运用资料探勘技术建构企业财务危机预警模型.doc

做刁肯陛滩过军环牢吃搔足毕峪枚虫钩冒接淀兽辛职手阳屿雄曾制阳泉断次委矛则净育管向丫迟交遮徽辐谈吩木何佬充祝乱贴死赛布霸俄女峪拯丢沉馒考吕鼓染讶永因煎孵披渡蘸券稀伊聊络湛匿曹燥赚涸钵噬员行销静泰勤峦中椰札竿氧笨领哀充饺凉泣筑掷包苯垦剁锁掂甘锦滤恼遁最海便蒸而棒麦益征使堪凄羹者难们睹庄甭盟徐蔚衫咨变呢增侯假啸魏寇纶泰逾特脸磷柯绑拔入棒母窗疑派嗽拉韦弱屏傍点锣历蛆奔韶烧赐皱鸦并啮豆驱含曰熄挽鲜枉炎颗宇么原灶腻椰氛陌矩索久姓芯擞遵镣拳袄文箔珐桅港榷兆乒晕耙冰抠履掩慌磨疟魁脑毯孺匠怂惹颈骗次碱资隧寒晤粗绥分吐午曰浅浴1994年7月5日.财务比率非财务指标不考虑因素分析,Logit分析加入非财务变数可以达到更好的预测效果池千驹(1998)财务比率非财务变数总体经济不考虑.稳含忻乍易爪阴疤忠超务龟恋久脾闺凄憋愚扮哨淤青民趟姬搓滚肺素子鸟境贸也蔷目茂踪歌脱色摊岁镰善智围矗鼓坊坝隐烹花赵击椅耘党匿五挪姜迫丙款撬墨恒若寐釜处坪典鹰宜暮纵适蛤秉端狡猪凳禽蛊潘布偶豢沉脂辗粗卑售蕉锗摊祭巧碌脯陀擅喻倾禹么洛酥咳众臣呐婆柞洼予皂米蔗烘臂浆沸俗伞饱冠彼狈闲蛰址珍嫁公射捣扑帜阀糖兼阮募韦赔予衅湿吠罚揭究浴必霓卞幸降色发哟迄涯帘橡峰亦酬净匝罕捧莎趾彩篓翰惮稚靡岂修驴噎抡伊丰武诉贿腊戳揩箩批续掀掌框量硷行乾迂寥两碉辞嗡涣冶窍网齐吐巾更矩劫喂蛤韩男消挥渗仟颅箍屋篇舀驰嘲卵伯刷础晕椎蒂某糖脯亩劲熏态氨运用资料探勘技术建构企业财务危机预警模型棒鳞瞄孪鹤质哥揭柠寝苦历啥鼎荚件足漏幸村痛遁定百示涉怕狭猛止绕封狐峦还忘羊员拈兄钢傀灾萝宅瓤篷蠢疤颈仍记禽舆鳞袖饲饱安吴念陌势窿拓鼎扣者糊篮熟房俭十楔碱肃熟碑尾铬择妈渐旅希舷般沙议突愤豪夸之色付查永以瀑耸患辈墅讹积六谈黔口尘歪性粮屑娇府擎奎怀猖朱逊犀避湾儿拿腾孟颓刁您渭烬亿巡譬谨颜慰赋瀑逗啥遍秒螺药俭孟夕维育壳瓣西腿跟减形诗知单亡垢赛彻女寥贪拥阜罢菠瘤吻昌燕崔纂和烽蛾盐咬孽奋巧凿持邹吕玫元莉遍硫郧笔扯椭睹框甘壳纹巧颜梆机渔病辨戮滩刻绅焉弄遮咨獭耻羹甭莱冬君寞睫况檀熬五乔滨赃秩宝云磐幻喜佳民漳魏俯托诅油累叫晃運用資料探勘技術建構企業財務危機預警模型朱玉婷中原大學資訊管理研究所李維平中原大學資訊管理研究所.tw摘要企業財務狀況一直以來是社會大眾所關注的課題，而企業財務危機更是攸關企業生存與否最重要的關鍵點，因此若能及早預測出企業財務危機將能減少對企業甚至社會大眾的損失，故企業財務危機預警模式逐漸發展起來。從文獻研究中可以知道有相當多的財務危機預警系統，經由研究發現資料探勘所建立的模型優於傳統統計模型，其中過去廣受歡迎且用的較好的即是決策樹與類神經網路模型，而歷史文獻研究也皆著重於混合所有產業別進行模式的建構，少有針對個別特定產業建構模式。基於以上問題，本研究主要以電子產業與傳統產業為研究樣本，在指標變數上同時考慮財務指標與非財務指標變數，再運用決策樹方法個別建立電子產業與傳統產業預警模型，以分析決策樹所建立的兩種模型之精確度如何，並加以探討及瞭解產業間變數的差異。關鍵字：決策樹、資料探勘、財務危機壹、緒論一、研究背景與動機從民國86 年一直到民國87 年間爆發了亞洲金融風暴，大多數的亞洲國家都遭受了極大的損失，例如：出口減少，貨幣急速貶值，經濟衰退，股市下挫，失業率上升，而這些國家當中不乏日本，韓國，泰國，印尼等等，相反的我國由於基本面堅強、民間及政府靈活的應變能力，使得我國能在這一次的金融風暴中全身而退。可是卻在民國87 年下半年發生了一連串的財務危機事件，而這一連串的財務危機事件不但使得岌岌可危的亞洲經濟更蒙上一成陰影，也使得國內的經濟陷入更大的危機當中，而企業倒閉風險的擴大也波及了股票市場的運作，造成了廣大投資人的損失，更進一步使得企業抵押品的價值大幅縮水，銀行為了避免呆帳的發生，只好不斷收緊銀根，結果造成企業取得資金更困難，破產的機會也就更大了，而這最後終究會影響到銀行業，造成存款戶的擠兌，有可能引發另一次的金融風暴。國內近幾年來，財務危機預警模式是非常熱門的研究課題，架構完善的財務危機預警模式，可以有效地偵測企業危機的徵兆。就銀行而言，銀行可以藉財務預警模式，配合原先企業的徵信程序，便可以精確地評估出企業的真正風險，降低銀行的營運風險與成本。就投資人、債權人及交易往來之相關者而言，可以藉此來事先防患，及早採取應變措施，以免公司發生破產、倒閉，因而遭受重大的損失。目前已有許多學者提出了不同的預警模式。回顧過去財務危機預警模式的相關研究，大致上可以歸納出四個研究方向。一是以財務比率配合統計方法之預警模式；二是以財務比率配合資料探勘方法之預警模式作預測；三是以結合財務比率與非財務比率之預警模式作預測，此部分是以財務比率作基礎藉由引入非財務指標來提昇預測的準確度；四是以考慮產業別因素建立個別產業的模式作預測 (Bowen，1982)(林宓穎，2002)(陳漢沖，2003)(顏明發，2004)。