Basic Search / Detailed Display

Author: 鄭博尹
Po-Yin Cheng
Thesis Title: 疫情時代下上市企業財務危機預警模型之研究
The Research of Financial Crisis Early Warning Model of Listed Companies in the Era of Pandemic
Advisor: 謝劍平
Jeseph C.P. Shieh
Committee: 陳俊男
Chun-Nan, Chen
張琬喻
Jang, Woan-Yuh
劉代洋
Liu, Day-Yang
Degree: 碩士
Master
Department: 管理學院 - 財務金融研究所
Graduate Institute of Finance
Thesis Publication Year: 2023
Graduation Academic Year: 111
Language: 中文
Pages: 91
Keywords (in Chinese): 財務危機預警模型Logistic 迴歸Probit 迴歸新冠疫情
Keywords (in other languages): Financial crisis warning model, Logistic regression, Probit regression, covid-19
Reference times: Clicks: 376Downloads: 0
Share:
School Collection Retrieve National Library Collection Retrieve Error Report
  • 近五年來,國際黑天鵝事件影響著臺灣產業。電子業、電機業、生醫業受新冠疫情影響延後開工、遞延交貨日期,但因臺灣生產比重大,在生產調控及備料庫存下,影響程度較小,甚或有轉單效益。若疫情持續擴大,無法恢復產能,可能面臨上游缺料、缺工、工廠停擺、訂單被取消等,進而影響既定排程,衝擊整體產業成長動能。
    本研究試圖建構具前瞻性且兼顧財務比率、經營管理能力、總體環境及其他非財務面等構面之財務危機預警模型,可供銀行授信審核之依據,加強投資及授信判斷並有效控制授信及放貸風險,減少銀行不良放貸問題,亦可協助投資機構對於上市公司之財務體質進行初步判斷,以供作為投資決策之參考;對於上市企業本身,檢視公司財務危機發生之可能與問題點,管控企業財務危機風險。
    本研究以臺灣經濟新報(TEJ)資料庫中2017年至2021年之上市電子業、上市電機業、上市生醫業之財務危機公司為研究對象,運用Beaver 1:2之樣本配置,自危機發生年度回推三年之財務資料,就年資料與季資料,以Logistic迴歸、Probit迴歸方法建模,並就兩個分界點(50%及30%)分別作探討,觀察各模型產生之差異及準確度之優劣,以供往後建構或應用財務危機預警模型之參考。
    本研究之變數,除20個傳統財務比率變數外,亦選用非財務變數,包括3個公司治理變數、5個總體經濟變數、1個財報品質變數(Beneish M-score),共29個研究變數,選用具解釋力之變數,並分別就兩種不同頻率之資料進行模型建構。本研究採用之公司樣本數,上市電子業有87家,含危機公司29家、正常公司58家;上市電機業有12家樣本公司,其中含危機公司為4家,正常公司為8家;上市生醫業18家樣本公司,其中危機公司為6家,正常公司為12家。
    經實證後發現,採用Logistic迴歸模型或Probit迴歸模型,季資料皆可提高三業別預測財務危機公司之準確度。此外,將分界點設為30%,可提高財務危機預測之準確度。
    綜結之,為求最佳財務危機預警之準確度,上市電機業及上市生醫業使用Logistic迴歸分析法或Probit 迴歸分析法、季資料、30%之分界點建模,皆有最佳準確率;上市電子業使用Logistic迴歸分析法、季資料、30%分界點建模,有最佳準確率,作為建構模型之參考。


    Recently, the COVID-19 has affected the established schedule of manufactures and affect the overall growth momentum of the industries.
    This research attempts to construct a financial crisis warning model that includes financial ratios, operational management, macroeconomics and other non-financial aspects. The model can provide banks framework to strengthen investment and credit judgment to control credit risks, reduce the probabilities of bad debt, and also assist investment institutions in making preliminary evaluation. For those managers of listed companies, they can examine the possibility of their company's financial crisis and find out the problems.
    This research takes the financial crisis companies in the listed electronics industry, listed medical materials industry, and listed biotechnology industry from 2017 to 2021 as samples. And the data is TEJ database. With a 1:2 matching principle, annual data and quarterly data, Logistic and Probit regression analysis, observe and compare the accuracy and the difference among those models at the critical point 50% and 30% respectively. The result can be used for the construction of the financial crisis early warning model in the future.
    The 29 variables include 20 financial ratios, 3 corporate governance variables, 5 economic variables, and 1 financial reporting quality variable (Beneish M-score). Variables which have the power of the test would be used to establish the models based on data of annual data and quarterly data.
    The sample pool includes 87 listed companies in the electronics industry: 29 crisis companies and 58 normal companies; 12 listed companies in the electrical manufacturing industry: 4 crisis companies and 8 normal companies; 18 listed companies in the biotechnology industry: 6 crisis companies and 12 normal companies.
    According to the results, the quarterly data is useful to increase the accuracy of predicting financial crisis companies in the electrical manufacturing industry, the electronics industry and the biotechnology industry. Besides, setting the critical point at 30% can improve the accuracy of financial crisis prediction.
    To sum up, in order to obtain the best accuracy, the listed electrical manufacturing industry and the listed biotechnology industry can use the both regression models with quarterly data, 30% critical point, the listed electronics industry can use logistic regression model with annual data and the critical point 30% to construct the model.

