自主性演算法建构企业财务危机预警模式

自主性演算法建構企業財務危機預警模式GroupmethodofDataHandlingModelsforFinancialDistressClassification楊千慧1陳威志2翁韶遠21元培科學技術學院企業管理系助理教授2元培科學技術學院企業管理系學生摘要當企業發生財務危機時往往會導致資助之投資企業、金融機構或是社會投資大眾損失慘重，近年來更有許多知名企業在發生財務危機前所公佈的財務報表皆可以使投資者和其他相關人士所接受，顛覆了一般利用公司營運狀況來評斷企業良莠的模式。為了讓資助之投資企業、金融機構或是社會投資大眾在企業發生財務危機前，儘早採取防範或補救措施，因此構建一套財務危機預警模型是必要的。本計畫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153家財務危機公司，以一比一配對方式選取153家正常公司，共306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8項非財務指標作為輸入變數，並使用自主性演算法(GroupmethodofDataHandling,GMDH)及羅吉斯迴歸建構企業財務危機預警模式，發現不論所用之資料是取在財務危機發生前一年、前二年、前三年，自主性演算法的總準確率、型一錯誤率及型二錯誤率均較羅吉斯迴歸為佳；另外，將股本分類所建構之財務預警模式比未分類股本之自主性演算法預警模式預測效果較佳；本計畫由自主性演算法所建構之財務危機預警模式針對偽造財務資訊之危機企業能準確預測判別為危機企業；最後經研究結果發現判別危機企業敏感度較高之變數為：非財務變數方面董事持股、董監持股、TCRI信用評、經理人持股，財務變數每股現金流量、有息負債利率、每股淨值。AbstractFinancialdistressofcompaniesmakestheenterpriseswhichinvestthesecompanies,financialcompaniesandinvestorssuffergreatlosses.Inrecentyears,manyfinancialstatementsoffamouscompaniesbeforethefinancialdistressareacceptedbyinvestorsandthisshowsthattheusualmethodsofevaluationoftheenterpriseswiththeirrunningconditionsareuseless.Inordertopreventtoinvestthecompanieswhichhavefinancialdistressbythesponsorsofinvestmententerprises,financialcompaniesandinvestors,asetoffinancialdistressalarmmodelisessential.Thisstudyintegratesenterprisefinancialratioindexandnon-financialinformationindextobuildanenterprisefinancialcrisesalarmmodel.Researchsamplesaretakenfrom153companieswhichhavefinancialdistress,and153normalcompaniesareselected,therefore,total306companysamplesareusedtobuildamodel.Regardingtoourdatagatheringandformerresearchers’experiences,30financialindicatorsand8non-financialindicatorsfortheinputdataareutilized,andtheGroupmethodtheofDataHandlingandtheLogisticregressionareusedtoconstructthefinancialdistresspredictionmodel.TheresultillustratesthatGroupmethodtheofDataobtainsbetterpredictionaccuracyintheformeroneandtwoandthreeyearoffinancialcrisisandtheimportantvariablesofjudgingfinancialcrisisaredirectorholding,directorateholding,TCRI,Managerholding,PS-Cashflow,Int.Exp./Debt,andBPS.1.前言1.1研究背景與動機近年來許多知名的上市上櫃公司接二連三的在財務上出現重大問題，無預警的宣布重整、跳票或是遭證交所打入全額交割股，導致許多投資大眾的血汗錢遭到坑殺。此外，許多危機企業的主要資金來源包含向金融機構借款或是受到其他企業的投資，因此當企業發生財務危機時將使得金融機構或是投資企業產生鉅額損失。而令人意外的是，這些危機企業許多都是前景看好的企業，例如：砷化鎵晶片大廠—博達電子，利用在海外成立的人頭公司掏空資產後，無預警的宣布重整，除了造成投資人財務重大損失外，也引發外界對公司治理及財務報告資訊品質等諸多疑慮。這些知名企業的財務危機，不僅顛覆了一般利用公司營運狀況來評斷企業良莠的模式，更造成了經濟秩序的不安定，連帶使其相關企業、上下游廠商、投資大眾、債權人、金融機構都造成影響。最嚴重的問題在於各大企業財務危機爆發前，他們所公佈的財務報表皆可以使投資者和其他相關人士所接受，很少人或企業能在危機發生前發現異狀並且脫手持有之股票或是減少對危機企業的放款，甚至還有許多金融機構因為希望為本身帶來更大的利益，而極力爭取這些企業成為授信客戶，輕易採信企業的片面資訊，沒有周全的調查其真實營運狀況，在企業發生危機前大舉借款給危機企業，使得金融機構出現巨額呆帳。