企业财务危机预警模型概述.docx
《企业财务危机预警模型概述.docx》由会员分享,可在线阅读,更多相关《企业财务危机预警模型概述.docx(16页珍藏版)》请在冰豆网上搜索。
![企业财务危机预警模型概述.docx](https://file1.bdocx.com/fileroot1/2023-1/5/85fe6ada-43ef-4570-9a48-d0b1827cbf7e/85fe6ada-43ef-4570-9a48-d0b1827cbf7e1.gif)
企业财务危机预警模型概述
资料范本
本资料为word版本,可以直接编辑和打印,感谢您的下载
企业财务危机预警模型概述
地点:
__________________
时间:
__________________
说明:
本资料适用于约定双方经过谈判,协商而共同承认,共同遵守的责任与义务,仅供参考,文档可直接下载或修改,不需要的部分可直接删除,使用时请详细阅读内容
运用资料探勘技术建构企业财务危机预警模型
朱玉婷
中原大学信息管理研究所
HYPERLINK"mailto:
fang@mail.ntpu.edu.tw"j401201@
利瓦伊平
中原大学信息管理研究所
HYPERLINK"mailto:
wplee@apol-.tw"wplee@apol-.tw
摘要
企业财务状况一直以来是社会大众所关注的课题,而企业财务危机更是攸关企业生存与否最重要的关键点,因此若能及早预测出企业财务危机将能减少对企业甚至社会大众的损失,故企业财务危机预警模式逐渐发展起来。
从文献研究中可以知道有相当多的财务危机预警系统,经由研究发现数据探勘所建立的模型优于传统统计模型,其中过去广受欢迎且用的较好的即是决策树与类神经网络模型,而历史文献研究也皆着重于混合所有产业别进行模式的建构,少有针对个别特定产业建构模式。
基于以上问题,本研究主要以电子产业与传统产业为研究样本,在指针变量上同时考虑财务指针与非财务指针变量,再运用决策树方法个别建立电子产业与传统产业预警模型,以分析决策树所建立的两种模型之精确度如何,并加以探讨及了解产业间变量的差异。
关键词:
决策树、资料探勘、财务危机
壹、绪论
一、研究背景与动机
从民国86年一直到民国87年间爆发了亚洲金融风暴,大多数的亚洲国家都遭受了极大的损失,例如:
出口减少,货币急速贬值,经济衰退,股市下挫,失业率上升,而这些国家当中不乏日本,韩国,泰国,印度尼西亚等等,相反的我国由于基本面坚强、民间及政府灵活的应变能力,使得我国能在这一次的金融风暴中全身而退。
可是却在民国87年下半年发生了一连串的财务危机事件,而这一连串的财务危机事件不但使得岌岌可危的亚洲经济更蒙上一成阴影,也使得国内的经济陷入更大的危机当中,而企业倒闭风险的扩大也波及了股票市场的运作,造成了广大投资人的损失,更进一步使得企业抵押品的价值大幅缩水,银行为了避免呆帐的发生,只好不断收紧银根,结果造成企业取得资金更困难,破产的机会也就更大了,而这最后终究会影响到银行业,造成存款户的挤兑,有可能引发另一次的金融风暴。
国内近几年来,财务危机预警模式是非常热门的研究课题,架构完善的财务危机预警模式,可以有效地侦测企业危机的征兆。
就银行而言,银行可以藉财务预警模式,配合原先企业的征信程序,便可以精确地评估出企业的真正风险,降低银行的营运风险与成本。
就投资人、债权人及交易往来之相关者而言,可以藉此来事先防患,及早采取应变措施,以免公司发生破产、倒闭,因而遭受重大的损失。
目前已有许多学者提出了不同的预警模式。
回顾过去财务危机预警模式的相关研究,大致上可以归纳出四个研究方向。
一是以财务比率配合统计方法之预警模式;二是以财务比率配合数据探勘方法之预警模式作预测;三是以结合财务比率与非财务比率之预警模式作预测,此部分是以财务比率作基础藉由引入非财务指标来提升预测的准确度;四是以考虑产业别因素建立个别产业的模式作预测(Bowen,1982)(林宓颖,2002)(陈汉冲,2003)(HYPERLINK"http:
//datas.ncl.edu.tw/cgi-bin/theabs/1/flyweb.cgi?
