報導習性與MD&A當期報導一致性之關聯研究 - 政大學術集成

全文

(1)國立政治大學會計研究所碩士論文. 政治當期報導一致報導習性與 MD&A 大. 立. ‧. ‧ 國. 學. 性之關聯研究. n. er. io. sit. y. Nat. A Study of the Relationship between the Past Reporting Tendency and the v MD&A i Reportinga lConsistency of n C hengchi U. 指導教授：周濟群. 博士. 研究生：莊南琦. 撰. 中華民國一零四年五月.

(2) 立. 政治大. ‧. ‧ 國. 學. n. er. io. sit. y. Nat. al. Ch. engchi. i. i n U. v.

(3) 致謝辭首先誠摯地感謝指導教授周濟群老師的教導，老師在論文上悉心指點，亦給予學生關於學習、求知態度之幫助，不時的討論並指點我正確的方向，在老師的指導下獲益匪淺；還有柏祥學長的教導，認真、耐心的指導我們使用統計軟體及各種資料庫資料的蒐集，即使面臨到任何不論是簡單、困難的問題或是學長已經說過的事情，柏祥學長還是會不厭其煩地在百忙之中抽空幫助我、回答我和仔細的教導我；還有非常感謝電腦之神長瑋，沒有你所撰寫的程式，幫助我們獲取、. 政治大宸昕、正昇、傑仁，每次的討論與意見的交流，都對我有莫大的幫助。立. 整理樣本的資料，這篇研究真的無法完成；最後一起奮鬥的同門師兄弟，人豪、. 在最後當學生的階段也認識到了很多好朋友，廖志豪、譚宇浩、邱譯模、許. ‧ 國. 學. 正昇、林子評、陳奕維，在碩士班兩年的日子裡互相學習、砥礪，共同完成大大. ‧. 小小的報告及規劃出遊的行程，因為有你們讓碩士班的生活過得更多采多姿。. y. Nat. 最後感謝家人和 Sunny 的支持與鼓勵、關懷與包容，不斷勉勵、告訴我，你. n. al. er. io. 謹以此文感謝你們。. sit. 一定辦的到、你一定可以的，感謝你們願意讓我做自己想做的事情及願意相信我，. Ch. engchi. i n U. v. 莊南琦. 謹誌於. 國立政治大學會計研究所中華民國一零四年五月. ii.

(4) 摘要本研究透過文字探勘法(Text Mining)對美國 2004 年至 2014 年之企業進行分析，擷取 10-K 年報中之 MD&A 段落及 Compustat 資料庫中企業之財務資料，利用正負向詞典、向量空間模型(VSM)、TFIDF 技術、K-means 演算法等技術，將企業之 MD&A 與財務績效進行分群，最終將 MD&A 與財務績效之報導語調分類為悲觀、保守、持平、樂觀、誇大，共 5 種企業報導情境。本研究探討過去企業管理階層之 MD&A 報導語調與當期 MD&A 報導語調與財務績效一致性之關. 政治大關，亦即若過去企業報導習性呈現樂觀之平均報導語調，企業在當期 MD&A 與立. 聯，研究假說為企業當期 MD&A 之報導一致性，會與過去的報告習性呈現正相. 財務績效一致性也會有偏向樂觀之報導語調。. ‧ 國. 學. 研究結果顯示，企業過去 3 年之平均報導語調與當期企業 MD&A 與財務績. ‧. 效一致性之報導語調呈現顯著正相關，故可以合理推論，隨著時間經過，管理階. n. al. er. io. sit. y. Nat. 層仍會維持相同的 MD&A 報告習性。. Ch. engchi. i n U. v. 關鍵字：報導習性、報導一致性、文字探勘、MD&A、K-means. iii.

(5) Abstract This study presented a way to analyze US’s enterprises from 2004 to 2014 via text mining method. I use computer programs to capture MD&A paragraphs in 10-K annual report and financial information in Compustat database. The methods used to measure the consistency of MD&A and financial performance include Dictionary approach, TFIDF, Vector space model (VSM) and K-means cluster analysis. The consistency can be presented five different reporting tones: pessimistic, conservative, fair, optimistic, exaggerate.. 政治大 tendency of MD&A and current-year 立 reporting consistency of MD&A and financial This study investigated the relationship between management’s past reported. ‧ 國. 學. performance. Research hypotheses is current-year reporting consistency will present significantly positive relationship to the past reporting tendency. It’s present that if the. ‧. average reported tendency in past three years showing the optimistic tone,. sit. y. Nat. current-year reporting consistency of MD&A and financial performance will also. n. al. er. io. report optimistic tone.. i n U. v. The results show that companies’ average reported tendency in past three years. Ch. engchi. presents significantly positive relationship to the current-year reporting consistency of MD&A and financial performance. The results can be reasonably inferred that enterprise’s management will maintain the same reporting tendency in disclosing MD&A from the past years to the current year.. Keywords: Reporting Tendency, Reporting Consistency, Text mining, MD&A, K-means. iv.

(6) 目錄壹、. 前言 ................................................................................................................. 1. 第一節. 研究動機 ......................................................................................................... 1. 第二節. 研究目的 ......................................................................................................... 4. 第三節. 研究問題 ......................................................................................................... 6. 第四節. 論文架構 ......................................................................................................... 7. 貳、. 文獻探討 ......................................................................................................... 9. 第一節. 文字探勘介紹 ................................................................................................. 9. 第二節. 文字探勘與財務會計相關研究 ................................................................... 10. 第三節. MD&A 有用性相關研究 ............................................................................. 10. 參、. MD&A 資訊品質相關研究 ......................................................................... 13. 學. 第五節. ‧ 國. 第四節. 政治大非財務資訊與企業未來績效之關係 ........................................................... 12 立研究方法 ....................................................................................................... 15. 定義企業 MD&A 與財務績效一致性指標的衡量方法 ............................ 15. 第二節. 主要研究架構圖 ........................................................................................... 19. 第三節. 研究樣本 ....................................................................................................... 21. 第四節. 研究樣本處理過程 ....................................................................................... 21. 第五節. 建立實證研究模型 ....................................................................................... 26. ‧. 第一節. n. er. io. sit. y. Nat. al. 肆、. Ch. engchi. i n U. v. 研究結果 ....................................................................................................... 33. 第一節. 敘述統計量 ................................................................................................... 33. 第二節. 相關係數分析 ............................................................................................... 36. 第三節. 迴歸分析結果 ............................................................................................... 39. 第四節. 增額測試 ....................................................................................................... 42. 第五節. 敏感性測試 ................................................................................................... 44. 伍、. 研究結論與限制 ........................................................................................... 46. 第一節. 研究結論 ....................................................................................................... 46. 第二節. 研究限制 ....................................................................................................... 48. 陸、. 參考文獻 ....................................................................................................... 49 v.

(7) 圖目錄圖 1-1 論文架構圖……………………………………………………………….……………...……… 8 圖 3-1 主要研究架構圖……………………………………………………………………….………. 20. 圖 3-2 MD&A 與財務績效樣本處理流程圖……………………………….………….….….. 25. 立. 政治大. ‧. ‧ 國. 學. n. er. io. sit. y. Nat. al. Ch. engchi. vi. i n U. v.

(8) 表目錄表 3-1 一致／不一致之定義矩陣………………………………………………………..……..… 15 表 3-2 研究樣本之產業類別彙總表……………………………………………………..………. 23. 表 3-3 財務比率公式表………………………………………………………………………..…..….. 24. 表 3-4 變數匯總表………………………………………………………….………………………..…. 32 表 4-1 實證模型各變數之敘述統計量………………………………….………..……….….…. 35. 表 4-2 相關係數矩陣分析表……………………………………………………………..………..... 38. 政治大. 表 4-3 報導習性與 MD&A 當期報導一致性關聯之迴歸分析結果……………....… 41. 立. 表 4-4 報導習性與 MD&A 當期報導一致性關聯之增額測試迴歸分析結果.…. 43. ‧. ‧ 國. 學. 表 4-5 報導習性與 MD&A 當期報導一致性關聯之敏感性測試迴歸分析.......…. 45. n. er. io. sit. y. Nat. al. Ch. engchi. vii. i n U. v.

(9) 壹、. 前言. 本研究主要係探討過去報導習性(Reporting Tendency)與管理階層討論與分析(Management’s Discussion & Analysis of Financial Condition and Results of Operations，以下簡稱 MD&A)當期報導一致性(Reporting consistency)之關聯，報導語調係指企業當期報導 MD&A 與財務績效之態度，依照本研究自訂之矩陣內容所呈現出管理階層報導態度，分為悲觀、保守、持平、樂觀、誇大，共 5 種報導語調；報導習性係指企業管理階層於過去 10-K 年報中揭露 MD&A 與財務績效一致性之報導習慣，將管理階層在過去期間揭露 MD&A 與財務績效之報導語. 政治大. 調匯總，即為管理階層過去揭露 MD&A 之報導習性。. 立. 第一節研究動機. ‧ 國. 學. 上市上櫃企業之年報就像是通往解答企業運作機密的鑰匙，不論營運規模再大或營運活動再複雜的企業，企業的營運結果都可透過財務報表，使投資人與債. ‧. 權人憑藉著分析其內容做為是否投資或融資決策之決定因素。. y. Nat. sit. 因此透過財務報表我們可以瞭解到一個企業的公司簡介、公司治理情況、財. n. al. er. io. 務狀況及營運體質是否健全，例如負債是否低估或是營運資金是否充足，也可以. i n U. v. 瞭解到企業的營運狀況、經營績效及檢討相關之風險事項是否完善，例如本年度. Ch. engchi. 的淨利是否較以往年度增加，或是未來若經營環境改變時企業是否能及時因應等等，所以透過財務報表中之財務資訊與非財務資訊，可以幫助獲得決策上許多有用資訊。財務資訊是指以貨幣形式的數據資料為主，結合其他資料，用來表明企業運作的狀況及其經濟信息。相對於財務資訊而言，非財務資訊是指以非財務資料形式出現與企業的生產經營活動有著直接或間接關聯的各種資料。. 1.

