臺灣博碩士論文加值系統

商業銀行經營模式，主要為吸收社會大眾存款再貸予資金需求者，扮演信用仲介的角色，因此信用風險自然成為銀行最大風險來源。隨著巴賽爾資本協定以及國際財務報導準則（IFRS）相繼導入風險量化評估規範，信用風險模型已成為金融機構控管風險的重要工具。

本研究選取2000年至2017年期間台灣上市、上櫃（含興櫃）製造業為研究對象，採用配對樣本一家違約公司配對兩家正常公司。每家公司擷取違約年度（T）及前三年度（T-1、T-2、T-3）財務報表，最終蒐集668筆違約公司財報資料，1,312筆正常公司財報資料。進一步將配對樣本資料分為80%訓練樣本（In-sample）用以建立模型，20%為測試樣本（Out-of-sample）驗證模型區別能力。研究使用Logit模型，以期建置穩定的財務危機預警模型。接續將門檻迴歸應用於Logit模型，本研究稱為「門檻邏吉斯迴歸模型」，以負債比率為門檻變數，探討經門檻值轉折後，公司財務行為特徵的變化。

研究結果以負債比率、營運資金比、總資產週轉次數、保留盈餘對資產比、基本獲利率、董監持股比率及公司規模等7個變數為最終模型變數，各變數對公司發生財務危機具有顯著解釋能力。模型效度驗證顯示，訓練樣本AUC值為88.80%，正確區別率83.17%；測試樣本AUC值則為86.78%，整體正確區別率82.65%。依不同年度驗證，訓練樣本在違約年度及前三年，正確區別率分別為87.66%、87.12%、81.12%及76.67%，隨距離違約時間愈遠，模型區別能力逐漸下滑，測試樣本驗證結果亦一致，惟下滑幅度不大，顯示模型具有良好穩定的預測能力。

考慮門檻變數下，最終以負債比率60.488%為門檻值，結果部分變數在各別群組並不顯著，包括高負債群組「負債比率」、「保留盈餘對資產比」，及低負債群組「總資產週轉次數」，顯示不同負債程度公司引發財務危機因素並不同。此外，高負債群組「公司規模」變數顯示，公司規模愈大發生財務危機的機率愈高，和過去研究公司規模愈大，發生財務危機機率愈低的結論並不完全一致。係數檢定則顯示，「營運資金比」與「公司規模」兩變數在高低負債兩群組係數並不同，存在門檻效果，在不同負債程度下，對公司發生財務危機的影響並不相同。

The business model of commercial banks mainly focuses on absorbing the public deposits and lending to the capital demander. Banks play the role of credit intermediary. Therefore, credit risk is the biggest risk for banks. With the quantification of risk assessment standard by Basel and IFRS, credit risk model has become an important tool to control risks at financial institutions.

This study is based on Taiwan listed and OTC companies (including emerging stock market) of the manufacturing industry during from 2000 to 2017. Paired samples of having one defaulted company paired with two non-defaulted companies have been adopted. There are four financial reports including the defaulted year (T) and the previous three years (T-1, T-2, T-3) for each company. In total there are 668 financial reports of defaulted companies and 1,312 reports of non-defaulted companies in this study. Furthermore, the paired samples have been divided into two groups - 80% of in-sample and 20% of out-of-sample. In-sample is used to build up the model and out-of-sample is used to validate the model. Logit model was adopted so as to build a stable early warning model of financial distress. Then threshold logistic regression is applied to Logit model, hence this study is called “Threshold Logistic Regression Model”. The debt ratio is be the threshold variable. It is to explore the changes of financial features after considering threshold variable by the model.

The final model has seven variables including debt ratio, the ratio of working capital to total asset, total asset turnover, the ratio of retained earnings to asset, basic earning power, shareholding ratio of directors and company scale. Each variable has significant effects for the prediction of company’s financial distress. The results of validation show that the AUC of in-sample is 88.80% and the predicting accuracy is 83.17%; the AUC of out-of-sample is 86.78% and the predicting accuracy is 82.65%. In the defaulted year and the previous three years, the predicting accuracy of in-sample is 87.66%, 87.12%, 81.12% and 76.67% respectively. The more long away from the defaulted time, the more declining the discriminating power the model is and the validation result of out-of-sample is the same as in-sample. However, the declining degree is not serious and it represents that the model has a good and stable prediction.