p=57276&i=147950&t=714&o=i%C3C%A9%FA%B5o.auc"\l"1"颜明发,2004)。
由上述几个研究方向之文献可知,指针变量选择上必须同时考虑财务比率与非财务变量,才能精确的进行预测(黄振丰,2000)(Cheng-YingWu,2004)(陈生祥,2005)。
决策树与类神经网络模型在财务危机的预测能力上明显优于传统统计模型(王美慧,2005),因此累积至目前已有许多学者运用决策树与类神经网络建立企业财务危机预警模型,另外历史文献研究皆着重于混合所有产业别进行模式的建构,而少有针对个别特定产业建构适合的模式,因此无法进一步分析该产业的特质与模式的适合度。
故本研究以电子产业与传统产业为研究样本,在指针变量上同时考虑财务指针与非财务指针变量,再以财务危机预测领域中运用的较好的决策树方法个别建立电子产业与传统产业预警模型,以分析决策树所建立的两种模型之精确度如何,并进一步加以探讨及了解产业间变数的差异。
二、研究目的
本研究目的有三点:
运用数据探勘之决策树方法建立电子业及传统产业模式,找出两产业各别关键指针变量为何,并比较之间的异同。
因决策树建立的模式会产生条件规则,故本研究将针对电子产业及传统产业比较个别产生规则之异同。
以决策树方法建立个别产业模式后,以精确度构面比较两产业之差异,并找出决策树建立的模式是适合电子产业还是传统产业。
三、资料来源与研究限制
1.资料来源
本研究采用台湾证券交易所定义的财务危机公司样本作为分析依据,财务与非财务指针值的资料来源为:
a.台湾经济新报公司财务数据库
b.台湾证券交易所的公开股市观测站
2.研究限制
本文针对样本数据为台湾上市公司之财务资料,定期由台湾证券交易所发布之公开资料,但有以下限制:
a.因为资料较为公开与取得方便,本研究只针对上市公司财务资料进行分析探讨,无法考虑到中小企业和未上市公司。
b.目前无明确的定义传统产业应包括那些产业,因为样本数的问题,所以本研究只排除电子业与金融业,其它产业就列为传统产业了,而未再进一步做细部区分。
c.电子产业可以再划分更细部的子产业类别,但碍于样本数不够多,所以不再进行划分,所以无法考虑到电子产业下的子产业类别。
四、研究流程
本研究的流程进行如下图一所示:
文献探讨
研究方法与设计
实证结果分析
结论与未来研究
传统产业资料收集与整理
电子产业数据收集与整理
以决策树方法建立模式
以决策树方法建立模式
研究动机与目的
两产业差异比较
图一研究流程图
贰、文献探讨
一、财务危机预警模式
(一)财务危机的定义
有关财务危机有许多定义的标准,有从严格的法定破产定义,扩展至资金不足、周转困难、债信违约、特别股股利未减少或支付、主产品销售额锐减等状态。
以财务论点观之,兹分述如下:
Beaver(1966)认为当发生银行账户透支、特别股股息未能支付、发生公司债违约及宣告破产等四种现象之一时,则视为发生财务危机公司。
Altman(1968)则认为包含『在法律上破产、被接管及重整者。
』
Deakin(1972)所认定之企业失败定义为:
『经历过倒闭、无偿债能力、或清算的厂商,裁示为失败厂商。
』
Blum(1974)认为当公司无能力偿债的事件发生时即为失败。
Brigham(1980)根据实质面将公司的失败以其轻重程度之不同划分为技术失败及破产失败,前者代表公司无法偿还流动债务后者代表公司的负债大于资产,使得净值呈现负数的状况。
Scott(1981)定义企业失败为不足抵偿债务,或无能力偿债。
Laitinen(1991)更进一步将公司失败区分为慢性失败公司、获利失败公司、急性失败公司三种型态。
其中慢性失败公司公司的财务警讯可早在失败发生数年前便已逐步呈现,而获利失败公司主因为公司的获利状况不佳,而急性失败公司乃在失败发生前才发生财务状况急速恶化的状况。
