考慮景氣循環趨勢應用資料探勘於企業財務危機預測

全文

(1)國立高雄大學資訊管理學研究所碩士論文. 考慮景氣循環趨勢應用資料探勘於企業財務危機預測 Using data mining techniques with the trends of business cycle for financial crisis prediction. 研究生：林裕晟撰指導教授：丁一賢博士. 中華民國九十九年六月.

(2) I. 口試委員會審定書.

(3) 誌謝時間過的很快，兩年的時光過去了，論文終於千呼萬喚始出來，這代表著即將暫時告別求學的生涯，而我將迎接人生下一個挑戰。在此我要感謝我的指導教授丁一賢老師，感謝您的悉心指導，不管在研究及論文的撰寫上，當學生面臨瓶頸，您總是耐心的為我解答疑惑，且時時刻刻的關心著我，讓我備感溫馨，心中是無比的感謝，謝謝您。感謝我的口試委員，黃元巨老師及林士貴老師，對於論文所提出的寶貴的建議，及在 Lab 211 的這段時間，受到王學亮、蕭漢威、楊新章老師們的多方指導，謝謝你們的教導，學生受益良多。其中我要特別感謝郭英峰及王凱老師，謝謝你們的鼓勵，讓我對於所追求的領域深具信心，及感謝這兩年所有教授過我的師長們及系辦的大姐大閔玲，你們辛苦了。兩年的求學生涯，很高興能夠認識一群和善、風趣的同學們。感謝已經畢業的學長姐們，旺伯、東建、恆慈、軍達、宗儒、思揚、智翔，在我剛踏進研究室時，那份熱誠，讓我很快的融入這個環境，且當我面臨課業上的問題時，不吝指教，謝謝你們。還有可愛的同學們，偉鈞、大卜、慶鴻、國隆、永平、自立、仲宇、瑋宬、靖宇、信慧，兩年來我們留下許多記憶，相信那美好的回憶，我們點滴在心頭，謝謝你們對我的包容；及談笑風生的學弟妹們，阿珊、綠茶、阿陌、 Sasaki、豆豆、阿翻、翔齡、小高、輝哥、宛真、小古及 Dora，我會懷念你們那開朗的笑聲，感謝你們曾經為我付出的心力。最後我要感謝父母對我的栽培，無悔的為我付出，當我遭遇挫折時，總是鼓勵著我；與姐姐不斷的為我加油打氣，及宜家辛苦了，謝謝你替我分憂。在此我要將論文獻給最愛的家人，表達誠摯的感激。裕晟僅誌於高雄大學中華民國九十九年七月. II.

(4) 考慮景氣循環趨勢應用資料探勘於企業財務危機預測指導教授:丁一賢博士國立高雄大學資訊管理系. 學生:林裕晟國立高雄大學資訊管理研究所. 摘要在不同的景氣循環趨勢下，企業所面臨的財務危機通常不盡相同，當景氣復甦時，企業因為過於樂觀市場上的需求，進而提高產能、擴建廠房等，財務危機的發生可能因為從事高財務槓桿所致；而當景氣反轉衰退時，企業可能因存貨上變現不易、銀行抽銀根等現象，造成資金週轉不靈而演變為財務危機。財務危機的發生，往往付出高額的社會成本，因此本論文將運用資料探勘技術，揭露企業發生財務危機之風險，目的是從不同的景氣循環趨勢中，找出重要的財務比率，以提昇預測之準確率及變數之解釋能力。本研究以 1992 年至 2009 年 2 月台灣電子產業為樣本，主要原因是該產業占台灣總體上市櫃家數一半以上，對於總體經濟而言具有舉足輕重之影響力，樣本集為正常公司 115 家及財務危機 115 家，以資產規模相近進行配對，共選擇了 57 個財務變數。實證結果顯示：一、加入景氣循環趨勢因素後，預測準確率高於未考量景氣循環趨勢的預測方法。二、資料分割的方法以財務危機發生日較佳。三、景氣循環的基準日若以月、季為資料分割之基準，其季的分割的解釋能力較佳。最後本論文就所得之結果加以探討，以解釋不同景氣循環趨勢下預測模型之差異。. 關鍵字：景氣循環、財務危機、資料探勘、財務工程. III.

(5) Using data mining techniques with the trends of business cycle for financial crisis prediction Advisor: Dr. I Hsien Ting Department of Information Management National University of Kaohsiung Student: Yu Cheng Lin Department of Information Management National University of Kaohsiung. ABSTRACT： Under different trends of business cycle, enterprises may face diffent finical crisis with different factors. It is therefore essential for us to discover and understand the factors for financial crisis prediction. In the thesis we take business cycle into consideration and use data mining as the main technique to predict firms that have potential crisis. We hypothesize that financial crisis is closely related to business cycle trends.Thus, the business cycle has been discriminated to expansion and recession trends.The ojective of the thesis has been set to find out important financial crisis variables and by this to improve the accuracy of finacial crisis prediction. In the thesis, companies from electronic industry has been selected as the main focus, due to this is a very important industry in Taiwan. Five experiment methods have been designed for empirical study as well as a optimal model has been established. From the experiment results : 1.we find out some important financial variables that cause financial crisis in different business cycle trends 2.in considering the business cycle ,the model will be better 3. support vector machine has higher prediction accuracy.. Keywords: Trends of Business Cycle, Financial Crisis, Data Mining, Financial Engineering. IV.

(6) 目錄口試委員會審定書 ........................................................................................................... I 誌謝 ................................................................................................................................. II 中文摘要 ........................................................................................................................III 英文摘要 ........................................................................................................................ IV 第 1 章、緒論 ..................................................................................................................1 1.1 1.2 1.3 1.4. 研究背景 .......................................................................................................... 1 研究動機 .......................................................................................................... 1 研究目的 .......................................................................................................... 3 論文架構 .......................................................................................................... 4. 第 2 章、文獻探討 ..........................................................................................................6 2.1 財務危機定義 .................................................................................................. 6 2.2 產業特性及總體經濟因素 .............................................................................. 9 2.3 信用評等 .......................................................................................................... 9 2.4 財務危機之預測模型 .................................................................................... 10 2.4.1 統計方法 .................................................................................................... 10 2.4.2 人工智慧 .................................................................................................... 13 2.5 特徵選擇與分類方法 .................................................................................... 19 2.5.1 特徵選擇 .................................................................................................... 19 2.5.2 分類方法 .................................................................................................... 20 第 3 章、研究設計 ........................................................................................................25 3.1 3.2 3.3 3.4 3.5. 研究模型 ........................................................................................................ 25 資料來源 ........................................................................................................ 26 財務變數 ........................................................................................................ 28 總體經濟指標-景氣循環............................................................................... 29 實驗設計(一)~(五)......................................................................................... 31. 第 4 章、實證與結果分析 ............................................................................................34 4.1 實驗評估方法 ................................................................................................ 35 4.2 特徵選擇 ........................................................................................................ 36 4.2.1 參數設定 .................................................................................................... 36 4.2.2 實驗設計中特徴選擇之財務變數 ............................................................ 36 4.3 分類器參數設定 ............................................................................................ 54 4.4 交叉驗證結果 ................................................................................................ 56 4.4.1 實驗設計(一)未考慮景氣趨勢 ................................................................. 56 4.4.2 實驗設計(二)考慮景氣：樣本分割以財務危機發生日及月之結果 ..... 56 4.4.3 實驗設計(三)樣本分割以財務危機發生日及季之結果 ......................... 57 4.4.4 實驗設計(四)樣本分割以財務發佈日及月之結果 ................................. 58 V.

