成交量都會有所影響。 Visa, Toivonen, Ruokonen, Vanharanta, and Back（2000）將文字文件以單字、句子、段落的方式切割，並以智能編碼（Smart Encoding）和自我組織地圖（Self-Organizing Maps）進行分析，Visa et al.（2000）認為以正確的方式來組織編譯文件，可以有效的從該文字文件得到不少訊息，其研究結果顯示，訓練後的分類器可以將包含不同內容的段落文字分開，就算包含相同的文字，若排列的順序不相同者，也可利用分類器的判斷發現，而使用分類器進行文件的分類，也代表了一篇文章可以不經由人工閱讀，也可以瞭解其中意思。分析工具除了上述提到的自我組織地圖外，另外也有學者使用以向量為基礎 6.

(15) 的模型進行量化資訊與非量化資訊的研究，如 Qiu, Srinivasan, and Street（2006）針對十多年共三十家企業的年度財務報告進行財務預測，以支持向量機（Support Vector Machine, SVM）的預測模型為基準，配合不同文字特徵詞選取方法來操作，量化資訊部份，選取 Return On Equity（ROE）作為判斷企業分群的標準，並將該標準分成三個等級，分別為：若 T+1 年的 ROE 比 T 年的 ROE 增加 5%，則認定為 Positive（變好）；若 T+1 年的 ROE 比 T 年的 ROE 減少 5%，則認定為 Negative（變壞）；若該變動在±5%內，則視為 Neutral（不變），以同分群的企業為準，將其相對應的非量化資訊樣本集中並隨機切割成 2/3 部份為訓練樣本、 1/3 為測試樣本；將 2/3 的樣本進行特徵詞的選取，輸入支持向量機為基礎的模. 治政型訓練，隨後以訓練的分類器對 1/3 的測試樣本進行訓練，此項研究顯示，利用大立年度財務報告的非量化資訊來預測下一年度的財務表現，是具有可行性的。 ‧. ‧ 國. 學. n. er. io. sit. y. Nat. al. Ch. engchi. 7. i Un. v.

(16) 二、年報使用者運用 MD&A 資訊之相關文獻美國證券管理委員會（U.S. Securities and Exchange Commission，SEC）於 1968 年首次規定 MD&A 的相關編製，至 1980 年以 Item 303 of Regulation S-K 強制規範上市企業頇於年報中揭露 MD&A，2003 年正式發布 MD&A 的相關揭露指引（Guidance），強調 MD&A 的制定是為了要求提供流動性、資金來源與經營成果有關的訊息，並且提供有助於理解企業整體經營狀況的訊息，並對上市企業所處的背景、未來發展和競爭格局進行分析（SEC, 2003）。 SEC 指出僅瞭解財務報表資訊可能並不足以讓年報使用者判斷盈餘品質，而. 政治大 1987），制定 MD&A 的目標即是讓年報使用者能有機會取得除了財務報表資訊立. 且過去的營運績效對於未來的企業績效並不具指標性（indicative）（SEC 1980;. ‧ 國. 學. 以外的更多資訊來瞭解企業，這些訊息在財務報表中並沒有完全揭露，卻是年報使用者應該取得的訊息。. ‧. MD&A 主要透過公司定期報告中管理階層對公司過去經營狀況的評價分析，. sit. y. Nat. 預測和判斷公司未來發展趨勢，與財務報表不同，MD&A 並非單一的歷史性財. n. al. er. io. 務數據訊息，而是透過文字性描述，结合適當的財務數據和非財務數據，並利用. i Un. v. 前瞻性訊息和歷史性訊息對上市公司未來的發展策略和方向進行揭露（邱逸紅， 2011）。. Ch. engchi. Previts, Bricker, Robinson, and Young（1994）研究發現財務分析師確實會利用 MD&A 中的文字資訊，引用比例高於年報中其他任何部分，特別是在向客戶進行投資建議時，因此可以看出 MD&A 所揭露的資訊，對未來營運績效有相當的影響，財務分析師認為某些重要資訊存在於 MD&A 中。 Arnold, Bedard, Phillips, and Sutton（2012）的研究發現，MD&A 對於投資人評估企業之影響相當重大，因此投資人應具備高度興趣使用 MD&A 協助其投資決策，其並發現投資人偏好閱讀 MD&A 而非財務報表之附註，以取得特定相關資訊。 8.

(17) Cole and Jones（2004）則是探討零售業的 MD&A 所揭露的資訊是否對資訊使用者有所益處，其研究結果顯示 MD&A 中揭露有關預計開新商店的數量、銷售成長等變數，對於預測零售業的未來盈餘、同期的股票報酬等均具有增額解釋能力。. 立. 政治大. ‧. ‧ 國. 學. n. er. io. sit. y. Nat. al. Ch. engchi. 9. i Un. v.

(18) 三、MD&A 資訊內涵之相關文獻 MD&A 所揭露的資訊相當多樣，除了對未來營運績效有相當的影響外， MD&A 尚頇揭露具前瞻性的資訊。許多研究已經發現 MD&A 對於企業的營業額、盈餘等確實有所影響。事實上，早在 1984 年時，就有會計學者使用了電腦相關內容分析技術，探討企業年報中非結構化資訊的有用性，例如：Frazier, Ingram, and Tennyson（1984）利用'WORDS'軟體中的正負向文字計算（word count）功能，以衡量 MD&A 的語調，並且找出語調和市場上累積超額報酬之間的關聯，證實了 MD&A 的資訊. 政治大 Clarkson et al.（1994）利用問卷調查法，樣本則以加拿大多倫多地區的財務立. 內涵。. ‧ 國. 學. 分析師為對象，證實了 MD&A 資訊對於財務分析師來說有一定的用途，其並要求受測財務分析師評量 MD&A 資訊的品質，加上企業經營績效、企業重大事件、. ‧. 近五年的帄均市場報酬和財務分析師追蹤人數等來做為變數，結果顯示企業經營. sit. y. Nat. 績效、企業重大事件和財務分析師追蹤人數等都有顯著的解釋力。. n. al. er. io. Amir and Lev（1996）以美國無線通信業為研究對象，探討會計資訊對評價. i Un. v. 當時高科技產業的適用性，實證研究發現，僅考慮會計資訊（盈餘、公司淨值、. Ch. engchi. 現金流量等財務資訊）是不完全的，必頇整合財務資訊及非財務資訊才能有效地評論企業價值。 Bryan（1997）使用了 250 家企業所揭露的 MD&A 為樣本，檢視其內容是否對於財務資訊有增額解釋能力，發現 MD&A 的內容與財務資訊未來三年的變化方向確實有顯著的相關性。 Li（2010）曾同時運用正負向文字計算法（word count）與簡單貝氏分類法，針對約 14 萬份年報與季報，共約 1 千 3 百萬句來進行正負向語調的判斷，並以 MD&A 中包含的未來預期性陳述（forward-looking statement, FLS）與企業未來年度的財務績效來討論關聯，結果發現 MD&A 中包含的未來預期性陳述語調與 10.