(10) 非財務資訊則能提供有關公司永續經營、投資發展策略的相關文字性資訊 (textual information)，如企業財務附註或企業年報中的文字性資訊，亦包含許多重要的企業公開資訊。Kloptchenko, Eklund, Karlsson, Back, Vanharanta and Ari(2002)指出年報中文字性資訊所能提供之資訊較財務比率多，可提供企業決策者、合作夥伴、競爭者以及股東更具價值之資訊，其中美國 10-K 年報中 MD&A 所包含的資訊，可讓財務報表使用者了解管理者之目標(Objective)、策略 (Strategies)以及風險(Risk)(EBRC, 2010)，給予財務報表使用者有關管理階層的決策過程與考量。學者之研究指出管理階層的文字敘述所提供的訊息，對投資者、. 政治大. 金融分析師而言係如同財務比率一樣有用(Schipper, 1991; Rogers and Grant, 1997)。. 立. 學術界有許多財務與會計研究已對 MD&A 之內容加以分析，並結合使用實. ‧ 國. 學. 證分析證明此類資訊確實存有其討論空間，而其中又以對於未來所作預測性之敘. ‧. 述最有價值，過去已有多位學者探討 MD&A 中預測性敘述之動機及其對於未來. y. Nat. 之影響，分析管理階層對於未來之預測，可以從中研究出企業所揭露消息之好壞. er. io. 素。. sit. 及公司之融資需求、競爭情形等，都是影響企業主動於年報中做出預測之考量因. al. n. v i n 而在 MD&A 當中包含管理階層對未來之預測之敘述，稱為未來預期性陳述 Ch engchi U. 語句（Forward-looking Statement, FLS），美國已立法訂定應對投資人說明其對未來之預測，並列出相關的未來預期性陳述語句關鍵字如 anticipate, assume, believe, can, could, estimate, expect, forecast, goal, hope, intend, may, might, object, outlook, plan, predict, seek, should, target, will 皆是代表對未來預測性之敘述。. 2.

(11) 過去學者曾針對 MD&A 中之 FLS 進行語調分析，運用簡單貝氏分類和正負向文字計算法，研究約 14 萬份之年報、季報，針對 14 萬份之資料進行語調判斷後發現，MD&A 中含有 FLS 之語調與企業未來ㄧ至三年之財務績效有顯著正相關，由此可見 FLS 確實有預測價值及財務報表使用者確實會閱讀 MD&A 之內容 (Li, 2010)。因為 MD&A 與財務比率一樣對財務報表的使用者有幫助，故企業亦會利用 MD&A 來表達對當年度企業的經營概況、營業績效及對未來營運發展之方向， MD&A 的使用者可能包括投資人、債權人、企業之利害關係人等，無論是當期. 政治大. 說明性的文字或是對未來預測性之敘述皆會運用該非財務資訊來判斷其決策之內容。. 立. 而 MD&A 揭露之資訊品質，目前並未規定須經會計師查核或其他第三方之. ‧ 國. 學. 驗證，故企業在編製 MD&A 時可能會運用較主觀性之語句，若企業在編製 MD&A. ‧. 時發生錯誤、疏忽或故意，皆可能導致 MD&A 之資訊內容有誤導或操弄財務報. n. al. er. io. sit. y. Nat. 表使用者之情況發生。. Ch. engchi. 3. i n U. v.

(12) 第二節研究目的在資訊爆炸(Information Explosion)的世代中，網際網路的發達帶來社會資訊數量的增加，它主要體現了人類擁有的訊息量正在急劇增加，倍增的時間周期越來越短，改變著人類社會的結構和形態，資訊爆炸的現象直接或間接以前所未有的力量衝擊著財務報表的使用者在搜集、決定其決策的成本及時效性。而年報中同樣蘊藏著許多資訊等著財務報表使用者一一理解與運用，其中財務資訊因為已經經過量化，所以在衡量及使用上較非財務資訊來的容易，但非財務資訊並非與財務報表使用者之決策無關，MD&A 之資訊內涵價值係同時具備. 政治大. 歷史性與前瞻性的特點，一直是機構投資者十分重視的資訊（Herreman and Ryans,. 立. 1995）。. ‧ 國. 學. 故透過文字探勘法(Text mining)釐清企業 MD&A 之資訊內容與企業財務績效之一致性後，可以大幅減少財務報表使用者搜集資料的時間與成本，使財務報. ‧. 表使用者能搜集到更多對其決策有幫助之資訊。. sit. y. Nat. MD&A 包含之內容可能有企業的營運、盈餘、未來策略，市場對於 MD&A. al. er. io. 的資訊價值亦被指出確實是有影響，更代表了 MD&A 資訊的有用性及重要性，. v. n. Previts, Bricker, Robinson and Young (1994) 則發現財務分析師在進行企業財務分. Ch. engchi. i n U. 析、投資決策或向客戶進行投資推薦時，確實會使用年報中 MD&A 之敘述於決策中。若能充分利用 MD&A 資訊之內涵價值，充分利用 MD&A 歷史性與前瞻性之資訊價值，可使投資人、分析師或其他財務報表使用者減少非攸關資訊的搜集時間及成本，使財務報表使用者在應用財務報表資訊或規劃決策時能夠更有效率、更輕易地搜集到攸關之資訊，而使財務報表使用者免於作出錯誤的決策而蒙受損失。. 4.

(13) 研究企業過去年度之 MD&A 與財務績效，可從 MD&A 資訊價值內涵中發現，MD&A 的內容包含過去期間及本期企業經營發展、營運狀況之態度及方向，管理階層言論之態度與財務績效表現是否一致更影響到投資人、分析師等財務報表使用者，故透過了解 MD&A 與財務績效表現之一致性，能提供財務報表使用者更深入了解企業，藉此協助財務報表使用者在規劃決策時能將企業過去之 MD&A 與財務績效之報導習性納入考量。企業在報導 MD&A 時所使用之語句，可能代表著管理階層主觀或情緒性的敘述，而根據波麗安娜假說(Pollyanna Hypothesis)，該假說認為人總是較看重及. 政治大極的詞彙來形容，故該假說又稱為樂觀假說。相信企業管理階層在 MD&A 中敘立追求好的一面，容易忘記或摒棄不好或壞的一面，回憶事情時總是會利用正面積. 述企業一整年之營運狀況或財務表現時也會發生上述情況，故根據該假說可以合. ‧ 國. 學. 理推論 MD&A 與財務績效很有可能呈現不一致之結果，即 MD&A 之報導很有. ‧. 可能呈現樂觀之語調。. y. Nat. 若企業在 MD&A 中所表達的言論與企業之財務績效表現呈現一致，財務報. er. io. sit. 表使用者即可仰賴企業過去之 MD&A 與財務績效之關聯來預測企業未來也會有一致的報導趨勢，若企業在 MD&A 中所表達的言論與企業之財務績效表現的報. al. n. v i n 導傾向呈現前後期不一致之結果，則財務報表使用者在規劃決策時可將此項資訊 Ch engchi U. 納入決策之反向指標。. 故探討過去 MD&A 與企業財務績效之一致性，可以協助財務報表使用者更有效率及效果地蒐集與運用財務報表中之非財務資訊及預測企業當期 MD&A 與財務績效一致性之關聯，希望藉由本研究增加財務報表使用者閱讀 MD&A 資訊時之可靠性及正確性，並更能夠有效地、正確地、充分地利用 MD&A 資訊所蘊藏之內涵價值。. 5.

(14) 第三節研究問題過去的研究，大多以量化資訊做為主要分析對象，然而企業財務報表附註或企業年報中的非量化資訊，亦包括許多企業重要的公開資訊及管理階層對企業當年度或未來年度發展之敘述，在證實了 MD&A 之資訊內涵價值及財務分析師確實會將 MD&A 納入決策之考量因素後，如何判斷企業於財務報表中所表達 MD&A 之可靠性及 MD&A 之資訊品質，係財務報表使用者於運用此類攸關資訊時首要面臨之問題。而本研究即在探討企業 MD&A 之報導習性與當期 MD&A 及財務績效一致. 政治大未來期間財務績效之表現，若可將過去 MD&A 與財務績效之報導習性，作為企立性之關聯，管理階層每年會透過年報揭露企業之 MD&A，敘述有關企業當期及. ‧ 國. 學. 業向財務報表使用者表達企業財務績效之指標，即可利用過去 MD&A 與財務績效之報導語調來解釋本期 MD&A 與財務績效之報導語調，故 MD&A 之報導傾. ‧. 向與 MD&A 之報導習慣，是否可利用過去 MD&A 與財務績效之報導習性預測，. sit. y. Nat. 即企業管理階層於當期財務報表所表達之 MD&A 與財務績效一致性之態度、語. al. er. io. 調及敘述是否會如同過去企業管理階層所報導之語調一致及前後期 MD&A 報導. n. 習性之關聯，係本研究欲探討之問題。. Ch. engchi. 6. i n U. v.