(7) 4.4.5 實驗設計(五)樣本分割以財務發佈日及季之結果 ................................. 58 4.4.6 實驗結果比較 ............................................................................................ 59 4.5 2010 年電子產業財務危機預測結果 ........................................................... 60 4.5.1 實驗設計(三)擴張趨勢之完全訓練結果 ................................................. 60 4.5.2 實驗設計(三)收縮趨勢之完全訓練結果 ................................................. 62 4.5.3 利用擴張趨勢模型進行財務危機預測原因 ............................................ 63 4.5.4 2010 年電子產業預測之結果 ................................................................... 64 第 5 章、結論與建議 ....................................................................................................66 5.1 5.2 5.3. 結論 ................................................................................................................ 66 研究限制 ........................................................................................................ 67 研究建議 ........................................................................................................ 67. 參考文獻 ........................................................................................................................69 附錄附錄附錄附錄附錄附錄附錄附錄附錄附錄附錄附錄附錄附錄附錄附錄附錄附錄附錄附錄附錄附錄附錄附錄附錄附錄附錄. ........................................................................................................................73 1：文獻財務變數彙整..................................................................................... 73 2：危機公司及正常公司配對......................................................................... 75 3：危機公司產業類別及危機事件................................................................. 78 4：正常公司產業類別..................................................................................... 82 5：選用之財務變數......................................................................................... 84 6：特徵選擇-相關參數設定 ........................................................................... 86 7：實驗設計(一)主成份分析特徵選擇結果.................................................. 87 8：實驗設計(一)支援向量機特徵選擇結果.................................................. 88 9：實驗設計(二)擴張趨勢-主成份分析特徵選擇結果................................. 89 10：實驗設計(二)擴張趨勢-支援向量機特徵選擇結果............................... 90 11：實驗設計(二)收縮趨勢-主成份分析特徵選擇結果............................... 91 12：實驗設計(二)收縮趨勢-支援向量機特徵選擇結果............................... 92 13：實驗設計(三)擴張趨勢-主成份分析特徵選擇結果............................... 93 14：實驗設計(三)收縮趨勢-支援向量機特徵選擇結果............................... 94 15：實驗設計(三)收縮趨勢-主成份分析特徵選擇結果............................... 95 16：實驗設計(三)收縮趨勢-支援向量機特徵選擇結果............................... 96 17：實驗設計(四)擴張趨勢-主成份分析特徵選擇結果............................... 97 18：實驗設計(四)擴張趨勢-支援向量機特徵選擇結果............................... 98 19：實驗設計(四)收縮趨勢-主成份分析特徵選擇結果............................... 99 20：實驗設計(四)收縮趨勢-支援向量機特徵選擇結果............................. 100 21：實驗設計(五)擴張趨勢-主成份分析特徵選擇結果............................. 101 22：實驗設計(五)擴張趨勢-支援向量機特徵選擇結果............................. 102 23：實驗設計(五)收縮趨勢-主成份分析特徵選擇結果............................. 103 24：實驗設計(五)收縮趨勢-支援向量機特徵選擇結果............................. 104 25：各實驗設計(一)~(五)選擇取之財務變數 ............................................. 105 26：各分類器參數設定................................................................................. 107. VI.

(8) 表目錄表表表表表表表表表表表表表表表表表表表表表表表表表表表表表表表表表表表表表表表表表. 2-1：國內外財務危機之定義 ................................................................................... 6 2-2：實質財務危機事件 ........................................................................................... 7 2-3：準質財務危機事件 ........................................................................................... 8 2-4：統計方法之財務變數彙整 ............................................................................. 12 2-5：統計方法之優缺點比較 ................................................................................. 12 2-6：分類器比較表 ................................................................................................. 16 2-7：人工智慧相關文獻之財務變數 ..................................................................... 17 3-1：財務危機公司與正常公司家數 ..................................................................... 27 3-2：台灣景氣循環基準日期 ................................................................................. 30 4-1：分類矩陣CONFUSION MATRIX ......................................................................... 35 4-2：實驗設計(一)主成份分析特徵選擇結果....................................................... 37 4-3：實驗設計(一)支援向量機特徵選擇結果....................................................... 38 4-4：實驗設計(二)擴張趨勢-主成份分析特徵選擇結果 ..................................... 39 4-5：實驗設計(二)擴張趨勢-支援向量機特徵選擇結果 ..................................... 40 4-6：實驗設計(二)收縮趨勢-主成份分析特徵選擇結果 ..................................... 41 4-7：實驗設計(二)收縮趨勢-支援向量機特徵選擇結果 ..................................... 41 4-8：實驗設計(三)擴張趨勢-主成份分析特徵選擇結果 ..................................... 42 4-9：實驗設計(三)擴張趨勢-支援向量機特徵選擇結果 ..................................... 43 4-10：實驗設計(三)收縮趨勢-主成份分析特徵選擇結果 ................................... 44 4-11：實驗設計(三)收縮趨勢-支援向量機特徵選擇結果 ................................... 44 4-12：實驗設計(四)擴張趨勢-主成份分析特徵選擇結果 ................................... 45 4-13：實驗設計(四)擴張趨勢-支援向量機特徵選擇結果 ................................... 46 4-14：實驗設計(四)收縮趨勢-主成份分析特徵選擇結果 ................................... 47 4-15：實驗設計(四)收縮趨勢-支援向量機特徵選擇結果 ................................... 47 4-16：實驗設計(五)擴張趨勢-主成份分析特徵選擇結果 ................................... 48 4-17：實驗設計(五)擴張趨勢-支援向量機特徵選擇結果 ................................... 49 4-18：實驗設計(五)收縮趨勢-主成份分析特徵選擇結果 ................................... 50 4-19：實驗設計(五)收縮趨勢-支援向量機特徵選擇結果 ................................... 50 4-20：利用PCA及SVM特徵選擇排序前 5 之結果............................................... 52 4-21：實驗(一)未考慮景氣循環實證結果............................................................. 56 4-22：實驗(二)考慮景氣循以財務危機日及月分割實證結果............................. 57 4-23：實驗(三)考慮景氣循以財務危機日及季分割實證結果............................. 57 4-24：實驗(四)考慮景氣循以財報發佈日及月分割實證結果............................. 58 4-25：實驗(五)考慮景氣循以財報發佈日及季分割實證結果............................. 58 4-26：實驗(一)及實驗(三)之財務變數.................................................................. 60 4-27：實驗設計(三)景氣擴張趨勢完全訓練結果................................................. 60 4-28：實驗設計(三)擴張趨勢完全訓練之實際類別與預測結果......................... 61 4-29：實驗設計(三)收縮趨勢完全訓練結果......................................................... 62 4-30：實驗設計(三)收縮趨勢完全訓練之實際類別與預測結果......................... 62 4-31：2010 年電子產業預測結果 .......................................................................... 64 5-1：改變主成份分析特徵選擇方式以實驗設計(一)為例................................... 68 VII.

(9) 圖目錄圖圖圖圖圖圖圖圖圖圖圖圖圖圖圖圖圖圖圖圖. 1-1：研究流程圖 ....................................................................................................... 4 2-1：類神經網路架構圖 ......................................................................................... 21 2-2：支援向量機架構圖 ........................................................................................... 1 3-1：研究設計流程 ................................................................................................. 25 3-2：危機公司主要營運項目 ................................................................................. 27 3-3：正常公司主要營運項目 ................................................................................. 27 3-4：危機企業之危機事件統計 ............................................................................. 28 3-5：1990-2009 景氣領先、同時及對策信號走勢圖............................................. 1 3-6：實驗設計-實驗(一)~(五) ................................................................................ 31 3-7：樣本分割方法-財務危機發生日及財報發佈日以博達為例........................ 32 3-8：樣本分割以季為單位 ....................................................................................... 1 3-9：樣本分割以月為單位 ....................................................................................... 1 4-1：實驗執行步驟 ................................................................................................... 1 4-3：實驗設計(二)~(五)擴張趨勢中排序前五之財務變數.................................. 53 4-4：實驗設計(二)~(五)收縮趨勢中排序前五之財務變數.................................. 53 4-5：WEKA3.5.5 操作介面....................................................................................... 54 4-6：類神經網路參數設定 ..................................................................................... 55 4-7：擴張趨勢完全訓練之財務危機樣本及錯誤分類樣本 ................................. 61 4-8：完全訓練之財務危機樣本及錯誤分類樣本 ................................................... 1 4-9：2010 台灣電子產業潛在財務危機類別 .......................................................... 1. VIII.

(10) 第1章、緒論 1.1 研究背景 2007 至 2009 年國際及台灣經濟情勢出現重大變化，2008 年下半年由美國所引發的次級房貸危機持續發酵且蔓延全球，期間各國為降低次級房貸所帶來的衝擊，採取緊縮的貨幣政策因應，而抑制了全球消費性支出的意願，造成全球股市大跌、債信市場大亂，而一些過度舉債的國家，因無力償還龐大外債，反倒形成全球的信貸危機，如冰島、希臘等國家正因為過高的國債壓力，而引發主權債務危機 (王耀興，2008；郭秋榮，2009)。 2008 年第四季台灣景氣急轉直下，以全球半導體產值來看，較第三季衰退 24.2%而與 2007 年同期相比則衰退 21.9%，主要原因為金融危機使全球消費者信心不足(陳美菊，2008)，壓抑市場需求，因此使得台灣電子產業首當其衝，以半導體產業的龍頭台積電為例，訂單大幅縮減，2008 年第四季產能利用率約在 65%間，而 2009 年第一季的產能利用率更大幅衰退，僅 40%左右，許多企業因無單可接而被迫停工，一些體質不佳之企業，像是仕欽、歌林、茂德、力晶等，則因為資金的週轉不靈，而面臨財務危機(公開資訊觀測站，2008)。另一個值得探討的問題是「資訊不對稱」，若站在投資人的立場，現階段市場面的消息仍不對稱，投資人無法在市場上有效收集資訊，以規避潛在違約風險之企業。近年來台灣證券交易所為降低資訊不對稱性，因此建置資訊觀測站以進行資訊的揭露，然而對於一般投資人而言，報表的種類繁多，無法有效掌握重要的訊息，因此難以藉由財務報表來評判公司的好壞，而建立企業財務預測模式，可減少資訊的不對稱性，由不同景氣趨勢中，找出重要財務比率，進而用簡單的財務比率區分基本面較佳及體質不佳之企業。 1.2. 研究動機企業財務危機的發生，往往會付出相當的社會成本，彭杏珠(2009)所做的研究. 中指出，台灣從 1982 年至 2009 年 2 月，發生財務危機的上市櫃企業共有 152 家，而這些公司合計下市前的總資產約 1.43 兆台幣，金額之龐大，嚴重衝擊總體經濟的發展，其中又以電子產業 45 家居多，其原因可歸咎於電子業為台灣的核心產業，具有完整的上下游產業鏈，企業間彼此存在著高度的合作及競爭關係，產業的規 1.