(19) 企業未來一至三年內的財務績效有顯著正相關，代表未來預期性陳述確實有預測價值。 Brown and Tucker（2011）使用了文字探勘法中的向量空間模型法（vector space model,VSM），再加上 TFIDF（Term Frequency/ Inverse Document Frequency）技術，計算二萬八千多份企業 10-K 報表的前後年度 MD&A 的相異程度，後面同時探討相異度的解釋變數，進而發現企業當年度有較大的風險或營業變動，則相對的 MD&A 資訊內容也會有較大的改變。雖然對於 MD&A 資訊的各類型研究已經相當多元，但是目前對於探討企業財務與非財務資訊之間一致性，藉以衡量非財務資訊的品質，相關文獻仍然極少，. 治政例如：Back, Toivonen, Vanharanta, and Visa（2001）曾同時使用文字探勘方法與大立資料探勘方法，以世界各地的林業公司為樣本，研究財務與非財務資訊之間是否 ‧ 國. 學. 一致。他們首先將年報中的資料，依照財務及非財務的屬性分開，財務資訊從常. ‧. 見的 47 個財務比率數字中挑選出 9 個，之後將財務比率輸進自體組織地圖進. sit. y. Nat. 行分群，非財務資訊的部份則運用智能編碼（smart coding）將文字切割開，然. io. er. 後將每個文字透過 ASCII 碼轉換成為數字，產生每篇文章的文字向量，之後即可在自體組織地圖上找尋擁有相似非財務資訊的年報，比較與其財務資訊之間的. al. n. iv n C 關係，當時研究結果顯示，非財務資訊與財務資訊相比較，發現企業的非財務資 hengchi U 訊確實會有輕微誇大其表現的傾向。. 11.

(20) 四、群集分析工具 K-Means 群集分析是一種邏輯性程序，是資料探勘中一個重要的理論，已經廣泛的運用在眾多領域，如資料庫管理、統計分析、基因數據分析或資訊系統等。群集分析依照相似和相異的程度將相似者歸類在同一群集內，使得各群內部相似度高而各群之間相似度低。常見的技術模式如 K-Means、SOM、ART、C-Means 等。其中又以 K-Means 演算法最為被廣泛運用，其是以一種聚類（Cluster）的方式，依照物以類聚的特徵來分群。K-Means 能夠這樣廣泛的被運用最主要原因就是它的演算法架構簡單、運算容易且快速、可以處理大量的數值型資料等優點，因. 政治大為了解此分群方法，下面簡單介紹 K-Means 演算法是如何將資料分割成不同的立. 此能有效的應用在各種實際情況，是一種容易理解而且有效率的統計學分群工具。. ‧ 國. 1.. 學. 群集：. 決定群數 K，視為總分群數. ‧. 設定好研究的對象後，依照分析的方向、目標及過去經驗決定群數 K。隨機選擇群集中心. al. n. 3.. er. io. 在總群數 K 中，隨機選取 K 個最初的群集中心。. sit. y. Nat. 2.. i Un. 計算各群內的中心點，並更改為該群的新中心點. Ch. engchi. v. 總樣本數為 n 個，而 X1、X2…Xn 為各樣本值；假設有 K 個集群，表示為 C1、C2…Ck 代表各個集群；各 Ci 的中心點為 mi。藉由各樣本與集群中心點的距離，以 Euclidean 公式為距離的計算方法，即 d=. 𝑋1 − 𝑋2 2 + 𝑌1 − 𝑌2 2 ，找尋樣本與每個集群中心最小距離者，也就. 是該樣本最靠近的集群，則歸於該集群。每個樣本必頇在多次的距離計算後才可以知道其最為接近的集群中心，因此每個樣本僅隸屬於一個集群。 4.. 同步驟 3，至分群結果穩定無變化為止假如新的中心點和先前的中心點不相同，則使用新的中心點當作群集中心，並重複步驟三至五。若中心點相同，則終止此程序。 12.

(21) 由於 K-Means 初始點的選擇採隨機取樣，因此最後得到的結果會因為一開始所選取的初始群集中心點不同而有所不同，為了避免得到的結果沒有效率且解釋力不足，必頇要多作幾次演算選出群內樣本與該集群中心總距離帄方和最小的分群結果。. 立. 政治大. ‧. ‧ 國. 學. n. er. io. sit. y. Nat. al. Ch. engchi. 13. i Un. v.

(22) 五、文字探勘工具文字探勘（Text Mining）是分析非結構化文件資料的方法，所謂的非結構化文件資料是指以自由形態呈現的自然語言內容，例如報章雜誌、使用手冊、會議記錄等，其內容並無特定格式，組成元素不容易明確的分辨、命名（Zhou, 2007）。文字探勘是一種編輯、組織、分析大量結構及非結構化文件的過程，用以符合特定使用者（如：決策者、分析師）的特定資訊（如：摘要、關鍵字）需求以及發現某些特徵間的關聯，其中的關鍵資訊包括人、事、時、地、物等（Sullivan, 2001）。文字探勘所面臨的技術挑戰是文件內容過於凌亂冗長，導致其屬性特徵不易. 政治大. 分辨。所以文字探勘的過程，常需要龐大的人力進行人工判斷，對複雜的特徵和. 立. 屬性進行處理。. ‧ 國. 學. 語言是由字構成的詞，再由詞構成無數的句子來進行溝通。詞是在自然語言上能夠獨立運用，具有完整語意的最小單位，任何語言處理的系統都必頇先能分. ‧. 辨文本中的詞才能進行進一步的處理，例如機器翻譯、語言瞭解、資訊抽取等。. sit. y. Nat. 由於英文的每個單字都可以成為詞，且每個單字之間都有明顯的空白可作區隔，. n. al. er. io. 所以英文並沒有斷詞的困擾，但英文動詞可能因時態或是單、複數的不同而有所. i Un. v. 變化，因此若要進行英文的文字探勘則必頇先行還原字根。本研究在進行文字探. Ch. engchi. 勘時會運用到向量空間模型（VSM）與 TFIDF 技術，因此下面簡單介紹這兩種技術： 1. 向量空間模型（vector space model, VSM）此概念最早由 Salton and McGill（1983）提出，是一種由特徵詞與文件所組成的向量空間，具有建立索引、擷取文件內資訊特徵以增強文件檢索效能的功能。索引的主要目的是在表現文件的內容，並且依據該詞彙在文件中的重要程度或獨特性，給予索引字詞一定的權重。建立索引的方法為針對系統內文件集合 D 中某一文件 Di，找出一組屬性為(Wi1，Wi2，Wi3，…，WiK)，並在文件集合 D 中找出一組屬性值為(W1，W2，W3，…，WK)，使該文件 14.

(23) Di 之屬性值對文件集合 D 具代表性，則該組屬性值稱為文件集合 D 之索引向量元素，即係集合 D 之特徵向量。利用向量來表達各個文件，一來可以清楚呈現各文件之間的相對關係，二來彼此間的相似度，可以利用向量內積的方式計算彼此的距離。當文件意義相近時，可能會有許多相同的關鍵字詞，若利用向量空間作表達時，這些向量會較接近。下圖假設該向量空間模型只有三個關鍵索引詞。該模型內的詞鍵 1，詞鍵 2，詞鍵 3 分別表示三個關鍵字的權重，文件 1，文件 2，文件 3 皆由這三個索引關鍵詞所組成，文件依照不同的索引關鍵詞組成，在空間的位置亦不同。. 立. 政治大 W1. ‧ 國. 學 ‧. Doc1. y. Nat. n. al. er. io. sit. Doc2. Ch. engchi U Doc3. W3 圖 2-1 向量空間模型. 15. v ni. W2.

