天氣事件對台灣不同產業股價報酬率的影響 - 政大學術集成
64
0
0
全文
(2) i.
(3) 誌 謝 碩士班的兩年咻的一聲就到了，用時光飛逝尚不足以形容，歲月在忙碌的課 業和工作中轉瞬即逝。這段日子學習很多，伴隨而來的是許多壓力，成長速度有 點像是把過去數年的光景壓縮到短短兩年。 雖然如此忙碌，但休閒娛樂的時光也不在少數，感謝財管所認識的好夥伴育 賢、劍洲、韋丞、鈞元、宗霈、士豪等，以及金融所的玠寬，我們一起度過的歡 樂時光總是嫌少，你們也常常給我建議，照顧著我，幫我度過很多低潮的時刻。 顯修、蔡友、騰允和恒賓，我們都是認識超過十年的好朋友，感謝你們一路相伴， 與我們難能可貴的聚會。感謝阿威、丹尼、達叔幾個高中好友的陪伴，以及大學 文誠、訓禾、佳津、士益給我諸多幫助。謝謝你們陪著我走過這麼多，常常在我 需要你們的時候及時出現，有時陪我吃吃飯、有時陪我聊天談心，沒有你們，我 不會是現在的我。當然家人的支持是我最大的動力，雖然這些日子我常常沒辦法 回家吃飯，但我始終努力去珍惜我們相處的時間。最後也要感謝徐燕山老師，從 大學時代就已經受教於您，您帶給我的不僅僅是知識，還有很多很多的啟發，給 了我職涯的方向。 我們總是吝於表達感謝或者我們的感情，認為往往在試著寫下如這樣謝詞之 類的內容總顯得過於矯情，很難用三言兩語寫下內心誠摯的感激之情。總而言之 還是一個詞，除了感謝還是感謝。 2013 年七月誌於台北. ii.
(4) 摘要 近年來氣候變遷議題興起，天氣災害對於實體經濟的影響也愈來愈嚴重， 因此相關研究也開始在國際間出現，使用許多不同的角度來審視氣候變遷與天 氣事件對經濟的影響。 以台灣而言，最明顯的天氣事件便是颱風，而在近幾年因為氣候變遷，導 致颱風降雨型態變化，水文災害有愈來愈嚴重的趨勢，本研究的目的在研究台 灣重大氣候事件對於台灣產業的影響，以極端降雨前十名的颱風為事件，使用 事件研究法來確認颱風事件對股價報酬率的衝擊。選定的九個產業分別為水泥 工業、食品工業、航運業、營建業、汽車工業、觀光業、鋼鐵工業、油電燃氣 業和貿易百貨業。若以整體事件期間來看，食品工業、觀光業和油電燃氣業、 貿易百貨業的影響較大。分個別產業以 t 統計量檢定之，發現大部分股價報酬 率在颱風警報發布日加計前後三個交易日並未出現顯著的異常報酬，只有汽車 工業的受到較為明顯的負向影響。而如果以符號檢定來進行檢定，則可以發現 顯著性較 t 統計檢定來得高上許多，其中食品工業所受衝擊，無論在事件日前 後皆呈現明顯的負向影響，顯示颱風可能造成食品工業負向的異常報酬率；航 運業、營建業、和鋼鐵工業則出現了在事件日之前顯著偏正、事件日之後顯著 偏負的情形。水泥工業、汽車工業、觀光業、油電燃氣業與貿易百貨業相比起 來則相對比較輕微。兩種檢定結果相差甚多，可能是因為極端值的存在所造成 的影響。 從結果來看，颱風事件對於台灣股市確實存在其影響力，但效果在各個產 業間有所不同，並且隨著時間點的變化，可能會出現正負反轉的現象，也因此 可能造成在整體來看顯著性並不強烈的現象。以迴歸模式診斷，發現特定產業 的異常報酬率的確可以由雨量解釋之。 關鍵字：颱風、異常報酬、事件研究法、符號檢定 iii.
(5) Abstract Recently, the concern about climate change has become one of the hottest issues around the world. There are more and more related researches published, using different dimensions to evaluate the impacts of climate change and weather events on economy. In Taiwan, the most frequent weather event is typhoon. In addition, due to the climate change, the modes of typhoons’ rainfalls have changed drastically, making the damages and losses become worse and worse. This paper uses top-10 heavy-rainfall typhoons to identify whether there exists impact of typhoon on the stock returns of different industries in Taiwan. Industries include Cement, Food, Transport, Construction, Automobile, Tourism, Iron and Steel, Energy and Trading and department store, totaling nine industries. According to the sign test results, the impact of typhoons on stock returns is different from industry to industry. Food industry is affected negatively in the whole period. Transport, Construction, and Iron and steel industry have similar pattern, showing positive before the events and reversing to negative after the events. Other five industries present relatively small impacts. All in all, we can say typhoons do have impact on stock returns in Taiwan, but different industries are affected differently. Yet there is no statistical evidence shows that the abnormal returns may differ because of the strength of typhoons, and neither does the time. Using the regression model, we discover that “rainfall” is able to explain some specific industries.. iv.
(6) 目 錄 第一章 緒論 ............................................................................................................................. 1 第一節 研究動機與背景 ..................................................................................................... 1 第二節 研究問題目的 ......................................................................................................... 6 第三節 研究架構 ................................................................................................................. 7 第二章 文獻回顧 ..................................................................................................................... 9 第三章 研究方法 ................................................................................................................... 13 第一節 樣本選取 ............................................................................................................... 13 第二節 模型設定 ............................................................................................................... 15 第三節 報酬指數與加權股價指數 ................................................................................... 20 第四節 異常報酬率迴歸模型 ........................................................................................... 25 第四章 研究結果 ................................................................................................................... 26 第一節 不同產業異常報酬率 ........................................................................................... 26 第二節 t 統計檢定 ............................................................................................................. 30 第三節 符號檢定 ............................................................................................................... 36 第四節 迴歸分析 ............................................................................................................... 45 第五章 結論 ........................................................................................................................... 47 參考文獻 ................................................................................................................................. 49 附錄 ......................................................................................................................................... 51. v.
(7) 表目錄 表 1-1 芝加哥商品期貨交易所天氣商品 ............................................................... 4 表 3-1 TCCIP 颱風降雨強度排名 ......................................................................... 13 表 3-2 颱風期間重大事件一覽表 ......................................................................... 17 表 3-3 報酬指數與加權股價平均指數估計式比較 ............................................. 20 表 4-1 產業別符號檢定結果表 ............................................................................. 26 表 4-2 全樣本 t 統計量檢定結果 .......................................................................... 30 表 4-3 水泥工業 t 統計量檢定結果 ...................................................................... 30 表 4-4 食品工業 t 統計量檢定結果 ...................................................................... 31 表 4-5 航運業 t 統計量檢定結果 .......................................................................... 32 表 4-6 營建業 t 統計量檢定結果 .......................................................................... 32 表 4-7 汽車工業 t 統計量檢定結果 ...................................................................... 33 表 4-8 觀光業 t 統計量檢定結果 .......................................................................... 33 表 4-9 鋼鐵工業 t 統計量檢定結果 ...................................................................... 34 表 4-10 油電燃氣業 t 統計量檢定結果 ................................................................ 34 表 4-11 貿易百貨業 t 統計量檢定結果 ................................................................ 35 表 4-12 水泥工業符號檢定結果 ........................................................................... 36 表 4-13 食品工業符號檢定結果 ........................................................................... 37 表 4-14 航運業符號檢定結果 ............................................................................... 37 表 4-15 營建業符號檢定結果 ............................................................................... 38 表 4-16 汽車工業符號檢定結果 ........................................................................... 39 表 4-17 觀光業符號檢定結果 ............................................................................... 39 表 4-18 鋼鐵工業符號檢定結果 ........................................................................... 40 表 4-19 油電燃氣業符號檢定結果 ....................................................................... 41 表 4-20 貿易百貨業符號檢定結果 ........................................................................ 41 表 4-21 整體異常報酬率迴歸分析結果 ............................................................... 45 表 4-22 各產業迴歸分析結果 ............................................................................... 45. vi.
(8) 圖目錄 圖 1-1 天氣相關商品交易金額與交易量 ............................................................... 4 圖 1-2 研究架構圖 ................................................................................................... 7 圖 2-1 產業別天氣避險詢問度 ............................................................................. 10 圖 2-2 二氧化碳排放管制站企業稅前息前折舊攤銷前營業利益比重 ............. 11 圖 3-1 事件研究法 ................................................................................................. 17 圖 4-1 累積異常報酬年代際變化 ......................................................................... 27 圖 4-2 事件日=0 之食品工業異常報酬率分布圖 ............................................... 27 圖 4-3 事件日=0 之觀光業異常報酬率分布圖 ................................................... 28 圖 4-4 事件日=0 之油電燃氣業異常報酬率分布圖 ........................................... 29 圖 4-5 事件日=0 之油電燃氣業異常報酬率分布圖 ........................................... 29. vii.
(9) 第一章 緒論. 第一節 研究動機與背景 近年來由於氣候變遷議題躍升為國際間重要議題，世界銀行(World Bank)與 聯合國(United Nation, UN)紛紛將氣候變遷所導致的經濟衝擊，列為重要的討論 事項。目前世界各國普遍承認，工業發展造成溫室氣體如二氧化碳、甲烷、二氧 化硫等的排放增加，吸收太陽照射的紅外線熱能，導致氣溫上升；而氣溫上升伴 隨而來的是水循環的增強，使得熱帶風暴的威力也跟著增強，造成更大的經濟損 失。體認到此，1997 年召開的聯合國氣候變化綱要公約參加國第三次會議時，制 定了京都議定書(Kyoto Protocol)，目的在於穩定大氣中溫室氣體的濃度，以防止 劇烈的氣候改變造成人類的傷害。但由於中國大陸經濟的崛起，加上 2000 年以 後全球經濟的起伏，使得各國仍致力發展經濟，加上京都議定書缺乏約束力的情 形下，造成這些年來溫室氣體的排放不減反增。 時至今日，目前普遍認為氣候變遷已經無法避免，因此開始轉向如何調適氣 候變遷衝擊的研究，聯合國大學經濟與人文社會學院(United Nations University – Institute for Environment and Human Society, UNU-EHS)在 2012 年底發布針對氣 候變遷衝擊調適的政策方向建議，文中描述了氣候變遷災害與人文社會的相依性 與交互關係，希望提供各國政府面對氣候變遷損害衝擊的新思維，以採取新的政 策面對新的經濟社會環境，追求與氣候變遷衝擊的調和。 根據世界銀行的統計資料顯示，台灣屬高災害風險地區，天氣災害包括颱風、 寒害等等，尤其以水文災害為主，每每造成嚴重的經濟損失，國外的私人研究機 構1也有類似的結論。有鑑於此，我國國科會自然處永續學門自 2010 年起推動「台. 1. 例如 GERMANWATCH、WRMA 等等機構，有提供世界各地危害風險排名，台灣因天然災害 的經濟損失排名居 183 個國家中的第 26 位。 1.
