企业财务危机预警模型概述(doc 29页).doc

n 当前文档修改密码：8362839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利瓦伊平中原大学信息管理研究所.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)(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-Ying Wu，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：1. 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。2. 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。3. 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Ramser and Foster（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(Multiple Discriminant Analysis)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，即是分析模型。其公式如下：Z=1.2X1+1.4X2+3.3X3+0.6X4+0.099X5Z ：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)又同时考虑风险观与规模效果，成为7项变的线性模型，称为Zeta 模型。采用的财务比为：资产报酬、盈余稳定性、息保障、动比、积获情形、资本总额与规模（有形资产）。分正确在破产前一达93%，前四达80%，前五也有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Odom and Sharda(1990) 利用类神经网络理论(neural networks)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。 Tam and Kiang（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。 Coats and Fant(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%。 Altman et al.(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。 Koh and Tan (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。 Kyung-shik Shin, Taik Soo Lee, and Hyun-jung Kim (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)用文献与专家经验，选定6个构面的18个财务比变和3 个构面的6个非财务变，针对制造业与批发及售业组同的公司样本，采用相关分析、无母中位差性检定、二分吉斯回归分析(Binary Logistic Regression)、以及多项式吉斯回归分析(Multinomial Logistic Regression)等统计分析方法，尝试分别建信用评等模型，研究主要影响信用评等的变与效果。结果发现1.制造业公司的信用评等除获能的衡之外， 资产的配置运用或财为， 也是评的重点； 2.批发及售业公司的信用评等除获能的衡外，其次较重视销货收入与管的效；3.在非财务变中，制造业着重于经营与能与产业市场展望；批发及售业则着重市场占有地位。 由于个别产业的不同影响的因素也相对有所差异，若能考虑产业问题，将更能发掘出个别产业的特质，并建构出更适合更精确的预警模型，故本研究会针对电子产业与传统产业所建构的预警模型，进一步加以探讨产业的异同。相关文献整理汇整如下表一：表一 财务危机预警模式文献回顾整理模式类别学者变量选择考虑产业别变数差异研究方法研究结果财务比率配合统计方法之预警模式Beaver(1968)财务比率不考虑单变量分析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。危机发生前三,二,一年的预测力分别为77%、79%及87%Altman(1968)财务比率不考虑多变量分析多变量分析方法能有很好的预测能力，破产前一年财务数据正确区别率达95% Altman(1977)财务比率不考虑多变量分析采用资产报酬、盈余稳定性、息保障、动比、积获情形、资本总额与规模（有形资产）等财务比，预测效果良好，在实务上亦多所应用Ohlson(1980)财务比率不考虑Logit分析公司规模、经营绩效、财务结构及流动性与破产机率呈现显著相关。