(15) 第四節論文架構本研究共分為五章，各章內容與研究架構如下：第壹章、緒論本章主要說明本研究之研究動機、研究目的，並從研究動機及目的中提出研究問題，最後說明整體論文之架構。第貳章、文獻探討本章首先介紹文字探勘技術及 MD&A 之內容，然後依序介紹 MD&A 與財務績效之關係及 MD&A 品質之相關文獻，探討與本主題有關之文獻。. 政治大首先定義出 MD&A 立與財務績效一致性定義後，詳細敘述樣本之選取與處. 第參章、研究方法. ‧ 國. 學. 理方式，最後再依據文獻整理，提出本研究之研究假說，說明實證研究模型與各變數之定義。. ‧. 第肆章、研究結果. sit. y. Nat. 討論樣本敘述性統計、相關係數分析及迴歸分析結果，並說明研究結果是. al. n. 第伍章、研究結論與限制. er. io. 否能夠支持本研究之研究假說。. Ch. engchi. i n U. v. 將實證結果予以彙整，提出本研究之結論，以提供後續學者研究之方向，並闡述本研究所面臨之限制。. 7.

(16) 研究動機與研究目的. 提出研究問題. 文字探勘法介紹. 國內外相關文獻探討. 政治大. 立研究方法及樣本選取過程 ‧. ‧ 國. 學 er. io. sit. y. Nat. 建立研究假說. al. n. v i n Ch 建立研究模型及變數定義與衡量 engchi U. 實證研究結果與分析. 研究結論與限制. 圖 1-1 論文架構圖 8.

(17) 貳、. 文獻探討. 第一節文字探勘介紹文字探勘(Text Mining)是針對非結構化文件資料進行分析，所謂的非結構化文件資料是指以自由方式呈現的自然語言內容，例如報章雜誌、電子郵件、使用手冊等，該內容並無特定格式，組成元素不容易明確的切割、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定文件間之關聯。. 政治大. 此工具主要係運用於大量的資料庫上，工作資訊搜尋、訊息過濾、事件關聯、. 立. 趨勢預測、犯罪分析、案例追蹤、知識萃取、知識管理、決策輔助等之用(曾元. ‧ 國. 學. 顯，2004)，因此其所面臨的技術挑戰是文件內的資料過於冗長，或是文件過於凌亂導致其屬性和特徵不易確定和界定，故文字探勘的過程常需要龐大的人力進. ‧. 行人工判斷與撰寫程式相互配合使用，對複雜的文章或難以用肉眼直接分析之特. y. Nat. n. al. er. io. sit. 殊資料進行處理。. Ch. engchi. 9. i n U. v.

(18) 第二節文字探勘與財務會計相關研究 Ingrid E. Fisher, Margaret R. Garnsey, Sunita Goel and Kinsun Tam(2010)研究中，將與財務會計領域相關之文字分析的文獻分為以人工方式進行研究之文獻及運用電腦化方式進行研究的文獻，研究統計在 50 年代至 90 年代間與財務會計相關的文獻不超過 60 篇，但至 2000 年，與財務會計領域相關之文字探勘研究一年內增加至 68 篇，2000 年之前的文獻大多係利用人工的方式，針對企業的揭露項目或財務報表中之內容進行研究，如分析年報內針對公司策略敘述之研究 (Jarvenpaa and Ives, 1990)、媒體對企業相關報導之研究、企業 MD&A 內容之研. 政治大研究結果可以得出，規模較小或是獲利較少的企業，揭露的敘述會較少、企業皆立究(Bryan, 1997)、分析年報中的附註項目(Kelly-Newton, 1980)等，綜合上述文獻. ‧ 國. 學. 喜歡選擇揭露正面的敘述多過負面且在盈餘增加的年度中，企業會選擇揭露較多的資訊；2000 年之後大多利用電腦對與財務會計相關之內容進行研究，除了量. ‧. 化的資訊外，更針對較多非量化資訊進行分析，如 Smith and Taffler(2000)針對董. sit. y. Nat. 事會報告與企業的盈餘、股利等進行分析，研究結果顯示管董事會報告之內容包. al. er. io. 含了重要的資訊並且與企業之財務績效表現相關；Beynon et al.(2005)使用資料探. v. n. 勘技術將管理階層的聲明區分為正面或負面語調，成功的預測出企業未來的獲利能力。. Ch. engchi. i n U. 第三節 MD&A 有用性相關研究 1968 年，美國證券管理委員會(U.S. Securities and Exchange Commission，以下簡稱 SEC)首次在年報中訂定 MD&A 編製之規定，至 1980 年以 Item303 of Regulation S-K 強制規範上市企業須於年報中揭露 MD&A，2003 年 SEC 正式發布 MD&A 的揭露指引(Guidance)，強調 MD&A 並非僅係將財務報表以文字性格式重複論述，而係要求管理階層討論以及提供流動性、資金來源與經營成長有關的訊息，並且提供任何有助於理解公司財務狀況和經營成果變動的訊息(SEC, 2003)。 10.

(19) MD&A 之主要目標係希望市場參與者能夠透過管理階層的觀點了解企業，使市場參與者能夠有機會檢視公司財務狀況與經營成果的歷史以及前瞻性訊息，給予投資人更多的資訊(Morse, 1980; SEC, 1989)，SEC 指出僅閱讀財務報表之資訊可能並不足以使投資人判斷盈餘的品質，且過去的營運績效對於未來績效並不一定具指標性。顯示出財務報表所揭露之內容應著重於管理階層已知的趨勢和不確定的訊息，但這些訊息在財務報表及附註中並未被充分揭露，卻是投資人或其他股東應取得之資訊。Sutton et al.(2012)指出 MD&A 係體現管理階層對於企業過去之經營績效以及未來展望之觀點，對於投資人評估企業之影響相當重大，因此. 政治大 MD&A 主要係透過公司年報中管理階層對公司過去經營狀況的評價分析，立. 投資人應具備高度興趣使用 MD&A 協助其投資決策(Arnold et al., 2012)。. 預測和判斷公司未來發展趨勢，使得現有和潛在的投資者、債權人及其他財務報. ‧ 國. 學. 表使用者能夠及時準確地取得財務與非財務之訊息。相較傳統的財務報表，. ‧. MD&A 並非單一的歷史性財務資訊，而是透過文字性描述與管理階層之語調，. io. er. 未來的發展策略和方向進行揭露(邱逸紅，2011)。. sit. y. Nat. 結合適當的財務數據和非財務數據，並利用前瞻性訊息和歷史性訊息對上市公司. Sun Y.(2010)分析 MD&A 是否可以幫助財務報表使用者理解企業發生不適. al. n. v i n 當的存貨變動，研究結果證實，非量化資訊中的 MD&A，確實可以幫助財務報 Ch engchi U. 表使用者了解存貨不適當變動的原因，並從研究中發現，企業於 MD&A 中，揭露解釋有關存貨增加之敘述時，該 MD&A 之內容會與企業接下來三年之經營績效呈現正相關，故於 MD&A 中解釋有關資產負債表或損益表之科目變動，可以幫助財務報表使用者更加理解變動之原因及更有效的運用 MD&A 資訊，並能夠幫助財務報表使用者預測企業未來財務績效表現。財務報表使用者亦可以透過使用企業所揭露之 MD&A 來區別出各企業間之差異，並且可以藉由閱讀相關之 MD&A 資訊，做出更佳、更有效之財務報表分析。. 11.

(20) Rogers and Grant(1997)分析了美國 Sell-side 財務分析師所撰寫的投資報告內容，發現企業年報中之 MD&A 資訊內容常被引用至分析師報告內，並且可能影響分析師之財務預測(Thomas, 2003)，表示分析師認為某些重要資訊係存在於 MD&A 中。 Arnold et al.(2012)的研究結果發現，在某些情況下投資人偏好閱讀 MD&A 而非財務報表之附註，藉由閱讀 MD&A 之內容以取得特定相關資訊。管理階層可透過 MD&A 敘述企業的過去與預期未來之績效，更是成為管理階層傳達此類資訊予股東的媒介。然後現今投資人及其他財務報表使用者僅能夠透過人工選取. 政治大取並分析他們所真正需要的特定揭露資訊。立. 與閱讀 MD&A 之內容，利用人工的方式以取得這些有價值的內容，再進一步抽. ‧ 國. 學. 第四節非財務資訊與企業未來績效之關係. 許多過去的文獻指出非財務資訊可反映出財務資訊無法呈現的重要經濟資. ‧. 源及活動 (Drucker, 1954; Jensen et al., 1971; Kaplan, 1983; Ittner and Larcker, 1997;. sit. y. Nat. Nagar and Rajan, 2001)，而這些重要的非財務資訊在傳統之財務報告中卻看不到。. al. er. io. 因此在快速改變、科技導向的時代中，公司財務資訊對投資人的參考價值一直備. v. n. 受爭議。究竟企業之財務資訊是否可確實反映出企業之經營績效，Ramesh and. Ch. engchi. i n U. Thiagarajan(1995)發現美國企業的股票報酬與盈餘間的關係有逐漸下降的趨勢。且 Lev and Zarowin (1999)指出，美國企業的市價淨值比(Market-to-Book ratio)有明顯增加的趨勢，這表示有許多的公司市場價值未被反映在資產負債表中，導致降低傳統財務報表資訊價值之攸關性，使得投資人會同時仰賴非財務資訊所揭露之內容。. 12.