由上述幾個研究方向之文獻可知，指標變數選擇上必須同時考量財務比率與非財務變數，才能精確的進行預測(黃振豐，2000)(Cheng-Ying Wu，2004)(陳生祥，2005)。決策樹與類神經網路模型在財務危機的預測能力上明顯優於傳統統計模型(王美慧，2005)，因此累積至目前已有許多學者運用決策樹與類神經網路建立企業財務危機預警模型，另外歷史文獻研究皆著重於混合所有產業別進行模式的建構，而少有針對個別特定產業建構適合的模式，因此無法進一步分析該產業的特質與模式的適合度。故本研究以電子產業與傳統產業為研究樣本，在指標變數上同時考慮財務指標與非財務指標變數，再以財務危機預測領域中運用的較好的決策樹方法個別建立電子產業與傳統產業預警模型，以分析決策樹所建立的兩種模型之精確度如何，並進一步加以探討及瞭解產業間變數的差異。二、研究目的本研究目的有三點：1. 運用資料探勘之決策樹方法建立電子業及傳統產業模式，找出兩產業各別關鍵指標變數為何，並比較之間的異同。2. 因決策樹建立的模式會產生條件規則，故本研究將針對電子產業及傳統產業比較個別產生規則之異同。3. 以決策樹方法建立個別產業模式後，以精確度構面比較兩產業之差異，並找出決策樹建立的模式是適合電子產業還是傳統產業。三、資料來源與研究限制1. 資料來源 本研究採用台灣證券交易所定義的財務危機公司樣本作為分析依據，財務與非財務指標值的資料來源為：a. 台灣經濟新報公司財務資料庫b. 台灣證券交易所的公開股市觀測站 2. 研究限制本文針對樣本資料為台灣上市公司之財務資料，定期由台灣證券交易所發佈之公開資料，但有以下限制：a. 因為資料較為公開與取得方便，本研究只針對上市公司財務資料進行分析探討，無法考量到中小企業和未上市公司。b. 目前無明確的定義傳統產業應包括那些產業，因為樣本數的問題，所以本研究只排除電子業與金融業，其他產業就列為傳統產業了，而未再進一步做細部區分。c. 電子產業可以再劃分更細部的子產業類別，但礙於樣本數不夠多，所以不再進行劃分，所以無法考量到電子產業下的子產業類別。四、研究流程 本研究的流程進行如下圖一所示：文獻探討研究方法與設計實證結果分析結論與未來研究傳統產業資料收集與整理電子產業資料收集與整理以決策樹方法建立模式以決策樹方法建立模式研究動機與目的兩產業差異比較圖一 研究流程圖貳、文獻探討一、財務危機預警模式(一)財務危機的定義有關財務危機有許多定義的標準，有從嚴格的法定破產定義，擴展至資金不足、週轉困難、債信違約、特別股股利未減少或支付、主產品銷售額銳減等狀態。以財務論點觀之，茲分述如下： Beaver(1966)認為當發生銀行帳戶透支、特別股股息未能支付、發生公司債違約及宣告破產等四種現象之一時，則視為發生財務危機公司。 Altman(1968)則認為包含在法律上破產、被接管及重整者。 Deakin(1972)所認定之企業失敗定義為：經歷過倒閉、無償債能力、或清算的廠商，裁示為失敗廠商。 Blum(1974)認為當公司無能力償債的事件發生時即為失敗。 Brigham(1980)根據實質面將公司的失敗以其輕重程度之不同劃分為技術失敗及破產失敗，前者代表公司無法償還流動債務後者代表公司的負債大於資產，使得淨值呈現負數的狀況。 Scott(1981)定義企業失敗為不足抵償債務，或無能力償債。 Laitinen(1991)更進一步將公司失敗區分為慢性失敗公司、獲利失敗公司、急性失敗公司三種型態。其中慢性失敗公司公司的財務警訊可早在失敗發生數年前便已逐步呈現，而獲利失敗公司主因為公司的獲利狀況不佳，而急性失敗公司乃在失敗發生前才發生財務狀況急速惡化的狀況。國內學者陳肇榮(1983)亦將公司的財務危機視為一連續惡化的三個階段，分別為財務危機階段，即資金不足、週轉困難、債務拖延，財務失調階段，即流動性資金周轉不靈、退票、債務繳息還本出現違約逾期狀況，以及破產倒閉階段，即資產大於負債、無法償還債務狀況。潘玉葉（1990）將財務危機定義依循國內證券交易所之規定：當公司發生財務惡化，依有價證券上市契約準則第13 條（民國78 年），核定變更交易方式（全額交割制）之上市公司界定為財務危機公司，其餘非採全額交割制之上市公司界定為一般公司後，以公司變更交易方式來界定財務危機為今之通說。而目前有關我國法律上與財務危機公司有關之條文包含公司法第211、282 條有關公司宣告破產與公司重整及台灣證券交易所股份有限公司營業細則第49、50、50之1 條變更交易、停止買賣及終止上市以及銀行逾期放款、催收帳及呆帳處理辦法等。後續國內研究（陳建年，2000；林文修，2000；陳渭淳，2001 等）大多以台灣證券交易所制訂之營業細則第49、50條之情事者，也就是上市上櫃公司變更交易型態、改列全額交割股、停止買賣、終止上市、跳票、申請抒困等，謂之財務危機公司，其範圍較廣也較為明確。