证实Logit分析具有不错的预测能力何太山(1977)财务比率不考虑多元区别分析选取七个财务变量建立模式，经实证结果原始样本正确率为83保留样本正确率达91为国内第一篇以区别分析法建立商业银行的财务预警模型陈肇荣(1983)财务比率不考虑单变量分析、多变量分析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)财务比率不考虑Probit分析、Logit 分析采用Probit与Logit所建构的模型，危机发生前一年准确率可达93.33%表一 财务危机预警模式文献回顾整理（续1）模式类别学者变量选择考虑产业别变数差异研究方法研究结果财务比率配合数据探勘方法之预警模式Odom andSharda(1990)财务比率不考虑类神经网络、多变量区别分析使用类神经网络分析结果之区别正确率优于区别分析Tam and Kiang(1992)财务比率不考虑类神经网络、区别分析、Logit 模型、决策树以美国德州59家危机银行配对59家正常银行，用19项财务指针，结果显示危机前一年以类神经网络法为85.2%最高Coats and Fant(1993)财务比率不考虑类神经网络一样采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%Altman et al.(1994)财务比率不考虑类神经网络、多变量区别分析类神经网络分析模型优于多变量区别分析模型Koh and Tan (1999)财务比率不考虑类神经网络以速动比率、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，结果发现类神经网络的区别正确率较Probit 模型佳Kyung-shik Shin, Taik Soo Lee, and Hyun-jung Kim (2005)财务比率不考虑SVM、倒传递类神经网络结果显示SVM提出的分类法比BPN更好，实验结果也证明当训练资料变得更小时SVM比BPN有较高的精确度和较好的综合绩效汤玲郎和施并洲(2001)财务比率不考虑灰关联分析法、类神经网络、案例推理法类神经网络的预警效果最好，其次为案例推理法陈淑萍(2003)财务比率不考虑因素分析、决策树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表一 财务危机预警模式文献回顾整理（续2）模式类别学者变量选择考虑产业别变数差异研究方法研究结果结合财务比率与非财务比率之预警模式Wu, Cheng-Ying (2004)财务比率非财务指标不考虑因素分析、Logit分析加入非财务变量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类神经网络、Logit 模型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 黄振丰和吕绍强(2000)财务比率非财务指标不考虑Logit分析两阶段财务危机预警模式比单阶段模式有较高的预测能力，亦有效降低型一误差陈生祥(2005)财务比率非财务指标不考虑类神经网络、决策树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。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准确率，而且有效降低型一错误率发生蔡永泰(2005)财务比率非财务指标不考虑信息增益排列筛选法(IGAF)、类神经网络本研究所提出的信息增益排列筛选法(IGAF)与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表一 财务危机预警模式文献回顾整理（续3）模式类别学者变量选择考虑产业别变数差异研究方法研究结果考虑产业别因素之预警模式欧再添(2003)财务比率考虑Logit分析扣除营建业后的产业各年度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，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)财务比率考虑(食品、纺织、营建业)Logit 模型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)财务比率非财务变数考虑(制造业、批发及售业)相关分析、无母中位差性检定、二分吉斯回归分析、多项式吉斯回归分析制造业的信用评等除获能的衡之外， 资产的配置运用或财为， 也是评的重点；批发及售业公司的信用评等除获能的衡外，其次较重视销货收入与管的效；在非财务变中，制造业着重于经营与能与产业市场展望；批发及售业则着重市场占有地位二、决策树决策树对监督式数据探勘而言，可能是最流行的结构。一个用来建立决策树之共通的算法，从训练数据中选择范例的子集合来建造最初的树，剩余的训练范例被用来测试树的准确性。假如任何范例分类错误，此范例会被加到最近的训练数据集合中，而此程序被重复着。一个主要的目标就是将树的高度和节点数减至最小，因此增加数据的归纳至最大。