(21) 過去有許多研究已證實非財務資訊與公司未來獲利能力、營運績效有重大的正向關係(Nagar and Rajan, 2001)，如探討美國航空業在市場的評價中，乘客數量及顧客滿意度之非財務資訊，確實對於航空業在權益市場的評價具有價值攸關姓 (Liedtka, 1999)；探討無線電通訊產業之非財務資訊與企業價值關係時，研究結果發現，將財務資訊與非財務資訊合併考量後，增強了只考量財務資訊對公司股價的解釋能力(Amir and Lew, 1996)。 Penman(2001)證實財務報表使用者在檢視企業的揭露後，可以更了解各個財務比率變動之原因，有助於財務報表使用者在閱讀 MD&A 後做出財務預測，Cole. 政治大. and Jones(2004)亦證實了企業於 MD&A 中所揭露的資訊，其 MD&A 資訊內涵價值與企業未來績效有關。. 立. ‧ 國. 學. 第五節 MD&A 資訊品質相關研究. 如前所述，財務報表內 MD&A 資訊內容包含許多影響財務報表使用者決策. ‧. 及運用的重要資訊，但目前法律針對 MD&A 於財務報表之揭露並不需要經過會. sit. y. Nat. 計師的查核或其他獨立第三方之驗證，然而又加上文字方式呈現之資訊難以量化. al. er. io. 與分析，實務上對於有關 MD&A 揭露之品質及透明度仍存有質疑。. v. n. Hildebrandt and Snyder(1981)曾使用簡單正負向字頻 word-count 方法，針對. Ch. engchi. i n U. 企業年報中之致股東報告書進行研究，研究結果顯示不論當年度企業之財務績效好壞，致股東報告書之內容皆呈現偏向使用正向的詞彙，因而提出波麗安娜假說 (Pollyanna Hypothesis)，相信當企業揭露 MD&A 時，在敘述企業一整年之營運成果或未來經營方向所使用之詞彙，亦會發生偏向使用正向的語調，使 MD&A 與財務績效之報導呈現不一致之情況。. 13.

(22) 雖然美國 SEC 對編製 MD&A 日趨重視，但目前仍只有發佈編製 MD&A 之指引，對於編製 MD&A 的內容仍然相對彈性，有些企業為了降低編製成本，甚至傾向使用「樣板」（boiler-template）的方式來選擇揭露內容，因而導致增加 MD&A 的品質風險（Roulstone, 2011; Abrahamson and Amir, 1996; Clarkson, Kao, and Richardson, 1994），而有些編製 MD&A 的內容過長，容易失焦而無法明確揭露企業管理階層所要表達之內容與分析，故如何正確地獲取 MD&A 中資訊的內涵價值，並避開管理階層過度悲觀或過度樂觀的文字敘述，將是非常具有價值之研究。. 政治大理階層過去是否有過度解讀、過度曲解或故意誤導財務報表使用者之意圖，故意立. 企業除了在編製 MD&A 之時點外，當時間經過，下一個會計年度到來，管. 呈現較樂觀或悲觀之報導語調，使得 MD&A 與財務績效呈現出不一致之結果，. ‧ 國. 學. 皆無從查證且管理階層更無須對過去編製 MD&A 之內容負責及提供任何保證，. ‧. 因此管理階層編製出主觀性之文字敘述是否能夠確實提供可靠之資訊或只是為. y. Nat. 了遵循規範而誤導了財務報表使用者之決策，將有待釐清。由此可見，MD&A. er. io. sit. 資訊內容同時存在機會與危機，若是利用得當，投資人可以獲取先機；但若是錯誤地利用不正確之資訊，可能導致投資決策錯誤而蒙受重大損失。. al. n. v i n 目前文獻中大多是在探討企業同期之 MD&A 與財務績效之關聯，對於跨期 Ch engchi U. 間關聯性之研究仍是少數，而本研究係著重於利用企業過去 MD&A 與財務績效之報導習性，分析與本期 MD&A 與財務績效一致性之關聯，依據上述文獻內容，我們可以合理假設，若某企業管理當局企圖在 MD&A 等文字資訊中使用過度樂觀或過度悲觀的詞彚，以操弄投資人，使財務報表使用者產生曲解或誤解之想法，對未來編製 MD&A 等文字資訊中亦會包含過度樂觀或過度悲觀的敘述，故企業過去編制 MD&A 之報導習性，將可能會影響未來 MD&A 與財務績效之一致性。. 14.

(23) 參、. 研究方法. 第一節定義企業 MD&A 與財務績效一致性指標的衡量方法基於財務報表之資訊經過會計師查核後均允當表達之假設下，本研究將管理階層 MD&A 之語調與企業財務績效分別定義出其一致性指標的衡量方法： 1.. 利用 K-Means 分群（clustering）法將企業當期財務績效的好壞予以適當的分類，分為佳（Good）、中等（Moderate）、不佳（Bad）三群。. 2.. 透過文字探勘向量空間模型（vector space model, VSM）與 TFIDF（term frequency / inverse total term frequency）加權模型技術衡量同期10-K年報. 政治大. 中 MD&A 文字的語調，也同樣分為三群，正面（Positive）、中立. 立. （Neutral）、負面（Negative）。. ‧ 國. 學. 依據上述說明 MD&A 語調與企業當期財務績效的一致／不一致的組合預計將如表 3-1 所示，可能有 9 種組合，包括 3 種情況的持平（Fair）、2 種情況的保. ‧. 守（Conservative）與樂觀（Optimistic）、以及悲觀（Pessimistic）和誇大（Exaggerate），. y. Nat. er. io. sit. 因此可簡化為 5 種情境。表 3-1 一致／不一致之定義矩陣. n. al. MD&A語調. Ch. v. i e n g c h 中立（Neutral）. 正面（Positive）財務績效. i n U. 負面（Negative）. 佳（Good）. 持平（Fair）. 保守（Conservative）悲觀（Pessimistic）. 中等（Moderate）. 樂觀（Optimistic）. 持平（Fair）. 保守（Conservative）. 不佳（Bad）. 誇大（Exaggerate）. 樂觀（Optimistic）. 持平（Fair）. 15.

(24) . 向量空間模型（Vector space Model，簡稱 VSM）向量空間模型（VSM）是常用的資訊檢索模型，能將文件表達成數學. 概念（亦即幾何空間中的向量）的一種方式，以方便計算文件之間的相似程度，或便利探討文件與詞彙之間的各種關係。該模型最早由 Salton and McGill (1983)提出，該模型能夠擷取文件內特定字詞或文件之特徵及建立索引，增強文字檢索、資料探勘時之效能。具體而言，一篇文件 i，可以表達成文件向量 Di=(wi1, wi2, …, win)，其中 wij 是詞彙 j 在文件 i 中的權重，wij 一般為大於或等於 0，若詞彙 j 沒. 政治大在空間向量模型中立，文件向量的維度 n 是由所有文件的全部詞彙所決定，. 有出現在文件 i 中，則以數值 0 表示。. ‧ 國. 學. 因此，文件向量中有很多維度數值為 0。在電腦的實際表達與運算中，數值 0 的維度，可以省略不儲存與不運算。由於向量空間模型在概念上簡單，在. ‧. 實務上也容易計算，因此在資訊檢索的研究中，相當常見。. sit. y. Nat. 除了將文件表達成向量之外，使用者所採用的檢索策略亦能表達成同樣. al. er. io. 維度（n）的向量；如此一來，運用線性代數（linear algebra）的向量內積（inner. v. n. product），便能計算文件與檢索策略間的相似程度，亦即：向量內積值越趨. Ch. engchi. i n U. 近 1，則表示文件與檢索策略越相似，若越趨近 0，則表示二者越不相似。用同樣的向量內積方法，亦能計算兩文件間的相似程度。以 MD&A 文件為例，利用向量代表各個文件，不但可以清楚呈現各個文件間的關係，且彼此間的相似度也較易計算，當文件意義相近時，可能會有很多相同的詞彙，若利用向量空間作表達時，這些向量會較接近，每份文件可以計算出代表該文件之特徵向量，該向量之每個維度即為文件中的一個詞，算出每個詞的向量之後，在與其他文件之向量距離比較，距離越短者相似度越高。. 16.

(25) . TFIDF 技術 TFIDF 技術是一種統計方法，係文字探勘時常併用的技術，目的是用來. 評估一個字詞對於一份文件的重要程度，利用 TFIDF 技術可以計算出特定字詞在一份文件中的權重，以產生詞項特徵向量，而權重的計算方法則有， IDF（inverse document frequency）加權模型、TF（term frequency）加權模型、TFIDF（term frequency / inverse document frequency）加權模型及 TFITF （term frequency / inverse total term frequency）加權模型等。故如果某個詞或短語在一篇文章中出現的頻率 TF 高，並且在其他文章. 政治大 TFIDF 實際上是 TF 詞頻(Term 立 Frequency)加權模型與 IDF 逆向文件頻率. 中很少出現，則認為此詞或者短語具有很好的類別區分能力，適合用來分類。. ‧ 國. 學. (Inverse Document Frequency)加權模型之結合。. TF 表示詞條在文檔 d 中出現的頻率，IDF 則是如果包含詞條 t 的文檔越. ‧. 少，也就是 n 越小，IDF 越大，則說明詞條 t 具有很好的類別區分能力，如. sit. y. Nat. 果某一類文檔 C 中包含詞條 t 的文檔數為 m，而其它類包含 t 的文檔總數為. al. er. io. k，顯然所有包含 t 的文檔數 n=m+k，當 m 大的時候，n 也大，按照 IDF 公. v. n. 式得到的 IDF 的值會小，就說明該詞條 t 類別區分能力不強。. Ch. engchi. i n U. 本研究採用此模型計算詞項定義中特徵詞權重，以產生詞項特徵向量，過去 TFIDF 的研究主要針對文件分類方面，協助使用者有效的擷取與過濾網頁文件等資訊，而本研究預計將 MD&A 文字語調分為三個項目：正面（positive）、中立（neutral）、負面（negative），再使用 K 摺交叉驗證法來驗證分類的正確性。. 17.

