台湾企业信用评分模型建置与验证-财团法人金融联合徵信中心.DOC

台灣企業信用評分模型建與驗證、傳統企業信用評分資料以財務變數為主，但中小企業會計制度較不健全，財務狀況似不透明，財務變數可能失真，且其信用品質受到企業負責人的影響程度亦高。因此信用評分模型之變數考量，不宜以財務變數為主，應蒐集如負責人信用評分、銀行信用往來紀錄等非財務變數，期使企業信用評分更趨實際與客觀。 故此次研究希望透過歷年收集之融資簽證與財務報表簽證資料，所計算之財務比率變數，結合中心所特有之個人信用評分，企業授信、票信紀錄及等非財務變數，與資訊等相關資料，以目前國內外所使用的歷史法羅吉斯迴歸模型市場法Merton模型，建置企業信用評分模型，並驗證研討模型預測企業違約之有效性。、 2.1 羅吉斯迴歸模型 企業違約預測，不論是在學界或者是實務界都一直是廣受注意的議題。在實務上，除了銀行業者對於貸款者的信用風險管理之外，另外評等公司對於受評企業的信用等級歸類，都必須對企業違約預測有相當程度的涉入。在學術界裡，自從Altman(1968)採用多變量區別分析法(multivariate discriminate analysis, MDA)，Ohlson(1980)採用羅吉斯迴歸分析法(logistic regression analysis)進行企業違約預測之後，相關的研究亦一直在持續中，最近幾年學者們的研究重點則在於利用類神經網路(neural network)模型進行相關議題之研究，惟類神經網路雖然在實證研究上有正確率較高的優點，且不受限於樣本為常態分配的假設，亦無變數是否具共線性的問題，同時模型無嚴格的假設限制及具有處理非線性問題之能力；但其缺點為模型運作時是黑箱作業，無法得知其運作方式，在沒有統計理論與基礎及可能有過度配適(over fitting)的情形下，該模型並不在本次的研究範圍內。 底下我們詳細說明Altman與Ohlson的估計過程與結果。Altman是最早利用多元區別分析於財務違約預測文獻，該文利用1946-1965年間的美國製造業資料，33家正常公司，33家破產公司為樣本。參酌過去相關研究的變數，加上作者認為有用的變數，選出22個財務變數，共分五類，分別為：流動性、獲利性、槓桿、償債能力、週轉率。最後篩選出5個最具代表性的財務變數，建立Z-score模型，Altman之區別函數如下式： 其中為營運資金對總資產比率，為保留盈餘對總資產比率，為息前稅前盈餘對總資產比率，為股本市值對總負債帳面價值比率，為銷貨淨額對總資產比率。對於模型的區別能力檢定，作者採用型一、型二誤差的檢定。原始樣本內的檢定，型一誤差為6％，型二誤差為3％，模型整體區別正確率95％。另外作者額外選取25個破產公司樣本作為樣本外預測，結果正確率有94％。而模型的最適截斷點為Z=2.675，Z值愈小，企業發生違約的機率愈高。 然而由於多元區別分析的解釋變數需符合常態分配的假設，而一般財務比率變數或者是虛擬變數多不符合，加上模型無法處理非線性情況、不能有效處理非量化變數、變數須先標準化、變數選擇的偏差可能會對分類能力造成影響等缺點，因此80年代開始有學者改採條件較為寬鬆的羅吉斯迴歸分析或Probit分析。 Ohlson使用羅吉斯迴歸模型，利用美國1970-1976年間的公司資料，排除零售業、運輸業、和金融業，進行公司破產預測，樣本包括105家破產公司及2058家正常公司。模型的解釋變數有9個，包括：log(總資產/物價指數)、負債比率、營運資金佔總資產比、流動比率、總資產報酬率、營業現金流量佔總資產比、虛擬變數1(負債大於資產為1，反之為0)、虛擬變數2(稅後淨利小於零為1，反之為0)、和淨收入的變動，其模型正確率有84％。另外Ohlson在該研究提出「財報時間點」的問題，認為以前的文獻皆假設公司的年報可以在財務年底獲得，但實際上，財報需會計師簽證，因此會有延遲，如此一來使用較晚公布的財報，或使用那些會計報告中已揭露公司將破產的財報來「預測」已發生的破產事件似乎不合理。而對於變數的選取，該文認為，任何模型的預測能力很大的部分取決於該模型所採用的預測變數，過去所採用的皆為會計資訊，或許使用股價或股價的變動等非會計資訊可以提升模型的預測能力。而Probit模型大致上和羅吉斯迴歸模型相似，同樣可以解決自變數非常態的問題。可是由於羅吉斯迴歸模型實證結果多優於Probit模型，故多數學者採用羅吉斯迴歸模型。 2.2 Merton模型 Black Scholes（1973）與Merton（1974）的選擇權評價模型（以下簡稱Merton 模型）將公司股權視為一標的物為公司資產，履約價格為負債的買權，當負債到期時，若公司資產價值低於負債價值，則定義為發生違約，因此公司的違約機率即為公司資產價值低於負債價值的機率，Merton 模型利用股權市價與股票報酬率波