国内学者陈肇荣(1983)亦将公司的财务危机视为一连续恶化的三个阶段,分别为财务危机阶段,即资金不足、周转困难、债务拖延,财务失调阶段,即流动性资金周转不灵、退票、债务缴息还本出现违约逾期状况,以及破产倒闭阶段,即资产大于负债、无法偿还债务状况。
潘玉叶(1990)将财务危机定义依循国内证券交易所之规定:
『当公司发生财务恶化,依有价证券上市契约准则第13条(民国78年),核定变更交易方式(全额交割制)之上市公司界定为财务危机公司,其余非采全额交割制之上市公司界定为一般公司』后,以公司变更交易方式来界定财务危机为今之通说。
而目前有关我国法律上与财务危机公司有关之条文包含公司法第211、282条有关公司宣告破产与公司重整及台湾证券交易所股份有限公司营业细则第49、50、50之1条变更交易、停止买卖及终止上市以及银行逾期放款、催收帐及呆帐处理办法等。
后续国内研究(陈建年,2000;林文修,2000;陈渭淳,2001等)大多以台湾证券交易所制订之营业细则第49、50条之情事者,也就是上市上柜公司变更交易型态、改列全额交割股、停止买卖、终止上市、跳票、申请抒困等,谓之财务危机公司,其范围较广也较为明确。
本研究也是以经由证券交易所呈请主管机关核准停止买卖、终止上市或变更交易方式为全额交割股之公司,作为「财务危机公司」的定义,其余非采全额交割制、非经停止买卖或终止上市之公司皆视为「正常公司」。
(二)财务危机预警模式之比较
早期进行财务危机预测之研究始于1930年,但当时并未发展出财务危机预警模式,只是利用趋势分析观察危机公司的财务比率之特性以及变化。
相关之研究学者有RamserandFoster(1931)、Fitzpatrick(1932)、Merwin(1942)等人。
财务比率配合统计方法之预警模式
国内外已有许多学者运用各种统计分析方法建立各种财务危机预警模型,试图找出各模型下的各项显著影响财务危机发生的财务比率变量,及模型的预测能力,以期作为公司财务预警之用,回顾财务危机预警相关研究中所常使用的统计分析方法有,单变量分析、多变量区别分析、线性复回归分析、Logit分析、Probit分析等。
最早是由Beaver(1966)以单变量分析法为模式,选取1954至1964年间符合发生财务危机定义的79家失败公司,并以配对样本方式选取相同产业、相似规模的79家正常企业之前5年财务信息,对财务危机公司进行预测研究,收集财务正常及发生财务危机公司的30项财务比率进行研究,以失败前一至三年的财务比率如负债比、速动比等之平均值以二分类法加以比较,试图找出能显著区分正常及失败的财务比率,并以此作为预测之因子,其研究结果发现最能预测企业失败的三项财务比率依序为:
现金流量对总负债比率、税后净利对总资产比率、总负债对总资产比率,依其实证所得财务危机发生前三,二,一年的预测力分别为77%、79%及87%。
此一单变量的研究结果影响后来财务危机预警模型甚大。
由于企业财务状况是由复杂的因素所造成,而单变量也较无法衡量多面向的变量,因此,Altman(1968)的研究设计亦仿照Beaver(1966),即率先采用多变量区别分析(MultipleDiscriminantAnalysis)来预测公司破产的机率,他以符合美国破产法宣告破产为财务危机公司认定标准,选用1964至1965年间宣告破产的33家公司作为研究样本,并依产业与规模选择33家正常公司进行配对,并选取22项财务比率,再利用多元区别分析逐步选取出最具预测能力的5项财务比率,结合成为线性模型,即是Z分析模型。
其公式如下:
Z=1.2X1+1.4X2+3.3X3+0.6X4+0.099X5
Z:
综合指针分数
X1:
营运资金/资产总额
X2:
保留盈余/资产总额
X3:
税前息前盈余/资产总额
X4:
股东权益的市场价值/总负债
X5:
代表销货净额/资产总额
其中X1用以衡量企业的流动能力、X2可反映企业将利润保留于公司,凭以发展未来的潜力、X3旨在评估企业在不举债的情况下,其获利能力如何、X4用以衡量自有资金的程度、X5评估资产创造收入的效率。