决策树已经成功地被应用到实际的问题上，而且容易了解并漂亮地映像来推论出规则的集合。决策树算法是属于数据探勘技术中建立分类模式的方法之一，可以将资料依照分割条件自动地分类，运用归纳方法找出数据来源的规则，可用来建立专家系统，预测未知的数据。决策树的数据结构如同一棵树，有节点 (internal node) 与树叶 (leaf)。在决策树里的每一个内部节点代表某项属性的测试，每一个节点即为一个判断式，判断式针对一个变量去判断输入的数据大于或等于或小于某个数值，每一个节点因而可以将输入的数据分成若干类。树叶则代表所对应到的决策值，而每一个内部节点的分支都代表该属性测试的可能值。其中树的每一个内部节点代表对应某属性的测试数据如图二，例如”借款依存度”，每一个分支代表此属性的一个可能性，例如”大于或小于100”，而树末端的叶节点则代表一个类别或类别属性，例如”危机公司”。Hastie, Friedman, Tibshirani(2001) 提到目前最被广泛使用的决策树算法包括CART (classification and regression trees)、C4.5、CHAID (chi-square automatic interaction detector) 等。借款依存度负债比率净值比率100资产报酬率危机危机健全危机健全图二 决策树分类图传统决策树的根部在顶端，建立决策树时，一笔数据从根部进入后，应用一项测验选择进入下一层那个子节点（node），虽然测验的选择有不同算法，但不论是哪一种算法，目的都是一样的，测验过程不断重复，直到数据到达叶部节点（leaf node）为止。不过当数据不完整、过于稀疏或是含有噪声时，所建构的决策树通常过于配合数据，以致于生成的决策树产生过适化的原因有两个，一个是样本的属性过多，决策树学习法容易选用到和种类不相关的属性。另一个原因是偏见，不同算法在寻找测试属性时，都有自己的偏好，所以非常有可能会找到算法所偏好，但不是真正和种类相关的属性，因此决策树建构完成后还需要做适当的修剪。CART 是建构决策树时最常用的算法之一，在建构过程一开始，必须有一预先分类好的训练组数据，CART 借着一个单一输入变量函数，在每一个节点分隔资料，建构一个二分式决策树。CART 会决定哪一个自变量可以成为最好的分隔变量，最好分隔的定义是能够将数据最完善的分配到一个单一类别支配的群体。分散度是用来评估一个分隔变量的衡量标准，如分散度很高，表示此组合包含多个类别，而分散度很低则表示单一类别的成员居多，因此分散度愈低愈好。在CART选择变量过程中，无法找到任何分隔可以显著降低一个节点分散度时，就将其标示为叶部节点，也完成了整棵决策树。C4.5 是最新出现的决策树算法，早期版本为ID3。C4.5 与CART 建构过程非常类似，两者之间最大不同就在于节点分支的数目，C4.5 会在每一个节点产生不同数目分支，分支数目会决定于行为变项中类别的个数。而CHAID 是最古老的决策树算法，其与CART、C4.5 之差异在于CHAID只限于处理类别变量，如连续变量必须采用区段的方式，转换成类别变量。另一差异部分在于修剪的部分，CART、C4.5 是先过度套用资料训练，之后再修剪。但CHAID 则是在过度套用之前即停止支点蔓生扩大。整理三种决策树算法之比较，如表二所示：表二 决策树算法之比较数据属性分割规则CART连续型资料Gini indexC4.5类别数据Gain ratioCHAID类别数据Chi-square test决策树之分析方式是一种十分适合使用者进行数据分析之工具。由于决策树系将数据依据不同的变量循序来产生分析结果，因此使用者几乎不需要拥有任何统计分析之知识，即可藉由决策树之分析方式来分析顾客或消费者之特质与异同点。决策树分析法系由使用者之意旨来将数据依据其特性加以分类，使用者并可利用决策树之各项不同变量来判断及预测可能之结果。然而，决策树并非毫无缺点，倘决策过程中选择之问题错误，将导致整体分析出现明显之偏差，影响分析质量。决策树是由包括由分类与回归树和卡方自动归纳法等技术产生的强力模型。决策树应用在监督式数据探勘上，尤其是数据分类。它们能够将训练模块的纪录区，分为独立的子群，并且每一子群都有自己的规律。决策树优势在于它的可解释性高，和类神经网络相同的，决策树同样可以处理连续性与类别性变项的能力。因为它采用的规则都由直接浅明的文字写成，这可以让使用者评价结果、过程中找出最适合的分隔变量，决策树在其形成的过程上计算不仅复杂，且需要训练。加上决策树算法只能处理二分法数值式的目标类别。在一个有许多层次或一个节点有许多分支的决策树上，如果有太多类，且每类别中的训练样本数太小，则容易发生分类错误的现象。由文献探讨中可以得知决策树模式在分类的成效上优于传统的统计方法(王美慧，2005)。因此选取决策树作为本研究模型的建构，而本研究所运用的软件即是IBM所开发的Intelligent Miner，是根据CART的Gini Index来选择分类属性，以一个最佳的分隔变数来降低节点的分散度（diversity）。