(26) TFIDF 計算公式如下： . TF：計算字頻，係該詞鍵在文件中出現的頻率。 𝑇𝐹𝑖,𝐽 = 𝑐𝐽 /𝑐𝑎𝑙𝑙 𝑇𝐹𝑖,𝐽 ：為詞鍵 j 在文件 i 中出現之頻率。 𝑐𝐽 ：為詞鍵 j 在文件 i 中出現之次數。 𝑐𝑎𝑙𝑙 ：文件 i 中，所有具有意義的總詞鍵數。. . IDF：計算反詞頻，係詞鍵在文件中出現頻率的倒數。 𝐼𝐷𝐹𝐽 = log 2 (𝑁/𝑐𝑓𝑗 ) 𝐼𝐷𝐹𝐽 ：為詞鍵 j 在所有分類文件中出現頻率的倒數。. 政治大. 𝑁：代表所有分類文件的總數。. 立. 𝑐𝑓𝑗 ：代表詞鍵 j 所出現的分類文件總數。. ‧ 國. 學. . Weight(權重)：詞鍵在分類文件中的權重值。. io. sit. Nat. 𝑇𝐹𝑖,𝐽 ：代表詞鍵 j 在文件 i 中出現之頻率。. y. 𝑊𝑖,𝐽 ：代表詞鍵 j 在分類文件 i 中的權重值。. ‧. 𝑊𝑖𝐽 = 𝑇𝐹𝑖,𝐽 × 𝐼𝐷𝐹𝐽 = (𝑐𝐽 /𝑐𝑎𝑙𝑙 ) × log 2 (𝑁/𝑐𝑓𝑗 ). n. al. er. 𝐼𝐷𝐹𝐽 ：代表詞鍵 j 在所有分類文件中出現頻率的倒數。. . K-means 演算法. Ch. engchi. i n U. v. K-means 演算法係於 1967 年，由 J.B. MacQueen 所提出，其分群方式係先隨機指派一組為初始集群中心，在計算每一筆紀錄與該初始集群中心之距離，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，將該樣本分類於該群集中，每個樣本必須在多次的計算距離中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，若某樣本與兩個或以上集群距離相同時，則該樣本會被歸屬至最少樣本數的集群中。. 18.

(27) K-means 演算法因為演算法的架構簡單，隨機選取分群數中心點後就可以開始計算與各集群間之距離，進行分群，故演算法的運算容易又快速，同時亦可處理大量的數值型資料，能有效地應用在實際情況及各種範疇中，為目前最普遍的方法之一。. 第二節主要研究架構圖如前所述，企業各年度所報導之 MD&A 與財務績效之一致性，可以透過表 3-1 之矩陣內容定義出來，而本研究主要係探討，過去企業所報導 MD&A 與財務績效之報導習性，是否會延續至以後年度，而影響未來期間 MD&A 與財務績. 政治大 MD&A 與財務績效一致性之關係，可能為悲觀、保守、持平等五種情況，再將立效一致性之報導習性，故本研究係先透過表 3-1 之矩陣內容釐清企業過去 3 年. ‧ 國. 學. 五種情況設定分數，報導傾向愈誇大者分數愈高，故悲觀 1 分、保守 2 分、持平 3 分、樂觀 4 分、誇大 5 分，加總企業過去 3 年報導傾向之分數後取其平均值，. ‧. 依照計算出來的平均值對應出應有之報導語調，研究分析出企業當期之 MD&A. sit. y. Nat. 與財務績效是否也會與過去 3 年有相同的報導語調。. al. er. io. 如圖 3-1 所示，將企業過去 3 年(t-1 年、t-2 年、t-3 年)之 MD&A 與財務績. v. n. 效依照表 3-1 之矩陣內容，分析出各企業於各年度應有之報導語調後，依照本研. Ch. engchi. i n U. 究所設定之分數取其平均，計算出過去 3 年之平均報導語調，並合理預期會與企業在當期(t 年)之 MD&A 與財務績效有相同的報導語調，藉此探討過去 3 年 MD&A 與財務績效之平均報導語調與當期 MD&A 與財務績效一致性之關聯。. 19.

(28) t- 3 年. t- 2 年. t- 1 年. t年. MD&A. MD&A. MD&A. MD&A. 財務績效. 財務績效. 財務績效. 財務績效. MD&A語調財務績效佳. 正面. 中立. 負面. 治保守政樂觀持平大持平. 中等. 立. 不佳. 誇大. 樂觀. 持平. ‧ 國. ‧. 誇大. 4分. 5分. Ch. engchi. sit. y. al. 3分. 樂觀. i n U. 計算 3 年之平均報導分數. 圖 3-1 主要研究架構圖 20. er. 2分. n. 1分. 持平. io. 保守. 保守. 學. Nat. 悲觀. 悲觀. v. 當期管理階層報導語調.

(29) 第三節研究樣本 1.. 研究期間研究樣本期間為美國10-K年報2004年至2014年。. 2.. 樣本資料來源本研究預計將從美國EDGAR資料庫中的10-K年報，蒐集有關企業 MD&A之資訊，蒐集完企業MD&A資訊後，首先會經過資料格式的整理，去除掉資料不完全之企業，再依照剩餘的樣本資料，於Compustat 資料庫、IBES資料庫、SDC platinum資料庫及CRSP US Stock資料庫中. 政治大金額、公司規模、財務比率、分析師追蹤人數等以進行MD&A與財務績立. 尋找相對應之企業財務資料與非財務資料，包含各項財務報表會計科目. ‧ 國. 學. 效一致性之關聯研究。. 第四節研究樣本處理過程. ‧. MD&A資訊內涵分析. y. Nat. 利用人工方式蒐集EDGAR資料庫中各家企業之10-K年報，共. io. I.. sit. (1.) MD&A資料格式整理：. n. al. er. 1.. i n U. v. 獲得83,455筆10-K年報，再運用撰寫程式之方式，找出10-K報. Ch. engchi. 告中董事會報告內「管理階層的討論及分析」段落。 II.. 將「管理階層的討論及分析」之內容，保留純文字資料之部分，將不必要的符號和表格去除，並將純文字之字詞進行英文字根還原及拼字標準化，去除不必要的連接詞、介系詞、冠詞，將文件處理為可供去除FLS之文件。. III. 交由專家，以撰寫程式的方式，根據SEC所規範之FLS字詞，輸入程式中，藉此去除各家企業各個年度MD&A中包含FLS之字詞，將「管理階層的討論及分析」之內容處理為可供分析 MD&A與財務績效一致性之狀態。 21.

(30) (2.) 計算詞頻（word frequency）：使用K-fold法，針對(K-1)群的訓練樣本，計算出每個firm-year文件斷詞後的詞頻數。 (3.) 將文件中詞鍵與詞頻數與Loughran and McDonald (2011)的正負向詞典相互比對，算出各文件之分數。 (4.) 計算文件正負向分數之方式有三種，如下所示，而本研究方法採用第二種計算方式計算出文件正負向之分數，再透過K-Means進行分群，分為正面、中立及負面三群。 I.. Score 1：(正向分數－負向分數)／(正向分數＋負向分數). II.. Score 2：(正向分數－負向分數)／文件總字數. III.. 政治大 Score 3：利用向量的概念，分別計算正向分數／(正向分數＋立. 算出來的結果作為X、Y兩個座標。. 學. ‧ 國. 負向分數)與負向分數／(正向分數＋負向分數)的座標軸，將計. ‧. (5.) K-Means分群後，將文件中的文字全數投入TFIDF中計算權重，作. y. Nat. 為正面、中立、負面，三種分群的特徵向量（class vector）。. er. io. sit. (6.) 將最後未投入訓練之一群分群，當作測試資料，計算出該群MD&A 資料之TFIDF權重並產生文件向量，將最後一群分群內之MD&A文. al. n. v i n 件，依照其最接近之分群，歸類進三種分群的其中一群，可能為正 Ch engchi U 面、中立、負面。. (7.) 去除無法與Compustat資料庫中之產業代碼對應上的研究樣本後，可供分析之MD&A樣本數為9,541筆。. 22.

(31) 2.. 財務資料績效表現分析 (1.) 將前述整理出之 MD&A 資料相對應的 firm-year 樣本為準，從 Compustat中選定代表企業財務績效的數字或財務比率，並計算出企業之各項財務比率，共獲得4,464筆樣本1。 (2.) 選取分群標準，透過 K-Means 將財務資料分別依大小（magnitude）與改變幅度兩種不同衡量方法進行分群：分為佳（Good）、中等（Moderate）、不佳（Bad）三群。 (3.) 本研究擬以下列三個面向的大小與變動數，作為公司財務績效分群. 政治大償債能力比率：衡量企業支應負債義務的能力及為支應營運需立. 的依據。 I.. 要而採行的籌資方式。. ‧ 國. 學. 獲利能力比率：用以衡量企業一段時間內的經營績效。. II.. ‧. III. 經營效率比率：衡量企業於經營過程中，創造業務、賺取利潤. y. sit. Nat. 的速度。. er. io. 表 3-2 研究樣本之產業類別彙總表. n. a l 產業類別 v i n Finance, Insurance, And Real Estate Ch engchi U Manufacturing. 樣本數量. Mining Retail Trade Services Transportation, Communications, Electric, Gas, And Sanitary Services Wholesale Trade. 7 265 34 32 61 118 18. 研究樣本數總計. 535. 1. 4,464 筆研究樣本與 IBES 資料庫、SDC platinum 資料庫及 CRSP US Stock 資料庫之控制變數資料合併後，樣本數剩下 1,667 筆，最後再去除少於 4 年之樣本資料，最終投入研究之樣本數量為 535 筆。 23.

