• 沒有找到結果。

摘 要

N/A
N/A
Protected

Academic year: 2022

Share "摘 要"

Copied!
131
0
0

加載中.... (立即查看全文)

全文

(1)
(2)
(3)
(4)
(5)

摘 要

近年來,國內證券金融資本市場之上市、上櫃公司接連驚爆財務弊端,除引 發地雷危機之外,更造成投資者之經濟損失及社會成本的負擔,證券主管機關開 始注意到公司治理問題,因而有許多的學者利用統計方法以及資料探勘的技術,

致力於分析公開的財務報表資訊內容,來建立企業財務危機的預警模型。本研究 採用二十一項財務比率,以 2000 年至 2004 年符合財務危機定義之公司,合計共 25 家,做為危機樣本;並在同時期的資料中找尋符合配對要件的 25 家財務正常 公司做為非危機樣本,採用各個危機公司發生財務危機年度前四年之年度財務報 表資料,運用區別分析法以及類神經網路之倒傳遞網路來建立企業財務危機預警 模型,並比較所建構之兩模型的預測準確率。本研究在各個研究期間所得到的預 測準確率分別為:區別分析在企業財務危機前一年,二十一項財務比率資料的預 測能力為 97.78%,危機前二年資料的預測能力為 95.56%,危機前三年資料的預 測能力為 92.22%,平均預測能力為 95.19%。類神經網路在企業財務危機前一年 資料的預測能力為 98.89%,危機前二年資料的預測能力為 94.44%,財務危機前 三年資料的預測能力為 93.33%,平均預測能力為 95.55%。實驗結果顯示,企業 財務危機預警模型所萃取出之主要影響變數為「股東權益比率」、「負債比率」、「稅 前淨利佔實收資本比率」、「每股盈餘」以及「總資產報酬率」等五個變數。而在 預測之準確率方面而言,區別分析所建立之企業財務危機預警模型在預測企業財 務危機的能力上並不如類神經網路。

關鍵字:企業財務危機預警、區別分析、倒傳遞網路。

(6)

ABSTRACT

In the past few years, several companies in domestic financial capital market have caused financial maladministrations and economical crisis. Moreover, the situation caused much investor’s economic losses and social risks. Therefore, the ministries of stock market and researchers have been paid attention to corporate governance problem. So, in recent literatures, a lot of scholars utilized statistical methods and data mining techniques to analyze financial statements by constructing the business financial crisis detection model. In the research, 21 financial ratios are adopted. Random samples from financial statements of 25 critical companies from 2000 to 2004 are selected as critical samples. And 25 non-critical companies with similar economical conditions in the same period are selected as non-critical samples.

The annual financial statements of each critical company in previous four years are used as training data sets. Finally, discriminate analysis and back-propagation neural network (BPN) are applied to compare business financial crisis detecting prediction models and the accuracies. In the experiment, the prediction accuracies of the two models are as follows.

Discriminate analysis:

The accuracy of prediction for the previous three years before business financial crisis are 97.78%, 95.56% and 92.22% respectively. The average prediction accuracy is 95.19%.

Neural network:

The accuracy of prediction for the previous three years before business financial crisis are 98.89%, 94.44% and 93.33% respectively. The average prediction accuracy is 95.55%.

In the experimental results, the main influence factors extracted in business financial crisis detecting prediction model are ‘Equity Ratio’, ‘Liability Ratio’, ‘Ratio of Net Income before Tax to Paid-in Capital’, ‘Earnings Per Share (EPS) ’ and ‘Return on Assets (ROA). The prediction capability of discriminate analysis model is worst than the prediction capability of neural network model in business financial crisis detection.

(7)

誌 謝

時光荏然,歲月如梭,兩年的時光匆匆,就這麼倏地走過,或許兩年的時光 對一個人的人生而言僅僅佔去了一小部分,但對我個人而言,卻是有了不凡的意 義。兩年前,在面對職場的瓶頸與升學的抉擇時,我選擇了升學,選擇了資管,

選擇了中華,也等同選擇了一個新的人生方向,在中華的七百多個日子裡,一萬 七千多個小時,在學校裡的每一分每一秒都是極用心的渡過,一位指導教授和一 個懵懵懂懂的初生之「徒」,激盪出了無以計量的互動,讓本篇論文得以付梓,

因此,當珮琪能夠完成這篇論文時,心中最感激以及首要感謝的恩師便是我的指 導教授──邱登裕教授,珮琪要感謝老師這兩年來在做人處事上的諄諄教誨與循 循善誘,在研究方面,老師更是不厭其煩耐心地悉心指導,也毫不藏私的傳授許 多關於做研究的方法以及培養我對事物的思考,讓一開始進入研究所之際,對於 閱讀期刊、論文不得要領的我,能在最短暫的時間內進入狀況,培養我成為能夠 發掘問題、解決問題、擁有獨立思考、自發學習以及研究能力的獨立個體,在此,

要向我最敬愛的老師表達衷心的謝忱──邱老師,真的謝謝您!此外,也特別感 謝資工系周智勳教授給予本篇論文諸多的靈感與研究方向之指導;更特別感謝口 試委員黃貞芬教授和吳玫瑩教授在百忙之中撥冗參與此次論文之口試,並對本篇 論文提出諸多的寶貴意見,讓本篇論文得以更臻完美及更趨周延完備。

回顧這兩年來的點點滴滴,有悲、有喜、有同甘共苦與我一起走過的同門師 兄弟、學姐及朋友們,在論文付梓的這一刻,心中的感覺真的可以用五味雜陳來 形容,欣喜的是我能堅持地走過,面對這足以影響我一生的抉擇與挑戰,讓我能 迎向下一個里程碑;感傷的是昔日大夥兒齊聚一堂,歷經了無數個廢寢忘食、挑 燈夜戰的日子,晨昏歡笑的好夥伴們,如今卻要各自紛飛,而天下無不散的宴席,

也期待昔日一起走過的夥伴們能有輝煌似錦的前程,特別要感謝在我研一時,面

(8)

上的支持與鼓勵為我分憂解勞;佩欣學姐、金慶學長在課業上及研究上不吝給予 建議和指導;更感謝對於本篇論文實驗所需之資料前置處理的程式撰寫及應用程 式操作給予我協助與指導的人員:網際名人股份有限公司葉為立先生、資訊管理 學系碩士班 93 級陳炳傑同學;曾一起到資工修課的勝彥同學及一帆、俊麟學弟,

咱們四個人和程式撕殺奮戰,並肩齊力完成的數個專案,共享成就感與榮耀,那 份喜悅和感恩的心是無法以筆墨來形容的;此外就是總是為實驗室帶來歡樂笑聲 的耍寶一族:鴨子、小閑、怡雰和耀鈞,謝謝你們為苦悶的研究生活增添了色彩 與活力氣氛;更不能遺漏的還有專科的摯友美麗、麗月、二技的所有同學們以及 枯葉兄在我研究所的二年時光裡一路陪著我走過,給我精神上的支持與鼓勵,特 別是在我沮喪感到難過時讓我體會到了友情的難能可貴。

最後,我要感謝始終在我背後默默的支持著我以及包容著我的父母親和家 人,讓我在求學的這條路上完全無後顧之憂,讓我能夠穩健的踏出每一步伐,因 為,在我心裡清楚的很,不管面對前方再大的荊棘困難與險阻,你們始終在我身 後默默的為我加油,如今,能夠完成碩士學位,謹以此小小的榮耀獻給我的父母 親,感謝你們的付出和養育之恩,也願將這份喜悅與成果獻給所有關心我和我所 愛的人。

鄭珮琪 謹誌於

(9)

目 錄

摘 要...i

ABSTRACT...ii

誌 謝... iii

目 錄...v

表 目 錄...vii

圖 目 錄... viii

第壹章 緒論...1

第一節 研究背景...1

第二節 研究動機...2

第三節 研究目的...3

第四節 研究流程...4

第貳章 文獻探討...6

第一節 財務危機之定義...6

第二節 財務危機之預警模式...11

第三節 財務危機之預警指標...25

第參章 研究方法...32

第一節 研究範圍...32

第二節 變數操作型定義...34

第三節 樣本選取...45

第四節 區別分析...51

第五節 類神經網路...55

第肆章 實證分析...60

(10)

第二節 實驗發現...61

第三節 實驗結果...62

第伍章 結論與建議...75

第一節 結論...75

第二節 研究限制...76

第三節 建議...77

參考文獻...81

中文部分...81

英文部分...85

附 錄...88

附錄一 台灣證券交易所(股)公司營業細則第四十九條...88

附錄二 危機企業與非危機企業配對示例...93

附錄三 統計分析...96

附錄四 財務危機預警─區別分析預測結果...102

附錄五 財務危機預警─類神經網路預測結果... 111

(11)