(11) 模占台灣總體上市櫃家數一半以上(至 2009 年 10 月止上市櫃企業共 1282 家,其中電子產業約 660 家)(台灣證券交易所，2010)。因此當產業間一家企業發生財務危機時，很容易殃及上下游的企業，易造成連鎖效應，引發一連串跳票、違約、破產事件發生，而影響到台灣整體的產業結構，造成銀行呆帳、投資人損失等，影響層面甚廣，對於總體經濟而言是一大傷害。企業發生財務危機的原因種類繁多，公司經營不善、轉投資失利或者是惡意掏空等皆是常見的因素，而從過去財務危機的預測模式來看，變數的選擇是能有效找出潛在問題企業之方法，因此早期模型中常用的變數是以財務比率為主，高蘭芬(2002)則加入以公司監理為角度或者是代理理論方面之非財務比率，董事會結構比、董監事持股比或者是股權結構等因素進行預測。然而利用單一財務變數在財務預測上仍有其不足之處，例如：台灣的電子業業主要以出口導向，因此易受全球景氣影響，當景氣好轉時，全球消費性支出增加，電子產業會以提高產能，擴建廠房等方式，投入高額的資金於廠房的興建來滿足市場需求，因此往往會因為擴張的經營策略導致企業財務危機的發生。而當全球景氣反轉時，企業常因為誤判未來的經濟情勢，造成短期資金的週轉不靈、負債比過高或是轉投資失利等過高的還債壓力，而引發財務危機，因此若考量景氣的因素至財務危機預測中，應能更有效提高其預測能力。以台灣電子產業為例，根據 1998 至 2009 年資料顯示在景氣成長階段，企業發生繼續經營疑慮及跳票擠兌家數較景氣衰退時來得多，像是電子設備製造商〝同開〞或是網路設備製造商〝艾群〞等皆在這段時間發生財務危機：而在景氣衰退時反倒是以繼續經營疑慮及請求紓困為主，例如：印刷電路板之製造商〝頂倫〞及光電製造商〝力特〞等，且精碟、博達、豐達科、新揚科、大騰，皆在景氣衰退期間向政府申請重整，因此若未考量其景氣循環因素，僅採用單一的預測模式，進行財務危機預測，將無法有效的找出在不同的經濟情勢潛在危機之企業(台灣經濟新報社，2010)。本研究試圖找出在不同的景氣環境下，影響發生財務危機的財務變數，若能在不同的趨勢中找到重要的財務比率，便能提高其財務危機之預測能力，在企業 2.

(12) 發生財務危機前提出警示，告知該企業在未來幾個月內存在著潛在的違約風險，相信此一系統的建立對於政府監理單位而言，能儘早發現問題，並提出因應政策，對金融機構而言，可減少銀行呆帳之損失；就企業而言，可了解公司問題所在，調整公司之營運策略；就投資人而言，可避免投資損失。 1.3. 研究目的本研究考量企業在不同景氣趨勢下，所面臨的財務危機不盡相同，因此基本. 假設認為，在考量景氣趨勢下，能有效提升企業財務危機之預測能力；而每個產業對於財務比率的平均水準皆不同，因此在選用財務比率時，須考量到產業因素，而本研究以台灣電子產業為主，並考量總體經濟環境，利用經建會所發佈的景氣循環基準，將景氣分為收縮及擴張趨勢，在利用公開資訊站所發佈的財務資訊中找出電子產業中每家企業的財務比率，最後再利用資料探勘技術，從電子產業中，發掘企業發生財務危機重要變數，因此本研究的主要目的具體而言有以下三點: 一、建構財務危機模型，利於投資人進行企業財務危機之預測。二、從景氣趨勢中，找出樣本分割之最適方法。三、利用支援向量機（Support Vector Machine）、類神經網路(Artificial Neural Network)及羅吉斯迴歸(Logistic Regression)等探勘技術，並利用景氣循環的趨勢，分別找出重要的財務變數，以提升財務危機之預測準確度。. 3.

(13) 1.4. 論文架構本研究的研究流程如圖 1-1 所示，共分為以下五章：. 圖 1-1：研究流程圖. 第1章. 緒論：說明研究的背景、動機、目的及研究流程。. 第2章. 文獻探討：說明研究的相關定義，包含了財務危機、信用評等、景氣循環、財務及非財務比率相關議題進行定義，並就國內外的相關研究方法與研究結果加以比較說明。 4.

(14) 第3章. 研究設計：首先介紹本研究所採用之資料集，在利用統計及人工智慧方法進行建模，加入總體經濟因素及特徵選擇的方法進行五次實驗，分別為實驗(一)至(五)，以找出最佳之樣本分割方法，進而提升財務危機之預測能力。. 第4章. 實證與結果方析:就分割之資料集及選用的預測方法所得知結果加以解釋其意涵。. 第5章. 結論與建議：包含了本研究的結論、建議及研究限制。. 5.

(15) 第2章、文獻探討本研究首先針對財務危機進行定義，接著說明實務上評價企業的方法，包含了信用評分法及信用評等，最後再針對過去文獻中利用統計及人工智慧所建立財務危機預測模型及選擇之財務變數加以論述，並討論其優缺點。 2.1 財務危機定義 2.1.1 國內外學者定義常見的財務危機意指破產(bankruptcy)、失敗(failure)、危機(crisis)、違約 (default)，而在廣義的認定上，則意指企業尚未破產，但已經無法履行債務責任，像是跳票、企業遭政府接管、申請紓困或是宣佈停工等。然而國內外學者並沒有一致性的定義，相關財務危機危之文獻如表 2-1 所示：表 2-1：國內外財務危機之定義. 學者. 定義：. Beaver (1966). 認為危機事件為發生巨額銀行透支、公司債無法履行、特別股違約及宣告破產。. Altman(1968). 採用之危機事件，仍是將企業定為實質的破產，意指企業失敗（business failure），也就是根據美國破產法宣告破產，或者是遭到政府接管及己被準許重整。. Deakin (1972). 危機事件為債權人利益遭清算，且公司面臨倒閉，無力清償債務。. Ohlson(1980). 其危機事件以法律上破產之認定。. 陳肇榮(1983). 國內學者認為財務危機之發生可分為三階段，「財務危機階段」指公司資金週轉不靈，無法如期償還債務；「財務失調階段」短期性之債務違約或支票遭退票。；「破產倒閉階段」為總負債大於總資產，公司已喪失償債能力。. 鄭嘉欣(1999). 證管會(證券期貨局前身)列為全額交割、公司跳票及違約交割之公司，視為財務危機。. 陳建年(2000). 若上市櫃公司之交易型態列為全額交割、停止買賣、終止上市、跳票及申請紓困者視為財務危機。. 資料來源：本研究整理. 6.

(16) 2.1.2 法定之財務危機上市櫃公司之法定危機事件，當公司發生變更交易方法(即全額交割股)、停止買賣、終止上市櫃，依據台灣證券交易所股份有限公司營業細則第四十九條、第五十條及第五十條之一之條文規定及財團法人中華民國證券櫃檯買賣中心證券商營業處所買賣有價證券業務規則第十二條、第十二條之一及第十二條之二規定(台灣證券交易所，2010)。 2.1.3 台灣經濟新報之危機事件定義本研究所認定之財務危機之企業，係以台灣經濟新報所認定之實質財務危機事件及準財務危機(台灣經濟新報社，2010)，舉凡企業在公開市場上發佈之以下事件，本研究視為財務危機之發生：一、. 實質財務危機事件：跳票擠兌、倒閉破產、繼續經營疑慮、重整、. 紓困、接管、鉅額虧損、每股淨值低於 5 元、違反資訊揭露、財務吃緊停工、淨值為負。其內涵如表 2-2 所示：表 2-2：實質財務危機事件. 實質財務危機事件. 說明. 跳票擠兌. 公司發生跳票或造成銀行擠兌。. 倒閉破產. 公司宣告倒閉、惡性倒閉或破產。. 繼續經營疑慮. 會計師對於繼續經營提出疑慮，就重大科目予以保留，並無法表示意見或是給多否定意見。. 重整. 聲請重整。. 紓困. 向財政部申請紓困或向銀行要求展延減息並掛帳、個別要求或召開債權人會議，全面要求清算。. 接管. 公司未發生跳票但原經營者下台。. 全額下市. 全額交割股或下市，主因分為三類：財務危機；鉅額虧損以致每股淨值底於 5 元；反資訊揭露，例如：不在期限內召開股東會、改選董事。. 財務吃緊停工. 停工未必涉及違約，但若停工消息見報時及確定為財務吃緊，則後續必發展為財務危機。. 淨值為負. 公司淨值為負，管理階層沒有增資的打算。資料來源：台灣經濟新報 7.