(32) 表3-3 財務比率公式表比率類型. 比率名稱. 公式流動資產. 流動比率. 流動負債. 償債能力比率流動資產 − 存貨 − 預付費用. 速動比率. 流動負債營業毛利. 毛利率. 淨利率. 獲利能力比率. 政治大稅後損益營業收入稅後損益 + 利息費用 × （１ − 稅率）. 學. 資產報酬率. 平均總資產. ‧. ‧ 國. 立. 營業收入. 稅後損益. 股東權益報酬率. sit. y. Nat. 平均股東權益本期淨利 − 特別股股利普通股加權平均流通在外股數. n. al. er. io. 每股盈餘. 經營效率比率. 3.. Ch. engchi. 總資產週轉率. i n U. v. 銷貨收入淨額平均總資產. 定義MD&A與財務績效之一致性如前所述，MD&A 語調依照 K-means 演算法進行分群，分為正面、中. 立、負面，企業之財務績效同樣透過 K-means 演算法進行分群，分出佳、中等、不佳後，依照表 3-1 之矩陣內容進行分析，按照各年度及各家公司逐筆分析，歸類出企業於該年度表達 MD&A 與財務績效時之報導語調，可能得出悲觀、保守、持平、樂觀及誇大五種情況。. 24.

(33) MD&A 樣本處理流程. 財務績效樣本處理流程. 獲取 2004 年至 2014 年美國 10-K 年報，共 83,455 筆. 撰寫程式擷取出「管理階層討論與分析」的部分. 政治大. 學. ‧ 國. 立. 依照可供分析之 MD&A 資料，從 Compustat 撈取對應企業的財務資料. 對應 Compustat 資料庫之財務資料後，研究樣本數量為 4,464 筆. ‧. 撰寫程式將 MD&A 內容進行字根還原、去除不必要的連接詞等資料處理. n. er. io. al. sit. y. Nat 依照 SEC 公布之 FLS 文字，撰寫程式將 MD&A 中的 FLS 文字排除. Ch. engchi. i n U. v. 計算各企業之財務比率並進行分群，分群出佳、中立、不佳. 處理後可供分析之 MD&A 樣本數為 9,541 筆. 依照表 3-1 之矩陣內容，對應出各企業各年度應有之報導語調. 進行 MD&A 資料之分群，分群出正面、中立、負面. 圖 3-2 MD&A 與財務績效樣本處理流程圖 25.

(34) 第五節建立實證研究模型研究假說. 1.. 企業將年報儲存於雲端的資料庫中，使財務報表使用者能夠快速地取得年報之資訊，而財務報表中內含許多資訊，包括量化資訊，如會計科目年底金額、企業市值、財務比率、股價等；非量化資訊，如財務報表之附註或 MD&A，亦蘊藏相當大的資訊內涵價值，而未來企業間之交易或其他商業活動，對於非量化資訊的依賴程度將勝過對量化資訊的依賴(Petersen, 2004)。. 政治大於已量化之財務資訊有增額解釋能力且 MD&A 之內容與財務資訊未來三年立根據第貳章之文獻探討，有許多研究皆顯示財務報表中之 MD&A，對. ‧ 國. 學. 變化之方向有極強的相關性或可以利用 MD&A 預測企業下一年度之財務績效表現，可見 MD&A 蘊含極大的資訊價值，MD&A 可以當作是企業管理階. ‧. 層敘述過去與決定未來公司策略、財務績效的管道，更是企業與財務報表使. sit. y. Nat. 用者傳達、溝通資訊的媒介，財務報表使用者可以利用 MD&A 之資訊內涵. al. n. 等。. er. io. 價值觀察企業過去之經營狀況、財務資訊及當期或未來期間企業之財務績效. Ch. engchi. i n U. v. 經過將企業 MD&A 與企業財務績效分群後，可以得知企業所揭露之 MD&A 可能為正面、中立、負面，企業財務報告之財務績效可能為佳、中等、不佳，分析企業 MD&A 與財務績效之一致性，可以得出誇大、樂觀、持平、保守、悲觀，五種企業管理階層表達 MD&A 與財務績效之語調，假設過去企業管理階層於財務報表中報導 MD&A 語調之報導習性係呈現持續性的狀態，報告之習性會慣性地延續至以後年度，則財務報表使用者即可利用該報導習性，預測企業當期或未來期間之財務資訊。研究假說：企業當期 MD&A 之報導一致性，會與過去的報告習性呈正相關。. 26.

(35) 2.. 實證研究模型實證研究模型係將企業過去 MD&A 與財務績效分群後，利用分群後之資料分析與當期 MD&A 與財務績效一致性之關聯，探討影響 MD&A 與財務績效一致性之因素，實證研究模型如下：. Consistencyi,t = 𝑎0 + 𝑎1 𝐴𝑣𝑔𝑇𝑜𝑛𝑒𝑖,𝑡 + 𝑎2 𝐸𝐴𝑅𝑀𝑖,𝑡 + 𝑎3 𝐴𝐶𝐶𝑖,𝑡 + 𝑎4 𝑆𝐼𝑍𝐸𝑖,𝑡 + 𝑎5 𝑀𝑇𝐵𝑖,𝑡 + 𝑎6 𝐸𝑉𝑂𝐿𝑖,𝑡 + 𝑎7 𝑁𝑆𝐸𝐺𝑖,𝑡 + 𝑎8 𝑁𝐹𝐼𝑖,𝑡 + 𝑎9 𝑀𝐴𝑖,𝑡 + 𝑎10 𝑆𝐸𝑂𝑖,𝑡 + 𝑎11 𝐴𝐶𝑂𝑉𝑖,𝑡 + 𝑎12 𝐴𝐺𝐸𝑖,𝑡 + 𝜀𝑖,𝑡 上述方程式中，各變數定義如下：. 政治大 Consistency ：i 公司在 t 年度依照表 3-1 之定義出之報導語調。立 i,t. 學. ‧ 國. 𝐴𝑣𝑔𝑇𝑜𝑛𝑒𝑖,𝑡 ：i 公司在 t 年度，計算 i 公司過去 3 年 MD&A 與財務績效之平均報導語調。. ‧. 𝐸𝐴𝑅𝑀𝑖,𝑡 ：i 公司在 t 年度之經營績效。. y. Nat. 𝐴𝐶𝐶𝑖,𝑡 ：i 公司在 t 年度之應計項目。. n. al. er. io. 𝑀𝑇𝐵𝑖,𝑡 ：i 公司在 t 年度之市價淨值比。. sit. 𝑆𝐼𝑍𝐸𝑖,𝑡 ：i 公司在 t 年度之公司規模。. i 𝐸𝑉𝑂𝐿𝑖,𝑡 ：i 公司在C t 年度之盈餘變異數。 n hengchi U. v. 𝑁𝑆𝐸𝐺𝑖,𝑡 ：i 公司在 t 年度之部門數量。. 𝑁𝐹𝐼𝑖,𝑡 ：i 公司在 t 年度之報表科目數量。 𝑀𝐴𝑖,𝑡 ：設為虛擬變數，若 i 公司在 t 年度發生購併事件設為 1，否則設為 0。 𝑆𝐸𝑂𝑖,𝑡：設為虛擬變數，若 i 公司在 t 年度發生現金增資設為 1，否則設為 0。 𝐴𝐶𝑂𝑉𝑖,𝑡 ：i 公司在 t 年度之分析師追蹤人數。 𝐴𝐺𝐸𝑖,𝑡 ：i 公司在 t 年度之公司成立年數。 27.

(36) 變數定義與衡量 (1.) 應變數將當期MD&A與財務績效分群後，依照表3-1一致性／不一致性的矩陣內容進行情況分類，總共會有9種組合，5種情境，如前所述將5種情境進行編碼後，進行迴歸分析，應變數即為當期MD&A與財務績效一致性之報導語調(Consistencyi,t )。 (2.) 主要解釋變數將企業過去3年MD&A與財務績效分群，依照表3-1一致性／不一致. 政治大為2分、持平為3分、樂觀為4分、誇大為5分，再將3年之分數平均後，立. 性的定義矩陣內容所列之五種情境，分別設定分數，悲觀為1分、保守. 作為企業過去之平均報導語調(𝐴𝑣𝑔𝑇𝑜𝑛𝑒𝑖,𝑡 )，並預測與當期企業報導習. 學. 性呈現正相關。 (3.) 控制變數當期績效(Current performance). y. Nat. io. sit. 依照信號理論，績效表現越好的企業會更積極的向市場或. er. I.. ‧. ‧ 國. 3.. 財務報表使用者揭露更多績優的信號，則代表績效表現應與一. al. n. v i n 致性指標呈正相關，績效表現越好的企業， C h ；而若依照訴訟假說 engchi U 通常傾向於向市場或財務報表使用者揭露較少企業資訊. (Rogers and Buskirk 2009;Healy and Palepu,2001)，較偏向保守，則代表績效表現應與一致性指標呈負相關。由此可見，過去的研究對於企業當期財務績效與MD&A揭露一致性之影響方向可能呈現不明確之結果，故應由實證結果來加以發現。企業當期績效表現(𝐸𝐴𝑅𝑀𝑖,𝑡 )將使用盈餘除以總資產帳面價值來加以衡量。. 28.