表 目 錄

表 1:企業財務危機之定義 ...10

表 2:企業財務危機預警模式相關文獻彙整表 ...18

表 3:企業財務危機預警模式相關文獻預測準確率比較表 ...21

表 4:企業財務危機預警模式優缺點比表 ...22

表 5:國外企業財務危機預警所選取之重要指標及因素 ...27

表 6:國內企業財務危機預警所選取之重要指標及因素 ...30

表 7:本研究所選取之財務比率 ...33

表 8:自變數及財務比率計算公式與運用說明 ...42

表 9:訓練組樣本 ...45

表 10:驗證組樣本 ...48

表 11:倒傳遞網路建置企業財務危機之參數設定彙總表 ...62

表 12:區別分析之企業財務危機預警─危機前一年之分類矩陣 ...63

表 13:區別分析之企業財務危機預警─危機前二年之分類矩陣 ...64

表 14:區別分析之企業財務危機預警─危機前三年之分類矩陣 ...65

表 15:類神經網路之企業財務危機預警─危機前一年之分類矩陣 ...67

表 16:類神經網路之企業財務危機預警─危機前一年驗證組之增益表 ...68

表 17:類神經網路之企業財務危機預警─危機前二年之分類矩陣 ...69

表 18:類神經網路之企業財務危機預警─危機前二年驗證組之增益表 ...71

表 19:類神經網路之企業財務危機預警─危機前三年之分類矩陣 ...71

表 20:類神經網路之企業財務危機預警─危機前三年驗證組之增益表 ...73

表 21:企業財務危機預警模型預測誤差及正確率比較表 ...74

(12)

圖 目 錄

圖 1:研究架構流程圖 ...5

圖 2:區別分析之決策流程圖 ...52

圖 3:人工神經元模型 ...56

圖 4:倒傳遞網路模型架構圖 ...58

圖 5:類神經網路之企業財務危機預警─訓練組之增益圖 ...66

圖 6:類神經網路之企業財務危機預警─危機前一年驗證組之增益圖 ...68

圖 7:類神經網路之企業財務危機預警─危機前二年驗證組之增益圖 ...70

圖 8:類神經網路之企業財務危機預警─危機前三年驗證組之增益圖 ...72

(13)

第壹章 緒論

第一節 研究背景

自一九九七年發生亞洲金融風暴起至今,台灣證券金融資本市場即處於混沌 不明的局勢中,不管是國內或是國際的投資人在面對此投資環境時,皆是處於侷 促不安的懸疑氣氛之中。隨著社會經濟制度型態正以迅雷不及掩耳的速度在改變 與發展之際,使得全球各國之企業亦面臨強烈的競爭環境。然而,隨著世界經濟 景氣循環的影響,亞洲經濟景氣持續的低落,在此段期間內,國內不少的企業除 了面臨國際競爭的實際挑戰之外,也遭受到了嚴重的衝擊。由於,外在的大環境 籌資不易,再加上政府的擴張內需政策績效不彰,在資金來源不足與無法刺激經 濟景氣回升的狀況下,資產泡沫型的企業在此時紛紛面臨到企業經營的危機,引 爆了體質不佳的傳統產業類股之企業財務危機。

然而,企業財務危機的發生並不僅只於傳統產業類股,數年後更擴張到了高 科技電子類股,特別是在二○○三年所爆發的太電危機,以及在二○○四年的博 達、訊碟、皇統、洪氏英、陞技電腦等事件,不難看出企業發生財務危機事件愈 趨頻繁與嚴重惡化。然而,發生在高科技電子類股之企業財務危機事件,探究其 起因,明顯與傳統產業類股之企業財務危機不同,在高科技電子類股中,由於電 子產業之產品邁入成熟期,在產品生命週期的縮短與產品開發技術裹足不前無法 突破的情況下,產品毛利率下滑,在眾多的市場競爭敵手間,企業經營績效、獲 利與盈收都難脫穎而出,導致企業經營者做出不當的決策,不管是企業欲跨足相 關事業或是角逐其他領域之事業,在轉投資虧損、大量舉債購置資本設備以及不 當運用衍生性金融商品操作手法下,終致使得企業走上面臨嚴重財務危機的命

(14)

當企業財務體質不健全的公司發生財務危機或經營失敗之時,波及的不僅僅 是企業內部,其亦對外部影響甚鉅。綜觀近幾年來,國內的證券金融資本市場中 之上市、上櫃公司驚爆財務弊端事件層出不窮,舉凡跳票、掏空、歇業、無預警 聲請重整、倒閉等事件,對於企業股東、員工、債權人、往來銀行以及股市投資 大眾而言,無不帶來經濟上的損失,也連帶影響上、中、下游廠商,而產生連鎖 效應,引爆更大的地雷危機,造成社會成本的負擔,這些股市地雷的引爆不單單 只是消耗了台灣證券市場的資金,更磨損了台灣自豪的創業精神,使得在亞洲經 濟低迷之時雪上加霜,讓國內證券資本市場的健全發展再度蒙上一層陰影,並危 及岌岌可危的國內經濟情勢,使之陷入更大更深與未知的危機當中。

第二節 研究動機

在亞洲金融風暴後,股市瞬間從萬點一路急驟下跌崩落,淪為地雷的公司不 勝枚舉。在二○○四年下半年度裡,台灣股市頻頻傳出地雷引爆,也無疑是在證 券金融及資本市場投下了相當大的震撼彈,但是,這些曾經是不可一世的股王為 何會在一朝之刻如流星般殞落,讓投資大眾措手不及而血本無歸?而這些曾經讓 企業主引以為傲,曾經風風光光,令人崇拜稱羨的王國又如何會在一夕之間傾 塌,讓投資大眾議論紛紛感到莫名。

從地雷危機的引爆到其所招致之結果,顯現出公司治理的重要性,而資本市 場的健全與穩定發展亦可說是一國經濟發展的磐石。然而,這些地雷的引爆是否 有跡可循呢?

通常,這些地雷的引爆,導致企業經營失敗的主要致命破綻之一,便是財務 問題。而企業的營運循環及經營策略皆會直接反映於財務報表中,因此,財務危

(15)

公司治理機制,也能強化證券金融資本市場的規模與體質。

針對企業財務危機預警之研究而言,早期的學者大都採用傳統的統計方法來 建立預測模型,但在使用傳統的統計方法及計量方法來建構企業財務危機預警模 型卻有諸多的限制及缺點。例如,以區別分析法而言,研究者所選定的資料必須 符合常態性分配,因此,諸多的財務比率皆受制於此假定。並且,以傳統之統計 方法所建構的財務危機預警模型日後在運作、修正及擴充功能等方面而言也較為 不易。至後期雖陸續有學者將人工智慧應用於財務危機預警領域,但其所使用之 變數大多也都是利用過去研究所分析的財務比率為基礎來建立模型,此外,過去 之財務危機預警模型之預測準確率大都會隨著預測時間的增長而驟降,因此,本 研究試圖以區別分析法找出符合國內企業狀況之財務危機預警指標,並以類神經 網路中應用最為廣泛的倒傳遞網路來建構預警模型,提升企業財務危機預警模型 之預測準確率。

第三節 研究目的

有鑑於上述之研究動機,本論文擬對企業財務危機預警進行深入的研究,對 公開的財務報表之資訊內容加以分析,藉此達到下列之研究目的:

一、粹取企業財務危機預警指標

蒐集國內上市公司之公開財務報表及其各項財務比率資訊,試圖找出我國上 市公司之企業財務危機中,具有解釋能力的財務危機預警指標。

二、建構企業財務危機預警模型

(16)

財務危機預警模型,透過財務報表分析與財務比率進行企業的財務狀況偵測,及 早發現企業財務危機徵兆,提供管理者做為決策之參考依據,使財務危機影響幅 度縮小,降低投資人的風險,並且於類神經網路之倒傳遞網路建構企業財務危機 預警模型中找出類神經網路預測模型之最佳參數設定。