由許多知名危機企業的案例可知，若建構財務危機預警模型時僅採用財務報表上之財務資料將無法有效掌握危機企業的真實營運狀況，這是由於企業所產生的財務資料只是企業經營過程的最終結果。本計畫除了利用財務性變數建構財務危機預警模型外，另加入董監事持股比率或是股權質押狀況、會計師對其財務報表所表達的意見，及變更簽證會計師的次數等非財務變數來建構企業危機預警模型。另外，目前中外文獻中已利用不少方法如：二分類檢定法、判別分析、Probit分析、Logit分析、類神經網路...等來建構財務危機預警模型，且大部分之文獻研究結果顯示類神經網路所建立的財務危機預警模型有較高的正確率，然而類神經網路的分析過程為一個黑盒子，無法篩選出重要變數。自主性演算法(GroupmethodofDataHandling,GMDH)雖然也是類神經網路方法，但自主性演算法可以篩選出重要變數，且預測能力亦佳，因此本計畫欲利用自組性演算法來建構財務危機預警模型，以期建立一個具有高度判別正確率的財務危機預警模型，使各大企業或金融機構在進行投資決策時能將風險降到最低。1.2研究目的本計畫比較自組性演算法與羅吉斯迴歸之預測效果，以驗證本計畫所提之方法確實較佳。因此本計畫主要探討之議題，包括：1、本計畫採用自組性演算法來作為建構企業財務危機預警模式，以期能提升預測企業財務危機，並輔以羅吉斯迴歸方法結果作為比較。2、透過將股本總額分類，並利用自組性演算法進行預測，希望能將到所建構企業財務危機預警模式更加準確的預測效果。3、以期能透過自組性演算法所建構企業財務危機預警模式，有效預測出透過偽造財務資訊之危機企業。4、透過自組性演算法及羅吉斯迴歸尋找出判別危機企業時敏感度較高之變數。2.文獻回顧與探討2.1財務危機定義企業發生財務問題有許多名詞，如失敗(failure)、破產(bankruptcy)、倒閉(shut-down)、危機(crisis)、衰退(decline)、困難(difficulty)等等。Walters在1957年將『破產』定義為『公司將所儲存的現金用完』。Beaver在1966年對於財務危機採廣義的解釋，即「公司債券違約者」、「宣告破產者」、「發生鉅額銀行透支者」、「優先股股息未支付者」，符合其中之一，即為財務危機。本計畫採用台灣經濟新報財務危機分類方式分為下列事件：(1)、跳票擠兌：公司跳票、或銀行擠兌。(2)、倒閉破產：宣告倒閉、惡性倒閉、或破產。(3)、CPA意見：對其繼續經營假設提出疑慮、或就重大科目作保留、無法表示意見、否定意見。(4)、掏空挪用：會曝光的，多半金額重大，影響依公司體質而定，亦可能導致財務危機。(5)、紓困求援：向財政部申請紓困、或向銀行要求展延、減息並掛帳、個別要求或召開債權人會議，全面要求都算。與銀行之展延，原則上以見報曝光、或財報上明確寫明「展延」者為限。(6)、重整：聲請重整。(7)、接管：雖未跳票，但原經營者下台看似沒有違約之事，不過，接管後多半會跟銀行協商展延債務，還是會落入紓困求援狀況。(8)、暫停交易：早期，多是下市前奏，但於1998年本土性金融風暴時，許多董監事為免設質股票被斷頭，主動申請暫停交易，除少數能回復正常交易，多數發展成財務危機。(9)、董事長跳票：理論上，個人行為應與公司無關，但一般來說，董事長絕對有權力去動支公司的資金，而以國內的「公司治理」文化，怎可能放著公司白花花銀子不動，就讓自身跳票？除非換手、或借款少，否則多半會發展成財務危機。(10)、銀行緊縮：銀行到期不續借，一般來說，會曝光者，多屬重大、或集團連動。一旦遭銀行緊縮，除非公司自身營運狀況佳，多半會發展成財務危機。(11)、嚴重虧損：嚴重虧損導致每股淨值低不及5元而轉列全交股者。(12)、財務吃緊停工：停工未必涉及違約，但若停工消息見報時，已確定是因財務吃緊，則續後必發展成財務危機。(13)、景氣不佳停工：因景氣不佳停工，但未傳出未積欠供應商、員工或銀行款項。(14)、價值減損：因營運持續虧損，上層投資公司已於財報中認列長投永久性下跌或提列減損。(15)、淨值為負：公司淨值為負數，且經營層無增資打算。上列財務危機事件中，跳票擠兌、倒閉破產、重整、董事長跳票、掏空挪用、嚴重虧損，這六種事件可能涉及美化帳面財務報表，導致金融機構或是投資人、企業產生鉅額損失。2.2財務危機預警模型相關文獻探討2.2.1單變量分析Beaver在1966年以單變量分析建構財務危機模式，界定財務危機定義：「宣告破產、債券違約、銀行存款透支及未支付特別股股利」；其樣本選在1956-1964年間選取了79家財務危機公司，並配對相同產業別及資產規模的健全公司。利用30個財務比率及無母數統計方法(Mann-Whitney-Wilcoxen)進行單變量分析研究。研究成果顯示「現金流量/總負債」對於預測財務危機的效果最好，其次為「淨利/總資產」和「總負債/總資產」。2.2.2多變量判別分析模型1.Altman(1968)年利用多變量分析方法應用在財務危機預警研究的學者。以1946至1965年間33家破產公司為樣本，再依產業別和規模大小為基準，篩選出33家健全公司為配對樣本。利用因素分析將22項財務比率粹取出最具有共同預測能力的財務比率，分別為「營運資產佔總資產比率」、「保留盈餘佔總資產比率」、「稅後息前淨利佔總資產比率」、「股東權益市價佔總負債帳面價值比率」、「銷貨收入佔總資產比率」共五項。並將此五項財務比例發展成Z-score模式，形成一項財務危機綜合指標，但Z-scroe模式僅適用於短期財務危機預測。2.Deakin(1972)合併了單變量及早期的多變量研究，提出另一個財務危機預測模型，此研究隨機選取樣本，並運用二分類檢定作分析，選擇Beaver的14個重要財務比率建立區別模型，研究結果發現在企業失敗前3年區別正確率多變量區別模型比單變量模型為佳。失敗前一年預測率高達97%。總錯誤率前五年