In consideration of the threshold effect, the threshold value of debt ratio is 60.488% and some variables are not significant effects for financial distress prediction in each group, including the “debt ratio”, “the ratio of retained earnings to asset” in high debt group and the“total asset turnover” in low debt group. It means that companies with different debt level have the different causes of financial distress. Besides, the variable “company scale” in high debt group shows that the bigger the company scale is, the higher chance to have financial distress. This conclusion is different from past studies showing that the large companies have lower chance to have financial distress. The results of coefficient test show that the two variables “the ratio of working capital to total asset” and “company scale” in the two groups of high debt and low debt are different. Under the threshold effect of debt ratio, it shows different impact on leading to financial distress.

謝　辭 I
中文論文提要 II
英文論文提要 III
目　錄 V
圖　次 VI
表　次 VII
第一章 緒論 1
第一節 研究背景 1
第二節 研究動機與目的 3
第三節 研究架構 5
第二章 文獻回顧 6
第一節 信用風險與違約事件定義 6
第二節 歷史法信用風險模型探討 8
第三節 市場法信用風險模型探討 16
第四節 信用風險模型綜合歸納 19
第三章 研究方法與設計 21
第一節 樣本資料選取與建立 21
第二節 變數選取與定義說明 24
第三節 研究模型介紹 28
第四節 模型建構與驗證 33
第四章 實證結果與分析 37
第一節 敘述統計分析 37
第二節 Logit模型結果分析 43
第三節 門檻邏吉斯迴歸模型結果分析 49
第五章 結論與建議 52
第一節 研究結論 52
第二節 研究限制 53
第三節 研究建議 53
參考文獻 55
附錄 配對公司樣本 58

一、中文部份
1.沈中華、林公韻（2005），「違約機率預測與極端值」，財務金融學刊，13（3），pp.1-32。
2.李淑娟（2014），「運用決策樹建置企業繼續經營假設疑慮之危機預警模型與模型驗證」，國立臺灣大學財務金融研究所碩士論文。
3.李沃牆、朱竣平（2008），「信用評等、公司違約率與財務危機預測之探討」，真理財經學報，18，pp.33-70。
4.李沃牆（2010），「考量總體變數下的公司違約預測—遺傳規畫決策樹與Logit模型之比較」，臺灣銀行季刊，61（1），pp.168-186。
5.吳宇哲（2002），「以違約距離衡量美國上市公司之信用風險」，元智大學管理研究所碩士論文。
6.林麗雪、龍劭琪（2007），「資料探勘技術應用於財務危機預警模式之建構」，中華管理評論國際學報，10（4），pp.1-20。
7.林郁翎、黃建華（2009），「考慮公司治理之企業財務危機預警模型」，東吳經濟商學學報，64，pp.23-55。
8.林萍珍、潘秋梅（2011），「企業金融信用風險評估模型建構之研究」，貨幣觀測與信用評等，89，pp.33-50。
9.徐中琦、劉皇佑（2010），「考量景氣循環與產業因素下的財務危機預警模型-邏輯斯迴歸與DEA-DA方法的應用」，風險管理學報，12（2），pp.157-183。
10.陳肇榮（1983），「運用財務比率預測企業財務危機之實證研究」，國立政治大學企業管理研究所博士論文。
11.陳明賢（1986），「財務危機預測之計量分析研究」，國立台灣大學商學研究所碩士論文。
12.陳業寧、王衍智、許鴻英（2004），「台灣企業財務危機之預測：信用評分法與選擇權評價法孰優?」，風險管理學報，6（2），pp.155-179。
13.陳錦村、江玉娟、朱育男（2006），「商業銀行如何建置符合新巴塞爾資本協定的信用評等制度」，金融風險管理季刊，2（1），pp.115-140。
14.陳泓志（2010），「企業財務危機預警模型：整合式Logit模型」，國立臺灣大學財務金融研究所碩士論文。
15.陳達新、周恆志（2014），財務風險管理：工具、衡量與未來發展（三版），臺北市：雙葉書廊。
16.許鳳芸（2010），「利用羅吉斯迴歸建立台灣上市櫃公司財務預警模型」，國立成功大學財務金融研究所碩士論文。
17.張士晏（2012），「財務比率與董監持股比率的危機預警能力—以實施庫藏股危機公司為例」，中原大學國際經營與貿易學系碩士論文。
18.張紹勲（2018），邏輯斯迴歸及離散選擇模型：應用STaTa統計，臺北市：五南圖書。
19.黃博怡、張大成、江欣怡（2006），「考慮總體經濟因素之企業危機預警模型」，金融風險管理季刊，2（2），pp.75-89。
20.楊適銓（2008），「利用門檻迴歸探討KMV信用風險模型之違約點定義問題」，國立中山大學財務管理研究所碩士論文。
21.潘玉葉（1990），「台灣股票上市公司財務危機預警分析」，淡江大學管理科學研究所博士論文。
22.鄧志豪（2000），「以分類樣本偵測地雷股—新財務危機預警模型」，國立政治大學金融研究所碩士論文。
23.歐再添（2003），「企業財務危機預測--以產業別建構Logistic預警模型」，國立臺灣科技大學企業管理研究所碩士論文。
24.劉彩卿、陳欽賢（2012），STATA 基礎操作與統計模型應用，臺北市：雙葉書廊。
25.羅聖雅（2009），「台灣地區上市公司信用風險衡量與績效評估」，創新研發學刊，5（2），pp.1-17。
26.羅淑娟、林晶璟、陳義方（2009），「應用邏吉斯迴歸技術探討財務危機預警變數與資料長度之適用性研究—以台灣上市電子產業為例」，臺北科技大學學報，42（2），pp.83-106。
27.蘇敏賢、林修葳（2006），「Merton 模型預測違約之使用限制探索」，金融風險管理季刊，2（3），pp .65-87。