(10) 灣 氣 候 變遷 推 估與 資訊 平 台 建置 計 畫 (Taiwan Climate Change Projection and Information Platform Project, TCCIP)」，來整合國內過去氣候變遷相關研究，並且 強化落實應用。而在其所發布的台灣氣候變遷科學報告(2011)中指出，台灣地區 極端降雨強烈颱風的發生頻率，在 2000 年以後有顯著增加的趨勢2。 無論是天災或是氣候變遷，其衍生出的新風險似乎已經無法避免，2010 年 美國證券交易委員會(Securities Exchange Commission, SEC)已開始建議在本身的 年報中(form 10-K)中揭露公司本身所面臨的氣候風險3，主要邏輯是因為如果氣 候風險明顯增加企業的曝險，在實質且重大的情況下，依現行法令本就應有所揭 露，到目前為止(2013 年 4 月)並未相關強制法令應運而生。歐洲國家如英國也開 始鼓勵管理階層對氣候風險進行揭露4，但同樣未列為強行規定。雖然如此，部分 跨國企業已開始在其年報上揭露氣候風險相關訊息，例如大型食品業者可口可樂 (Coca-Cola)股份有限公司，便在其 2012 年的年報中，表示未來氣候變遷可能導 致水資源缺乏與原料產量的減少，這兩項資源是可口可樂產品最重要的原料，如 果匱乏致使價格上升，將大大衝擊可口可樂的營運，符合公司實質且重大的風險， 故在年度報告中有所揭露。能源業者如馬拉松石油(Marathon Oil)則提出氣候變遷 應該會持續下去的觀點，因此必須注意由於氣候變遷而產生對於該產業的管制規 範，例如排放溫室氣體的限制、汙染設備革新、鑽探限制等等，都有可能對營運 產生莫大的衝擊，但並未給予量化依據。美國的保險產業更是率先一步，自 2012 年起，加州、紐約州和華盛頓州三個州的保險主管機關要求直接保費收入超過 3 億美元、並且在這三州任何一州有登記營業的保險業者，必須揭露其氣候風險部 位，也由於在美國營業的大部分保險公司皆在這三地有登記營業，因此影響十分 深遠。. 2. 報告中上針對氣溫、雨量有詳細的研究，包含短、中、長期的變化與北、中、南、東台灣地 區不同的橫斷面分析，結果均顯示台灣地區的確存在氣候變遷的變化，並且世界各個也都有此 一現象存在。 3 可參閱美國證券交易委員會 2010 年 2 月 8 日的新聞稿”Federal Register Part III.”。 4 詳見英國 Senior Management Arrangements, Systems and Controls (SYSC)。 2.
(11) 相較之下，台灣氣候風險揭露的觀念尚在萌芽階段，但未來這樣的趨勢應無 可避免，因此對於此項議題，我國實則有探究的價值。由於考量台灣屬於海島型 經 濟 ，進出口貿易為 維繫台灣經濟的主要 命脈，因此國內生產 毛額 (Gross Domestic Product, GDP)受到諸多因素影響，尤其是世界其他各國的經濟起伏，對 台灣存在重大的衝擊，如果直接以天氣因子對國內生產毛額的變化來做解釋，可 能會造成解釋力十分薄弱，反而無法得知天氣對於台灣產業的衝擊，這是因為國 內生產毛額必須經過一段時間的統計，且各產業有著自己的淡季與旺季，而天氣 事件持續時間短，其所可能造成的是產業短期間內的風險變化，例如在淹水時， 可能造成食品加工業短期間無法順利取得原料，必須仰賴其他支援，因此影響效 果可能只有一個月、兩個月，但在此期間內便造成該公司的營運困難，如果往後 天氣事件更加頻繁且嚴重，將意味著產業增添了額外的風險，如此一來可能會反 映到公司價值的減損，但其產出則未必會出現顯著的衰退或變化。 在此情形下，能夠迅速反應公司價值變化的便屬股票市場，股票市場最主要 提供資金需求者和資金供給者進行交易的市場，最主要提供企業向一般投資大眾 籌措資金的管道，投資人藉由企業公開的財務數據與報告書，來判斷該家公司是 否存在前景，藉以入股賺取報酬，而公司也就從中獲得了他所需要的資金來進行 投資，這樣的供給與需求影響了股價的變動，這樣的變化往往會牽涉到總體經濟 情況，包含企業與一般投資人對於未來經濟景氣的預期。除此之外，企業所公布 的一些訊息也會影響公司股價，例如某一家公司宣布要調降財務預測時，往往會 造成投資人對其展望轉趨悲觀，造成股價的下跌；這些資訊會提供給投資人，而 投資人會依其判斷來決定針對該項資訊要做出甚麼樣的決策。 除了股票的現貨市場，期貨市場對於天氣的相關議題發展較早，因此早已有 部分天氣期貨、選擇權等相關衍生性金融商品的發明。近幾年由於美國天災事件 頻傳，也使得該類商品的交易量明顯地上升，下表彙整目前在美國芝加哥商品交 易所(Chicago Mercantile Exchange, CME)交易的天氣期貨商品： 3.
(12) 表 1-1 芝加哥商品期貨交易所天氣商品 Temperature. Hurricanes. U.S. Cooling Monthly. Europe CAT Monthly. Hurricane. U.S. Cooling Seasonal. Europe CAT Seasonal. Hurricane Seasonal. U.S. Heating Monthly. Europe Heating Monthly. Hurricane Seasonal Maximum. U.S. Heating Seasonal. Europe Heating Seasonal. Frost. U.S. Weekly Weather. Asia-Pacific Monthly. Frost Monthly. Canada CAT Monthly. Asia-Pacific Seasonal. Frost Seasonal. Canada CAT Seasonal. Australia Cooling Monthly. Snowfall. Canada Cooling Monthly. Australia Cooling Seasonal. Snowfall Monthly. Canada Cooling Seasonal. Australia Heating Monthly. Snowfall Seasonal. Canada Heating Monthly. Australia Heating Seasonal. Rainfall. Canada Heating Seasonal. Rainfall Monthly Rainfall Seasonal 資料來源：CME Group、作者自行整理. 50,000. 1,000 983.8 32,100 800 730.0 600.3 600 19,310 15,340 400. 40,000 30,000 20,000 10,000 -. 1,200. 45,240 1,041.0. 9,697 223.1 4,709 4,339 4,188 1,836 2,959 2,517 0.7 1.3 2.8 3.4 7.2 21.3 1998 1999 2000 2001 2002 2003 2004 2005 2006 2007 2008. 交易金額(百萬美元). 200 -. 交易量(千筆) 資料來源：CME、MIC. 圖 1-1 天氣相關商品交易金額與交易量. 可以看到天氣類商品的需求愈來愈大，這與美國近年遭受強烈颶風如卡崔娜 等影響，可以看到 2005 年較 2004 年上升了四倍，便是受該颶風的災害所導致， 4.
(13) 2005 年全美一共遭受 28 個颶風侵襲，造成了嚴重的經濟損失，單就卡崔娜就導 致了 800 億美元的損失，災後的復原工作也投入了餘 1,000 億美元。美國農業部 (United States Department of Agriculture, USDP)也做過估計，天氣影響美國經濟的 比例約為七分之一。 但這樣的經濟衝擊事實上並非對每個不同產業產生了一樣的影響， Lazo(2011)研究美國不同產業對天氣事件的敏感度發現，不同的產業所受衝擊的 確不盡相同。因此本研究希望挑選出一些可能潛在相關的產業來進行研究，分別 選擇了水泥工業、食品工業、航運業、營建業、汽車工業、觀光業、鋼鐵工業、 油電燃氣業和貿易百貨業一共九個產業來進行研究，這幾個產業皆是與颱風事件 可能潛在相關的產業，效果也應因產業而有所不同。. 5.
(14) 第二節 研究問題目的 本研究的目的在於辨別出天氣對於台灣經濟的影響，以台灣重大的天氣事件 「颱風」做為事件，針對不同的產業計算異常報酬率，進而檢驗颱風對股票市場 異常報酬率的影響。針對這個目標，提出以下問題： 1.. 颱風是否會造成特定產業異常報酬？. 2.. 颱風的異常報酬是否與颱風強度有相關性？. 3.. 颱風的異常報酬是否和颱風的年度不同有相關性？ 針對這三個問題，本研究將以事件研究法的方式來進行影響效果的驗證，事. 件日以強度排名前十名的颱風警報發佈為事件日。 而產業的選擇則以水泥工業、食品工業、航運業、營建業、汽車工業、觀光 業、鋼鐵工業、油電燃氣業與貿易百貨業，約 200 家公司為樣本，來衡量颱風事 件對其所產生的影響。. 6.
(15) 第三節 研究架構 本研究的研究架構流程，可以以下圖表示之： 研究動機與背景. 研究問題確認. 樣本選擇與模型確定. 樣本選擇. 進行估計. t 統計檢定. 符號檢定. 迴歸分析. 結論 圖 1-2 研究架構圖 7.
(16) 8.
(17) 第二章 文獻回顧 事實上針對氣候與股市關聯性的研究並不少，但大多針對整體市場，鮮少直 接就某些產業進行研究。Saunders(1993)曾經探討過美國紐約市天氣對於股票交 易所的影響，發現天氣因素指標與指數明顯相關，其以行為財務學的觀點來做解 釋，在天氣較好的情況下，投資人與相關訊息公布者傾向為正面回應。除了投資 人與相關人士的心理因素以外，Miller 等學者(2008)、Barredo(2009)、Neumayer 與 Barthel(2010)的研究發現，天然災害所造成的損害，與經濟成長一樣快速。 Pielke 等學者(2008)、Nordhaus(2010)針對美國地區進行同樣研究，發現天然災害 的損失成長率甚至比經濟還要更為快速。 Schmidt(2009)、Neumayer 與 Barthel(2010)、Bouwer(2011)探究其成因，發現 這項結果最主要並非是因為氣候變遷所致，而是由於人口往經濟發展較為興盛的 沿海地區移動，這些沿海地區又正好是颶風常常侵襲的區域，因此導致天災發生 時所造成的傷亡與經濟損失接快速地成長。 台灣地處亞熱帶，又為一海島，因此颱風事件屢見不鮮，根據作者統計氣象 局公開資料庫，自 1958 年來，台灣地區一年平均約有 7 個颱風會發布警報，對 台灣帶來不小的經濟損失，近期 Lazo(2012)的研究，以四種不同的天氣因子，包 含加溫日數(Heating Degree Day, HDD)、降溫日數(Cooling Degree Day, CDD)、總 降雨量、以及降雨量的標準差，來解釋美國不同州與 11 個不同產業的國內生產 毛額(Gross Domestic Products, GDP)發現，美國整體約有 3.4%的 GDP 受到顯著 的天氣因子影響，以 2011 年的美國 GDP 來估計，規模達 4,850 億美元。而不同 產業所受的影響有所不同，其中以天然資源礦業的 14.4%最高，其次為農業部門 的 12.1%，接者依序為製造業(8.2%)、金融相關產業(8.2%)、公用事業(7.0%)。最 低的則為批發業(2.2%)與零售業(2.3%)。. 9.
(18) 對於颱風這類天然災害來說，影響最大的應該便屬農業，觀察台灣上市公司 產業，與農業相關性大的應屬食品工業及其相關通路產業。因颱風所導致的其他 災害如淹水，造成的車輛泡水，應會對汽車工業產生正面的影響。以及土石流等 造成房屋毀損、基礎建設損壞、通訊設施受創等，對於建材營造、水泥工業與鋼 鐵工業也當有正面影響。而颱風對於觀光事業也應是一大打擊，預期有負面的影 響。 資訊工業策進會(Institute for Information Industry)的產業情報研究所(Market Intelligence & Consulting Institute, MIC)針對天氣商品做過相關研究，分析美國產 業對於天氣避險需求詢問度的情形，結果如下圖：. 其他, 13% 建築, 4% 零售, 5% 農業, 7%. 其他, 15%. 其他, 26% 建築, 5% 零售, 7% 農業, 12%. 建築, 6% 零售, 9%. 其他, 37%. 農業, 14%. 建築, 7% 零售, 7% 農業, 11%. 能源, 69%. 2005. 能源, 46%. 能源, 47%. 2006. 2007. 能源, 38%. 2008. 資料來源：MIC, 2011. 圖 2-1 產業別天氣避險詢問度 從上圖可以發現，能源產業依舊是需求最大的產業類型，這是因為許多能源 供給相關的管制規定，尤其是開採過程中對於環境的傷害，以及產生的公害問題， 以至於政府對相關意識較為重視與了解。而農業部門由於近年氣候變遷明顯，天 災事件愈來愈多且強度愈來愈強，這樣的災害直接反應到農業本身，因此也有上 升的趨勢。值得注意的是，其他產業公司對於天氣避險的觀念已經愈來愈重視， 10.