(37) II.. 應計項目(Accruals) 早有研究顯示，應計項目與企業未來績效表現可能呈現負相關(Sloan,1996)，因此應計項目越大，企業應該會在MD&A 中使用較為保守之語句來描述企業當期及未來期間之財務績效表現，但應計項目係應計基礎下之會計處理方式，若企業管理階層了解應計項目之隱含訊息，則可能於MD&A中報導傾向較為樂觀之語調，則代表應計項目越大，與企業之一致性指標呈正相關。由此可見應計項目與一致性指標之關係仍存在不. 政治大以盈餘減去來自營業活動之現金流量後再除以總資產帳面價立. 明確之結果，故應由實證結果加以發現。應計項目(𝐴𝐶𝐶𝑖,𝑡 )是. 學. ‧ 國. 值來加以衡量。. III. 公司規模(Firm size). ‧. 王惠芳(2006)研究結果顯示，公司規模對上市公司年報的. y. Nat. MD&A揭露有顯著影響，故規模大之企業會因為較重視利害. er. io. sit. 關係人對企業報導之評價，所以會更注意企業與財務報表使用者關係之維護，則代表公司規模越大，企業MD&A會傾向報. al. n. v i n 導較樂觀或誇大的語調，建立股東、投資人對公司之信心，與 Ch engchi U 企業之一致性指標呈正相關；但若由政治成本(Political cost). 及媒體宣傳效果觀點(Clarkson et al.,1994)的角度，一般認為規模大的企業因為受到媒體、分析師等更多的關注，故企業會傾向於保守、持平的揭露策略，而規模小的公司則因為人力、物力資源有限，故應與一致性指標呈負相關，可能呈現不明確之結果，故應由實證結果加以發現。公司規模(𝑆𝐼𝑍𝐸𝑖,𝑡 )係以公司市值取LN值來計算。. 29.

(38) IV. 企業風險程度影響企業經營風險之因素可能包含經濟因素、法律因素、外在環境因素等，企業經營風險越高，對於企業未來發展方向，越可能增加未來之不確定性，因此企業於揭露MD&A時，可能較傾向於保守，故與企業一致性指標呈負相關。企業風險程度與企業一致性指標之關係，將以下列變數衡量： i. 市價淨值比(MTBi,t，market-to-book)，以企業市值加企業負債帳面價值再除以總資產帳面價值來計算。. 政治大年的盈餘標準差來計算。立. ii. 盈餘變異數(𝐸𝑉𝑂𝐿𝑖,𝑡 ，volatility of earning)，以企業過去五. 數+1後取LN值來計算。. y. Nat. Compustat 資料庫上所能取得無缺值的報導科目數取自然. er. io. sit. 對數來計算。. 重大企業事件. al. v i n 企業之重大事件如購併事件或現金增資，Li(2010)曾證實 Ch engchi U. n. V.. of financial items) ，以. ‧. iv. 報表科目數量(𝑁𝐹𝐼𝑖,𝑡 ， number. 學. ‧ 國. iii. 部門數量(𝑁𝑆𝐸𝐺𝑖,𝑡 ，number of segments)，以企業地區部門. 當企業發生重大事件時，企業的揭露會傾向於保守，故與企業一致性指標呈負相關。重大企業事件將採用SDC platinum資料庫中，各年度之購併事件(𝑀𝐴𝑖,𝑡 )及現金增資事件(𝑆𝐸𝑂𝑖,𝑡 )，若該年度曾發生購併事件或現金增資事件，則將MA及SEO之虛擬變數值設為１，否則設為０。. 30.

(39) VI. 分析師追蹤人數(Analyst coverage) 分析師追蹤人數會正面地影響其MD&A之揭露品質，故可推測出當分析師追蹤人數越多時，企業正可能面臨較高之經營風險，故企業MD&A之揭露會傾向保守，則代表與企業一致性指標呈負相關。分析師追蹤人數(𝐴𝐶𝑂𝑉𝑖,𝑡 )之資料將取自 Institutional Brokers Estimation Service(IBES)資料庫，且定義為企業於每個 firm-year 末曾提出該企業盈餘預測之分析師人數。. 政治大 Li(2010)的研究指出新成立之企業可能面臨較高之經營風立. VII. 企業成立年數. 險，故越可能面臨不確定的未來，因此在選擇揭露之語句時，. ‧ 國. 學. 較可能傾向為保守，故與企業一致性指標呈正相關。企業成立. ‧. 年數(𝐴𝐺𝐸𝑖,𝑡 )之資料將取自於CRSP US Stock 資料庫中來衡量。. n. er. io. sit. y. Nat. al. Ch. engchi. 31. i n U. v.

(40) 表 3-4 變數匯總表. 變數名稱. AvgTone. 三、. 預期方向. 應變數. Consistency. 二、. 變數衡量方式. MD&A 與財務績效依照表 3-1 之矩陣內容，進行一致性之報導語調適當之分類。. 主要解釋變數將企業過去 3 年 MD&A 與財務企業過去 3 年之平績效依照表 3-1 之矩陣結果進均報導語調. 行評分後，再計算出企業過去 3 年之平均報導語調。. 政治大. 立. 控制變數. 學. ‧ 國. 一、. 變數說明. +. 當期績效. 盈餘除以總資產帳面價值。. ？. ACC. 應計項目. 盈餘減去來自營業活動現金後再除以總資產帳面價值。. ？. SIZE. 公司規模. 公司市值取 LN 值。. ？. MTB. 市價淨值比. EVOL. 盈餘變異數. NSEG. 地區部門數量. 公司市值家企業負債帳面價值再除以總資產帳面價值。. −. n. er. io. sit. Nat. al. y. ‧. EARN. Ch. i n U. v. 企業過去五年之盈餘標準差。. −. e企業地區部門數+1 ngchi 後取 LN 值。. −. NFI. 報表科目數量. 從 Compustat 資料庫中所能取得無缺值的報導科目數量後，取自然對數。. MA. 購併事件與否. 發生購併事件設為 1，否則為 0。. −. SEO. 現金增資事項與否. 發生現金增資設為 1，否則為 0。. −. ACOV. 分析師追蹤人數. AGE. 公司成立年數. 每個 firm-year 末曾提出該企業盈餘預測之分析師人數。以企業最早出現於 CRSP US Stock 資料庫中之年度衡量。. 32. −. − +.

(41) 肆、. 研究結果. 根據第參章的研究設計，本章分為五小節，說明本研究之實證分析結果，本研究旨在探討影響 MD&A 與財務績效一致或不一致之因素，第一節首先介紹各變數之敘述統計量，第二節進行相關係數之分析，第三節為迴歸分析結果，第四節將進行增額測試，第五節列示敏感性測試之結果。. 第一節敘述統計量表 4-1 為實證模型各個變數之敘述統計量，列示出整體變數之統計量，如平均數、中位數、標準差、最小值、最大值，以了解其整體趨勢，根據表 4-1 之內. 政治大. 容，應變數 MD&A 與財務績效一致性之報導語調(Consistency)，衡量標準係將. 立. MD&A 與財務績效依照表 3-1 之矩陣內容對應出應有之 MD&A 報導語調，並給. ‧ 國. 學. 予 1 分至 5 分的分數作為計算衡量之基礎，越接近 5 分代表 MD&A 的報導語調越誇大，分數越小代表 MD&A 的報導語調越悲觀，結果顯示平均數為 2.142 分，. ‧. 代表樣本中平均的 MD&A 報導語調較接近保守，主要解釋變數為過去 3 年. y. Nat. sit. MD&A 與財務績效之平均報導語調(Avgtone)，一樣是利用表 3-1 之矩陣內容對. n. al. er. io. 應出應有之 MD&A 報導語調，並給予計分，將計算出之 3 年平均報導分數作為. i n U. v. 衡量的基礎，樣本分析之結果平均數（中位數）為 2.15（2），代表平均之報導語. Ch. engchi. 調為趨向保守，最小值為 1，最大值為 3.67，標準差為 0.56，其離散程度不大。. 33.

(42) 控制變數部分，當期績效(EARN)之平均數（中位數）為 0.025(0.040)及應計項目(ACC)之平均數（中位數）為-0.069(-0.050)，平均數皆小於中位數，樣本皆有左偏之情況；公司規模(SIZE)取 Ln 後的平均數（中位數）為 3.013(3.035)，換算後研究樣本中平均的公司規模約為 2,035 萬美元；市價淨值比(MTB)之平均數（中位數）為 1.708(1.405)，平均之公司市值為總股東權益帳面金額的 1.7 倍且平均數大於中位數，樣本有左偏之情況，標準差為 0.950 代表該變數的離散程度較大；盈餘變異數(EVOL)之平均數（中位數）為 130.974(29.374)，標準差為 328.210，離散程度偏大，而因該變數與其他變數間數值差異甚大，故執行另一測試重新檢. 政治大歸分析模型中，重新測試是否會影響其他變數之正負向關係；部門數量(NSEG) 立驗其他變數受盈餘變異數(EVOL)影響之程度，檢驗方式為將該控制變數排除迴 2. 利用 Ln 衡量後的平均數（中位數）為 1.232(1.099)，換算後平均的研究樣本地區. ‧ 國. 學. 部門數量為 3.43 個部門；報表科目數量(NFI)取自然對數後之平均數（中位數）. ‧. 為 2.520(2.525)，根據 Compustat 資料庫所顯示的報表科目數量為 907 個，將平. y. Nat. 均數換算後的樣本平均報表科目數量為 332 個，故研究樣本中平均缺漏 575 個報. er. io. sit. 表科目數量；購併事件(MA)與現金增資事件(SEO)衡量係設虛擬變數，購併事件平均數為 0.09346，代表樣本中有 9.346%皆發生購併事件，現金增資事件平均數. al. n. v i n 為 0.00935，代表樣本中有不到 C 1%的公司發生現金增資事件；分析師追蹤人數 hengchi U. (AVOC)之平均數（中位數）為 11.610(9)，標準差為 10.097，分析師追蹤人數最多的企業有 57 位分析師追蹤，最少只有 1 位分析師追蹤，樣本的離散程度較大且平均數大於中位數，樣本分布有右偏的情況；公司成立年數(AGE)之平均數（中位數）為 28.430(20)，標準差為 20.157，公司成立年數最長有 89 年，最少為 1 年，樣本的離散程度較大且平均數大於中位數，樣本分布有右偏的情況。. 2. 敏感性測試結果顯示，在排除控制變數「盈餘變異數(EVOL)」後，其他變數與應變數間之正負向關係皆與本章第四節所列示之迴歸分析結果相同，其他變數間並未受到影響。 34.