以此公式计算出的研究结果发现,破产前一年财务资料正确区别率95%为最佳,而前二至五年分别为72%、48%、29%、36%。
因此显示多变量分析方法在预测准确率上优于单变量分析。
而后Altman(1977)又同时考虑了风险观念与规模效果,成为7项变數的线性模型,称为Zeta模型。
采用的财务比率为:
资产报酬率、盈余稳定性、利息保障率、流动比率、累积获利情形、资本总额与规模(有形资产)。
分類正确率在破产前一年达93%,前四年达80%,前五年也有70%,预测效果良好,在实务上亦多所应用。
Ohlson(1980)试图利用Logit分析建立预测模型,以1970到1976年研究期间,选取105家破产公司及206家正常公司为研究样本对象,并以符合法定认定财务危机标准,采取9项财务比率变量,以Logit分析分别建立一年内、二年内及一年或二年内会破产的三个财务危机预警模型。
经实证结果证实三个模型的预测准确率分别为96.12%、95.55%、92.48%。
研究结果认为公司规模、经营绩效、财务结构及流动性与破产机率呈现显著相关。
由此证实Logit分析具有不错的预测能力,后续学者也渐以此Logit分析做为预测的模型。
国内针对财务危机方面的研究也为数不少,何太山(1977)仿Altman(1968)的多元区别分析,是最早应用于银行信用评分模式中,该研究以民国64到65年间,选择共55家正常公司及52家失败公司,以7个财务变量建立模型,测试结果正确区别力最高达91%。
陈肇荣(1983)以1978到1982年间为研究期间,依照产业及规模大小相似,选取48家危机公司与48家正常公司,分成原始样本、保留样本及后期样本,以流动性、结构性、周转性及获利性等四大指标,选取32种财务比率,透过主成份分析萃取出9个主成份,并利用7种指标建立多变量区别分析模型,研究结果显示以企业财务比率所建构的区别模型能有效预测台湾中大型企业的财务危机发生,其正确区别率最高可达87.5%。
陈明贤(1986)选取11家危机公司,并依照产业及规模选取19家正常公司做为配对样本,使用单变量分析先从22个财务比率中选取9种变量,接着利用Probit与Logit模型进行财务危机预测。
研究结果发现采用Probit与Logit所建构的模型,预测结果类似,其失败前五个年度的预测能力分别在80%至93.3%之间,其中又以危机发生前一年准确率最高,可达93.33%。
财务比率配合数据探勘方法之预警模式
财务危机预测研究除了上列各项传统的统计分析模型外,拜计算机科技突飞猛进之赐,数据探勘技术已渐成为另一项新的选择。
最早使用数据探勘中的类神经网络技术研究财务危机预警模式是OdomandSharda(1990)利用类神经网络理论(neuralnetworks)与多变量区别分析法建构财务危机预警模型,并就两者之区别正确率来进行比较,其研究变量则参照Altman于1968年研究中所使用的5项财务比率,研究期间为1975年至1982年。
该研究共选取65家危机公司为样本并以65家正常公司加以配对,研究结果显示使用类神经网络分析结果之区别正确率优于区别分析。
TamandKiang(1992)共利用类神经网络、区别分析、Logit模型、决策树等方法,建构预警模式,其样本为1985至1987年以美国德州59家危机银行配对59家正常银行,用19项财务指标,以危机前二年为数据建立预警模式,结果显示类神经网络与决策树有较好的预测结果。
CoatsandFant(1993)选取1970至1989年的93家制造业破产公司为研究样本,找188家正常公司作配对,其中一半左右为非制造业,训练模式样本以47家破产公司和94家正常公司,运用类神经网络方法,一样采Altman(1968)的5项财务比率作为变量,建构出的预警模式准确率达80%。
Altmanetal.(1994)则以意大利的公司为研究对象,分别采用多变量区别分析以及类神经网络分析进行模型的建立,并比较两者的分析结果,发现类神经网络分析模型优于多变量区别分析模型。
