《运用资料探勘技术建构企业财务危机预警模型》由会员分享，可在线阅读，更多相关《运用资料探勘技术建构企业财务危机预警模型（23页珍藏版）》请在金锄头文库上搜索。
1、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wpleeapol-.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
2、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
3、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
4、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
5、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
6、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
7、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
8、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
9、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
10、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2
11、11、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
12、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、Lo
13、git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
14、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。
15、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