    中文摘要 i Abstract ii 誌謝 iii 目錄 iv 圖表目錄 v 第壹章 緒 論 1 第一節 研究背景與動機 1 第二節 研究目的 2 第三節 研究架構 3 第貳章 文獻探討 5 第一節 財務危機 5 第二節 財務危機預警模型 12 第參章 研究方法 15 第一節 選樣設計 15 第二節 研究變數 18 第三節 研究方法 27 第肆章 實證結果與分析 31 第一節 敘述性統計 31 第二節 共線性與逐步迴歸分析 53 第三節 Logistic迴歸模型之實證結果 56 第四節 Probit迴歸模型之實證結果 60 第五節 Logistic迴歸模型準確率 65 第六節 Probit迴歸模型準確率 71 第伍章 研究結論與建議 77 第一節 研究結論 77 第二節 研究限制與建議 78 參考文獻 79

    參考文獻
    一、中文文獻
    尹賢瑜、葉立仁、游雅璇 (2015)。 建構企業財務危機預警模型—考慮財務與公司治理因素。德明學報, 39(2),頁 37-58。
    占部都美 (1963)。 陳耀茂譯,「公司的危機及解決之道」。 台北市: 聯經出版社。
    吳清在(2022)。產業別財務危機預警模型建構之研究。國立臺灣大學國家發展研究所,台北市。
    吳靜、袁芳英 (2020)。 股權質押、公司治理與財務危機預警, 財會通訊 (18)。 上海: 上海工程技術大學管理學院。
    呂峻、李梓房 (2008)。 宏觀經濟因素對企業財務危機影響的實證分析。山西財經大學學報,11(11),頁 94-100。
    李立行(1988)。運用現金流量預測企業財務危機之研究--以上市公司紡織業為例。淡江大學管理科學研究所,新北市。
    阮懷勝(2006)。財務危機預警模型之研究-以電子產業為例。東吳大學會計學系,台北市。
    林伯峰(1994)。上市公司於上市前、後之財務特性變化與財務困難之研究:以臺灣地區上市公司為實證。國立交通大學管理科學研究所,新竹市。
    林嬋娟、洪櫻芬、薛敏正 (1997)。 財務困難公司之盈餘管理實證研究。管理學報, 14(1),頁 15-38。
    邱毅、張訓華 (1991)。 股權結構、董事會組成與企業財務績效。台北市銀月刊, 22(15),頁 11-32。
    俞海琴、周本鄂 (1994)。 臺灣地區上市公司董監事、關係人持股比和公司托賓Q關係之研究。管理評論, 13(1),頁 79-98。
    姜義彬(2013)。台灣上市櫃電子業公司之財報舞弊研究-以博達個案為例。國立臺灣大學財務金融學研究所,台北市。
    洪榮華(1993)。臺灣地區股票上市公司盈虧預測模式之建立與其資訊價值之研究。國立政治大學企業管理研究所,台北市。
    徐淑芳(1999)。台灣上市公司財務危機預警─應用多變量CUSUM時間序列分析。國立東華大學企業管理學系,花蓮縣。
    張明峰(1991)。 股權結構對公司績效之研究。政治大學企業管理研究所未出版碩士論文。
    莊東昇(1996)。我國財務困境公司之重整行為與其資本結構之相關性研究。國立中興大學會計學研究所,台中市。
    許溪南、歐陽豪、陳慶芳 (2007)。 公司治理、盈餘管理與財務預警模型之建構。會計與公司治理, 4(1),頁 85-121。
    郭志安(1997)。以Cox模型建立財務危機預警模式。逢甲大學統計與精算研究所,台中市。
    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,台北市。
    陳靜怡(2000)。財務危機公司資本結構決定因素,資本結構與自發性重整行為聯立結構關係模式之研究。義守大學管理科學研究所,高雄市。
    游雅璇(2014)。建構企業財務危機預警模型—考慮財務與公司治理因素。實踐大學企業管理學系碩士班,台北市。
    黃俊雄(1994)。企業財務危機預警模型在銀行授信決策之運用。國立政治大學企業管理研究所,台北市。
    黃星耀(2021)。財務危機預警模型之研究—以上市櫃半導體業為例。國立臺灣科技大學財務金融研究所,台北市。
    黃振豊、呂紹強 (2000)。 企業財務危機預警模式之研究--以財務及非財務因素構建。當代會計, 1(1),頁 19-40。
    黃詩婷(2010)。企業財務危機預警模型-以企業生命週期觀點之研究。國立臺灣科技大學財務金融研究所,台北市。
    楊淑華(1992)。從代理理論觀點探究上市公司股權集中度與經營績效及市場評價的關係。淡江大學金融研究所,新北市。
    鄒人杰(2010)。由財務危機偵測舞弊之研究。輔仁大學會計學系碩士班,新北市。
    潘玉葉(1990)。臺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,新北市。
    蔡淑惠(2018)。運用財務比率預測企業財務危機之研究-以上市電子業為例。國立臺灣科技大學管理研究所,台北市。
    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-以臺灣上市電子產業為例。臺北科技大學學報, 42(2),頁 83-106。
    二、西文文獻
    Altman, E. I. (1968). Financial Ratios, Discriminant Analysis and the Prediction of Corporate Bankruptcy. The Journal of Finance, 23(4), 589-609. doi:10.2307/2978933
    Altman, E. I. (1983). Corporate Financial Distress. A Complete Guide to Predicting, Avoiding, and Dealing with Bankruptcy. In: Wiley Interscience. John Wiley and Sons.
    Atiya, A. F. (2001). Bankruptcy prediction for credit risk using neural networks: A survey and new results. IEEE Transactions on Neural Networks, 12(4), 929-935. doi:10.1109/72.935101
    Beaver, W. H. (1966). Financial Ratios As Predictors of Failure. Journal of Accounting Research, 4, 71-111. doi:10.2307/2490171
    Beneish, M. D. (1999). The Detection of Earnings Manipulation. Financial Analysts Journal, 55(5), 24-36.
    Blum, M. (1974). Failing Company Discriminant Analysis. Journal of Accounting Research, 12(1), 1-25. doi:10.2307/2490525