(24) 2. TFIDF 技術每個索引字詞都代表空間中的ㄧ個維度，維度上的值則表示該關鍵詞，於該之中出現次數的加權結果。而加權值的計算方式有，IDF（Inverse Document Frequency）加權模式、TF（Term Frequency）加權模式、TFIDF （Term Frequency/ Inverse Document Frequency）加權模式等。 TFIDF 加權模式是以攸關性回饋（Relevance Freeback）演算法為基礎所提出的一系列相關研究。TF 概念是由 Salton 和 McGill（1983）提出的，而 IDF 概念則是 Spark（1972）所提出。TFIDF 常用於文字探勘與資訊檢索，藉由這個演算法計算後可得到關鍵詞的權重值，最後得到每份文件的詞加權. 政治大. 列表，便是該文件的向量。TFIDF 有兩個重要的組成部份，TF（Term. 立. Frequency；字的頻率）和 IDF（Inverse Document Frequency；反文件頻率，. ‧ 國. 學. 字的獨特性），介紹如下：. （1）TF：字頻；該關鍵字詞在文件中出現的頻率。. ‧. TFij=Nj/Nall. y. Nat. Nj：詞義 j 在文件 i 中出現的次數。. n. al. Ch. i Un. Nall：檔 i 中，所有具有意義的總詞數。. engchi. er. io. sit. TFij：詞義 j 在文件 i 中出現的頻率。. v. （2）IDF：反文件頻率、獨特性；計算文件的反頻率。意指：一個詞彙如果在所有的文件中均廣泛出現，則該詞彙對文件特性的鑑別度較低；反之，若一個詞彙只出現在少數的文件中，則此詞對於文件的代表性將較為明顯。 IDFj=log(N/DFj) IDFj：代表 j 詞彙在所有文件中出現頻率的倒數。 N：代表所有文件的總數。 DFj：代表 j 詞彙所出現的文件數。. 16.

(25) （3）Weight：詞彙在文件中的權重值，也可以說是顯著值。 Wij= TFij ＊IDFj=( Nj/Nall)＊(log(N/DFj)) Wij：即是 j 在 i 中的權重值 TFij: j 詞彙在 i 文件中出現頻率，為公式的主要決定因數。. 立. 政治大. ‧. ‧ 國. 學. n. er. io. sit. y. Nat. al. Ch. engchi. 17. i Un. v.

(26) 參、研究方法一、研究方法架構本研究利用文字探勘技術從美國上市公司揭露的 MD&A 內容與財務資料分析的結果是否一致，進而探討其原因。本研究主要分成五大步驟，簡要說明如下： 1. 蒐集研究樣本：依照第一章研究動機中所敘述，MD&A 的資料來自美國 EDGAR 資料庫的 10-K 文件，相對應的各項報表會計科目金額、財務比率等財務資料則從 Compustat 資料庫中擷取來進行分析。 2. MD&A 資料分析：. 立. 撰寫程式從 10-K 文件報告中，找出 MD&A 部分，處理並分析收. 學. ‧ 國. （1）. 政治大. 集到的資料。（2）. 利用 K-fold2法計算詞頻，計算 K-1 群之訓練樣本斷詞後的詞頻數，. ‧. 再與正負向詞典做比對算出分數。. y. Nat. 透過 K-Means 進行分群，分成正面、中立、負面共三群，並將分. io. sit. （3）. n. al. er. 群後的文件投入計算 TFIDF，計算出三個分群的特徵向量。（4）. Ch. i Un. v. 剩餘未投入訓練的 1 群當作測試資料，將該群 MD&A 資料計算. engchi. TFIDF，產生文件向量，再以 VSM 法將該文件與正面、中立、負面三群特徵向量計算餘弦相似度，並將該文件歸屬至其該歸屬的類別。 3. 財務資料分析：（1）. 由 Compustat 中選定代表企業績效的數字與財務比率，並計算其與前一年度的改變幅度（change-in）。. （2）. 2. 利用 K-Means 將財務資料分為佳（Good）、中等（Moderate）、不. K-fold 交叉驗證法是將資料分為 K 群，其中 1 群為組外部分，剩下的 K-1 群為組內部分，用來訓練模型，再利用組外部分來測試該模型。 18.

(27) 佳（Bad）三群。 4. 產生並驗證一致性指標：找出量化資訊及非量化資訊之關聯性，觀察 MD&A 資訊及財務績效資訊之分群結果是否一致。 5. 分析原因：透過實證模型瞭解分群結果是否一致，並分析造成企業所揭露 MD&A 產生誇大、保守或持帄的原因為何？. 蒐集研究樣本. 立. 政治大. ‧ 國. 學. 非量化資料 from EDGAR. 量化資料 from Compustat. ‧ y. Nat. 計算詞頻計算正負向. n. 文件依 K 摺法分群. 率. er. io. al. sit. 詞並依 K-Means 分群. 計算三大類財務比. Ch. engchi. 訓練群 K-1 群. 測試群 1 群. 三個分群投入計算 TFIDF 產生特徵向量. 計算 TFIDF 產生文件向量並以 VSM 法計算餘弦相似度. i Un. 圖 3-1 研究方法與流程. 19. v. K-Means 分群. 產生並驗證一致性指標.

(28) 二、研究樣本本研究以美國上市公司 firm-year 為標的，MD&A 的資料來自美國 EDGAR 資料庫中 10-K 文件，並排除異常或是不完全的樣本。相對應的財務資料則取自 Compustat 資料庫中，各項報表之會計科目金額來進行分析。. 三、MD&A 資料處理經由程式找出美國 EDGAR 資料庫內 10-K 部分 MD&A 資料，如前面所述， MD&A 資料非以數字的方式呈現，而是以文字敘述的方式來呈現，屬於非結構. 政治大. 化的資訊，本研究遂採用文字探勘的方式來進行。. 立. 1. 蒐集樣本與抽取資料：. ‧ 國. 學. 撰寫程式下載美國 EDGAR 資料庫中 10-K 文件，擷取 MD&A 資料的文字段落，存成文字檔，並去除表格，保留純文字並進行字根還原，接著去除 MD&A. ‧. 資料中未來預期性陳述（forward-looking statement, FLS）3的相關資訊，考量. y. Nat. io. sit. FLS 可能可以免除法律責任的特殊性，將具有 FLS 性質的文句剔除，使文件. n. al. er. 處理成可分析之資料。. 2. 利用 K-fold 法計算詞頻：. Ch. engchi. i Un. v. 本研究預計使用 10 摺法來進行操作，針對 K-1 群的部分，計算每份文件斷詞後的詞頻數。 3. 導入 Loughran and McDonald（2010）正負向詞典4：將文件斷詞後的詞頻數與 Loughran and McDonald（2010）正負向詞典做比對，計算 MD&A 資料中詞彙的正負向程度，以此來彙總計算每份 MD&A 資料樣. 3. 根據 SEC 的規範，所謂 FLS 是指企業在 MD&A 資訊中，利用獨立的段落或混雜於各段落中的呈現方式，使用“future,” “anticipates,” “believes,” “estimates,” “expects,” “predicts,” “will,” “could,” “can,” “may,”等詞彚或其它類似詞彙的文句，這些文句因使用了對未來的預期語調，故可被視為符合美國證券法 Section 27A 與證券交易法 Section 21E 中關於所謂「安全港（safe harbor）」的未來預期性揭露。 4 http://www3.nd.edu/~mcdonald/Word_Lists.html。 20.

(29) 本的分數。 4. 利用 K-Means 進行分群：為了將文章分成正面、中立、負面這 3 群，利用 K-Means 做分群的動作，分群後的結果再投入計算 TFIDF，以此產生特徵向量。 5. 剩餘 1 群即作為測試資料，將該群資料分別直接計算 TFIDF，以此產生文件向量並再以 VSM 法與上一步驟產生的特徵向量間計算餘弦角度，愈接近某一特徵向量者即將該份文件歸類至該類别，分類結果亦可能是分成正面、中立、負面這 3 群。. 立. 政治大. ‧. ‧ 國. 學. n. er. io. sit. y. Nat. al. Ch. engchi. 21. i Un. v.