参、研究方法一、研究架构电子产业传统产业财务指标非财务指标财务指标非财务指标决策树决策树预测企业是否发生财务危机预测企业是否发生财务危机指标筛选比较图三 研究架构图二、研究样本、研究期间及数据来源 研究样本与研究期间本研究样本数据以电子产业与传统产业为主，传统产业为扣除电子业与金融业，产业类别依据台湾证交所上市公司营业分类，随机选取以民国93年或94年发生财务危机共26家电子产业上市公司与27家传统产业上市公司，并找出相似规模(以总资产为依据)和产业相同，且以发生危机(例如93或94年)的该公司，依发生危机前一年找出正常公司作对照，以1:1的比例选样，电子产业26家正常上市公司作对照，总共53家电子产业上市公司，以及传统产业27家正常上市公司作对照，总共54家传统产业上市公司，如表三所列。选取的公司财务比率资料以92年、91年、90年季资料为依据，而非财务指针数据则以公司财务数据相对应时间的季资料为依据，将作为自变量来预测公司是否发生财务危机。表三 电子产业财务危机与正常公司对照表财务危机公司全额交割、下市日配对正常公司代号名称代号名称2318佳录94/7/52495 普安2319大众93/8/302315 神达2326阿瑟94/9/72391 合勤2333碧悠94/11/33051 力特2335清三94/1/52424 陇华2348力广94/5/62305 全友2370汇侨工业94/9/12440 航天飞机2389世昕94/10/312413 环科2407升技93/12/162418 雅新2416世平94/11/92430 灿坤2429永兆94/11/32463 研扬2470品佳94/11/93010 华立2491讯碟93/9/82396 精碟2386国电93/4/12332 友讯2398博达93/9/82384 胜华2435台路94/5/32465 丽台2490皇统93/12/165203 讯连2494突破93/5/63047 讯舟2496卓越94/9/73027 盛达3001协和93/11/152468 华经3004宏达科93/9/222477 美隆电3021卫道93/7/282473 思源3039宏传94/11/133029 零壹3054万国94/5/62455 全新6132锐普94/11/72420 新巨6145劲永94/3/182451 创见表三 传统产业财务危机与正常公司之产业及名称对照表(续1)产业财务危机公司全额交割、下市日配对正常公司代号名称代号名称水泥1107建台 93/9/61110 东泥食品1204津津94/10/41213 大饮1212中日94/10/281215 卜蜂1228 台芳93/3/151233 天仁8722尚德93/11/11235 兴泰8724立大93/11/161220 台荣塑料1306合发 94/10/41323 永裕8721尚锋93/2/91325 恒大纺织人纤1407华隆94/1/261409 新纤1408中纺93/5/61451 年兴1432大鲁阁94/4/131477 聚阳1450新艺94/7/51468 昶和1462东云93/5/61434 福懋机电1534新企93/12/161528 恩德电线电缆1602太电93/4/281606 歌林营建2506太设93/12/92511 太子2525宝祥94/1/52546 根基2537春池93/5/62509 全坤2539樱建94/5/65525 顺天2540金尚昌94/9/75531 乡林建设8725三采94/1/35515建国工程百货2902中信94/6/132911 丽婴房钢铁金属8708 大钢93/3/152034 尤强其它2904汇侨94/5/66184 大丰电8723 顺大裕93/1/269925 新保9906兴达94/5/69902 台火9936欣锠94/6/206201 亚弘电 样本数据来源 本研究实证资料来源为台湾经济新报公司财务数据库。三、本研究指针变量 应变数的选取 本研究实证财务危机之预警模型所采用的是数据探勘中的分类方法，其应变量是选用二项之虚拟变量，本研究拟以Y=0代表正常公司，Y=1代表危机公司为虚拟应变量。 自变数的选取本研究挑选的自变与定义是依上述文献探讨，汇整而。挑选的解释变分为财务指标(表四)与非财务指标(表五)，以作为本研究之实验指标。表四 财务变数列表类别研究变数获利能力指标税前净利率资产报酬率(税后息前)净值报酬率(税后)营业利益率税后净利率成本费用率指标营业费用率现金流量比率每股比率指标每股盈余内部保留比率成长率指标净值成长率偿债能力指标速动比率流动比率负债比率现金流量允当TCRI信用评等负债净值比净值比率利息保障倍数借款依存度长期资金适合率经营能力指标总资产周转率(次)应收帐款周转率(次)平均售货天数(天)固定资产(次)平均收帐天数其它财务指标财务杠杆度应收帐款及票据营业收入净额盈余成长率总资产自有资本率表五 非财务变数列表类别研究变数股权结构指针监事持股比率董事持股比率董监事持股比率公司法人席次比率董监事质押比率公司治理指标董事长是否兼任总经理会计师意见总体经济指标领先指针综合分数M2年增率IPI年增率CPI年增率失业率四、研究设计 本研究