比较标准-财团法人金融联合征信中心.DOC

PAGE PAGE 1 台灣企業信用評分模型建置與驗證 本中心風險研究小組 阮正治 江景清＊ 一、前言 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，不宜僅以財務變數為主，應廣泛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本中心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，結合本中心所特有之個人信用評分，企業授信、票信紀錄及查詢紀錄等非財務變數，與股價資訊等相關資料，以目前國內外所使用的歷史法之羅吉斯迴歸模型(Logistic Regression Model)與市場法之Merton模型，建置台灣企業信用評分模型，並驗證及研討模型預測企業違約之有效性。 二、文獻回顧 2.1 羅吉斯迴歸模型 ＊謹在此特別感謝東吳大學國貿所張大成教授細心指導，本小組前副研究員江景清先生 ＊謹在此特別感謝東吳大學國貿所張大成教授細心指導，本小組前副研究員江景清先生協助完成此份研究報告。 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動度估計出違約機率的兩個未知變數：公司資產價值與資產變異，再估算出公司的違約機率。 Merton 模型的優點在於違約機率並非依據過去公司會計資料進行推估，而是動態、預測性的即時資料，以表達公司每天連續性的違約風險，具有即時預警的功能。儘管Merton 模型具有結合市場資訊與即時性的優點，然而Jarrow and Turnbull（2000）提出模型在應用上的限制，他認為由於Merton 模型的變數如公司資產價值和波動度無法直接觀察得到，因此必須以股價市值及股價變異加以估計，但是估計方式的不同將會造成估計值準確性的差異；Jarrow（2