(30) 四、財務資料處理財務資料部分相對應 MD&A 資料的樣本，從 Compustat 中選定企業財務績效的數字與比率，並計算其與前一年度的改變幅度，再利用 K-Means 將財務資料進行分群，分成佳（Good）中等（Moderate）不佳（Bad）三群。本研究選定以下三個面向的比率來做為分群的依據。 1. 償債能力比率：衡量企業支應負債義務的能力及為支應營運需要而採行的籌資方式。 2. 獲利能力比率：用以衡量企業一段時間內的經營績效。. 政治大. 3. 經營效率比率：衡量企業於經營過程中，創造業務、賺取利潤的速度。. 立. 財務資料採用之財務比率. 名稱. 公式. 速動比率. Nat. 稅後損益. Ch. 資產報酬率. 股東權益報酬率每股盈餘經營效率比率. sit. 營業收入. n. 獲利能力比率. 流動負債. 總資產週轉率. 營業收入. engchi. er. io. al. (流動資產−存貨−預付費用) 營業毛利. 毛利率淨利率. 流動負債. ‧. 償債能力比率. 流動資產. y. 流動比率. 學. 分類. ‧ 國. 表 3. 1. i Un. v. 稅後損益. 帄均總資產稅後損益帄均股東權益本期淨利－特別股股利普通股加權帄均流通在外股數銷貨收入淨額帄均資產總. 22.

(31) 五、MD&A 資料分群與財務資料分群一致性分析經過前項各個步驟，以測試資料為準，找出 MD&A 資料分群與財務資料分群結果，定義出一致性的矩陣如下表：表 3. 2 一致性指標（本研究自行定義） MD&A 語調. 正面（Positive）. 中立（Neutral）. 負面（Negative）. 持帄（Fair）. 保守（Conservative）悲觀（Pessimistic）. 中等（Moderate）. 樂觀（Optimistic）. 持帄（Fair）. 不佳（Bad）. 誇大（Exaggerate）. 財務績效佳（Positive）. 立. 保守（Conservative）. 樂觀（Optimistic）政治大. 持帄（Fair）. 後續本研究預期將誇大（Exaggerate）編碼為 2，樂觀（Optimistic）編碼為. ‧ 國. 學. 1，持帄（Fair）編碼為 0，保守（Conservative）編碼為-1，悲觀（Pessimistic）. io. sit. y. Nat. n. al. er. 統計分析。. ‧. 編碼為-2，接著再乘上利用 VSM 法所計算出來的餘弦向量距離值，來進行迴歸. Ch. engchi. 23. i Un. v.

(32) 六、建立實證研究模型總結以上 MD&A 資料與財務資料的相關分析後，本研究的基本構想如表 3. 2 所示，接下來希望透過實證研究模型，探討分析不同企業所揭露的 MD&A 會產生悲觀、保守、持帄、樂觀或誇大的原因為何，是否受到企業基本面的影響或是由於企業當年度相關事件所影響？影響企業 MD&A 資訊的揭露會產生悲觀、保守、持帄、樂觀或誇大的原因有很多，可能包括公司規模、風險偏好或當期績效等。本研究會設置一個主要模型，分別探討十一項解釋變數，分析應變數與十一項解釋變數之間的關係。以下. 政治大. 內容將逐一說明研究假說、實證研究模型之建構與變數之衡量。. 立. （一）研究假說. ‧ 國. 學. 1. 企業規模. 企業規模較大的公司，通常會受到更多的關注與報導，MD&A 資訊也會. ‧. 因此受到比較多的注意，因此企業應該會更重視 MD&A 資訊的品質，較不. sit. y. Nat. 會在 MD&A 上揭露誇大的資訊；小規模企業對於 MD&A 的重視程度通常不. n. al. er. io. 若大型企業，而且公司資源相對有限，不太會在 MD&A 做誇大揭露。企業. i Un. v. 規模（SIZE）以公司市值取 LN 來計算。根據以上分析，本研究提出：. Ch. engchi. 假說一：上市公司 MD&A 資訊揭露一致性指標與企業規模呈負相關。 2. 企業當期經營績效表現良好的上市公司，一般比較會願意揭露更多的資訊（Naser1998），經營能力會使公司更願意揭露相關資訊，資訊的品質也相對較好（Forker1992），因此公司的獲利能力通常被認定與資訊揭露的程度呈正向關係，當期經營績效越好，企業理應越會採取積極地揭露策略，代表企業當期經營績效應與一致性指標呈正相關。但是在有關研究提到訴訟假說的部分，反而顯示出績效越好的公司，其揭露資訊反而會趨向保守(Healy and Palepu 2001; Rogers and Buskirk 2009)， 24.

(33) 反而代表企業當期經營績效應與一致性指標呈負相關。上述兩種假說代表過去對 MD&A 一致性指標與企業當期經營績效的相關性呈現不確定之結果（mixed results）。企業當期經營績效（EARN）使用盈餘/總資產帳面價值來衡量。假說二：上市公司 MD&A 資訊揭露一致性指標與企業當期經營績效呈現不確定方向之結果。 3. 企業風險程度企業的前景較不明確，經營風險可能較高，在揭露 MD&A 時可能會顯得相對保守，與一致性指標呈負相關。企業風險程度以盈餘變異度. 治政（EVOL,volatility of earnings，企業過去三年盈餘標準差來計算）、市價淨值大立比（MTB,market-to-book ratio，普通股每股市價除以每股帳面價值）、地區部 ‧ 國. 學. 門數量（NSEG,number of segments，企業地區部門數+1 後取 LN 來計算）以. ‧. 及報表科目數量（NFI,number of financial items，以 Compustat 上所能取得無. sit. y. Nat. 缺值的報導科目數來計算）. io. al. n. 關。. er. 假說三：上市公司 MD&A 資訊揭露一致性指標與企業經營風險呈負相. 4. 應計項目（accruals）. Ch. engchi. i Un. v. 應計項目會使企業管理者可能使用較為樂觀的 MD&A 語調，可能與一致性指標呈正向關（Li 2010）。但是也有研究證實應計項目愈大，企業管理者理應會有較為保守的 MD&A 揭露政策，會與企業未來績效呈負相關。因此應計項目會呈現不確定之結果（mixed results），應計項目（ACC）是以盈餘減去來自營業活動之現金後再除以總資產帳面價值來計算。假說四：上市公司 MD&A 資訊揭露一致性指標與企業應計項目呈不確定方向之結果。. 25.

(34) 5. 企業重大事件企業重大事件如購併、現金增資等發生時，企業的揭露會趨於保守，與一致性指標呈負相關（Li 2010）。企業重大事件以企業個別年度的購併事件（MA）與現金增資事件（SEO）來計算，若該年曾發生購併事件或現金增資事件，則 MA 或 SEO 虛擬變數為 1，否則為 0。假說五：上市公司 MD&A 資訊揭露一致性指標與企業重大事件呈負相關。 6. 企業成立年數企業草創初期一般會面臨較大的經營風險，因此 MD&A 資訊的揭露通. 治政常會趨向保守，會與一致性指標呈負相關（Li 2010）大。企業成立年數（AGE）立以企業最早出現於 CRSP US Stock Database 中的年度計算。 ‧ 國. 學. 假說六：上市公司 MD&A 資訊揭露一致性指標與企業成立年數呈負相. ‧. 關。. sit. y. Nat. 7. 分析師追蹤人數. io. er. 分析師追蹤人數會正面地影響其 MD&A 資訊揭露的品質（Clarkson et al.1994），引此可合理推論分析師追蹤人數越多時，MD&A 資訊的揭露會趨. al. n. iv n C 向保守。分析師追蹤人數（ACOV,analyst firm-year 末 h e n g c hcoverage）定義為每個 i U. 曾提出該企業盈餘預測之分析師人數，資料則取自 Institutional Brokers Estimation Service（IBES）資料庫。假說七：上市公司 MD&A 資訊揭露一致性指標與分析師追蹤人數呈負相關。. 26.