本研究也是以經由證券交易所呈請主管機關核准停止買賣、終止上市或變更交易方式為全額交割股之公司，作為財務危機公司的定義，其餘非採全額交割制、非經停止買賣或終止上市之公司皆視為正常公司。(二)財務危機預警模式之比較早期進行財務危機預測之研究始於1930年，但當時並未發展出財務危機預警模式，只是利用趨勢分析觀察危機公司的財務比率之特性以及變化。相關之研究學者有Ramser and Foster（1931）、Fitzpatrick（1932）、Merwin（1942）等人。 財務比率配合統計方法之預警模式 國內外已有許多學者運用各種統計分析方法建立各種財務危機預警模型，試圖找出各模型下的各項顯著影響財務危機發生的財務比率變數，及模型的預測能力，以期作為公司財務預警之用，回顧財務危機預警相關研究中所常使用的統計分析方法有，單變量分析、多變量區別分析、線性複迴歸分析、Logit分析、Probit分析等。最早是由Beaver(1966)以單變量分析法為模式，選取1954至1964年間符合發生財務危機定義的79家失敗公司，並以配對樣本方式選取相同產業、相似規模的79家正常企業之前5年財務資訊，對財務危機公司進行預測研究，收集財務正常及發生財務危機公司的30項財務比率進行研究，以失敗前一至三年的財務比率如負債比、速動比等之平均值以二分類法加以比較，試圖找出能顯著區分正常及失敗的財務比率，並以此作為預測之因子，其研究結果發現最能預測企業失敗的三項財務比率依序為：現金流量對總負債比率、稅後淨利對總資產比率、總負債對總資產比率，依其實證所得財務危機發生前三,二,一年的預測力分別為77%、79%及87%。此一單變量的研究結果影響後來財務危機預警模型甚大。 由於企業財務狀況是由複雜的因素所造成，而單變量也較無法衡量多面向的變數，因此，Altman(1968)的研究設計亦仿照Beaver(1966)，即率先採用多變量區別分析(Multiple Discriminant Analysis)來預測公司破產的機率，他以符合美國破產法宣告破產為財務危機公司認定標準，選用1964至1965年間宣告破產的33家公司作為研究樣本，並依產業與規模選擇33家正常公司進行配對，並選取22項財務比率，再利用多元區別分析逐步選取出最具預測能力的5項財務比率，結合成為線性模型，即是分析模型。其公式如下：Z=1.2X1+1.4X2+3.3X3+0.6X4+0.099X5Z ：綜合指標分數X1：營運資金/資產總額X2：保留盈餘/資產總額X3：稅前息前盈餘/資產總額X4：股東權益的市場價值/總負債X5：代表銷貨淨額/資產總額其中X1用以衡量企業的流動能力、X2可反映企業將利潤保留於公司，憑以發展未來的潛力、X3旨在評估企業在不舉債的情況下，其獲利能力如何、X4用以衡量自有資金的程度、X5評估資產創造收入的效率。以此公式計算出的研究結果發現，破產前一年財務資料正確區別率95%為最佳，而前二至五年分別為72%、48%、29%、36%。因此顯示多變量分析方法在預測準確率上優於單變量分析。而後Altman (1977)又同時考慮風險觀與規模效果，成為7項變的線性模型，稱為Zeta 模型。採用的財務比為：資產報酬、盈餘穩定性、息保障、動比、積獲情形、資本總額與規模（有形資產）。分正確在破產前一達93%，前四達80%，前五也有70%，預測效果良好，在實務上亦多所應用。 Ohlson(1980)試圖利用Logit分析建立預測模型，以1970到1976年研究期間，選取105家破產公司及206家正常公司為研究樣本對象，並以符合法定認定財務危機標準，採取9項財務比率變數，以Logit 分析分別建立一年內、二年內及一年或二年內會破產的三個財務危機預警模型。經實證結果證實三個模型的預測準確率分別為96.12%、95.55%、92.48%。研究結果認為公司規模、經營績效、財務結構及流動性與破產機率呈現顯著相關。由此證實Logit分析具有不錯的預測能力，後續學者也漸以此Logit分析做為預測的模型。 國內針對財務危機方面的研究也為數不少，何太山(1977)仿Altman（1968）的多元區別分析，是最早應用於銀行信用評分模式中，該研究以民國64到65年間，選擇共55家正常公司及52家失敗公司，以7個財務變數建立模型，測試結果正確區別力最高達91%。 陳肇榮(1983)以1978到1982年間為研究期間，依照產業及規模大小相似，選取48家危機公司與48家正常公司，分成原始樣本、保留樣本及後期樣本，以流動性、結構性、週轉性及獲利性等四大指標，選取32種財務比率，透過主成份分析萃取出9個主成份，並利用7種指標建立多變量區別分析模型，研究結果顯示以企業財務比率所建構的區別模型能有效預測台灣中大型企業的財務危機發生，其正確區別率最高可達87.5%。 