三、提升企業財務危機預警模型之預測準確率

改善企業財務危機預警模型之預測能力,並比較區別分析方法以及類神經網 路兩者所建構之企業財務危機預警之預測準確率。

第四節 研究流程

本篇論文共分為緒論、文獻探討、研究方法、實證分析以及結論與建議等共 計五章。第壹章緒論,為簡要的說明研究背景、動機、目的以及研究流程。第貳 章文獻探討,將蒐集國內外關於財務危機預警模型與類神經網路的相關文獻,並 針對各文獻加以分析和探討,並比較財務危機之定義、財務危機之預警模型和財 務危機預警指標。透過前述之分析,介紹財務危機預警模型建構過程中所需的相 關技術,進而能夠從相關的研究文獻中,找尋出可供本研究參考的素材與財務變 數。第參章研究方法為本篇論文的核心部分,說明實驗資料、研究樣本及財務比 率資料選取的方法,以及整個實驗的架構與流程,分別敘述解決問題的方法和步 驟。本篇論文的實證研究採用實驗模組,可分為區別分析方法與類神經網路方法 等兩個模組,並依據各個階段所對應之模組進行說明。第肆章實證分析,在實證 分析中,則對本論文之實驗過程與實驗結果做詳細之探討和整理。第五章結論與 建議,則彙集本研究之實驗結果,分別給予企業、股東、主管機關以及投資人在

(17)

圖 1:研究架構流程圖

(18)

第貳章 文獻探討

第一節 財務危機之定義

過去諸多學者之企業財務危機預警模式的研究中,對於財務危機的定義,國 內外學者因認定的不同而尚未有一致的解釋,透過相關之文獻整理出本研究對企 業財務危機之定義,探討財務危機定義之相關文獻如下:

一、國外相關文獻探討

(一)Beaver (1966)

根據 Beaver 對企業財務危機的定義可將企業財務危機區分為下列 四種,若企業個體存在下列情況之一者,即稱為財務危機企業:

(1) 無法支付特別股股利(Nonpayment of Preferred Stock Dividends)。

(2) 公司債違約(Bond Default)。

(3) 發生銀行存款透支(Overdrawing Bank Account)。

(4) 宣告破產(Bankruptcy)。

(二)Altman (1968)

該研究者定義企業財務危機為法律所認定之破產以及重整稱之。

(三)Deakin (1972)

(19)

(四)Blum (1974)

Blum 所定義之企業財務危機為公司債務到期而無法履行債務時,

進入破產程序與債權人協議減少債務時稱之。

(五)Zmijewski (1984)

Zmijewski 定義企業財務危機為申請破產宣告者。

(六)Laitinen (1991)

Laitinen 將企業財務危機區分為下列三類:

(1) 慢性失敗:財務危機訊號可由財務比率觀察到,在危機發生前 四年已呈現不佳狀態。

(2) 收益失敗:負債比率與流動比率與一般正常公司比較下,略顯 差異,但主要失敗之原因乃是獲利情況不佳所致。

(3) 嚴重失敗:財務比率迅速於財務危機發生前一年惡化,不易於 事前預測。

(七)Ward (1997)

Ward 認為企業沒有能力償付債務,進行重整者,稱為財務危機企 業。

二、國內相關文獻探討

(一)潘玉葉(1990)、梁清源(1992)、卓怡如(1995)、儲蕙文(1996)、鄭碧月(1997)、

李洪慧(1998)、李俊毅(1999)、池千駒(1999)、施並洲(1999)、賴季柔(2000)、

吳秀娟(2000)、王俊傑(2000)、林文修(2000)、龔志明(2000)、陳淑萍(2003)、

(20)

定義企業財務危機為法律上所定義之變更交易方式、破產、重整、

申請債務延展等較為狹隘之定義,其詳內容如下:

(1) 股票上市公司發生符合台灣證券交易所股份有限公司營業細 則第四十九條所規定之狀況,變更交易方式為全額交割股或裁 定為暫停交易者。

(2) 申請重整、破產或終止上市者。

(3) 遭到併購或接管之企業。

(二)洪榮華(1993)、陳隆麒(1993)、莊東昇(1996)、陳靜怡(2000)、張正忠(2000) 採用較廣泛的企業財務危機定義,屬於下列狀況之一者即稱為財務 危機企業:

(1) 財務狀況不健全或財務比率不佳者。

(2) 營運狀況不佳,發生虧損或連續年度營業利益為負者。

(3) 營運資金短缺,短期內,債務清償能力顯著有困難者。

(4) 自有資金不足,短期內,無法改善狀況者。

(5) 跳票、違約交割、財務吃緊停工、歇業或景氣不佳停工等狀況 者。

(三)陳肇榮(1983)

將企業財務危機視為漸進式的連續狀況,認為企業財務危機將呈現 階段性的一種現象,可區分為下列三個階段:

(21)

(3) 破產倒閉階段:負債大於資產、喪失償債能力。

(四)葉銀華、李存修、柯承恩(2002)

以反向邏輯定義企業財務危機,企業之現金流量若無法支付到期之 長期負債,而且公司之市值減少並滿足下列任三種情況之企業則排除於 非危機企業。

(1) 當年度營運資金負數。

(2) 前三年中,任一年度發生營運虧損。

(3) 前三年中,任一年度保留盈餘為負數。

(4) 前三年中,任一年度淨利為負數。

(五)張大成、薛人瑞、黃建隆(2003)

歸納企業財務危機為下列情況:

(1) 總資產小於總負債,但流動資產大於流動負債。

(2) 總資產大於總負債,但流動資產小於流動負債。

(3) 總資產小於總負債,且流動資產亦小於流動負債。

綜合上述文獻對於企業財務危機之定義,本研究對於企業財務危機之定義採 用狹隘之法律解說,以符合台灣證券交易所股份有限公司營業細則第四十九條

(參見附錄一)所規定之狀況,而變更交易方式為全額交割股票或終止上市者為 危機公司;其餘為非危機公司,以利實證上研究樣本之認定,各學者對於財務危 機之定義詳細內容如表 1 所示。

(22)

表 1:企業財務危機之定義

認定方法 主要定義內容 學者(年代)

以公司財務狀況定義

財務狀況惡化、無能力償付 債務、財務比率不佳、財務 狀況不健全、營運虧損。

Beaver(1966)、Opler and Titman (1994)、洪榮華(1993)、莊東昇 (1996)、陳靜怡(2000)、張正忠 (2000)130

以政府法律定義

股票上市公司發生變更交 易方式為全額交割或被裁 定為暫停交易、終止上市、

申請重整、破產、以及購併 或接管之企業。

Altman(1968)、Deakin(1972)、

Blum(1974)、Ohlson (1980)、

Zmijewski(1984)、McGurr and DeVaney(1998)、Odom(1990)、

Ward(1997)、潘玉葉(1990)、

梁清源(1992)、卓怡如(1995)、

儲蕙文(1996)、鄭碧月(1997)、

李洪慧(1998)、李俊毅(1999)、

池千駒(1999)、施並洲(1999)、

賴季柔(2000)、吳秀娟(2000)、

王俊傑(2000)、林文修(2000)、

龔志明(2000)、陳淑萍(2003)、

許志鈞(2003)、賴以建(2003)

以漸進式財務危機階 段定義

將財務危機區分為數個階 段或類型。

Laitinen (1991)、

陳肇榮(1983)、陳隆麒(1993)

資料來源:本研究整理

(23)

第二節 財務危機之預警模式

企業財務危機預警模式之研究始於 1935 年,早期的學者大多採用單變量分 析來建置企業財務危機預警模式,其中又以 Beaver 在 1966 年發表 Financial Ratios as Predictors of Failure 之研究後,一般學者都將其研究視為最早將單變量分析運 用於建置企業財務危機預警模式之始祖。以下將分別就國外及國內探討其相關文 獻。

一、國外相關文獻探討

(一)Beaver (1966)

Beaver 是最先以單變量分析方法發展出財務危機預測模型的研究 者,在其研究中,以 1954 年至 1964 年為研究資料區間,隨機抽樣 79 家財務危機公司為樣本,再利用配對樣本法,在產業相同以及經濟規模 相似此兩個控制因素下,為每一個樣本公司找尋出財務正常的公司與樣 本中的財務危機公司相互配對,檢視 30 種財務比率及財務變數在危機 企 業 與 財 務 正 常 之 兩 組 公 司 間 進 行 二 分 類 檢 定 法 ( Dichotomous Classification Test),觀察兩組樣本在財務危機發生前五年度其財務比率 的差異程度。

針對 Beaver 所使用的單變量分析及二分類檢定法探討其缺點:

(1) 由於在單變量分析方法中,僅使用單一財務變數就驟然判定公 司財務狀況之評價,其周延性、代表性以及過程簡化等等之因 素下,其預測結果難免令人質疑,而且單變量無法衡量企業財 務報表中各種複雜的財務變數及多變的面相。

(24)