(19) 但變動仍大，例如 2005 年天災嚴重，隔年 2006 年其他產業天氣避險的詢問度變 明顯提升，而 2007 年又快速回落便是證明。而零售業者關注相關天氣風險乃是 由於供應商的供貨，以及消費者需求的變化，對該產業可能同時產生正面與負面 的衝擊。建築業由於天氣災害可能造成工期延宕、在建工程的毀損等，產生負面 影響，但同時房屋毀損可能增加他的需求，但相較起來，需求可能較晚浮現，損 失則是在發生後便立即產生，因此可能在一開始出現負面的影響，之後可能轉為 較正面的效果。 除了天氣事件造成的損害以外，各國政府機關為了減緩氣候衝擊，可能會要 求企業的環境保護措施做得更為嚴謹，從而增加企業的管制成本，這也是企業所 面臨的另一種氣候風險。過去曾有跨國投資顧問公司(Innovest)針對該種氣候風 險進行統計，將該成本以企業的稅前息前折舊攤銷前營業利益(Earnings Before Interest, Tax, Depreciation and Amortization, EBITDA)的占比來表示，結果如下圖： 30.00% American Electric Power, 25.24% 25.00% Xcel, 21.45% 20.00% International Flavours & Fragrances, 15.94% 15.00% Eastman Chemicals, 10.49%. Alcoa, 9.72%. 10.00%. 5.00%. Praxair, 3.11% Du Pont, 1.42%. Exelon, 1.23%. Mylan Laboratories, 9.09% Union Pacific, 7.76%. CSX Corp., 2.92%. Newmont Mining, 1.14%. PG & E, 0.10%. Johnson & Johnson, 0.04%. 0.00% Electric Power Companies - N. America. Multi-Utilities & Unregulated Power. Diversified Chemicals. Specialty Chemicals. Max case. Metals & Mining Surface Transport Pharmaceuticals. Min case. 資料來源：Innovest, “Carbon Beta and Equity Performance, 2007”. 圖 2-2 二氧化碳排放管制站企業稅前息前折舊攤銷前營業利益比重 11.
(20) 由圖 2-2 可以發現，在最嚴格的排碳管制之下，電力事業所受的衝擊最大， 可以達到稅前息前折舊攤銷前營業利益的 20%以上；其次是高污染高耗能的化 學產業；而對環境高衝擊的天然礦業也有相當的衝擊。值得注意的是，如果在最 為輕微的管制之下，電力事業所受的影響也將最低，顯示該事業對於管制成本的 敏感性較大，意即面對政府管制的風險也較大，值得公司與一般投資人的注意。 另外近年來由於氣候變遷，颱風所致之天然災害也日形嚴重，例如淹水、土 石流等，而這些災害所形成的原因，追根究底可以說是因為極端降雨所導致，暴 雨、時雨量過大、降雨強度太強等，進而引起許多災害，使台灣面臨農業損失、 基礎建設的毀壞、人員的傷亡等，所付出的經濟成本自然不在話下。因此本研究 也依照雨量綜合指標所排出的前 10 大颱風進行研究，並區分出颱風期間與其前 後的影響，採用的方法以市場模式為指標下所求算出的累積異常報酬，如此一來 可以看出每天影響的不同，以及存在甚麼樣的趨勢。. 12.
(21) 第三章 研究方法. 第一節 樣本選取 本研究以台灣的產業為主要研究對象，選取的產業有水泥工業、食品工業、 鋼鐵工業、汽車工業、建材營造業、航運業、觀光業、油電燃氣業和貿易百貨業 共九個產業類別，以台灣證券交易所所編製的產業指數日報酬率為研究對象，以 及各產業中的個別公司的調整後日報酬率，樣本期間自 1987 年 1 月初至 2009 年 12 月底。 在颱風強度的區分部分，由於台灣受水文災害影響最鉅，因此根據國科會 TCCIP 2011 的颱風極端降雨資料排名，選出前十大強度最強的颱風事件，詳細 資料如下： 表 3-1 TCCIP 颱風降雨強度排名 雨量指標5. 死亡. 失蹤. 受傷. 全倒. 半倒. 備註. 2009/08/09. 0.91. 619. 76. 33. --. --. 農損 164 億. 1996/07/29. 1996/08/01. 0.73. 51. 22. 463. 503. 880. 琳恩. 1987/10/22. 1987/10/27. 0.59. 54. 9. 8. 254. 277. 2001. 納莉. 2001/09/08. 2001/09/19. 0.59. 94. 10. 265. 0. 0. 5. 2008. 辛樂克. 2008/09/11. 2008/09/16. 0.52. 15. 7. 26. 66. 7. 農損 8.8896 億. 6. 2005. 海棠. 2005/07/16. 2005/07/20. 0.50. 13. 2. 31. 0. 0. 農損 48.2145 億. 7. 2002. 娜克莉. 2002/07/09. 2002/07/10. 0.49. 2. 1. 10. 0. 0. 8. 2004. 敏督利. 2004/06/28. 2004/07/03. 0.48. 3. 1. 4. 270. 0. 9. 2007. 柯羅莎. 2007/10/04. 2007/10/07. 0.46. 9. 2. 57. 4. 26. 10. 2000. 象神. 2000/10/30. 2000/11/01. 0.44. 64. 25. 65. 0. 0. 排名. 年度. 颱風. 影響期間. 1. 2009. 莫拉克. 2009/08/06. 2. 1996. 賀伯. 3. 1987. 4. 農損 42.5623 億. 資料來源：國科會 TCCIP 2011. 5. 該降雨綜合指標由六種指標合成：(1)最大總雨量、(2)颱風整場平均雨量、(3)前五大降雨量平 均、(4)最大時雨量、(5)最大 6 小時延時雨量、以及(6)最大 24 小時延時雨量。 13.
(22) 本研究另外將時間序列資料加以分割，抽取出颱風影響期間加計前後各 3 個 營業日的資料，俾以分析之用。. 14.
(23) 第二節 模型設定 1. 資本資產定價模型 (a) 樣本選擇 本研究認為，颱風所帶來的影響效果可分成三個部分，警報前、警報後 與警報期間，這是因為在災害發生時，影響效果的提早反應與延遲反應。 (b) 模型設定 根據資本資產訂價模型(Capital Asset Pricing Model, 以下簡稱 CAPM)， 一個資產的預期報酬為無風險利率加上該資產承擔之系統性風險溢酬而得， 可以下列公式表示之： E(𝑅𝑖,𝑡 ) = 𝑅𝑓,𝑡 + 𝛽𝑖 [𝐸(𝑅𝑚,𝑡 ) − 𝑅𝑓,𝑡 ]. (1). E(𝑅𝑖 ): 資產𝑖之預期報酬率 𝑅𝑓 : 無風險利率 β: 系統風險係數 E(𝑅𝑚 ): 市場預期報酬率 而在真實情況下該式不可得，因此採用與股市大盤的連動來代替的市 場模型，並且經過移項後可得迴歸式： (𝑅𝑖,𝑡 − 𝑅𝑓,𝑡 ) = 𝛼 + 𝑅𝑓,𝑡 + 𝛽(𝑅𝑚,𝑡 − 𝑅𝑓,𝑡 ) + 𝜀𝑖,𝑡 𝑅𝑖 : 目標公司產業或股票報酬率 𝑅𝑓 : 無風險利率 𝛼𝑖 : 超額報酬率 β𝑖 : 系統風險係數，目標公司與指數報酬率之相關程度 𝑅𝑚 : 加權指數報酬率 15. (2).
(24) 𝜀𝑖 : 殘差項 其中無風險利率的選定，本研究以台灣銀行一年期的定存 利率來做為指標。 根據 CAPM，資產的報酬率由其承擔的系統風險所決定，以上式而言不 應該存在截距項。因此本研究的衡量方法將會驗證此截距項α是否顯著異於 0，如果異於 0 表示存在異常報酬，意味著有受到大盤指數以外的因素所影 響。. 2. 事件研究法 (a) 樣本選擇 在選擇前十大颱風資料為樣本來做研究時，由於樣本數大量減少，因此 利用資本資產定價模型會難以找出具顯著關係的係數，因此改採用事件研究 法。原理是依據某產業或某股票本身的累積超額報酬率是否具備顯著性，來 看該產業或公司與合理報酬是否存在不同。 另外由於異常報酬的形成因素複雜，可能源自選取公司本身的特性，也 有可能來自於個別產業的影響因素，因此為了去除這些效果，本研究採用產 業指數來分析累積異常報酬，目的在使個別公司的影響效果下降。 另外在產業的影響部分，本研究另外調查了重大新聞事件，這裡我們列 出與我們抽樣期間有所重複的重大事件，一共有十個事件，並找出颱風較無 相關的 7 個重大事件，2000/10/31、2001/09/19 和 2004/07/02 三個樣本為颱 風事件，用以往後分析時，須注意的部分。 在估計期的部分，所遭遇的一些重大新聞事件，在附錄有列表將之列出， 可供參考。 16.
(25) 表 3-2 颱風期間重大事件一覽表 日期. 期間. 2000/10/27. -1. 2000/10/31 象神. 事件 核四停建 華航班機在中正機場起飛，因象神颱風影響於起飛時失事，83 人死亡 71 人受傷. 2001/09/19 納莉 經濟損失超過 80 億，94 人死亡 2004/07/02 敏督利 敏督利颱風與西南氣流重創南台灣 2005/07/14. -2. 衛生署證實台灣出現瘧疾死亡病例. 2005/07/15. -1. 全民健保調漲. 2005/07/22. 2. 多所大學調漲學費. 2007/10/01. -3. 國防部軍備局採購弊案. 2008/10/01. 2. 國民年金正式開辦. 2009/08/04. -2. 基隆市、臺南縣市、澎湖縣夜間減壓供水. 在估計時點的選擇方面，整個時間點的選擇如下圖表示：. 估計期. 間隔. 事件期. 250 天. 20 天. 事件日. 圖 3-1 事件研究法. 在估計期與事件期中間間隔 20 天，以避免事件影響到估計的準確，事 件期以事件日的前三個與後三個交易日，一共七個交易日為事件長度，這是 因為一旦事件期過長可能會受到過多因素影響，因此本研究以颱風警報發布 為事件日，加以前後三個交易日為事件期，目的在於希望鎖定颱風事件的效 果；估計期則以 250 個交易日的日資料來進行估計，時間長度約為一年。. 17.