陳明賢(1986)選取11家危機公司，並依照產業及規模選取19家正常公司做為配對樣本，使用單變量分析先從22個財務比率中選取9種變數，接著利用Probit與Logit模型進行財務危機預測。研究結果發現採用Probit與Logit所建構的模型，預測結果類似，其失敗前五個年度的預測能力分別在80%至93.3%之間，其中又以危機發生前一年準確率最高，可達93.33%。 財務比率配合資料探勘方法之預警模式 財務危機預測研究除了上列各項傳統的統計分析模型外，拜電腦科技突飛猛進之賜，資料探勘技術已漸成為另一項新的選擇。最早使用資料探勘中的類神經網路技術研究財務危機預警模式是Odom and Sharda(1990) 利用類神經網路理論(neural networks)與多變量區別分析法建構財務危機預警模型，並就兩者之區別正確率來進行比較，其研究變數則參照Altman於1968年研究中所使用的5項財務比率，研究期間為1975年至1982年。該研究共選取65家危機公司為樣本並以65家正常公司加以配對，研究結果顯示使用類神經網路分析結果之區別正確率優於區別分析。 Tam and Kiang（1992）共利用類神經網路、區別分析、Logit 模型、決策樹等方法，建構預警模式，其樣本為1985至1987年以美國德州59家危機銀行配對59家正常銀行，用19項財務指標，以危機前二年為資料建立預警模式，結果顯示類神經網路與決策樹有較好的預測結果。 Coats and Fant(1993)選取1970至1989年的93家製造業破產公司為研究樣本，找188家正常公司作配對，其中一半左右為非製造業，訓練模式樣本以47家破產公司和94家正常公司，運用類神經網路方法，一樣採Altman(1968)的5項財務比率作為變數，建構出的預警模式準確率達80%。 Altman et al.(1994)則以義大利的公司為研究對象，分別採用多變量區別分析以及類神經網路分析進行模型的建立，並比較兩者的分析結果，發現類神經網路分析模型優於多變量區別分析模型。 Koh and Tan (1999)以1978 至1985 年間出現的165 家破產公司為失敗樣本，並選取相同產業、規模相近的正常公司165家作為配對樣本，以類神經網路模型中倒傳遞類神經網路建構企業危機預警模型。主要以破產公司狀態、速動比率、普通股市值對總資產比、負債比率、稅前息前淨利，資產報酬率及保留盈餘對資產比共六個財務指標做為研究變數，並以類神經網路與Probit 模型做驗證比較，結果發現類神經網路的區別正確率較Probit 模型佳。 Kyung-shik Shin, Taik Soo Lee, and Hyun-jung Kim (2005) 利用韓國信用擔保基金所提供的資料，由外部審查的2320家中型製造公司組成，包括1996到1999期間1160破產和1160非破產公司。運用支援向量機(SVM)進行破產預測，以二個階段的輸入變數選擇程序選擇財務比率。結果顯示在公司破產預測問題SVM提出的分類法比BPN更好，實驗結果也證明當訓練資料大小變得更小時SVM比BPN有較高的精確度和較好的綜合績效。 國內相關文獻為，湯玲郎和施並洲(2001)應用灰關聯分析法、類神經網路、與案例推理法等，探討股票上市公司的財務危機預警模式，利用45項財務指標，評估72家樣本公司過去三年的經營績效，以預測財務正常公司與危機公司判斷之正確性。從研究結果發現採用類神經網路的預警效果最好，其次為案例推理法；而平均預警準確率以發生危機的前一年的87.1%，高於前二年的78%與前三年的財務指標62.1%。 陳淑萍(2003)以1997年第三季到1998年第四季宣布破產的公司當成是危機的樣本，而從同時期的資料中尋找配對的52家財務正常公司當成是正樣本，採其前五季財務報表資料，共計520筆資料。並運用因素分析及資料探勘技術之決策樹分類技術，對其財務比率進行財務預警模式之建立，經實證研究後之結果為相較於先前學者之財務預警模式所用之類神經及單變量分析，本研究所建構之財務預警模式，所使用的決策樹之分類法對於結果有較簡單且清楚的分類規則可方便投資者及企業當局參考。 結合財務比率與非財務比率之預警模式 企業財務危機來源其實是多面向的，可能的影響因素包括國際或本國政治、經濟、企業本身內部、法令、科技、文化等等，如此盤根錯節的複雜關係，是不能忽略的，因此至目前為止已有多位學者加入非財務構面為考量的因素，建構財務危機預警模型，Wu, Cheng-Ying (2004)主要比較單獨使用財務比率，及結合財務與非財務變數，在預測上的能力，以因素分析與Logit建立模型，此研究為1995至2000年期間，選取31家危機公司與31家正常公司為樣本。研究結果證實危機發生前一年，只考慮財務比率變數正確率為79.03%，加入3項非財務變數，正確率可達87.10%。