(17) 二、. 準財務危機事件：為發生財務危機之前奏，多數會演變為財務危機. 比如，掏空挪用、暫停交易、董事長跳票、銀行緊縮、大虧、景氣不佳停工、價值減損。其內涵如表 2-3 所示：表 2-3：準質財務危機事件. 準財務危機事件. 說明. 暫停交易. 暫停交易發生時，伴隨而來的是公司下市。而當公司主動申請暫停交易，只有少數能回復到正常交易，而多數會演變為財務危機。. 掏空挪用. 掏空挪用事件曝光，屬於重大事件，影響層面依公司體質而定，亦可能導致財務危機。. 董事長跳票. 理論上董事長跳票屬個人行為與公司無關，但就台灣公司治理的文化而言，董事長是有權去動用公司的資金，因此多半會造成財務危機。. 銀行緊縮. 銀行到期後未續借，而一旦遭銀行緊縮，易造成資金週轉不靈，除非公司自身營運狀況佳，多半會發展成財務危機。. 大虧、淨值低於 5. 公司發生嚴重虧損導致每股淨值低於 5 元而轉列全額交割股者。. 景氣不佳停工. 因景氣不佳而停工，但未傳出未積欠供應商、員工或銀行款項。. 價值減損. 因營運持續虧損，上層投資公司已於財報中認列長投永久性下跌或提列減損。資料來源：台灣經濟新報. 8.

(18) 2.2. 產業特性及總體經濟因素許多學者在建構財務危機模型時，會考量到每個產業間彼此存在著不同之財. 務特性，以(Mensah, 1984; Platt & Platt, 1990, 1991)研究結果皆有相同結論，不同的產業在於財務比率，具有顯著差異，且加入產業因素可增加財務危機模型之預測能力。康峻維(2002)以台灣電子產業與非電子產業為樣本，研究結果亦發現不同產業，在於財務比率上有顯著不同。高偉柏(2001)以營建業為例，由於收益認列方式是採取完工比例法，因此在於財務的認列上與一般產業不同，因此須各別考慮其財務特性。陳瓊蓉(2008)，檢視企業失敗原因時，不應該只侷限財務狀況，應廣泛考量更多的隱性因素，因此將總體經濟因素納入模型之中，並以台灣為研究樣本，期間為 1998 年至 2005 年，分別建立兩套預測模型進行財務危機預測，利用景氣循環將景氣分為衰退期及成長期，以類神經網路及 Logit 模型進行財務預測，其研究結果獲得以下結論，一、越接近財務危機日，其預測準確率越高。二、景氣成長模型較景氣衰退模型預測準確率較高。三、類神經網路較 logist 有較高之預測能力。而本論文與(陳瓊蓉，2008)所採行之景氣預測模式雖有其相似，但就不同處作以下三點說明：一、本研究認為各產業間對於財務比率其平均水準皆不同，因此應將產業因素列入考量。二、在加入總體經濟因素時，本研究將景氣反轉的特性列入考量，因此提出月及季樣本分割的方法。三、在實證評估上，本研究將以未考慮景氣循環進行比較，以找出最佳之樣本分割方法及財務變數。 2.3. 信用評等洪德生(2007)信用評等是對企業的償債能力進行評價，以了解企業履行債務的. 能力。當企業獲得最高的信用評等時，代表著企業履行債務能力較佳，其違約的風險最低。反之當企業獲得較低的信用評等時，代表著該企業償債能力不佳，隨時違約的機率增加(張大成，2003)。而企業的信用評等會以營運及財務的風險進行 9.

(19) 評估。在營運風險方面，所考量的是該企業面臨產業變化時，目前的營運策略是否能因應未來產業的變化，同時又分析該企業的成長潛力、公司狀況、財務特性的表現與同業相比是否有在水平之上。而財務風險是以該公司的財務比率做為試算，目的是藉由財務報表，正確的反應該企業與同業相比之營運績效。陳妙真(2004)台灣企業信用風險指標(Taiwan Corporate Credit Risk Index, TCRI) 是為了滿足銀行貸放者及投資人之需求，而 TCRI 多半採用公開資訊及統計模型以半專家判斷的方式制定評等；其評等的範圍不包含金融及證券及投資業，評分方式可分為九個等級(1~9 級)，就風險別而言第 1~4 等屬低度風險，多數為財務結構穩定，獲利之企業，具還本付息能力。第 5~6 等屬中度風險企業，意指財務結構穩定但獲利能力差或財務結構差但獲利能力尚可之企業。第 7-9 等為高風險性企業，多半是長年虧損，財務結構及流動性差，具高度的財務壓力。 2.4. 財務危機之預測模型財務危機預測是風險控管上重要的議題，過去學者常用統計方法進行財務預. 測，演變至目前人工智慧的方式，進而提升財務危機企業之預測能力。 2.4.1 統計方法 Beaver(1966)最早使用單變量區別分析(Univariate discriminant analysis)針對美國的企業進行財務危機預測，期間以 1954 至 1964 年失敗企業 79 家及成功企業 79 家為樣本，研究結果發現現金流量/總負債為最佳的衡量的財務指標。然而影響企業失敗的原因一般而言並不單純，若採用單一變財務變數解釋企業危機與否並不周延。 Altman(1968)利用多變量區別分析（Multiple Discriminant Analysis）進行危機預測，期間利用 1964 至 1965 年破產及正常美國企業各 33 家為樣本，並選用了 22 個財務比率進行分析，發展出 Z-Score 模式，運用營運資金/總資產、保留盈餘/總資產、稅前息前盈餘/總資產、股東權益市值/總負債及銷貨收入/ 總資產所組成之財務比率對於財務危機之企業具良好之預測能力。公式如下列所示，再利用 Z-Score 所得數值判斷公司是否面臨破產，當值越小其破產機率就越高，反之值越大公司則較健全，而臨界值落在 Z-Score=2.675。在後續的研究中，(Kirkos & Spathis, 2007; Merkevičius, Garva, & Girdzijauskas, 2006)學 10.

(20) 者也將 Z-Score 做為預測變數。. Z-Score=1.2X1 + 1.4X2 + 3.3X3 + 0.6X4 +0.999X5. X1= 營運資金/總資產. X2= 保留盈餘/總資產 X3= 稅前息前盈餘/總資產. X4= 股東權益市值/總負債 X5= 銷貨收入/總資產 Orgler(1970) 採用複迴歸模式針對金融機構於企業放款授信之研究，自變數(X)是指評分的項目，依變數(Y)則設為 0(違約)與 1(不違約)，並以迴歸係數找出抵押貸款/非抵押貸款、逾期放款、會計師查核與否、淨利、營運資金/流動資產、Criticized Loan 顯著之財務變數。再利用最小平方法來估計模型的參數，以決定每個評分項目的權重，研究結果表示運用授信模型，可降低其時間成本。而此模型具有簡易及方便之特性，但在實際操作上，其缺點是估計值會落在 0 與 1 以外。 Ohlson(1980)以羅吉斯迴歸，以美國 1970 至 1976 年，破產公司 105 和 2058 家正常公司做為研究樣本，並採用了 9 個財務比率進行公司的破產預測。其研究結果發現營運資金/總資產、總資產/GNP 物價指數後取對數、總負債/總資產、流動負債/流動資產、稅後淨利 / 總資產之財務比率能有效預測破產之企業，並改善複迴歸模型估計落到 0 與 1 以外的缺點，而該模型對於破產預測能力可高達 84%的正確性。上述統計方法所採用之財務比率如表 2-4 所示。然而統計方法在財務危機預測上各有其優缺點，如表 2-5 所示，而這些方法存在著一些基本假設條件，例如在一般的情況下其統計方法需財務變數必需滿足常態分配的假設條件，才能有效提升財務危機預測之準確度，但根據過去的研究結果顯示，並非所有財務變數皆能滿足此一條件，因此在於財務危機預測上統計方法漸漸的被表現較佳的人工智慧技術所取代(Min & Lee, 2005)。. 11.