(26) (b) 模型設定 首先使用市場模式估計合理報酬，模型如下： 𝑅𝑖,𝑡 = 𝛼𝑖,𝑡 + 𝛽𝑖 𝑅𝑚,𝑡 + 𝜀𝑖,𝑡. (3). (c) 累積異常報酬(Cumulative Abnormal Return, CAR) 首先計算異常報酬率(Abnormal Return, AR)，計算方法如下： AR 𝑖,𝑡 = 𝑅𝑖,𝑡 − (𝛼𝑖,𝑡 + 𝛽𝑖 𝑅𝑚,𝑡 ). (4). 進一步加總可得累積異常報酬率： CAR = ∑𝑛𝑡=1 𝐴𝑅𝑖,𝑡. (5). 在檢定 CAR 時我們採用 t 統計量檢定之，t 統計量的計算如下式： 𝐶𝐴𝑅. t(CAR) = 𝜎(𝐴𝑅)×√𝑇. (6). 其中σ(AR): 異常報酬率之樣本標準差； T: 事件發生之期間。 (d) 符號檢定法(Sign Test) 符號檢定法為常見的無母數檢定法，指在母體分配未知的情況下， 仍能進行檢定的一種統計方法。在事件研究法中，符號檢定可以觀察橫 斷面個別公司的正負異常報酬率之比例是否異於 0.5。如果事件對於股 票報酬率不存在影響時，橫斷面各個公司正負異常報酬率的比例應該是 各佔一半(50%)，而檢定法同樣屬於 t 檢定，統計量計算公式如下：. 1. t = |𝑝 − 2| × [. 18. (1⁄2) 𝑁. 2. 1 2. −. ]. (7).
(27) 其中𝑝為事件其中異常報酬率大於 0 佔總樣本的比例； N 為樣本公司總數。 而如果在樣本數較少的情況下，不適用中央極限定理，無法近似常 態分配進行檢定，應直接以二項分配(Binomial Distribution)機率值的計 算來進行檢定。. 19.
(28) 第三節 報酬指數與加權股價指數 進行回歸估計時需要用到市場報酬率，在選擇時，應將所有股票所產生的報 酬一併納入，亦即無論是股票個股或者是市場皆應採用除權息調整的指數，所以 在抽樣時選擇除權息調整後的股價。但由於資料取樣自 1987 年開始，而證交所 自 1993 年後才漸進公布編制的報酬指數，因此會出現有部分資料兩者搭配不一 致的情形。而這樣的狀況下是否會造成回歸式估計結果的落差，因此針對有橫跨 兩者的時間區段直接進行比較，結果如下表： 表 3-3 報酬指數與加權股價平均指數估計式比較 Ranking 8 事件市場模式下之 beta 值，以事件日前 20 天之 250 天為樣本 時間跨度：2003/05/30~2004/05/27 股票代碼. 報酬指數. 加權股價指數. 1201 味全. 1.135299. 1.140016. 1203 味王. 0.9001816. 0.9047476. 1210 大成. 0.734496. 0.7376866. 1213 大飲. 0.356234. 0.3583211. 1215 卜蜂. 0.5850563. 0.5868572. 1216 統一. 1.184635. 1.187699. 1217 愛之味. 0.8089966. 0.8095079. 1218 泰山. 0.8858697. 0.8910159. 1219 福壽. 0.6924006. 0.6959601. 1220 台榮. 0.7298917. 0.7325194. 1225 福懋油. 0.7779431. 0.7836041. 1227 佳格. 0.7372585. 0.7389171. 1229 聯華. 0.9843161. 0.9864012. 1231 聯華食. 0.6056436. 0.6073596. 1232 大統益. 0.3558404. 0.3566669. 1233 天仁. 0.2320092. 0.2315868. 1234 黑松. 0.6923898. 0.69401. 1235 興泰. 0.2309925. 0.2304718. 1236 洪亞. 0.6260251. 0.6271071. 1702 南僑. 0.8654174. 0.8706908 20.
(29) 上櫃 4205 恆義. 0.297138. 0.297138. 4207 環泰. 0.2784031. 0.2779642. 4712 南璋. 0.6154009. 0.6179. Ranking 6 事件市場模式下之 beta 值，以事件日前 20 天之 237 天為樣本 時間跨度：2004/07/05~2005/06/17 股票代碼. 報酬指數. 加權股價指數. 1201 味全. 0.9205676. 0.9197811. 1203 味王. 1.046575. 1.046964. 1210 大成. 0.500742. 0.505115. 1213 大飲. -0.1250802. - 0.1205707. 1215 卜蜂. 0.7401498. 0.7356812. 1216 統一. 0.9752244. 0.9767149. 1217 愛之味. 0.962163. 0.9640545. 1218 泰山. 0.929119. 0.9268889. 1219 福壽. 0.06974272. 0.6986761. 1220 台榮. 0.6207212. 0.6200764. 1225 福懋油. 0.618732. 0.6186884. 1227 佳格. 0.4717318. 0.4691408. 1229 聯華. 0.8525962. 0.857247. 1231 聯華食. 0.6804613. 0.680623. 1232 大統益. 0.1790874. 0.1798396. 1233 天仁. 0.3124449. 0.3221955. 1234 黑松. 0.4742008. 0.4739017. 1235 興泰. 0.1098134. 0.1113392. 1236 洪亞. 0.4198118. 0.4213189. 1702 南僑. 0.7906722. 0.7904642 上櫃. 4205 恆義. 0.2064619. 0.2032284. 4207 環泰. 0.3146396. 0.3179291. 4712 南璋. 0.4704532. 0.4671373. Ranking 9 事件市場模式下之 beta 值，以事件日前 20 天之 250 天為樣本 時間跨度：2006/08/31~2007/09/03 股票代碼. 報酬指數. 加權股價指數 21.
(30) 1201 味全. 1.120821. 1.129713. 1203 味王. 1.019386. 1.006364. 1210 大成. 1.103503. 1.099435. 1213 大飲. 0.679757. 0.6833237. 1215 卜蜂. 0.8262645. 0.8246278. 1216 統一. 1.264262. 1.262724. 1217 愛之味. 1.240382. 1.232942. 1218 泰山. 1.143175. 1.147977. 1219 福壽. 0.9283889. 0.9242358. 1220 台榮. 0.6818671. 0.6855039. 1225 福懋油. 0.7997676. 0.8067583. 1227 佳格. 0.576586. 0.5836666. 1229 聯華. 0.897724. 0.8974988. 1231 聯華食. 0.8895024. 0.8908286. 1232 大統益. 0.5102245. 0.5093775. 1233 天仁. 0.3692926. 0.3744904. 1234 黑松. 1.123595. 1.118072. 1235 興泰. 0.0692681. 0.064607. 1236 洪亞. 0.6013284. 0.6045894. 1702 南僑. 1.040533. 1.0482 上櫃. 4205 恆義. 0.5973071. 0.5963633. 4207 環泰. 0.6278017. 0.6302711. 4712 南璋. 0.8179373. 0.8228275. Ranking 5 事件市場模式下之 beta 值，以事件日前 20 天之 211 天為樣本 時間跨度：2007/10/08~2008/08/13 股票代碼. 報酬指數. 加權股價指數. 1201 味全. 1.135502. 1.132817. 1203 味王. 0.9340357. 0.9315251. 1210 大成. 0.9504592. 0.9491348. 1213 大飲. 0.6424991. 0.6400623. 1215 卜蜂. 0.9352579. 0.9326815. 1216 統一. 1.058391. 1.053408. 1217 愛之味. 0.8852306. 0.88414. 1218 泰山. 0.939247. 0.9379766 22.
(31) 1219 福壽. 0.81. 0.8108425. 1220 台榮. 0.6456912. 0.6456331. 1225 福懋油. 0.6503558. 0.6533705. 1227 佳格. 0.5370221. 0.537069. 1229 聯華. 0.9928584. 0.99017. 1231 聯華食. 0.6162869. 0.609534. 1232 大統益. 0.4799656. 0.4822128. 1233 天仁. 0.2517778. 0.2492702. 1234 黑松. 0.9050654. 0.9032107. 1235 興泰. 0.0525758. 0.0582913. 1236 洪亞. 0.3762092. 0.3752189. 1702 南僑. 1.053066. 1.052688 上櫃. 4205 恆義. 0.0700261. 0.0705568. 4207 環泰. 0.5412036. 0.5371615. 4712 南璋. 0.5038325. 0.5038705. Ranking 5 事件市場模式下之 beta 值，以事件日前 20 天之 200 天為樣本 時間跨度：2008/09/17~2009/07/08 股票代碼. 報酬指數. 加權股價指數. 1201 味全. 0.9232739. 0.9233456. 1203 味王. 0.8319213. 0.8317822. 1210 大成. 1.076565. 1.076267. 1213 大飲. 0.619546. 0.6196913. 1215 卜蜂. 0.8811495. 0.8809378. 1216 統一. 0.7837182. 0.7827517. 1217 愛之味. 0.8518722. 0.8516673. 1218 泰山. 0.8939457. 0.8930558. 1219 福壽. 0.9703056. 0.9687673. 1220 台榮. 0.5772261. 0.5764061. 1225 福懋油. 0.9676883. 0.9672063. 1227 佳格. 0.7250197. 0.7254242. 1229 聯華. 1.024136. 1.022902. 1231 聯華食. 0.5882031. 0.5880474. 1232 大統益. 0.5992801. 0.5978619. 1233 天仁. 0.2925223. 0.2925958. 1234 黑松. 0.8822898. 0.8811387 23.
(32) 1235 興泰. 0.109839. 0.1097817. 1236 洪亞. 0.6228175. 0.6223165. 1702 南僑. 0.9266738. 0.9257914 上櫃. 4205 恆義. 0.2320319. 0.2330256. 4207 環泰. 0.5151157. 0.5148552. 4712 南璋. 0.428783. 0.4279469. 可以發現到這兩個估計值的落差並不明顯，平均的落差只有-0.00048，最大 差距也僅有 0.0132，對於在之後計算異常報酬率的影響有限，因此本研究直接採 用加權股價指數為抽取的樣本。. 24.
(33) 第四節 異常報酬率迴歸模型 依照前面介紹的方法求算出累積異常報酬率以後，本研究使用迴歸模型做進 一步的解釋。以颱風的特性來做為解釋的因子，模型與變數分述如下： 𝐶𝐴𝑅𝑖 = 𝛽0 + 𝛽1 𝑊𝑖𝑛𝑑𝑆𝑝𝑒𝑒𝑑𝑖 + 𝛽2 𝐴𝑙𝑎𝑟𝑚𝑖 + 𝛽3 𝑅𝑎𝑑𝑖𝑢𝑠𝑖 + 𝛽4 𝑅𝑎𝑖𝑛𝑓𝑎𝑙𝑙𝑖 + 𝜀𝑖 (8) 下標 i 表示 i 個樣本公司， 𝛽0 為迴歸模型的截距項，𝛽1 至𝛽4 則分別為 𝑊𝑖𝑛𝑑𝑆𝑝𝑒𝑒𝑑𝑖、𝐴𝑙𝑎𝑟𝑚𝑖、𝑅𝑎𝑑𝑖𝑢𝑠𝑖 、𝑅𝑎𝑖𝑛𝑓𝑎𝑙𝑙𝑖 各變數的迴歸係數，𝜀𝑖 為迴歸係數的 殘差項。 𝑊𝑖𝑛𝑑𝑆𝑝𝑒𝑒𝑑𝑖 為颱風的最大風速，與颱風的強度直接相關，數值愈大代表風 速愈強，所產生的破壞力也跟著愈大。 𝐴𝑙𝑎𝑟𝑚𝑖 代表颱風警告發布次數，可以代表該颱風對台灣的影響程度持續時 間的代表，以此來避免掉因為颱風假而暫停交易的因素。 𝑅𝑎𝑑𝑖𝑢𝑠𝑖 為颱風的七級風暴風半徑，可以反映出該颱風影響的規模大小，半 徑愈大表示其影響的區域範圍也愈大。 𝑅𝑎𝑖𝑛𝑓𝑎𝑙𝑙𝑖 為颱風在台北、台中、高雄、花蓮四個測站所測得的最大雨量，目 的是在於把颱風對不同區域所導致的不同影響給消除。降雨導致的水文災害是颱 風對台灣所造成的最大威脅，因此雨量可以反映出該颱風對於台灣所造成可能損 失的大小。. 25.
