臺灣博碩士論文加值系統

太陽能產業自2005 年後蓬勃發展，全球廠商不斷投入產能的擴張及技術的研發，
在供需失衡及歐債風暴影響下，太陽能產品價格持續下跌，導致廠商由盈轉虧，自2011
年起陸續傳出公司破產的消息。
由於企業破產將導致股東及債權人鉅額的損失，為了避免此種狀況，基於銀行授信
觀點，在太陽能產業仍為未來綠色能源發展的重點項目下，建立單一產業的破產預警模
型可以降低銀行授信風險，提升經營績效。
為建立單一產業破產預警模型，本研究以美國及德國上市太陽能供應鏈中於2011
年至2013 年第一季宣告破產的企業為樣本，合計11 家，另以1：2 配對正常公司，共
33 家企業進行研究，研究採用財務變數24 個，經Logit 模型實證後，在破產前三年至
前一年整體預測能力分別為81.82%、93.94%、84.85%，型一誤差由破產前三年的19.23%
降至第二年4.54%、第一年9.52%，預測能力良好。
經本研究針對太陽能產業破產預測發現，破產前一年EBITDA/利息費用、現金流量
比率最具預測能力，破產前二年為Long-Term Debt/Total Capital、現金流量比率最
具預測能力。

The solar energy industry has since 2005 undergone a rapid development, global
producers are rushing to join in the energy output expansion and technology research and
development, and as impacted by an imbalance of supply and demand and the Euro debt crisis,
the price of solar energy products continues to tumble, eating into the producers’ profit as
they see their earnings evaporate into deficits, with news of many companies going bankrupt
begins to spread in 2011.
For how business bankruptcy will incur significant losses to the shareholders and the
credits, and to avoid such circumstance, yet taking to the bank’s lending point of view
reckoning that the solar energy industry is still considered a bright spot in green energy
development for the future, instilling a singular industry’s bankruptcy pre-warning model can
help to reduce the bank’s lending risk and improve the operating performance.
To instill a single industry bankruptcy pre-warning model, the study focuses on
businesses that declared bankruptcy in the solar energy supply chain from 2011 to Q1 2013 in
the United States and Germany as the samples, totally 11 businesses, which are paired with
normal companies at a ratio of 1:2, totaling 33 businesses with which to conduct the study.
The study adopts 24 financial variables, and upon putting the data through the Logit model
validation, the model’s overall forecastability on the samples from three years to one year
prior to the bankruptcy indicates 81.82%, 93.94%, and 84.85%, and the model’s variation has
reduced from 19.23% three years earlier down to 4.54% two years earlier, and 9.52% one year
earlier, projecting a good forecastability.
The study, focusing on the solar energy industry’s bankruptcy pre-warning model, shows
that of the EBITDA/interest expenditure one year before the bankruptcy, the cash flow ratio
offers the best forecastability, and of the long-term debt/total capital two years before the
bankruptcy, the cash flow ratio offers the best forecastability.

謝 辭 ................................................................ I
中文摘要 ............................................................... II
英文摘要 .............................................................. III
目 錄 ............................................................... IV
圖 次 ................................................................ V
表 次 ............................................................... VI
第一章 緒 論 .......................................................... 1
第一節 研究背景與動機 .............................................. 1
第二節 研究目的與對象 .............................................. 4
第三節 研究流程與架構 .............................................. 6
第四節 資料來源與研究限制 .......................................... 7
第二章 文獻探討 ........................................................ 8
第一節 破產法規及定義 .............................................. 8
第二節 銀行風險評等指標回顧 ....................................... 11
第三節 國內文獻 ................................................... 15
第四節 國外文獻 ................................................... 25
第三章 研究方法 ....................................................... 31
第一節 太陽能供應鏈分析 ........................................... 31
第二節 樣本蒐集 ................................................... 35
第三節 研究變數與衡量 ............................................. 36
第四節 研究方法 ................................................... 43
第四章 實證結果分析 ................................................... 47
第一節 敘述性統計分析 ............................................. 47
第二節 資料分析 ................................................... 50
第三節 Logit 模型之建立 ............................................ 55
第四節 實證結果 ................................................... 59
第五章 結論與建議 ..................................................... 61
第一節 研究發現 ................................................... 61
第二節 管理意涵與研究建議 ......................................... 63
參考文獻 ............................................................... 68