(21) 表 2-4：統計方法之財務變數彙整. 財務變數. 學者. Beaver Altman Orgler (1966) (1968) (1970). Ohlson (1980). ●. 現金流量/總負債營運資金/總資產. ●. 保留盈餘/總資產. ●. 稅前息前盈餘/總資產. ●. 股東權益市值/總負債. ●. 銷貨收入/總資產. ●. ●. 抵押貸款/非抵押貸款. ●. 逾期放款. ●. 會計師查核. ●. 淨利. ●. 營運資金/流動資產. ●. Criticized Loan. ●. 總資產/GNP 物價指數後取對數. ●. 總負債/總資產. ●. 流動負債/流動資產. ●. 稅後淨利 / 總資產. ● 資料來源：本研究整理. 表 2-5：統計方法之優缺點比較. 統計方法. 內容. 優點. 缺點. 多變量區別分析. 找出一個最能區別出各. 較單變量區分析結果佳。. 1. 須符合常態分配。 2. 無法解決非線性. 群組的線性組合。. 問題。複迴歸. 兩個或兩個以上的自變. 自變數可為類別變數。. 數對於依變數之影響。羅吉斯迴歸. 用來描述自變數與依變. 配。 1. 無須符合常態分配假. 數之關係，依變數為離散型，而自變數可為名目變. 殘餘值應為常態分. 設。. 變數。. 2. 若自變數為常態分. 項與順序變項。. 自變數必須為類別資料須經過轉換。. 配，結果會比較可靠。資料來源：本研究整理 12.

(22) 2.4.2 人工智慧 1990 年後由於電腦運算能力提升，許多人工智慧技術逐漸應用在企業財務危機之預測上，而相較於統計方法，採用人工智慧於企業財務危機預測的表現較佳，本節從過去文獻中就分類器之特性及財務變數之特徵進行探討，並冀望找出適用之財務危機預測模型。 Coats 與 Fant (1993)利用類神經網路及多變量區別分析進行財務危機企業之預測，然而多變量區別分析仍有諸多的限制存在，像是輸入之財務變數必需滿足線性可分割(linearly separable)及變數間不允許有相依性(Dependency)存在，而資料來源選自S&P’s compustat 資料庫，樣本資料為 1970 至 1989 年，其中 94 家危機企業與 188 家正常企業，以 1:2 進行配對，採用變數為Altman 所建立的Z-Score模型，分別為運用營運資金/總資產、保留盈餘/總資產、稅前息前盈餘/總資產、股東權益市值/總負債及銷貨收入/總資產，所採用的變數進行分析，分別將資料利用類神經網路(ANN)及多變量區別分析進行比較，最後研究結果顯示以類神經網路表現較多變量區別分析佳。 Chaveesuk, Srivaree-ratana, 與Smith (1999)探討倒傳遞類神經網路 (Back-propagation Neural Network)、徑向基網路(Radial Basis Function Networks)、學習式量化網路(Learning Vector Quantization)及羅吉斯迴歸 (Logistic Regression)對美國公司債進行評等，資料來源以S&P 受評之公司債期間為 1996 年至 1997 年，訓練集是從 1996 年中，以隨機選取找出AAA至B級公司債券共 60 家，而實證資料集是以 1997 年隨機選取之 30 間公司債，其目的是希望找出最佳之預測模型，研究結果顯示，共選擇九個財務變數，分別為銷貨收入/總資產、總負債/總資產、總資產、總負債、長期負債/投入資本、短期負債/投入資本、流動資產/流動負債、稅前息前純益/利息費用及稅後淨利/ 銷貨收入，以倒傳遞神經網路分類之準確較羅吉斯迴歸佳。 Min 與 Lee(2005)利用支援向量機進行財務危機之預測，研究認為核函數參數是影響財務危機預測的一大因素，其樣本選自韓國最大信用擔保組織（Korea Credit Guarantee Organiation）以小型及中型企業為研究對像，資料期間為 2000 至 2002 年其選擇的樣本共有 1888 家企業，正常及財務危機公司各 944 家，並以逐步迴歸(stepwise logistic regression)進行特徵選擇，共選出經常 13.

(23) 利益/股東權益、變動成本/銷貨收入、利息費用/(長期借款+公司債)、利息費用/銷貨收入、損益平衡/銷貨收入、股東權益/總資產、營運現金流量/短期借款、固定資產/股東權益、銷貨收入/股本總額、銷貨收入/營業資產及銷貨收入 /固定資產做為預測之財務變數，再以 5 折交叉進行驗證，研究結果發現：一、最佳之邊界值 C= 211 及核參數 γ = 2−7 。二、實證結果以核函數以 Polynomial nernel 的 83.86%為最佳，但因實證結果與 RBF 相比僅成長 0.08%，而在核參數（Hyperparameters）的設定上較 RBF 多，且當自由度(degree)過大時可能有 ∞、0 的情況，特別是在特性的 C、 γ 值，易產生學習不足（underfitting）及過度學習（overfitting）問題，因此研究最後建議採用 SVM 之 RBF 做為核函數的轉換。三、相較於 MDA、Logistic Regression，實驗結果 SVM 預測能力較佳。 Huang et al.(2004)試圖利用 SVM 和類神經網路以美國及台灣之債券信用評等進行市場研究，台灣的資料來源選自中華信用評等公司；期間以 1998 至 2002 年間的 24 家金融機構為主，共收集了 74 個樣本，包含了 AAA 至 BB 及評等並採用了 21 項財務變數；美國之資料期間為 1991 至 2000 年之 36 家商業銀行，共有 265 個樣本及 21 個財務比率含 AA 至 B 級評等，並進行評等預測。研究結果顯示：一、使用 SVM 及類神經網路在美國與台灣的債券評等上約可取得 80%的預測準確率，整體而言以 SVM 較類神經網路佳。二、兩市場使用相同的財務變數進行財務預測，其研究顯示在財務變數的選擇上，會因素市場而有所差異。 Hung 與 Chen(2009)以決策樹、支援向量機及類神經網路以期望機率為基礎的多專家模型進行破產預測，資料來源選自 Wieslaw 期間為 1997 至 2001 年間發生破產的 56 家企業及 64 家正常企業，收集連續兩年的資料，共 240 筆資料中包含了 30 項財務比率，並以區別分析進行特徵選擇，最後選出 14 個財務比率分別為稅前息前盈餘/總資產、銷貨收入/總資產、現金/總資產、營運資金/銷貨收入、銷貨收入/存貨、銷貨收入/應收帳款、銷貨收入/流動資產、 365*應收帳款/銷貨收入、流動負債/總收入、總負債/總收入、總負債/股東權 14.

(24) 益、流動負債/股東權益及流動資產/銷貨收入，而實證結果顯示整體而言以期望機率之集成學習 72.5%之預測準確度較佳。但值得一提的是雖然多分類器的集成學習融合了多方之優點，但同時接受了所有缺點，所以利用多分類器學習，未必能獲得較佳之預測效果。 Tsai(2009)比較五種進行危機預測之特徵選擇的方法，在特徵選擇議題上從過去文獻利用資料探勘常用的 T 檢定（T-test）、相關係數矩陣（correlation matrix）、逐步迴歸法(stepwise)、主成份分析(Principal Component Analysis, PCA) 及因素分析 (Factor Analysis)五種特徵選擇，資料集分別取自五個國家之企業評等及破產樣本，並運用倒傳遞類神經網路進行預測，研究結果顯示：一、T-test 進行特徵選擇其準確率最高，且發生 TypeⅠ及 Type Ⅱ機率最低。二、特徵選擇的方法，可有效增加預測之能力。根據以上所探討之文獻，包含了樣本選擇、產業及總體經濟因素、分類之統計及人工智慧方法、特徵選擇之方式，本研究獲得以下結論：一、在企業財務危機的認定上，國內外學者並沒有一致性的定義，因此本研究認定之標準係以台灣經濟新報所認定之實質財務危機事件、準財務危機及法定之危機事件認定為依據。二、人工智慧是近年來常見的財務危機預測工具，而統計方法有逐漸被取代的趨勢，然而羅吉斯迴歸仍有不錯之預測能力，因此本研究在分類方法的選擇，仍會將羅吉斯迴歸列入考量，以實證方式比較各分類之結果。三、本研究在樣本配對的比例將沿用(陳肇榮，1983)以正常公司及危機公司 1:1 方式進行配對。四、本研究發現(Altman, 1968)所建的 Z-Score 經常被後續學者運用於研究模型中，且具有顯著性的影響，因此本研究將 Z-Score 視為財務變數之一。而從(Huang, Chen, Hsu, Chen, & Wu, 2004)的研究中發現信用評等為過去用來衡量企業的重要指標，加上能有效提升財務之預測能力，因此本研究視信用評等為重要之財務變數之一。五、在變數的選擇上，本研究整理了以上所討論之財務變數如表 2-7 所示(完整文獻財務變數彙整請參照附錄 1)，Huang 等(2004)研究發現相同的財務變數會因為國別的不同，排序則有所差異；加上每個研究之基本考 15.