(34) 第四章 研究結果. 第一節 不同產業異常報酬率 針對不同產業所計算出的異常報酬率進行檢定，先以總共十個事件期間內不 同事件日的檢定結果整理如下表： 表 4-1 產業別符號檢定結果表 -3 水泥工業 食品工業 航運業 營建業 汽車工業 觀光業. -2. +1.897* 0.632 0.632 -2.530** 1.265 0.632 0.632 0.632. 鋼鐵工業 0.000 油電燃氣業 +1.897* 貿易百貨業 1.265. 0.000 1.265 0.632 0.632. -1. 0. 1. 2. 3. 0.000 1.265. 0.632 1.265. 0.000 1.265. 1.265 -2.530**. 0.000 0.000. 0.632 0.000 0.000 1.265. 1.265 1.265 -2.530** 0.632. 1.265 1.265 1.265 0.000. 0.000 -1.897* -2.530** 1.897* 0.000 -2.530**. 0.000 1.265 0.632. 0.632 1.265 1.265 -1.897* 0.000 0.632 -1.897* -1.897*. 0.632 0.632 0.632. 0.632 1.265 0.632. 0.632 1.265 1.897*. 從檢定結果來看，可以發現颱風事件對於各產業的影響效果以負向為主，其 中以颱風警報發布日當天(事件日 0)和發布日的後兩日(事件日 2)影響最為明顯。 若觀察產業間的不同，以食品工業、觀光業、油電燃氣業和貿易百貨業的影響較 大；航運業所受的影響最不明顯。 這十個颱風事件的年代不進相同，自 1987 年的賀伯颱風開始，至 2009 年的 莫拉克颱風，下圖以事件期間內異常報酬率的總和，依照年度順序繪製成下圖：. 26.
(35) 0.8 0.6 0.4 0.2 0 Rank 3 Rank 2 Rank 10 Rank 4 Rank 7 Rank 8 Rank 6 Rank 9 Rank 5 Rank 1 -0.2 -0.4 -0.6 -0.8 -1 -1.2. 圖 4-1 累積異常報酬年代際變化 從年代際變化來看，較早期的前五個颱風事件較無明顯趨勢，但自 2005 年 以後，似有呈現累計異常報酬愈來愈多的趨勢，但由於限於樣本數的緣故，未能 進一步做更多的檢定驗證。 進一步我們檢視受影響較明顯的三個產業裡，颱風的強度是否影響他們異常 報酬率的分布情形。 1. 食品工業 0.6 0.4 0.2 0 -0.2. Rank 1. Rank 2. Rank 3. Rank 4. Rank 5. Rank 6. Rank 7. -0.4 -0.6 -0.8 -1 -1.2 -1.4 -1.6. 圖 4-2 事件日=0 之食品工業異常報酬率分布圖 27. Rank 8.
(36) 可以發現強度愈強的颱風所造成的異常報酬率負向衝擊愈明顯，在雨量指 數愈強的時候，食品工業的異常報酬率負得愈多。 2. 觀光業 2 1.5 1 0.5 0 Rank 1 Rank 2 Rank 3 Rank 4 Rank 5 Rank 6 Rank 7 Rank 8 Rank 9 Rank 10 -0.5 -1 -1.5 -2. 圖 4-3 事件日=0 之觀光業異常報酬率分布圖 趨勢較不明顯，在排名第八的敏督利颱風與第九的柯羅莎颱風甚至出現正 向異常報酬，而最大的負向異常報酬則發生在排名第五的辛樂克颱風，較難發 現確切的整體趨勢，但主要以負向效果為主，與預期一致。 3. 油電燃氣業 2.5 2 1.5 1 0.5 0 Rank 1. Rank 2. Rank 4. Rank 5. Rank 6. -0.5 -1. 28. Rank 7. Rank 8. Rank 9 Rank 10.
(37) 圖 4-4 事件日=0 之油電燃氣業異常報酬率分布圖 可以看到排名第二的賀伯颱風呈現很明顯的正向效果，這可能與在當時相 關產業的樣本數過少有關，如果扣除此一事件，則整體受負向效果較為明顯， 但並沒有出現因為強度的不同而不同，在排名第六與第八的颱風更有正向的異 常報酬，這可能是因為颱風這類天氣事件對我國油電燃氣業的效果較不明確， 包含正向與負向的效果。例如颱風等天氣災害造成重建等能源需求，屬於正向 效果；而天氣事件造成相關能源取得產生困難，為負向效果。在國外這樣的事 件對油電燃氣業的負向效果較為明顯，是因為國外許多能源的取得出自於該國 本身的天然資源產出，天氣事件會影響其開採與運輸，並增生管制的疑慮，所 以負向效果較為顯著。相較之下台灣的能源仰賴進口，這一類的負向衝擊因而 較小。 4. 貿易百貨業 0.6 0.5 0.4 0.3 0.2 0.1 0 -0.1. Rank 1 Rank 2 Rank 3 Rank 4 Rank 5 Rank 6 Rank 7 Rank 8 Rank 9 Rank 10. -0.2 -0.3 -0.4 -0.5. 圖 4-5 事件日=0 之油電燃氣業異常報酬率分布圖 貿易百貨業呈現截然不同的情況，以趨勢來看，強度較強的颱風有較偏向正 向效果的現象，這可能是因為颱風來臨，民眾加緊添購民生必需品，在愈強的颱 風來襲時會有添購更多的趨勢，因此造成了這樣的情況。. 29.
(38) 第二節 t 統計檢定 有了這些數據以後，進一部針對這些異常報酬率進行檢定，來確定這些累積 異常報酬率是否在統計上達到顯著水準，以 t 統計量檢定之，首先呈現所有樣本 的檢定結果： 表 4-2 全樣本 t 統計量檢定結果 排名. 颱風名稱. 前三日. 前二日. 前一日. 事件日. 後一日. 後二日. 後三日. 1 2 3 4. 1.182 -0.276 0.012 0.952. 0.364 -0.414 -0.216 0.236. -0.290 0.148 -0.614 -0.106. -0.721 0.549 -0.669 -0.320. 0.324 0.226 0.006 1.725. 0.442 0.197 -0.458 -0.582. 0.135 0.357 -0.359 0.055. 5 6 7 8. 莫拉克 賀伯 琳恩 納莉 辛樂克 海棠 娜克莉 敏督利. 1.444 0.207 1.598 0.778. -0.016 0.004 0.143 0.946. 1.729 0.554 -0.344 0.535. -0.234 0.175 -0.254 1.095. 0.180 -0.042 0.985 0.488. -0.555 -0.181 -0.314 -0.129. -0.702 1.559 0.618 0.904. 9 10. 柯羅莎 象神. 0.539 -0.670. -0.294 0.678. -0.177 0.312. -0.042 0.294. 0.634 0.263. -0.343 0.841. -0.179 0.445. 可以看到所有的樣本均未能符合顯著水準 10%以上，意味著統計上無足夠 證據顯示異常報酬率在颱風警報發布日前三日至後三日這段期間內，異常報酬率 異於 0。以下分產業結果檢定6之：. 1. 水泥工業 表 4-3 水泥工業 t 統計量檢定結果 排名. 颱風名稱. 1 2 3 4 5. 莫拉克 賀伯 琳恩 納莉 辛樂克. 6. 前三日. 1.620 0.013 10.324*** - 0.015 0.153. 前二日. 0.331 - 0.482 - 1.007 - 0.024 - 0.072. 前一日. 0.195 0.585 - 3.148* - 0.200 0.536. 表中統計量後顯示***表示符合 1%顯著水準； ** 表示符合 5%顯著水準； * 表示符合 10%顯著水準。 30. 事件日. - 0.609 - 0.433 - 0.501 - 0.438 0.001. 後一日 **. 2.594 - 0.229 - 1.229 0.776 - 0.282. 後二日. 後三日. 0.239 1.133 - 2.069 - 0.600 - 1.070. - 1.121 - 0.464 -10.547*** 0.204 - 0.826.
(39) 6 7 8 9 10. 海棠 娜克莉 敏督利 柯羅莎 象神. 0.682 1.586 0.276 1.412 - 1.030. - 0.410 0.463 0.667 - 0.965 0.058. 1.551 - 0.141 1.448 - 2.545** - 1.333. 0.006 - 1.842 0.430 - 1.111 0.015. - 0.173 0.700 - 0.474 1.079 0.685. - 0.665 - 1.588 - 0.177 - 0.642 0.718. 1.530 1.241 1.437 - 1.094 0.070. 表中統計量後有「*」的多寡表示符合顯著性 1%、5% 和 10%的顯著水準。 可以發現，只有少數呈現顯著，尤其以排名第三的琳恩颱風顯著性樣本最多，但 這可能與樣本數少、造成標準差較小有關。. 2. 食品工業. 表 4-4 食品工業 t 統計量檢定結果 排名. 颱風名稱. 1 2 3 4 5 6 7 8. 前三日. 前二日. 前一日. 事件日. 後一日. 後二日. 後三日. 莫拉克 賀伯. 0.742 0.550 - 0.307 - 0.580 0.486 - 0.081 - 0.269 - 0.602 - 0.206 0.252 - 0.483 - 0.044. 0.282 0.832. 琳恩 納莉 辛樂克 海棠 娜克莉 敏督利. 1.362 0.200 0.655 - 0.008 0.435 0.074. - 0.935 - 0.956 - 0.946 - 0.837 - 0.228 - 0.629 - 0.480 0.351 - 0.442 0.438 - 0.089 - 0.071 - 0.515 0.071 0.266 - 0.083 - 0.085 - 0.691 - 0.222 - 0.061 - 0.051 0.026 0.172 0.128. - 0.993 - 0.445 - 0.453 - 0.449 - 0.025 0.179. - 0.024 0.229 - 2.171 1.676 - 0.516 0.562. 食品工業公司在柯羅莎與象神颱風期間缺少樣本，因此無法進行檢定。觀察 上表，所有的樣本皆無法達到統計上的顯著性，因此無法驗證其異常報酬率是否 顯著異於 0。但就異常報酬率的正負號來看，可以發現到事件日之前正負號趨勢 較不明確，但在事件日以後，負的異常報酬明顯較多，這可能是與颱風災害對於 食品原料的影響，往往要等到風災實際發生後才能對損失產生較準確的預期，因 此負向效果在颱風警報之後。. 31.