中文部分：
1. 白秀卿(2011)，「財務預警模式之實證研究-以台灣上市櫃營建業為例」，碩士論文，
朝陽科技大學財務金融系，台中市。
2. 呂林小鳳(2011)，「集團企業與非集團企業財務預警模型之實證研究險預警制度之
個案研究」，碩士論文，清雲科技大學國際企業管理所，桃園縣。
3. 李勝榮、鄭文英(2011)，「以市場價值反映建構財務危機預警模式-產業差異實證研
究」，中華管理評論國際學報，第十四卷第一期，P10。
4. 徐景宏(2011)，「台灣上市櫃公司財務危機預測之研究」，碩士論文，淡江大學財
務金融學系，新北市。
5. 張晃峰(2010)，「企業財務危機預測之研究-以台灣上市櫃公司為例」，碩士論文，
高雄應用科技大學國際企業系，高雄市。
6. 陳乙萱(2011)，「銀行對企業授信信用風險預警制度之個案研究」，碩士論文，台
灣科技大學財務金融所，台北市。
7. 陳泓志(2010)，「企業財務危機預警模型」，碩士論文，台灣大學財務金融研究所，
台北市。
8. 陳姿穎(2011)，「台灣銀行業逾放比率影響因素之探討」，碩士論文，政治大學行
政管理學程，台北市。
9. 曾郁婷(2008)，「小樣本的常態性檢定之探討」，碩士論文，真理大學數理科學研
究所，新北市。
10. 辜冠舜(2011)，「企業財務危機預警模型之實證分析-以國內上市電子公司為例」，
碩士論文，中央大學產業經濟所，桃園縣。
11. 黃仁成(2012)，「風險行為對台灣銀行業獲利之影響」，碩士論文，銘傳大學財務
金融學系，台北市。
12. 薛麗蘭(2010)，「國內中小企業財務危機預警模式之探討」，碩士論文，高雄應用
科技大學金融資訊所，高雄市。
70
英文部分：
1. Altman, E.I. (1974), “Financial ratios, discriminant analysis and the prediction of
corporate bankruptcy”, The journal of finance, Vol. 23, No. 4, pp. 589-609.
2. Altman, E.I. and Lavallee, M.Y. (1981), “Business failure classification in
Canada”, Journal of Business Administration, Vol. 12, No. 1, pp. 147-164.
3. Altman, E.I., Haldeman, R.G. and Narayanan, P. (1977), “ZETATM analysis：A new
model to identify bankruptcy risk of corporations”, Journal of Banking & Finance, Vol. 1,
No. 1, pp. 29-54.
4. Baixauli, J.S. and Módica-Milo, A. (2010), “The bias of unhealthy SMEs in bankruptcy
prediction models”, Journal of Small Business and Enterprise Development, Vol. 17, No.
1, pp. 60-77.
5. Beaver, W.H. (1966), “Financial ratios as predictors of failure”, Journal of accounting
research, Vol. 4, pp. 71-111.
6. Diakomihalis, M.N. (2012), “The accuracy of Altman’s models in predicting hotel
bankruptcy”, International Journal of Accounting and Financial Reporting, Vol. 2, No. 2,
pp. 96-113.
7. Lee, S. and Choi, W.S. (2012), “A multi-industry bankruptcy prediction model using
back-propagation neural network and multivariate discriminant analysis”, Expert Systems
with Applications, Vol. 40, NO. 8, pp. 2941-2946.
8. Martin, D. (1977), “Early warning of bank failure: A logit regression approach”, Journal
of Banking & Finance, Vol. 1, No. 3, pp. 249-276.
9. Merton, R.C. (1974), “On the pricing of corporate debt: The risk structure of interest
rates”, The Journal of Finance, Vol. 29, No. 2, pp. 449-470.
10. Ohlson, J.A. (2010), “Financial ratios and the probabilistic prediction of
bankruptcy”, Journal of accounting research, Vol. 18, No. 1, pp. 109-131.
11. Shumway, T. (2010), “Forecasting bankruptcy more accurately: A simple hazard
model”, The Journal of Business, Vol. 74, No. 1, pp. 101-124.
12. Wruck, K.H. (1990), “Financial distress, reorganization, and organizational
efficiency”, Journal of financial economics, Vol. 27, No. 2, pp. 419-444.
13. Youn, H.W. and Gu, Z. (2010), “Predict US restaurant firm failures: The artificial neural
network model versus logistic regression model”, Tourism and Hospitality Research, Vol.
10, No. 3, pp. 171-187.