二、英文部份
1.Altman, E. I. (1968), Financial Ratios, Discriminant Analysis and the Prediction of Corporate Bankruptcy, Journal of Finance, Vol.23, No.4, pp.589-609.
2.Altman, E.I., Haldeman, R. G. and Narayanan, P. (1977), ZETA Analysis: A New Model to Identify the Bankruptcy Risk of Corporations, Journal of Banking and Finance, Vol.1, pp.29-54.
3.Beaver, W. H. (1966), Financial Ratios as Predictors of Failure, Journal of Accounting Research, Vol.4, pp.71-111.
4.Blum, M. (1974), Failing Company Discriminant Analysis, Journal of Accounting Research, Vol.12, No.1, pp.1-25.
5.BCBS (1999), Principles for the Management of Credit Risk.
6.BCBS (2006), International Convergence of Capital Measurement and Capital Standards.
7.Collins, R. A. and Green, R. D. (1982), Statistical Methods for Bankruptcy Forecasting, Journal of Economics and Business, Vol.34, No.4, pp.349-354.
8.Coats, P. K. and Fant, L. F. (1993), Recognizing Financial Distress Patterns Using a Neural Network Tool, Financial Management, Vol.22, No.3, pp.142-155.
9.Deakin, E. B. (1972), A Discriminant Analysis of Predictors of Business Failure, Journal of Accounting Research, Vol.10, No.1, pp.167-179.
10.Hansen, B. E. (1999), Threshold Effects in Non-dynamic Panels: Estimation, Testing, and Inference, Journal of Econometrics, Vol.93, pp.345-368.
11.Hillegeist, S. A., Keating, E. K., Cram, D. P. and Lundstedt, K. G. (2004), Assessing the Probability of Bankruptcy, Review of Accounting Studies, Vol.9, pp.5-34.
12.Jorion, P. (2009), Financial Risk Manager Handbook, 5th ed., New Jersey: John Wiley & Sons, Inc.
13.Lee, T. S. and Yeh, Y. H. (2004), Corporate Governance and Financial Distress: evidence from Taiwan, Journal of Corporate Governance, Vol.12, No.3, pp.378-388.
14.Martin, D. (1977), Early Warning of Banking Failure: A logit regression approach, Journal of Banking and Finance, Vol.1, No.3, pp.249-276.
15.Merton, R. (1974), On the Pricing of Corporate Debt: The Risk Structure of Interest Rates, Journal of Finance, Vol.29, No.2, pp.449-470.
16.Mensah, Y. M. (1984), An Examination of the Stationarity of Multivariate Bankruptcy Prediction Models: A Methodological Study, Journal of Accounting Research, Vol.22, No.1, pp.380-395.
17.Odom, M. D. and Sharda, R. (1990), A Neural Networks for Bankruptcy Prediction, IEEE INNS International Joint Conference on Neural Networks, Vol.2, pp.163-168.
18.Ohlson, J. A. (1980), Financial Ratios and the Probabilistic Prediction of Bankruptcy, Journal of Accounting Research, Vol.18, pp.109-131.
19.Shen, C. H. and Hsu, H. H. (2018), What are the Causes of Asian Banking Crises? Application of Panel Threshold Logit Model, Working Paper.
20.Tam, K. Y. and Kiang, M. Y. (1992), Managerial Applications of Neural Networkds: The Case of Bank Failure Predictions, Management Science, Vol.38, No.7, pp.926-947.
21.Zmijewski, M. E. (1984), Methodological Issues Related to the Estimation of Financial Distress Prediction Models, Journal of Accounting Research, Vol.22, pp.59-82.