(2) 同一家公司不同的財務比率可能會對該公司有不同的預測結 果,產生互相矛盾的狀況,例如:在負債比率被歸類為財務危 機公司,但在流動比率卻被歸類為正常公司。

(3) 單變量分析具有下述之兩項缺點,一為當兩個財務比率單獨考 量時則不具區別效力;另一則為若同時考量時,卻又造成具有 強大區別效力的狀況。

(4) 單變量分析無法獲知所有的財務變數間的相關程度。

(5) 單變量分析亦無考慮所有的財務變數的變異程度。

由於單變量分析具有上述各項缺點,因此,繼 Beaver 之後,有許 多學者運用多變量分析方法於財務危機預測的研究中。

(二)Altman (1968)

Altman 於 1968 年首次進行企業財務危機預測之研究時,其是仿照 Beaver 之配對法,開創利用多變量分析技術─逐步多元區別分析法

(Stepwise Multiple Discriminant Analysis)來進行財務危機預測,以 1946 年至 1965 年為研究資料區間,隨機抽樣該期間內宣告破產的 33 家製造 業為主的公司,作為研究樣本的實驗組,利用因素分析法檢視流動性、

獲利能力、財務槓桿、償債能力以及週轉能力等共計 22 個財務比率,

逐步粹取出五個最具預測能力的財務比率。最後,則將選出的五個財務 比率建構成一個線性區別函數,並將此區別函數定名為 Z-Score 模式。

在研究中,對於財務危機公司破產預測的正確率分別為:危機前一 年達 95%、危機前二年降為 75%、危機前三年為 48%、危機前四年為

(25)

該預測模型僅適用於短期之財務危機預測。雖然,該模式僅適用於破產 前二年的預測,但其研究方法與結果仍為財務危機預測提供了基本的模 型。

(三)Deakin(1972)

Deakin 結合了 Beaver 及 Altman 之研究方法,在 1964 年至 1970 年 間,隨機挑選危機公司與非危機公司各 32 家為樣本,並以 Beaver 研究 中十四項具顯著區別效力之財務比率做為研究變數,採用二分類檢定法 及多變量分析建立預測模型,研究結果顯示,以多變量分析所建立之企 業財務危機預警模型比單變量分析所建立之模型為佳。而其預測模型之 預測準確率在危機發生前一年為 97%、危機發生前二年為 95.5%、危機 發生前三年為 95.5%、危機發生前四年為 79%。

(四)Blum(1974)

Blum 之企業財務危機預警是以現金流量之角度來建立理論架構,

並以流動性、獲利性及變異性等三大指標,對 230 個企業之財務進行評 估,研究結果發現,以現金流入對總負債比率、淨值對總負債比率、速 動資產對存貨比率此三個變數最具區別效力,而預警模型之準確率在企 業財務危機發生前一年與前二年分別為 94%和 80%,而危機前三年正準 確則降至 70%,但在其研究中卻也建構財務危機的理論,證實得到下列 法則,若流動性資產減少、現金流入減少、現金流出增加,則流入流出 的變異性所增加的幅度越大,公司發生財務危機的機率則越高。

(五)Sinkey(1975)

Sinkey 採用區別分析法,以銀行業為研究對象,自 1972 年至 1973 年選出 110 家隱藏危機的銀行,依據市場所在、存款總額、聯邦準備的

(26)

行實驗,在其研究所分析的 10 項財務比率中發現,問題銀行之流動性、

資本適足性、收入來源等三項,比健全的銀行來的低;而存放比率、放 款品質、收入用途等三項,比健全的銀行來的高。

(六)Altman(1977)

Altman 於 1968 年所進行之企業財務危機預警研究,由於所建立之 模型僅能應用在危機前一年之預測,在危機前二年後其預測正確率即大 幅驟降,並且,隨著時間的增長以及經濟環境的變遷,原本所建立之 Z-Score 模型已無法解釋當時的企業財務危機現象。因此,Altman 於 1977 年,再次進行研究,採取 1962 年至 1975 年間 53 家破產企業,以及 58 家相同產業的正常公司,利用其 27 個財務比率進行區別分析。研究結 果顯示,此模型之預測準確率已較先前之 Z-Score 模型大幅提高,企業 財務危機前五年的預測準確率已提升至 76.8%。

(七)Martin(1977)

企業財務危機預警模型雖由單變量分析發展至多變量分析,但區分 別分析法僅能就樣本公司進行分類,預測是否發生企業財務危機,而無 法衡量發生財務危機的機率。因此,該學者選擇以迴歸分析法中的 Logit 模式來建立企業財務危機預警模型,建構金融機構倒閉的預測模型。其 以 1969 至 1974 年間之資料為研究範圍,選取 25 項財務比率做為變數,

預測二年後金融機構倒閉的機率。

(八)Ohlson(1980)

Ohlson 以非成對樣本設計之方式,利用 Logit 分析法來建構製造業

(27)

的可能性。研究結果發現公司規模、財務結構、經營績效以及流動性等 四個因素可以用來解釋企業之財務危機,而前述之三種模式之預測準確 率分別為 96.12%、95.55%以及 92.84%。

(九)Zmijewski(1984)

Zmijewski 以 Probit 之模型應用於企業財務危機預警之研究,但在其 研究中指出,過去的研究者皆以 Beaver 所提出之相同產業及產業規模 為配對抽樣法之基礎。因此,易造成選擇基礎誤差1和樣本選擇偏誤2等 二項問題之產生,所以,該學者以 1972 年至 1978 年間 76 家危機企業 與 3880 家非危機企業為研究樣本,來降低上述兩項偏誤。研究結果發 現下列方式確實可降低上述二項偏誤:

(1) 對於選擇基礎誤差,可使用調整程序來消除偏誤。

(2) 增加樣本選取,在樣本比例愈接近母體時,方可降低選擇基礎 誤差。

(3) 對於樣本選擇偏誤,可以雙變量 Probit 模式來降低,此方法會 比單變量 Probit 模式為佳。

(4) 非隨機抽樣的結果不一定會使統計推論及整體的區別效果有 顯者的改變,只有在個別的群體區別分析上會有顯著的影響。

(十)Odom and Sharda(1990)

Odom 是第一位將類神經網路應用到企業財務危機預測上的學者。

其以 1975 至 1982 年為研究期間,選出 65 家危機公司與 64 家非危機公

1 選擇基礎誤差:所謂選擇基礎誤差是指由於研究者所定義之財務危機企業不同,會造成樣本數 及可選擇之財務危機企業不同,過去的學者多以 Beaver 的 1:1 配對抽樣為基礎,因此,易導致 過度抽樣的情況發生。

(28)

司為研究樣本,並以 Altman(1968)所使用之 22 個財務比率進行財務危機 預警模型的建構,在其研究中指出,類神經網路方法所建構之企業財務 危機預警模型不論在訓練樣本或者是驗證樣本中,其預測能力都比區別 分析好。此後,另有 Tam(1992)、Coats (1993)、Altman(1994)、Zhang(1999)、

Tan and Dihardjo(2001)、Beak(2003)等諸多學者相繼應用類神經網路於企 業財務危機預警之研究。並且,發現類神經網路在財務危機預測上有較 高的預測準確率。

(十一)Ward(1997)

Ward 以 1988 至 1989 年間,選取 29 家破產公司、35 家貸款違約公 司及 253 家正常之公司為研究樣本,利用 Logit 模式建立企業財務危機 預警模型。其研究結果顯示,在破產預測模式中,股東權益對總負債比 率具有較佳之預測能力;而在貸款違約預測模式中,企業規模因素對於 企業財務危機具有影響。

二、國內相關文獻探討

(一)陳肇榮(1983)

該研究者以 1976 年至 1982 年為研究期間,選取 96 家公司做為研 究樣本,並將樣本區分為三類,其中 40 家公司為原始樣本,20 家為保 留樣本用以檢驗區別能力,另 36 家為後期樣本用以檢驗預測能力。其 以 32 個財務指標利用主成份法進行因素分析,研究結果顯示,營運資 金對資產總額比率在企業財務危機前一年具有較高的區別效力與預測

(29)

該研究者為國內首位對應用區別分析與因素分析方法建立財務危 機預警模型提出優缺點、限制等評論之學者。其採用 1984 年到 1985 年 間 11 家危機公司與 19 家非危機公司做為研究樣本,以 Beaver 之二分類 檢定法在 22 個財務比率中篩選出 9 個區別能力較佳之財務指標,再利 用 Logit 分析法和 Probit 分析法建立財務危機預警模型,兩方法所建立 之預測模型在預測效能上為一致,亦即兩方法之預測準確度在企業財務 危機前一年、前二年、前三年皆相同,無顯著的差異,兩模型之預測準 確度在危機前一年至三年分別為:93.33%、83.33 及 83.33。