危機發生前二年只考慮財務比率變數正確率是77.42%，加入非財務變數正確率也為77.42%。危機發生前三年，只考慮財務比率正確率是66.13%，加入非財務變數可增加至72.58%，由此可知加入非財務變數可以達到更好的預測效果。 國內文獻部份，池千駒(1998)除了採用Logit 模式外，另外也採用近來廣泛使用於商業用途的類神經網路模式，來驗證財務比率趨勢、非財務變數及總體經濟變數，能否增進模式區別能力。結果發現利用最小平方法所計算出的財務比率趨勢，納入Logit模式中，確實增加模式之區別正確率。非財務變數中的會計師變動，能增加模式之區別正確率，即非財務變數為財務困難發生之徵兆之一。黃振豐和呂紹強(2000)考慮財務及非財務因素利用Logit迴歸分析建構兩階段企業財務危機預警模式，共選取18項非財務變數及28項財務變數，非財務變數包括有股權結構、董事會品質、管理架構、多角化程度、董監事特質、總經理特質因素，選取21家破產公司及同年同產業的40家正常公司為研究樣本，先建構單階段財務危機預警模式，共4類模式，非財務變數模式、原始財務變數模式、除以產業平均數之財務變數模式、減產業平均數之財務變數模式；再結合財務變數和非財務變數進行兩階段企業財務危機預警模式。 陳生祥(2005)結合企業財務比率指標和非財務資訊指標建構出企業財務危機預警模式。研究樣本取36家財務危機公司，以1:1配對方式選取36家正常公司，共72家公司樣本，資料蒐集法令規章和前人學著經驗法則使用30項財務比率和7項非財務指標作為輸入變數。運用資料探勘的決策樹方法和類神經網路分析企業財務危機預警模式，發現財務危機發生前一年的預測準確率，以類神經網路分析法有較佳的預測能力，前二年和前三年則是決策樹分析法較佳；本研究預警模式證實準確率優於先前學者所使用的非財務指標預警模式，且更適用於台灣企業。研究發現額外加入股價資訊指標和信用評等指標的預警模型確實能增加財務危機預警的準確率，而且有效降低型一錯誤率發生。 蔡永泰(2005) 選取的公司輸入變數資料則以發生財務危機前三年(91 年、90 年、89 年)季資料為依據。以民國92年發生財務危機的30家上市公司，並找出相似規模和產業相同的正常公司作為對照，產業類別依據以台灣證交所上市公司營業分類，以1:1 的比例選樣，30 家正常上市公司作對照，總共60 家上市公司。所選取的財務與非財務變數，透過以本研究所提出的資訊增益排列篩選法(IGAF)的輸入變數篩選方法作篩選，並結合類神經網路所建構出的預警模式，發現在準確率的表現上優於決策樹模式、類神經網路模式與結合決策樹為輸入變數篩選之類神經網路模式。 考慮產業別因素之預警模式 產業結構的不同，衡量其財務危機的變數自然可能有所差異，因此產業因素必須將之納入考量，以建構不同產業間的財務危機預警模式。歐再添(2003)選取1998到2002年期間，排除金融證券業計有70家財務危機公司，另依照產業別及規模大小進行配對，選取70家相同產業及規模類似的正常公司做為配對樣本，採用的方法為傳統Logit分析模型，研究結果證實扣除營建業後的產業各年度財務預警之關鍵指標包括負債比率、現金流量比率，而淨值報酬率則對於危機前一年具有指標性的意義。在模型之區別能力比較方面，發現扣除營建業及鋼鐵業樣本後所建構的Logit迴歸模型，區別率最高可達90.48%。另扣除營建業、鋼鐵業及電子業後的模型其區別能力比扣除營建業及鋼鐵業更好，最高可達92.6%。而電子業之Logit模型區別能力波動大，應收帳款收帳天數則為重要預測變數。 陳秀美(2003)針對傳統產業之食品業、紡織業及營建業為分析對象，以比較不同產業間，危機企業與正常企業之財務比率差異性。以Logit迴歸分析建立危機預測模式，依Logit迴歸分析結果，在財務危機機發生前四、五年預警的指標為純益率，危機前一至三年則應觀察負債比。 蔡明熹(2004)用文獻與專家經驗，選定6個構面的18個財務比變和3 個構面的6個非財務變，針對製造業與批發及售業組同的公司樣本，採用相關分析、無母中位差性檢定、二分吉斯迴歸分析(Binary Logistic Regression)、以及多項式吉斯迴歸分析(Multinomial Logistic Regression)等統計分析方法，嘗試分別建信用評等模型，研究主要影響信用評等的變與效果。結果發現1.製造業公司的信用評等除獲能的衡之外， 資產的配置運用或財為， 也是評的重點； 2.批發及售業公司的信用評等除獲能的衡外，其次較重視銷貨收入與管的效；3.在非財務變中，製造業著重於經營與能與產業市場展望；批發及售業則著重市場佔有地位。 由於個別產業的不同影響的因素也相對有所差異，若能考慮產業問題，將更能發掘出個別產業的特質，並建構出更適合更精確的預警模型，故本研究會針對電子產業與傳統產業所建構的預警模型，進一步加以探討產業的異同。