(40) 3. 航運業 表 4-5 航運業 t 統計量檢定結果 排名. 颱風名稱. 1 2 4 5 6 7 8 9 10. 前三日. 前二日. 前一日. 事件日. 後一日. 後二日. 後三日. 莫拉克 賀伯 納莉 辛樂克 海棠. 0.589 0.669 - 0.492 - 0.910 - 0.882 - 0.094 0.033 - 0.456 0.343 0.343 - 0.004 - 0.250 0.047 0.263 - 0.389 - 0.102 0.800 - 1.106 0.156 - 0.408 1.061 - 0.334 0.551 - 0.446 - 0.462 - 0.192 0.037 - 0.645 0.180 0.045. - 0.185 - 0.025 - 0.776 - 1.397 0.433. 娜克莉 敏督利 柯羅莎 象神. 0.320 - 0.531 - 0.304 - 0.482 0.323 0.272 0.945 1.049 0.584 0.592 0.090 - 0.825 0.912 - 0.054 - 1.207 - 0.863 0.630 0.457 - 0.574 0.316 - 0.097 0.116 - 0.253 - 0.009. - 0.631 0.871 - 0.049 0.438. 其中由於排名第三的琳恩颱風期間只有益航(2601)一組樣本，因此無法進行 t 統計量的檢定。 可以看到都是不顯著的情況，而正負號趨勢也難以分野，這可能是因為航運 類股綜合航空業、海運業等，這類公司的營運一般皆不僅止於台灣本地，而是世 界性的，所以單單台灣的影響可能未必會對其產生營運衝擊，對於台灣颱風的影 響自然較小且不明確。 4. 營建業 表 4-6 營建業 t 統計量檢定結果 排名. 颱風名稱. 前三日. 前二日. 前一日. 事件日. 後二日. 後三日. 1 2 3 4 5 6 7 8. 莫拉克 賀伯 琳恩 納莉 辛樂克 海棠 娜克莉 敏督利. 0.363 - 0.566 - 0.186 0.271 0.190 0.011 0.733 - 0.012. - 0.194 - 0.047 - 0.088 - 0.255 - 0.239 0.037 - 0.038 0.196. - 0.443 - 1.172 - 0.421 - 0.361 0.653 - 0.042 - 0.652 - 0.089. - 0.582 0.372 0.592 0.250 0.124 - 0.374 - 0.763 - 0.148 0.561 - 0.492 0.069 - 0.685 - 0.136 - 0.579 - 0.659 0.087 - 0.337 - 0.056 - 0.213 0.301 - 0.217 - 0.097 0.019 0.110. - 0.176 - 0.047 0.009 - 0.306 - 0.529 0.416 0.058 - 0.368. 9 10. 柯羅莎 象神. 0.047 - 0.266 - 0.611 0.021. 0.633 - 0.049 - 0.294 - 1.030 0.206 - 0.656 - 0.364 - 0.041. - 0.103 - 0.368. 32. 後一日.
(41) 營建業的效果與影響趨勢同樣皆不明顯，有待進一步的研究檢視。 5. 汽車工業 表 4-7 汽車工業 t 統計量檢定結果 排名. 颱風名稱. 前三日. 前二日. 前一日. 事件日. 後一日. 後二日. 後三日. 1 2 4 5. 莫拉克 賀伯 納莉 辛樂克. 1.370 - 0.137 0.226 0.742. - 3.307** - 0.117 0.161 - 0.883. - 2.114 0.191 0.657 0.338. - 0.712 0.820 - 0.069 0.576 - 2.054 0.939 - 1.251 - 0.352. - 0.589 - 7.440* - 0.837 - 0.872. - 0.129 0.186 0.472 - 0.171. 6 7 8 9 10. 海棠 娜克莉 敏督利 柯羅莎 象神. 0.627 1.657 - 0.339 - 0.962 - 1.199. - 0.923 - 0.926 0.439 - 0.374 1.367. 0.635 0.212 - 1.213 - 0.808 - 0.447 0.688 - 0.400 0.862 - 0.115 - 0.188 0.513 - 1.130 0.557 0.530 - 0.836. - 0.357 - 5.529** - 0.890 - 0.732 0.080. 1.293 1.789 2.632* 0.333 0.854. 其中由於排名第三的琳恩颱風期間只有裕隆(2201)一組樣本，因此無法進行 t 統計量的檢定。 汽車工業的影響以負向為主，這與一般認知颱風風災造成車輛毀損或損害， 應該會增加汽車產業的需求相違背，可能需待進一步檢驗。. 6. 觀光業 表 4-8 觀光業 t 統計量檢定結果 排名. 颱風名稱. 前三日. 前二日. 前一日. 事件日. 後二日. 後三日. 1 2 3 4 5 6 7 8. 莫拉克 賀伯 琳恩 納莉 辛樂克 海棠 娜克莉 敏督利. - 0.704 - 1.155 - 1.125 0.657 1.813 - 0.467 0.403 0.463. - 0.370 - 0.476 - 0.577 - 0.408 0.269 0.213 - 0.312 0.040. - 0.249 - 0.120 - 0.653 - 0.255 2.969** - 0.206 - 0.672 - 0.175. - 0.496 - 1.585 0.562 - 0.295 - 0.394 0.148 - 1.074 0.547 - 0.940 - 0.456 0.467 0.100 - 0.702 0.489 - 0.397 - 0.422 - 0.055 - 0.034 - 0.214 0.204 - 0.333 0.453 0.473 - 1.339. 0.114 - 0.193 1.152 - 0.255 - 0.813 0.153 0.240 0.201. 9 10. 柯羅莎 象神. - 0.926 0.005 - 0.760 0.866 - 0.426 - 0.092 0.227 - 0.838 33. 後一日. 0.208 - 0.828 0.208 0.471. - 0.734 - 0.223.
(42) 觀光業雖然顯著性同樣不強，但在事件日以及事件日前一日，幾乎所有樣本 皆存在負的異常報酬，這與所預期的結果類似，因為颱風來襲使得觀光業受到損 害可以預期。. 7. 鋼鐵工業 表 4-9 鋼鐵工業 t 統計量檢定結果 排名. 颱風名稱. 1 2 4 5 6 7 8 9. 莫拉克 賀伯 納莉 辛樂克 海棠 娜克莉 敏督利 柯羅莎. 10. 象神. 前三日. 前二日. 前一日. 事件日. 後二日. 後三日. 0.965 - 0.376 0.093 0.233 0.299 - 0.664 0.118 - 0.159. 0.000 0.062 0.182 - 1.084. - 0.207 - 0.394 0.079 - 0.502 - 0.075 0.544 1.562 0.143 - 0.382 - 0.172 - 0.154 - 0.531 0.533 0.622 0.352 0.175 0.832 - 0.631 - 0.051 - 0.688 - 0.080 - 0.296 - 0.224 - 0.920. 0.458 - 0.230 0.929 - 0.949. - 1.061. - 0.177. 2.064 0.214 - 0.222 - 0.455 - 0.050 - 0.302 - 0.505 0.841 0.197 - 0.103 - 0.302 0.081 1.336 - 0.296 0.869 0.044. 0.173. 後一日. 0.042 - 0.824 - 0.225 - 0.095. 其中由於排名第三的琳恩颱風期間只有中鋼(2002)一組樣本，因此無法進行 t 統計量的檢定。鋼鐵業的效果則呈現分散狀態，既不顯著且正負號的趨勢也不 明顯。. 8. 油電燃氣業 表 4-10 油電燃氣業 t 統計量檢定結果 排名. 颱風名稱. 1 2 4 5 6 7. 莫拉克 賀伯 納莉 辛樂克 海棠 娜克莉. 8 9. 敏督利 柯羅莎. 前三日. 前二日. 前一日. 事件日. 後一日. 後二日. 0.290 0.532 - 0.514 4.847 1.648 - 0.347 0.909 0.640 - 0.090 0.449 - 0.158 0.361 0.411 - 0.894 0.107 0.370 0.227 - 0.175. - 0.678 0.912 - 0.323 - 0.265 0.127 - 0.476. - 0.022 - 1.280 - 0.260 - 0.398 - 0.186 0.013. - 0.350 0.368 0.195 - 0.290 - 0.046 - 0.155. 0.233 - 0.505 - 0.051 - 0.522 1.018 0.113. 0.450 0.395 - 0.288 0.568 - 0.542 - 0.095 - 0.112 - 0.535 - 0.085 - 0.394 - 0.674 - 0.201. - 0.177 - 0.139. 34. 後三日.
(43) 10. 象神. 0.395. 0.084. 0.007 - 0.131 - 0.695 - 1.022. - 0.775. 其中由於排名第三的琳恩颱風缺乏樣本，因此無法進行檢定。可以看到都呈 現不顯著的情形，但在趨勢方面，在事件日後之異常報酬率大部分呈現負的情形。. 9. 貿易百貨業 表 4-11 貿易百貨業 t 統計量檢定結果 排名. 颱風名稱. 前三日. 前二日. 前一日. 事件日. 後一日. 後二日. 1 2 3 4 5 6 7 8 9. 莫拉克 賀伯 琳恩 納莉 辛樂克 海棠 娜克莉 敏督利 柯羅莎. 0.604 0.457 3.042 0.212 - 0.211 0.164 - 0.163 0.524 0.432. - 0.242 0.042 - 1.636 - 0.285 0.159 0.290 - 0.031 - 0.270 - 0.492. - 0.199 - 0.858 - 0.686 - 0.299 0.214 0.621 - 0.197 0.191 - 0.010. - 0.233 0.755 - 0.852 - 0.394 0.299 - 0.043 - 0.669 - 0.753 - 0.204. - 0.504 0.046 0.353 - 0.171 - 0.045 0.114 0.255 - 0.085 - 0.094. - 0.365 - 0.025 - 0.546 - 0.791 - 0.251 - 0.292 0.293 - 0.450 - 0.444. 0.722 0.319 1.204 - 0.029 - 0.308 0.606 - 0.936 - 0.058 - 0.348. 10. 象神. - 0.551. 0.282. 0.143 - 0.284. - 0.439. 0.011 - 0.880. 後三日. 上表統計量皆呈現不顯著，顯示統計上無足夠證據顯示異常報酬率異於 0， 而正負效果也同樣分散，影響的效果與程度難以確定。. 35.
(44) 第三節 符號檢定 上一節的 t 統計量檢定效果並不明確，這可能與實際上的抽樣數過少、與極 端值的影響，因此這裡改使用符號檢定，來檢定存在正負號的趨勢，透過符號檢 定(Sign Test)檢定之來確定其效果，目的在調查產業中橫剖面個別公司異常報酬 率的情形，以此來判定該事件對產業是否產生初級，下列各表依序列出所研究的 九個不同產業異常報酬率正負號統計之結果，並且以符號檢定將顯著水準標示出 來： 1. 水泥工業 表 4-12 水泥工業符號檢定結果 排 名. 颱風 名稱. 1. 莫拉克. 2. 賀伯. 3. 琳恩. 4. 納莉. 5. 辛樂克. 6. 海棠. 7. 娜克莉. 8. 敏督利. 9. 柯羅莎. 10. 象神. 前三日. 前二日. 前一日. 事件日. 後一日. 後二日. 後三日. 正號個數. 7***. 4. 5. 2. 7***. 3. 1. 負號個數. 0. 3. 2. 5. 0. 4. 6. 正號個數. 3. 2. 5. 2. 3. 5. 2. 負號個數. 4. 5. 2. 5. 4. 2. 5. 正號個數. 4. 0. 0. 1. 0. 0. 0. 負號個數. 0. 4. 4. 3. 4. 4. 4. 正號個數. 5. 5. 3. 4. 5. 1. 4. 負號個數. 2. 2. 4. 3. 2. 6. 3. 正號個數. 5. 3. 5. 4. 4. 1. 1. 負號個數. 2. 4. 2. 3. 3. 6. 6. 正號個數. 4. 2. 6**. 3. 3. 2. 6. 負號個數. 3. 5. 1. 4. 4. 5. 1. 正號個數. **. 3. 2. 0. 5. 0. 6. 負號個數. 1. 4. 5. 7***. 2. 7. 1. 正號個數. 4. 5. 7. 5. 4. 2. 7. 負號個數. 3. 2. 0. 2. 3. 5. 0. 正號個數. 7***. 1. 0. 1. 7***. 2. 2. ***. 6. 0. 5. 5. 6. 負號個數. 0. 6. 正號個數. 1. 2. 1. 2. 5. 4. 3. 負號個數. 6. 5. 6. 5. 2. 3. 4. 7. 36.