(25) 量不同，而產業因素或經濟經濟因素也會影響到財務變數的重要性，因此本研究在變數的考量不僅以過去的文獻作為變數選擇的依據，另外加入財務的五大構面及成長指標共 57 個財務比率作為本研究之財務變數。六、近幾年集成學習(Ensemble Learning)於財務預測上亦有諸多研究，研究數據顯示多分類器其預測效果並沒有顯著提升，原因在於集成學習不僅同時接收了所有變數之優點，也同時接收了所有的缺點，所以單純採取多數決的策略，並不見得就能得到較好的預測結果，故本研究採單分類器研究。七、分類器之比較如表 2-6 所示，但在企業財務危機預測在類神經網路及支援向量機，其預測效果較多數學者所認同，Huang 等(2004)且由文獻中發現支援向量機之預測能力較類神經網路佳，但為求實驗之嚴謹本研究將類神經網路及支援向量機以實證方式，以找出最適之分類方法。八、在特徵選擇上，本研究將以(Tsai, 2009)所建議之方法，加上在資料探勘中常見的特徵選擇工具 SVM Attribute 及主成份分析進行比較，以找出最適之特徵選擇之工具。表 2-6：分類器比較表. 分類器. 內容. 優點. 缺點. 類神經網路. 1. 監督式:藉由權重不斷的調適,以減少輸出值與目標值之差距。(Odom & Sharda, 1990) 2. 非監督式:根據輸入的資料特性，自我增長學習，調整權重。 (Merkevicius & Girdzijauskas, 2006). 具學習及歸納能力，具較佳分類及分群能力。. 1. 過程黑箱 2. 資料訓練需要大量資料及多回合訓練(Iterations）。. 決策樹. 子樹以遞迴方式進行分割，選擇屬性的方式利用計算熵(Entropy)方式，找出最大的資訊獲利(Information Gain)。(Gehrke, 1999). If-then 規則易於理解。. 過度配適 (Overfitting)指模型過度訓練。. 支援向量機. 找出超平面(Hyperplane)，將資料分為兩適用於樣 1. 需選擇合適的核類，再找出邊際值(Margin) 本數較少。函數參數。 (Joachims, 1998; Cristiamini, 2000) 2. 多維資料的映射維度難以視覺化。資料來源：本研究整理 16.

(26) 表 2-7：人工智慧相關文獻之財務變數. Odom 與財務變數. 學者. Min 與 Chaveesuk Sharda lee 等(1997) (1990) (2005). 營運資金/總資產. ●. 保留盈餘/總資產. ●. 稅前息前盈餘/總資產. ●. 股東權益市值/總負債. ●. 銷貨收入/總資產. ●. Huang 等 (2004). Hung 與 Chen (2009). ● ●. 總負債/總資產. ●. ●. 總資產. ●. ●. 總負債. ●. ●. 長期負債/投入資本. ●. ●. 短期負債/投入資本. ●. 流動資產/流動負債. ●. 稅前息前純益/利息費用. ●. 稅後淨利/銷貨收入. ●. ●. 經常利益/股東權益. ●. 變動成本/銷貨收入. ●. 利息費用/(長期借款+公司債). ●. 利息費用/銷貨收入. ●. 損益平衡/銷貨收入. ●. 股東權益/總資產. ●. 營運現金流量/短期借款. ●. 固定資產/股東權益. ●. 銷貨收入/股本總額. ●. 銷貨收入/營業資產. ●. 銷貨收入/固定資產. ●. 現金/總資產. ●. 營運資金/銷貨收入. ●. 銷貨收入/存貨. ●. 銷貨收入/應收帳款. ●. 銷貨收入/流動資產. ● 17.

(27) 365*應收帳款/銷貨收入. ●. 流動負債/總收入. ●. 總負債/總收入. ●. 總負債/股東權益. ●. 流動負債/股東權益. ●. 流動資產/銷貨收入. ●. 營業淨利率. ●. 股東權益+長期負債/固定資產. ●. 資產報酬率. ●. 股東權益報酬率. ●. 營運收入/資本(Operating. ●. incom/recived capitals) 稅前淨利/資本(net income before tax /. ●. recived capitals) 淨利/銷貨收入. ●. 每股市價/每股股利. ●. 銷貨毛利率. ●. 稅前淨利/銷貨收入. ●. (營運現金流量+現金股利). ●. /(固定資產+其它資產+營運資金). 資料來源：本研究整理. 18.

(28) 2.5. 特徵選擇與分類方法. 2.5.1 特徵選擇特徵選擇的目的在於將變數的數量縮減，並將一些重複及不重要的資訊刪除，以提升資料的品質。而在資料縮減的過程，可以避免雜訊值的產生。本研究在完成樣本分割後將進行資料的特徵選擇，所利用兩種方法主成份分析及 SVM Attribute 說明如下: 一、主成份分析主成份分析是由 Karl Pearson 於 1901 年提出，再由 Hotelling 發展而成，主成份分析目的在於找出一個新的變數集合(丁一賢、陳牧言，2005)其所選出的第一個變數可以反應出的資訊最多；而第二個變數與第一個變數垂直，且受到第一個變數的限制，則可反應出剩餘的變動性。主成份分析具有以下特點：一、易辨識出具代表性之變數。二、資料的變動性可由少部份的的資料所取得。三、減少雜訊的產生。公式(1)為平均數之計算公式 μ j :為第 j 個變數平均數、i :為樣本筆數及 j :變數個數，當求得平均數後，使矩陣中每行向量平均數為 0。公式(2)為共變數矩陣 (Variance-covariance Matrix)公式。. μj =. 1 N ∑ X ij N i =0. 1 S= N. ∑∑ ( X N. (1). M. i = 0 j =1. − μ j )( X i − μ j ). T. i. (2). 公式(3)為主成份分析之特徵矩陣，Vi 為特徵向量(Eigenvector)，而 V1*至 Vn*為主成份之大小依序排序。公式(4)R 為主成份中變異數的累積機率; λ 為特徵值 (Eigenvalue)，值越大代表性較足夠。. ⎡ V1* ⎤ ⎡ V1,1 L V1, N ⎤ ⎡ V1 ⎤ ⎢ ⎥ ⎢ ⎥ ⎢M ⎥ M ⎥ ⎢ M ⎥ =⎢ M O ⎢ ⎥ ⎢VN * ⎥ ⎢⎣VN ,1 L VN , N ⎥⎦ ⎢V ⎥ ⎣ ⎦ N ×1 N × N ⎣ N ⎦ N ×1 R=. λ1 + λ2 + L + λγ × 100% λ1 + λ2 + λ3 + L + λ j. (3). (4). Min 與 Lee(2005)的特徵選擇的方式，是利用因子分析之特徵值找出第一主成 19.

(29) 份及第二主成份，再藉由因素負荷量(factor loading)選取絕對值大於 0.5 之財務變數。另一種作法是根據(Kaiser, 1960)準則，利用特徵值排序的方式，將特徵值大於 1 的成份予以保留，或是藉由累積機率方式找出前 70%具有解能力之財務變數。二、 Svm Attribute 本研究以 weka 軟體中的支援向量機特徵選擇功能，作為變數精簡的方法，該演算法是由（Guyon, Weston, Barnhill, & Vapnik, 2002）提出，其支援向量機特徵選擇的概念，首先是利用支援向量機之演算法，計算在訓練模型中線性組合的特徵權重，當訓練完成後，再利用支援向量機遞迴特徵消去法(Recursive Feature Elimination, RFE)將每個變數之特徵權重開平方，並加以排序，以找出重要之特徵，相關說明請參考(weka, 2010)。 2.5.2 分類方法一、羅吉斯迴歸(Logistic regression) 羅吉斯迴歸為非線性的迴歸模型(Olson & Yong, 2005)，無須符合常態分配的假設條件，且自變數及依變數彼此存在著指數關係，自變數可以是類別變數或是連續型變數；依變數可為類別變數值域的範圍會落在 0, 1 間，公式推導如下：公式(5)P 為事件成功之機率； e f ( x). P = 1+ e f ( x ). (5). 公式(6)1-P 為事件失敗之機率。. 1 − P = 1+ e1f ( x ). (6). 公式(7)為勝算比或稱為事件發生比（odds ratio），用來說明事件發生機率與不發生機率之強度。公式(8) 對事件發生比取 ln，再做多項式迴歸即為羅吉斯迴歸。 β 為估計係係數；X 為自變數。. P = e f ( x) 1− P. ln. (7). p = f (x) = β0 + β1X1 + β2 X2 +⋅⋅⋅⋅⋅+ βk Xk 1− p 20. (8).