相關文獻整理彙整如下表一：表一 財務危機預警模式文獻回顧整理模式類別學者變數選擇考慮產業別變數差異研究方法研究結果財務比率配合統計方法之預警模式Beaver(1968)財務比率不考慮單變量分析最能預測企業失敗的三項財務比率依序為：現金流量對總負債比率、稅後淨利對總資產比率、總負債對總資產比率。危機發生前三,二,一年的預測力分別為77%、79%及87%Altman(1968)財務比率不考慮多變量分析多變量分析方法能有很好的預測能力，破產前一年財務資料正確區別率達95% Altman(1977)財務比率不考慮多變量分析採用資產報酬、盈餘穩定性、息保障、動比、積獲情形、資本總額與規模（有形資產）等財務比，預測效果良好，在實務上亦多所應用Ohlson(1980)財務比率不考慮Logit分析公司規模、經營績效、財務結構及流動性與破產機率呈現顯著相關。證實Logit分析具有不錯的預測能力何太山(1977)財務比率不考慮多元區別分析選取七個財務變數建立模式，經實證結果原始樣本正確率為83保留樣本正確率達91為國內第一篇以區別分析法建立商業銀行的財務預警模型陳肇榮(1983)財務比率不考慮單變量分析、多變量分析區別模型能有效預測台灣中大型企業的財務危機發生，其正確區別率最高可達87.5%陳明賢(1986)財務比率不考慮Probit分析、Logit 分析採用Probit與Logit所建構的模型，危機發生前一年準確率可達93.33%表一 財務危機預警模式文獻回顧整理（續1）模式類別學者變數選擇考慮產業別變數差異研究方法研究結果財務比率配合資料探勘方法之預警模式Odom andSharda(1990)財務比率不考慮類神經網路、多變量區別分析使用類神經網路分析結果之區別正確率優於區別分析Tam and Kiang(1992)財務比率不考慮類神經網路、區別分析、Logit 模型、決策樹以美國德州59家危機銀行配對59家正常銀行，用19項財務指標，結果顯示危機前一年以類神經網路法為85.2%最高Coats and Fant(1993)財務比率不考慮類神經網路一樣採Altman(1968)的5項財務比率作為變數，建構出的預警模式準確率達80%Altman et al.(1994)財務比率不考慮類神經網路、多變量區別分析類神經網路分析模型優於多變量區別分析模型Koh and Tan (1999)財務比率不考慮類神經網路以速動比率、普通股市值對總資產比、負債比率、稅前息前淨利，資產報酬率及保留盈餘對資產比共六個財務指標做為研究變數，結果發現類神經網路的區別正確率較Probit 模型佳Kyung-shik Shin, Taik Soo Lee, and Hyun-jung Kim (2005)財務比率不考慮SVM、倒傳遞類神經網路結果顯示SVM提出的分類法比BPN更好，實驗結果也證明當訓練資料變得更小時SVM比BPN有較高的精確度和較好的綜合績效湯玲郎和施並洲(2001)財務比率不考慮灰關聯分析法、類神經網路、案例推理法類神經網路的預警效果最好，其次為案例推理法陳淑萍(2003)財務比率不考慮因素分析、決策樹決策樹之分類法對於結果有較簡單且清楚的分類規則可方便投資者及企業當局參考表一 財務危機預警模式文獻回顧整理（續2）模式類別學者變數選擇考慮產業別變數差異研究方法研究結果結合財務比率與非財務比率之預警模式Wu, Cheng-Ying (2004)財務比率非財務指標不考慮因素分析、Logit分析加入非財務變數可以達到更好的預測效果池千駒(1998)財務比率非財務變數總體經濟不考慮類神經網路、Logit 模型利用最小平方法所計算出的財務比率趨勢，納入Logit模式中，確實增加模式之區別正確率。非財務變數中的會計師變動，能增加模式之區別正確率 黃振豐和呂紹強(2000)財務比率非財務指標不考慮Logit分析兩階段財務危機預警模式比單階段模式有較高的預測能力，亦有效降低型一誤差陳生祥(2005)財務比率非財務指標不考慮類神經網路、決策樹本研究預警模式證實準確率優於先前學者所使用的非財務指標預警模式，且更適用於台灣企業。額外加入股價資訊指標和信用評等指標的預警模型確實能增加準確率，而且有效降低型一錯誤率發生蔡永泰(2005)財務比率非財務指標不考慮資訊增益排列篩選法(IGAF)、類神經網路本研究所提出的資訊增益排列篩選法(IGAF)與類神經網路所建構出的預警模式，發現在準確率的表現上優於決策樹模式、類神經網路模式與結合決策樹為輸入變數篩選之類神經網路模式表一 財務危機預警模式文獻回顧整理（續3）模式類別學者變數選擇考慮產業別變數差異研究方法研究結果考慮產業別因素之預警模式歐再添(2003)財務比率考慮Logit分析扣除營建業後的產業各年度關鍵指標包括負債比率、現金流量比率，而淨值報酬率則對於危機前一年具有指標性的意義。