    Chiou, J. R., Hsiung, T. C., and Kao, L. F. (2002). A Study on the Relationship between Financial Distress and Collateralized Shares. 中華會計學刊, 3(1), 79-111.
    Deakin, E. B. (1972). A Discriminant Analysis of Predictors of Business Failure. Journal of Accounting Research, 10(1), 167-179. doi:10.2307/2490225
    DeAngelo, H., and DeAngelo, L. (1990). Dividend Policy and Financial Distress: An Empirical Investigation of Troubled NYSE Firms. The Journal of Finance, 45(5), 1415-1431. doi:10.2307/2328743
    Dechow, P. M., R., Sloan, and, A., Sweeney. (1996). Causes and consequences ofearnings manipulation: an analysis of firms subject to enforcement actions by the SEC. Contemporary Accounting Research, 13, 1-36.
    Fiorito, R., and Kollintzas, T. (1994). Stylized facts of business cycles in the G7 from a real business cycles perspective. European Economic Review, 38(2), 235-269. doi:https://doi.org/10.1016/0014-2921(94)90057-4
    Foster, G. (1977). Quarterly Accounting Data: Time-Series Properties and Predictive-Ability Results. The Accounting Review, 52(1), 1-21.
    Geske, R., and Roll, R. (1983). The Fiscal and Monetary Linkage Between Stock Returns and Inflation. The Journal of Finance, 38(1), 1-33. doi:10.2307/2327635
    Hopwood, W., McKeown, J. and Mutchler, J. (1994). A reexamination of auditor versus model accuracy within the context of the going concern opinion decision. Contemporary Accounting Research, 2, 409-431.
    Joseph, G. P. P., and Estes, R. W. (1982). An Empirical Analysis of Career Choice Factors among Accountants, Attorneys, Engineers, and Physicians. The Accounting Review, 57(4), 785-793.
    Morck, R., Shleifer, A., and Vishny, R. W. (1989). Alternative Mechanisms for Corporate Control. The American Economic Review, 79(4), 842-852.
    Odom, M. D., and Sharda, R. (1990, 17-21 June 1990). A neural network model for bankruptcy prediction. Paper presented at the 1990 IJCNN International Joint Conference on Neural Networks.
    Ofek, E. (1993). Capital structure and firm response to poor performance: An empirical analysis. Journal of Financial Economics, 34(1), 3-30. doi:https://doi.org/10.1016/0304-405X(93)90038-D
    Ohlson, J. A. (1980). Financial Ratios and the Probabilistic Prediction of Bankruptcy. Journal of Accounting Research, 18(1), 109-131. doi:10.2307/2490395
    Ram, R., and Spencer, D. E. (1983). Stock Returns, Real Activity, Inflation, and Money: Comment. The American Economic Review, 73(3), 463-470.
    Stulz, R. M. (1986). Asset Pricing and Expected Inflation. The Journal of Finance, 41(1), 209-223. doi:10.2307/2328353
    Sueyoshi, T., and Kirihara, Y. J. I. J. S. S. (1998). Efficiency measurement and strategic classification of Japanese banking institutions. 29, 1249-1263.
    Weisbach, M. S. (1988). Outside directors and CEO turnover. Journal of Financial Economics, 20, 431-460. doi:https://doi.org/10.1016/0304-405X(88)90053-0

    無法下載圖示 Full text public date 2025/01/31 (Intranet public)
    Full text public date 2025/01/31 (Internet public)
    Full text public date 2025/01/31 (National library)
    QR CODE