(三)潘玉葉(1990)

該研究者以 1972 年至 1987 年間 18 家危機公司為樣本,再以產業 別、股本相近二限制條件下隨機挑出 32 家正常公司做為研究樣本,利 用因素分析對 20 個財務比率進行研究,在財務危機前五年度內,逐年 度萃取出各年度之財務因素。研究發現,在財務危機發生前二年是以高 財務槓桿操作為造成企業財務危機的主要因素,在財務危機發生前三年 至五年間以低變現性、低獲利性等問題是造成企業財務危機的主要因 素。並且,透過 Logit 模式獲得財務危機預警模型具顯著解釋能力之變 數,該研究指出,在企業財務危機前一年至五年之預測準確率分別為:

80%、76%、76%、56.25%、72.72%,而危機前四年之預測準確率不及六 成仍因受外界經濟變動因素所影響,而導致預測能力降低。

(四)徐淑芳(1999)

其利用多變量 CUSUM 時間序列分析來建立預警模型,利用 1998 年 10 月以前列為全額交割股之 7 家危機公司與 12 家非危機公司配對。

總計以 30 期的季報為主要的分析內容,將所採用的 20 個財務比率利用

(30)

月以後列為全額交割股的 7 家危機公司與 14 家非危機公司進行模型的 驗證。實證結果顯示危機公司預測的準確度達 85.71%,非危機公司預 測的準碓度達 92.82%。

(五)郭瓊宜(1994)、蔡秋田(1995)、池千駒(1999)、蘇文娟(2000)、龔志明(2000)、

郭素綾(2002)、許志鈞(2003)、陳昱均(2003)、賴以建(2003)

郭瓊宜是國內首位以類神經網路建立企業財務危機預模型的學 者,其利用 1981 年至 1993 年間變更交易方式為全額交割股之 23 家公 司為危機樣本。採用相同產業及規模相近之上市及上櫃公司財務正常之 44 家與之配對。其研究結果以財務危機發生前二年的預測準確度為最 高。而後續的研究者多半依其模型發展出不同的財務危機預警模型,其 中,陳昱均(2003)將非財務變數融入研究分析中,利用類神經網路所建 構的企業財務危機預警模型之預測準度為最高,其正確率達 93.75%。

而許志鈞(2003)之研究雖正確率達 91.67%,但因其測試樣本數過小,對 於其研究之預測模型之準確率則有待驗證。

茲將企業財務危機預警模式相關文獻之研究結果彙整於表 2,其預測之準確 率彙整表 3。

表 2:企業財務危機預警模式相關文獻彙整表

方法 分析模式 相關文獻 研究結果

Beaver (1966)

企業財務危機前五年,以現金流量對總負債比率、總資 產報酬率、負債比率、營運資金比率、流動比率及速動 資產減去流動負債對營業費用比率等六項財務比率最 具區別效力。

統計方法

單變量分析

(二分類檢定法)

Deakin

結合 Beaver 及 Altman 之研究方法,研究結果顯示,以 多變量分析所建立之企業財務危機預警模型比單變量

(31)

方法 分析模式 相關文獻 研究結果

Altman (1968)

建構一線性區別函數,以 Z-Score 做為財務危機之判 別,Cutoff Value 為 Z=2.675,若 Z > 2.675 則為財務正常 公司;反之,若 Z < 2.675 則為財務危機公司,其預測準 確率在危機前一年最高,可達 95%,第二年後則急速下 降,顯示模型僅適用於短期之預測。

Sinkey (1975)

僅探討銀行業,結果顯示問題銀行之流動性、資本適足 性、收入來源等三項,比健全的銀行來的低;而存放比 率、放款品質、收入用途等三項,比健全的銀行來的高。

多變量分析

(因素分析)

陳肇榮 (1983)

研究結果顯示,營運資金對資產總額比率在企業財務危 機前一年具有較高的區別效力與預測能力。

Blum (1974)

研究結果發現,以現金流入對總負債比率、淨值對總負 債比率、速動資產對存貨比率此三個變數最具區別效 力,建構財務危機理論,視現金流量為一水槽,現金流 量之流入及流出的變異性會影響財務危機的機率。

多變量分析

(區別分析)

Altman (1977)

研究結果發現,資產報酬率、盈餘穩定性、債務保障、

累積獲利能力、流動比率、資本以及規模等七個指標具 區別效力,財務危機前五年的預測準確率已提升至 76.8%。

Ohlson (1970)

研究結果發現公司規模、財務結構、經營績效以及流動 性等四個因素可以用來解釋企業之財務危機。

Martin (1977)

研究結果發現在金融機構中淨利/總資產、壞帳/營業淨 利、費用/營業收入、總放款/總資產、商業放款/總放款、

總資本/風險性資產等六個財務比率,具有顯著的預測 能力。

Ward (1997)

其研究結果顯示,在破產預測模式中,股東權益對總負 債比率具有較佳之預測能力;而在貸款違約預測模式 中,企業規模因素對於企業財務危機具有影響。

潘玉葉 (1990)

研究發現,在財務危機發生前二年是以高財務槓桿操作 為造成企業財務危機的主要因素,在財務危機發生前三 年至五年間以低變現性、低獲利性等問題是造成企業財 務危機的主要因素。在企業財務危機前一年至五年之預 測準確率分別為:80%、76%、76%、56.25%、72.72%。

統計方法

迴歸分析法

(Logit 模型)

陳明賢 (1986)

研究結果顯示,以流動比率、營運資金/總負債、固定 資產對淨值比率(固定比率)等三個財務比率具有顯著 之預測能力。

(32)

方法 分析模式 相關文獻 研究結果 Zmijewski

(1984)

探討 Beaver 所提出之相同產業及產業規模為配對抽樣 法,並提出善方法。

統計方法

迴歸分析法

(Probit 模型) 陳明賢 (1986)

研究結果顯示,利用迴歸分析法之 Logit 和 Probit 模型 所建立之預測模型,對於財務危機預警之預測準確率並 無明顯差異。

Odom (1990)

第一位將類神經網路應用到企業財務危機預測上的學 者,奠定類神經網路應用於財務危機預警研究的基礎,

也證實類神經網路的預測能力比區別分析好。

Tam

(1992) 證實類神經網路的預測能力優於 Probit 模型。

Coats (1993)

比較區別分析法和類神經網路模型的優劣,研究結果顯 示類神經網路有較佳的預測能力。

Altman (1994)

利用類神經網路和區別分析建立預警模型,研究發現預 測之準確率在 90%以上,但研究中提出類神經網路較無 理論根據,有如黑箱作業,若能配合區別分析一起使 用,將可提升模型之預測能力。

Zhang (1999)

研究顯示,類神經網路模型的預測總正確率達 88.18%,

較 Logit 模式的 78.64%為佳。

Baek (2003)

提出聯想式網路適用之模型架構,用以解決選擇基礎誤 差的問題,研究結果顯示,確實能提升預測之準確率。

龔志明 (2000)

由類神經網路所建構出來的各期預測模型其預測能力 優於 Logit 模型所建構之模型。

非統計方法

類神經網路

賴以建 (2003)

其研究結果顯示,影響企業財務危機的變數為營業利益 率、每股營業額、稅前純益/實收資本、每股淨值(A)、

每股淨值(B)、內部保留比率、現金流量允當變動率、利 息保障倍數、固定資產週轉率及營業費用率等十個變數 較具區別效力。

資料來源:本研究整理

(33)

表 3:企業財務危機預警模式相關文獻預測準確率比較表

樣本數 預測準確率

預警模型

採用方法 作者 研究期間

危機 非危機 合計

變數 危機前 一年

危機前 二年

危機前 三年

總體 預測能力 Beaver

(1966) 1954~1964 79 79 158 30 87.00% 79.00% 77.00% 81.00%

單變量分析法

(二分類檢定法) Deakin

(1972) 1964~1970 32 32 64 14 97.00% 95.50% 95.50% 96.00%

Altman

(1968) 1946~1965 33 33 66 22 95.00% 75.00% 48.00% 72.67%

多變量分析法

(因素分析) 陳肇榮

(1983) 1976~1982 48 48 96 32 80.00% 70.00% - 75.00%

Altman

(1977) 1962~1975 53 58 111 27 96.00% 76.50% 58.00% 76.83%

多變量分析法

(區別分析) Blum

(1974) 1954~1968 115 115 230 12 94.00% 80.00% 70.00% 81.33%

Ohlson

(1980) 1970~1976 105 2058 2163 9 96.12% 95.55% - 95.84%

潘玉葉

(1990) 1972~1987 18 32 50 20 80.00% 76.00% 76.00% 77.33%

迴歸分析法

(Logit 模型)