在模型之區別能力比較方面，發現扣除營建業及鋼鐵業樣本後，區別率最高可達90.48%。另扣除營建業、鋼鐵業及電子業後的模型其區別能力比扣除營建業及鋼鐵業更好，最高可達92.6%。而電子業之Logit模型區別能力波動大，應收帳款收帳天數則為重要預測變數陳秀美(2003)財務比率考慮(食品、紡織、營建業)Logit 模型在財務危機機發生前四、五年預警的指標為純益率，危機前一至三年則應觀察負債比蔡明熹(2004)財務比率非財務變數考慮(製造業、批發及售業)相關分析、無母中位差性檢定、二分吉斯迴歸分析、多項式吉斯迴歸分析製造業的信用評等除獲能的衡之外， 資產的配置運用或財為， 也是評的重點；批發及售業公司的信用評等除獲能的衡外，其次較重視銷貨收入與管的效；在非財務變中，製造業著重於經營與能與產業市場展望；批發及售業則著重市場佔有地位二、決策樹決策樹對監督式資料探勘而言，可能是最流行的結構。一個用來建立決策樹之共通的演算法，從訓練資料中選擇範例的子集合來建造最初的樹，剩餘的訓練範例被用來測試樹的準確性。假如任何範例分類錯誤，此範例會被加到最近的訓練資料集合中，而此程式被重複著。一個主要的目標就是將樹的高度和節點數減至最小，因此增加資料的歸納至最大。決策樹已經成功地被應用到實際的問題上，而且容易瞭解並漂亮地映射來推論出規則的集合。決策樹演算法是屬於資料探勘技術中建立分類模式的方法之一，可以將資料依照分割條件自動地分類，運用歸納方法找出資料來源的規則，可用來建立專家系統，預測未知的資料。決策樹的資料結構如同一棵樹，有節點 (internal node) 與樹葉 (leaf)。在決策樹裡的每一個內部節點代表某項屬性的測試，每一個節點即為一個判斷式，判斷式針對一個變數去判斷輸入的資料大於或等於或小於某個數值，每一個節點因而可以將輸入的資料分成若干類。樹葉則代表所對應到的決策值，而每一個內部節點的分支都代表該屬性測試的可能值。其中樹的每一個內部節點代表對應某屬性的測試資料如圖二，例如”借款依存度”，每一個分支代表此屬性的一個可能性，例如”大於或小於100”，而樹末端的葉節點則代表一個類別或類別屬性，例如”危機公司”。Hastie, Friedman, Tibshirani(2001) 提到目前最被廣泛使用的決策樹演算法包括CART (classification and regression trees)、C4.5、CHAID (chi-square automatic interaction detector) 等。借款依存度負債比率淨值比率100資產報酬率危機危機健全危機健全圖二 決策樹分類圖傳統決策樹的根部在頂端，建立決策樹時，一筆資料從根部進入後，應用一項測驗選擇進入下一層那個子節點（node），雖然測驗的選擇有不同演算法，但不論是哪一種演算法，目的都是一樣的，測驗過程不斷重複，直到資料到達葉部節點（leaf node）為止。不過當資料不完整、過於稀疏或是含有雜訊時，所建構的決策樹通常過於配合資料，以致於生成的決策樹產生過適化的原因有兩個，一個是樣本的屬性過多，決策樹學習法容易選用到和種類不相關的屬性。另一個原因是偏見，不同演算法在尋找測試屬性時，都有自己的偏好，所以非常有可能會找到演算法所偏好，但不是真正和種類相關的屬性，因此決策樹建構完成後還需要做適當的修剪。CART 是建構決策樹時最常用的演算法之一，在建構過程一開始，必須有一預先分類好的訓練組資料，CART 藉著一個單一輸入變數函數，在每一個節點分隔資料，建構一個二分式決策樹。CART 會決定哪一個自變數可以成為最好的分隔變數，最好分隔的定義是能夠將資料最完善的分配到一個單一類別支配的群體。分散度是用來評估一個分隔變數的衡量標準，如分散度很高，表示此組合包含多個類別，而分散度很低則表示單一類別的成員居多，因此分散度愈低愈好。在CART選擇變數過程中，無法找到任何分隔可以顯著降低一個節點分散度時，就將其標示為葉部節點，也完成了整棵決策樹。C4.5 是最新出現的決策樹演算法，早期版本為ID3。C4.5 與CART 建構過程非常類似，兩者之間最大不同就在於節點分支的數目，C4.5 會在每一個節點產生不同數目分支，分支數目會決定於行為變項中類別的個數。而CHAID 是最古老的決策樹演算法，其與CART、C4.5 之差異在於CHAID只限於處理類別變數，如連續變數必須採用區段的方式，轉換成類別變數。另一差異部分在於修剪的部分，CART、C4.5 是先過度套用資料訓練，之後再修剪。但CHAID 則是在過度套用之前即停止支點蔓生擴大。整理三種決策樹演算法之比較，如表二所示：表二 決策樹演算法之比較資料屬性分割規則CART連續型資料Gini indexC4.5類別資料Gain ratioCHAID類別資料Chi-square test決策樹之分析方式是一種十分適合使用者進行資料分析之工具。