(45) 2. 食品工業 表 4-13 食品工業符號檢定結果 排 名. 颱風 名稱. 1. 莫拉克. 2. 賀伯. 3. 琳恩. 4. 納莉. 5. 辛樂克. 6. 海棠. 7. 娜克莉. 8. 敏督利. 正號個數. 前三日. 前二日. 前一日. 事件日. 後一日. 後二日. 後三日. 16. 17**. 8. 5. 16. 7. 13. 7. 16. 10. 2. 5. 11. 12. 6. 負號個數. 7. 6. 15. 正號個數. 7. 3. 4. **. **. 6. **. 18. 11. 負號個數. 10. 正號個數. 5. 1. 0. 0. 1. 1. 2. 負號個數. 1. 5. 6***. 6***. 5. 5. 4. 正號個數. 13. 7. 8. 7. 16. 4. 14. 負號個數. 10. 14. 13. ***. 15. 16. 15. 16. 7. 19. 9. **. 4. 13. 10. 8. 7. 0. 負號個數. 6. ***. 10. 13. 15. 16. 23***. 正號個數. 12. 6. 14. 15. 8. 8. 23***. 負號個數. 11. 17**. 9. 8. 15. 15. 0. 正號個數. 11. 9. 3. 6. 12. 11. 8. 負號個數. 11. 13. 19***. 16**. 10. 11. 14. 正號個數. 9. 7. 7. 7. 6. 8. 13. 負號個數. 7. 9. 9. 9. 10. 8. 3. 正號個數. 17. 19. 3. 航運業 表 4-14 航運業符號檢定結果 排 名. 颱風 名稱. 1. 莫拉克. 2. 賀伯. 3. 琳恩. 4. 納莉. 5. 辛樂克. 正號個數. 前三日. 前二日. 前一日. 事件日. 後一日. 後二日. 後三日. 18***. 18***. 8. 2. 5. 9. 12. ***. **. 13. 10. 負號個數. 4. 4. 14. 正號個數. 8. 4. 9. 7. 7. 4. 5. 負號個數. 5. 9. 4. 6. 6. 9. 8. 正號個數. 0. 1. 0. 0. 0. 0. 0. 負號個數. 1. 0. 1. 1. 1. 1. 1. 正號個數. **. 14. 7. 10. 14. 4. 4. 15. 20. 17. 負號個數. 4. 5. 12. 9. 5. 正號個數. 16**. 6. 17***. 7. 14. 7. 1. 負號個數. 5. 15. 4. 14. 7. 14. 20***. 37. 15. **. 15**.
(46) 6. 海棠. 7. 娜克莉. 8. 敏督利. 9. 柯羅莎. 10. 象神. 正號個數. 6. 6. 11. 5. 10. 12. 13. **. 11. 9. 8. 負號個數. 15. 15. 10. 正號個數. 10. 5. 8. 8. 11. 13. 2. 負號個數. 11. 16**. 13. 13. 10. 8. 19***. 正號個數. 17***. 19***. 14. 16**. 9. 2. 18***. 負號個數. 4. 2. 7. 5. 12. 19***. 3. 正號個數. 17***. 8. 3. 5. 15. 12. 10. ***. **. 6. 9. 11. 16. 負號個數. 4. 13. 正號個數. 5. 9. 8. 6. 6. 8. 14. 負號個數. 14. 10. 11. 13. 13. 11. 5. 18. 16. 4. 營建業 表 4-15 營建業符號檢定結果 排 名. 颱風 名稱. 1. 莫拉克. 2. 賀伯. 3. 琳恩. 4. 納莉. 5. 辛樂克. 6. 海棠. 7. 娜克莉. 8. 敏督利. 9. 柯羅莎. 10. 象神. 前三日. 前二日. 前一日. 事件日. 後一日. 後二日. 後三日. 正號個數. 40***. 29. 17. 17. 39. 42***. 20. 負號個數. 20. 31. 43. 43***. 21. 18. 40***. 正號個數. 6. 7. 2. 13. 10. 6. 5. 負號個數. 14. 13. 18***. 7. 10. 14. 15**. 正號個數. 3. 3. 2. 0. 2. 3. 1. ***. 負號個數. 1. 1. 2. 4. 2. 1. 3. 正號個數. 31**. 21. 19. 14. 29. 13. 22. 負號個數 正號個數. 17 ***. 41. 27. 29. 24. 48. ***. ***. 34. 19. 35. ***. 26. 27. 19. 16. 15. 負號個數. 19. 36. 12. 33. 41***. 44***. 45***. 正號個數. 28. 29. 25. 29. 22. 36. 41. 負號個數. 30. 29. 34. 29. 26. 22. 17. 正號個數. 39***. 20. 13. 19. 31. 20. 25. 31. 19. 30. 25. 負號個數. 11. 30. 正號個數. 30. 32. 21. 24. 27. 29. 17. 負號個數. 27. 25. 36. 33. 30. 28. 40***. 正號個數. 28. 17. 44***. 28. 15. 7. 25. 負號個數. 32. 43***. 16. 32. 45***. 53***. 35. 正號個數. 11. 23. 27. 10. 15. 17. 15. 負號個數. 35***. 23. 19. 36***. 31**. 29. 31**. 37. 38. ***.
(47) 5. 汽車工業 表 4-16 汽車工業符號檢定結果 排 名. 颱風 名稱. 1. 莫拉克. 2. 賀伯. 3. 琳恩. 4. 納莉. 5. 辛樂克. 6. 海棠. 7. 娜克莉. 8. 敏督利. 9. 柯羅莎. 10. 象神. 正號個數. 前三日. 前二日. 前一日. 事件日. 後一日. 後二日. 後三日. 5**. 0. 0. 1. 4. 2. 2. **. **. 4. 1. 3. 3. 負號個數. 0. 正號個數. 1. 1. 1. 1. 1. 0. 1. 負號個數. 1. 1. 1. 1. 1. 2. 1. 正號個數. 1. 1. 0. 0. 1. 0. 0. 負號個數. 0. 0. 1. 1. 0. 1. 1. 正號個數. 2. 3. 3. 0. 4. 1. 3. 負號個數. 2. 1. 1. 4. 0. 3. 1. 正號個數. 3. 1. 3. 1. 1. 1. 2. 負號個數. 2. 4. 2. 4. 4. 4. 3. 正號個數. 4. 1. 3. 2. 1. 3. 5**. 負號個數. 1. 4. 2. 3. 4. 2. 0. 正號個數. 4**. 1. 1. 2. 2. 0. 4**. 負號個數. 0. 3. 3. 2. 2. 4. 0. 正號個數. 2. 2. 2. 4. 1. 0. 4**. 負號個數. 2. 2. 2. 0. 3. 4. 0. 正號個數. 1. 2. 3. 4. 0. 0. 3. **. **. 2. 5. 5. 負號個數. 4. 3. 2. 1. 正號個數. 1. 4. 3. 3. 1. 2. 3. 負號個數. 3. 0. 1. 1. 3. 2. 1. 5. 5. 6. 觀光業 表 4-17 觀光業符號檢定結果 排 名. 颱風 名稱. 1. 莫拉克. 2. 賀伯. 3. 琳恩. 前三日. 前二日. 前一日. 事件日. 後一日. 後二日. 後三日. 正號個數. 4. 3. 6. 5. 0. 8. 7. 負號個數. 8. 9. 6. 7. 12***. 4. 5. 正號個數. 0. 2. 1. 2. 3. 3. 1. 負號個數. 5. 3. 4. 3. 2. 2. 4. 正號個數. 0. 1. 1. 1. 1. 1. 2. 負號個數. 3. 2. 2. 2. 2. 2. 1. 39.
(48) 4. 納莉. 5. 辛樂克. 6. 海棠. 7. 娜克莉. 8. 敏督利. 9. 柯羅莎. 10. 象神. 正號個數. 7**. 4. 5. 5. 6. 5. 3. 負號個數. 2. 5. 4. 4. 3. 4. 6. 正號個數. ***. 6. ***. 3. 7. 5. 3. 負號個數. 1. 6. 1. 9. 5. 7. 9. 正號個數. 2. 5. 6. 3. 4. 4. 8. 負號個數. 9**. 6. 5. 8. 7. 7. 3. 正號個數. 6. 3. 2. 3. 3. 2. 4. 負號個數. 4. 7. 8. 7. 7. 8. 6. 正號個數. 8. 4. 3. 7. 7. 0. 8. ***. 3. 11. 負號個數. 3. 11. 7. 8. 4. 4. ***. 11. 5. 2. 2. 正號個數. 2. 3. 2. 負號個數. 9. 8. 9. 1. 6. 9. 9. 正號個數. 1. 2. 4. 2. 5. 5. 3. 負號個數. 8**. 7. 5. 7. 4. 4. 6. 10. 7. 鋼鐵工業 表 4-18 鋼鐵工業符號檢定結果 排 名. 颱風 名稱. 1. 莫拉克. 2. 賀伯. 3. 琳恩. 4. 納莉. 5. 辛樂克. 6. 海棠. 7. 娜克莉. 8. 敏督利. 前三日. 前二日. 前一日. 事件日. 後一日. 後二日. 後三日. 正號個數. 36***. 21. 15. 11. 28***. 8. 20. 負號個數. 3. 18. 24. 28***. 11. 31***. 19. 正號個數. 9. 7. 4. 13. 9. 10. 9. 負號個數. 7. 9. 12. 3. 7. 6. 7. 正號個數. 0. 0. 0. 0. 0. 0. 0. 負號個數. 1. 1. 1. 1. 1. 1. 1. 正號個數. **. ***. 7. 18. 負號個數 正號個數. 23. 10. 17. 13. 20. 25. 16. 20. 13. 8. 26***. 15. ***. 22. 19. 14. 7. ***. 13. 負號個數. 5. 25. 9. 16. 19. 24. 31***. 正號個數. 8. 6. 23**. 10. 18. 24**. 28***. 負號個數. 26***. 28***. 11. 24**. 16. 10. 6. 正號個數. 29***. 14. 9. 13. 13. 7. 12. 19. ***. 20. 20. 26. 21. 4. 28***. 30***. 6. 33. 29. 負號個數. 4. 正號個數. ***. 22. 19. 16. 9. 12. 15. 18. 負號個數. 25. 24. 40. ***. 31. 3.