(30) 二、倒傳遞類神經網路(Backpropagation Neural Network, BNN) Werbos(1974)倒傳遞類神經網路是常見的財務預測工具，為一種多層前饋式類神經網路(Multilayer Feedforward Neural Networks )屬於監督式學習，監督式學習是一種類神經網路訓練資料的方法，它會籍由輸入樣本資料及輸出資料，經由不斷的修正權重值的方式，找到輸入及輸出中對映的規則(丁一賢、陳牧言，2005)。倒傳遞類神經網路架構為圖 2-1 所示，可分為三大層，輸入層(input layer)、隱藏層(hidden layer)及輸出層(output)，而每一層網路皆有數個神經元（Neuron）所組成，且存在對應之權重值(weight)，概念是利用前一層的輸出資料的權重值的大小來影響下一層。 1.. 輸入層:用來表現輸入之變數，本研究以特徵選擇後之財務變數做為輸入層之變數。. 2.. 隱藏層:是用來表示輸入單元彼此交互影響程度，而在單元數目選擇上，目前仍沒有一致性標準。過去學者建議隱藏層之數量為：（輸入層數目＋輸出層數目）/2 ＜隱藏層數目＜輸入層數目＊2 ；本研究會以實證之方式，找出最佳出參數；輸出層為財務危機及正常公司兩種。. 3.. 輸出層：在訓練階段，其訓練樣本所輸出之值會與實際值進行相互學習，以調整出最佳之權重值；當 BNN 收斂後，再輸出最後的訓練結果。. X1. 財務危機. X2. X3 . .. 正常公司. Xm. 輸入資料集. 輸入層. 隱藏層圖 2-1：類神經網路架構圖 21. 輸出層.

(31) 倒傳遞類神經網路原理是利用最陡坡降法(The Steepest Descent Method)來學習隱藏層及輸出層之權重值，如公式(9)所示:目的是利用 ΔWij 於不斷的修正加權值以得達到誤差值平方最小； ∂E / ∂Wij 利用微積分之連鎖率（chain rule）進行轉換。. η 代表學習速度；而學習速率將會影響到權重值修正的大小，及收斂速率的快慢， η 值越大則樣本訓練的時間較短，但缺點是當權重過大時，會造成無法收斂的情況；權重值過小，則可能造成局部最小值(local minimum)的現象。. ΔWij = −η (. ∂E ) ∂Wij. (9). 公式（10）E(W)代表誤差函數; t j 代表實際值； y j 代表訓練樣本之輸出值。. 22.

(32) 三、支援向量機(Support Vector Machine ,SVM) 支援向量機是以統計為基礎的分類方法(Olson & Yong, 2005)，目的是要找出一個超平面(hyperplane)將兩個不同類別的資料分開，如圖 2-2 所示，我們將資料分為財務危機與非財務危機兩類，將所分類好之資料映射到高維度的空間中 (feature space)，而這個過程必需透過核函數參數的轉換。而常見的核函數包含了線性(linear)、多項式(Polynomial)、Sigmoid 及輻狀基底函數(Radial Basis function, RBF)，而過去研究發現(Min & Lee, 2005; Huang 等, 2004) 在財務危機預測上，多項式及輻狀基底函數為較佳之映射函數，因此本研究會以兩種方法進行實證，找出最適之映射方式。最後再經由核函數，將資料映射至特徵空間中，其找出將資料分割為兩類之超平面，求最大之邊際值(margin)，其用意是明確的分割兩類之集合，減少其誤差之產生。公式如下所示：(火元蓮、齊永鋒及宋海聲，2007) 設 ( xi , yi ) 為變數個數 yi ∈ (−1,1) ； i =1,2,…,N 為 i 為訓練樣本個數 w 及 b 為邊界參數；而將超平面(Hyper-plan)定義為。 w.x + b = 0, (11) 而將公式(11)改寫為公式(12)以求得超平面距離最大。. y1 ( w.x + b) ≤ 1. i = 1,2,L, N .. (12). y ( x) = sgn[ w ⋅ φ ( x) + b] = sgn[α i yi K ( xi , x) + b],. (13). 並將公式(13)拉格朗日乘數（Lagrange multiplier）α i ，代入公式(14)目標函數函數中，再利用 SMO 決解二次規劃問題(Keerthi, Shevade, & Bhattacharyya, 2001)。. 1 N max L( w, b, ζ ,α ) = ∑α i − ∑ 2 i =1 i =1 N. s.t.. 0 ≤ αi ≤ C. n. ∑α y i =1. i i. N. ∑α α j =1. i. j. yi y j K ( xi , x j ). = 0. (14). 23.

(33) 財務危機. Non-linear i Kernel function. 財務危機. 非財務危機. 非財務危機. The input space. The new space 圖 2-2：支援向量機架構圖. 本研究使用序列最小優化(Sequential Minimal Optimization, SMO)對於線性支援向量及稀疏資料特別有效可用來解決二次規劃(Quadratic Programming, QP)問題 (Flake & Lawrence, 2002; Hastie, 1998; Platt, 1999)。SMO 的算法是將較大的 QP 利用其中一個子集進行訓練，利用拉格朗日乘數進行優化以找到最適解，並將訓練所獲得之支援向量帶入其他子集中，以獲得子集之最適結果。公式說明如下：為了不違反約束條件公式(14)因此將 α 1 及 α 2 所獲得的新值帶入公式(15)中，其 α 1 及 α 2 必需滿足 0 ≤ α1 及 α 2 ≤ C 的約束條件(C 為常數)；常數 = α1. α 2new = α1oldα 2old .. new. (15). 下列公式(16)為目標函數的二階導數( K( x1 , x1 ) 為核函數)。. η = K( x1 , x1 ) + K( x2 , x2 ) . K( x3 , x3 ) .. (16). 最後將公式(15)帶入公式(16)，並優化目標函數，如公式(17)。. α 2new = α 2old. y2 ( E1− E2 ). η. 公式(18)為 α 2. new. ,. (17). 限制式，而 α 1. ⎧H if ⎪ α 2new = ⎨α 2new if ⎪ if ⎩L. new. 可由公式(19)求得。. α 2new ≥ H ; L < α 2new < H ;. (18). α 2new ≤ L.. α1new = α1old + S (α 2old − α 2new ).. (19). 24.

(34) 第3章、研究設計本章主要是建構企業財務危機之模型，在以下章節中，將加以說明建構模型時所面臨五個主題，包含研究模型、資料來源、台灣所採行之景氣循環、說明本研究所採用之財務變數及最後是本研究採用之分類方法。 3.1. 研究模型本研究目的在於建構利於投資人進行財務危機預測之模型，而主要動機是認. 為不同的景氣趨勢下，企業所面臨的財務危機皆有不同，因此為了提昇企業財務危機之預測能力，應找出在不同趨勢下之重要財務變數進行財務危機之預測，對於使用該財務危機之預測模型之投資人而言，流程包含以下五點步驟：一、選擇預測之樣本。二、為提昇財務危機之預測能力，投資人必須判定目前的景氣趨勢。三、在依據不同景氣趨勢下所建構之預測模型進行財務危機預測。四、其次是選擇預測之分類器。五、最後為危機企業預測結果。為了改善企業財務危機之預測能力，本研究考量各產業之特性；並加入景氣的概念，試圖找出最佳之預測模型，本實驗設計將包含以下四點：一、在樣本的選擇上，考慮各產業因素。二、在資料集中加入景氣趨勢。三、在考量景氣趨勢下，找出最佳之樣本分割方法。四、找出最佳特徵選擇之方法. 圖 3-1：研究設計流程 25.

(35) 3.2. 資料來源本資料取自台灣經濟新報資料庫，根據台灣經濟新報所定義之實質財務危機. 事件及準財務危機事件做為危機企業之選擇標準(台灣經濟新報社[TEJ]，2009)，期間為 1992 年至 2008 年台灣上市、上櫃、興櫃及公開發行企業共 230 家。本研究以台灣電子產業為樣本資料的主要考量是有以下兩點：一、電子產業占台灣總體上市櫃家數一半以上，具有舉足輕重之影響力。二、多位學者過去的研究結果顯示應考量到產業因素(Mensah, 1984; Platt & Plat, 1990,1991; 高偉柏；2001；康峻維，2002)。在 230 家公司中，財務危機公司及正常公司各 115 家，以 1:1 進行配對；其危機公司與正常公司樣本配對條件，是相同產業別中總資產規模相近方式進行配對，如附錄 2 所示；附錄 3 為危機公司之產業類別及危機事件說明；附錄 4 為配對正常公司之產業類別。而從 230 個樣本資料中，本研究歸納了以下樣本特性：一、在 230 個樣本，危機公司與正常公司之樣本分佈如表 3-1 所示，就樣本資料的分佈情況而言，2003 年至 2008 年之樣本資料占總體家數約 82%。二、從危機企業主要的營收項目來看，主要是以光電\IO、主機版、半導體、軟體服務及電子零組件為主，如圖 3-2 所示。而正常公司主要收入來源為電子零組件、半導體、主機版、光電\IO 及軟體服務為主如圖 3-3 所示。所選擇之危機企業樣本中，企業所面臨之財務危機事件前五項，以繼續經營疑慮最多，其次是跳票擠兌、紓困、大虧或淨值低於 5 元及重整，如圖 3-4 所示。. 26.