(35) （二）實證模型定義本研究主要探討本期 MD&A 與財務績效的一致性語調傾向與造成 MD&A 資訊過度樂觀或誇大之間的關聯性。為了要探討造成企業 MD&A 資訊揭露一致性指標樂觀或誇大的原因，本研究設計一個主要實證模型，探討十一項不同的解釋變數與應變數之間的關係。 1. 實證模型 Consistencyit = a0 + β1SIZEit + β2EARNit +β3EVOLit +β4MTBit + β5NSEGit + β6NFIit + β7ACCit + β8MAit + β9SEOit + β10AGEit + β11ACOVit + εit. 治政 Consistency ：i 公司 t 期依照一致性指標的定義所編碼出的類別變數再乘上 COS 大立值，以此看出各群體內的差別。 it. ‧ 國. 學. SIZEit：i 公司 t 期之公司市值. ‧. EARNit：i 公司 t 期之企業當期經營績效. sit. y. Nat. EVOLit：i 公司 t 期之盈餘變異度（標準差）. io. er. MTBit：i 公司 t 期之市價淨值比 NSEGit：i 公司 t 期之地區部門數量. n. al. Ch NFIit：i 公司 t 期之報表科目數量. engchi. i Un. v. ACCit：i 公司 t 期之會計應計項 MAit：i 公司 t 期之購併事件 SEOit：i 公司 t 期之現金增資事件 AGEit：i 公司成立年數 ACOVit：i 公司 t 期末曾提出該公司盈餘預測之分析師人數 2.變數定義（1）應變數：企業 MD&A 資訊語調與當期財務績效的一致性指標（Consistencyit）。. 27.

(36) （2）解釋變數 a.企業規模（SIZEit）企業規模較大的公司，通常會受到更多的關注與報導，MD&A 資訊也會因此受到比較多的注意，因此企業應該會更重視 MD&A 資訊的品質，較不會在 MD&A 上揭露誇大的資訊；小規模企業對於 MD&A 的重視程度通常不若大型企業，而且公司資源相對有限，不太會在 MD&A 做誇大揭露。企業規模以該公司市值取 LN 值計算。 b.企業當期經營績效（EARNit）企業財務績效愈好，理應愈會採取積極的揭露策略，代表企業當期經營. 治政績效應與一致性指標呈正相關，但是在有關研究提到訴訟假說的部分，反而大立顯示出績效越好的公司，其揭露資訊反而會趨向保守(Healy and Palepu 2001; ‧ 國. 學. Rogers and Buskirk 2009)，反而代表企業當期經營績效應與一致性指標呈負. ‧. 相關。因此企業當期經營績效呈現不確定之結果（mixed results），本研究藉. y. sit. io. er. 值來計算。. Nat. 由實證結果來加以證實。企業當期經營績效以該公司之盈餘/總資產帳面價. c.企業盈餘變異度（EVOLit）. al. n. iv n C 企業經營風險部分，假如企業的前景較不明確，經營風險可能較高，在 hengchi U. 揭露 MD&A 時可能會顯得相對保守，與一致性指標呈負相關。企業盈餘變異度以企業過去三年盈餘標準差來計算。 d.企業市價淨值比（MTBit）企業經營風險部分，假如企業的前景較不明確，經營風險可能較高，在揭露 MD&A 時可能會顯得相對保守，與一致性指標呈負相關。企業市價淨值比以該企業普通股每股市價除以每股帳面價值而得。 e.企業地區部門數量（NSEGit）企業經營風險部分，假如企業的前景較不明確，經營風險可能較高，在. 28.

(37) 揭露 MD&A 時可能會顯得相對保守，與一致性指標呈負相關。企業地區部門數量以該企業地區部門數量+1 後再取 LN 值計算。 f.企業報表科目數量（NFIit）企業經營風險部分，假如企業的前景較不明確，經營風險可能因此較高，在揭露 MD&A 時可能會顯得相對保守，與一致性指標呈負相關。企業報表科目數量是從 Compustat 資料庫上能取得之企業完整的報表科目數量來計算。 g.企業會計應計項（ACCit）應計項目會使企業管理者可能使用較為樂觀的 MD&A 語調，可能與. 治政一致性指標呈正向關（Li 2010）。但是也有研究證實應計項目越大，企業大立管理者理應會有較為保守的 MD&A 揭露政策，會與企業未來績效呈負相 ‧ 國. 學. 關。因此會計應計項呈現不確定之結果（mixed results），本研究藉由實證結. ‧. 果來加以證實。企業會計應計項以企業盈餘減去來自營業活動之現金後再除. sit. y. Nat. 以總資產帳面價值來計算。. io. er. h.企業年度購併事件（MAit）. 企業重大事件如購併、現金增資等發生時，企業的揭露會趨於保守，. al. n. iv n C 與一致性指標呈負相關（Li h 2010）。若企業該年曾發生購併事件，則 MA engchi U 的虛擬變數值為 1，若無則為 0。 i.企業年度現金增資事件（SEOit）. 企業重大事件如購併、現金增資等發生時，企業的揭露會趨於保守，與一致性指標呈負相關（Li 2010）。若企業該年曾發生現金增資事件，則 SEO 的虛擬變數值為 1，若無則為 0。 j.企業成立年數（AGEit）企業草創初期一般會面臨較大的經營風險，因此 MD&A 資訊的揭露通常會趨向保守，會與一致性指標呈負相關（Li 2010）。企業成立年數是. 29.

(38) 以該企業最早出現於 CRSP US Stock Database 中的年度來計算。 k.企業之分析師追蹤人數（ACOVit）分析師追蹤人數會正面地影響其 MD&A 資訊揭露的品質（Clarkson et al.1994），因此可合理推論分析師追蹤人數愈多時，MD&A 資訊的揭露會趨向保守。該企業之分析師追蹤人數使用年度末曾提出該公司盈餘預測之分析師人數，資料將取自於 Institutional Brokers Estimation Service (IBES)資料庫。. 立. 政治大. ‧. ‧ 國. 學. n. er. io. sit. y. Nat. al. Ch. engchi. 30. i Un. v.

(39) 表 3. 3 變數. 一致性模型變數定義與衡量. 預期. 變數定義. 方向應變數：依照一致性指標的定義所編碼出的類別變數再乘. Consistencyit. 上 COS 值. 解釋變數：. 政治大＋公司之盈餘/總資產帳面價值立－. －. 普通股每股市價除以每股帳面價值. －. 企業地區部門數量+1 後再取 LN 值. －. Compustat 資料庫取得之企業完整的報表科目數量. y. sit. io. NFIit. 企業過去三年盈餘標準差. Nat. NSEGit. －. ‧. MTBit. －. 學. EVOLit. ‧ 國. EARNit. 公司市值取 LN 值. er. SIZEit. a l 盈餘減去來自營業活動之現金後再除以總資產帳 iv n C hengchi U －面價值＋. MAit. －. 該年曾發生購併事件數值為 1，無則為 0. SEOit. －. 該年曾發生現金增資事件數值為 1，無則為 0. AGEit. －. 企業最早出現於 CRSP US Stock Database 中的年. n. ACCit. 度 ACOVit. －. 年度末曾提出該公司盈餘預測之分析師人數. 31.