KohandTan(1999)以1978至1985年间出现的165家破产公司为失败样本,并选取相同产业、规模相近的正常公司165家作为配对样本,以类神经网络模型中倒传递类神经网络建构企业危机预警模型。
主要以破产公司状态、速动比率、普通股市值对总资产比、负债比率、税前息前净利,资产报酬率及保留盈余对资产比共六个财务指针做为研究变量,并以类神经网络与Probit模型做验证比较,结果发现类神经网络的区别正确率较Probit模型佳。
HYPERLINK"http:
//www.sigmod.org/dblp/db/indices/a-tree/s/Shin:
Kyung=shik.html"Kyung-shikShin,TaikSooLee,andHYPERLINK"http:
//www.sigmod.org/dblp/db/indices/a-tree/k/Kim:
Hyun=jung.html"Hyun-jungKim(2005)利用韩国信用担保基金所提供的数据,由外部审查的2320家中型制造公司组成,包括1996到1999期间1160破产和1160非破产公司。
运用支持向量机(SVM)进行破产预测,以二个阶段的输入变量选择程序选择财务比率。
结果显示在公司破产预测问题SVM提出的分类法比BPN更好,实验结果也证明当训练资料大小变得更小时SVM比BPN有较高的精确度和较好的综合绩效。
国内相关文献为,汤玲郎和施并洲(2001)应用灰关联分析法、类神经网络、与案例推理法等,探讨股票上市公司的财务危机预警模式,利用45项财务指针,评估72家样本公司过去三年的经营绩效,以预测财务正常公司与危机公司判断之正确性。
从研究结果发现采用类神经网络的预警效果最好,其次为案例推理法;而平均预警准确率以发生危机的前一年的87.1%,高于前二年的78%与前三年的财务指标62.1%。
陈淑萍(2003)以1997年第三季到1998年第四季宣布破产的公司当成是危机的样本,而从同时期的数据中寻找配对的52家财务正常公司当成是正样本,采其前五季财务报表资料,共计520笔资料。
并运用因素分析及数据探勘技术之决策树分类技术,对其财务比率进行财务预警模式之建立,经实证研究后之结果为相较于先前学者之财务预警模式所用之类神经及单变量分析,本研究所建构之财务预警模式,所使用的决策树之分类法对于结果有较简单且清楚的分类规则可方便投资者及企业当局参考。
结合财务比率与非财务比率之预警模式
企业财务危机来源其实是多面向的,可能的影响因素包括国际或本国政治、经济、企业本身内部、法令、科技、文化等等,如此盘根错节的复杂关系,是不能忽略的,因此至目前为止已有多位学者加入非财务构面为考虑的因素,建构财务危机预警模型,Wu,Cheng-Ying(2004)主要比较单独使用财务比率,及结合财务与非财务变量,在预测上的能力,以因素分析与Logit建立模型,此研究为1995至2000年期间,选取31家危机公司与31家正常公司为样本。
研究结果证实危机发生前一年,只考虑财务比率变量正确率为79.03%,加入3项非财务变数,正确率可达87.10%。
危机发生前二年只考虑财务比率变量正确率是77.42%,加入非财务变数正确率也为77.42%。
危机发生前三年,只考虑财务比率正确率是66.13%,加入非财务变量可增加至72.58%,由此可知加入非财务变量可以达到更好的预测效果。
国内文献部份,池千驹(1998)除了采用Logit模式外,另外也采用近来广泛使用于商业用途的类神经网络模式,来验证财务比率趋势、非财务变量及总体经济变量,能否增进模式区别能力。
结果发现利用最小平方法所计算出的财务比率趋势,纳入Logit模式中,确实增加模式之区别正确率。
非财务变量中的会计师变动,能增加模式之区别正确率,即非财务变量为财务困难发生之征兆之一。