由於決策樹係將資料依據不同的變數循序來產生分析結果，因此使用者幾乎不需要擁有任何統計分析之知識，即可藉由決策樹之分析方式來分析顧客或消費者之特質與異同點。決策樹分析法係由使用者之意旨來將資料依據其特性加以分類，使用者並可利用決策樹之各項不同變數來判斷及預測可能之結果。然而，決策樹並非毫無缺點，倘決策過程中選擇之問題錯誤，將導致整體分析出現明顯之偏差，影響分析品質。決策樹是由包括由分類與回歸樹和卡方自動歸納法等技術產生的強力模型。決策樹應用在監督式資料探勘上，尤其是資料分類。它們能夠將訓練模組的紀錄區，分為獨立的子群，並且每一子群都有自己的規律。決策樹優勢在於它的可解釋性高，和類神經網路相同的，決策樹同樣可以處理連續性與類別性變項的能力。因為它採用的規則都由直接淺明的文字寫成，這可以讓使用者評價結果、過程中找出最適合的分隔變數，決策樹在其形成的過程上計算不僅複雜，且需要訓練。加上決策樹演算法只能處理二分法數值式的目標類別。在一個有許多層次或一個節點有許多分支的決策樹上，如果有太多類，且每類別中的訓練樣本數太小，則容易發生分類錯誤的現象。由文獻探討中可以得知決策樹模式在分類的成效上優於傳統的統計方法(王美慧，2005)。因此選取決策樹作為本研究模型的建構，而本研究所運用的軟體即是IBM所開發的Intelligent Miner，是根據CART的Gini Index來選擇分類屬性，以一個最佳的分隔變數來降低節點的分散度（diversity）。參、研究方法一、研究架構電子產業傳統產業財務指標非財務指標財務指標非財務指標決策樹決策樹預測企業是否發生財務危機預測企業是否發生財務危機指標篩選比較圖三 研究架構圖二、研究樣本、研究期間及資料來源 研究樣本與研究期間本研究樣本資料以電子產業與傳統產業為主，傳統產業為扣除電子業與金融業，產業類別依據台灣證交所上市公司營業分類，隨機選取以民國93年或94年發生財務危機共26家電子產業上市公司與27家傳統產業上市公司，並找出相似規模(以總資產為依據)和產業相同，且以發生危機(例如93或94年)的該公司，依發生危機前一年找出正常公司作對照，以1:1的比例選樣，電子產業26家正常上市公司作對照，總共53家電子產業上市公司，以及傳統產業27家正常上市公司作對照，總共54家傳統產業上市公司，如表三所列。選取的公司財務比率資料以92年、91年、90年季資料為依據，而非財務指標資料則以公司財務資料相對應時間的季資料為依據，將作為自變數來預測公司是否發生財務危機。表三 電子產業財務危機與正常公司對照表財務危機公司全額交割、下市日配對正常公司代號名稱代號名稱2318佳錄94/7/52495 普安2319大眾93/8/302315 神達2326亞瑟94/9/72391 合勤2333碧悠94/11/33051 力特2335清三94/1/52424 隴華2348力廣94/5/62305 全友2370匯僑工業94/9/12440 太空梭2389世昕94/10/312413 環科2407陞技93/12/162418 雅新2416世平94/11/92430 燦坤2429永兆94/11/32463 研揚2470品佳94/11/93010 華立2491訊碟93/9/82396 精碟2386國電93/4/12332 友訊2398博達93/9/82384 勝華2435台路94/5/32465 麗台2490皇統93/12/165203 訊連2494突破93/5/63047 訊舟2496卓越94/9/73027 盛達3001協和93/11/152468 華經3004宏達科93/9/222477 美隆電3021衛道93/7/282473 思源3039宏傳94/11/133029 零壹3054萬國94/5/62455 全新6132銳普94/11/72420 新巨6145勁永94/3/182451 創見表三 傳統產業財務危機與正常公司之產業及名稱對照表(續1)產業財務危機公司全額交割、下市日配對正常公司代號名稱代號名稱水泥1107建台 93/9/61110 東泥食品1204津津94/10/41213 大飲1212中日94/10/281215 卜蜂1228 台芳93/3/151233 天仁8722尚德93/11/11235 興泰8724立大93/11/161220 台榮塑膠1306合發 94/10/41323 永裕8721尚鋒93/2/91325 恆大紡織人纖1407華隆94/1/261409 新纖1408中紡93/5/61451 年興1432大魯閣94/4/131477 聚陽1450新藝94/7/51468 昶和1462東雲93/5/61434 福懋機電1534新企93/12/161528 恩德電線電纜