(40) 肆、實作結果與分析一、蒐集研究樣本以美國上市公司 2004 至 2014 年為止，所揭露的企業 MD&A 與財務資料為樣本來進行分析。 1. 非量化資料：美國企業的 MD&A 資訊存在於企業年報的 Item7 部分，研究初期估計美國企業眾多，樣本數量龐大，以人工方式擷取資料勢不可行，為了擷取 Item7 裡的 MD&A 資訊，本研究撰寫程式從美國 EDGAR 資料庫中，由電腦程式自動擷取相關企業年報的 Item7 部分資料。 2. 量化資料：和 MD&A 作為互相參照的企業財務比率資料則以人工方式，由 Compustat 資料庫下載而得。. 立. 政治大. 3. 實證模型資料：企業重大事件中的 MA 與 SEO 採用 SDC platinum 資料庫的. ‧ 國. 學. 資料；企業成立年數（AGE）取自 CRSP US Stock Database 中的年度來計算；企業之分析師追蹤人數取自 Institutional Brokers Estimation Service (IBES)資. ‧. 料庫。. Nat. sit er. io. 1. 抽取資料：. y. 二、MD&A 資料分析. al. n. iv n C hengchi U 部分。由於下載的資料量龐大，且各個企業與各個年度資料形式頗有差異，因. 撰寫程式經由美國 EDGAR 資料庫中取得 10-K 文件，再擷取其中的 Item7. 此首先經由程式進行去表格，處理程式無法辨識表格的問題，剩下純粹文字的部分來進行分析，再者由於英文的文字會有時態、大小寫，但是事實上可能是同一詞彙意思，因此接著便是由程式來處理英文的這部分，由純粹文字的資料部分經由程式進行字根還原，去除連接詞、介係詞，大小寫的處理還有文字的標準化，接著為了避免導致衡量 MD&A 語調上的誤差，因此去除 MD&A 中具有 FLS 性質的文句。 2. 計算詞頻：將處理好標準化的文字資料，接著利用 10 摺法來進行分群，本研究利用 10 摺法將資料分為 10 群，其中的 1 群列為組外部分視為測試群組，剩下的 9 群列為組內部分來訓練模型，之後再將訓練出來的模型以組外的 1 群測試群組 32.

(41) 進行測試來求得分類正確率，由於是利用 10 摺法來進行分群，因此每 1 群組皆會擔任到 1 次的測試群組，並且會擔任到 9 次的訓練群組，如此反覆總共計算 10 次，計算文件斷詞後的詞頻數。 3. K-Means 進行分群：經過前面步驟後，接著導入 Loughran and McDonald（2010）正負向詞典，將各個文件斷詞後的詞頻數與正負向詞典做比對，計算文章中詞彙的正負向程度，接著彙總計算每篇文章的分數。由於每家公司的 MD&A 所比對出來的數量不一致，假如使用絕對分數顯失公帄性，因此本研究先將每間公司所計算出的正負詞的分數，除以每間公司所有比對正負詞的數量，再代入 K-Means 進行分群，分成正面、中立與負面這三種公司。公式概要如下：公式=[. 政= 治正向詞的數量，大所有比對詞的數量正向詞的數量+負向詞的數量立負向詞的分數負向詞的數量正向詞的分數. ‧ 國. =. 正向詞的數量+負向詞的數量. 學. 所有比對詞的數量. ]. 利用 K-Means 方法區分出正面、中立與負面這三種群組後，再將這三個群組. ‧. 分別計算 TFIDF，至此以產生該群組的特徵向量。. sit. y. Nat. 4. 文件向量. io. er. 利用 10 摺法分出 9 群列為訓練群組後，剩下 1 群未投入訓練的即為測試群組，該群組的 MD&A 資料直接計算 TFIDF，產生該群組的文件向量，接著. n. al. Ch. i Un. v. 便是以 VSM 法將該測試群組的文件向量與上述的特徵向量之間計算餘弦相似. engchi. 度，假設愈接近某一特徵向量即將該份文件歸類至該類別，分類的結果亦可能是正面、中立與負面這三個群組。. 三、財務資料分析財務資料則是由 Compustat 資料庫中選取相對應 MD&A 的資料，下載並轉換成 SAS 軟體的檔案，經由 SAS 軟體來撰寫程式碼整理分析財務比率，整理完資料後接著計算其與前一年度的改變幅度，計算完與前一年度的改變幅度後再利用 K-Means 將財務資料進行分群，本研究選定償債能力比率、獲利能力比率與經營效率比率做為分群的依據，並且分成佳（Good）、中等（Moderate）與不佳（Bad）三群。 33.

(42) 四、MD&A 資料分群與財務資料分群一致性分析經過前項各個步驟，得到 MD&A 資料分群與財務資料分群的結果，MD&A 資料從 EDGAR 上擷取後，和 Compustat 中財務資料作相對應，經由程式確認資料齊全之樣本，供做用來分析的檔案。 MD&A 資料分成正面、中立與負面三群，財務資料分群則是佳、中等與不佳三群。MD&A 的表達可能會因為企業管理階層的經營風格或特殊情況而顯得較為主觀，財務資料的部分則是因為經過會計師查核，因此可以直接假設係為允當表達，本研究將 MD&A 資料分群與財務資料分群做一分析比較，以此建立一. 政治大 MD&A 資料的處理過程和樣本數的變化大致說明如下：從 EDGAR 網站上立. 致性指標，所定義出的表格參見表 3.2 一致性指標。. ‧ 國. 學. 擷取得到的原始檔案總數有 83455 筆。第一次處理：將 MD&A 資料和從 Compustat 中取得之財務資料比對所有檔案後，CIK5碼有相同者的檔案數為 9451 筆。第二. ‧. 次處理：確認 Compustat 中財務資料齊全者，資料齊全且能有對應的 CIK 碼之檔. sit. y. Nat. 案數量為 5020 筆。第三次處理：擷取 Item7 部分資料的程式真正能從檔案中獲. n. al. er. io. 得 Item7 的檔案數，得到 Item7 的檔案總數 4996 筆。第四次處理：扣除部分 Item7. i Un. v. 擷取出來是呈現空白或是僅有表頭標題者，實際上真正可以使用的檔案總數為 4696 筆。. Ch. engchi. 經由上述一致性指標分析過後，本研究至此共得 4464 份樣本，其中共 1886 個樣本顯示為「悲觀」，1911 份樣本顯示為「保守」，601 份樣本顯示為「持帄」，有 62 份樣本顯示為「樂觀」，另有 4 份樣本顯示為「誇大」。本研究預期將誇大（Exaggerate）編碼為 2，樂觀（Optimistic）編碼為 1，持帄（Fair）編碼為 0，保守（Conservative）編碼為-1，悲觀（Pessimistic）編碼為-2，進而再乘上餘弦向量距離值來進行後續的迴歸統計分析。為了適當結合 MD&A 資料分群與財務資料分群的結果，本研究利用 SAS 軟. 5. CIK（Central Index Key）為 EDGAR 網站上之公司代號。 34.

(43) 體協助進行一致性指標的評估。利用 SAS 軟體，將 MD&A 資料與相對應的財務資料編寫程式碼做一個結合，刪除不必要的資料，僅保留 MD&A 資料與財務資料皆共同擁有的部分，資料處理完畢後，同樣利用 SAS 軟體編寫程式碼來進行敘述性統計、迴歸分析與穩健性測試的第一法：改變 MD&A 語調一致性計算方法。至此讀取的研究樣本顯示剩下 1662 筆，刪除 19 筆遺漏值後，使用的研究樣本數為 1643 筆。. 立. 政治大. ‧. ‧ 國. 學 er. io. sit. y. Nat. al. n. 圖 4-1 在 SAS 上 tone 欄位顯示一致性指標. Ch. engchi. 35. i Un. v.