(43) 表 4-1 實證模型各變數之敘述統計量 N=535. 平均數. 中位數. 標準差. 最小值. 最大值. 2.14206. 2. 0.68314. 1. 4. 2.15016. 2. 0.56283. 1. 3.66667. EARN. 0.02459. 0.03998. 0.15957. -2.15448. 0.35605. ACC. -0.06942. -0.04985. 0.10679. -1.36115. 0.20752. SIZE. 3.01324. 0.8977. 4.94104. MTB. 1.70813. EVOL. 130.97346. 應變數 Consistency 主要解釋變數 Avgtone 控制變數. 328.20978. 0.46929. 3948. 1.23214. 1.09861. 0.53754. 2.52076. 2.52505. 0.03033. 2.38561. 2.57864. 0.29135. 0. 1. 0.00935. 0.09631. y. 2.83321. 0. 1. sit. 0.69315. 0.09346. 1. 57. 1. 89. 11.60935. 9. 10.09703. 20. 20.15702. 28.42991. al. er. AGE. 29.37407. io. ACOV. 5.93418. Nat. SEO. 0.46753. ‧. MA. 0.94966. ‧ 國. NFI. 1.40455. 學. NSEG. 立. 3.03536治 0.81423 政大. n. v i 註 1：各變數定義分別為，Consistency=MD&A 與財務績效一致性之報導語調； n Ch engchi U Avgtone=過去 3 年 MD&A 與財務績效之平均報導語調；EARN=當期績效；ACC= 應計項目；SIZE=公司規模；MTB=市價淨值比；EVOL=盈餘變異數；NSEG=地區部門數量；NFI=報表科目數量；MA=購併事件與否；SEO=現金增資與否；ACOV=分析師追蹤人數；AGE=公司成立年數。. 35.

(44) 第二節相關係數分析本研究藉由 Pearson 與 Spearman 的相關係數矩陣分析，初步了解實證模型中各變數之間的相關性及自變數間是否具有完全共線性，相關係數矩陣分析之結果列於表 4-2，矩陣對角線的左下方為 Pearson 相關係數，右上方為 Spearman 相關係數。本研究主要在探討企業 MD&A 之報導習性是否會與過去的報導習性呈現正相關，即財務報表使用者是否可以運用過去企業的報導習性，來預測企業在當期或未來期間之報導趨勢，觀察表 4-2 之 Pearson 相關係數及 Spearman 相關係數皆，. 政治大應變數 MD&A 與財務績效一致性之報導語調(Consistency)呈現 1%的顯著水準，立顯示主要解釋變數，過去 3 年 MD&A 與財務績效之平均報導語調(Avgtone)皆與. ‧ 國. 學. 代表過去企業 MD&A 與財務績效的報導語調越樂觀，該企業於當期或未來期間的報導語調也會越樂觀，符合本研究之預期方向；公司規模(SIZE)、盈餘變異數. ‧. (EVOL)、分析師追蹤人數(ACOV)皆與 MD&A 與財務績效一致性之報導語調. sit. y. Nat. (Consistency)呈現正相關且都有 10%內的顯著水準，代表公司規模越大、盈餘變. al. er. io. 異數越大或企業的分析師追蹤人數越多的情況下，企業 MD&A 與財務績效一致. v. n. 性之報導語調也會呈現越樂觀或誇大；報表科目數量(NFI)與購併事件(MA)與. Ch. engchi. i n U. MD&A 與財務績效一致性之報導語調(Consistency)呈負相關且都有 5%內的顯著水準，代表報表科目數量越多或是有發生購併事件的企業，在 MD&A 與財務績效一致性之報導語調也會越悲觀。. 36.

(45) 公司規模(SIZE)與主要解釋變數，過去 3 年 MD&A 與財務績效之平均報導語調(Avgtone)呈 1%的正向顯著關係，可能代表當公司規模越大，過去 3 年的平均報導語調會越樂觀或誇大；當期績效(EARN)與其他控制變數方面，應計項目 (ACC)、公司規模(SIZE)、市價淨值比(MTB)、分析師追蹤人數(ACOV)皆有 1% 水準的正向顯著關係，可能代表當應計項目占總資產帳面金額的比例越大、公司的規模越大、公司市值比股東權益帳面金額比例越高及分析師追蹤人數越多時，公司的盈餘也會越多，當期績效(EARN)也會越好；公司規模(SIZE)與其他控制變數方面，市價淨值比(MTB)、分析師追蹤人數(ACOV)、公司成立年數(AGE)，. 政治大高、公司每年的分析師追蹤人數越多及公司成立的年數越久時，公司的市值也會立皆為 1%水準的正向顯著關係，初步顯示當公司市值佔股東權益帳面金額比例越. 因此越大，而本研究進行變異數膨脹因素檢定(VIF)，結果顯示各變數間之 VIF. ‧ 國. 學. 值最小值為 1.07025、最大值為 3.04366，故自變數間不具完全共線性。. ‧. n. er. io. sit. y. Nat. al. Ch. engchi. 37. i n U. v.

(46) 表 4-2 相關係數矩陣分析表 N=535 Consistency Avgtone Consistency Avgtone. 1 0.65714***. EARN. 0.65714*** -0.0103 1. -0.00035. ACC. SIZE. MTB. EVOL. NSEG. NFI. MA. SEO. ACOV. AGE. 0.01678. 0.15272*** 0.0527. 0.09806** 0.05713. -0.14718*** -0.10447** 0.00825. 0.08001*. 0.04316. 0.04406. 0.15718*** 0.02341. 0.07649*. -0.14638*** -0.01722. 0.00861. 0.08185*. 0.06137. -0.01919. 0.03824. -0.00446. 0.19165*** 0.05035. -0.01515. 0.0515. 0.03135. 0.00646. 0.0189. 0.12532*** 0.02833. 0.02645. 政治大0.04587 0.23331*** 立 0.09576** -0.03986 0.00706. EARN. -0.0103. -0.00035. 1. ACC. 0.01678. 0.04406. 0.71326***. SIZE. 0.15272***. 0.15718*** 0.36711*** 0.23331***. MTB. 0.0527. 0.02341. 0.33482*** 0.09576** 0.31729***. EVOL. 0.09806**. 0.07649*. -0.00411. -0.03986. 0.38295***. NSEG. 0.05713. 0.02645. 0.04587. 0.00706. 0.07828*. 0.16217*** 0.16666***. 0.0189. 0.11562*** 0.08112*** 0.40703***. 0.71326*** 0.36711*** 0.33482*** -0.00411. -0.10447**. -0.01722. 0.03824. 0.0515. SEO. 0.00825. 0.00861. -0.00446. 0.03135. 0.02833. ACOV. 0.08001*. 0.08185*. 0.19165*** 0.00646. AGE. 0.04316. 0.06137. 0.05035. 1. 0.12532** -0.04928. n. al. 0.16666*** 0.08112* 1. 0.03289. 0.03289. 0.40703*** -0.00047. y. -0.05. 0.16217*** 0.11562*** -0.04928. sit. MA. -0.05. er. -0.01515. 1. ‧. -0.14718*** -0.14638*** -0.01919. io. Nat. NFI. 0.31729*** 0.38295*** 0.07828*. 學. 1. ‧ 國. 1. -0.00047. iv n -0.02566 -0.06815 C-0.04349 hengchi U. 1 0.14216*** -0.00674. 0.30251***. 0.25503*** -0.21358***. -0.02566. 0.50136*** 0.10772**. -0.06815. 0.18992*** -0.10436**. 1. 0.06718. -0.01935. 0.12193*** 0.34972*** -0.21358*** 0.10772** -0.10436** -0.04077. 0.04289. 0.02976. 38. 0.08223*. 0.30251*** 0.06718. 0.67899*** 0.25503*** 0.50136*** 0.18992*** 0.08223*. 註 1：左下方為 Pearson 矩陣，右上方為 Spearman 關係矩陣。註 2：***為達到 1%的顯著水準，**為達到 5%的顯著水準，*為達到 10%的顯著水準。註 3：變數定義請參照表 4-1 附註 1。. 0.67899*** 0.34972***. -0.04349. 0.14216*** -0.00674 1. 0.12193***. -0.01935. -0.04077 0.04289 0.02976. 1. 0.0311. 0.0311. 1.