黄振丰和吕绍强(2000)考虑财务及非财务因素利用Logit回归分析建构「两阶段企业财务危机预警模式」,共选取18项非财务变量及28项财务变量,非财务变量包括有股权结构、董事会质量、管理架构、多角化程度、董监事特质、总经理特质因素,选取21家破产公司及同年同产业的40家正常公司为研究样本,先建构单阶段财务危机预警模式,共4类模式,非财务变量模式、原始财务变量模式、除以产业平均数之财务变量模式、减产业平均数之财务变量模式;再结合财务变量和非财务变量进行两阶段企业财务危机预警模式。
陈生祥(2005)结合企业财务比率指针和非财务信息指针建构出企业财务危机预警模式。
研究样本取36家财务危机公司,以1:
1配对方式选取36家正常公司,共72家公司样本,数据搜集法令规章和前人学着经验法则使用30项财务比率和7项非财务指针作为输入变量。
运用数据探勘的决策树方法和类神经网络分析企业财务危机预警模式,发现财务危机发生前一年的预测准确率,以类神经网络分析法有较佳的预测能力,前二年和前三年则是决策树分析法较佳;本研究预警模式证实准确率优于先前学者所使用的非财务指针预警模式,且更适用于台湾企业。
研究发现额外加入股价信息指针和信用评等指针的预警模型确实能增加财务危机预警的准确率,而且有效降低型一错误率发生。
蔡永泰(2005)选取的公司输入变量数据则以发生财务危机前三年(91年、90年、89年)季资料为依据。
以民国92年发生财务危机的30家上市公司,并找出相似规模和产业相同的正常公司作为对照,产业类别依据以台湾证交所上市公司营业分类,以1:
1的比例选样,30家正常上市公司作对照,总共60家上市公司。
所选取的财务与非财务变量,透过以本研究所提出的信息增益排列筛选法(IGAF)的输入变量筛选方法作筛选,并结合类神经网络所建构出的预警模式,发现在准确率的表现上优于决策树模式、类神经网络模式与结合决策树为输入变量筛选之类神经网络模式。
考虑产业别因素之预警模式
产业结构的不同,衡量其财务危机的变量自然可能有所差异,因此产业因素必须将之纳入考虑,以建构不同产业间的财务危机预警模式。
欧再添(2003)选取1998到2002年期间,排除金融证券业计有70家财务危机公司,另依照产业别及规模大小进行配对,选取70家相同产业及规模类似的正常公司做为配对样本,采用的方法为传统Logit分析模型,研究结果证实扣除营建业后的产业各年度财务预警之关键指标包括负债比率、现金流量比率,而净值报酬率则对于危机前一年具有指标性的意义。
在模型之区别能力比较方面,发现扣除营建业及钢铁业样本后所建构的Logit回归模型,区别率最高可达90.48%。
另扣除营建业、钢铁业及电子业后的模型其区别能力比扣除营建业及钢铁业更好,最高可达92.6%。
而电子业之Logit模型区别能力波动大,应收帐款收帐天数则为重要预测变量。
陈秀美(2003)针对传统产业之「食品业」、「纺织业」及「营建业」为分析对象,以比较不同产业间,危机企业与正常企业之财务比率差异性。
以Logit回归分析建立危机预测模式,依Logit回归分析结果,在财务危机机发生前四、五年预警的指标为纯益率,危机前一至三年则应观察负债比。
蔡明熹(2004)利用文献与专家经验,选定6个构面的18个财务比率变數和3个构面的6个非财务变數,针对「制造业」与「批发及零售业」兩组不同的公司样本,采用相关分析、无母數中位數差異性检定、二分類羅吉斯回归分析(BinaryLogisticRegression)、以及多项式羅吉斯回归分析(MultinomialLogisticRegression)等统计分析方法,尝试分别建立信用评等模型,研究主要影响信用评等的变數与效果。
结果发现1.「制造业」公司的信用评等除获利能力的衡量之外,资产的配置运用或理财行为,也是评量的重点;2.「批发及零售业」公司的信用评等除获利能力的衡量外,其次较重视销货收入与管理的效益;3.在非财务变數中,「制造业」着重于「经营理念与能力