陳明賢

(1986) 1984~1985 11 19 30 22 93.33% 83.33% 83.33% 86.66%

迴歸分析法

(Probit 模型)

陳明賢

(1986) 1984~1985 11 19 30 22 93.33% 83.33% 83.33% 86.66%

Odom

(1990) 1975~1982 64 64 128 22 90.00% - - 90.00%

Tam

(1992) 1985~1987 59 59 118 19 85.80% 84.60% - 85.20%

龔志明

(2000) 1994~1996 14 28 42 22 88.00% 80.00% 76.00% 81.33%

許志鈞

(2003) 1996~2001 30 30 60 60 91.67% - - 91.67%

陳昱均

(2003) 1991-2001 146 257 403 27 93.75% - - 93.75%

類神經網路

賴以建

(2003) 1986~2002 30 30 60 60 91.60% 83.33% 83.33% 86.09%

資料來源:本研究整理

(34)

三、財務危機預警模式之比較

經由上述文獻對國內外學者之財務危機預警模式進行探討後,大致可將企業 財務危機預警模式建構方法歸納為統計方法和非統計方法,茲將各種企業財務危 機預警模式所採用之方法作成表 4 之企業財務危機預警模式優缺點比表:

表 4:企業財務危機預警模式優缺點比表

方法 分析模式 假設條件 優點 缺點

趨勢分析

無 1. 簡明易懂 1. 其作用僅在找出失

敗企業在面臨財務 危機前,其財務狀 況的變化趨勢 2. 無法真正達到財務

危機預警的功能

單變量分析

(二分類檢定)

無 1. 模型簡單

2. 數值計算容易 3. 所求得的數值易於

解釋

1. 以試誤法尋求最佳 財務指標,缺乏共 同的區別理論架構 2. 單一區別指標,無 法 涵 蓋 企 業 整 體 面,有代表性不足 的可能性

3. 未考慮資料的變異 程度

統計方法

多變量分析

(區別分析)

1. 資 料 須 符 合 常 態 分配

2. 每 一 變 數 都 不 是 其 他 變 數 的 線 性 組合

3. 每 一 群 體 的 共 變 數 矩 陣 假 設 必 需 相等

1. 可解決區別分析中 自變數資料非常態 的問題

2. 模式使用不須經過 資料轉換,故較容 易使用

3. 可瞭解哪些變數較 具區別效力

1. 只能應用於二分類 選擇模式

2. 其機率常落於0 與 1 之外,不符合機 率假設之前提

(35)

方法 分析模式 假設條件 優點 缺點

線 性 機 率 模 型

1. 殘 差 項 必 須 為 常 態分配

2. 殘 差 項 變 異 性 齊 一

3. 自 變 數 間 無 共 線 性存在

4. 樣 本 數 必 須 大 於 迴歸參數個數

1. 可解決區別分析中 自變數資料非常態 的問題

2. 模式使用不須經資 料轉換,故較容易 使用

1. 只能應用於二分類 選擇模式

2. 其機率常落於0 與 1 之外,不符合機 率假設之前提

Probit 模 型

1. 殘 差 項 必 須 為 常 態分配

2. 自 變 數 間 無 共 線 性存在

3. 樣 本 數 必 須 大 於 迴歸參數個數 4. 各 群 預 測 變 數 之

共 變 異 矩 陣 為 對 角化矩陣

1. 可解決區別分析中 自變數資料非常態 的問題

2. 機 率 值 介 於 0 與 1 之間

3. 模式適用於非線性 及可處理屬質變數

1. 模式使用前必須經 由資料轉換 2. 計算程序較複雜

Logit 模 型

1. 殘 差 項 必 須 為 常 態分配

2. 殘 差 項 變 異 性 齊 一

3. 自 變 數 間 無 共 線 性存在

4. 樣 本 數 必 須 大 於 迴歸參數個數

1. 可解決區別分析中 自變數資料非常態 的問題

2. 模式使用不須經資 料轉換,故較容易 使用

1. 只能應用於二分類 選擇模式

2. 其機率常落於0 與 1 之外,不符合機 率假設之前提 3. 計算程序複雜

迴歸分析法

瀑 布 Logit

模 型

1. 殘 差 項 須 為 韋 伯 分配

2. 自 變 數 間 無 共 線 性存在

3. 樣 本 數 必 須 大 於 迴歸參數個數

1. 較具有整合性 2. 較具有實用性 3. 其預測能力及分類

能 力 比 單 獨 Logit 方法好

1. 模式使用前必須經 過資料轉換 2. 計算程序較複雜

統計方法

比例危險模型 Cox 模型

1. 假 設 各 資 料 間 彼 此獨立

1. 具有估計未來存活 期間的能力

1. 主要是用以預測企 業未來存活期間的 機率,非用來判定 企業是否失敗

(36)

方法 分析模式 假設條件 優點 缺點

廣義估計方程式 GEE

1. 資料為隨機 2. 不 同 群 體 間 共 變

數假設為相同 3. 自 變 數 資 料 來 自

於常態母體

1. 考慮到時間前後期 的相性,提供更多 訊息

1. 計算較為繁複 2. 不易瞭解

CUSUM 模型3

1. 不 同 群 體 間 其 共 變 數 矩 陣 假 設 為 相同

1. 考慮財務前後期的 相關性

2. 採用累積的概念,

增加模型的敏感度

1. 計算上較繁複 2. 需要較長期的資料 統

計 方 法

指數加權移 動平均模型 EWMA 模型4

1. 觀察值及 EWMA 值 需 符 合 常 態 分 配

1. 考慮財務前後期的 相關性

2. 考慮到變數變動的 敏感度

3. 容易建立及操作

1. 計算上較繁複 2. 需要較長期的資料

非 統 計 方 法

類神經網路

無 1. 以電腦進行大量資

料之處理

2. 具處理複雜問題之 能力

3. 無任何機率分配或 假設的限制 4. 可接受屬質變數

1. 較無完整之理論架 構來說明其運作過 程

2. 處 理 過 程 有 如 黑 箱,無法明確瞭解 3. 無法得知變數與模

型之關係

4. 模型參數的調整無 一定之標準

資料來源:本研究整理

(37)

第三節 財務危機之預警指標

財務危機之預警指標係指財務報表中之各財務比率及財務變數。本節將整理 過去學者所提出之相關的文獻,找出財務報表當中具區別效力的財務危機預警指 標。相關文獻探討如下:

一、國外相關文獻探討

(一)Beaver (1966)

根據 Beaver 從單變量財務危機預警模式的研究結果發現,可得到 六項財務危機之預警指標,分別為:

(1) 現金流量對總負債的比率:

總負債 現金流量

(2) 總資產報酬率:

總資產 淨利

(3) 負債比率:

總資產 總負債

(4) 營運資金比率:

總資產 營運資金

(5) 流動比率:

流動負債 流動資產

(6) 速動資產減去流動負債對營業費用的比率:

營業費用 流動負債 速動資產−

(二)Altman (1968)

Altman 利用逐步多元區別分析,得到下列之區別函數:

(38)

其中

X1:營運資產佔總資產比率=

總資產

流動負債 流動資產−

,用以衡 量企業的流動能力。

X2:保留盈餘佔總資產比率=

總資產

保留盈餘 ,反映企業將利潤保

留於公司內部,未來發展潛利的指標。

X3:稅前息前淨利佔總資產比率=

總資產 稅前息前淨利

,評估企業 在不舉債的情況下,其獲利能力。

X4:股東權益市價佔總負債帳面價值比率=

負債總額 股東權益市場價值

, 衡量自有資金的程度。

X5:銷貨收入佔總資產比率=

總資產

銷貨收入 ,評估資產創造收入

的效率。

研究結果發現,上述之區別函數 Z 為財務危機公司與正常公司的綜 合指標,此一區別模型 Z-Score 的臨界值為 2.765,若 Z > 2.675 則為財 務正常公司;反之,若 Z < 2.675 則為財務危機公司。

(三)Altman(1977)

該研究最後所得之預測模型獲得了 7 個具解釋財務危機預測能力 的變數,包括資產報酬率(稅前息前淨利/資產總額)、盈餘穩定性(稅 前息前淨利/資產總額的十年標準差)、債務保障(稅前息前淨利/利 息支出總額)、累積獲利能力(保留盈餘/資產總額)、流動比率(流動

(39)

(四)Martin(1977)

在其實證分析中發現下列六項財務比率在金融機構是否發生財務 危機之預警上具有顯著的預測能力。

(1) 總資產報酬率:

總資產 淨利

(2) 壞帳對營業淨利之比:

營業淨利 壞帳

(3) 費用對營業收入之比:

營業收入 費用

(4) 總放款對總資產之比:

總資產 總放款

(5) 商業放款對總放款之比:

總放款 商業放款

(6) 總資本對風險性資產之比:

風險性資產 總資本

以下將國外的企業財務危機預警之重要研究所選取之重要指標及因素整理 於表 5。

表 5:國外企業財務危機預警所選取之重要指標及因素

Beaver Alatman Deakin Blum 因素 Variables

(1966) (1968) (1972) (1974) Net Income/Sales

Funds Flow / Total Assets

Net Income / Total Assets ★ ★ EBIT / Sales

EBIT / Total Assets ★ 投資報酬

Net Income / Common Equity ★ Quick Assets / Total Assets

Funds Flow / Sales

Current Assets / Total Assets ★ 資本週轉

(40)

Beaver Alatman Deakin Blum 因素 Variables

(1966) (1968) (1972) (1974) Sales / Total Assets ★

資本週轉

WC / Total Assets ★ ★ ★ TL / Total Assets ★

Long-term Debt / Current Assets

Funds Flow / Total Debt ★ ★ ★ Funds Flow / Current Liabilities

財務槓桿

Retained Earning / Total Assets ★

Current Assets / Current Liabilities ★ ★ Quick Assets / Current Liabilities ★ 短期償債

Current Liabilities / Total Assets Cash / Sales

Cash / Total Assets ★

Cash / Current Liabilities ★ No Credit Interval ★

現金狀況

Quick Flow ★

Current Assets / Sales ★ Inventory / Sales

存貨週轉

Sales / Working Capital ★ Quick Assets / Inventory

應收週轉

Quick Assets / Sales ★ 資料來源:參考 Chen, K. H. (1991)

二、國內相關文獻探討

(一)陳明賢(1986)

研究結果顯示,9 個財務比率中,以流動比率、營運資金/總負債、

(41)

其研究結果顯示,透過 Logit 模式獲得財務危機預警模型具顯著解 釋能力的變數為總資產週轉率、固定資產獲利率、總資產報酬率、股東 權益報酬率、負債比率以及槓桿比率等五個預警指標。

(三)徐淑芳(1999)

其研究結果顯示,每股盈餘、總資產週轉率、速動比率、流動負債

/總權益、長期資金對固定資產比率及獲利率等六個具區別效力之變 數。

(四)池千駒(1999)

研究結果顯示,在其所建立之預警模式中,企業財務危機發生前一 年之模型是以負債比率及純益率二變數較具區別效力,預測準確度可 達 90.48%;企業財務危機發生前二年之模型是以負債比率及資產報酬 率二變數較具區別效力,預測準確度可達 84.76%;企業財務危機發生 前三年之模型是以負債比率、資產報酬率及存貨週轉率等三個變數較 具區別效力,預測準確度可達 83.31%。

(五)賴以建(2003)

其研究結果顯示,影響企業財務危機的變數為營業利益率、每股營 業額、稅前純益/實收資本、每股淨值(A)5、每股淨值(B)6、內部保留 比率、現金流量允當變動率、利息保障倍數、固定資產週轉率及營業 費用率等十個變數較具區別效力。

以下將國內的企業財務危機預警之重要研究所選取之重要指標及因素整理 於表 6。

5 每股淨值(A):計算公式= [ (淨值 - 特別股股本) / (普通股股本 + 增資準備 - (庫藏股─母公司 + 庫藏股─子公司持有 ) * 10 ) ] * 10。

(42)

表 6:國內企業財務危機預警所選取之重要指標及因素

類別 比率名稱 潘玉葉

(1986)

池千駒 (1999)

陳淑萍 (2003)

賴以建 (2003) 固定資產比率

固定資產對長期資金比率

(固定長期適合率)

固定資產對淨值比率

(固定比率)

股東權益比率

長期資金對固定資產比率 長期銀行借款對淨值比率

負債比率 ★ ★

負債對權益率 債負力

槓桿比率 ★ ★

財務結構

銀行借款對淨值比率

利息保障倍數 ★

流動比率 ★

速動比率 ★

短期銀行借款對流動資產比率 償債能力

現金流量允當變動率 ★

存貨週轉天數

存貨週轉率 ★ ★

固定資產週轉率 ★

應收帳款週轉天數 應收帳款週轉率 經營能力

(43)

類別 比率名稱 潘玉葉 (1986)

池千駒 (1999)

陳淑萍 (2003)

賴以建 (2003)

營業利益率 ★

股東權益報酬率 ★

純益率(淨利率) ★ ★

普通股每股盈餘

稅前淨利佔實收資本比率 ★

銷貨毛利率 ★

營業利益佔實收資本比率 營業利益對銷貨比率 獲利能力

總資產報酬率 ★ ★

現金再投資比率 現金流量允量比率 現金流量

現金流量比率 ★

每股盈業額 ★

每股淨值(A) ★

每股比率

每股淨值(B) ★

成長率 內部保留比率 ★

成本費用率 營業費用率 ★

資料來源:本研究整理

(44)

第參章 研究方法

第一節 研究範圍

一、研究對象

本研究之對象是以台灣證券交易所之股票上市公司為研究母體。依據台灣證 券交易所股份有限公司營業細則第四十九條之規定(參見附錄一),變更交易方 法之有價證券,以下市及全額交割之股票上市公司為危機樣本。另外,並配合採 用成對樣本之設計,利用未變更交易方式之企業為非危機樣本與危機樣本配對,

以此兩類樣本做為研究對象。

二、訓練組樣本設計

在訓練組樣本選擇部分,採用學者 Beaver (1966) 及 Altman (1968) 在其研 究中之成對樣本設計概念,並加入各危機樣本之主要營業項目比對要件,構成配 對樣本之選擇判斷依據,以提升區別能力。

成對樣本設計係危機企業與非危機企業採取 1 對 1 之樣本比例,做為選擇危 機樣本與配對樣本。成對樣本之配對樣本選擇必需符合下列三個要件:

1. 相同產業:在此定義為配對樣本需與危機樣本屬於相同產業及相同類 股。

(45)

對樣本之主要營業項目與危機公司之主要營業項目相似度最高者為 配對樣本。

三、研究資料來源

本研究所使用之財務報表原始數據及各項相關資訊,其資料來源如下:

(一)台灣經濟新報資料庫(TEJ)。

(二)證券暨期貨市場發展基金會之證券市場動態資訊提供──資訊王證券資 訊整合資料庫。

(三)AREMOS 資料庫。

四、財務比率

本研究共採用二十一項之財務比率,整理如表 7 所示:

表 7:本研究所選取之財務比率

序號 財務比率名稱 序號 財務比率名稱

1 股東權益比率 2 負債比率

3 長期資金對固定資產比率 4 流動比率

5 速動比率 6 利息保障倍數

7 應收帳款週轉率 8 應收帳款週轉天數

9 存貨週轉率 10 存貨週轉天數

11 固定資產週轉率 12 總資產週轉率

13 資產報酬率 14 股東權益報酬率

15 營業利益佔實收資本比率 16 稅前淨利佔實收資本比率

17 純益率 18 普通股每股盈餘

19 現金流量比率 20 現金流量允量比率

21 現金再投資比率

(46)

五、研究資料選取

研究資料之選取係依據危機樣本之危機發生年度起算,追溯至其前四年度各 期之 21 項財務比率做為研究資料。

六、研究資料內含資訊

本研究所採用之原始財務資料數據包含下列資訊:

(一)危機樣本及配對之非危機樣本,於危機樣本財務危機發生年度前一年之 21 項財務比率。

(二)危機樣本及配對之非危機樣本,於危機樣本財務危機發生年度前二年之 21 項財務比率。

(三)危機樣本及配對之非危機樣本,於危機樣本財務危機發生年度前三年之 21 項財務比率。

(四)危機樣本及配對之非危機樣本,於危機樣本財務危機發生年度前四年之 21 項財務比率。

第二節 變數操作型定義

本研究實證分析之因變數係採用二元之類別變數,而自變數的選取則是來自 於財務報表比率分析中之二十一項財務比率。

(47)

「1」代表「危機公司」。而因變數之「非危機公司」及「危機公司」之區別,係 以判別是否符合定義為下市或全額交割為界定之衡量標準。

二、自變數的選取

本研究係依據行政院金融監督管理委員會證券期貨局7之公開發行公司年報 應行記載事項準則第十九條,財務概況應記載事項中所包含之財務結構(Capital Structure)、償債能力(Solvency)、經營能力(Operating Efficiency)、獲利能 力(Profitability)、現金流量(Cash Flow)及槓桿度(Leverage Degree)等六個 構面之財務比率進行分析,並經專家研討後,採用我國常見之經營指標類型,以 公開說明書式挑選出五個構面合計共二十一項之財務比率做為自變數。以下將分 別就五個構面之自變數進行說明:

(一)財務結構(Capital Structure)

財務結構主要用來衡量企業資本結構的安全性,以及長期資金提供人 所受的保障程度。本研究在財務結構構面所使用之財務比率如下所述:

1. 股東權益比率(Equity Ratio)

股東權益比率也就是自有資金比率,又可稱為產權比率或淨值比 率。其主要是用來測驗企業之自有資金比率,表示股東權益在資產總 額中所佔的比重大小。例如,就債權人的觀點而言,股東權益比率愈 高,代表企業自有資本愈高,資產結構也愈健全,在因應企業財務危 機與長期償債的能力等方面而言均較強,而債權人所受的保障程度也 越高;相對的,從股東的觀點而言,如果能夠把借來的負債充分的運 用,使之產生的利潤大於所支付的利息費用,則較低的股東權益比率

7 行政院金融監督管理委員會證券期貨局原名證券暨期貨管理委員,於九十三年六月三十日發布

(48)

對股東而言是較有利的。

2. 負債比率(Liability Ratio)

負債比率是用來計算負債總額在資產總額中所佔的比率。其主要 是用來測量企業總資產中來自於債權人融資的成數。負債比率愈高,

表示企業的財務結構愈不健全,對債權人的保障程度愈小。如果負債 比率過大,則企業的債務負擔愈重,利息費用愈高,將致使企業資金 週轉困難,對企業的營運將會有重大的影響。

3. 長期資金對固定資產比率(Permanent Capital to Fixed Assets)

長期資金對固定資產比率是用來測度企業將長期資金投資於固 定資產的比例。若長期資金對固定資產比值大於 1,表示部分長期資 金移作短期之用;如果小於 1,則表示企業以短期資金購買固定資產,

極易引起財務風險。

(二)償債能力(Solvency)

償債能力主要用來衡量企業償還債務的能力。本研究在償債能力構面 所使用之財務比率如下所述:

1. 流動比率(Current Ratio)

流動比率是用來衡量企業使用流動資產償付流動負債的能力,此 比率可測度企業之短期償債能力的強度。一般而言,銀行及企業的授 信部門檢視此比率的標準為 200%,亦即每一元的流動負債需有二元 的流動資產以備供應償還。原則上,流動比率愈大,債權人的保障程

(49)

速動比率又稱酸性測驗比率或變現比率,作為衡量企業之短期償 債能力的分析指標之一。一般而言,對速動資產的定義在習慣上有兩 種意見:其一為流動資產-存貨;另一為現金(含約當現金)+短期 投資+應收款項。其中以後者較為穩健,因為分子當中不含預付費 用,故採用的人較多。速動比率並沒有一定的標準,但是一般學者乃 認為速動比率的標準需大於 100% 較為理想。

3. 利息保障倍數(Times Intereset Earned)

利息保障倍數是指稅前淨利加上利息費用,再除以當期的利息費 用(包括資本化利息),用來測度企業由營業活動所產生的盈餘支付 利息的能力。利息保障倍數愈高,表示支付利息的能力愈大。

(三)經營能力(Operating Efficiency)

經營能力主要用來衡量企業使用資產的效率。本研究在經營能力構面 所使用之財務比率如下所述:

1. 應收帳款週轉率(Turnover Rate of Receivables)

應收帳款週轉率是銷貨淨額相對於應收帳款的比率,用來表示應 收帳款在營業期間內的週轉次數,測度企業應收帳款的回收速率。應 收帳款週轉率愈高,代表企業的收款速度愈高,其償債能力也愈強,

所以,應收帳款週轉率亦可作為衡量企業短期償債能力的指標之一。

2. 應收帳款週轉天數(Accounts Receivable Turnover in Days)

應收帳款週轉天數是表示企業所發生的應收帳款轉變為現金的 速度,用來測度企業應收帳款的收現期間。應收帳款週轉天數愈低表 示應收帳款轉變為現金的速度愈快。

(50)

存貨週轉率是用來計算銷貨與存貨之間的關係,用來衡量企業存 貨的銷貨平均速度,在毛利不變的情況下,存貨進出次數越多,利潤 越大,亦可反映企業銷貨以及存貨控制的效能。因此,存貨週轉率愈 高愈佳,表示銷貨速度快、存貨控制良好,獲利較佳。

4. 存貨週轉天數(Inventory Turnover in Days)

存貨週轉天數是用來計算存貨週轉一次所需的天數,稱為存貨週 轉天數,或稱為存貨銷售天數。用來測度存貨銷售的平均天數。存貨 週轉天數愈低表示存貨銷售的平均天數愈低,銷貨速度快。

5. 固定資產週轉率(Fixed Asset Turnover)

固定資產週轉率是銷貨淨額佔固定資產的比率,用來衡量企業之 廠房、機器設備、土地等固定資產的使用效率。亦即,投入的每單位

(元)的固定資產,可以產生多少的營業效能。固定資產週轉率愈高,

表示運用固定資產的效率愈高,績效也愈佳。

6. 總資產週轉率(Total Asset Turnover)

總資產週轉率是銷貨淨額佔資產總額的比率,用來衡量企業所有 資產的使用效率,也就是投資每一單位(元)的資產,能夠產生多少 的銷貨收入。總資產週轉率愈高表示資產的使用效能愈高,沒有閒置 的資產,否則,表示銷貨仍待加強。

(四)獲利能力(Profitability)

獲利能力主要用來衡量企業的經營是否獲利、報酬是否足以吸引投資

(51)

總資產報酬率是用來衡量企業之資產是否充份利用,其計算公式 為稅後淨利與資產總額之比值。不管企業的資產是以舉債方式或由股 東資金取得,企業利用其所有之資產從事生產及經營活動後,所獲得 的報酬將反映在稅後淨利上。因此,總資產報酬率是在測度企業每單 位(元)的資產所能創造的純益。資產報酬率愈高,表示企業的經營 使整體資產運用的報酬率愈高。

2. 股東權益報酬率(Rate of Return on Stockholder’s Equity)

股東權益報酬率是從股東的觀點,用來衡量股東投入所產生的報 酬,也就是股東創造的獲利能力。原則上,股東權益報酬率愈高,投 資人所獲得的利潤也愈高,代表獲利能力愈強。

3. 營業利益佔實收資本比率(Ratio of Operating Profit to Paid-in Capital)

營業利益佔實收資本比率是用來計算營業利益在實收資本額中 所佔的比率。用來測度企業的獲利能力。營業利益佔實收資本比率愈 高,代表股東所投入的每一單位(元)資本所能創造的營業利益愈高。

4. 稅前淨利佔實收資本比率(Ratio of Net Income before Tax to Paid-in Capital)

稅前淨利佔實收資本比率是用來計算稅前淨利在實收資本額中 所佔的比率。用來測度企業的獲利能力。稅前淨利佔實收資本比率愈 高,代表股東所投入的每一單位(元)資本所能創造的稅前淨利愈高。

5. 純益率(Ratio of Net Income to Net Sales)

純益率是稅後淨利佔銷貨淨額之比重,又可稱為銷貨報酬率或淨 利率。用來衡量企業獲利能力的高低和控制成本、費用有無效率。純

參考文獻

相關文件

CAST: Using neural networks to improve trading systems based on technical analysis by means of the RSI financial indicator. Performance of technical analysis in growth and small

To tackle these problems, this study develops a novel approach integrated with some graph-based heuristic working rules, robust back-propagation neural network (BPNN) engines

This study proposed the Minimum Risk Neural Network (MRNN), which is based on back-propagation network (BPN) and combined with the concept of maximization of classification margin

This study aimed to establish the strength models of High-Performance Concrete (HPC) using Nonlinear Regression Analysis (NLRA), Back-Propagation Networks (BPN) and

competitive strategy to explore in order to provide some of the domestic banking wealth management business recommendations, and thus enhance the stability of domestic

Keywords: light guide plate, stamper, etching process, Taguchi orthogonal array, back-propagation neural networks, genetic algorithms, analysis of variance, particle

The study applies Discriminate Analysis to discuss the aspects of Junior high school students living Adjustment Scale and then develops a scale to be the standard of Junior

This study collected consumer expectations and perception of medical tourism industry, with Neural Network Analysis and Mahalanobis Distance Analysis found the key to the