(44) 五、實證結果與分析 (一) 敘述性統計分析本研究模型之應變數皆為企業 MD&A 資訊語調與當期財務績效的一致性指標，預期將誇大編碼為 2，樂觀編碼為 1，持帄編碼為 0，保守編碼為-1，悲觀編碼為-2。判斷樣本公司之 MD&A 揭露一致性，解釋變數包含如：企業規模、企業當期經營績效、企業年度現金增資事件與該企業之分析師追蹤人數等。模型之應變數的帄均數為-0.2172，中位數為-0.1913，標準差為 0.1400，最小值為-0.5643，最大值為 0.2152。. 政治大. 企業當期經營績效(EARN)的帄均數為 0.0303，中位數為 0.0467，最小值與. 立. 最大值則分別為-2.1545 與 0.9017，顯示大部分樣本公司數字皆集中在帄均數至. ‧ 國. 學. 最大值之間，少部分在帄均數至最小值之間。. ‧. 企業市價淨值比（MTB）的帄均數為 1.9379，中位數為 1.5400，最小值與最大值則分別為 0.4675 與 11.6913，顯示大部分樣本公司普通股每股市價除以每股. y. Nat. io. sit. 帳面價值皆集中在帄均數附近，最大值則是遠離了帄均數，達到了 11.6913。. n. al. er. 企業報表科目數量（NFI）的帄均數為 2.5168，中位數為 2.5211，最小值與. Ch. i Un. v. 最大值則分別為 2.3711 與 2.5843，不論是最小值或最大值，數字都很接近帄均. engchi. 數，顯示樣本企業的報表科目數量相近。. 年度末曾提出該公司盈餘預測之分析師人數（ACOV）的帄均數為 12.2208，中位數為 9，最小值與最大值則分別為 1 與 58，顯示樣本公司包含了尚未為人所熟悉之樣本公司，亦包含已經成熟營運之樣本公司。. 36.

(45) 表 4. 1. 一致性指標敘述性統計量. 帄均數. 中位數. 標準差. 最小值. 最大值. -0.2172. -0.1913. 0.1400. SIZE EARN EVOL MTB. 7.04693 0.0303 0.0414 1.9379. 7.0612 0.0467 0.0233 1.5400. 1.8362 0.1505 0.0602 1.2303. 1.2205 -2.1545 0.0004 0.4675. 12.2602 0.9017 0.6418 11.6913. NSEG NFI ACC MA SEO AGE ACOV 樣本數：. 1.3142 2.5168 -0.0619 0.1239 0.0108 25.0626 12.2208. 1.0986 2.5211 -0.0495 0 0 18 9. 0.5663 0.0326 0.0987 0.3396 0.1035 20.0075 10.4148. 0.6931 2.3711 -1.3612 0 0 -5 1. 3.5264 2.5843 0.8411 1 1 89 58. 應變數: Consistency. -0.5643. 0.2152. 解釋變數:. 學. ‧ 國. 立. 政治大. ‧. 1643. 研究期間： 2004年至2014年. n. al. er. io. sit. y. Nat. 變數定義見表 3.3。. Ch. engchi. 37. i Un. v.

(46) (二) 迴歸分析表 4. 2 顯示一致性指標的迴歸結果，其中第一欄為模型的預期方向，次欄報導模型的係數結果，模型樣本數為 1643 筆，模型的調整後 R 帄方為 0.0551，具有解釋力。模型 4. 1 的迴歸結果顯示，解釋變數中的公司市值（係數-0.0132）、市價淨值比（係數 0.0134）以及公司盈餘預測之分析師人數（係數-0.0017）皆達 1％顯著水準。企業盈餘變異度（係數-0.1459）與企業成立年數（係數 0.0004）則皆有 5％顯著水準。由以上結果可知，企業規模、企業風險程度、分析師追蹤人數與企業成立年. 政治大. 數皆會深深影響 MD&A 語調的一致性。公司規模愈大，愈會受到投資者、媒體. 立. 等更多的關注與報導，因此企業管理者理應會更重視利害關係人對企業報導品質. ‧ 國. 學. 的評價，而小規模公司人力物力有限，總結以上皆與一致性指標呈負相關。而企. ‧. 業面對不確定的未來情況，企業風險程度較高，在揭露 MD&A 語調時亦會趨向保守，盈餘變異度即與 MD&A 一致性呈現負相關。分析師追蹤人數愈多時，對. y. Nat. 成立年數反而是正面地影響 MD&A 語調。. n. al. Ch. er. io. sit. 於企業也會面臨較高的經營風險，在揭露 MD&A 語調時同樣會趨於保守。企業. i Un. v. 在第參章假說部分，當期經營績效（EARN）尚未確定與 MD&A 語調一致. engchi. 性的影響方向，實證結果發現其與 MD&A 語調呈現正相關。應計項目（ACC）在第參章假說部分也尚未確定其影響方向，實證結果顯示其與 MD&A 語調亦呈現正相關。不過當期經營績效與應計項目與 MD&A 語調一致性的正向關聯並沒有達到顯著的程度。和預期方向不同的項目，如市價淨值比、企業部門數量與報表科目數量，或是企業成立年數等，預期方向是參考過去學者有關 MD&A 相關的研究所發展而來，由於可能討論不同議題或與本研究使用不同方法來計算處理非量化資料，在結果上難免會有出入，並無絕對的對錯。. 38.

(47) 表 4. 2 一致性指標的迴歸結果 Consistencyit = a0 + β1SIZEit + β2EARNit + β3EVOLit + β4MTBit + β5NSEGit + β6NFIit + β7ACCit + β8MAit + β9SEOit + β10AGEit + β11ACOVit + εit （模型 4. 1）預期方向. 模型. 截距項. -0.6051**. 解釋變數－＋. SIZE EARN. y er. sit. ‧ 國 al. ‧. －. n. Adj 𝑅 2. io. ACOV 樣本. Nat. MA SEO AGE. 立. 政治大. 學. EVOL MTB NSEG NFI ACC. －－－－－＋－－－－. -0.0132*** 0.0165. Ch. engchi U. 1.* p<0.1, ** p<0.05, *** p<0.01。 2.變數定義見表 3.3。. 39. v ni. -0.1459** 0.0134*** 0.0024 0.1847 0.0133 0.0171 0.0507 0.0004** -0.0017*** 1643 0.0551.

(48) （三）穩健性測試本研究為測試前面迴歸分析的敏感性，特別設計三個穩健性測試的方法，分別是利用改變 MD&A 語調一致性計算方法、加入年度與產業的虛擬變數以及除了加入年度與產業的虛擬變數外，再加入 White (1980) Robust Standard Error 變數，測試這三個方法的實證分析結果與模型 4.1 的主要結果有無差別。以下分別講解三個不同的穩健性測試方法與其實證分析結果： 1.改變 MD&A 語調一致性計算方法方法一是將應變數的 MD&A 語調計算方法改變，本研究前面章節曾描述過， MD&A 語調計算是將每間公司所計算出的正負詞的分數，除以每間公司所有比. 政治大. 對正負詞的數量，再代入 K-Means 進行分群，分成正面、中立與負面這三種公. 立. 正負詞的分數. 所有比對詞的數量. =. 學. 公式=. ‧ 國. 司。方法一便是將計算公式改變如下：正向詞的數量−負向詞的數量正向詞的數量+負向詞的數量. ‧. 同樣利用 K-Means 方法區分出正面、中立與負面這三種群組後，再將這三個群. sit. y. Nat. 組分別計算 TFIDF，至此以產生該群組的特徵向量。之後的動作和前述相同，這. io. er. 裡不再贅述。利用改變計算 MD&A 語調一致性方法，來判斷和前面迴歸結果有. al. n. iv n C 結果顯示如表 4. 3，模型 4. 2h的迴歸結果顯示，解釋變數中的企業規模（係 engchi U. 無不同。. 數-0.0130）、市價淨值比（係數 0.0134）與分析師追蹤人數（係數-0.0017）皆達 1％顯著水準。盈餘變異度（係數-0.1448）與企業成立年數（係數 0.0004）則皆有 5％顯著水準。將應變數的 MD&A 語調計算方法改變後，對於迴歸分析的結果，模型 4.2 與模型 4.1 相比，各個解釋變數的方向性與顯著性並無差別，只有係數的些微不同，大致上來說結果與模型 4.1 的主要迴歸分析結果並無二致。. 40.