(49) 9. 柯羅莎. 10. 象神. 正號個數. 19. 7. 13 *. 12. 12. 4. 5. 負號個數. 18. 30. 24. 正號個數. 2. 15. 15. 4. 6. 11. 10. 負號個數. 27***. 14. 14. 25***. 23***. 18. 19. **. 25. **. 25. 33. ***. 32***. 8. 油電燃氣業 表 4-19 油電燃氣業符號檢定結果 排. 颱風. 名. 名稱. 1. 莫拉克. 2. 賀伯. 4. 納莉. 5. 辛樂克. 6. 海棠. 7. 娜克莉. 8. 敏督利. 9. 柯羅莎. 10. 象神. 前三日. 前二日. 前一日. 事件日. 後一日. 後二日. 後三日. 正號個數. 6. 8. 4. 3. 5. 4. 6. 負號個數. 6. 4. 8. 9. 7. 8. 6. 正號個數. 3. 3. 1. 3. 0. 2. 2. 負號個數. 0. 0. 2. 0. 3. 1. 1. 正號個數. ***. ***. 6. 4. 4. 6. 6. 9. 9. 負號個數. 1. 1. 4. 6. 6. 4. 4. 正號個數. 6. 5. 6. 6. 6. 6. 2. 負號個數. 6. 7. 6. 6. 6. 6. 10**. 正號個數. 8. 2. 4. 7. 5. 5. 9. 負號個數. 4. 10. 8. 5. 7. 7. 3. 正號個數. 5. 6. 3. 2. 7. 6. 7. 負號個數. 6. 5. 8. 9. 4. 5. 4. *. 正號個數. 8. 7. 2. 9. 2. 4. 5. 負號個數. 4. 5. 10**. 3. 10**. 8. 7. 正號個數. 7. 3. 3. 4. 3. 2. 4. 負號個數. 4. 8. 8. 7. 8. 9. 7. 正號個數. 4. 4. 3. 2. 2. 2. 1. 負號個數. 4. 4. 5. 6. 6. 6. 7. 9. 貿易百貨業 表 4-20 貿易百貨業符號檢定結果 排 名. 颱風 名稱. 1. 莫拉克. 前三日. 前二日. 前一日. 事件日. 後一日. 後二日. 後三日. 正號個數. 14**. 11. 6. 8. 6. 8. 16***. 負號個數. 5. 8. 13. 11. 13. 11. 3. 41.
(50) 2. 賀伯. 3. 琳恩. 4. 納莉. 5. 辛樂克. 6. 海棠. 7. 娜克莉. 8. 敏督利. 9. 柯羅莎. 10. 象神. 正號個數. 5. 7**. 3. 5. 5. **. 1. 5. 3. 3. 4. 1. 負號個數. 3. 4. 正號個數. **. 0. 2. 0. 1. 1. 3. 4. 7. 負號個數. 0. 4**. 2. 4**. 3. 3. 1. 正號個數. 8. 6. 6. 5. 6. 2. 5. 負號個數. 4. 6. 6. 7. 6. 10. 7. 正號個數. 8. 11. 10. 10. 7. 6. 6. 負號個數. 11. 8. 9. 9. 12. 13. 13. 正號個數. 8. 12*. 12*. 9. 9. 6. 12*. 負號個數. 10. 6. 6. 9. 9. 12*. 6. 正號個數. 7. 6. 4. 3. 8. 7. 3. 負號個數. 5. 6. 8. 9. 4. 5. 9. 正號個數. 11. 5. 8. 3. 5. 4. 8. 負號個數. 5. 11*. 8. 13**. 11*. 12*. 8. 正號個數. 13**. 4. 7. 8. 11. 4. 6. *. 負號個數. 5. 14. 11. 10. 7. 14. 正號個數. 2. 6. 4. 1. 5. 3. 3. 負號個數. **. 6. 8. 8. 9. **. 5. 7. 10. **. **. 12. 進行符號檢定時，樣本公司在小於 20 家時以二項分配的機率值來進行檢定， 樣本公司大於 20 家時，根據中央極限定理，以近似常態分配下來進行檢定。 根據符號檢定的結果，我們可以發現水泥工業、汽車工業、觀光業、油電燃 氣業和貿易百貨業所受之影響比較輕微，而食品工業、航運業、營建業和鋼鐵工 業的顯著性明顯較高，顯示在橫剖面各公司資料來看，颱風事件存在影響力。其 中油電燃氣業的效果不如預期較啟人疑竇，這可能是因為台灣的能源產業仰賴進 口，並不是本身天然資源的產出，許多在國外會受到的環保管制以及設備的投入 在台灣沒有類似情況，因此天氣產生的影響不若國外的能源產業。 進一步分析影響的效果，顯著性最多的日數以警報發布前的三日最為多，這 可能是因為在發布之前，媒體、氣象局等對於颱風可能登陸與否已有較為明確的 預期，在明白這一點後，投資人便會把該項消息反應在股票市場，因此提前反應 出衝擊。 42.
(51) 這樣的事件對於各產業的影響效果也不盡相同，從上表統計發現，食品工業 面對颱風事件主要為負向反應，無論在事件前後或事件當日，所呈現的幾乎都是 顯著負向影響。這與推斷的相符合，颱風可能造成食品工業原料的取得不易，以 及價格上漲，因為農產品受天氣影響大，才造成這樣的結果。 航運業則是在事件發生前呈現正向顯著，事件發生後轉為負向顯著，並且集 中在前三日與後三日兩個時間點。推斷這可能與一開始在颱風事件將發生之際， 對於航運等運送物資產生需求，可能加緊運輸速度或部分原本較為長途運輸的貨 品，改為較為快速的航運服務，對航運業產生正面的影響；而當颱風事件發生後， 由於所挑選的事件皆是屬於嚴重事件，之後的影響超乎預期，造成機場關閉、船 隻避風等影響，阻礙了營運，產生負向效果。 營建業也呈現類似航運業的趨勢，在事件日前三日正向效果顯著，這可能是 對於天災毀損建築物，需求將提高的預期；而在災害發生後對於營建業產生負向 影響，可能來自於雨日停工、在建工程受損、工程延宕等負面因素，使得出現負 向異常報酬。 鋼鐵工業的結果則較為分散，颱風事件前後影響是否不同之界線難以界定， 前三日正向效果明顯，事件日與後二日則是負向效果為主。鋼鐵工業事實上與營 建業的關係較為密切，因為營建工程的增加將會拉升鋼鐵工業的需求，因此觀察 鋼鐵工業的結果與營建業結果可以發現，兩者的走勢頗為類似，惟鋼鐵工業的顯 著性不若營建業來得高，但在同日數有類似走勢，尤其是之前所提及的前三日、 事件日、後二日三個時間點，因此在這樣的情形下，颱風事件對於鋼鐵工業與營 建業而言，可能因為類似的需求變化，導致類似的結果。 從不同颱風降雨強度來看，最強的莫拉克與強度排名第九的柯羅莎影響特別 明顯，但其他排名的颱風事實上也並未相去甚遠，因此無法確定嚴重程度對於異 常報酬的顯著程度是否存在差異。 43.
(52) 在時間軸上，這十個颱風的年度都不同，但觀察結果，如果從最早、排名第 三的琳恩颱風依時間順序觀察到 2009 年、排名第一的莫拉克颱風，則未能發現 有明顯的年代際變化，這一點可能需要更進一步的研究，因為所使用的颱風與公 司的樣本數可能不夠，無法準確描繪出年代變化。 綜觀研究結果，颱風事件對於產業的影響確實不盡相同，以統計檢定的方式， 符號檢定的結果較為顯著，而使用累積平均異常報酬的方法較未能檢定出顯著性。 這兩者之所以存在極大的差異，可能是因為極端值的存在，以及部份產業樣本數 少的緣故，而考量到樣本數少的情況，異常報酬率的分配較可能不服從常態分配， 也因此，本研究認為使用符號檢定的檢定結果較具有意義。. 44.
(53) 第四節 迴歸分析 一般認為，颱風對台灣經濟產生最大的衝擊在於其所帶來的風速和雨量。因 此在這一節我們將會以迴歸分析來檢視異常報酬形成的原因。選定颱風的特徵以 風速(WindSpeed)、警報發布數(Alarm)、七級風暴風半徑(Radius)以及總最大降雨 量(Rainfall)，來解釋事件期間內累積異常報酬率(CARi)的總和，迴歸式如下： 𝐶𝐴𝑅𝑖 = 𝛽0 + 𝛽1 𝑊𝑖𝑛𝑑𝑆𝑝𝑒𝑒𝑑𝑖 + 𝛽2 𝐴𝑙𝑎𝑟𝑚𝑖 + 𝛽3 𝑅𝑎𝑑𝑖𝑢𝑠𝑖 + 𝛽4 𝑅𝑎𝑖𝑛𝑓𝑎𝑙𝑙𝑖 + 𝜀𝑖 首先以整體不分產業進行分析，結果如下： 表 4-21 整體異常報酬率迴歸分析結果 Coef. 風速 警報發布數 七級風暴風半徑 總最大雨量 _cons. 0.1030 0.1852 -0.013 -0.0546 -30.2431. Std. Err. 0.9400 0.4118. t. P>t. [95% Conf. Interval]. 0.11 0.917 0.45 0.672. -2.3124 -0.8735. 2.5185 1.2438. 0.1156 -0.11 0.915 0.0275 -1.98* 0.100 22.4043 -1.35 0.235. -0.3103 -0.0162 -87.835. 0.2843 0.1254 27.3489. 由上表結果可以發現，只有總最大雨量一項符合 10%的顯著水準，其餘變數 皆不顯著，與我們的預期相符合。進一步針對個別產業的異常報酬率分別進行迴 歸分析，結果整理於下表，在後面附錄則有各產業分析的結果。 表 4-22 各產業迴歸分析結果 風速. 警報發布數. 七級風暴風半徑. 總最大雨量. 水泥工業 食品工業 航運業 營建業 汽車工業 觀光業 鋼鐵工業. - 1.12 - 0.64 0.48 0.59 0.90 - 0.74 - 1.26. 1.49 1.02 - 0.08 - 1.06 - 1.17 0.52 1.62. 0.98 0.82 - 0.77 -0.37 - 1.24 0.83 1.18. - 4.70*** - 3.12** 0.11 0.77 0.70 - 0.62 + 1.98*. 油電燃氣業 貿易百貨業. 0.29 0.10. 0.62 - 0.17. - 0.16 0.69. 0.66 + 1.99*. 45.
(54) 從上表可以發現水泥工業、食品工業、鋼鐵工業和貿易百貨業受雨量的影響 較為明顯，且影響有正有負，各自符合統計上的顯著水準，顯示雨量對這些產業 的異常報酬率有一定的解釋能力。對水泥工業來說，雨量過多會對山區環境形成 威脅，水泥廠一般因為原料區位因素皆設在山區附近，在大雨的威脅下會有較負 面的衝擊可以預期。食品工業由於原料以農產品為主，大雨不斷將會造成農產損 失甚鉅，因此負向效果也十分明顯。而雨量過多往往會沖毀許多工程和基礎建設， 對於鋼鐵工業來說，需求可能會明顯增加，因此為正向效果。貿易百貨業的部分， 由於大雨可能會讓民眾難以出門，會增加至賣場購買民生必需品的量增加，因此 反而出現了正向的相關性。. 46.
數據
相關文件
In particular, if s = f(t) is the position function of a particle that moves along a straight line, then f ′(a) is the rate of change of the displacement s with respect to the
1st. To make a study of the routes followed by Huien Tsang and Sudhadana in India. To study the geography, geology, climate and connections of those routes in order to assess
Tokyo: The International Research Institute for Advanced Buddhology, Soka University, 2006.. “A Preliminary Study on Meditation and the Beginnings of
To take collaborative actions to face the challenge arising from global climate change, we issued a circular in April 2017 to remind all schools to formulate and put in
This elective is for those students with a strong interest in weather and climate. It aims at providing a more academic and systematic foundation for students’ further study pursuit
Wang, Solving pseudomonotone variational inequalities and pseudocon- vex optimization problems using the projection neural network, IEEE Transactions on Neural Networks 17
Define instead the imaginary.. potential, magnetic field, lattice…) Dirac-BdG Hamiltonian:. with small, and matrix
(A) The drought has authorities worried that the effects of climate change are larger than expected as Australia experiences half of its warmest days on record lately.. (B)