(36) 表 3-1：財務危機公司與正常公司家數. 類別年度 1992 年 1998 年 1999 年 2000 年 2001 年 2002 年 2003 年 2004 年 2005 年 2006 年 2007 年 2008 年總計. 電子產業財務危機公司正常公司 1 1 2 2 3 3 3 3 7 7 4 4 9 9 19 19 23 23 17 17 9 9 18 18 115 115 資料來源：本研究整理. 圖 3-2：危機公司主要營運項目. 圖 3-3：正常公司主要營運項目 27.

(37) 圖 3-4：危機企業之危機事件統計. 然而在樣本的選取上仍有其限制，例如：大宇資於 2007 年 4 月 10 日發生財務危機，本研究會以大宇資 2006 年之年報為訓練樣本，但根據台灣證券交易法的規定，公開發行公司年報的發佈期限為次年 4 月 30 日前，因此在現實情況下，大宇資在財務危機發生前，上一年度之年報可能尚未發佈。因此本研究假設當年度之年報僅揭露該年度之財務資訊，然而對於上述之情況仍視為有效之樣本，因為本研究的主要目的在於找出不同景氣趨勢中重要的財務變數，以提升財務危機之預測能力，重點會在於找出影響財務危機發生之重要變數，在多方考量後，本研究仍會將次年度 4 月 30 日前發生危機之企業列入考量。 3.3. 財務變數本研究在財務變數的選擇上，首先根據國內外學者所選用之樣本及分類方法. 所得之財務變數進行彙整，本研究的財務變數的選擇有以下二個特色：一、景氣因素及各別產業因素是過去國內外學者較少同時考量。二、在變數特徵的選擇上，過去著重使用統計方法，而本研究考量到資料探勘近年來在財務危機之預測上有顯著的效果，因此加入了過去鮮少被討論的 SVM attribute 方法進行特徵選擇。本研究之基本假設認為，景氣在擴張及收縮趨勢下企業所面臨之財務危機狀況皆不同，故本研究在不同景氣趨勢之重要之財務變數選擇上是以常見之財務比率及文獻中常見之非財務比率做為本研究之輸入變數。本研究財務變數的選擇上，考量了財務比率之五大構面、獲利能力、償債能 28.

(38) 力、資本結構及經營能力，及 9 項成長率指標,並加入 Z-Score 及 TCRI 評等變數共 57 項，如附錄 5 所示，再以特徵選擇的方式，找出具有重要性之財務變數，最後以分類器進行準確率實證研究。 3.4. 總體經濟指標-景氣循環一個國家的經濟發展可由總體經濟指標一窺究竟，常見的總體經濟指標像是. 經濟成長率、國民所得、稅收佔 GDP 比率、消費者物價上漲率等(行政院主計處， 2009)，或者是綜合性指標如景氣領先指標、景氣同時指標或景氣對策信號等，以景氣領先指標為例，其內含如外銷訂單指數、實質貨幣總計數、股價指數、製造業存貨量指數、工業及服務業加班工時、核發建照面積及 SEMI 接單出貨比 7 項指標所構成 (行政院經濟建設委員會 [經建會 ]， 2009)，再藉由每項指標分數的權重加總來決定分數的高低，以協助專家認定國家未來經濟的好壞，而每個月由經建會所發佈，可用來預測未來景氣的走向。然而景氣會歷經大大小小的循環，並具循環性，如果將景氣領先指標做為景氣趨勢的認定方法，其困難點在於，該如何視景氣為完整循環？圖 3-5 為 1990 至 2009 年景氣綜合指標走勢圖，由圖示中，難以尋找與定義景氣之擴張及收縮趨勢，因此本研究採用經建會所發佈景氣循環做為樣本分割之標準。. 分數. 年份. 圖 3-5：1990-2009 景氣領先、同時及對策信號走勢圖. 29.

(39) 景氣循環代表的是國家總體經濟環境的波動，一個完整的景氣循環會歷經四個不同的階段，擴張、收縮、衰退及復甦期。在景氣循環週期中，由谷底到達景氣的高峰稱為擴張期，而收縮期則是由景氣的高峰到谷底稱之。景氣循環可分為古典循環（ classic cycle）及成長循環（ growth cycle），前者係指經濟活動絕對水準值的上下波動；後者則指去除成長趨勢後的變化。台灣所採用的景氣循環為成長循環(Growth Cycle)(經建會，2009)，基準循環數列為包含了一、實質 GDP。二、工業生產指數。三、實質製造業銷售值。四、批發零售及餐飲業營業額指數。五、非農業部門就業人數，五項總體經濟指標所構成的基準數列。而景氣循環的基準日之認定，除了以上之基準循環數列，亦將生產、消費、就業、貿易、交易等代表性數列做輔助判斷，最後再召集專家及學者討論，進行事後高峰及谷底之認定。台灣從 1954 年至 2010 年止，歷經 11 次的完整循環，而第 12 次循環目前僅可以確立 2005 年 2 月至 2008 年 3 月為擴張期，而至 2010 年 1 月景氣的谷底仍未定，其景氣循環如表 3-3 所示。表 3-2：台灣景氣循環基準日期. 循環次序. 谷底. 高峰. 谷底. 擴張期(月) 收縮期(月) 全循環(月). 第 1 循環 1954.11. 1955.11. 1956.09. 12. 10. 22. 第 2 循環 1956.09. 1964.09. 1966.01. 96. 16. 112. 第 3 循環 1966.01. 1968.08. 1969.01. 31. 14. 45. 第 4 循環 1969.01. 1974.02. 1975.02. 52. 12. 64. 第 5 循環 1975.02. 1980.01. 1983.02. 59. 37. 96. 第 6 循環 1983.02. 1984.05. 1985.08. 15. 15. 30. 第 7 循環 1985.08. 1989.05. 1990.08. 45. 15. 60. 第 8 循環 1990.08. 1995.02. 1996.03. 54. 13. 67. 第 9 循環 1996.03. 1997.12. 1998.12. 21. 12. 33. 第 10 循環 1998.12. 2000.09. 2001.09. 21. 12. 33. 第 11 循環 2001.09. 2004.03. 2005.02. 30. 11. 41. 第 12 循環 2005.02. 2008.03. 未定. 37. —. —. 資料來源：經建會 2010 年 30.

(40) 3.5. 實驗設計(一)~(五) 為了解景氣循環以及資料分割方法不同對於財務危機預測的影響，本研究共. 進行了五種不同的實驗設計，實驗設計(一)較為簡單，在未考慮景氣循環的情況下，直接將所選擇財務變數，經由特徵選擇的方式進行預測，也是過去學者較常採用的方式。而實驗設計(二)～(五)的部份則是考量景氣循環趨勢針對不同的實驗環境進行設計，而樣本資料的分割方法會是本節論述的重點，如圖 3-6 所示。. 圖 3-6：實驗設計-實驗(一)~(五). 本研究以財務危機日及財報發佈日為樣本分割之基準。財務危機日即企業發生財務危機之基準日，而財報發佈日則是年報或者是半年之公告之基準日。以博達為例，於 2004 年 6 月 15 日在無預警的情況下宣佈重整，引發財務危機，此時樣本分割方法若以財務危機日為基準，則會視該樣本為何種景氣循環趨勢?由於 2004 年 3 月 1 日至 2005 年 1 月 31 日為景氣循環之收縮期，因此，本研究會將博達視為收縮期之樣本之一，如圖 3-7 所示。 31.

(41) 過去的研究發現(Altman, 1968; Ohlson, 1980; 陳瓊蓉，2008；劉向麗，2001)，當所採用的財務報表越接近財務危機日，其財務危機之預測準確率也就越高。然而現實的生活中，我們永遠不知企業何時會引發財務危機？但財務危機發生的往往有跡可循的，企業在尚未爆發財務危機前，可能會利用作帳手法，美化財報，隱藏其資訊，而增加危機預測的困難度，因此本研究以財務發佈日期進行樣本分割，目的是希望找出不易被察覺的財務特徵，以提升財務危機之預測能力。. 圖 3-7：樣本分割方法-財務危機發生日及財報發佈日以博達為例. 同樣如圖 3-7 所示，博達在 2004 年 6 月 15 日前，也就是博達尚未發生財務危機以前，本研究會就財務報表的發佈日，做為樣本分割之基準日，而年報的發佈日會在 2004 年的 3 月 1 日至 4 月 30 日之前，此時財報的發佈日正好落入景氣循環的收縮趨勢之中，因此本研究視博達為收縮期之樣本。另一個景氣循環趨勢分割的方法，是以月或季做為分割之單位，以月分割為例：從 2004 年 3 月正好是景氣循環的高峰，接下來的幾個月景氣面臨反轉，至 2005 年 2 月來到谷底，此時以月為單位，找出在 2004 年 3 月 1 日至 2005 年 1 月 31 日發生財務危機企業，並將該企業歸為收縮期之樣本，擴張期做法亦同，其做法如圖 3-8 表所示。而季的分割方法，主要考量到企業財務危機之發生，會因為景氣的快速反轉而造成，如果企業發生財務危機時間點正好落在景氣反轉前一個月，此時我們如 32.