(49) 表 4. 3 一致性指標的迴歸結果（改變 MD&A 語調一致性計算方法） Consistencyit = a0 + β1SIZEit + β2EARNit + β3EVOLit + β4MTBit + β5NSEGit + β6NFIit + β7ACCit + β8MAit + β9SEOit + β10AGEit + β11ACOVit + εit （模型 4. 2）預期方向. 模型. 截距項. -0.6072**. 解釋變數－＋. SIZE EARN. y er. sit. ‧ 國 al. ‧. －. n. Adj 𝑅 2. io. ACOV 樣本. Nat. MA SEO AGE. 立. 政治大. 學. EVOL MTB NSEG NFI ACC. －－－－－＋－－－－. -0.0130*** 0.0159. Ch. engchi U. 1.* p<0.1, ** p<0.05, *** p<0.01。 2.變數定義見表 3.3。. 41. v ni. -0.1448** 0.0134*** 0.0023 0.1852 0.0130 0.0172 0.0507 0.0004** -0.0017*** 1643 0.0547.

(50) 2. 加入年度與產業的虛擬變數方法二則是在模型中加入年度與產業的虛擬變數，在原來的模型 4.1 中加入 FYEAR 與 SIC-IND，模型的應變數與其他解釋變數與前述均相同，考慮在不同年度經濟情況的不同可能帶來的影響，以及不同產業別可能會有的不同經濟循環等，測試模型因為加上了公司樣本不同年度的經濟情況與不同產業別的資料後，是否維持與主要模型類似的結果。結果顯示如表 4. 4，模型 4. 3 的迴歸結果顯示，解釋變數中的公司市值（係數-0.0092）、市價淨值比（係數 0.0118）、企業成立年數（係數 0.0006）以及公司盈餘預測之分析師人數（係數-0.0018）皆達 1％顯著水準。盈餘變異度（係數. 政治大. -0.1424）有 5％顯著水準。而公司現金增資事件（係數 0.0631）則有 10％顯著. 立. 水準。. ‧ 國. 學. 加入年度與產業的虛擬變數後，模型 4. 3 相較前述迴歸模型發生了一些變化，. ‧. 模型 4.3 的企業成立年數從模型 4.1 原先的 5％（係數 0.0004），增加到模型 4.3 的 1％（係數 0.0006）。而企業現金增資事件則是從模型 4.1 原先的不顯著（係數. y. Nat. er. io. sit. 0.0507）變成模型 4.3 的具有 10％（係數 0.0631）的顯著性。而其他的解釋變數不論方向性或顯著性皆維持與模型 4.1 相同，僅僅係數稍有不同。. n. al. Ch. i Un. v. 加入年度與產業的虛擬變數後，因考量了不同年度經濟情況的不同可能帶來. engchi. 的影響，因此企業成立年數和 MD&A 語調一致性的關聯從原先的 5％增加到 1 ％，變得更為顯著。而企業現金增資事件從模型 4.1 的不顯著到模型 4.3 變得有 10％的顯著性，理應為在特定年度或特定產業別中，樣本公司有比較重要的現金增資情形，使得該變數變成具有顯著性。. 42.

(51) 表 4. 4 一致性指標的迴歸結果（加入年度與產業的虛擬變數） Consistencyit = a0 + β1SIZEit + β2EARNit + β3EVOLit + β4MTBit + β5NSEGit + β6NFIit + β7ACCit + β8MAit + β9SEOit + β10AGEit + β11ACOVit + β12FYEARit + β13SIC-INDit + εit. （模型 4. 3）預期方向. 模型. 截距項. -0.3269**. 解釋變數－＋－. －. Ch. engchi U. 1.* p<0.1, ** p<0.05, *** p<0.01。 2.變數定義見表 3.3。. 43. y. sit. ‧ 國 al. ‧. 樣本. －－. n. ACOV. io. SEO AGE. －－－＋－－. Nat. MA. 立. 政－治大. 學. EVOL MTB NSEG NFI ACC. -0.0092*** 0.0011. er. SIZE EARN. v ni. -0.1424** 0.0118*** 0.0046 0.1691 0.0417 0.0079 0.0631* 0.0006*** -0.0018*** 1643.

(52) 3. 模型 4. 3 再加入 White (1980) Robust Standard Error 變數方法三類似方法二，是加入一項新的解釋變數，在模型中加入年度與產業的虛擬變數後，再加入 White (1980) Robust Standard Error 變數，模型的應變數與其他解釋變數與前述均相同，另外再加入 White (1980) Robust Standard Error 變數，測試模型是否仍舊會維持與主要模型類似的結果。結果顯示如表 4. 5，模型 4. 4 的迴歸結果顯示，解釋變數中的公司市值（係數-0.0092）、市價淨值比（係數 0.0118）、公司成立年數（係數 0.0006）以及公司盈餘預測之分析師人數（係數-0.0018）皆達 1％顯著水準。盈餘變異度（係數 -0.1424）有 5％顯著水準。而公司現金增資事件（係數 0.0631）則有 10％顯著水準。. 政治大. 立. 在模型中加入年度與產業的虛擬變數外，再加上 White (1980) Robust. ‧ 國. 學. Standard Error 變數的結果，發現不論是係數、與 MD&A 語調的方向性或是顯著. ‧. 性，與前述方法二中僅加上了公司樣本不同年度的經濟情況與不同產業別的資料，其結果顯示皆為相同。因此模型 4. 4 與模型 4. 1 的關係亦同於模型 4.3 與模型. y. Nat. n. er. io. al. sit. 4. 1 的關係，擁有相同的結果。. Ch. engchi. 44. i Un. v.

(53) 表 4. 5 一致性指標的迴歸結果（模型 4. 3 再加入 White (1980) Robust Standard Error 變數） Consistencyit = a0 + β1SIZEit + β2EARNit + β3EVOLit + β4MTBit + β5NSEGit + β6NFIit + β7ACCit + β8MAit + β9SEOit + β10AGEit + β11ACOVit + β12FYEARit + β13SIC-INDit + β14ROBUSTit + εit. （模型 4. 4）. 預期方向. 模型. 截距項. -0.3269**. 解釋變數. －. engchi. 1.* p<0.1, ** p<0.05, *** p<0.01。 2.變數定義見表 3.3。. 45. y. sit. ‧ 國 Ch. ‧. al. -0.1424** 0.0118*** 0.0046 0.1691 0.0417. －－－. n. 樣本. io. ACOV. －－－－＋－. 政－治大. Nat. MA SEO AGE. 立. -0.0092*** 0.0011. 學. EVOL MTB NSEG NFI ACC. －＋. er. SIZE EARN. i Un. v. 0.0079 0.0631* 0.0006*** -0.0018*** 1643.

(54) 經由以上三個方法來進行穩健性測試後，不論是利用改變 MD&A 語調一致性計算方法，將 MD&A 語調所計算出的正負詞分數公式改變，與加入年度與產業的虛擬變數至模型中，或是另外再加入 White (1980) Robust Standard Error 變數至模型中，皆能得到具有顯著性的結果，都可以確認與本研究的主要模型迴歸分析結果均具一致性。. 立. 政治大. ‧. ‧ 國. 學. n. er. io. sit. y. Nat. al. Ch. engchi. 46. i Un. v.